[发明专利]一种近邻传播聚类下储能电池故障分类特征筛选降维方法

权利要求书

1.一种近邻传播聚类下储能电池故障分类特征筛选降维方法，其特征在于，包括下述步骤:

步骤1:获取不同故障的N个储能电池在完成一次充放电过程下的端电压信号数据样本，挖掘端电压信号的特征，组成特征集合；具体过程如下:

步骤1.1:利用实验测量方式，获取R种故障的储能电池在完成一次充放电过程下的端电压信号数据样本N个；

步骤1.2:根据常见特征提取方式，定义m种特征变量表征储能端电压特点的特征向量且归一化，即第n个样本的特征向量形成特征集合A＝{(X⁽ⁿ⁾,L⁽ⁿ⁾)|n＝1,2,…,N；L⁽ⁿ⁾∈{L₁,L₂,…,L_R}}，表示为矩阵形式如下:

行表示样本，前m列表示特征，m+1列表示样本的类别；

步骤2:利用余弦相似度评价特征间的相似程度，利用近邻传播聚类方法聚类特征，形成多个特征簇；具体过程如下:

步骤2.1:以全部样本在特征变量下的值组成向量，即计算每两个特征间的余弦相似度sim，如第i个特征和第j特征的余弦相似度为:

根据特征间的余弦相似度形成以特征数量为行数和列数的对称方阵，即相似度矩阵S，方阵中元素特征间余弦相似度的负值，即:

步骤2.2:令t＝1，初始化吸引度矩阵Re_t和归属度矩阵Av_t，且吸引度矩阵Re_t和归属度矩阵Av_t均为与相似度矩阵S等行和列方阵，定义阻尼系数ζ和最大迭代次数T；

步骤2.3:计算并更新t+1代的吸引度矩阵Re_t+1中的元素；

步骤2.4:计算并更新t+1代的归属度矩阵Av_t+1中的元素；

步骤2.5:判断是否达到最大迭代次数，即t≤T；若是，则t＝t+1返回步骤2.3，若否，则进入步骤2.6；

步骤2.6:令E＝Re_t+1+Av_t+1，对角化矩阵E并统计对角线上大于零的元素，大于零的元素所在行数号和列号的特征，即为近邻传播聚类中心，选择相似度矩阵S中聚类中心所在的列，按行选择其他特征的类别归属，形成若干特征簇；假设对角化矩阵E中对角线元素第ei和ej大于零，则特征x_ei和x_ej为聚类中心，选择相似度矩阵S中的第ei和ej列，根据-sim(ek,ei)和-sim(ek,ej)的大小，若-sim(ek,ei)≥-sim(ek,ej)，第ek个特征x_ek相似于特征x_ei，属于特征x_ei的类别；若-sim(ek,ei)-sim(ek,ej)，第ek个特征x_ek相似于特征x_ej，属于特征x_ej的类别；如此可以对全部特征形成两干特征簇，特征簇的中心分别由特征x_ek和特征x_ej代表；

步骤3:筛选同一特征簇内最有利于储能电池故障诊断的特征，定义其为该特征簇的典型特征；具体包括如下过程:

步骤3.1:以步骤2所得特征簇的划分结果，计算同一个特征簇内各相似特征下不同故障储能电池样本端电压特征值的均值；假设在第k个特征簇H(k)＝{x_ki,x_kj,...}内，特征x_ki下不同类别样本特征值的均值为μ_ki＝[μ_ki,1,μ_ki,2,...,μ_ki,R]，其中第L_r类样本在特征x_ki下的均值可以表示为

步骤3.2:计算步骤3.1中同一特征簇内各个特征下不同故障储能电池样本端电压特征值均值的标准差，将特征簇中标准差最大的特征定义为表征此特征簇的典型特征，因为不同故障储能电池在此特征下差异最显著；假设第k个特征簇H(k)中含有两个特征变量，即H(k)＝{x_ki,x_kj}，特征x_ki和x_kj下不同故障储能电池样本端电压特征值均值{μ_ki,μ_kj}的标准差分别为和然后选择标准差最大的特征为表示特征簇H(k)典型特征x_ki(σ_ki≥σ_kj)+x_kj(σ_ki＜σ_kj)；

步骤4:根据各特征簇的典型特征，形成筛选后的降维特征集合；

根据步骤3.2所得各特征簇的典型特征，去除步骤1.2中内非典型特征的其他特征，构成刻画R种储能电池故障端电压差异性的新特征集合，实现特征筛选及降维过程，用于后续学习机模型设计，完成储能电池故障诊断任务。