一种基于模糊熵的动力与储能电池故障诊断方法技术

本发明专利技术公开了一种基于模糊熵的动力与储能电池故障诊断方法，属于新能源汽车技术领域，包括以下步骤：S1：通过车载T

【技术实现步骤摘要】
一种基于模糊熵的动力与储能电池故障诊断方法


[0001]本专利技术涉及新能源汽车
，尤其是涉及一种基于模糊熵的动力与储能电池故障诊断方法。

技术介绍

[0002]随着新能源汽车的发展，由于不可避免的电池老化等因素引起的电池稳定性和安全性问题逐渐成为大众眼中的焦点。实车场景中对动力电池及燃料电池车辆进行故障诊断对运行中的电池系统至关重要。
[0003]现有的故障诊断大多基于模型和基于电化学原理的。这些故障诊断对于内部反应复杂的燃料电池系统来说，不具有实时性和实用性。基于数据驱动的算法，如支持矢量机(SVM)、机器学习等可以满足实车运行的需求，且有着较高的精度，但需要大量的数据进行拟合和模型优化。加大了故障诊断的成本，因此提供一种基于模糊熵的动力与储能电池故障诊断方法。

技术实现思路

[0004]本专利技术的目的是提供一种基于模糊熵的动力与储能电池故障诊断方法，将采集到的电压数据通过模糊熵算法进行处理，通过模糊熵对电压信号的随机性及不一致性进行分析，分析后将电池故障诊断结果发送给驾驶员。提前判断出具有故障趋势或已经产生故障的电池单片，最终达到电池故障诊断及故障预警的目的。
[0005]为实现上述目的，本专利技术提供了一种基于模糊熵的动力与储能电池故障诊断方法，包括以下步骤：
[0006]S1：通过车载T
‑
box上的电压传感器采集电池电堆中每个电池单体的电压信号，实时上传至数据中心；
[0007]S2：数据中心对上传的数据进行预处理，将数据进行分割，按照采样时间，按每小时一次对电压信号进行数据分割及保存，得到预处理后的数据；
[0008]S3：计算电池的模糊熵；
[0009]S4：使用Z分数计算电池单体异常系数；
[0010]S5：选择合适的时间窗口与计算窗口，使用电池单体异常系数计算电池异常程度，得到故障诊断结果；
[0011]S6：数据中心将故障诊断结果反馈给驾驶员。
[0012]优选的，所述步骤S2中，采样片段长度为：其中，T为分割片段长度，h为采样间隔。
[0013]优选的，所述步骤S3中，计算模糊熵的方法具体如下：
[0014]使用步骤S2中预处理后的数据，一组有N个数据点的时间序列，定义X＝[x1,x2,x3,
…
x
N
]，取向空间维数m，构造N
‑
m+1个m维矢量X
i
和X
j
，公式如下：
[0015]X
i
＝[x
i
,x
i+1
,...,x
i
‑
m+1
]‑
u
i
[0016][0017]X
j
＝[x
j
,x
j+1
,...,x
j
‑
m+1
]‑
u
j
[0018][0019]上式中，u
i
是矢量[x
i
,x
i+1
,...,x
i
‑
m+1
]的均值，u
j
是矢量[x
j
,x
j+1
,...,x
j
‑
m+1
]的均值；
[0020]定义d
ij
是X
i
,X
j
之间的绝对距离得到公式如下：
[0021]d
ij
＝d[X
i
,X
j
][0022]d
ij
＝max|(x
i+k
‑
u
i
)
‑
(x
j+k
‑
u
i
)|
[0023]上式中，i＝1,2,
…
,N
‑
m+1,j＝1,2,
…
,N
‑
m+1并且i≠j；
[0024]定义模糊隶属度函数公式如下：
[0025][0026]设置向空间维数为m+1，优化函数公式，得到函数公式如下：
[0027][0028]当样本有N个数据点时，模糊熵的公式如下：
[0029]FuzzyEn＝lnΦ
m
‑
lnΦ
m+1
[0030]上式中，FuzzyEn是模糊熵的公式。
[0031]优选的，所述步骤S4中，计算电池单体异常系数的方法具体如下：
[0032]Z分数的公式如下：
[0033][0034]上式中，X为模糊熵数据，为平均数，S为标准差，S＝std(FuzzyEn(N))，Z是电池单体异常系数，当电池单体异常系数的结果在3.0以下，电池是正常，当在3.0
‑
3.5之间，电池是异常，当在3.5以上，电池是危险
[0035]优选的，所述步骤S5中，选择合适的时间窗口与计算窗口的方法如下：
[0036]当数据中心检索不到当前电池的诊断记录，则依据历史记录并选取合适的时间窗口与计算窗口；
[0037]当数据中心检索到当前电池的诊断记录，则使用原有的时间窗口与计算窗口。
[0038]优选的，所述步骤S5中，判断异常程度的方法具体如下：
[0039]异常程度计算过程如下：
[0040][0041]上式中，当异常程度≤0.2，是微小异常；当0.2＜异常程度≤0.5，中等异常；当异常程度＞0.5，是明显异常。
[0042]因此，本专利技术采用上述方法的一种基于模糊熵的动力与储能电池故障诊断方法，具有以下好处
[0043](1)本专利技术提供了一种基于熵值的电池故障诊断方法，在实车中能实时运用的电池故障诊断方法；
[0044](2)本专利技术提出的故障诊断方法相比于其他控制方法有更高的灵活性，可以根据不同的车型、数据采集方式进行自适应和优化；
[0045](3)本专利技术提出的故障诊断方法计算量和储存量小，只需要电压数据即可完成电池状态的评估和预警。
[0046](4)本专利技术提出的故障诊断算法对数据采集频率无过高要求，对10HZ到0.1HZ的采样频率均有很高的鲁棒性和有效性。
[0047]下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。
附图说明
[0048]图1为本专利技术一种基于模糊熵的动力与储能电池故障诊断方法的流程示意图；
具体实施方式
[0049]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。
[0050]实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于，包括以下步骤：S1：通过车载T
‑
box上的电压传感器采集电池电堆中每个电池单体的电压信号，实时上传至数据中心；S2：数据中心对上传的数据进行预处理，将数据进行分割，按照采样时间，按每小时一次对电压信号进行数据分割及保存，得到预处理后的数据；S3：计算电池的模糊熵；S4：使用Z分数计算电池单体异常系数；S5：选择合适的时间窗口与计算窗口，使用电池单体异常系数计算电池异常程度，得到故障诊断结果；S6：数据中心将故障诊断结果反馈给驾驶员。2.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于：所述步骤S2中，采样片段长度为：其中，T为分割片段长度，h为采样间隔。3.根据权利要求1所述的一种基于模糊熵的动力与储能电池故障诊断方法，其特征在于：所述步骤S3中，计算模糊熵的方法具体如下：使用步骤S2中预处理后的数据，一组有N个数据点的时间序列，定义X＝[x1,x2,x3,
…
x
N
]，取向空间维数m，构造N
‑
m+1个m维矢量X
i
和X
j
，公式如下：X
i
＝[x
i
,x
i+1
,...,x
i
‑
m+1
]
‑
u
i
X
j
＝[x
j
,x
j+1
,...,x
j
‑
m+1
]
‑
u
j
上式中，u
i
是矢量[x
i
,x
i+1
,...,x
i
‑
m+1
]的均值，u
j
是矢量[x
j
,x

【专利技术属性】
技术研发人员：洪吉超，张昕阳，梁峰伟，张华钦，杨海旭，张弛，李克瑞，杨京松，
申请(专利权)人：北京科技大学，
类型：发明
国别省市：