[发明专利]一种深度在线迁移的锂离子储能电池故障诊断方法

权利要求书

1.一种深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，包括：

步骤一、采集离线状态锂离子储能电池的运行数据并构建源域数据集；

步骤二、构建麻雀搜索算法优化的概率神经网络，即SSA-PNN模型；使用源域数据集，采用分类器训练，得到源域SSA-PNN模型，并对源域SSA-PNN模型参数进行初始化；

步骤三、在线获取不同工况下锂离子储能电池的运行数据，构建目标域数据集，将目标域数据集分为目标训练集和目标测试集；使用目标训练集，利用迁移学习将源域SSA-PNN模型参数迁移至目标域SSA-PNN模型的训练过程中，快速建立目标域SSA-PNN模型；

步骤四、目标域SSA-PNN模型中的分类器在保留已学到知识的基础上，对目标域SSA-PNN模型进行更新和修正，利用目标测试集得到不同工况下的锂离子储能电池故障诊断结果。

2.根据权利要求1所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，步骤一中，根据不同锂离子储能电池运行工况下的故障类型分析，采用电流传感器、电压传感器和温度传感器进行数据采集。

3.根据权利要求1所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，在SSA-PNN模型中，采用麻雀搜索算法对概率神经网络的平滑因子进行优化，把所提取的特征参数作为特征向量输入概率神经网络，建立基于改进麻雀搜索算法的故障诊断模型。

4.根据权利要求3所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，基于改进麻雀搜索算法的故障诊断模型的建立过程具体包括：

步骤1、采集离线状态下电池运行过程中电池电流、电压和温度三个维度的数据，将数据特征标定为正常运行、过充电、过放电和电池短路四种类型；

步骤2、将故障特征矩阵划分为训练集和测试集，然后进行标注；

步骤3、设置麻雀搜索算法中的参数，包括种群数量、最大迭代次数、平滑因子的范围；

步骤4、将训练集及其标签输入SSA-PNN模型进行训练，找到平滑因子的最优值，然后输入测试集及其标签进行测试。

5.根据权利要求4所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，对于所述步骤1中采集到的数据进行归一化处理；将相同量级的故障数据和正常数据打包成数据集，并对数据集内的数据进行特征标定和随机分布；

将标定好的故障特征矩阵划分为训练数据和测试数据，得到训练集样本和测试集样本。

6.根据权利要求4所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，概率神经网络的输入层和模式层之间的连接通过一个高斯函数，求得模式层中的每个神经元和输入层中每个神经元之间的匹配程度；然后通过每类的匹配程度累加求和，再取平均，得到输入样本的所属故障类别。

7.根据权利要求6所述的深度在线迁移的锂离子储能电池故障诊断方法，其特征在于，所述高斯函数的表达式如下：

其中，l_g表示g类的数量；n表示特征的个数，σ表示平滑因子参数；x_ij(g)表示g类的第i个神经元的第j个数据，g表示分类器。