锂电池故障识别方法及系统与流程

本发明涉及锂电池故障识别，具体涉及一种锂电池故障识别方法及系统。

背景技术：

1、锂离子电池储能系统是智能微电网的重要组成部分，其运行状态将直接影响到智能微电网能量管理和优化控制的结果。随着储能系统的快速发展和大规模应用，因锂离子电池安全问题导致的事故频频发生，带来了严重的社会危害和影响。电池安全性能受多方因素影响，如过充过放、热失控、电池老化、bms系统故障等，这些都会带来巨大的安全隐患。所以对锂电池组进行故障诊断是维护储能系统安全可靠运行的必要手段。

2、传统的锂离子电池故障诊断方法通常是基于阈值或经验规则，通过监测电池的电压、温度等参数来判断是否存在故障。然而，这种方法存在以下几个问题：一是对电池状态变化的响应速度较慢，无法实现实时监测与预警；二是难以准确识别复杂故障模式，特别是在故障发生前的预警方面表现不足；三是在面对大量数据时，往往会出现信息冗余和特征选择困难的情况。

3、随着深度学习技术的发展，深度神经网络在图像识别、语音识别等领域取得了巨大成功。深度学习具有自动学习特征表示、适应复杂非线性关系等优势，为锂离子电池故障诊断提供了新的思路。但是，传统的深度学习方法往往需要大量标记数据进行训练，而锂离子电池故障数据往往难以获得足够的标记信息，这限制了深度学习在该领域的应用。

技术实现思路

1、本发明的目的在于提供一种锂电池故障识别方法及系统，以解决上述背景技术中存在的至少一项技术问题。

2、为了实现上述目的，本发明采取了如下技术方案：

3、第一方面，本发明提供一种锂电池故障识别方法，包括：

4、获取锂离子电池充放电时的电压、电流、温度数据；

5、利用预先训练好的故障诊断模型，对获取的电压、电流、温度数据进行处理，得到锂电池故障诊断结果；其中，所述故障诊断模型的训练包括：采集锂离子电池充放电时的电压、电流、温度相关数据，并建立相应的数据集；从采集的数据集中提取能够表征故障状态的特征；利用lasso回归法对提取的特征进行选择，选择最合适的特征集；利用改进pso算法对提取的特征进行优化选择，以寻找最优的特征组合，将特征集输入粒子群算法优化参数后的网络模型中进行训练，构建针对锂离子电池故障诊断的深度学习模型，通过分析电池的状态和特征来判断是否存在故障，并对故障类型进行分类。

6、进一步的，能够表征故障状态的特征包括：电压变化率、电压偏离度、电压极差、温度变化率、温度极差、

7、进一步的，lasso回归通过对模型系数加入l1正则化来实现特征选择和模型简化；由于l1正则化的影响，lasso回归的解通常具有稀疏性，即只有少数特征的系数不为零。

8、进一步的，利用改进pso算法对提取的特征进行优化选择，以寻找最优的特征组合，粒子群算法的核心参数为速度和位置，更新公式分别如下：

9、

10、

11、其中，为第k次迭代中第i个粒子的速度，pbestid为k次迭代中第i个粒子适应度的最大值，为位置信息，gbestid为所有pbest中的最大值，c为认知常数，r为随机函数。

12、进一步的，粒子群算法中，对其惯性权重进行自适应优化；惯性权重w用于平衡全局和局部搜索能力，惯性权重w与演化因子f有关，则允许w使用s形映射：

13、

14、进一步的，粒子群算法中，对加速系数进行控制；参数c1代表自我认知，将粒子拉到自己的历史最佳位置；参数c2表示社会影响，推动群体收敛到当前的全局最佳区域，帮助快速收敛；加速系数被初始化为2.0，并根据进化状态进行自适应控制，策略如下：探索状态下增加c1和减少c2。

15、第二方面，本发明提供一种锂电池故障识别系统，包括：

16、获取模块，用于获取锂离子电池充放电时的电压、电流、温度数据；

17、诊断模块，用于利用预先训练好的故障诊断模型，对获取的电压、电流、温度数据进行处理，得到锂电池故障诊断结果；其中，所述故障诊断模型的训练包括：采集锂离子电池充放电时的电压、电流、温度相关数据，并建立相应的数据集；从采集的数据集中提取能够表征故障状态的特征；利用lasso回归法对提取的特征进行选择，选择最合适的特征集；利用改进pso算法对提取的特征进行优化选择，以寻找最优的特征组合，将特征集输入粒子群算法优化参数后的网络模型中进行训练，构建针对锂离子电池故障诊断的深度学习模型，通过分析电池的状态和特征来判断是否存在故障，并对故障类型进行分类。

18、第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态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，实现如第一方面所述的锂电池故障识别方法。

19、第四方面，本发明提供一种计算机设备，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如第一方面所述的锂电池故障识别方法。

20、第五方面，本发明提供一种电子设备，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如第一方面所述的锂电池故障识别方法的指令。

21、本发明有益效果：粒子群优化与深度信念网络相结合，充分利用了特征选择和深度学习的优势，提高了故障诊断的准确性和鲁棒性；通过lasson回归算法优化特征选择，能够有效地提取出最具代表性的特征，减少了冗余信息，提高了算法的效率；基于深度信念网络的故障诊断模型能够自动学习数据的高阶特征表示，适用于复杂的非线性关系，提高了模型的泛化能力；利用改进的自适应粒子群算法对网络参数进行优化，可以提高算法的性能和收敛速度。该方法对于锂离子电池故障的诊断效果显著，能够提前发现电池潜在的问题，降低了故障对设备和人员安全造成的风险。

22、本发明附加方面的优点，将在下述的描述部分中更加明显的给出，或通过本发明的实践了解到。

技术特征：

1.一种锂电池故障识别方法，其特征在于，包括：

2.根据权利要求1所述的锂电池故障识别方法，其特征在于，能够表征故障状态的特征包括：电压变化率、电压偏离度、电压极差、温度变化率、温度极差。

3.根据权利要求1所述的锂电池故障识别方法，其特征在于，lasso回归通过对模型系数加入l1正则化来实现特征选择和模型简化；由于l1正则化的影响，lasso回归的解通常具有稀疏性，即只有少数特征的系数不为零。

4.根据权利要求1所述的锂电池故障识别方法，其特征在于，利用改进pso算法对提取的特征进行优化选择，以寻找最优的特征组合，粒子群算法的核心参数为速度和位置，更新公式分别如下：

5.根据权利要求1所述的锂电池故障识别方法，其特征在于，粒子群算法中，对其惯性权重进行自适应优化；惯性权重w用于平衡全局和局部搜索能力，惯性权重w与演化因子f有关，则允许w使用s形映射：

6.根据权利要求5所述的锂电池故障识别方法，其特征在于，粒子群算法中，对加速系数进行控制；参数c1代表自我认知，将粒子拉到自己的历史最佳位置；参数c2表示社会影响，推动群体收敛到当前的全局最佳区域，帮助快速收敛；加速系数被初始化为2.0，并根据进化状态进行自适应控制，策略如下：探索状态下增加c1和减少c2。

7.一种锂电池故障识别系统，其特征在于，包括：

8.一种非暂态计算机可读存储介质，其特征在于，所述非暂态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，实现如权利要求1-6任一项所述的锂电池故障识别方法。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器相互通信，所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令执行如权利要求1-6任一项所述的锂电池故障识别方法。

10.一种电子设备，其特征在于，包括：处理器、存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现如权利要求1-6任一项所述的锂电池故障识别方法的指令。

技术总结
本发明提供一种锂电池故障识别方法及系统，属于锂电池故障识别技术领域，获取锂离子电池充放电时的电压、电流、温度数据；利用预先训练好的故障诊断模型，对获取的电压、电流、温度数据进行处理，得到锂电池故障诊断结果。本发明充分利用了特征选择和深度学习的优势，提高了故障诊断的准确性和鲁棒性；通过Lasson回归算法优化特征选择，减少了冗余信息，提高了效率；能够自动学习数据的高阶特征表示，适用于复杂的非线性关系，提高了模型的泛化能力；利用改进的自适应粒子群算法对网络参数进行优化，可以提高算法的性能和收敛速度；对于锂离子电池故障的诊断效果显著，能够提前发现电池潜在的问题，降低了故障对设备和人员安全造成的风险。

技术研发人员：彭勇,王楠,魏明,李振,周喜超,赵锦,张卫卫,沈春雷,杨斌
受保护的技术使用者：国网综合能源服务集团有限公司
技术研发日：
技术公布日：2024/11/11