System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于锂离子电池故障诊断,尤其涉及一种基于统计分析的锂离子电池组多传感器故障诊断方法。
技术介绍
1、锂离子电池具有高功率密度和长循环寿命等优点,已被广泛应用于电动汽车和电网储能等领域。然而,以热失控为特征的锂离子电池安全事故时有发生,引起了公众对锂离子电池安全性的担忧。因此,在实际运行中,锂离子电池组需要配备一个高效的电池管理系统(battery management system,简称bms),用于状态监测、热管理、均衡管理、故障诊断和预测,以确保其安全高效运行。精确高效的bms高度依赖于来自电压、电流和温度传感器的精确数据采集。在实际应用中,受固有缺陷、老化和恶劣工作环境的影响,传感器会出现测量值的偏置、增益、漂移和精度下降等故障。传感器故障最直接的影响是bms无法获得电池的准确工作状态,继而发出错误的控制指令,加速电池系统的退化。因此,有效的传感器故障诊断方法对提高电池运行安全性具有重要意义。
2、现有用于锂离子电池组的传感器故障诊断方法都属于基于模型的方法,利用等效电路模型或电热耦合模型估计电池的状态,将估计值和传感器的实际测量值作差生成残差,残差超过预设阈值则表示传感器发生故障。尽管现有诊断方法可以实现传感器故障的检测,但是还面临下述局限性:
3、(1)准确的阈值难以确定。在基于模型的传感器故障诊断方法中,阈值的选择直接影响着故障检测的准确性和可靠性。过高的阈值可能导致漏报,而过低的阈值可能导致误报。准确的诊断阈值往往需要大量的离线测试才能确定,这往往非常耗时且成本高昂,不利于诊断方法
4、(2)不适用于多个传感器同时发生故障的场景。现有方法实现传感器故障检测和隔离的前提是同一时刻仅有一个传感器发生故障。然而这是一个非常严格的假设。实际应用中的电池组中有大量的传感器,多个传感器同时发生故障的可能性不容忽略。当多个传感器同时发生故障时,现有方法容易出现误诊,难以准确隔离不同类型传感器的故障。
5、因此,亟需一种基于统计分析的锂离子电池组多传感器故障诊断方法,以解决现有技术中的不足之处。
技术实现思路
1、本专利技术的目的在于提出一种基于统计分析的锂离子电池组多传感器故障诊断方法,该方法在无需建立电池模型和设置诊断阈值的前提下,可以检测锂离子电池组多个传感器故障的同时并隔离不同类型的故障传感器。
2、为实现上述目的,本专利技术提供了一种基于统计分析的锂离子电池组多传感器故障诊断方法,具体包括以下步骤:
3、获取目标传感器;
4、对所述目标传感器的输出进行特征提取,获取统计特征;
5、对所述统计特征进行基于主成分分析的特征映射,获取目标特征空间;
6、基于α-hull算法对所述目标特征空间进行检测,获取故障样本,完成基于统计分析的锂离子电池组多传感器故障诊断。
7、可选的,所述目标传感器包括电流传感器、电压传感器和温度传感器。
8、可选的,所述统计特征包括均值、方差、中值、最小值、最大值、峰值距离、数据对称度的测量、数据平坦度的测量、数据平坦度的测量、一阶自相关系数、谱熵、方差波动、均值波动、趋势性强度和季节性强度。
9、可选的,对所述统计特征进行基于主成分分析的特征映射,获取所述目标特征空间包括:
10、获取所述统计特征的数据矩阵,并计算所述数据矩阵的协方差矩阵;
11、通过所述协方差矩阵,获取所述协方差矩阵的特征值,并获取所述特征值对应的特征向量,所述特征值对应的特征向量为负载矩阵;
12、通过所述负载矩阵将所述数据矩阵进行分解,获取得分矩阵;
13、基于所述得分矩阵选取目标主成分,获取所述目标特征空间。
14、可选的,计算所述数据矩阵的协方差矩阵为:
15、
16、其中,r为数据矩阵v的协方差矩阵,n为样本数量,m为特征维数,为高位特征空间。
17、可选的,通过所述协方差矩阵,获取所述协方差矩阵的特征值为:
18、|r-λim|=0
19、其中,λ为协方差矩阵的特征值,im为m维的单位阵。
20、可选的,通过所述负载矩阵将所述数据矩阵进行分解,获取所述得分矩阵为:
21、
22、其中,v为数据矩阵,s∈rnc×q为得分矩阵,s的每一个列向量si=vpi,pi表示第i主成分,表示残差,q表示主成分数目并满足q<m,p为负载矩阵。
23、可选的,基于α-hull算法对所述目标特征空间进行检测,获取所述故障样本包括:
24、利用所述α-hull算法对所述目标特征空间进行检测,获取所述目标特征空间的样本边界,获取样本集合;
25、通过所述样本集合,获取离散群,所述离散群为所述故障样本。
26、可选的,所述α-hull算法为:
27、
28、其中,cα(a)表示集合a的α-hull,表示一个以x为中心、以α为半径的开球,c表示集合的补集。
29、本专利技术具有以下有益效果:
30、本专利技术适用于多个传感器同时发生故障的场景,无需建立电池模型和设置诊断阈值即可实现传感器故障的准确检测,避免了阈值难以确定的挑战,同时还可以轻松隔离同时发生故障的电流、电压和温度传感器;本专利技术在无需建立电池模型和设置诊断阈值的前提下,可以检测锂离子电池组多个传感器的同时故障并隔离不同类型的故障传感器的方法。
本文档来自技高网...【技术保护点】
1.一种基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,具体包括以下步骤:
2.如权利要求1所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,所述目标传感器包括电流传感器、电压传感器和温度传感器。
3.如权利要求1所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,所述统计特征包括均值、方差、中值、最小值、最大值、峰值距离、数据对称度的测量、数据平坦度的测量、数据平坦度的测量、一阶自相关系数、谱熵、方差波动、均值波动、趋势性强度和季节性强度。
4.如权利要求1所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,对所述统计特征进行基于主成分分析的特征映射,获取所述目标特征空间包括:
5.如权利要求4所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,计算所述数据矩阵的协方差矩阵为:
6.如权利要求5所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,通过所述协方差矩阵,获取所述协方差矩阵的特征值为:
7.如权利要求6所述的基于统
8.如权利要求1所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,基于α-Hull算法对所述目标特征空间进行检测,获取所述故障样本包括:
9.如权利要求8所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,所述α-Hull算法为:
...【技术特征摘要】
1.一种基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,具体包括以下步骤:
2.如权利要求1所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,所述目标传感器包括电流传感器、电压传感器和温度传感器。
3.如权利要求1所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,所述统计特征包括均值、方差、中值、最小值、最大值、峰值距离、数据对称度的测量、数据平坦度的测量、数据平坦度的测量、一阶自相关系数、谱熵、方差波动、均值波动、趋势性强度和季节性强度。
4.如权利要求1所述的基于统计分析的锂离子电池组多传感器故障诊断方法,其特征在于,对所述统计特征进行基于主成分分析的特征映射,获取所述目标特征空间包括:
5.如...
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。