一种电池单体电压多步超前预测和故障诊断方法

1.本发明涉及电池管理技术故障诊断领域，具体涉及一种电池单体电压多步超前预测和故障诊断方法。


背景技术：

2.准确且提前地预测电压并对电压故障进行诊断有利于驾驶员和电池管理系统采取保护措施，减少财产损失和乘客伤害。
3.在目前的电压预测以及电压故障的诊断方法中，主要分为基于模型的方法和基于数据驱动的方法。虽然这些研究已经取得了一些成果，但这些方法往往存在以下问题：第一，对电压的预测都是实时预测或一步预测，无法对电池电压和电压故障进行多步超前预测和诊断。第二，这些方法无法对建立的模型进行更新，只是在模型离线训练后作为一个固定模型进行在线应用。众所周知，电池在使用过程中不仅会出现老化，并且还会遇到未知的复杂驾驶条件。离线训练的模型难以全面考虑到老化和复杂多变的环境影响，给电池电压故障检测带来了巨大挑战。


技术实现要素：

4.本发明的目的是提供一种电池单体电压多步超前预测和故障诊断方法来解决现有技术中无法对电池电压和电压故障进行多步超前预测和诊断的问题以及无法对建立的模型进行更新的问题。
5.为解决以上技术问题，本发明的技术方案为提供一种电池单体电压多步超前预测和故障诊断方法，其创新点在于，包括以下步骤：
6.(1)从云端监测平台获取实车电池系统的历史充放电数据：从云端监测平台获取一辆具有电池单体电压过压、电压欠压及电压变化率过快三类故障的实车的电池系统的历史充放电数据；
7.(2)数据清洗：对步骤(1)获取的实车电池系统的历史充放电数据进行数据清洗；
8.(3)选取特征参数：利用pearson相关系数法对经过步骤(2)清洗后的数据进行相关性分析，将选取与电池单体电压相关系数大于0.9的参数作为特征参数；
9.(4)构造数据结构：使用多步超前预测方法构造电池单体电压多步超前预测的数据结构；
10.(5)建立基于gru神经网络的电池单体电压预测模型；
11.(6)得到电池单体电压多步超前预测值：使用增量训练原则对基于gru神经网络的电池单体电压预测模型进行训练和预测，得到电池单体电压多步超前预测值；
12.(7)得到电池单体电压故障多步超前诊断结果：将步骤(6)得到的电池单体电压多步超前预测值输入到电压故障诊断策略进行电压故障的诊断，得到电池单体电压故障多步超前诊断结果。
13.进一步的，所述的步骤(1)中从云端监测平台获取的实车的电池系统的历史充放
电数据包括电池单体电压cv、总电压tv、soc、电流、车速、温度和实车累计里程。
14.进一步的，所述的步骤(2)中的数据清洗包括剔除相邻soc变化大于5％的异常数据，对采样时间步缺失小于6步的数据使用其前后数据计算均值依次填充替换该采样时间步缺失小于6步的数据。
15.进一步的，所述的步骤(3)中选取得到的特征参数包括总电压tv和soc。
16.进一步的，所述的步骤(4)中构造数据结构具体包括以下步骤：
17.(41)将步骤(3)选取的特征参数总电压tv和soc，及电池单体电压cv组成gru神经网络的输入x，选取电池单体电压cv作为gru神经网络的输出y，其中t表示数据的总长度；
18.(42)使用多步超前预测方法中的滞后时间步m和多步超前时间步n将输入x和输出y构造为电池单体电压多步超前预测的数据结构，形成新的输入x和输出y，表示如下：
[0019][0020]
进一步的，所述的步骤(5)中建立的基于gru神经网络的单体电压预测模型的超参数包括隐藏层数、隐藏层节点数、批处理个数、训练代数epoch、多步超前预测方法中的滞后时间步m、多步超前时间步n，且隐藏层数、隐藏层节点数、批处理个数、训练代数epoch、多步超前预测方法中的滞后时间步m、多步超前时间步n的确定值分别为1，32，256，30，30，6。
[0021]
进一步的，所述的步骤(6)中的增量训练原则如下：每间隔1个月，通过试错法选取间隔的这一个月内的前60480个充放电数据作为增量样本，对电池单体电压预测模型进行训练，并使用增量样本后一个月的充放电数据作为测试集对训练的电池单体电压预测模型进行测试，得到电池单体电压多步超前预测值。
[0022]
进一步的，所述的步骤(7)中得到电池单体电压故障多步超前诊断结果具体包括以下步骤：
[0023]
(71)根据电池的使用说明和运行特性为电压过压、欠压及电压变化率过快三类故障制定电压故障诊断策略，电压故障诊断策略具体为：
[0024]
当电池单体电压u
cell
大于等于4.2v并小于4.7v时，诊断为电压过压2级故障；
[0025]
当电池单体电压u
cell
大于等于4.7v时，诊断为电压过压1级故障；
[0026]
当电池单体电压u
cell
大于2.9v并小于等于3.4v时，诊断为电压欠压3级故障；
[0027]
当电池单体电压u
cell
大于2.4v并小于等于2.9v时，诊断为电压欠压2级故障；
[0028]
当电池单体电压u
cell
小于等于2.4v时，诊断为电压欠压1级故障；
[0029]
当电池单体电压的绝对值|δu
cell
|大于等于0.4v/10s时，诊断为电压变化率过快1级故障；
[0030]
(72)使用步骤(6)得到的电池单体电压多步超前预测值计算相邻采样点的单体电压变化率的绝对值|δu
cell
|，计算公式为：|δu
cell
|＝|u
t δt-u
t
|/δt，其中，u
t
和u
t δt
分别表示前、后采样点，δt表示采样间隔；
[0031]
(73)将使用步骤(6)得到的电池单体电压多步超前预测值和步骤(72)得到的单体电压变化率的绝对值|δu
cell
|输入到步骤(71)制定的电压故障诊断策略中判断电池单体电压多步超前预测值和电压变化率的绝对值|δu
cell
|是否处于电压故障诊断策略中电压过压2级故障或电压过压1级故障或电压欠压3级故障或电压欠压2级故障或电压欠压1级故障或电压变化率过快1级故障所处的阈值区间，如果是，则根据其实际所在的阈值区间诊断出电压故障的类型和等级，以此得到电池单体电压故障多步超前诊断结果。
[0032]
与现有技术相比，本发明的一种电池单体电压多步超前预测和故障诊断方法具有以下优点：
[0033]
(1)本发明使用的是实车电池系统的历史充放电数据，克服了传统方法使用实验测试数据工况简单、复杂程度低、不足以模拟实车运行场景的缺点。
[0034]
(2)本发明使用多步超前预测方法构造电池单体电压多步超前预测的数据结构并结合建立的基于gru神经网络的电池单体电压预测模型实现了电池单体电压的多步超前预测，这为提前诊断和预警电池单体电压提供了保障，提高了电池系统的安全性。
[0035]
(3)本发明使用增量训练原则可以实现对电压预测模型的更新，提高了模型自适应电池老化和环境变化的能力，使模型的保真度始终保持在较高的水平，保证了电池单体电压预测的精确性和故障诊断的可靠性。
[0036]
(4)本发明使用实车电池系统的数据进行建模和验证，因此提出的方法拥有很强的适应性和应用潜力，可以直接移植到同类型车辆中进行实车应用。
附图说明
[0037]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
[0038]
图1表示一种电池单体电压多步超前预测和故障诊断方法的流程图。
[0039]
图2表示cell 1单体电压多步超前预测值和过压2级故障的诊断结果图。
[0040]
图3表示cell 2单体电压多步超前预测值和欠压3级故障的诊断结果图。
[0041]
图4表示cell 1单体电压多步超前预测值的电压变化率的绝对值和电压变化率过快1级故障的诊断结果图。
[0042]
图5表示cell 2单体电压多步超前预测值的电压变化率的绝对值和电压变化率过快1级故障的诊断结果图。
具体实施方式
[0043]
为了使本技术领域的人员更好地理解本发明的技术方案，下面将结合附图和实施方式，对本发明的技术方案进行清楚地描述。
[0044]
本发明提供一种电池单体电压多步超前预测和故障诊断方法，其流程图如图1所
示，包括以下步骤：
[0045]
(1)从云端监测平台获取实车电池系统的历史充放电数据：从云端监测平台获取一辆具有电池单体电压过压、电压欠压及电压变化率过快三类故障的实车的电池系统的历史充放电数据，充放电数据包括电池单体电压cv、总电压tv、soc、电流、车速、温度和实车累计里程。
[0046]
(2)数据清洗：对步骤(1)获取的实车电池系统的历史充放电数据进行数据清洗；其中，数据清洗包括剔除相邻soc变化大于5％的异常数据，对采样时间步缺失小于6步的数据使用其前后数据计算均值依次填充替换该采样时间步缺失小于6步的数据。
[0047]
(3)选取特征参数：利用pearson相关系数法对经过步骤(2)清洗后的数据进行相关性分析，将选取与电池单体电压相关系数大于0.9的参数作为特征参数；选取得到的特征参数包括总电压tv和soc。
[0048]
(4)构造数据结构：使用多步超前预测方法构造电池单体电压多步超前预测的数据结构；其中，构造数据结构具体包括以下步骤：
[0049]
(41)将步骤(3)选取的特征参数总电压tv和soc，及电池单体电压cv组成gru神经网络的输入x，选取电池单体电压cv作为gru神经网络的输出y，其中t表示数据的总长度；
[0050]
(42)使用多步超前预测方法中的滞后时间步m和多步超前时间步n将输入x和输出y构造为电池单体电压多步超前预测的数据结构，形成新的输入x和输出y，表示如下：
[0051][0052]
(5)建立基于gru神经网络的电池单体电压预测模型：建立的基于gru神经网络的单体电压预测模型的超参数包括隐藏层数、隐藏层节点数、批处理个数、训练代数epoch、多步超前预测方法中的滞后时间步m、多步超前时间步n，且隐藏层数、隐藏层节点数、批处理个数、训练代数epoch、多步超前预测方法中的滞后时间步m、多步超前时间步n的确定值分别为1，32，256，30，30，6。
[0053]
(6)得到电池单体电压多步超前预测值：使用增量训练原则对基于gru神经网络的电池单体电压预测模型进行训练和预测，得到电池单体电压多步超前预测值；本发明的增量训练原则如下：每间隔1个月，通过试错法选取间隔的这一个月内的前60480个充放电数据作为增量样本，对电池单体电压预测模型进行训练，并使用增量样本后一个月的充放电数据作为测试集对训练的电池单体电压预测模型进行测试，得到电池单体电压多步超前预
2电池单体电压多步超前预测数据结构，具体包括以下步骤：
[0070]
(41)将步骤(3)选取的电池单体cell 1及电池单体cell 2的特征参数总电压tv和soc，及电池单体电压cv一起组成gru神经网络的输入x，选取电池单体电压cv作为gru神经网络的输出y，其中t表示数据的总长度；
[0071]
(42)使用多步超前预测方法中的滞后时间步m和多步超前时间步n将所述的输入x和输出y构造为电池单体电压多步超前预测数据结构，形成新的输入x和输出y，表示如下：
[0072][0073]
(5)建立基于gru神经网络的单体电压预测模型，其中，建立的基于gru神经网络的单体电压预测模型的超参数包括隐藏层数、隐藏层节点数、批处理个数、训练代数epoch、多步超前预测方法中的滞后时间步m、多步超前时间步n，且所述的隐藏层数、隐藏层节点数、批处理个数、训练代数epoch、多步超前预测方法中的滞后时间步m、多步超前时间步n的确定值分别为1，32，256，30，30，6。
[0074]
(6)得到电池单体电压多步超前预测值：使用增量训练原则对基于gru神经网络的单体电压预测模型进行训练和预测，得到电池单体电压多步超前预测值，其中的增量训练原则如下：每间隔1个月，通过试错法选取间隔的这一个月内的前60480个充放电数据作为增量样本，对电池单体电压预测模型进行训练，并使用增量样本后一个月的充放电数据作为测试集对训练的电池单体电压预测模型进行测试，得到电池单体电压多步超前预测值。本实施方式中电池单体cell 1及电池单体cell 2都具有4个月的充放电数据，根据增量训练原则电池单体cell 1及电池单体cell 2可以分别对模型进行3次训练和测试。如图2和图3所示，分别为电池单体cell 1及电池单体cell 2对模型进行3次增量训练，然后使用cell 1和cell 2第4个月的充放电数据进行测试的电池单体电压多步超前预测值和真实值的对比图，可以看出预测值和真实值基本重合，证明提出方法能够准确实现电池单体电压多步超前预测。
[0075]
(7)得到电池单体电压故障多步超前诊断结果：将步骤(6)得到的电池单体cell 1及电池单体cell 2的电池单体电压多步超前预测值输入到电压故障诊断策略进行电压故障的诊断，得到电池单体电压故障多步超前诊断结果，具体包括以下步骤：
[0076]
(71)根据电池的使用说明和运行特性为电压过压、欠压及电压变化率过快三类故障制定电压故障诊断策略，电压故障诊断策略具体为：
[0077]
当电池单体电压u
cell
大于等于4.2v并小于4.7v时，诊断为电压过压2级故障；
[0078]
当电池单体电压u
cell
大于等于4.7v时，诊断为电压过压1级故障；
[0079]
当电池单体电压u
cell
大于2.9v并小于等于3.4v时，诊断为电压欠压3级故障；
[0080]
当电池单体电压u
cell
大于2.4v并小于等于2.9v时，诊断为电压欠压2级故障；
[0081]
当电池单体电压u
cell
小于等于2.4v时，诊断为电压欠压1级故障；
[0082]
当电池单体电压的绝对值|δu
cell
|大于等于0.4v/10s时，诊断为电压变化率过快1级故障；
[0083]
(72)使用步骤(6)得到的电池单体cell 1及电池单体cell 2的电池单体电压多步超前预测值计算相邻采样点的单体电压变化率的绝对值|δu
cell
|，计算公式为：|δu
cell
|＝|u
t δt-u
t
|/δt，其中，u
t
和u
t δt
分别表示前、后采样点，δt表示采样间隔；
[0084]
(73)将使用步骤(6)得到的电池单体cell 1及电池单体cell 2的电池单体电压多步超前预测值和步骤(72)得到的电池单体cell 1及电池单体cell 2的单体电压变化率的绝对值|δu
cell
|输入到步骤(71)制定的电压故障诊断策略中判断电池单体cell 1及电池单体cell 2的电池单体电压多步超前预测值和电压变化率的绝对值|δu
cell
|是否处于电压故障诊断策略中电压过压2级故障或电压过压1级故障或电压欠压3级故障或电压欠压2级故障或电压欠压1级故障或电压变化率过快1级故障所处的阈值区间，如果是，则根据其实际所在的阈值区间诊断出电压故障的类型和等级，以此得到电池单体电压故障多步超前诊断结果。
[0085]
如图2所示，电池单体cell 1的单体电压多步超前预测值输入到步骤(71)制定的电压故障诊断策略中可以判断出电池单体cell 1从采样点2602到采样点2604的电压多步超前预测值处于电压过压2级故障所处的阈值区间，因此将采样点2602到采样点2604诊断为电压过压2级故障，诊断结果与cell 1真实的电压过压2级故障相同。
[0086]
如图3所示，电池单体cell 2的单体电压多步超前预测值输入到步骤(71)制定的电压故障诊断策略中可以判断出电池单体cell 2从采样点2547到采样点2604的电压多步超前预测值处于电压欠压3级故障所处的阈值区间，因此将采样点2547到采样点2604诊断为电压欠压3级故障，诊断结果与cell 2真实的电压欠压3级故障相同。
[0087]
如图4所示，电池单体cell 1的电压变化率的绝对值|δu
cell
|输入到步骤(71)制定的电压故障诊断策略中可以判断出电池单体cell 1在采样点2062和采样点2605的电压变化率的绝对值|δu
cell
|处于电压变化率过快1级故障所处的阈值区间，因此将采样点2062和采样点2605诊断为电压变化率过快1级故障，诊断结果与cell 1真实的电压变化率过快1级故障相同。
[0088]
如图5所示，电池单体cell 2的电压变化率的绝对值|δu
cell
|输入到步骤(71)制定的电压故障诊断策略中可以判断出电池单体cell 2采样点2605的电压变化率的绝对值|δu
cell
|处于电压变化率过快1级故障所处的阈值区间，因此将采样点2605诊断为电压变化率过快1级故障，诊断结果与cell 2真实的电压变化率过快1级故障相同。
[0089]
综上所述，本发明提出的一种电池单体电压多步超前预测和故障诊断方法，使用了多步超前预测方法构造电池单体电压多步超前预测的数据结构并结合建立的基于gru神经网络的电池单体电压预测模型实现了电池单体电压的多步超前预测。而且，本发明使用了增量训练原则可以实现对电压预测模型的更新，提高了模型自适应电池老化和环境变化的能力，使模型的保真度始终保持在较高的水平，保证了电池单体电压的多步超前预测的
精确性。最后，结合制定的故障诊断策略实现了电池单体电压过压、电压欠压及电压变化率过快三类故障的准确诊断。本发明提出的方法为电压故障的提前诊断提供了新的思路。