一种基于变分模态分解与支持向量机的电池内短路故障检测方法

技术领域

本发明涉及锂电池故障检测领域，特别是一种基于变分模态分解与支持向量机的电池内短路故障检测方法

背景技术

锂电池重量，体积小，使用寿命长，可达到六年以上，具有高存储能量密度且自放电效率很低。因此，锂电池被广泛应用于各种场合，在储能电站中扮演着十分重要的角色，而在各种应用场合中，锂电池大多以电池组的形式存在。

由于锂电池工作环境复杂，以及锂电池在使用过程中随着充放电循环次数的增加，锂电池内部发生漏液，电极材料发生腐蚀等因素，导致锂电池发生故障，引发热失控，威胁到人员生命安全。为了避免这种情况的发生，必须对电池故障进行精准快速的诊断和及时示警，提高锂电池使用的安全性。

目前电池故障诊断方法主要分为两种，一是基于电池模型的故障诊断方法；二是无电池模型的故障诊断方法。基于模型的故障诊断方法大多采用等效电路法。无模型的故障诊断方法需要大量数据训练，耗费时间较长，不能进行实时诊断，且故障诊断正确率较低。

发明内容

本发明提供是一种基于变分模态分解与支持向量机的电池内短路故障检测方法，实现对锂电池内短路故障快速、准确诊断。

为达到上述目的，本发明采用以下技术方案：

一种基于变分模态分解与支持向量机的锂电池内短路故障检测方法，包括以下步骤：

步骤1，建立完整的锂电池充放电模型，采集锂电池的实时电压数据与电流数据，采集锂电池表面温度，计算得锂电池内部温度；其中，锂电池充放电模型包括锂电池充放电单元、锂电池充放电控制单元。

步骤2，根据采集的锂电池表面温度计算得锂电池内部温度，进行锂电池内部温度诊断。

步骤3，对锂电池实时电压数据变分模态分解，得到预先设置尺度数K个模态分量。

步骤4，对步骤3中K个模态分量计算样本熵。

步骤5，将步骤4中的样本熵随机拆分为训练集与测试集，把训练集的样本送入支持向量机中学习，得到训练好的支持向量机模型，并将测试集送入训练好的支持向量机模型中，进一步，对于将故障样本随机拆分为训练集与测试集，将样本熵1∶1拆分为训练集与测试集。

步骤6，利用支持向量机模型输出结果对锂电池内情况进行诊断。对于利用支持向量机模型对电池内短路故障进行诊断，对锂电池进行诊断输出结果包括锂电池正常与锂电池出现内短路故障两种状态的诊断。

步骤1中锂电池内部焦耳热的计算表达式为Q

设置锂电池内部阈值温度与外部阈值温度，若锂电池内部温度大于所设内部阈值温度，则电池内部温度异常，否则为正常；若锂电池表面温度大于所设表面阈值温度，则电池表面温度异常，否则为正常。当锂电池内部温度和锂电池表面温度两种温度任意一种出现异常时则输出锂电池温度为异常。

对于步骤3中对于电压数据进行变分模态分解，运用变分模态分解算法对锂电池实时电压数据进行自适应地分解，得到预先设置尺度数k个模态分量；

步骤A.初始化模态分量{u

步骤B.更新模态分量{u

步骤C.更新拉格朗日乘子λ；

步骤D.迭代停止判定：设定ε＞0作为判别精度，若残差小于判别精度，则停止迭代，否则重复步骤A-D的过程直至停止迭代，输出k个模态分量。

对于预处理变分模态分解后的k个模态分量：计算各模态分量的样本熵值，将时间序列X构造成m维矢量，即：

X(i)＝{x(i)，x(i+1)，...，x(i+m-1)}，式中，i＝1，2，...，N-m+1；

步骤A：定义X(i)与X(j)间的距离为d[X(i)，X(j)](i≠j)，为两者对应元素中差值最大的一个，即：

步骤B：设置相似容限阈值r＞0，统计d[X(i)，X(j)]＜r的数目并与总的矢量个数N-m的比值，即：

步骤C：对所有由步骤B中的式子得到的结果求平均，即：

步骤D：再将维数m加1，重复步骤A至步骤D；

步骤E：此序列的样本熵为：

本发明的有益效果：电池信号在采集中受到全局衰减，局部噪声以及其他噪声的干扰，以上干扰对电池故障诊断速度与精度产生不可避免的影响。变分模态分解突出数据的局部特征，表现出更好地噪声鲁棒性，具有良好的采样效应。因此本发明采用变分模态分解用于电池电压数据分解，并从包含有主要故障信息的模态分量中提取能量特征作为故障特征，进一步结合支持向量机模型的分类优势，将提取的故障特征作为支持向量机模型的输入进行故障诊断，并以电池内部温度的诊断为辅助，提高了电池内短路故障的准确度和诊断速度。对于提高电池产品使用的安全性有重要作用。

附图说明

图1：一种基于变分模态分解与支持向量机的电池内短路故障检测方法流程图；

图2：变分模态分解流程图。

具体实施方式

下面结合附图对本发明做进一步描述，如图1所示，本发明所述的一种基于变分模态分解与支持向量机的电池内短路故障检测方法，具体包括采集锂电池的电压数据与电池表面温度；根据锂电池表面温度，计算锂电池内部温度；若锂电池内部温度与表面温度正常，则继续检测锂电池电压数据；通过变分模态分解算法分解锂电池的电压数据，得到预先设置的K个模态分量，分别计算K个模态分量的样本熵值，对于K个模态分量的样本熵值输入支持向量机进而对锂电池的电压数据进行诊断，输出锂电池内短路故障准确率。

具体步骤如下：

步骤1建立完整的锂电池充放电模型，采集锂电池的电压数据与电流数据，采集锂电池表面温度数据：其中锂电池充放电模型包括锂电池充放电模块、锂电池充放电控制模块；分别获取个单体锂电池与故障电池的单体电压，电流与锂电池表面温度。

步骤2根据采集的锂电池表面温度计算得锂电池内部温度，进行锂电池内部温度诊断，包括以下步骤：

a.计算锂电池内部温度；首先计算锂电池内部焦耳热Q

进一步，设置锂电池内部阈值温度与外部阈值温度，若锂电池内部温度大于所设内部阈值温度，则锂电池内部温度异常，否则为正常；若锂电池表面温度大于所设表面阈值温度，则锂电池表面温度异常，否则为正常。当锂电池内部温度和锂电池表面温度两种温度任意一种出现异常时则输出锂电池温度为异常。具体实现的步骤为：

b.对于锂电池表面温度与表面阈值温度比较。

c.对于锂电池内部温度与内部阈值温度比较。

d.当锂电池表面温度或内部温度出现异常时则输出锂电池内部温度为异常。

步骤3对锂电池电压数据进行变分模态分解，得到预先设置尺度数K个模态分量，包括以下步骤，如图2所示：

a.初始化模态分量{u

b.更新模态分量{u

c.更新拉格朗日乘子λ；

d.迭代停止判定：设定ε＞0作为判别精度，若残差小于判别精度，则停止迭代，否则重复步骤A-D的过程直至停止迭代，输出K个模态分量。

步骤4对各模态分量的样本熵分别进行计算，包括以下步骤。

a.将时间序列X构造成m维矢量，即X(i)＝{x(i)，x(i+1)，...，x(i+m-1)}，式中，i＝1，2，...，N-m+1；

b.定义X(i)与X(j)间的距离为d[X(i)，X(j)](i不等于j)，为两者对应元素中差值最大的一个，即：

c.给定阈值r(r＞0，一般取0.1或0.2)，统计d[X(i)，X(j)]＜r的数目并与总的矢量个数N-m的比值，即：

d.对所有由步骤3)得到的结果求平均，即：

e.再将维数m加1，重复a)～e)；

f.则理论上此序列的样本熵为：

步骤5将故障样本1∶1拆分为训练集与测试集，把训练集的样本送入支持向量机模型中学习，得到训练好的支持向量机模型，并将测试集送入训练好的支持向量机模型中：支持向量机模型采用的核函数为RBF核函数，所述的RBF核函数为：

步骤6对锂电池内短路故障进行诊断，输出锂电池诊断结果。对锂电池进行诊断结果包括有锂电池有内短路故障和锂电池正常两种状态。