基于纵横交叉优化模糊BP神经网络的电池故障诊断方法技术

本发明专利技术提供的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，首先对样本进行模糊化，对故障诊断中对不精确或不确定等模糊信息进行处理，是神经网络的训练样本更精确；接着利用纵横交叉算法对神经网络的各项权值和阈值进行优化，使神经网络收敛速度加快，并且不会陷入局部最优，将模糊理论与纵横交叉对神经网络的优化相结合，使得对电池故障的诊断更加精确。本发明专利技术提供的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，适用于锂电池、铅酸电池以及其他燃料电池等常用的一系列电池，不管是静置还是使用状态，都能对电池进行实时的故障诊断，相比于现有的其他电池故障诊断方法，该方法的精度更高，误差更小。

【技术实现步骤摘要】
基于纵横交叉优化模糊BP神经网络的电池故障诊断方法
本专利技术涉及电源
，更具体的，涉及一种基于纵横交叉优化模糊BP神经网络的电池故障诊断方法。
技术介绍
随着社会经济的快速发展，人们对交通工具的依赖性越来越强，而作为主要代步工具的汽车数量正逐年增加，但是这些便捷的交通工具在给人们的日常生活带来了方便的同时，也使得很多环境污染等问题日益突出。为了解决全球能源危机以及严重的环境污染问题，人们大力研究发展电动汽车，电动汽车以其节能环保的优点而受到人们的重视，并且从环境保护、能源短缺、经济和技术的角度出发，电动汽车是未来绿色汽车发展的主流。近些年来，全球掀起了电动汽车的狂潮，电动汽车的数量急速上涨。如特斯拉早前就研究并量产了电动汽车，随后国内的吉利、比亚迪等汽车品牌也相继推出电动汽车，现在很多大型企业也都在进行电动汽车的研究制造。锂离子电池是电动汽车重要的动力源，锂离子电池的好坏会直接影响到电动汽车的发展和研究。但是现在汽车上的电池在使用过程中依然会产生一系列的问题，其中比较棘手的是锂离子电池经常出现过充、过放、短路、过热，并且电池的充放电特性受环境的影响较大。这些情况不仅会造成车辆使用成本的增加，还会直接损害电池本身的寿命，严重的甚至还会造成车辆停驶、损坏甚至烧毁爆炸等极端的危险情况，因此对电池故障诊断的研究至关重要。目前对于电池故障诊断的研究比较多，现有的电池故障诊断方法也比较繁多。现有的电池故障诊断方法有：电池SOH以及SOC模型估算法、基于物联网的远程故障诊断法、基于专家系统的故障诊断法、基于模糊理论的专家系统诊断法、基于经典神经网络的诊断法、基于模糊理论的神经网络诊断法等，其中神经网络法相比于其他方法更具有优势。这一方法是将电池出现的故障症状作为神经网络的输入层，将电池的故障原因作为神经网络的输出层，从而对电池出现的故障进行诊断。这种方法不受电池状态的限制，在电池运行状态时也可以对其进行精确地故障诊断，而且它对电池模型的要求不是很苛刻，也就是说它不依赖于电池的模型构造。但是传统的神经网络法以及基于模糊理论的神经网络法，在其算法运行过程中容易陷入局部最优，这样就导致估算不精确，误差较大。也有一些神经网络方法中采用了优化算法，但是估算精度依然不是很高，存在一定的误差。
技术实现思路
本专利技术为克服现有电池故障诊断方法算法运行过程中，存在容易陷入局部最优，导致估算不精确的技术缺陷，提供一种基于纵横交叉优化模糊BP神经网络的电池故障诊断方法。为解决上述技术问题，本专利技术的技术方案如下：基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，包括以下步骤：S1：获取样本数据，对样本数据进行预处理；S2：根据预处理后的样本数据，人为地进行电池常见故障分析，得到各电池故障症状；S3：将各电池故障症状作为输入量，进行模糊化处理，得到模糊BP神经网络的训练样本；S4：根据各电池故障症状构建BP神经网络模型，并初始化模型算法参数；S5：计算BP神经网络的输出值以及各层之间的连接权值与各项阈值；S6：根据当前的权值与阈值进行计算，比较确定当前最优位置；S7：利用纵横交叉算法对BP神经网络的权值和阈值进行优化，得到优化后的参数；S8：将优化后的参数作为BP神经网络的初始权值和阈值，并将初始权值和阈值代入BP神经网络算法中进行训练，若BP神经网络的输出误差满足预定的误差精度，则执行步骤S9；否则，执行步骤S6，重新进行优化迭代；S9：停止迭代，得到经纵横交叉算法优化后的模糊BP神经网络，将步骤S3中得到的训练样本导入优化后的BP神经网络中，输出网络预测结果；S10：通过网络预测结合进行反模糊化，得到电池故障的诊断结果。其中，所述步骤S1具体为：S101：通过电池管理系统BMS对电池进行实时监控，获取电池各类参数的实时数据，通过GPRS传递到Internet网络，从而得到样本数据；S102：根据预处理公式对实验数据进行预处理，具体为：式中，X表示初始样本数据；Xmax表示样本数据中的最大值；Xmin表示样本数据中的最小值；X'表示预处理后所得到的样本数据。其中，所述步骤S2具体为：以标称电压为3.2V的电池为例，电池常见的故障包括：电池放电电压低，为3.0～4.0V时，记为X1；放电电压下降幅度大，为3.0～4.2V时，记为X2、充电电压高，为4.2～5.2V时，记为X3、充电电压上升幅度大，为3.7～4.2V时，记为X4、充电电压低，为4.2-5.0V时，记为X5、电压低于平均电压，为3.0-3.7时，记为X6、充电电压上升幅度小，为4.0-4.2V时，记为X7、充放电时电池温度高，高于60℃，记为X8、静置时电压下降幅度大，为3.0-3.6V，记为X9；电池产生故障的原因包括：电池容量变小Y1、电池内阻过大Y2、电池充电不足Y3、电池自放电过大Y4、电池已损坏Y5、电池接线连接异常Y6；所述的故障与故障原因分析关系为：当充电时电压过高、上升幅度大，放电时电压过低、下降幅度大时，则故障原因是电池的容量变小；当电池充电时电压过高，或放电时电压过低，则故障原因是电池内阻过大；当电池放电，电压过低、下降幅度大时，或充电时电压过低，则故障原因是锂电池充电不足；当电池放电时电压幅度过大，电压远低于平均电压，则故障原因是锂电池损坏；当电池充电时电压上升幅度小，或放电时电压下降幅度大，静置时电压下降幅度大，则故障原因是锂电池自放电过大；当电池充电时，电压过高，或在充放电时，电池温度过高，则故障原因是锂电池接线连接异常。其中，所述步骤S3具体为：将电池各故障症状作为输入量，故障症状的隶属度分布为：对故障原因进行模糊化，故障的程度划分为：故障未发生、不大可能发生、不确定是否发生、可能发生、故障发生，上述的划分对应的隶属度为：0-0.2、0.2-0.4、0.4-0.6、0.6-0.8、0.8-1.0，从而得到模糊BP神经网络的训练样本。其中，所述步骤S4具体为：S401：选取电池的故障症状X1～X9作为神经网络的输入层，故障原因Y1～Y6作为神经网络的输出层，从而构建BP神经网络模型；S402：输入包括但不限于BP神经网络模型的拓扑结构、最小允许误差等参数；其中所述拓扑结构包括输入层数目、隐含层数目以及输出层数目；输入包括但不限于CSO算法的种群规模，粒子维度数目、最大迭代次数、横向交叉概率和纵向交叉概率等参数，以完成BP神经网络模型的初始化。其中，所述步骤S5具体为：S501：选取第k个输入样本x(k)以及对应的期望输出d0(k)，其中：x(k)＝[x1(k),x2(k),...,xn(k)]；d0(k)＝[d1(k),d2(k),...,dn(k)]；S502：计算隐含层各神经元的输入hih(k)与输出hoh(k)以及输出层神经元的输入yio(k)与输出yoo(k)，具体为：hoh(k)＝f(hih(k))h＝1,2,...,p；yoo(k)＝f(yio(k))o＝1,2,...,q；其中，wih为输入层与隐含层的连接权值；bh为隐含层各神经元的阈值；who为隐含层与输出层的连接权值；bo为输出层各神经元的阈值；S503：根据输出层期望输出和实际输出以及输出层输入等参数计算计算函数e对输出层各神经元的输出层偏导数，具体计算公式为：其中本文档来自技高网...

【技术保护点】
1.基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，包括以下步骤：S1：获取样本数据，对样本数据进行预处理；S2：根据预处理后的样本数据，人为地进行电池常见故障分析，得到各电池故障症状；S3：将各电池故障症状作为输入量，进行模糊化处理，得到模糊BP神经网络的训练样本；S4：根据各电池故障症状构建BP神经网络模型，并初始化模型算法参数；S5：计算BP神经网络的输出值以及各层之间的连接权值与各项阈值；S6：根据当前的权值与阈值进行计算，比较确定当前最优位置；S7：利用纵横交叉算法对BP神经网络的权值和阈值进行优化，得到优化后的参数；S8：将优化后的参数作为BP神经网络的初始权值和阈值，并将初始权值和阈值代入BP神经网络算法中进行训练，若BP神经网络的输出误差满足预定的误差精度，则执行步骤S9；否则，执行步骤S6，重新进行优化迭代；S9：停止迭代，得到经纵横交叉算法优化后的模糊BP神经网络，将步骤S3中得到的训练样本导入优化后的BP神经网络中，输出网络预测结果；S10：通过网络预测结合进行反模糊化，得到电池故障的诊断结果。

【技术特征摘要】
1.基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，包括以下步骤：S1：获取样本数据，对样本数据进行预处理；S2：根据预处理后的样本数据，人为地进行电池常见故障分析，得到各电池故障症状；S3：将各电池故障症状作为输入量，进行模糊化处理，得到模糊BP神经网络的训练样本；S4：根据各电池故障症状构建BP神经网络模型，并初始化模型算法参数；S5：计算BP神经网络的输出值以及各层之间的连接权值与各项阈值；S6：根据当前的权值与阈值进行计算，比较确定当前最优位置；S7：利用纵横交叉算法对BP神经网络的权值和阈值进行优化，得到优化后的参数；S8：将优化后的参数作为BP神经网络的初始权值和阈值，并将初始权值和阈值代入BP神经网络算法中进行训练，若BP神经网络的输出误差满足预定的误差精度，则执行步骤S9；否则，执行步骤S6，重新进行优化迭代；S9：停止迭代，得到经纵横交叉算法优化后的模糊BP神经网络，将步骤S3中得到的训练样本导入优化后的BP神经网络中，输出网络预测结果；S10：通过网络预测结合进行反模糊化，得到电池故障的诊断结果。2.根据权利要求1所述的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，所述步骤S1具体为：S101：通过电池管理系统BMS对电池进行实时监控，获取电池各类参数的实时数据，通过GPRS传递到Internet网络，从而得到样本数据；S102：根据预处理公式对实验数据进行预处理，具体为：式中，X表示初始样本数据；Xmax表示样本数据中的最大值；Xmin表示样本数据中的最小值；X'表示预处理后所得到的样本数据。3.根据权利要求2所述的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，所述步骤S2具体为：以标称电压为3.2V的电池为例，电池常见的故障包括：电池放电电压低，为3.0～4.0V时，记为X1；放电电压下降幅度大，为3.0～4.2V时，记为X2、充电电压高，为4.2～5.2V时，记为X3、充电电压上升幅度大，为3.7～4.2V时，记为X4、充电电压低，为4.2-5.0V时，记为X5、电压低于平均电压，为3.0-3.7时，记为X6、充电电压上升幅度小，为4.0-4.2V时，记为X7、充放电时电池温度高，高于60℃，记为X8、静置时电压下降幅度大，为3.0-3.6V，记为X9；电池产生故障的原因包括：电池容量变小Y1、电池内阻过大Y2、电池充电不足Y3、电池自放电过大Y4、电池已损坏Y5、电池接线连接异常Y6；所述的故障与故障原因分析关系为：当充电时电压过高、上升幅度大，放电时电压过低、下降幅度大时，则故障原因是电池的容量变小；当电池充电时电压过高，或放电时电压过低，则故障原因是电池内阻过大；当电池放电，电压过低、下降幅度大时，或充电时电压过低，则故障原因是锂电池充电不足；当电池放电时电压幅度过大，电压远低于平均电压，则故障原因是锂电池损坏；当电池充电时电压上升幅度小，或放电时电压下降幅度大，静置时电压下降幅度大，则故障原因是锂电池自放电过大；当电池充电时，电压过高，或在充放电时，电池温度过高，则故障原因是锂电池接线连接异常。4.根据权利要求3所述的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，所述步骤S3具体为：将电池各故障症状作为输入量，故障症状的隶属度分布为：对故障原因进行模糊化，故障的程度划分为：故障未发生、不大可能发生、不确定是否发生、可能发生、故障发生，上述的划分对应的隶属度为：0-0.2、0.2-0.4、0.4-0.6、0.6-0.8、0.8-1.0，从而得到模糊BP神经网络的训练样本。5.根据权利要求4所述的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，所述步骤S4具体为：S401：选取电池的故障症状X1～X9作为神经网络的输入层，故障原因Y1～Y6作为神经网络的输出层，从而构建BP神经网络模型；S402：输入包括但不限于BP神经网络模型的拓扑结构、最小允许误差等参数；其中所述拓扑结构包括输入层数目、隐含层数目以及输出层数目；输入包括但不限于CSO算法的种群规模，粒子维度数目、最大迭代次数、横向交叉概率和纵向交叉概率等参数，以完成BP神经网络模型的初始化。6.根据权利要求5所述的基于纵横交叉优化模糊BP神经网络的电池故障诊断方法，其特征在于，所述步骤S5具体为：S501：选取第k个输入样本x(k)以及对应的期望输出d0(k)，其中：x(k)＝[x1(k),x2(k),...,xn(k)]；d0(k)＝[d1(k),d2(k),...,dn(k)]；S502：计算隐含层各神经元的输入hih(k)与输出hoh(k)以及输出层神经元的输入yio(k)与输出yoo(k)，具体为：hoh(k)＝f(hih(k))h＝1,2,...,p；yoo(k)＝f(yio...

【专利技术属性】
技术研发人员：陈风，吴杰康，叶辉良，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44