[发明专利]一种电池故障诊断方法

说明书

本发明公开一种电池故障诊断方法，包括：在训练阶段，利用NMF算法计算离线第一控制限、第二控制限；在线检测阶段，计算每个样本的在线第一检测指标值、在线第二检测指标值；将在线第一检测指标值、在线第二检测指标值分别与第一控制限、第二控制限进行比较；若在线第一检测指标值、在线第二检测指标值未超出第一控制限、第二控制限范围，则利用遗忘因子去动态更新离线训练数据；若在线第一检测指标值、在线第二检测指标值超出第一控制限、第二控制限范围，则诊断电池出现故障。采用NMF算法极大地提高了适用范围和检测精度；利用遗忘因子和实时收集的数据，对训练数据进行动态更新，明显提高了对激励和噪声的鲁棒性。

技术领域

本发明涉及故障检测技术领域，特别涉及一种电池故障诊断方法。

背景技术

在环境污染和能源危机的双重压力下，电动汽车已成为未来的发展趋势和竞争的焦点。电池系统作为其核心部件，在很大程度上直接影响到电动汽车的综合性能。锂离子电池以其高功率密度、高能量密度、低自放电率等优异性能成为目前电动汽车电源的首选。然而，随着近年来锂电池系统在极端工况和恶劣环境下失效导致电动汽车火灾事故的不断发生，其安全性能受到越来越多的关注。

传统基于数据的电池系统故障诊断主要是使用神经网络方法和多变量统计方法。其中，基于神经网络的方法特别依赖于用于训练的输入数据，需要训练数据涵盖整个电池寿命区间。然而由于电池本身的老化、温度和充电状态的变化，使得全寿命电池训练数据的生成极其困难。其次相较于其他基于数据的方法，基于神经网络的方法需要强大的计算力。但是BMS(Battery Management System)计算力有限且非常昂贵，使得该类方法不易于实际应用。基于多变量统计的方法像PCA(Principal Component Analysis)、ICA(IndependentComponent Analysis)等对输入数据有不同程度的要求。其中，PCA要求输入数据服从高斯分布；ICA要求数据服从非高斯分布；然而实际数据可能既有高斯分布又有非高斯分布。

除此之外，传统的电池系统故障诊断方法对激励和噪声的鲁棒性不强。

发明内容

传统的电池诊断方法对计算能力要求较高，对输入数据要求严苛，并且对激励和噪声的鲁棒性不强。

针对上述问题，提出一种电池故障诊断方法，通过使用ORSS(Outlier RobustSample Studentization)算法对离线电压数据和在线电压进行预处理，突出了变量之间关系的差异和变化；根据NMF算法仅对数据非负性要求以及能够保存数据内部结构的优势，采用NMF算法极大地提高了该方法的适用范围和故障检测精度；利用遗忘因子和实时收集的数据，对训练数据进行动态更新，明显提高了该方法的对激励和噪声的鲁棒性。

一种电池故障诊断方法，包括：

步骤100、在训练阶段，利用NMF算法计算离线第一检测指标、离线第二检测指标对应的第一控制限、第二控制限；

步骤200、在线检测阶段，计算k时刻每个样本的在线第一检测指标值、在线第二检测指标值；

步骤300、将所述在线第一检测指标值、在线第二检测指标值分别与所述第一控制限、第二控制限进行比较；

步骤400、若所述在线第一检测指标值、在线第二检测指标值未超出所述第一控制限、第二控制限范围，则利用遗忘因子去动态更新离线训练数据，重复步骤100-步骤400；

步骤500、若所述在线第一检测指标值、在线第二检测指标值超出所述第一控制限、第二控制限范围，则诊断电池出现故障，故障诊断结束。

结合本发明所述的电池故障诊断方法，第一种可能的实施方式中，所述步骤100包括：

步骤110、利用分布式传感器获取无故障阶段电池系统中单体电池的离线电压数据；