CN110703109B - 一种基于修正样本熵的电池串多故障诊断方法及系统 - Google Patents

Abstract

本公开提出了一种基于修正样本熵的电池串多故障诊断方法及系统，故障诊断方法包括如下步骤：获取测量得到的待诊断电池串的电池电压；根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值；设置用于表征电压波动信息的修正系数,通过修正系数修正样本熵值,获得修正样本熵值；根据修正样本熵值的数值变化,判断并输出待诊断电池串的故障类型。能够在无模型的情况下准确地诊断出电池的故障，通过设置修正系数可以将在不同故障下的样本熵值进行区分,提高了故障判断的直观性和效率，能够快速精确稳定地诊断预测锂离子电池故障类型和时间。

Description

一种基于修正样本熵的电池串多故障诊断方法及系统

技术领域

本公开涉及电池故障诊断相关技术领域，具体的说，是涉及一种基于修正样本熵的电池串多故障诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

由于受能源危机，环境污染以及温度变化的影响，电动汽车(如特斯拉)变得越来越受欢迎。作为电动汽车的动力源，锂离子电池对汽车的动力性、经济性和安全性具有极其重要的影响。据统计，195万辆电动汽车中，52％的故障是由锂离子电池引起的。电池故障主要由两个原因导致，一方面，锂离子电池中电化学反应极其复杂，并且对环境温度和电池老化十分敏感；另一方面，一个锂离子电池串通常由成千上万节完全不一致的电池单体构成。因此，为了预防电池发生高危故障，发展对锂离子电池早期故障高效诊断的方法是必要的和有价值的。

目前已被提出的电池故障诊断方法可以分为三大类：①基于阈值的故障诊断方法；②基于等效电路模型的故障诊断方法，主要有自适应扩展卡尔曼滤波(AEKF)法；③基于数据驱动的故障诊断方法，主要有相关系数法，神经网络法，模糊逻辑法，支持向量机法和熵方法。近几年新兴的基于数据驱动的故障诊断方法因其不需要精确的电路模型，计算成本低，并且易于在线实现，已成为电池研究的热点。其中基于熵的方法备受关注，它适应于电压波动比较剧烈的故障诊断，非常适合应用在电动汽车上。但是目前基于熵的方法无法精确地快速地检测出早期故障类型和时间，而且鲁棒性差，计算成本高。

发明内容

本公开为了解决上述问题，提出了一种基于修正样本熵的电池串多故障诊断方法及系统，能够在无模型的情况下准确地诊断出电池的故障，能够快速精确稳定地诊断预测锂离子电池故障类型和时间。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了一种基于修正样本熵的电池串多故障诊断方法，包括如下步骤：

获取测量得到的待诊断电池串的电池电压；

根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值；

设置用于表征电压波动信息的修正系数,通过修正系数修正样本熵值,获得修正样本熵值；

根据修正样本熵值的数值变化,判断并输出待诊断电池串的故障类型。

一个或多个实施例提供了一种基于修正样本熵的电池串多故障诊断系统，包括:

用于获取测量得到的待诊断电池串的电池电压的模块；

用于根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值的模块；

用于设置用于表征电压波动信息的修正系数,通过修正系数修正样本熵值,获得修正样本熵值的模块；

用于根据修正样本熵值的数值变化,判断并输出待诊断电池串的故障类型的模块。

一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法所述的步骤。

一种计算机可读存储介质,用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。

与现有技术相比，本公开的有益效果为：

(1)本公开提出一种基于电池电压样本熵的故障检测方法，能够在无模型的情况下准确地诊断出电池的故障，能够快速精确稳定地诊断预测锂离子电池故障类型和时间，在电池没有明显异常的现象时提前预测的电池故障。

(2)通过引入表示电压波动信息的校正系数α来检测故障类型和时间，通过设置修正系数可以将在不同故障下的样本熵值进行区分,提高了故障判断的直观性和效率。

(3)采用滑动窗N更新电池数据，通过设定采集数据的长度,保持对故障的诊断灵敏度，计算成本低，便于实时实现。

(4)通过采用样本熵值优化公差，该方法可以预防错误的检测，对测量噪声和电池不一致性具有特别强的鲁棒性，易在线实时实现。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。

图1是本公开实施例1的方法流程图；

图2是本公开实施例1的示例在UDDS工况下测量的电池电压序列图；

图3是本公开实施例1的示例基于样本熵算法的锂离子电池的多故障诊断图；

图4是本公开实施例1的示例基于修正样本熵算法的锂离子电池的多故障诊断图；

图5(a)是本公开实施例1的示例基于修正样本熵算法在滑动窗为60时的锂离子电池的多故障诊断图；

图5(b)是本公开实施例1的示例基于修正样本熵算法在滑动窗为30时的锂离子电池的多故障诊断图；

图5(c)是本公开实施例1的示例基于修正样本熵算法在滑动窗为5时的锂离子电池的多故障诊断图；

图5(d)是本公开实施例1的示例基于修正样本熵算法在滑动窗为4时的锂离子电池的多故障诊断图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

在一个或多个实施方式中公开的技术方案中，如图1所示，一种基于修正样本熵的电池串多故障诊断方法,包括如下步骤:

步骤1、获取测量得到的待诊断电池串的电池电压；

步骤2、根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值；

步骤3、设置用于表征电压波动信息的修正系数,通过修正系数修正样本熵值,获得修正样本熵值；

步骤4、根据修正样本熵值的变化,判断并输出待诊断电池串的故障类型。当诊断出有故障可以触发相应的电池故障报警装置，进行报警，并且可以同时将修正样本熵值的数据发送便于相关人员快速查找故障原因。

所述步骤2之前步骤1之后还包括预判断的步骤,可以包括如下步骤:

设置电池电压阈值范围；

判断电池电压是否大于阈值范围的最大阈值，如果是，判断为过电压故障；否则，执行下一步；

判断电池电压是否小于阈值范围的最小阈值，如果是，判断为欠电压故障；否则，执行下一步；

步骤2中根据获取的待诊断电池串的电池电压构建电池电压序列，计算电池电压序列的样本熵值，具体步骤可以如下：

21、根据采集的测量得到的待诊断电池串的电池电压，其中采用N个电池电压数据构建时间序列，构建电池电压向量V(i)表示为：

V(i)＝[V(i)，V(i+1)，...，V(i+m-1)]，i＝1，2，...，N-m+1(1)

式中m是窗口长度，通常设为2来精确地测量电池电压的变化。

22、计算m窗口长度的两个时间序列匹配的第一概率和m+1窗口长度的两个时间序列匹配的第二概率；

m窗口长度的两个时间序列V_m(i)和V_m(j)之间的距离d[V_m(i)，V_m(j)]为最大绝对差，可以表示为：

d[V_m(i)，V_m(j)]＝max[|V_m(i+k)-V_m(j+k)|]，0≤k≤m-1(2)

对于每一个i，计算V_m(i)与其余电压点V_m(j)(j＝1，2，…n-m；j≠i)的距离d[V_m(i)，V_m(j)]，统计d[V_m(i)，V_m(j)]小于公差r的数目，计算此数目占距离总数N-m+1的比重，具体如下：

其中，W^m(i)是d[V_m(i)，V_m(j)]≤r，i≠j的数量。

m窗口长度的两个时间序列匹配的概率可以表示为：

m+1窗口长度的两个时间序列V_m+1(i)和V_m+1(j)与m窗口长度的两个时间序列匹配的概率计算方法相同：

对于每一个i，计算V_m+1(i)与其余电压点V_m+1(j)(j＝1,2，…n-m；j≠i)的距离d[V_m+1(i),V_m+1(j)]，统计d[V_m+1(i),V_m+1(j)]小于公差r的数目，计算此数目占距离总数N-m+1的比重，具体如下：

其中，W^m+1(i)是d[V_m+1(i),V_m+1(j)]≤r,i≠j的数量。

m+1窗口长度的两个时间序列匹配的概率可以表示为：

23、根据第一概率和第二概率计算样本熵值，样本熵值为当m窗口长度的序列在一个公差r内匹配时m+1窗口长度的序列匹配的条件概率，可以表示为：

SampEn(m,r,N)＝-ln[A^m(r)/B^m(r)](7)

根据式(3)和式(5)可得，公差太小会导致错误检测，公差太大会导致故障检测失败；理论上，对于无限数量的数据，公差将会接近0；而对于有限数量的数据，公差一般应在数据标准差的10-20％之内。通过采用样本熵值法优化公差，该方法可以预防错误的检测，对测量噪声和电池不一致性具有特别强的鲁棒性，易在线实时实现。

对于在线实现，电池电压序列的样本熵值应该被实时计算。因此，一个滑动窗被用来实时更新电池数据并保持样本熵对故障的敏感性。特别是，在每一时刻的样本熵值是根据之前历史滑动窗中的电池电压计算的。值得注意的是式(1)中的N表示滑动窗大小。滑动窗的大小本质上决定样本熵值和样本熵对故障的敏感性。根据式(5)-(7)，对于相同的电池电压序列，滑动窗越小，样本熵值越大，表明对故障的敏感性越高，因此，一个更小的滑动窗可以提供更好的电池故障诊断精度。然而，根据式(5)-(7)，当滑动窗大小低于5时，无论电压发生任何异常变化，样本熵值恒为0，这意味着当滑动窗太小时所提出的方法不能检测任何故障。理论上，最佳的滑动窗大小为5，样本熵可以对测量噪声和干扰实现强鲁棒性和高效率计算。本实施例设定滑动窗N的数值不小于5。

步骤3为修正的步骤，不管电池电压发生突升或突降，电池电压序列的样本熵值总是非负的，不能直接表征预测多种类型电池故障，本实施例设置用于表征电压波动信息的修正系数通过修正系数修正样本熵值,获得修正样本熵值。

可选的，可选择表征电压波动方向的修正系数为：

当t时刻的实时电池电压小于一个滑动窗N中的电池平均电压，修正系数为负数；

当t时刻的实时电池电压大于一个滑动窗N中的电池平均电压，修正系数为正数；

当t时刻的实时电池电压等于一个滑动窗N中的电池平均电压，修正系数为零。

具体可以如下：

V(t)是t时刻的实时电池电压，V_avg是一个滑动窗N中的电池平均电压。

通过设置修正系数可以将在不同故障下的样本熵值进行区分,提高了故障判断的直观性和效率。

电池电压序列的样本熵值可以改进为：

S＝α×SampEn(m,r,N) (9)

步骤4中，根据修正样本熵值的变化,判断并输出待诊断电池串的故障类型，判断方法具体为：

如果样本熵值发生突升现象，判断为过电压或断路故障；

如果样本熵值发生突降现象，判断为欠电压或短路故障；

下面以具体的示例说明实施例的方法及效果:

1、测量电池电压。如图2所示为三节串联锂离子电池(编号为B1,B2,B3)在城市道路循环(UDDS)工况下存在短路和断路故障时的电池电压序列，可以注意到电池电压具有不一致性，并且B3的电压低于B1和B2；由于使用相同的充放电电流，三节串联锂离子电池的电压波动趋势是一致的。在UDDS循环工况的41.92秒时，B3发生断路故障，导致电池电压突然增大至3.512V。在54.54秒时，一条接线被用来短路B2持续大约0.13秒，期间导致电池电压突然下降0.487V，当短路故障消失后，电池电压也会恢复正常。在69.53秒时，B1发生断路故障，导致电池电压突然增加0.414V，本实施例的所有的电池电压在发生故障时都未触发电池充放电时的截止电压。

2、判断电池电压是否触发最大阈值。如果是，表明是过电压故障；如果不是，进行下一步；

3、判断电池电压是否触发最小阈值。如果是，表明是欠电压故障；如果不是，进行下一步；

4、根据式(7)计算电池电压序列的样本熵值。如图3所示未加修正系数前的样本熵的电池电压序列的故障诊断结果，滑动窗尺寸N设为60，公差r设为0.15，可以清晰地观察到当由于电压突变而发生故障时，电池电压的样本熵值突然增大(超过了0.04)；然而，电池电压正常时样本熵值为0，因此提出的基于样本熵的故障诊断方法在正常电压条件下不会错误触发报警。相比于图2所示的电池电压序列图，样本熵对异常电圧表现非常敏感，这表明即使电池电压在安全范围内，样本熵也是可以检测出电池故障的，能够实现提前预警。但是图3所示的基于传统样本熵的锂离子电池的多故障诊断结果显示不管电池发生任何类型故障，电池电压序列的样本熵值总是非负的，因此，基于样本熵的锂离子电池的多故障诊断方法不能区分电池的故障类型，本实施例中对样本熵进行了修正。

5、根据式(8)计算电池电压序列的修正样本熵值。如图4所示为在相同条件下基于修正样本熵的电池电压序列的多故障诊断结果。根据电池电压和平均电压引入一个校正系数α，修正后的样本熵可以高效地预测电池电压的突变，并进一步识别故障的类型。在图2中B₃在41.92秒时发生断路故障①，因为V_B3(t)＝3.519V>V_avg(t)＝3.429V,与此同时一个正的样本熵第一次产生，如图4中①；当故障在44.01秒消失时，因为V_B3(t)＝3.153V<V_avg(t)＝3.316V,与此同时一个负样本熵随之产生；B₂在54.54秒时发生短路故障②，与此同时样本熵第一次减小，然后当故障在54.68秒消失时，样本熵值突然增大。示例中异常电圧发生和消失的时间与修正样本熵增大和减小的时间是完全一致的，因此，基于修正样本熵的故障诊断方法可以精确地预测故障发生的时间。类似地，当故障③发生和消失时B₁电池电压的修正样本熵突增，表明这是一个断路故障。基于修正样本熵的锂离子电池串的多故障诊断方法可以有效地预测电池故障类型和时间。

下面验证修正样本熵对滑动窗尺寸的敏感性。

对于在线实现，电池电压序列的样本熵值应该被实时计算。因此，一个滑动窗被用来实时更新电池数据并保持对故障的敏感性。特别是，在每一时刻的样本熵值是根据之前历史滑动窗中的电池电压计算的。N表示滑动窗尺寸。滑动窗的尺寸本质上决定样本熵值和样本熵对故障的敏感对于相同的电池电压序列，滑动窗尺寸越短，样本熵值越大，表明对故障的敏感性越高，因此，一个更短的滑动窗可以提供更好的电池故障诊断精度。根据式(5)-(7)，当滑动窗尺寸低于5时，无论电压发生异常变化，样本熵值恒为0，当滑动窗太短时所提出的方法不能检测任何故障。理论上，最佳的滑动窗尺寸为5，可以对测量噪声和干扰实现强鲁棒性和高效率计算。

如图5(a)-5(d)所示，为基于修正样本熵的不同滑动窗尺寸的故障诊断结果，滑动窗尺寸分别为图5(a)中N＝90，图5(b)中N＝30，图5(c)中N＝5,图5(d)中N＝4。说明在滑动窗N≥5时，滑动窗越小对故障的敏感性越高。

实施例2

本实施例提供一种基于修正样本熵的电池串多故障诊断系统，包括:

用于获取测量得到的待诊断电池串的电池电压的模块；

用于根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值的模块；

用于设置用于表征电压波动信息的修正系数通过修正系数修正样本熵值,获得修正样本熵值的模块；

用于根据修正样本熵值的数值变化,判断并输出待诊断电池串的故障类型的模块。

实施例3

本实施例提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1的方法所述的步骤。

实施例4

本实施例提供一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。

应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还算可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

该存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (8)

1.一种基于修正样本熵的电池串多故障诊断方法，其特征是，包括如下步骤：

获取测量得到的待诊断电池串的电池电压；

根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值；

设置用于表征电压波动信息的修正系数,通过修正系数修正样本熵值,获得修正样本熵值；

所述表征电压波动方向的修正系数为：

当t时刻的实时电池电压小于一个滑动窗N中的电池平均电压，修正系数为负数；

当t时刻的实时电池电压大于一个滑动窗N中的电池平均电压，修正系数为正数；

当t时刻的实时电池电压等于一个滑动窗N中的电池平均电压，修正系数为零；

根据修正样本熵值的数值变化,判断并输出待诊断电池串的故障类型；

判断方法具体为：

如果修正样本熵值发生突升现象，判断为过电压或断路故障；

如果修正样本熵值发生突降现象，判断为欠电压或短路故障。

2.如权利要求1所述的一种基于修正样本熵的电池串多故障诊断方法，其特征是：所述根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值的步骤之前，还包括预判断的步骤:

设置电池电压阈值范围；

判断电池电压是否大于阈值范围的最大阈值，如果是，判断为过电压故障；否则，执行下一步；

判断电池电压是否小于阈值范围的最小阈值，如果是，判断为欠电压故障；否则，执行下一步。

3.如权利要求1所述的一种基于修正样本熵的电池串多故障诊断方法，其特征是：根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值，具体步骤为:

根据采集的测量得到的待诊断电池串的电池电压采用N个电池电压数据构建时间序列,以N为滑动窗构建电池电压向量；

计算m窗口长度的两个时间序列匹配的第一概率和m+1窗口长度的两个时间序列匹配的第二概率；

根据第一概率和第二概率计算样本熵值，样本熵值为当m窗口长度的时间序列在一个公差r内匹配时m+1窗口长度的时间序列匹配的条件概率。

4.如权利要求1所述的一种基于修正样本熵的电池串多故障诊断方法，其特征是,所述修正系数具体为:

其中,V(t)是t时刻的实时电池电压，V_avg是一个滑动窗N中的电池平均电压。

5.如权利要求1所述的一种基于修正样本熵的电池串多故障诊断方法，其特征是：所述故障类型包括过电压故障、断路故障、欠电压和短路故障。

6.一种基于修正样本熵的电池串多故障诊断系统，其特征是,包括:

用于获取测量得到的待诊断电池串的电池电压的模块；

用于根据获取的待诊断电池串的电池电压构建电池电压序列,计算电池电压序列的样本熵值的模块；

用于设置用于表征电压波动信息的修正系数通过修正系数修正样本熵值,获得修正样本熵值的模块；

所述表征电压波动方向的修正系数为：

当t时刻的实时电池电压小于一个滑动窗N中的电池平均电压，修正系数为负数；

当t时刻的实时电池电压大于一个滑动窗N中的电池平均电压，修正系数为正数；

当t时刻的实时电池电压等于一个滑动窗N中的电池平均电压，修正系数为零；

用于根据修正样本熵值的数值变化,判断并输出待诊断电池串的故障类型的模块；

判断方法具体为：

如果修正样本熵值发生突升现象，判断为过电压或断路故障；

如果修正样本熵值发生突降现象，判断为欠电压或短路故障。

7.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项方法所述的步骤。

8.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项方法所述的步骤。

Images