基于时空特征融合与AI决策的电池温升诊断方法及系统与流程

本发明涉及电池温升监测相关，具体地说，是涉及一种基于时空特征融合与ai决策的电池温升诊断方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，并不必然构成在先技术。

2、储能电池可应用于电动汽车等用电设备中，为整车驱动系统及车载用电系统提供能量。随着电动汽车对续航能力、充放电倍率和运行安全性的要求不断提高，储能电池在高倍率充电、放电、启停切换以及复杂环境温度条件下容易产生明显温升。电池温升状态不仅反映电池当前的热负荷情况，还与内部短路、接触电阻增大、局部散热异常以及热失控风险密切相关。对储能电池运行过程中的温度变化进行及时、准确地监测和诊断，是保障电动汽车安全运行、降低热失控风险以及提高电池管理系统可靠性的必要技术手段。

3、现有技术在对储能电池热状态进行监控和诊断时，通常采用温度阈值、温升速率阈值、测点温差或单一异常评分等方式判断电池是否存在温升异常。上述方式主要依据温度幅值或温度变化速率等表观特征进行判断，原因在于这些特征获取简单、计算量较小，便于在电池管理系统中实时部署。然而，在实际运行过程中，正常充放电工况切换也会引起短时、快速的瞬态温升，该瞬态温升在发生初期的温升速率、温升幅值等表观特征，与局部内部短路、接触电阻增大等早期微弱故障引发的持续性故障温升较为相似。由于现有方法主要关注温升信号的幅值变化或局部测点的异常程度，因此在面对正常工况切换引起的瞬态温升与早期故障引起的持续性温升时，容易因二者在初期表观特征相近而产生混淆，难以准确区分性质不同但表象相似的温升事件，从而可能将正常瞬态温升误报为故障，或将早期故障温升误判为正常工况波动，影响电池温升诊断的准确性和安全预警的及时性。

技术实现思路

1、本发明为了解决上述问题，提出了一种基于时空特征融合与ai决策的电池温升诊断方法及系统，通过多维度特征深度挖掘与智能融合，显著提升了电池温升诊断的准确性和可靠性，解决了储能系统充放电切换瞬态温升与真实故障温升特征相似、难以准确区分的问题。

2、为了实现上述目的，本发明采用如下技术方案：

3、本发明第一方面提供了基于时空特征融合与ai决策的电池温升诊断方法，包括如下步骤：

4、获取待诊断储能电池的多测点温度数据，以及电池运行数据，构建温升时域动态特征集；

5、将各温度测点作为图节点，将测点间温度相关性作为边权重，构建电池热关联图；通过图卷积操作，提取电池内部热行为空间关联性的温升空间分布模式特征；

6、基于温升空间分布模式特征，计算温升起始点到相邻测点的传播延迟、衰减系数和方向性特征，得到空间传播特征向量；

7、将温升时域动态特征集和空间传播特征向量进行联合编码，构建基于变分自编码器的异常温升检测模型，对当前温升事件相对于正常温升模式的偏离程度进行预测，得到温升异常检测得分；

8、基于温升空间分布模式特征、空间传播特征向量和温升异常检测得分，采用证据理论进行融合判定，输出电池温升类型判定结果及置信度。

9、进一步的技术方案，获取待诊断储能电池的多测点温度数据，以及电池运行数据，构建温升时域动态特征集包括如下步骤：

10、获取储能电池内的多测点温度数据，以及采集电流、电压和荷电状态数据，进行特征提取，得到动态特征构建多维时序数据矩阵；

11、计算各测点温度变化的一阶导数、二阶导数以及温度与电流的互相关系数序列，作为动态特征，形成温升时域动态特征集。

12、进一步的技术方案，采用基于滑动时间窗口的皮尔逊相关系数计算电池热关联图的边权重，具体的：在每个时间步，选取一个长度为的回溯时间窗口，计算该回溯时间窗口内任意两个温度测点和的温度序列和之间的相关性。

13、进一步的技术方案，基于温升空间分布模式特征，计算温升起始点到相邻测点的传播延迟、衰减系数和方向性特征，得到空间传播特征向量的方法，包括如下步骤：

14、基于各温度测点在观测时间段内的温度一阶导数，识别显著温升事件的起始点；

15、将温升从起始点到任一相邻测点的传播过程进行量化，计算传播延迟和衰减系数；

16、基于各测点的物理坐标，通过计算相邻测点在温升传播过程中的温升速率，计算由相邻测点温升速率加权得到的几何重心随时间变化的轨迹，从而得到温升传播的方向性特征；

17、基于得到的传播延迟、衰减系数和方向性特征，与正常运行工况下的传播基准特征进行差异性量化，生成最终的空间传播特征向量。

18、进一步的技术方案，计算起始点与相邻测点的温升时刻的差值，作为传播延迟；

19、计算起始点与相邻测点的最大温升幅度的比值，作为衰减系数。

20、进一步的技术方案，将温升时域动态特征集和空间传播特征向量进行联合编码，构建基于变分自编码器的异常温升检测模型，对当前温升事件相对于正常温升模式的偏离程度进行预测，得到温升异常检测得分的过程，包括如下步骤：

21、融合温升时域动态特征集中特征和空间传播特征向量，得到联合输入特征向量；

22、将联合输入特征向量输入变分自编码器模型的编码器，得到隐变量分布参数；

23、根据得到的隐变量分布参数，采用重参数化方式采样得到隐向量，并将所述隐向量输入变分自编码器的解码器，生成与联合输入特征向量对应的重构特征向量；

24、基于正常工况样本训练变分自编码器模型；

25、将待检测温升事件对应的联合输入特征向量输入训练完成的变分自编码器模型，得到对应的重构特征向量和隐变量分布参数，并基于重构误差和隐变量分布偏离度计算温升异常检测得分。

26、进一步的技术方案，基于温升空间分布模式特征、空间传播特征向量和温升异常检测得分，采用证据理论进行融合判定，输出电池温升类型判定结果及置信度，包括如下步骤：

27、构建用于进行温升类型判定的辨识框架，所述辨识框架用于限定储能电池温升状态的可能判定结果；

28、基于温升异常检测得分进行正常与异常证据分配，得到第一证据体；

29、基于空间传播特征向量进行传播行为证据分配，得到第二证据体；

30、基于空间分布模式特征进行温升分布形态证据分配，得到第三证据体；

31、基于登普斯特组合规则对各证据体进行融合，得到综合质量函数；

32、基于综合质量函数输出温升类型判定结果和置信度评分。

33、本发明第二方面提供了基于时空特征融合与ai决策的电池温升诊断系统，包括数据采集装置以及处理器，所述处理器被配置为执行上述的基于时空特征融合与ai决策的电池温升诊断方法的步骤。

34、本发明第三方面提供了基于时空特征融合与ai决策的电池温升诊断系统，包括：

35、数据采集模块，被配置为获取待诊断储能电池的多测点温度数据，以及电池运行数据，构建温升时域动态特征集；

36、空间温升特征识别模块，被配置为将各温度测点作为图节点，将测点间温度相关性作为边权重，构建电池热关联图；通过图卷积操作，提取电池内部热行为空间关联性的温升空间分布模式特征；

37、空间温升特征提取模块，被配置为基于温升空间分布模式特征，计算温升起始点到相邻测点的传播延迟、衰减系数和方向性特征，得到空间传播特征向量；

38、异常监测评分模块，被配置为将温升时域动态特征集和空间传播特征向量进行联合编码，构建基于变分自编码器的异常温升检测模型，对当前温升事件相对于正常温升模式的偏离程度进行预测，得到温升异常检测得分；

39、多级决策融合模块，被配置为基于温升空间分布模式特征、空间传播特征向量和温升异常检测得分，采用证据理论进行融合判定，输出电池温升类型判定结果及置信度。

40、进一步的技术方案，基于温升空间分布模式特征，计算温升起始点到相邻测点的传播延迟、衰减系数和方向性特征，得到空间传播特征向量的方法，包括如下步骤：

41、基于各温度测点在观测时间段内的温度一阶导数，识别显著温升事件的起始点；

42、将温升从起始点到任一相邻测点的传播过程进行量化，计算传播延迟和衰减系数；

43、基于各测点的物理坐标，通过计算相邻测点在温升传播过程中的温升速率，计算由相邻测点温升速率加权得到的几何重心随时间变化的轨迹，从而得到温升传播的方向性特征；

44、基于得到的传播延迟、衰减系数和方向性特征，与正常运行工况下的传播基准特征进行差异性量化，生成最终的空间传播特征向量。

45、与现有技术相比，本发明的有益效果为：

46、本发明的电池温升诊断方法通过构建包含温度导数与互相关系数的温升时域动态特征集，提取各测点温度变化的速率、加速度以及温度与电流之间的动态耦合关系；同时，通过建立图卷积网络模型识别温升在电池组内的空间分布模式，并进一步计算温升起始点到相邻测点的传播延迟、衰减系数和方向性特征，得到空间传播特征向量，以表征温升在电池组内的传播速度、强度衰减和传播路径；随后，设计变分自编码器将温升时域动态特征集和空间传播特征向量进行联合输入，学习正常温升模式下的特征分布，并输出用于表征当前温升事件偏离正常模式程度的温升异常检测得分；最后，采用证据理论对温升空间分布模式特征、空间传播特征向量以及温升异常检测得分进行多级决策融合，输出电池温升类型判定结果与置信度。由此，本发明能够避免仅依赖单一温度阈值或单一异常指标造成的误判，有效区分正常充放电工况切换引起的瞬态切换温升与内部短路、接触异常或局部散热异常等引起的持续性故障温升，通过多维度特征深度挖掘与智能融合，显著提升电池温升诊断的准确性、可靠性和早期故障识别能力。

47、本发明的优点以及附加方面的优点将在下面的具体实施例中进行详细说明。