[发明专利]基于CNN-LSTM结合相关系数的电池故障预测方法及系统

说明书

本发明属于电池故障预测领域，提供了一种基于CNN‑LSTM结合相关系数的电池故障预测方法及系统，包括获取当前时刻目标电池电压时间序列中的电压数据，利用预先训练好的CNN‑LSTM模型进行故障预测，得到下一时刻的电池电压预测值；将下一时刻的电池电压预测值与上一时刻的电池电压预测值连接，得到组合电池电压时间序列；利用相关系数法对组合电池电压时间序列进行相关性分析，确定电池是否出现故障。本发明可以在电池未出现故障的情况下对电池的故障与否进行预测，能够提前将故障情况告知用户，提高了电池安全性和保障了用户安全。

技术领域

本发明属于电池故障预测技术领域，具体涉及一种基于CNN-LSTM结合相关系数的电池故障预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

目前，电动汽车产业正处于加速发展阶段，具有高能量密度、长循环寿命、低自放电等优点的锂离子电池已成为电动汽车动力电池的首选。然而，随着电动汽车的发展，安全事故频频发生。锂离子电池组通常包含成千上万个的电池单体；制造和生产过程中的轻微缺陷，以及使用过程中的不当，都会导致电池出现轻微故障。这些故障会带来一定的安全风险，经过使用过程中的积累和发展，电池的安全性能会大大降低。如果不及时对故障进行诊断，故障会进一步恶化。因此，电动汽车动力电池的故障诊断技术对电动汽车和人身安全有着至关重要的影响，也逐渐受到研究人员的关注。

根据国内外对动力电池故障诊断的大量研究，故障诊断技术主要分为两大类，即基于模型的方法和基于数据驱动的方法。

基于模型的方法通常是对电池进行建模。电池模型包括电化学模型、等效电路模型、分阶模型和耦合模型。电池系统的物理特性参数可以被估计和识别，用于故障诊断，常用的识别方法包括卡尔曼滤波算法、递归最小二乘法、粒子滤波和遗传算法。例如，Ma等提出了一种基于改进的双扩展卡尔曼滤波器的串联锂离子电池组外部软短路的故障诊断。Feng等提出了一种基于模型的故障诊断算法来检测大型锂离子电池的内部短路，该算法可以通过评估偏差水平来捕捉内部短路故障。Dey等提出了一种基于偏微分方程(PDE)模型的锂离子电池实时热故障诊断方案。然而，由于测量噪声和模型精度问题，当电池正常工作时可能会出现错误的故障报警。基于模型的方法需要更高的模型精度和阈值，而且一个特定的模型只针对某个特定的故障。在实践中，要满足上述条件是一项困难的任务。

数据驱动的方法相较于基于模型的方法具有明显的优势，其准确性和适应性更高。基于数据驱动的方法包含统计分析和人工智能。由于电池组中每个电池的数据特性在同一时刻是一致的。当故障发生时，故障电池的数据特性会发生变化，所以可以从电压序列中检测出异常的电压值。因此，可以使用基于统计分析的方法进行故障诊断。这种方法包括信息熵，局部离群因子，以及相关系数。例如，Shang等提出了一种改进的基于样本熵的电池早期故障的多故障实时诊断方法，通过修改样本熵可以诊断和预测电池的短路和开路等不同的早期故障。Xia等提出了一种基于电压曲线相关系数的短路故障检测方法，无需建模，仅利用电池的电压数据就能进行故障诊断。Wang等提出了一种基于修正的香农熵的电压故障诊断方法，通过检测车辆运行中的电池电压来及时预测电压故障。基于统计分析的故障诊断方法具有低计算复杂度和高执行效率。基于人工智能的方法建立了神经网络，并训练了故障特征和故障类型之间的映射关系。将电池电压输入到训练得到的映射关系中，就可以输出电池故障类型。例如，Yang等提出了一种基于人工神经网络(ANN)的故障诊断方法，该方法使用电压数据来估计短路电流Zhou等提出了一种基于反向传播(BP)神经网络和模糊逻辑的早期预警的故障诊断方法。Ojo等提出了一种基于LSTM和改进的前向技术的热故障诊断方法。基于数据驱动的故障诊断方法不需要建立复杂的电池模型，计算简单，可以实时监测电池状态，在线诊断电池故障。因此，数据驱动的方法已经成为电池故障诊断研究的一个热点。但是传统的数据驱动的方法大部分都是对已经发生的故障进行诊断，很少是对故障进行预测。

发明内容