一种锂离子电池组多故障诊断方法、装置、终端设备及计算机可读存储介质与流程

本发明涉及储能锂离子电池组多种类型故障的检测领域，尤其涉及一种锂离子电池组多故障诊断方法、装置、终端设备及计算机可读存储介质。

背景技术：

1、近年来，锂离子电池具有高功率密度和长循环寿命等优点，已被广泛应用于电动汽车和电网储能等领域。然而，受其对滥用、外部环境和运行条件的耐受性差的影响，锂离子电池系统可能会出现各种故障，导致电池加速退化，甚至发生以热失控为特征的安全事故，这已经引起了公众对锂离子电池安全性的担忧。因此，诊断各种故障对于提高电池系统的安全性至关重要。

2、电池系统常见故障可分为电池滥用故障和传感器故障。电池滥用故障主要包括过充、过放、外部短路和内部短路等。其中，内部短路是锂离子电池发生热失控的最常见原因之一。在早期的内短路(即微短路)中，由短路导致的电池电热参数变化不明显，具有较强的隐蔽性。这也导致微短路故障很难被检测到。在实际应用中，受固有缺陷、老化和恶劣工作环境的影响，传感器会出现测量值的偏置和精度下降等故障。传感器故障最直接的影响是电池管理系统无法获得电池的准确工作状态，继而发出错误的控制指令，加速电池系统的退化。此外，单体间的荷电状态(state of charge，简称soc)不一致和健康状态(st ate ofhealth，简称soh)不一致也会表现为电压异常，这导致不一致性和前述故障耦合，增加了区分故障类型的难度。

3、现有的锂离子电池组多故障诊断方法有基于模型的方法。基于模型的方法通过建立锂离子电池的电热耦合模型，并结合无迹粒子滤波等滤波算法估计电池的内部参数。如果内部参数的变化率超过预定阈值，则表示电池发生故障。然而，基于模型的方法针对的是电池单体而不是电池组。此外，该类方法仅限于检测电池故障，无法区分不同的故障类型。因此，亟待解决锂离子电池系统内的多故障诊断问题。

技术实现思路

1、本发明实施例提供了一种锂离子电池组多故障诊断方法、装置、终端设备及计算机可读存储介质，能够区分锂离子电池组内电池单体的不同类型的故障，有助于及时发现和解决电池组中的问题。

2、本发明一实施例提供一种锂离子电池组多故障诊断方法，包括：

3、获取待诊断锂离子电池组内每个第一电池单体的端电压；

4、根据每个第一电池单体的端电压，提取每个第一电池单体在目标时域特征下所对应的第一特征值；

5、对于待诊断锂离子电池组内每个第一电池单体的每个第一特征值，将每个第一电池单体的第一特征值输入至预设的故障诊断模型中，以使故障诊断模型计算第一特征值与故障诊断模型中，锂离子电池组样本内每个第二电池单体在目标时域特征下所对应的第二特征值之间的距离，根据预设最邻近数量选取距离最近的若干第二特征值，得到若干目标特征值；对所有目标特征值进行投票，并将票数最多的目标特征值所对应的第二电池单体的故障类型，作为待诊断锂离子电池组内当前第一电池单体的故障类型；

6、根据待诊断锂离子电池组内所有第一电池单体的故障类型，确定锂离子电池组的故障。

7、进一步的，锂离子电池组样本的目标时域特征的确定，包括：

8、获取锂离子电池组样本内每个第二电池单体的端电压以及对应的故障类型；

9、对锂离子电池组样本内每个第二电池单体的端电压进行时域特征提取，得到不同类别的时域特征下的特征值；

10、计算不同类别的时域特征之间的冗余度，以及每一类时域特征与锂离子电池组样本的故障结果之间的相关性；

11、根据冗余度以及相关性从各类时域特征中筛选出锂离子电池组样本的目标时域特征。

12、进一步的，时域特征，包括：近似熵、峰值距离、能量、偏度和峭度；

13、对锂离子电池组样本内每个第二电池单体的端电压进行时域特征提取，得到不同类别的时域特征下的特征值，包括：

14、通过以下公式计算得到每一第二电池单体的近似熵的特征值：

15、apen(m,r,n)＝φm(r)-φm+1(r)；

16、

17、dis(xm[i],xm[j])＝maxk＝1,2,...,m(|y[i+k-1]-y[j+k-1]|)；

18、xm[i]＝{y[i],y[i+1],...,y[i+m-1]}；

19、通过以下公式计算得到每一第二电池单体的峰值距离的特征值：

20、p_p＝|max(y)-min(y)|；

21、通过以下公式计算得到每一第二电池单体的能量的特征值：

22、

23、通过以下公式计算得到每一第二电池单体的偏度的特征值：

24、

25、通过以下公式计算得到每一第二电池单体的峭度的特征值：

26、

27、其中，apen(m,r,n)表示近似熵的特征值，m表示窗口长度，r表示相似度比较阈值，φm(r)表示在嵌入维度为m时的平均相似度，表示子序列xm[i]的模板匹配概率，表示在n-m+1个子序列中满足条件的个数，n表示锂离子电池组内每个第二电池单体的端电压序列长度，xm[i]表示锂离子电池组的第i个端电压子序列，dis(xm[i],xm[j])表示两个子序列之间的距离，p_p表示峰值距离的特征值，y表示锂离子电池组内每个第二电池单体的端电压序列，energy表示能量的特征值，skewness表示偏度的特征值，kurtosis表示峭度的特征值，表示锂离子电池组内每个第二电池单体的端电压序列值的平均值，yi表示锂离子电池组内每个第二电池单体的端电压序列中第i个数据点的值，σ表示锂离子电池组内每个第二电池单体的端电压序列的标准差。

28、进一步的，计算不同类别的时域特征之间的冗余度，包括：

29、对于每一第二电池单体，根据各类时域特征下的特征值通过以下公式计算逐一计算每一第二电池单体的各类时域特征之间的互信息：

30、

31、根据每一第二电池单体的各类时域特征之间的互信息，通过以下公式计算不同类别的时域特征之间的冗余度：

32、

33、其中，x表示一类时域特征中一个第二电池单体的特征值，y表示另一类时域特征中同一个第二电池单体的特征值，xi表示一类时域特征中第i个第二电池单体的特征值，yi表示另一类时域特征中第i个第二电池单体的特征值，p(xi)表示一类时域特征中第i个第二电池单体的特征值的概率密度函数，p(yi)表示另一类时域特征中第i个第二电池单体的特征值的概率密度函数，p(xi,yi)表示一类时域特征中第i个第二电池单体的特征值与另一类时域特征中第i个第二电池单体的特征值之间的联合概率密度函数，i(xi；yi)表示第二电池单体的各类时域特征的第i个特征值之间的互信息，r表示不同类别的时域特征之间的冗余度，s表示每一第二电池单体的各类时域特征的特征值所组成的集合，|s|表示每一第二电池单体的各类时域特征的特征值所组成的集合的特征数量。

34、进一步的，计算每一类时域特征与锂离子电池组样本的故障结果之间的相关性，包括：

35、对于每一类时域特征，计算每一第二电池单体在该类时域特征下的特征值与第二电池单体的故障类型之间的互信息；

36、

37、根据每一第二电池单体在该类时域特征下的特征值与第二电池单体的故障类型之间的互信息，通过以下公式计算得到一类时域特征与锂离子电池组样本的故障结果之间的相关性：

38、

39、其中，x表示一类时域特征中一个第二电池单体的特征值，c表示同一个第二电池单体的故障类型，xi表示一类时域特征中第i个第二电池单体的特征值，ci表示第i个第二电池单体的故障类型，p(xi)表示一类时域特征中第i个第二电池单体的特征值的概率密度函数，p(ci)表示第i个第二电池单体的故障类型的概率密度函数，p(xi,ci)表示一类时域特征中第i个第二电池单体的特征值与第i个第二电池单体的故障类型的联合概率密度函数，i(xi；ci)表示第二电池单体在一类时域特征下的特征值与第二电池单体的故障类型之间的互信息，d表示第二电池单体一类时域特征与第二电池单体的故障类型之间的相关性，s表示每一第二电池单体的各类时域特征的特征值所组成的集合，|s|表示每一第二电池单体的各类时域特征的特征值所组成的集合的特征数量。

40、进一步的，根据冗余度以及相关性从各类时域特征中筛选出锂离子电池组样本的目标时域特征，包括：

41、根据冗余度，求解锂离子电池组样本内不同类别的时域特征之间的最小冗余度；

42、分别将每一类时域特征与锂离子电池组样本的故障结果之间的相关性与最小冗余度求差，得到每一类时域特征的相关性与最小冗余差值集合；

43、将差值集合从大到小进行排序；

44、从差值集合中的最大差值开始选取，选取预设特征数量，得到目标差值；

45、根据目标差值，将目标差值所对应的时域特征类别，作为锂离子电池组样本的目标时域特征。

46、进一步的，将每个第一电池单体的第一特征值输入至预设的故障诊断模型中，以使故障诊断模型计算第一特征值与故障诊断模型中，锂离子电池组样本内每个第二电池单体在目标时域特征下所对应的第二特征值之间的距离，包括：

47、将第一特征值输入至预设的故障诊断模型；

48、预设的故障诊断模型通过以下公式计算得到第一特征值与故障诊断模型中，锂离子电池组样本内每个第二电池单体在目标时域特征下所对应的第二特征值之间的距离：

49、

50、其中，d(h,f)表示每个第一电池单体在一目标特征下的第一特征值与故障诊断模型中每个锂离子电池组样本内的每个第二电池单体在一目标时域特征下所对应的第二特征值之间的距离，h表示每个第一电池单体在目标特征下的第一特征值，f表示故障诊断模型中每个锂离子电池组样本内的每个第二电池单体在一目标时域特征下所对应的第二特征值，m表示空间维度。

51、在上述方法项实施例的基础上，本发明对应提供了装置项实施例，包括：端电压获取模块、目标时域特征提取模块、电池单体故障诊断模块以及电池组故障诊断模块；

52、特征值提取模块，用于获取待诊断锂离子电池组内每个第一电池单体的端电压；

53、目标时域特征提取模块，用于根据每个第一电池单体的端电压，提取每个第一电池单体在目标时域特征下所对应的第一特征值；

54、故障诊断模块，用于对于待诊断锂离子电池组内每个第一电池单体的每个第一特征值，将每个第一电池单体的第一特征值输入至预设的故障诊断模型中，以使故障诊断模型计算第一特征值与故障诊断模型中，锂离子电池组样本内每个第二电池单体在目标时域特征下所对应的第二特征值之间的距离，根据预设最邻近数量选取距离最近的若干第二特征值，得到若干目标特征值；对所有目标特征值进行投票，并将票数最多的目标特征值所对应的第二电池单体的故障类型，作为待诊断锂离子电池组内当前第一电池单体的故障类型；

55、电池组故障诊断模块，用于根据待诊断锂离子电池组内所有第一电池单体的故障类型，确定锂离子电池组的故障。

56、在上述方法项实施例的基础上，本发明对应提供了终端设备项实施例，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，处理器执行所述计算机程序时，实现如本发明所述锂离子电池组多故障诊断方法的步骤。

57、在上述方法项实施例的基础上，本发明对应提供了计算机可读存储介质项实施例，包括：存储的计算机程序，在计算机程序运行时，控制计算机可读存储介质所在的设备执行如本发明所述锂离子电池组多故障诊断方法的步骤。

58、与现有技术相比，本方案实施例的有益效果在于：

59、本发明通过获取待诊断锂离子电池组内每个第一电池单体的端电压；根据每个第一电池单体的端电压，提取每个第一电池单体在目标时域特征下所对应的第一特征值，不同的故障类型往往在不同时域特征维度上产生不同的表现，将电池单体的端电压转换为时域特征，可以引入更多特征维度，以增加区分不同故障的能力；随后，将每个第一电池单体的第一特征值输入至预设的故障诊断模型中，以使故障诊断模型计算第一特征值与故障诊断模型中，锂离子电池组样本内每个第二电池单体在目标时域特征下所对应的第二特征值之间的距离，根据预设最邻近数量选取距离最近的若干第二特征值，得到若干目标特征值；对所有目标特征值进行投票，并将票数最多的目标特征值所对应的电池单体的故障类型，作为待诊断锂离子电池组内当前电池单体的故障类型。特定的故障类型在时域特征上表现出独特的模式，通过k-近邻算法(k-nearest neighbor cl assification，knn)计算待诊断电池组电池单体端电压的特征值与样本特征值的距离，可以量化待诊断锂离子电池组每个电池单体与故障诊断模型中各锂离子电池组样本之间的相似度，采用最邻近样本选择和投票规则，利用故障诊断模型中各锂离子电池组样本已有的故障分类信息，通过多数表决的方式来确定最可能的故障类型，从而实现对锂离子电池组内不同故障类型的区分。