一种基于变分模态分解的短时异常电池识别方法与流程

技术特征：
1.一种基于变分模态分解的短时异常电池识别方法，其特征在于，包括以下步骤：s1，采集一组包含多个电池单体的电池组放电电压数据f(t)；s2，基于粒子群算法得到最优组合[α,k]，并对f(t)进行变分模态分解，在k个分量中选择熵值最小对应的模态分量y(t)；s3，从模态分量y(t)中求取电池单体信号对应的自相关系数和相邻电池单体信号之间的互相关系数；s4，选取部分自相关系数和互相关系数对支持向量机进行训练，选择另一部分自相关系数和互相关系作为测试样本，建立svm模型，最后利用svm模型实现电池故障诊断。2.如权利要求1所述的基于变分模态分解的短时异常电池识别方法，其特征在于，所述步骤s2包括：s2.1，粒子群算法用熵函数的值作为选取[α,k]的指标，当粒子群算法搜寻到最小熵值时寻优结束，粒子群算法的极小熵值对应的[α,k]即为最优组合；s2.2，对电池组放电电压数据f(t)进行变分模态分解；s2.3，构造变分问题，将k个本征模态函数的和等于输入的电池放电数据作为约束条件，寻求k个本征模态函数h
k
(t)；s2.4，确保k个分量为具有中心频率的有限带宽的模态分量，同时各模态的估计带宽之和最小，将乘法算子λ(t)引入lagrange，得到一个无约束的变分问题；s2.5，为了找到扩展lagrange表达式的鞍点，利用交替方向乘子法对分量函数中心频率和乘法算子λ
n 1
进行更新；s2.6，给定精度ε，若满足式(1)，迭代停止，输出k个满足条件的模态分量；s2.7，3.如权利要求1所述的基于变分模态分解的短时异常电池识别方法，其特征在于，所述步骤s3包括：s3.1，从被选模态分量y(t)中，求取电池单体信号对应的自相关系数；s3.2，从被选模态分量y(t)中，求取相邻电池单体信号之间的互相关系数。4.如权利要求1所述的基于变分模态分解的短时异常电池识别方法，其特征在于，所述步骤s4包括：s4.1，选取一部分带标签的自相关系数和互相关系数样本，对支持向量机进行训练；s4.2，选择另一部分自相关系数和互相关系数作为测试样本，对支持向量机进行测试，通过反复的训练和测试，建立基于支持向量机的故障诊断模型；s5.3，以自相关系数和互相关系数作为特征参量，送入建立的故障诊断模型，完成故障电池的识别。

技术总结
本发明提出了一种基于变分模态分解的短时异常电池识别方法，该方法对电池放电电压数据进行变分模态分解，其中利用粒子群优化算法搜索变分模态分解过程中的最佳分量个数和惩罚因子的参数组合，将熵函数作为寻优算法的适应度函数，熵值作为适应度值，寻优确定模态分量K和惩罚因子a，计算每个分量的熵值，选择K个模态分量中熵值最小对应的模态分量，基于最小熵值对应的模态分量计算单体电池信号对应的自相关系数和相邻电池单体信号之间的相关系数，最后利用支持向量机分类算法对电池进行故障识别和诊断。该方法可改善电池故障诊断精度。度。度。


技术研发人员：姜久春 常春 王鹿军 廖力 田爱娜 陶陈 王少晋
受保护的技术使用者：湖北工业大学
技术研发日：2021.07.30
技术公布日：2021/10/29