[发明专利]基于多分类支持向量机算法的车用锂电池故障诊断方法

说明书

基于多分类支持向量机算法的车用锂电池故障诊断方法属于车用锂电池故障诊断领域；本申请为了解决现有车用锂电池故障诊断技术对训练数据量要求高，导致难以实现实时在线故障检测的问题；本发明的方法包括将电池样本分组实验，将采集数据分选形成训练集和测试集；规定电池故障标准；采用交叉验证和网络搜索方法参数优化；构造核函数支持向量机；构建偏二叉树五分类支持向量机，得到能够识别锂电池不同状态的车用锂电池故障诊断模型；本发明能够快速、准确地完成对车用锂电池的故障诊断。

技术领域

基于多分类支持向量机算法的车用锂电池故障诊断方法属于车用锂电池故障诊断领域。

背景技术

锂电池放电功率高，寿命长，无污染且制备工艺成熟，被广泛应用于电动汽车、移动电源、工厂供电等方面。由于电池工作环境复杂，常会出现过压、过流、过温等异常现象，严重时会损坏电池；并且单体电池参数存在的差异性也会影响电池系统整体的安全运行。因此为了保证锂电池的使用安全，对其进行故障诊断成为一项重要的工作。

在电池的故障诊断方法中，基于电池模型的故障诊断是常用的一种，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。常用的电池模型有电化学模型，如Peukert方程模型、Shepherd模型、Unnewehr模型等；以及等效电路模型，如Rint模型、阻容模型、GNL模型等。利用电池模型，文献“Module design and fault diagnosis in electric vehiclebatteries”提出了一种通过电池内阻增长率来判断故障的诊断方法，通过脉冲电流实验，得到电池的内阻增长率，分析电化学阻抗谱进而判断是否出现故障；文献“Lithium ionbattery pack power fade fault identification based on Shannon entropy inelectric vehicles”提出一种通过能量损耗来判断故障的诊断方法，该方法引入了香农熵的概念来辨别内阻的增加，能量损耗可以通过辅助观察窗口得到，从而实现故障诊断；文献“Quick testing of batteries in lithium-ion battery packs with impedance-measuring technology”通过传统的频率响应来测量电池内阻以实现故障诊断。上述电池故障诊断方法能够直接反映电池工作特性，简单直观，但精度较低，且需要单独实验测试才能确定，属于离线的故障诊断方法，一般用于电池维护和检修。

针对复杂的汽车工况，想要建立能够准确描述电池运行状态的电池模型十分困难，利用人工智能的方法进行建模是一种可行的方法。在“基于RBF神经网络的动力电池故障诊断系统研究”和“基于BP神经网络算法的电池组故障诊断研究”提出将RBF神经网络以及BP神经网络应用到动力电池故障诊断当中，但是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，而采集电池在极端工作情况下的数据比较困难，样本数据密度难以满足对神经网络训练的要求；在“模糊神经网络专家系统在动力锂电池组故障诊断中的应用”中，将专家系统和模糊神经网络结合以实现对锂电池的故障诊断，但基于专家系统的故障诊断方法非常依赖于专家领域知识，而知识获取与更新是专家系统研发中的难题，尤其是对于锂电池这样的非线性时变系统来说更为困难，从而导致故障诊断的效果不理想。

发明内容

为了解决上述问题，本发明公开了基于多分类支持向量机算法的车用锂电池故障诊断方法，以解决车用锂电池故障模式复杂及故障状态下数据获取困难对故障诊断结果产生影响的问题，能够快速、准确地完成对车用锂电池的故障诊断。

本发明的目的通过如下方案实现：

基于多分类支持向量机算法的车用锂电池故障诊断方法，包括以下步骤：

步骤一、将电池样本分成三组，第一组进行电池循环充放电试验，第二组进行过充试验，第三组进行过放试验，采集样本的电流、电压、放电容量以及温度数据，并对数据进行处理，在处理后的数据中分选形成训练集和测试集；