【技术实现步骤摘要】
本专利技术属于电池故障诊断的，具体涉及基于时序数据的电池组故障诊断方法、系统及存储介质。
技术介绍
1、随着全球城市化的快速发展，环境污染和能源枯竭问题接踵而至，我国开始着手绿色低碳能源的挖掘，大力推行节能减排政策，这是保护环境和缓解不可再生能源消耗的必然选择。电池组作为新能源存储单元，具有高能量密度、高功率、高耐久性的特点，大量的电池组是集装箱储能设备的组成之一，集装箱储能设备能简化基础设施，广泛应用于海岛、医院、学校等应用场合，带来一定程度的便利。
2、近几年锂电池类型较多，分为磷酸铁锂电池、锰酸锂电池、碳酸锂电池、三元锂电池等等，故障类别主要有微短路、过充电、过放电等，发现电池故障问题及时排查，能避免引发更严重的后续事件。电池组故障诊断方法主要分为三类：
3、第一类是基于模型的方法，这类方法通过将模型输出结果与实际测量结果进行对比，计算两者的差值是否达到故障阈值，达到故障判断的目的，因阈值是人为经验设定，设置不当时会导致诊断结果出错，主观性太强。
4、第二类是基于信号分析的方法，这类方法通过对电池组相关状态信息的监控，如电压、温度等参数，从而发现故障电池组，但这类方法也需要人为设定阈值，当监控参数达到阈值时才会及时报警，漏报误报率高。
5、第三类是基于数据驱动的方法，这类方法是通过收集电池组相关运行参数数据，再输入到基于深度学习或机器学习的模型中学习，稳定性和准确率都高于前面两类方法。
6、目前，大多数电池组故障诊断方法都是利用物理模型和统计分析，这些方法需要大量
技术实现思路
1、本专利技术的目的在于提供基于时序数据的电池组故障诊断方法、系统及存储介质，旨在解决上述的问题。
2、本专利技术主要通过以下技术方案实现：
3、基于时序数据的电池组故障诊断方法，包括以下步骤：
4、步骤s1：获取一维时序数据，所述一维时序数据包括正常时序数据和故障时序数据，所述正常时序数据和故障时序数据分别包括不同测试时间下电池组的电压、电流和温度三种时序数据；
5、步骤s2：搭建网络模型；
6、步骤s3：采用一维时序数据训练网络模型：
7、步骤s31：将一维时序数据转换为二维图像数据后输入网络模型；
8、步骤s32：通过去噪编码网络部分将二维图像数据的特征信息从低维空间映射至高维空间：提取二维图像数据的局部特征，并分别输入时序自注意力模块和通道注意力模块，最终通过特征拼接层实现特征融合；所述时序自注意力模块首先通过卷积组合块加深网络深度，再利用特征重组层改变特征信息的维度大小，然后通过相加的方式将可学习的提示参数 p e与原特征信息融合；所述通道注意力模块通过卷积组合块加深网络深度，然后通过相加的方式将可学习的提示参数 p e与原特征信息融合，构成一个共享空间，促进各个分支上的提示参数共享特征信息；
9、步骤s33：再通过提示引导解码网络部分启发模型解码信息：首先将以类别标签结尾的可学习的提示参数 p d输入到提示编码器中，经冻结参数的文本编码器处理后输出提示信息，然后利用特征拼接层将步骤s32输出的特征与提示信息拼接，增强特征信息流之间的交互性；
10、步骤s34：最后使用目标函数进行分类计算；
11、步骤s4：将监测数据输入训练后的网络模型并输出故障诊断结果。
12、为了更好地实现本专利技术，进一步地，所述步骤s31包括以下步骤：
13、步骤a1：首先，将时序数据进行归一化处理；
14、步骤a2：再利用马尔可夫转换场分别处理电压、电流和温度三种时序数据，得到马尔可夫转换场矩阵：
15、
16、其中，m为马尔可夫转换场矩阵，
17、 x为变量时序数据，
18、n为时序长度，
19、 m ij为分位数 q i转移到分位数 q j的转移概率；
20、步骤a3：然后，使用高斯模糊核进行聚合压缩计算，控制图像的尺寸，实现稀疏采样的同时保留信息；
21、步骤a4：最后，将电压、电流和温度的二维图像数据堆叠形成图像块，并输入到网络模型中训练学习。优选地，通过统一时序数据的长度使生成的二维图像尺寸统一。
22、为了更好地实现本专利技术，进一步地，所述步骤s32中，根据特征重组层方向上的特征信息的维度信息，随机生成一组符合高斯分布的可学习的提示参数，时序自注意力模块和通道注意力模块的信息融合的公式如下：
23、
24、其中，n为批处理大小，
25、、和分别为维度结构的高、宽和通道的参数，
26、q为时序自注意力模块的查询特征，为信息融合后的时序自注意力模块的查询特征；
27、k为时序自注意力模块的关键特征，为信息融合后的时序自注意力模块的关键特征；
28、v为时序自注意力模块的显著特征，为信息融合后的时序自注意力模块的显著特征；
29、c为构成通道注意力模块的特征。为信息融合后的构成通道注意力模块的特征。
30、为了更好地实现本专利技术，进一步地，所述步骤s33中，先通过提示编码器生成第k类的文本嵌入特征 t e，然后利用卷积组合块在文本嵌入特征 t e中添加非线性，增强特征融合的有效性，最后利用特征拼接层将其与步骤s32输出的特征进行拼接交互。
31、为了更好地实现本专利技术，进一步地，所述文本嵌入特征 t e的映射关系如下：
32、
33、其中， textencoder为文本编码器；
34、可学习的提示参数 p d根据特征的分辨率变化而变化，如果文本嵌入特征 t e的分辨本文档来自技高网...
【技术保护点】
1.基于时序数据的电池组故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤S31包括以下步骤：
3.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤S32中，根据特征重组层方向上的特征信息的维度信息，随机生成一组符合高斯分布的可学习的提示参数，时序自注意力模块和通道注意力模块的信息融合的公式如下：
4.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤S33中，先通过提示编码器生成第K类的文本嵌入特征Te，然后利用卷积组合块在文本嵌入特征Te中添加非线性，最后利用特征拼接层将其与步骤S32输出的特征进行拼接交互。
5.根据权利要求4所述的基于时序数据的电池组故障诊断方法，其特征在于，所述文本嵌入特征Te的映射关系如下：
6.基于时序数据的电池组故障诊断系统，采用权利要求1-5任一项所述的电池组故障诊断方法进行，其特征在于，包括数据获取模块、数据预处理模块、训练模块和诊断模块；所述数据获取模块用于获取一维
7.根据权利要求6所述的基于时序数据的电池组故障诊断系统，其特征在于，所述时序自注意力模块包括并列设置的第一支路、第二支路和第三支路，所述通道注意力模块包括第四支路；所述第一支路、第二支路和第三支路上分别从前至后依次设置有卷积组合块、特征重组层和特征相加层，所述第四支路上从前至后依次设置有若干个卷积组合块以及特征相加层；所述特征相加层的输入包括可学习的提示参数Pe；所述第一支路和第二支路的输出端分别通过特征相乘层与Softmax层连接，所述Softmax层和第三支路的输出端分别通过特征相乘层与提示性混合注意力模块的特征拼接层连接，所述第四支路的输出端与S型函数层连接，所述S型函数层以及第四支路上的卷积组合块的输出端分别通过特征相乘层与提示性混合注意力模块的特征拼接层连接。
8.根据权利要求6或7所述的基于时序数据的电池组故障诊断系统，其特征在于，所述Transformer块包括从前至后依次设置的归一化层、提示性混合注意力模块、第一特征相加层、归一化层、前馈网络和第二特征相加层，前端的归一化层的输入端和提示性混合注意力模块的输出端分别与第一特征相加层连接，后端的归一化层的输入和前馈网络的输出端分别与第二特征相加层连接。
9.根据权利要求6所述的基于时序数据的电池组故障诊断系统，其特征在于，所述数据预处理模块包括从前至后依次设置的归一化层、马尔可夫转换场模块、高斯模糊核层和图像数据堆叠模块，所述归一化层用于将时序数据进行归一化处理，所述图像数据堆叠模块用于将电压、电流和温度的二维图像数据堆叠形成图像块。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-5任一项所述的电池组故障诊断方法。
...【技术特征摘要】
1.基于时序数据的电池组故障诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤s31包括以下步骤：
3.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤s32中，根据特征重组层方向上的特征信息的维度信息，随机生成一组符合高斯分布的可学习的提示参数，时序自注意力模块和通道注意力模块的信息融合的公式如下：
4.根据权利要求1所述的基于时序数据的电池组故障诊断方法，其特征在于，所述步骤s33中，先通过提示编码器生成第k类的文本嵌入特征te，然后利用卷积组合块在文本嵌入特征te中添加非线性，最后利用特征拼接层将其与步骤s32输出的特征进行拼接交互。
5.根据权利要求4所述的基于时序数据的电池组故障诊断方法，其特征在于，所述文本嵌入特征te的映射关系如下：
6.基于时序数据的电池组故障诊断系统，采用权利要求1-5任一项所述的电池组故障诊断方法进行，其特征在于，包括数据获取模块、数据预处理模块、训练模块和诊断模块；所述数据获取模块用于获取一维时序数据；所述训练模块用于采用一维时序数据训练网络模型，所述数据预处理模块用于将一维时序数据转换为二维图像数据并输入网络模型进行学习训练；所述诊断模块用于将监测数据输入训练后的网络模型并输出故障诊断结果；
7.根据权利要求6所述的基于时序数据的电池组故障诊断系统，其特征在于，所述时序自注意力模块包括并列设置的第一支路、第二支路和第三支路，所述通...
【专利技术属性】
技术研发人员：方勇，徐浩，李连结，钮雪瑞，张利丹，胡承科，张羽祥，李红频，康建雄，肖德秋，王抒豪，
申请(专利权)人：四川长园工程勘察设计有限公司，
类型：发明
国别省市：
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。