一种锂电池组微短路故障诊断方法

本发明属于锂电池组短路故障诊断领域，具体地说，本发明涉及一种锂电池组微短路故障诊断方法，

背景技术：

1、在“双碳”目标和绿色发展的背景下，锂离子电池以高能量密度、低自放电率和寿命长等优点，被许多储能企业和新能源汽车厂商所采用。然而，随着新能源汽车产业的快速发展，动力电池安全事故也层出不穷。此外，这些安全事故大多是由微小故障演变而来，它们拥有一定的潜伏性和演化特点。因此，准确、及时地发现这些微小故障是十分重要的。

2、对于电池故障诊断问题，目前故障诊断方法主要分为三类：基于知识的方法，基于模型的方法和基于数据驱动的方法。其中，基于知识的方法由于电池系统十分复杂，信息难以获取，导致建立有效的知识体系具有很大的挑战；基于模型的方法十分依赖模型的精度和阈值的选择，精度过低或阈值选择不当会导致误诊率很高；基于数据驱动的方法可以有效的对电池进行在线故障诊断，但需要大量的运行数据来做训练集。

3、对比文件(cn117269815a)公开了基于动态阈值的锂离子电池内部微短路检测方法，包括以下步骤：s1、对锂电池进行充放电测试，并实时记录电池的端电压数据；s2、根据实际应用场景电池数据获取的频率选择时间窗口的大小；

4、s3、建立动态阈值模型；s4、根据动态阈值模型计算对应时间窗口的阈值；s5、根据所选择的时间窗口计算每个循环稳态工况中对应的最大电压斜率；s6、最大电压斜率与动态阈值之间进行比较以判断电池是否发生内部微短路。本发明根据时间窗口计算动态阈值，比较最大电压斜率和动态阈值判断电池是否产生微短路，相比传统方法计算方法更为简单，且阈值容易获取，针对于不同时间维度的数据和微短路现象的检测具有更好的效果。

5、上述对比文件虽然给出了一种阈值易选取的基于模型的电池故障诊断方法，但是其并不能实现故障的定位。区别于该对比文件，本发明提出了一种锂电池组微短路故障诊断方法。

技术实现思路

1、本发明旨在克服现有技术的不足，提出了一种锂电池组微短路故障诊断方法，以达到是实现准确地诊断锂电池组微短路故障，同时实现故障定位的目的。

2、为了实现上述目的，本发明采取的技术方案为：一种锂电池组微短路故障诊断方法，所述方法包括以下步骤：

3、s1、获取锂电池组中各单体电池正常运行时的历史电压数据，并计算正常运行时各单体电池电压之间的相关系数；

4、s2、基于所述正常运行时各单体电池电压之间的相关系数，计算锂电池组正常运行时的平方预测误差(spe)统计量并确定其控制阈值；

5、s3、采集锂电池组实际运行时的电压数据，并计算锂电池组实际运行时的平方预测误差统计量；

6、s4、将所述锂电池组实际运行时的平方预测误差统计量与所述控制阈值进行对比判断锂电池组是否有故障发生；

7、s5、在确定有故障发生时，判断故障发生位置，完成故障定位。

8、进一步，本发明中所述相关系数均选择pearson(皮尔逊)相关系数。

9、进一步，所述步骤s1包括以下步骤：

10、s11、获取锂电池组正常运行时的各个单体电池的历史电压数据，并对其进行预处理；

11、s12、利用滑窗计算正常运行时相邻电池电压之间的pearson相关系数，pearson相关系数计算公式如下：

12、

13、其中，corr(x,y)为数据x和y的pearson相关系数，cov(x,y)为数据x和y之间的协方差，σx和σy分别对应表示数据x和y的标准差。

14、进一步，在所述步骤s2中，采用核主成分分析(kpca)算法计算平方预测误差统计量及其控制阈值，所述步骤s2包括以下步骤：

15、s21、在所述步骤s1中获取的正常运行时的相关系数为数据集x∈rn×m，其中n为样本数，m为变量数；利用非线性映射函数φ将输入数据映射到高维特征空间f，即：

16、φ:x→φ(xij)；

17、其中，i＝1,2,3,...,n，j＝1,2,3,...,m；则空间中的协方差矩阵为：

18、

19、所述协方差矩阵的特征方程表示为：cv＝λv；

20、其中，协方差矩阵c的特征值λ>0，特征向量v为单位向量，v∈rn×m；

21、由上式所获得的最大特征值λ所对应的特征向量v为特征空间f中第一个主成分，其特征向量vk为：

22、

23、其中，ai为线性相关系数；将每个样本量φ(xk)与所述协方差矩阵的特征方程的两边同时做内积运算，可得：

24、λ(φ(xk)v)＝φ(xk)·(cv)；

25、计算核矩阵：kij＝[φ(xi),φ(xj)]＝k(xi,xj)；上式中使用了高斯径向核函数，其公式为：

26、

27、其中，σ为窗口宽度；将特征向量vk代入所述内积运算式中并简化得到：

28、nλα＝kα；

29、其中，nλ为核矩阵k的特征值，α为特征值nλ对应的特征向量；

30、s22、在特征空间f对特征向量和核矩阵k进行中心化处理使得满足条件：

31、

32、得到中心化核矩阵：

33、其中，为中心化后的核矩阵，in为一个系数为1/n的n阶单位矩阵；

34、s23、通过nλα＝kα计算特征值λ，规范化特征向量αk使得：

35、

36、s24、确定主元个数k；

37、s25、提取正常数据x的非线性分量，即有：其中，ti为特征向量v在特征空间f上的投影，αi,j为核矩阵k的第i个特征值对应αi的第j个系数，x为原始空间的输入向量；

38、s26、由上述步骤，建立核主成分分析模型；

39、s27、计算锂电池组正常运行时的相关系数的平方预测误差统计量并确定控制阈值：

40、平方预测误差统计量：

41、平方预测误差统计量控制阈值：其中：

42、其中，qα服从自由度为h的χ2分布，θ为n次计算的平方预测误差统计量的平均值，δ为n次计算的平方预测误差统计量的方差。

43、进一步，在所述步骤s24中，采用累计方差贡献率方法来确定主元个数k，取累计方差贡献率大于65％时的主元个数；

44、进一步，所述步骤s3包括以下步骤：

45、s31、将采集到的锂电池组实际运行时各单体电池电压数据进行与所述步骤s1一样的操作，提取实际运行时相邻单体电池电压之间的相关系数；

46、s32、根据所述锂电池组实际运行时的相关系数，进行与所述步骤s2一样的操作计算实际运行时的平方预测误差统计量。

47、进一步，在所述步骤s4中，将锂电池组实际运行时的平方预测误差统计量与所述步骤s2计算出的控制阈值进行比较，若锂电池组实际运行时的平方预测误差统计量大于所述控制阈值，则认为锂电池组有故障发生，反之，则没有故障发生。

48、进一步，在所述步骤s5中，采用贡献图法实现电池组的故障定位。所述步骤s5包括以下步骤：

49、s51、采用贡献图法对故障进行定位，即计算各相关系数对平方预测误差统计量的贡献率，计算公式为：

50、

51、其中，spenew为实时的相关系数计算所得的平方预测误差统计量，vi为归一化因子v中第i个变量；

52、s52、根据贡献率最大的两个变量对故障电池进行定位。

53、本发明的技术效果为：(1)pearson(皮尔逊)相关系数的选择提高了故障诊断的准确度；(2)采用核主成分分析(kpca)算法计算平方预测误差(spe)统计量，进一步提高了故障诊断的准确度；(3)采用贡献图法对故障进行定位，保证了故障定位的准确度。