【技术实现步骤摘要】
基于IMF能量矩和遗传算法优化SVM的储能电池过充诊断方法
本专利技术涉及一种基于IMF能量矩和遗传算法优化SVM的储能电池过充诊断方法,属于储能电池故障监测领域。
技术介绍
在智能电网建设背景下,储能电池已经成为保证电网安全、稳定、高效运行的关键性技术,在削峰填谷、平抑波动、提升供电质量方面发挥着重要作用。当前锂电池已经在电网储能系统中得到了广泛应用,但是储能电池在运行过程中存在安全问题,尤其在大规模储能领域,常需要通过串并联将大量单体组成电池组、电池包,极大地增加了系统的复杂程度,增加了运行的安全隐患。鉴于过充电是引起电池单体内部温升进而引发爆炸的重要原因,因此,有必要对电池过充状态进行诊断识别。目前常用的故障诊断手法主要有建立电池模型诊断电池状态,这种方法通过建立电池模型,寻找电池各项参数的数学关系来表现电池内部的化学反应,以各项参数是否超过预先设定阈值作为判断故障的依据,但这种方法对于电池模型的精度、可靠性要求非常高,且需要单独实验测试才能确定。另一种常用方法是采集电池的电压、电流、温度数据,利用神经网络进行建模,但想要使神经网络具有良好的故障诊断能力,需要获取大量的典型数据对其进行训练,对样本数据密度以及质量要求高。同时,电压、电流、温度与电池内部故障并没有严格对应关系,因此需要研究更能直接反映电池故障的特征量。
技术实现思路
本专利技术的目的是克服现有技术中的不足,提供了一种基于IMF能量矩和遗传算法优化SVM的储能电池过充诊断方法,提取振动信号数据进行分析,能够精准识别储能电 ...
【技术保护点】
1.一种基于IMF能量矩和遗传算法优化SVM的储能电池过充诊断方法,其特征在于,包括以下步骤:/nS1:利用传感器采集储能电池在正常充电和过充状态下的壳体表面振动信号;/nS2:对收集得到的信号进行小波降噪处理;/nS3:对处理后的信号进行经验模态分解,提取各本征模函数的能量矩作为特征指标并进行归一化处理,构成数据集;/nS4:利用数据集训练遗传算法优化支持向量机模型,确定模型的最优参数;/nS5:提取待诊断的信号的特征向量,利用上述模型诊断储能电池是否过充。/n
【技术特征摘要】
1.一种基于IMF能量矩和遗传算法优化SVM的储能电池过充诊断方法,其特征在于,包括以下步骤:
S1:利用传感器采集储能电池在正常充电和过充状态下的壳体表面振动信号;
S2:对收集得到的信号进行小波降噪处理;
S3:对处理后的信号进行经验模态分解,提取各本征模函数的能量矩作为特征指标并进行归一化处理,构成数据集;
S4:利用数据集训练遗传算法优化支持向量机模型,确定模型的最优参数;
S5:提取待诊断的信号的特征向量,利用上述模型诊断储能电池是否过充。
2.根据权利要求1所述的一种基于IMF能量矩和遗传算法优化SVM的储能电池过充诊断方法,其特征在于:在步骤S1中,振动信号利用加速度传感器进行采集,加速度传感器粘附于静止的储能电池壳体表面中央。
3.根据权利要求1所述的一种基于IMF能量矩和遗传算法优化SVM的储能电池过充诊断方法,其特征在于:在步骤S1中,通过改变储能电池充电截止电压实现储能电池处于正常充电和过充两种不同状态。
4.根据权利要求1所述的一种基于IMF能量矩和遗传...
【专利技术属性】
技术研发人员:吴元熙,劳文洁,郑茜匀,王彬,马宏忠,韦玉蕾,
申请(专利权)人:河海大学,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。