基于数据驱动的锂离子电池内短路故障诊断方法与流程

摘要: 本技术涉及电池短路诊断领域,具体涉及基于数据驱动的锂离子电池内短路故障诊断方法。背景技术:1、锂离子电池具有环保、高比能功率、高效率等优点,性能优异,广泛应用于...
基于数据驱动的锂离子电池内短路故障诊断方法与流程

本技术涉及电池短路诊断领域,具体涉及基于数据驱动的锂离子电池内短路故障诊断方法。

背景技术:

1、锂离子电池具有环保、高比能功率、高效率等优点,性能优异,广泛应用于储能电站中。然而,锂离子电池作为一种涉及复杂电化学反应的储能装置,存在较高的安全风险。一方面,锂电池在实际工作过程中出现的过充、过放、过热等滥用,会导致电池性能异常恶化,严重的还会造成内部短路(internal short circuit,isc)等安全隐患。另一方面,为了满足不同应用场景的要求,往往将多个电池单元串联或并联组成电池组,这又产生了大量的被连接组件,增加了系统的复杂性和电池系统出现各种故障的概率。锂离子电池对安全隐患的容忍度较低,因此必须尽早发现和识别任何潜在的故障,保障安全运行是锂离子电池在储能系统应用中需要考虑的首要问题。

2、尽管现有电池管理系统(battery management system,bms)已具备超限报警及处理多种显著故障的能力,但仍然存在诊断判据过于简单,可测故障类型不全面,鲁棒性差的问题。比如,锂离子电池组内单体老化机理复杂,充放电运行过程中具有高度的非线性和不确定性,影响因素众多,且bms中的测量系统存在固有误差,导致电池系统内的微小故障具有极强的隐蔽性,如内短路演化形成电池热失控过程的提前诊断仍是难题。

3、传统方案中,短路故障诊断方法主要包括基于模型的方法、数据分析法。在正常无故障情况下,残差应接近于零或在很小的噪声范围内波动。当发生内短路时,电池的实际行为会偏离电池模型,导致模型输出与实际测量参数或状态残差显著增大或出现特定的变化模式。通过设置阈值或分析残差的统计特性,即可触发故障警报。但是,锂离子电池系统重具有成千上万的电池单体,若对每个单体施加模型则会带来海量的计算负担。基于信号分析的诊断方法,其核心思想是直接分析bms可测量的外部信号(主要是电压、电流、温度),通过观察这些信号在时域、频域或统计特征上的异常变化来检测isc,而无需建立复杂的电池内部物理或化学模型。但信号分析法易受各种因素干扰、误报率高,且其阈值设定难以适应锂离子电池状态的动态变化。

技术实现思路

1、为了解决上述问题,本技术提出了基于数据驱动的锂离子电池内短路故障诊断方法,包括:

2、构建锂离子电池内短路故障仿真模型,并基于电池温度与荷电状态确定对应的模型参数;

3、通过所述锂离子电池内短路故障仿真模型,仿真生成包含内短路故障的电池外特性数据,并根据该电池外特性数据与实际电池运行数据构成训练数据集;其中,所述训练数据集用于对深度学习模型进行训练,所述深度学习模型包括二维卷积神经网络、多头注意力机制;

4、获取电池在弛豫阶段的电压时间序列数据,并根据所述电压时间序列数据提取与内短路故障相关的初始特征;

5、通过格拉姆角场算法,将所述电压时间序列数据转换为二维图像数据,并通过所述二维卷积神经网络对所述二维图像数据进行处理,通过多个可学习的卷积核在所述二维图像数据的二维平面上进行滑动扫描,提取所述二维图像数据对应的故障特征;

6、通过所述多头注意力机制将所述故障特征投影到多个不同的表示子空间中,输出估计的内短路电阻。

7、在一个示例中,构建锂离子电池内短路故障仿真模型,并基于电池温度与荷电状态确定对应的模型参数,具体包括:

8、基于电池电化学原理与等效电路理论,构建描述电池正常状态与内短路状态的耦合模型,作为锂离子电池内短路故障仿真模型;所述锂离子电池内短路故障仿真模型包括并联的等效电路模型、isc支路;

9、基于电池温度与荷电状态相关的函数,对所述锂离子电池内短路故障仿真模型中的模型参数进行设置。

10、在一个示例中,通过所述锂离子电池内短路故障仿真模型,仿真生成包含内短路故障的电池外特性数据,具体包括:

11、在仿真环境中,通过动态调整对应的短路电阻参数,以模拟不同程度的内短路故障;

12、基于所述内短路故障,运行所述锂离子电池内短路故障仿真模型,输出各种标准工况下,不同不同环境温度、初始荷电状态下的电池外特性数据;所述电池外特性数据包括电压、电流、电池温度的时间序列。

13、在一个示例中,获取电池在弛豫阶段的电压时间序列数据,并根据所述电压时间序列数据提取与内短路故障相关的初始特征,具体包括:

14、基于电池管理系统,检测到负载电流降低至预设阈值,且持续超过预设时长,确定进入弛豫阶段,并采集对应的电压时间序列数据;

15、对所述电压时间序列数据进行滑动平均滤波,并提取与内短路故障相关的初始特征;所述初始特征包括初始电压降、弛豫时间常数、特定时段能量、电压曲线的拐点曲率。

16、在一个示例中,通过格拉姆角场算法,将所述电压时间序列数据转换为二维图像数据,具体包括:

17、针对所述电压时间序列数据,进行最小-最大值归一化;

18、将归一化后的电压时间序列数据中的各点视为单个角度,通过反余弦函数将该点映射到极坐标空间;

19、通过格拉姆角场算法,确定两点的角度和的余弦值,生成图像矩阵。

20、在一个示例中,通过所述二维卷积神经网络对所述二维图像数据进行处理,通过多个可学习的卷积核在所述二维图像数据的二维平面上进行滑动扫描,提取所述二维图像数据对应的故障特征,具体包括:

21、确定所述二维卷积神经网络包括四个卷积块;其中,单个卷积块包括连续两个的卷积层、批归一化层、relu激活函数、最大池化层;各卷积块对应的卷积核数量依次增加;

22、通过所述二维卷积神经网络中的卷积核,在所述二维图像数据的二维平面上进行滑动扫描,提取所述二维图像数据对应的高维特征向量,作为故障特征。

23、在一个示例中,通过所述多头注意力机制将所述故障特征投影到多个不同的表示子空间中,输出估计的内短路电阻,具体包括:

24、将所述故障特征重塑为对应的特征序列;

25、通过所述多头注意力机制,对所述特征序列进行处理,将所述特征序列线性投影为对应的查询矩阵、键矩阵、值矩阵,并在对应的多个头上并行计算缩放点积注意力,并转化为对应的概率分布;

26、将各头输出的概率分布进行拼接,并进行线性投影,得到经过全局上下文信息增强的最终特征;

27、将所述最终特征,输入回归器,得到估计的内短路电阻。

28、通过本技术提出基于数据驱动的锂离子电池内短路故障诊断方法能够带来如下有益效果:

29、1、提出了基于数据驱动的内短路故障诊断方法,将电池管理系统的故障判别机制从基于固定阈值的超限报警,提升为具备对早期微弱故障特征主动感知能力的方法架构。不仅扩展了电池管理系统的故障诊断功能边界,同时为系统层面的安全边界重定义、寿命衰退轨迹预测及能量管理策略优化提供了关键的状态输入参量,是构建下一代智能电池管理体系的重要技术支撑。

30、2、 构建锂离子电池内短路故障仿真模型,通过引入电池温度与荷电状态作为模型参数的控制变量,建立关键参数随工况条件变化的映射关系。通过调节模型中短路电阻支路的参数取值,模拟不同故障程度下的电池外部响应特性,实现故障工况下的数据增广,为后续数据驱动模型的训练与泛化提供覆盖多工况、多故障等级的大规模标注样本集。

31、3、选取电池弛豫阶段的端电压响应曲线作为分析对象,利用该阶段信号不受充电协议及负载扰动影响、且易于从电池管理系统中获取的特点,提取与内短路故障具有物理相关性的手工统计特征。同时,采用格拉姆角场算法将弛豫电压时间序列编码为二维图像,在完整保留时序依赖关系的前提下,构建具有高维度、多层次表达能力的图像域特征,为深度学习模型提供结构化输入。

32、4、构建的深度学习模型由二维卷积神经网络与多头注意力机制融合而成,其中二维卷积神经网络负责提取图像中的局部空间层次化特征,多头注意力机制负责建模特征序列的长程依赖关系并进行关键信息的选择性增强。两者的串行融合实现了特征提取与全局上下文建模的互补性功能耦合,从而提升了网络对故障电阻的定量回归精度,使模型具备对特征序列中重要历史信息的差异化处理能力。