一种电池故障诊断方法及系统与流程

1.本公开涉及电池故障诊断技术领域，具体涉及一种电池故障诊断方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
3.国内外发展现状：根据国际电工学会(iec)在1995年制定的电池管理系统标准的要求，电动车用电池管理系统必须具备一定的电池诊断功能，包括不健康电池早期报警和提供电池老化信息。在这10多年里，国外各大公司均对此进行大力攻关研究，并在其运行使用的电池管理系统中加入了一定的电池诊断功能。
4.大型电池储能在电力、后备电源和电动汽车上应用规模大，往往是数百节电池串联使用。经过多年的发展，一部分电池在服役，一部分电池已经面临退运或已经退运。无论是在役电池还是退运电池，都存在电池闲置、缺乏有效管理现象。
5.但是，发明人发现，目前关于电池的诊断方法由于仅仅采用单一的电池参数进行故障诊断无法满足对电池故障诊断精度的需求。


技术实现要素：

6.本公开的目的就是为了解决上述问题，提供了一种电池故障诊断方法及系统，利用卷积神经网络对电池故障进行诊断，且考虑多个参数的共同影响，能够有效提高电池故障诊断的准确度。
7.为了实现上述目的，第一方面，本公开提供了一种电池故障诊断方法：
8.实时采集电池的电压、电流以及温度信息；
9.将采集的电池的电压、电流以及温度信息经数据预处理后输入到训练好的卷积神经网络模型，以生成并输出采集的电池的电压、电流以及温度信息的电池故障诊断结果；
10.将电池故障诊断结果发送给配电网主控中心，向运维人员告警。
11.第二方面，本公开提供了一种电池故障诊断系统；
12.电池数据采集模块，被配置为实时采集电池的电压、电流以及温度信息；
13.电池故障诊断模块，被配置为将采集的电池的电压、电流以及温度信息经数据预处理后输入到训练好的卷积神经网络模型，以生成并输出采集的电池的电压、电流以及温度信息的电池故障诊断结果；
14.电池故障诊断结果输出模块，被配置为将电池故障诊断结果发送给配电网主控中心，向运维人员告警。
15.第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。
16.第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述
计算机指令被处理器执行时，完成第一方面所述方法的步骤。
17.本公开的有益效果：
18.1、本公开综合考虑了电池的电压、电流以及温度信息对电池故障诊断结果的影响，利用卷积神经网络进行诊断，能够有效提高电池故障诊断的精度。
19.2、本公开在全连接层前增加了连接层，在连接层中融合不同层次的特征，减少了仅有深层层次特征造成的过拟合现象，从而进一步的提高了卷积神经网络的训练效率和识别精度。
附图说明
20.图1为本公开实施例一提出的电池故障诊断方法的流程示意图；
21.图2为本公开实施例二提出的电池故障诊断系统的结构示意图。
具体实施方式
22.应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指出，本文使用的所有技术和科学术语具有与本公开所述技术领域的普通技术人员通常理解的相同含义。
23.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应理解的是，当在本说明书中使用“包含”和/或“包括”时，其指明存在特征，步骤、操作、器件、组件和/或它们的组合。
24.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
25.下面结合附图与实施例对本公开作进一步说明。
26.实施例一
27.如图1所示，本实施例提供了一种电池故障诊断方法，包括：
28.s1：实时采集电池的电压、电流以及温度信息；
29.s2：将采集的电池的电压、电流以及温度信息经数据预处理后输入到训练好的卷积神经网络模型，以生成并输出采集的电池的电压、电流以及温度信息的电池故障诊断结果；
30.s3：将电池故障诊断结果发送给配电网主控中心，向运维人员告警。
31.本实施例中采用卷积神经网络识别电池的故障类型，卷积神经网络的卷积结构能优化深层网络的参数结构，方便将人工神经网络技术和深度学习方法相结合，实现子深度学习的多层过滤器网络结构以及过滤器和分类器结合的全局训练算法，能够直接有效、快速、准确的得出识别结果，避免将检测的非结构化数据转化成结构化数据，可保证识别的高效性和鲁棒性。
32.其中，训练卷积神经网络模型的过程，具体为：
33.采集电池对应各种电池故障类型的电池的电压、电流以及温度信息；
34.根据采集的电池的电压、电流以及温度信息以及对应的电池故障类型，构建电池的电压、电流以及温度信息的图谱数据训练集；
35.构建卷积神经网络结构模型，针对待测对象电池的故障类型设计相应的卷积神经
网络结构，计算卷积神经网络初始化参数；
36.使用训练集训练卷积神经网络，将电池的电压以及温度信息的图谱数据训练集输入到卷积神经网络进行训练，修正卷积神经网络的各类参数。
37.卷积神经网络(convolution neural network，cnn)作为典型的深度学习算法,被广泛应用于图像识别领域。与传统浅层网络相比，卷积神经网络具有更强大的特征提取能力，运算速度快，避免了训练易陷人局部极值的问题。近年来，国内外学者将卷积神经网络应用于故障诊断中并取得了不错的研究成果，其中在传统cnn网络的基础上增加反馈机制通过调节卷积核的数量与大小，来提高绝缘子状态检测的正确率。或者利用短时傅里叶变换生成轴承振动信号的时频谱图，建立cnn诊断模型，通过增加相应环境的数据验证了起鲁棒性；而本技术为了进一步提高卷积神经网络在电池故障诊断中的准确度，在卷积神经网络中加入了连接层，卷积神经网络结构具体包括：
38.输入层、隐含层、链接层、全连接层和输出层；所述隐含层由多个卷积层与池化层交叉堆叠而成；连接层中同时融合池化层和卷积层的不同层次特征。
39.本文中提出在全连接层前加人连接层，在连接层中同时融合不同层次特征的方法。分类器进行分类时，以相互补充的融合特征作为标准，减少了仅有深层次特征造成的过拟合。连接层的操作过程为
40.x
c
＝f
c
(x
c
‑1,x
m
)
ꢀꢀꢀ
(1)
41.式中：x
c
为融合后的特征；f
c
(
·
)特征融合操作；x
c
‑1为连接层前一层的特征向量；x
m
为第m层待融合的特征向量。
42.连接层融合时若选择最后一层特征与未经池化的低层特征,高层特征的占比将会很小，势必会影响故障诊断的精度。因此连接层对第一层池化后的浅层特征与最后一层卷积层提取的高层特征进行融合。在全连接层将连接层中融合结果连接成一条一维向量。由于本方法中采用一维数据作为特征向量，所以特征的融合无需考虑特征数据的大小，避免了传统cnn特征融合中结构限制或特征数据丢失的问题。
43.输人层的1*18维特征数据和卷积层中3个1*3维卷积核进行卷积操作，形成3个1*16维特征向量，并继续进行池化、卷积操作，在连接层融合池化层和c2卷积层中的不同层次特征，在全连接层连接为一维向量，最终通过分类器完成诊断输出。
44.卷积层主要是将输入的图像与其卷积滤波器进行卷积，每一个局部滤波器都会重复的作用于整个感受域中，对输入数据进行卷积操作，实现权值共享，减少网络参数。最后卷积值通过激活函数生成输入数据的多张特征图，特征图中包含了图像数据有效的特征，使用卷积滤波器对输入图像数据进行卷积的计算公式可以为：
[0045][0046]
其中，表示第l层的第j个特征图，m是输入特征图的集合，*表示卷积运算，是第l层的卷积核矩阵，是卷积核的特征偏置，f(*)为激活函数，激活函数实际上是一个非线性的激励函数。
[0047]
本实施例采用relu激活函数，relu的使用，使得网络可以自行引入稀疏性，相当于
无监督学习的预训练，简单来说，relu激活函数的使用缩小了无监督学习和有监督学习之间的代沟，大大缩短学习周期，提高训练速度。
[0048]
所述激活函数表达式可以为：
[0049]
f(x)＝max(0,x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0050]
卷积操作是滤波器权值ω,ω∈r
n
和累加表达x
i:i n
‑1之间的乘法操作，x
i:i n
‑1指与滤波器连接的n个序列点的累加表达。对与输入长度为d的原始图像数据，经滤波器卷积操作后，得到的一张特征图表达为：
[0051][0052]
其中，特征维度为d
‑
n 1，j代表第j个滤波器。
[0053]
池化层完成池化步骤，对输入的卷积层获得的特征图进行局部平均和二次提取。可以采用最大值池化进行特征的二次提取。应用于池化层中，池化层对图像特征进行子抽样，可以减少数据处理量，对上一层的特征图输入进行局部平均和二次提取，为了降低特征图的分辨率，这个操作能够在减少数据量的同时最大程度的保留有用关键信息，消除偏移和图像扭曲，减少计算时间、降低网络输出对于位移和变形的敏感程度。二次提取包含最大值池化和平均值池化，最大值池化对图像纹理提取的效果更好，本实施例选择最大值池化方式，第l层池化层的第j个特征图可以由下式得到：
[0054][0055]
down()为下采样函数，是特征图的唯一乘性偏置，是卷积特征图的唯一加性偏置。
[0056]
针对多分类问题，可以选择softmax分类器，可以由逻辑回归从二分类推广至多分类得到，对于给定的输入x，我们需要计算它属于每一个类别j的概率值p(y＝j丨x)，所以在softmax回归中，假设函数h
θ
(x)将会输出一个k维的向量来表示输入属于每一个类别的概率。
[0057][0058]
输出层输出的是一个实数向量，其节点数与所分类数量一致，本实施例中的输出节点数为局部放电缺陷类别的数量，每个节点的输出值表示该样本属于对应类别的概率，最后输出层的结果则是每一类的识别概率，通过大小关系能够判断出识别结果，从而可以输出识别结果。
[0059]
具体地实施例中，其中，电池由若干个电池单体组成，所述电池的电压、电流以及温度信息包括每个电池单体的电压、电流以及温度数据。
[0060]
电池故障类型的获取方法，包括：
[0061]
获取电池的历史电压、电流以及温度信息数据；
[0062]
根据先验知识，判定电池的历史电压、电流以及温度信息数据对应的电池故障类型。
[0063]
具体的电池故障类型包括：
[0064]
过热故障、过冷故障、过充电故障、过放电故障、短路故障、断路故障、老化故障、内阻过小故障。
[0065]
具体的实施例中，电池故障类型的判定条件是：
[0066]
当单体电池温度大于单体电池温度的最大阈值时，确定电池发生过热故障；
[0067]
当单体电池温度小于单体电池温度的最小阈值时，确定电池发生过冷故障；
[0068]
当单体电池电压大于单体电池电压的最大阈值时，确定电池发生过充电故障；
[0069]
当单体电池电压小于单体电池电压的最小阈值时，确定电池发生过放电故障；
[0070]
当单体电池电流大于单体电池电流的最大阈值时，确定电池发生短路故障；
[0071]
当单体电池电流小于单体电池电流的最小阈值时，确定电池发生断路故障；
[0072]
当电池内阻大于电池内阻的最大阈值时，确定电池发生老化故障；
[0073]
当电池内阻小于电池内阻的最小阈值时，确定电池发生内阻过小故障。
[0074]
实施例二
[0075]
本实施例提供了一种电池故障诊断系统，包括：
[0076]
电池数据采集模块，被配置为实时采集电池的电压、电流以及温度信息；
[0077]
电池故障诊断模块，被配置为将采集的电池的电压、电流以及温度信息经数据预处理后输入到训练好的卷积神经网络模型，以生成并输出采集的电池的电压、电流以及温度信息的电池故障诊断结果；
[0078]
电池故障诊断结果输出模块，被配置为将电池故障诊断结果发送给配电网主控中心，向运维人员告警。
[0079]
具体地实施例中，电池故障输出模块与配电网主控中心有线通信连接，将电池故障诊断结果发送给配电网主控中心，便于运维人员的查看。
[0080]
实施例三
[0081]
本实施例提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一个实施例中方法的步骤。
[0082]
实施例四
[0083]
本实施例提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一个实施例中方法的步骤。
[0084]
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
[0085]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
[0086]
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。