一种锂离子电池故障诊断方法、系统、设备及介质与流程

本发明属于储能，涉及锂离子电池异常识别，特别涉及一种锂离子电池故障诊断方法、系统、设备及介质。

背景技术：

1、锂离子电池具有许多优势，已被广泛应用于电动汽车领域。电动汽车锂离子电池火灾事故，会对人们的生命和财产安全构成严重威胁。在电动汽车复杂的运行条件下，如果锂离子电池处于故障状态，则会在短时间内产生过多热量，最终导致热失控。锂离子电池的故障特征在早期是模糊的，在事故报警前，故障电池的电压不会超过系统设定的安全阈值。综上，实施准确有效的故障诊断和热失控预警，对于确保电池系统的安全运行至关重要。

2、现有技术中，锂离子电池的故障诊断方法主要分为三类，分别是基于知识、基于电化学模型和基于数据驱动的方法。基于知识的方法主要是利用长期积累的知识和经验以及对电池机理的理解，由于专家经验的主观因素，其准确性较低。基于模型的方法通常建立电池的化学或数学模型，通过比较被诊断对象的可测量信号和模型的预测信号，获得残余信号来识别故障；然而，高度耦合的电化学模型很难被用于在线故障诊断。近年来，基于数据驱动的方法被广泛应用于电池故障诊断领域，包括机器学习、统计学方法和基于信号处理等；例如，多尺度熵算法、改进香农熵算法、相对熵算法、经验模态分解法和孤立森林算法等。此外，通过自注意力机制网络、循环神经网络和bp神经网络等来预测电压以实现故障诊断。然而，现有基于数据驱动的方法主要是针对当前的工作条件进行故障诊断，不能长时间范围内识别异常；此外，现有方法的鲁棒性能较差，严重影响了故障诊断的准确性。

技术实现思路

1、本发明的目的在于提供一种锂离子电池故障诊断方法、系统、设备及介质，以解决上述存在的一个或多个技术问题。本发明提供的技术方案，是基于一维特征融合和局部离群因子算法的故障诊断方案，能够在长时间范围内准确识别电池的异常情况。

2、为达到上述目的，本发明采用以下技术方案：

3、本发明第一方面，提供一种锂离子电池故障诊断方法，包括以下步骤：

4、基于待故障诊断的锂离子电池，获取每个采样点的原始电池电压并进行l2范数归一化，获得每个采样点的归一化后电池电压；

5、基于每个采样点的归一化后电池电压，利用滑动窗口提取获得自编码特征和标准差特征；

6、将每个滑动窗口下提取获得的自编码特征和标准差特征融合，输入到局部离群因子算法中，计算各电芯的lof得分；将各电芯的lof得分与预设阈值比较，lof得分超出所述预设阈值的电芯存在异常，获得故障诊断结果。

7、本发明的进一步改进在于，所述获取每个采样点的原始电池电压并进行l2范数归一化的步骤中，

8、ut＝[u(t,1),u(t,2),…,u(t,m)]；

9、

10、vt＝[v(t,1),v(t,2),…,v(t,m)]；

11、式中，m为电池组中电芯的数目，v(t,i)和u(t,i)为第i个电芯在t采样点的归一化电压和原始电压，|ut|为在t采样点原始电压的长度。

12、本发明的进一步改进在于，所述滑动窗口的长度确定步骤包括：

13、对样本故障车设置一系列大小的滑动窗口，阈值设置为滑动窗口长度下大于正常电芯异常分数最大值的整数，以不产生误报警和故障检测时间提前为标准，获取最优的滑动窗口和相应阈值。

14、本发明的进一步改进在于，所述提取获得自编码特征和标准差特征的步骤中，采用训练好的自编码器提取获得自编码特征；

15、其中，所述自编码器由编码器和解码器构成，所述编码器用于将输入数据的信息提取并转化为特征，所述解码器用于重建特征；其中，所述自编码器模型每一层所包含的特征数都为奇数，且用正常电压数据进行训练，采用均方误差函数来描述输出数据和输入数据之间的误差，当损失小于设定的最小值时，获得训练好的自编码器。

16、本发明的进一步改进在于，所述将每个滑动窗口下提取获得的自编码特征和标准差特征融合，输入到局部离群因子算法中，计算各电芯的lof得分；将各电芯的lof得分与预设阈值比较，lof得分超出所述预设阈值的电芯存在异常的步骤中，

17、第j个滑动窗口下提取的自编码特征和标准差特征表达如下，

18、

19、

20、式中，ae(j,i)和std(j,i)为第i个电芯在滑动窗口swj下的自编码特征和标准差特征，n为采样数据的长度，l为滑动窗口的长度；

21、计算lof得分的计算表达式为，

22、

23、其中，如果lof(j,i)超出阈值δ表明在swj下，电池组中的第i个电芯存在异常。

24、本发明的进一步改进在于，所述获得故障诊断结果之后，还包括：

25、计算获取故障诊断时间τ，计算表达式为，τ＝n-l+1。

26、本发明第二方面，提供一种锂离子电池故障诊断系统，包括：

27、数据获取及处理模块，用于基于待故障诊断的锂离子电池，获取每个采样点的原始电池电压并进行l2范数归一化，获得每个采样点的归一化后电池电压；

28、特征获取模块，用于基于每个采样点的归一化后电池电压，利用滑动窗口提取获得自编码特征和标准差特征；

29、计算及诊断模块，用于将每个滑动窗口下提取获得的自编码特征和标准差特征融合，输入到局部离群因子算法中，计算各电芯的lof得分；将各电芯的lof得分与预设阈值比较，lof得分超出所述预设阈值的电芯存在异常，获得故障诊断结果。

30、本发明第三方面，提供一种电子设备，包括：

31、至少一个处理器；以及，

32、与所述至少一个处理器通信连接的存储器；其中，

33、所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如本发明第一方面中任一项所述的锂离子电池故障诊断方法。

34、本发明第四方面，提供一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明第一方面中任一项所述的锂离子电池故障诊断方法。

35、与现有技术相比，本发明具有以下有益效果：

36、本发明提供的锂离子电池故障诊断方法，是基于一维特征融合和局部离群因子算法的故障诊断方法，其具有的技术进步包括：

37、(1)相比于原始电压信号，归一化电压更有利于电池故障诊断，无论是在故障早期阶段还是后期阶段，正常电芯归一化后的电压在一定小范围内波动且与故障电芯归一化电压有较大差异，归一化电压放大了异常电芯和正常电芯之间的细微差异；

38、(2)较小的滑动窗口更有利于在线实时诊断，并且所提出的自编码器算法，训练完成后直接可以进行在线部署，模型简单且易实现；

39、(3)局部离群因子算法简单容易在线实现，并且可调整的参数数目少；

40、(4)所提出的方法对于突发性故障和渐进性故障电芯都能准确地实现提前预警，对正常电芯不产生错误警报，具有较高的鲁棒性和可靠性。