[發明專利]一種基于改進CNN的動力電池組故障融合診斷方法及系統

有效

• 申請號: 202010132434.2
• 申請日: 2020-02-29
• 公開（公告）號: CN111652348B
• 公開（公告）日: 2023-09-01
• 發明（設計）人: 夏飛;彭運賽;張傳林;龔春陽
• 申請（專利權）人: 上海電力大學
• 主分類號: G06N3/0464
• 分類號: G06N3/0464;G06N3/08;G01R31/367;G01R31/387;G01R31/396
• 代理公司: 南京禹為知識產權代理事務所(特殊普通合伙) 32272
• 代理人: 吳肖敏

本發明公開了一種基于改進CNN的動力電池組故障融合診斷方法及系統，包括，對鋰電池的電壓變化信號與SOC變化信號采用小波包分解處理，得到能量值構成輸入特征向量；診斷網絡對動力電池組故障進行初步診斷；判斷初步診斷結果是否滿足確診條件；若滿足確診條件，則得到動力電池組的診斷結果；若不滿足確診條件，則對動力電池組故障采用CNN網絡進行輔助診斷；將初步診斷結果和輔助診斷結果通過D?S證據理論的方法進行融合診斷；對融合診斷結果進行判斷并得到最終診斷結果。本發明通過改進CNN網絡的結構，通過BIC準則確定卷積層中最優的卷積核尺寸，對確診條件進行判斷并進一步采用輔助診斷網絡進行輔助和融合診斷，從而提高了動力電池組的故障診斷準確率。

技術領域

本發明涉及電池故障診斷的技術領域，尤其涉及一種基于改進CNN的動力電池組故障融合診斷方法及系統。

背景技術

近年來，鋰離子電池憑借其單體電池電壓高、循環次數高、能量密度高、無污染等優點，成為了動力電池的重要組成部分，而確保鋰離子電池安全可靠運行是其發展的核心。目前我國的鋰離子電池技術并非完全成熟，電池組不一致故障初期的特征不易被發現。鋰離子電池組的不一致指的是同型號、同規格電池的容量、內阻、電壓等參數存在較大偏差，會導致電池在充放電過程中出現過充、過放的現象，嚴重影響電池組的使用安全與使用壽命。鋰離子電池組的不一致故障主要包括容量偏小故障、SOC偏低故障與內阻偏大故障。對鋰離子電池組進行故障診斷，具有重要的現實意義

目前鋰電池故障診斷方法以神經網絡、支持向量機等淺層網絡為主，例如有的文獻利用BP神經網絡對鋰電池不一致故障進行診斷分析，但僅采用少量樣本，無法實現工程應用；有的文獻利用RBF神經網絡，基于dSPACE電池模型，設計了一套電動汽車動力鋰離子電池的故障診斷系統，但由于鋰電池組自身結構復雜且工作環境的差異較大，導致其診斷準確性降低；有的文獻在決策層采用改進D-S證據理論組合規則融合BP網絡和RBF網絡兩種故障診斷結果，該方法雖然對診斷結果進行改進，卻仍然未解決淺層網絡診斷準確率低的問題。由于淺層神經網絡對復雜特征的學習能力較弱，不適用于特征提取精度要求高的故障診斷領域。針對這種情況，部分學者提出深度學習的故障診斷方法，更深層次的提取信號特征，實現更精確的診斷。

卷積神經網絡(Convolution?Neural?Network，CNN)作為典型的深度學習算法，被廣泛應用于圖像識別領域。與傳統淺層網絡相比，卷積神經網絡具有更強大的特征提取能力，運算速度快，避免了訓練易陷入局部極值的問題。近年來，國內外學者將卷積神經網絡應用于故障診斷中并取得了不錯的研究成果。例如在傳統CNN網絡的基礎上增加反饋機制通過調節卷積核的數量與大小提高絕緣子狀態檢測的正確率；利用短時傅里葉變換生成軸承振動信號的時頻譜圖，建立CNN診斷模型，通過增加相應環境的數據驗證了其魯棒性；利用深度網絡結構實現對原始振動信號特征的自適應層級化提取，在輸出端利用Softmax分類器輸出診斷結果。但是隨著CNN層數的增多，最后得到的特征向量的尺寸不斷減小，若僅以最后一層復雜度最高的特征進行分類易出現過擬合的風險，從而導致診斷的正確性降低。

發明內容

本部分的目的在于概述本發明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本申請的說明書摘要和發明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發明名稱的目的模糊，而這種簡化或省略不能用于限制本發明的范圍。

鑒于上述現有存在的問題，提出了本發明。

因此，本發明解決的一個技術問題是：提供一種基于改進CNN的動力電池組故障融合診斷方法，能夠提高動力電池組故障診斷的準確率。