一种深度在线迁移的锂离子储能电池故障诊断方法与流程

1.本发明涉及锂离子储能电池故障诊断领域，尤其是一种深度在线迁移的锂离子储能电池故障诊断方法。


背景技术：

2.锂离子电池因具有输出电压高、能量密度高、循环寿命长等优点，已广泛应用于规模化储能领域。但锂离子电池安全运行区间窄，发生事故时高度易燃、灭火困难，因此需要电池管理系统进行有效调控。当锂离子电池处于正常工作状态或者故障状态下时，电池电压、电流和温度等数据会随之相应改变，可以利用电池这一特征对电池运行状态进行判断，以此有效地对储能系统进行故障诊断。
3.目前，存在很多算法结合概率神经网络在故障诊断领域展开研究，例如woa-pnn(鲸鱼优化算法)，pso-pnn(粒子群算法)，ifwa-pnn(烟花优化算法)等等。其中woa-pnn和pso-pnn已经相对成熟，ifwa-pnn的使用率也在上升，但现有的锂离子电池系统故障诊断方法的准确率还有上升空间。另外，传统机器学习方法只有训练和测试数据遵循相同的分布时才能很好地发挥作用，当分布发生变化时，大多数统计模型都需要使用新收集的训练数据从头开始重建。但是不同储能系统之间的运行工况、老化程度存在差异，而重新收集数据并进一步标记和训练模型将花费大量成本。


技术实现要素：

4.针对不同工况和老化程度下锂离子储能电池的运行数据特征分布差异性较大，目标域数据按照序列方式在线获取时，数据更新需重新训练模型的问题，本发明提供一种深度在线迁移的锂离子储能电池故障诊断方法，以解决现有技术对锂离子储能故障诊断技术存在的对先验知识要求高、对数据分析效率低等不足，实现提高故障诊断效率的目的。
5.为此，本发明采用的技术方案如下：一种深度在线迁移的锂离子储能电池故障诊断方法，其包括：
6.步骤一、采集离线状态锂离子储能电池的运行数据并构建源域数据集；
7.步骤二、构建麻雀搜索算法优化的概率神经网络，即ssa-pnn模型；使用源域数据集，采用分类器训练，得到源域ssa-pnn模型，并对源域ssa-pnn模型参数进行初始化；
8.步骤三、在线获取不同工况下锂离子储能电池的运行数据，构建目标域数据集，将目标域数据集分为目标训练集和目标测试集；使用目标训练集，利用迁移学习将源域ssa-pnn模型参数迁移至目标域ssa-pnn模型的训练过程中，快速建立目标域ssa-pnn模型；
9.步骤四、目标域ssa-pnn模型中的分类器在保留已学到知识的基础上，对目标域ssa-pnn模型进行更新和修正，利用目标测试集得到不同工况下的锂离子储能电池故障诊断结果。
10.进一步地，步骤一中，根据不同锂离子储能电池运行工况下的故障类型分析，采用电流传感器、电压传感器和温度传感器进行数据采集。
11.进一步地，在ssa-pnn模型中，采用麻雀搜索算法对概率神经网络的平滑因子进行优化，把所提取的特征参数作为特征向量输入概率神经网络，建立基于改进麻雀搜索算法的故障诊断模型。
12.更进一步地，基于改进麻雀搜索算法的故障诊断模型的建立过程具体包括：
13.步骤1、采集离线状态下电池运行过程中电池电流、电压和温度三个维度的数据，将数据特征标定为正常运行、过充电、过放电和电池短路四种类型；
14.步骤2、将故障特征矩阵划分为训练集和测试集，然后进行标注；
15.步骤3、设置麻雀搜索算法中的参数，包括种群数量、最大迭代次数、平滑因子的范围；
16.步骤4、将训练集及其标签输入ssa-pnn模型进行训练，找到平滑因子的最优值，然后输入测试集及其标签进行测试。
17.再进一步地，对于所述步骤1中采集到的数据进行归一化处理；将相同量级的故障数据和正常数据打包成数据集，并对数据集内的数据进行特征标定和随机分布；
18.将标定好的故障特征矩阵划分为训练数据和测试数据，得到训练集样本和测试集样本。
19.进一步地，概率神经网络的输入层和模式层之间的连接通过一个高斯函数，求得模式层中的每个神经元和输入层中每个神经元之间的匹配程度；然后通过每类的匹配程度累加求和，再取平均，得到输入样本的所属故障类别。
20.又进一步地，所述高斯函数的表达式如下：
[0021][0022]
其中，lg表示分类类别的数量；n表示特征的个数，σ表示平滑因子参数；x
ij
(g)表示g类的第i个神经元的第j个数据，g表示分类器。
[0023]
再进一步地，根据麻雀搜索算法的迭代阶段更新捕食者选取方式，发现者位置迭代的方法为：
[0024][0025]
其中，麻雀种群表示为x，t是当前的迭代的次数，j＝1，2，3，
…
，d；iter
max
是迭代的最大次数；x
i,j
表示第i个麻雀在第j维中的位置信息；α∈(0,1]是一个随机数；r2∈[0,1]和st∈[0.5,1]分别表示预警值和安全值；q是服从正态分布的随机数；l表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1；
[0026]
加入者的位置更新描述如下：
[0027][0028]
其中，x
p
和x
worst
分别代表目前发现这所占据的最优位置和全局最差位置；a表示一
个1
×
d的矩阵，其中每个元素随即赋值为1或者-1，并且a
+
＝a
t
(aa
t
)-1
；当时，这表明第i个加入者没有获得食物，处于分解的状态，此时需要飞往其他地方觅食，以获得更多能量。
[0029]
又进一步地，采用训练集分类错误率与测试集分类错误率之和作为适应度值。
[0030]
又进一步地，麻雀数量为n的种群x：
[0031][0032]
其中，d表示待优化问题变量的维数，n则是麻雀的数量。
[0033]
本发明具有的有益效果在于：
[0034]
本发明提供的在线迁移的ssa-pnn模型的锂离子储能电池故障诊断方法，该方法只需对在线新增数据进行处理，更新现有模型，从而避免重新训练整个模型，极大地减少了模型训练时间和计算量。
[0035]
本发明可以有效地自适应选择pnn模型中的平滑因子，从而达到良好的分类效果。
[0036]
本发明经过大量实验和对比研究，验证了其有效性和准确性。
附图说明
[0037]
图1为本发明深度在线迁移的锂离子储能电池故障诊断方法的流程图；
[0038]
图2为本发明建立ssa-pnn模型的流程图；
[0039]
图3为本发明的故障诊断结果图。
具体实施方式
[0040]
在锂离子储能电池运行过程中难免出现电池故障，主要分为过充、过放和短路故障。由于故障产生的危害能影响电池的电压、电流和温度，本发明利用电池运行过程中的电压、电流和温度的相关信息，有效地诊断出电池故障类型。
[0041]
概率神经网络是一种可用于模式分类的神经网络，是径向基网络的一个分支，属于前馈神经网络的一种，其本质是一种基于贝叶斯最小风险准则的有监督网络分类器。它具有学习过程简单、训练速度快、分类更准确、容错性好等特点。针对锂离子储能电池故障，使用ssa-pnn模型进行诊断的方法，如图1所示，包括：
[0042]
s1：收集电池离线运行数据。根据故障类型分析，采用相应传感器进行数据采集，在原始数据采集完成后，进行数据的去噪声、归一化等预处理操作，作为源域数据集。
[0043]
s2：构建源域ssa-pnn模型。根据所收集的源域数据，分析获取样本数据特征，根据研究对象特征，构建相应的源域ssa-pnn模型，并对模型参数进行初始化。
[0044]
s3：训练模型。使用归一化后的源域数据，进行源域ssa-pnn模型训练，并通过训练数据的回代，初步查看网络的分类效果。
[0045]
s4：网络效果测试。使用预先确定的故障特征值进行源域ssa-pnn模型的效果测试，并根据测试的结果是否达到预期要求进行相应调整，直至达到预期结果为止，然后保存模型参数。
[0046]
s5：在线获取不同工况下锂离子储能电池运行数据，重复s1操作，作为目标域数据
集。
[0047]
s6：保留现有故障类型知识的基础上，对新增故障类型进行学习，更新目标域模型，随着目标域模型学习到的故障类型知识越来越全面，最终得到具有较高准确率的故障诊断模型，实现不同工况下的锂离子储能电池故障诊断。
[0048]
在ssa-pnn模型中，采用麻雀搜索算法对概率神经网络的平滑因子进行优化，把所提取的特征参数作为特征向量输入概率神经网络，建立基于改进麻雀搜索算法的故障诊断模型。
[0049]
基于改进麻雀搜索算法的故障诊断模型的建立过程，如图2所示，具体包括：
[0050]
步骤1、采集离线状态下电池运行过程中电池电流、电压和温度三个维度的数据，将数据特征标定为正常运行、过充电、过放电和电池短路四种类型；
[0051]
步骤2、将故障特征矩阵划分为训练集和测试集，然后进行标注；
[0052]
步骤3、设置麻雀搜索算法中的参数，包括种群数量、最大迭代次数、平滑因子的范围；
[0053]
步骤4、将训练集及其标签输入ssa-pnn模型进行训练，找到平滑因子的最优值，然后输入测试集及其标签进行测试。
[0054]
对于所述步骤1中采集到的数据进行归一化处理；将相同量级的故障数据和正常数据打包成数据集，并对数据集内的数据进行特征标定和随机分布；
[0055]
将标定好的故障特征矩阵划分为训练数据和测试数据，得到训练集样本和测试集样本。
[0056]
概率神经网络的输入层和模式层之间的连接通过一个高斯函数，求得模式层中的每个神经元和输入层中每个神经元之间的匹配程度；然后通过每类的匹配程度累加求和，再取平均，得到输入样本的所属故障类别。
[0057]
所述高斯函数的表达式如下：
[0058][0059]
其中，lg表示分类类别的数量；n表示特征的个数，σ表示平滑因子参数；x
ij
(g)表示g类的第i个神经元的第j个数据。
[0060]
麻雀搜索算法模拟麻雀种群的觅食行为，在该算法中，需要使用虚拟麻雀进行食物的寻找，麻雀种群分为发现者和参与者。麻雀数量为n的种群x用下式表示：
[0061][0062]
其中，d表示待优化问题变量的维数，n则是麻雀的数量。那么，所有麻雀的适应度值的表达式如下：
[0063]
[0064]
其中，f代表适应度值。
[0065]
在麻雀搜索算法中，适应度较好的捕食者会在搜捕过程中有限获取食物。此外，因为发现者需要为整个麻雀种群提供搜捕方向，所以发现者可以获得比加入者更大的搜捕范围。
[0066]
发现者位置的迭代公式如下：
[0067][0068]
其中，t是当前的迭代的次数，j＝1，2，3，
…
，d。iter
max
是迭代的最大次数。x
i,j
表示第i个麻雀在第j维中的位置信息。α∈(0,1]是一个随机数。r2(r2∈[0,1])和st(st∈[0.5,1])分别表示预警值和安全值。q是服从正态分布的随机数。l表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1。
[0069]
当r2《st时，这意味着此时的觅食环境周围没有捕食者，发现者可以执行广泛的搜索操作。如果r2≥st，这表示种群中的一些麻雀已经发现了捕食者，并向种群中其它麻雀发出了警报，此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
[0070]
在觅食过程中，一些加入者会时刻监视着发现者。一旦它们察觉到发现者已经找到了更好的食物，它们会立即离开现在的位置去争夺食物。如果它们赢了，它们可以立即获得该发现者的食物，否则需要继续飞往其他的地方觅食，以获得更多的能量。加入者的位置更新描述如下：
[0071][0072]
其中，x
p
和x
worst
分别代表目前发现这所占据的最优位置和全局最差位置。a表示一个1
×
d的矩阵，其中每个元素随即赋值为1或者-1，并且a
+
＝a
t
(aa
t
)-1
。当时，这表明适应度较低的第i个加入者没有获得食物，处于是分解的状态，此时需要飞往其他地方觅食，以获得更多能量。
[0073]
本发明采用训练集分类错误率与测试集分类错误率之和作为适应度值。
[0074]
本发明选择容量为280ah的磷酸铁锂电池故障数据进行应用分析，数据供1000条，选取900条作为训练数据，剩下100条作为测试数据。1000组储能电池数据包括正常数据、过充电数据、过放电数据和外短路数据。详细的数据分布如下表：
[0075]
训练数据，测试数据分布：
[0076]
样本正常过充过放外短路样本数量250250250250故障类型1234
[0077]
采用本发明所述方法的诊断结果见图3。
[0078]
本发明所采用的锂离子储能电池故障诊断方法的准确率高于现有的其他方法，能够更准确的识别出锂离子电池故障情况，对电池管理系统的故障诊断工作具有积极意义，
有利于锂离子电池乃至整个储能系统的稳定运行。
[0079]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

技术特征：
1.一种深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，包括：步骤一、采集离线状态锂离子储能电池的运行数据并构建源域数据集；步骤二、构建麻雀搜索算法优化的概率神经网络，即ssa-pnn模型；使用源域数据集，采用分类器训练，得到源域ssa-pnn模型，并对源域ssa-pnn模型参数进行初始化；步骤三、在线获取不同工况下锂离子储能电池的运行数据，构建目标域数据集，将目标域数据集分为目标训练集和目标测试集；使用目标训练集，利用迁移学习将源域ssa-pnn模型参数迁移至目标域ssa-pnn模型的训练过程中，快速建立目标域ssa-pnn模型；步骤四、目标域ssa-pnn模型中的分类器在保留已学到知识的基础上，对目标域ssa-pnn模型进行更新和修正，利用目标测试集得到不同工况下的锂离子储能电池故障诊断结果。2.根据权利要求1所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，步骤一中，根据不同锂离子储能电池运行工况下的故障类型分析，采用电流传感器、电压传感器和温度传感器进行数据采集。3.根据权利要求1所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，在ssa-pnn模型中，采用麻雀搜索算法对概率神经网络的平滑因子进行优化，把所提取的特征参数作为特征向量输入概率神经网络，建立基于改进麻雀搜索算法的故障诊断模型。4.根据权利要求3所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，基于改进麻雀搜索算法的故障诊断模型的建立过程具体包括：步骤1、采集离线状态下电池运行过程中电池电流、电压和温度三个维度的数据，将数据特征标定为正常运行、过充电、过放电和电池短路四种类型；步骤2、将故障特征矩阵划分为训练集和测试集，然后进行标注；步骤3、设置麻雀搜索算法中的参数，包括种群数量、最大迭代次数、平滑因子的范围；步骤4、将训练集及其标签输入ssa-pnn模型进行训练，找到平滑因子的最优值，然后输入测试集及其标签进行测试。5.根据权利要求4所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，对于所述步骤1中采集到的数据进行归一化处理；将相同量级的故障数据和正常数据打包成数据集，并对数据集内的数据进行特征标定和随机分布；将标定好的故障特征矩阵划分为训练数据和测试数据，得到训练集样本和测试集样本。6.根据权利要求4所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，概率神经网络的输入层和模式层之间的连接通过一个高斯函数，求得模式层中的每个神经元和输入层中每个神经元之间的匹配程度；然后通过每类的匹配程度累加求和，再取平均，得到输入样本的所属故障类别。7.根据权利要求6所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，所述高斯函数的表达式如下：其中，l
g
表示g类的数量；n表示特征的个数，σ表示平滑因子参数；x
ij
(g)表示g类的第i
个神经元的第j个数据，g表示分类器。8.根据权利要求4所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，根据麻雀搜索算法的迭代阶段更新捕食者选取方式，发现者位置迭代的方法为：其中，麻雀种群表示为x，t是当前的迭代的次数，j＝1，2，3，
…
，d；iter
max
是迭代的最大次数；x
i,j
表示第i个麻雀在第j维中的位置信息；α∈(0,1]是一个随机数；r2∈[0,1和st∈[0.5,1]分别表示预警值和安全值；q是服从正态分布的随机数；l表示一个1
×
d的矩阵，其中该矩阵内每个元素全部为1；加入者的位置更新描述如下：其中，x
p
和x
worst
分别代表目前发现这所占据的最优位置和全局最差位置；a表示一个1
×
d的矩阵，其中每个元素随即赋值为1或者-1，并且a
+
＝a
t
(aa
t
)-1
；当时，这表明第i个加入者没有获得食物，处于分解的状态，此时需要飞往其他地方觅食，以获得更多能量。9.根据权利要求8所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，采用训练集分类错误率与测试集分类错误率之和作为适应度值。10.根据权利要求8所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，麻雀数量为n的种群x：其中，d表示待优化问题变量的维数，n则是麻雀的数量。

技术总结
本发明公开了一种深度在线迁移的锂离子储能电池故障诊断方法。本发明的方法包括：采集离线状态电池不同工况下锂离子储能电池的运行数据特征并构建源域数据集；使用源域数据，训练得到源域SSA-PNN模型，并对源域SSA-PNN模型参数进行初始化；利用迁移学习将源域SSA-PNN模型参数迁移至目标域SSA-PNN模型训练过程中，快速建立目标域SSA-PNN模型；目标域SSA-PNN模型中的分类器在保留已学到知识的基础上，对目标域SSA-PNN模型进行更新和修正，利用目标测试集得到不同工况下的锂离子储能电池故障诊断结果。本发明提高了现有锂离子储能电池故障诊断方法的准确率和响应效率，解决了不同工况和老化程度下锂离子储能电池的运行数据特征分布差异性较大，模型通用性较差的问题。题。题。


技术研发人员：张雪松 林达 杨帆 赵波 钱平 戴哲仁 章雷其 刘敏 张彦昌 李春春 陈凌宇 陈哲 葛晓慧 许君杰
受保护的技术使用者：国网浙江省电力有限公司电力科学研究院
技术研发日：2023.05.17
技术公布日：2023/8/13