基于时序分解与注意力机制的锂电池故障诊断方法

摘要: 本发明属于锂离子电池状态监测与故障诊断,尤其涉及一种基于多通道运行数据处理、时序分解和注意力机制的锂离子电池微短路故障诊断方法,适用于新能源汽车动力电池系统、储...
基于时序分解与注意力机制的锂电池故障诊断方法

本发明属于锂离子电池状态监测与故障诊断,尤其涉及一种基于多通道运行数据处理、时序分解和注意力机制的锂离子电池微短路故障诊断方法,适用于新能源汽车动力电池系统、储能电池系统及其他锂离子电池在线安全监测场景。

背景技术:

1、锂离子电池因具有能量密度高、循环寿命长、工作电压高及自放电率低等优点,已广泛应用于新能源汽车、储能电站、便携式电子设备及工业电源系统等领域。然而,在锂离子电池长期服役过程中,电池系统的安全性问题逐渐成为制约其进一步推广的重要因素。特别是在动力电池和储能系统中,电池长期处于复杂工况运行状态,容易受到老化退化、机械损伤、温度应力、电化学副反应等因素影响,从而诱发多种类型的故障。其中,内部微短路故障因具有隐蔽性强、发展缓慢、前期特征微弱而受到广泛关注。微短路故障在形成初期,通常仅表现为单体电压微小偏移、局部温升缓慢增加或时序波动细微异常,其故障信号幅值较低,且极易被测量噪声、工况波动及电池间一致性差异所掩盖。若不能在早期及时发现,微短路故障可能逐步演化为严重短路、热失控甚至起火爆炸,对整车及储能系统安全构成严重威胁。

2、现有锂离子电池故障诊断方法主要分为三类:基于机理模型的方法、基于信号特征分析的方法以及基于数据驱动的方法。基于机理模型的方法依托等效电路模型、电热耦合模型、电化学模型结合状态估计实现故障识别,物理可解释性较强,但模型构建复杂度高,对参数辨识精度要求严苛,在复杂工况下适配性较差。基于信号特征分析的方法多采用均值、方差、熵值、小波系数或频域特征进行异常判断,计算过程较为直观,但对早期微弱故障的敏感性不足。基于数据驱动的方法借助神经网络、支持向量机或集成学习模型,能够从运行数据中自动提取特征,在一定程度上提升诊断精度。但该类方法缺乏机理约束,在强噪声环境下易出现误检、漏检问题。

3、近年来,循环神经网络尤其是门控循环单元网络在时间序列异常检测与故障诊断中显示出较好的应用潜力。该类方法能够捕捉长时依赖关系,对电池状态变化过程中的动态演化特征具有较强建模能力。但仅依靠循环神经网络直接处理原始时序数据仍存在明显缺陷:其一,原始电池信号中混杂测量噪声、环境扰动与工况波动,干扰故障特征学习;其二,原始时序数据中趋势变化信息与局部瞬态异常信息相互耦合,模型难以同步兼顾电池整体演化规律与局部故障残差特征。

4、与此同时,电池微短路故障的识别高度依赖局部短时异常信号,常规时序处理方法对所有时间步特征均等分配权重,无法突出异常关键时段的特征,进一步限制了模型对早期微短路故障的识别能力。

5、综上所述,现有技术难以同时实现抗噪滤波、特征解耦、长时序建模与异常特征增强,亟需一种全新的诊断方案,提升微短路故障的早期识别精度、运行稳定性和工程应用价值。

技术实现思路

1、本发明的目的在于针对现有技术中存在的对锂离子电池微短路早期故障敏感性不足、抗噪性能较差以及对关键异常时刻特征表征能力不强的问题,提出一种基于时序分解与注意力机制的锂离子电池微短路故障诊断方法。

2、为实现上述目的,本发明采用如下技术方案:

3、一种基于时序分解与注意力机制的锂离子电池微短路故障诊断方法,包括以下步骤:

4、s1:采集锂离子电池包中多个单体电池的运行时序数据;所述运行时序数据至少包括单体电压数据,优选还包括电流数据、温度数据中的一种或多种,以构成多变量时间序列输入。

5、s2:对所述运行时序数据进行预处理;所述预处理至少包括去噪处理,优选采用小波去噪方式,以抑制测量噪声并保留故障相关微弱特征;必要时还包括缺失值处理、异常点修正、归一化及滑动窗口样本构建。

6、s3:对预处理后的时序数据进行时序分解,得到趋势项和残差项;其中,所述趋势项用于表征电池运行状态的缓慢演化过程,所述残差项用于表征局部短时异常扰动。

7、s4:将所述趋势项和残差项输入时序特征提取模型进行建模,所述时序特征提取模型包括循环神经网络单元和时序注意力机制;优选地,所述循环神经网络单元为门控循环单元网络,用于学习电池时序数据中的长时依赖关系;所述时序注意力机制用于根据不同时间位置对故障判别的重要程度分配权重,增强关键异常时刻的特征表达。

8、s5:根据所述时序特征提取模型的输出构建输入序列的重构结果,并计算原始输入序列与重构结果之间的误差,得到故障表征指标;所述故障表征指标可采用平均绝对误差、均方误差、相对重构误差、重构偏差百分比或其组合。

9、s6:将所述故障表征指标与阈值进行比较,输出对应单体电池的故障诊断结果;所述阈值可以为固定阈值,也可以为基于正常工况样本统计特征构建的自适应阈值;优选地,诊断结果包括正常状态、预警状态和故障状态。

10、作为优选方案,在步骤s2中,所述小波去噪包括:对原始时序数据进行离散小波分解,对高频细节系数进行阈值收缩处理,并通过逆小波重构获得去噪后的信号。优选采用daubechies小波基,进一步优选为daubechies 4小波基,采用三层分解与软阈值去噪方式。

11、在步骤s3中,所述时序分解采用滑动平均分解方式,通过对输入序列进行局部平滑运算获得趋势项,再由原始输入减去趋势项得到残差项;或者采用可学习分解结构实现趋势项与残差项分离。

12、在步骤s4中,所述门控循环单元网络包括更新门、重置门和候选隐状态计算结构,以增强模型对长时依赖关系的记忆能力;所述时序注意力机制根据各时间步隐状态的贡献大小计算注意力权重,并对隐状态序列进行加权求和,得到融合特征表示。

13、在步骤s6中,采用双阈值判别策略:当故障表征指标小于第一阈值时,判定为正常状态;当故障表征指标大于等于第一阈值且小于第二阈值时,判定为预警状态;当故障表征指标大于等于第二阈值时,判定为故障状态。所述第一阈值和第二阈值可根据实验标定结果、历史正常数据统计特征或专家经验确定。

14、本发明还可以进一步扩展为一种锂离子电池微短路故障诊断系统,包括数据采集模块、预处理模块、时序分解模块、特征建模模块、误差计算模块和状态判别模块,各模块协同执行上述方法。

15、与现有技术相比,本发明具有以下有益效果:

16、(1)通过小波去噪对原始时序数据进行滤波处理,有效削弱采样噪声、环境扰动对微弱故障特征的掩盖作用,提升异常特征辨识度。通过将时序信号分解为趋势项和残差项,可分别描述电池状态慢变过程与局部异常波动过程,从而避免不同特征成分相互混杂。

17、(2)通过门控循环单元网络对时序数据进行动态建模,充分学习电池状态演化中的长时依赖关系,增强对故障逐步累积过程的表征能力。引入时序注意力机制,可以对故障相关的关键时间位置赋予更高权重,从而突出微短路早期阶段的关键异常片段,提高模型对早期隐匿故障的敏感性。

18、(3)通过构建重构误差型故障表征指标,并结合固定阈值或自适应阈值实现状态分级判断,能够提升故障诊断结果的稳定性和工程部署便利性。

19、本发明适用于新能源汽车电池管理系统、储能电站监测系统及其他需要对锂离子电池进行在线安全预警的场景,具有较高的工程应用价值。