[发明专利]一种深度在线迁移的锂离子储能电池故障诊断方法

说明书

本发明公开了一种深度在线迁移的锂离子储能电池故障诊断方法。本发明的方法包括：采集离线状态电池不同工况下锂离子储能电池的运行数据特征并构建源域数据集；使用源域数据，训练得到源域SSA‑PNN模型，并对源域SSA‑PNN模型参数进行初始化；利用迁移学习将源域SSA‑PNN模型参数迁移至目标域SSA‑PNN模型训练过程中，快速建立目标域SSA‑PNN模型；目标域SSA‑PNN模型中的分类器在保留已学到知识的基础上，对目标域SSA‑PNN模型进行更新和修正，利用目标测试集得到不同工况下的锂离子储能电池故障诊断结果。本发明提高了现有锂离子储能电池故障诊断方法的准确率和响应效率，解决了不同工况和老化程度下锂离子储能电池的运行数据特征分布差异性较大，模型通用性较差的问题。

技术领域

本发明涉及锂离子储能电池故障诊断领域，尤其是一种深度在线迁移的锂离子储能电池故障诊断方法。

背景技术

锂离子电池因具有输出电压高、能量密度高、循环寿命长等优点，已广泛应用于规模化储能领域。但锂离子电池安全运行区间窄，发生事故时高度易燃、灭火困难，因此需要电池管理系统进行有效调控。当锂离子电池处于正常工作状态或者故障状态下时，电池电压、电流和温度等数据会随之相应改变，可以利用电池这一特征对电池运行状态进行判断，以此有效地对储能系统进行故障诊断。

目前，存在很多算法结合概率神经网络在故障诊断领域展开研究，例如WOA-PNN(鲸鱼优化算法)，PSO-PNN(粒子群算法)，IFWA-PNN(烟花优化算法)等等。其中WOA-PNN和PSO-PNN已经相对成熟，IFWA-PNN的使用率也在上升，但现有的锂离子电池系统故障诊断方法的准确率还有上升空间。另外，传统机器学习方法只有训练和测试数据遵循相同的分布时才能很好地发挥作用，当分布发生变化时，大多数统计模型都需要使用新收集的训练数据从头开始重建。但是不同储能系统之间的运行工况、老化程度存在差异，而重新收集数据并进一步标记和训练模型将花费大量成本。

发明内容

针对不同工况和老化程度下锂离子储能电池的运行数据特征分布差异性较大，目标域数据按照序列方式在线获取时，数据更新需重新训练模型的问题，本发明提供一种深度在线迁移的锂离子储能电池故障诊断方法，以解决现有技术对锂离子储能故障诊断技术存在的对先验知识要求高、对数据分析效率低等不足，实现提高故障诊断效率的目的。

为此，本发明采用的技术方案如下：一种深度在线迁移的锂离子储能电池故障诊断方法，其包括：

步骤一、采集离线状态锂离子储能电池的运行数据并构建源域数据集；

步骤二、构建麻雀搜索算法优化的概率神经网络，即SSA-PNN模型；使用源域数据集，采用分类器训练，得到源域SSA-PNN模型，并对源域SSA-PNN模型参数进行初始化；

步骤三、在线获取不同工况下锂离子储能电池的运行数据，构建目标域数据集，将目标域数据集分为目标训练集和目标测试集；使用目标训练集，利用迁移学习将源域SSA-PNN模型参数迁移至目标域SSA-PNN模型的训练过程中，快速建立目标域SSA-PNN模型；

步骤四、目标域SSA-PNN模型中的分类器在保留已学到知识的基础上，对目标域SSA-PNN模型进行更新和修正，利用目标测试集得到不同工况下的锂离子储能电池故障诊断结果。

进一步地，步骤一中，根据不同锂离子储能电池运行工况下的故障类型分析，采用电流传感器、电压传感器和温度传感器进行数据采集。

进一步地，在SSA-PNN模型中，采用麻雀搜索算法对概率神经网络的平滑因子进行优化，把所提取的特征参数作为特征向量输入概率神经网络，建立基于改进麻雀搜索算法的故障诊断模型。

更进一步地，基于改进麻雀搜索算法的故障诊断模型的建立过程具体包括：

步骤1、采集离线状态下电池运行过程中电池电流、电压和温度三个维度的数据，将数据特征标定为正常运行、过充电、过放电和电池短路四种类型；