一种基于电化学阻抗谱的电池典型故障联合诊断方法
本发明涉及新能源储能与电池管理,尤其是涉及一种基于电化学阻抗谱的电池典型故障联合诊断方法。
背景技术:
1、随着全球能源转型战略的深入推进,锂离子电池已成为交通电动化和新型电力系统中的核心储能元件。然而,随着电池能量密度的提高和成组集成度的增加,电池本体的安全隐患日益突出。其中,漏液故障、老化故障和自放电故障是电池使用过程中最为典型的故障类型。统计数据显示,大多数锂离子电池热失控事故由自放电故障引发。因此,准确识别这三种故障类型,对于保障系统安全和制定维修策略具有重要意义。
2、目前,电池管理系统主要依赖电压、电流、温度等时域参数进行故障判断。然而,当电池发生漏液、老化或自放电等故障时,其电压特性在早期往往表现不明显,难以实现故障类型的精细区分。电化学阻抗谱技术能够反映电池内部电荷传递、扩散等不同物理化学过程的响应特性,对故障类型具有较高的敏感性。但是,传统的电化学阻抗谱测试需要在较宽的频率范围内进行,尤其是低频段测试时间长达数分钟甚至十几分钟,这一局限性严重制约了其在车载边缘计算环境和实时诊断中的应用。
3、现有的基于电化学阻抗谱的电池故障诊断方法,大多针对单一故障类型建立独立的诊断模型或阈值判据,缺乏一种能够同时区分多种典型故障的统一方法。因此,开发一种测试时间短、特征参数简洁、能够联合诊断多种故障类型的方法,具有重要的工程应用价值。
技术实现思路
1、本发明的目的是提供一种电化学阻抗谱的电池典型故障联合诊断方法。该方法无需进行全频段电化学阻抗谱测试,仅利用高中频段数据以缩短测试时间;通过提取关键特征参数或定频阻抗特征,结合支持向量机多分类模型,实现单一模型对漏液、老化、自放电三种典型故障的联合诊断。同时,该方法支持单一荷电状态点和定频测试条件下的轻量化诊断,可适配边缘计算环境。
2、为解决上述技术问题,本发明采用下述技术方案:
3、一种基于电化学阻抗谱的电池典型故障联合诊断方法,包括以下步骤:
4、s1、采集锂离子电池的电化学阻抗谱eis数据,仅截取高中频段数据并完成特征参数提取;
5、s2、对提取得到的全部特征数据执行标准化预处理,按照预设比例随机划分得到训练集与测试集;
6、s3、基于支持向量机svm构建三分类诊断模型,利用训练集完成模型训练,通过测试集验证模型诊断精度,单一模型同步识别老化故障、漏液故障、自放电故障三类电池典型故障;
7、s4、将待诊断电池的eis特征输入训练完成的三分类模型,输出故障类型标签,根据故障类型生成电池故障预警并匹配对应维修处置方案。
8、进一步的,步骤s1中特征参数提取,包含第一种提取方式:提取eis曲线高中频段三处关键特征点的参数;所述三处关键特征点分别为eis曲线与横轴交点、圆弧最高点、曲线拐点;每个特征点分别提取阻抗实部、负虚部、对应测试频率,组合形成8维特征向量。
9、进一步的,步骤s1中特征参数提取,包含第二种提取方式:将8维特征向量按照固定soc荷电状态点分组,仅选取单一soc点下的 eis特征作为样本数据集;所述soc点选取20%、50%、80% 三档。
10、进一步的,步骤s1中特征参数提取,包含第三种轻量化定频提取方式:选取固定高中频测试频率点,仅采集各频率下阻抗实部与负虚部作为特征;所述固定频率包含740hz、586hz、464hz、1hz、0.5hz。
11、进一步的,轻量化定频提取时,同步采集20%、50%、80% 三个soc下各定频阻抗参数,每组样本包含6个简化特征参数,分别对各频率独立训练 svm 诊断模型。
12、进一步的,步骤s2中数据集划分比例为训练集:测试集= 8:2;对同一原始数据集执行不少于5次随机划分、训练与测试,取多次测试准确率平均值作为模型稳定性评价指标。
13、进一步的,步骤s3中svm三分类模型采用一对一 ovo多分类策略,构建三组二分类子分类器,预测阶段采用投票机制输出最终故障类别;模型核函数选用高斯径向基rbf核。
14、进一步的,采用网格搜索结合交叉验证优化svm模型惩罚系数c与核参数γ,确定最优模型超参数。
15、进一步的,步骤s3模型输出故障标签定义为:第一标签对应老化故障电池,第二标签对应漏液故障电池,第三标签对应自放电故障电池。
16、进一步的,所述方法适用于电动汽车、新能源轨道交通、储能电站内锂离子单体电池的在线实时诊断或离线故障检测,适配边缘计算终端部署。
17、相比于现有技术,本发明的有益效果为:
18、1.大幅缩短检测时长:仅采用高中频段eis数据,舍弃耗时严重的低频段扫描;轻量化定频方案仅采集少量固定频率点,单次检测时间由分钟级压缩至秒级,适配边缘实时诊断;
19、2.单模型多故障联合识别:一套svm三分类模型同步区分老化、漏液、自放电三类故障,无需搭建多套独立判别模型,算法逻辑简洁、算力占用低,可直接部署在bms边缘终端;
20、3.多梯度轻量化特征可选:提供8维全特征、单soc特征、6维定频极简特征三套提取方案,兼顾诊断精度与运算速度,适配不同算力等级硬件;
21、4.故障识别准确率高:20% soc全特征模型平均诊断准确率 90.9%;定频1hz频率点模型平均准确率100%,故障区分效果显著优于传统时域判别手段;
22、5.工程适配性强:可离线实验室检测,也可集成至车载bms、储能变流器边缘模块,故障识别后自动输出预警与维修方案,提前规避电池热失控安全风险,降低运维成本。
1.一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,包括以下步骤:
2.如权利要求1所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,步骤s1中特征参数提取,包含第一种提取方式:提取eis曲线高中频段三处关键特征点的参数;所述三处关键特征点分别为eis曲线与横轴交点、圆弧最高点、曲线拐点;每个特征点分别提取阻抗实部、负虚部、对应测试频率,组合形成8维特征向量。
3.如权利要求1所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,步骤s1中特征参数提取,包含第二种提取方式:将8维特征向量按照固定soc荷电状态点分组,仅选取单一soc点下的 eis特征作为样本数据集;所述soc点选取20%、50%、80% 三档。
4.如权利要求1所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,步骤s1中特征参数提取,包含第三种轻量化定频提取方式:选取固定高中频测试频率点,仅采集各频率下阻抗实部与负虚部作为特征;所述固定频率包含740hz、586hz、464hz、1hz、0.5hz。
5.如权利要求4所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,轻量化定频提取时,同步采集20%、50%、80% 三个soc下各定频阻抗参数,每组样本包含6个简化特征参数,分别对各频率独立训练 svm 诊断模型。
6.如权利要求1所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,步骤s2中数据集划分比例为训练集:测试集= 8:2;对同一原始数据集执行不少于5次随机划分、训练与测试,取多次测试准确率平均值作为模型稳定性评价指标。
7.如权利要求1所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,步骤s3中svm三分类模型采用一对一 ovo多分类策略,构建三组二分类子分类器,预测阶段采用投票机制输出最终故障类别;模型核函数选用高斯径向基rbf核。
8.如权利要求7所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,采用网格搜索结合交叉验证优化svm模型惩罚系数c与核参数γ,确定最优模型超参数。
9.如权利要求1所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,步骤s3模型输出故障标签定义为:第一标签对应老化故障电池,第二标签对应漏液故障电池,第三标签对应自放电故障电池。
10.如权利要求1所述的一种基于电化学阻抗谱的电池典型故障联合诊断方法,其特征在于,所述方法适用于电动汽车、新能源轨道交通、储能电站内锂离子单体电池的在线实时诊断或离线故障检测,适配边缘计算终端部署。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com