[發明專利]一種基于雙模型的鋰離子電池組電壓異常故障診斷方法

在審

• 申請號: 202110993005.9
• 申請日: 2021-08-23
• 公開（公告）號: CN113687251A
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 范天娥;唐鑫;劉松明
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G01R31/387
• 分類號: G01R31/387
• 代理公司: 北京同恒源知識產權代理有限公司 11275
• 代理人: 趙榮之

1.一種基于雙模型的鋰離子電池組電壓異常故障診斷方法，其特征在于：包括以下步驟：

步驟1：收集電池充放電數據，包括電流、電壓、溫度和SOC；

步驟2：建立二階等效電路模型，用最小二乘法辨識模型參數，得到不同溫度和SOC下模型各參數，包括開路電壓、歐姆內阻、電化學極化RC和濃差極化RC；

步驟3：建立LSTM和全連接層Dense模型，用收集的正常的鋰電池運行數據訓練網絡模型；

步驟4：LSTM預測得到的SOC分別用于二階等效電路模型和全連接層Dense模型輸出端電壓，然后結合聯合兩個模型輸出的端電壓得到一個比之前更精確的端電壓；

步驟5：模型端電壓與實際運行的端電壓生成殘差，用CUSUM評價殘差，若超過閾值則認為發生了故障。

2.根據權利要求1所述的基于雙模型的鋰離子電池組電壓異常故障診斷方法，其特征在于：步驟2中所述通過最小二乘法辨識模型參數，數學表達式為：

最終得到不同溫度和SOC下的模型各參數，其關系表示為

X＝f_X(SOC，Te)

X為模型的某一參數，SOC為電池荷電狀態，Te為測量溫度。

3.根據權利要求1所述的基于雙模型的鋰離子電池組電壓異常故障診斷方法，其特征在于：步驟3中所述LSTM網絡和全連接層Dense均包括輸入層、輸出層和隱含層，所述LSTM網絡的輸入為：

其中k和n分別表示輸入樣本時間窗口和樣本數，I表示樣本電流，Ut表示樣本端電壓，T表示樣本溫度；

所述LSTM網絡的輸出為預測下一時刻的SOC；

所述LSTM網絡根據數據量調整網絡的超參數，包括隱層神經元個數，時間窗口k和batchsize大小；

所述全連接層Dense網絡的輸入為當前時刻的(I_t，T_t，SOC_t)，其中，I_t表示當前時刻電流，T_t表示當前時刻溫度，SOC_t表示當前時刻SOC，所述全連接層Dense網絡的輸出為端電壓，所述全連接層Dense網絡根據數據量調整網絡的超參數，包括隱層神經元個數和batchsize大小。

4.根據權利要求1所述的基于雙模型的鋰離子電池組電壓異常故障診斷方法，其特征在于：步驟4中等效電路模型ECM和全連接層Dense各自得到端電壓Ut，分別表示為Ut_E，Ut_D，聯合這兩個模型得到更為準確的Ut，其具體數學表達式為：

SOC＝LSTM(I，Ut，T)；

Ut_D＝Dense(I，T，SOC)；

Ut_E＝ECM(I，T，SOC)；

5.根據權利要求1所述的基于雙模型的鋰離子電池組電壓異常故障診斷方法，其特征在于：步驟5中，模型端電壓與實際運行的端電壓生成殘差，用CUSUM評價殘差，若超過閾值則認為發生了故障，取上累積和計算各點：x_i-(μ+kσ)，其中x_i為各時刻的殘差值，即模型端電壓與實際運行端電壓之差，μ是目標值取0，σ是總體偏差，取hσ為閾值，k，h分別為參考值和決策值，根據運行長度選擇。

6.根據權利要求1所述的基于雙模型的鋰離子電池組電壓異常故障診斷方法，其特征在于：實驗采集電池數據時電壓，電流，SOC以及溫度的周期T為1秒。

7.根據權利要求1所述的基于雙模型的鋰離子電池組電壓異常故障診斷方法，其特征在于：帶遺忘因子的最小二乘法辨識出的參數是(1-a₁-a₂)U_oc(k)，a₁，a₂，a₃，a₄，a₅

最終轉換得到模型的參數是：

τ₁＝R₁C₁，τ₂＝R₂C₂。