一种新能源汽车动力电池组故障诊断方法及系统

1.本发明属于电池系统的故障检测领域，具体涉及利用无量纲指标提取电压特征，并基于k-means和dtw算法的一种新能源汽车动力电池组故障诊断方法及系统。


背景技术：

2.电池故障一直是新能源汽车安全的一大隐患，早期的故障诊断会减少很多的新能源汽车安全事故，且一般前期的故障短路信号很微弱，因此实现电池故障的早期预警目前仍然是一大挑战。因此，急需开发一种锂离子电池的微小故障预警算法。
3.目前基于模型开发的故障诊断算法在实际运行车辆上运用时对模型精度要求高，对硬件、附加设备的要求也很高，很难应用于实际。而基于知识开发的故障诊断算法需要大量的故障数据支撑，实际应用中故障数据缺乏，模型规则难以建立，因此也很难应用到bms中。


技术实现要素：

4.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种新能源汽车动力电池组故障诊断方法，包括获取电池组电压数据并对其进行数据清洗后进行fef特征提取，从提取的fef特征中确定放电参考曲线，放电参考曲线即为参考单体电池的放电参考曲线；获取待测单体电池电压数据并对其进行数据清洗后进行fef特征提取，获取待测电池放电曲线，将待测电池放电曲线与放电参考曲线进行比较并计算两者最优路径，并设置自适应阈值，若最优路径ds大于设定阈值t，则认为该单体k为故障单体。
5.在上述的方法，获取电池组电压数据对其进行数据清洗后建立电压矩阵；对电压矩阵利用fef方法提取新的特征，fef的计算公式如下：，表示第j采样时刻的所有单体平均电压值，表示第j时刻的第k个单体的电压值；保存每个单体在每个采样时刻下的fef特征值，得到最终的特征矩阵。
6.在上述的方法，构建由k个电池单体组成的动力电池组单体矩阵， n是采样时刻的次数；基于k-means聚类的方法求取第j个时刻的k个单体中的簇中心点；将k-means聚类的计算结果构建成一个簇中心矩阵c；比较各时刻与簇中心值最相近的单体电池，该单体即为参考单体电池。
7.在上述的方法，设定一个区间半径，并令簇中心范围矩阵为在特征矩阵中，寻找第j个时刻的，属于的电池单体；记录j个时刻内所有符合要求的单体号n，m表示单体在j时刻内符合要求的出现次数，选择m中前p个次数最多的单体号，求取平均值即为参考单体电池，即：其中，k_max取m中前p个次数最多的单体号，为k_max单体的特征曲线，为参考单体。
8.在上述的方法，定义被检测的单体曲线为，计算两者的最优路径 ，表示与的dtw算法计算结果。设置阈值t，若大于阈值t，则认为该单体k为故障单体，反之，认为当前单体k为正常单体，表示单体k的最优路径。
9.在上述的方法，阈值t设定为式中，mean为当前时刻所有单体ds的平均值，std为当前时刻所有单体ds的标准差，即t为1.3倍的原则。
10.在上述的方法，对采集到的电压数据进行判断，并且：若数据采样点的数量小于num个，则当前获取电池组电压数据无效；若数据采样点的数量大于num个，则利用局部加权回归算法对当前采集的电池组
电压数据进行数据清洗，去除异常数据点。
11.一种新能源汽车动力电池组故障诊断系统，包括：第一模块：被配置为用于获取电池组电压数据并对其进行数据清洗后进行fef特征提取，从提取的fef特征中确定放电参考曲线，放电参考曲线即为参考单体电池的放电参考曲线；第二模块：被配置为用于获取待测单体电池电压数据并对其进行数据清洗后进行fef特征提取，获取待测电池放电曲线，将待测电池放电曲线与放电参考曲线进行比较并计算两者的最优路径值，并设置自适应阈值t，若最优路径ds大于设定阈值t，则认为该单体i为故障单体。
12.因此，本发明具有如下优点：（1）由于发生微小短路故障的电池单体前期在电压的变化上较小，实际应用又需要算法能够提前预警，若使用采集的原始电压数据，很难满足故障诊断要求。因此，本方法引入一种基于fef的特征提取方法，利用电压提取新的特征。（2）提出了一种基于k-means聚类的参考单体选择方法，能够有效地降低单体的不一致性带来的影响，并能够降低算法的误报率。（3）基于修正的dtw算法，输入提取的特征，计算各单体与参考单体的相似度，构建各单体在各时刻的相似度矩阵，并设置自适应阈值进行故障单体检测和定位。
附图说明
13.附图1是本发明的一种方法流程图；附图2是本发明步骤中提取特征的流程图；附图3是参考单体选择的具体流程图；附图4是dtw的计算流程图；附图5a是实际车辆电池单体间改进的dtw计算结果；附图5b是未经过本文所提方法处理的电压图。
具体实施方式
14.下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
15.实施例：本发明的总体计算流程如图1所示。首先判断实际运行中采集的电压放电过程数据是否满足计算要求，即采样点的个数是否足够用于算法的计算。然后对电压数据进行数据清洗，去除由于传感器等造成的数据异常。其次利用fef的方法对电压数据进行特征提取，获得新的特征。再其次用基于k-means聚类的方法选择参考单体，用于后续算法的计算参考单体。最后，将提取的新特征输入修正的dtw算法中，并设置自适应阈值，进行故障单体的检测和定位。
16.本方案的具体实施步骤如下：1、首先对采集到的电压数据进行判断。若数据采样点的数量小于num个，则当前过程无效。若数据采样点的数量大于num个，则进入步骤2。
17.2、利用局部加权回归算法对当前过程的数据进行数据清洗，去除由于采样错误导致的异常数据点。
18.3、基于fef的方法通过电压提取出一个新的特征。步骤可见附图2。
19.首先利用经过了步骤1、2的电压数据建立电压矩阵先利用经过了步骤1、2的电压数据建立电压矩阵对电压矩阵利用fef的方法提取新的特征，fef的计算公式如下：式中，表示第j采样时刻的所有单体平均电压值，表示第j时刻的第k个单体的电压值。为了方便理解，对于该公式的简要说明如下：该公式利用指数函数的爆炸增长特征来放大单体电压之间的差异特征。在一般的新能源汽车电池组中，电池都采用相同型号的电池，因此具有类似的性能。所以电池组在正常情况下，式中的一般为一个常数，但是为了避免两者相减等于零的情况，在此基础上增加了一个稳定系数1。同理，指数一般也为一个常数。但是，当电池组中有某个单体k发生内短路故障时，单体电压出现骤降。因此，式中的会变大，也会变大，因而单体k的fef特征值会变大。且由于指数函数的爆炸增长特征，单体k的异常变化特征就会被放大，最终达到放大特征实现早期预警的目的。
20.然后保存每个单体在每个采样时刻下的fef特征值，得到最终的特征矩阵然后保存每个单体在每个采样时刻下的fef特征值，得到最终的特征矩阵4、参考单体选择。获取当前过程提取的特征数据，可以是前n个时刻，也可以是当前过程的所有数据。现假设有k个单体组成一个新能源汽车的动力电池组，构建一个单体矩阵。
[0021]21.表示第k个单体的特征曲线，表示由k个单体构成的特征矩阵，共具有n个采样时刻。
[0022]
其次，利用k-means聚类的方法求取第j个时刻的k个单体中的簇中心点。
[0023]
式中，t表示转置。
[0024]
将k-means聚类的计算结果构建成一个簇中心矩阵c。
[0025]
式中，表示在第j个时刻，电池组中k个单体的簇中心值。
[0026]
最后，需要比较各时刻与簇中心值最相近的单体，因此首先需要设定一个区间半径，并令簇中心范围矩阵为在特征矩阵中，寻找第j个时刻的，属于的电池单体。
[0027]
记录j个时刻内所有符合要求的单体号n，m表示单体在j时刻内符合要求的出现次数，选择m中前p个次数最多的单体号，求取平均值，即为该过程的参考单体。
[0028]
其中，k_max取m中前p个次数最多的单体号，为k_max单体的特征曲线，为参考单体。
[0029]
参考单体选择的具体流程可见附图3。
[0030]
5、将提取的新特征作为修正的dtw算法的输入，计算待测单体与参考单体之间的dtw值，并设置阈值，进行故障单体的检测和定位。具体流程如下：假设求得该放电过程的理想曲线c
l
为其中，c
l
为一个列向量。
[0031]
需要被检测的单体曲线为其中，表示第k个单体的fef特征值，采样点为当前过程的所有数据，ck表示循环取每一个。
[0032]
dtw的计算及修正如下。
[0033]
dtw就是一个寻找最优匹配路径的问题，现假设有两个随时间变化的列向量序列，，可取任意的正数。
[0034]
因此，其中，传统的dtw采用的传统的dtw由于存在开根号的计算，缩小了最终单体之间计算结果的差值，不利于故障结果的检测。因此本文对dtw的欧式距离进行修正，采用平方和为dtw的核函数，计算公式如下：将参考单体与被检测单体作为两个序列输入到修正的dtw中，计算两者的最优路径结果ds。
[0035]
本步骤的具体流程可见附图4。
[0036]
6、设置阈值t，若最优路径结果大于阈值t，则认为该单体k为故障单体，反之，认为当前单体k为正常单体，表示单体k的最优路径。本算法对于阈值的设定考虑了一定的裕度，并且由于实际采集的电压值噪声过大，且各单体存在不一致性，在大量的验证下，本算法的阈值t设定为
式中，mean为当前时刻所有单体ds的平均值，std为当前时刻所有单体ds的标准差，即t为1.3倍的原则。
[0037]
算例：现对本发明的使用进行一个简单的案例说明。
[0038]
步骤一：选择传感器采集的某放电过程的电压数据。进行算法的第一步，判断数据是否满足算法需求。本案例将num设置为100。本案例选择的电压数据采样点远大于100个数据点，因此该采样过程可以进行故障诊断。
[0039]
步骤二：对该过程的电压数据进行数据清洗，本发明采用局部加权回归算法，能够有效的去除采样错误导致的数据异常，并能够保留故障特征。
[0040]
步骤三：用于故障诊断的新特征提取，计算当前过程中所有单体的fef特征值。
[0041]
步骤四：将当前过程中的所有fef特征值保存到一个特征存储器feature_a中。
[0042]
式中，表示当前窗口计算过程中第k个单体的fef特征值。
[0043]
步骤五：基于k-means聚类的方法选择计算参考单体。本算例选择特征矩阵feature_a前100个采样时刻中位于簇中心范围内的前两个单体的平均值。
[0044]
步骤六：计算feature_a前100个时刻中每个时刻的簇中心值，j=1,2,3
…
,100。
[0045]
步骤七：构建簇中心矩阵c式中，表示在第j个时刻，电池组中k个单体的簇中心值。
[0046]
步骤八：设定一个区间半径，并令簇中心范围矩阵为在特征矩阵feature_a中，计算每个采样时刻属于的电池单体。
[0047]
记录当前100个时刻内所有符合要求的单体号n，并记录每个单体号出现的次数。
[0048]
m表示单体在100个时刻内符合要求的出现次数，选择m中前p个次数最多的单体号，本算例的p=2。求取平均值，即为该过程的理想单体。
[0049]
步骤九：假设求得该放电过程的理想曲线c
l
为步骤十：需要被检测的单体特征曲线为其中，表示第k个单体的fef特征值，采样点为当前过程的所有数据，ck表示循环取每一个。
[0050]
步骤十一：设置滑动窗口f_win=30。计算c
l
，ck两者每个滑动窗口内最优路径结果；步骤十二：计算检测单体k与参考单体l的ds；步骤十三：本案例考虑到一定的裕度并设置自适应阈值t。
[0051]
；步骤十四：故障单体诊断及定位。若在某个滑动窗口中计算k单体的ds时超过了阈值t，则认为当前单体k为故障电池单体。否则为正常电池单体。
[0052]
图5a给出了某实际车辆电池单体间改进的dtw计算结果，加粗虚线表示阈值，加粗实线表示潜在故障单体#65。图5a的前300个采样时刻电池组未发生故障，改进的dtw结果基本都接近为0。在第200的采样时刻左右出现了小幅的波动，但是并没有单体电池超过阈值。而在第300个采样时刻，电池#65的dtw值超过了阈值t，算法报警，并可以容易的定位到故障电池。相比于未经过本发明所提方法处理的图5b，在第300个时刻的电压很难被bms检测到。随着时间的推移，#65电池在后期才出现了相比于正常电池的细微压差。
[0053]
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替
代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。