《基于支持向量機(jī)和K均值的鋰電池故障診斷方法.pdf》由會(huì)員分享，可在線閱讀，更多相關(guān)《基于支持向量機(jī)和K均值的鋰電池故障診斷方法.pdf（9頁(yè)完成版）》請(qǐng)?jiān)趯＠樵兙W(wǎng)上搜索。

1、(19)中華人民共和國(guó)國(guó)家知識(shí)產(chǎn)權(quán)局 (12)發(fā)明專利申請(qǐng) (10)申請(qǐng)公布號(hào) (43)申請(qǐng)公布日 (21)申請(qǐng)?zhí)?202010070360.4 (22)申請(qǐng)日 2020.01.21 (71)申請(qǐng)人 合肥工業(yè)大學(xué) 地址 230009 安徽省合肥市包河區(qū)屯溪路 193號(hào) (72)發(fā)明人 肖本賢陶婕 (74)專利代理機(jī)構(gòu) 合肥金安專利事務(wù)所(普通 合伙企業(yè)) 34114 代理人 吳娜 (51)Int.Cl. G01R 31/378(2019.01) G01R 31/367(2019.01) G01R 31/382(2019.01) (54)發(fā)明名稱 一種基于支持向量機(jī)和K均值的鋰電池故障 診斷方法。

2、 (57)摘要 本發(fā)明涉及一種基于支持向量機(jī)和K均值的 鋰電池故障診斷方法， 包括： 通過電池工況獲取 原始數(shù)據(jù)集， 選取電池故障征兆； 對(duì)診斷變量做 數(shù)據(jù)進(jìn)行預(yù)處理， 包括歸一化和PCA； 預(yù)處理后的 數(shù)據(jù)送入Kmeans聚類中， 篩選與實(shí)際標(biāo)簽相同的 聚類結(jié)果作為故障樣本集； 將故障樣本集隨機(jī)拆 分為訓(xùn)練集和測(cè)試集， 把訓(xùn)練樣本送入SVM模型 中進(jìn)行學(xué)習(xí)， 輸出SVM分類模型， 同時(shí)將測(cè)試樣本 送入SVM分類模型進(jìn)行測(cè)試。 本發(fā)明對(duì)電池系統(tǒng) 進(jìn)行故障診斷研究， 實(shí)現(xiàn)4種健康狀態(tài)的識(shí)別； 本 發(fā)明考慮到電池故障的產(chǎn)生受多方面因素的影 響， 很難確定故障產(chǎn)生的具體原因， 對(duì)電池故障 的診斷具有。

3、一定難度， 提出一種基于支持向量機(jī) 和K均值的故障分類方法。 權(quán)利要求書2頁(yè) 說明書4頁(yè) 附圖2頁(yè) CN 111090050 A 2020.05.01 CN 111090050 A 1.一種基于支持向量機(jī)和K均值的鋰電池故障診斷方法， 其特征在于： 該方法包括下列 順序的步驟： (1)通過電池工況獲取原始數(shù)據(jù)集， 選取電池故障征兆； (2)對(duì)診斷變量做數(shù)據(jù)進(jìn)行預(yù)處理， 包括歸一化和PCA； (3)預(yù)處理后的數(shù)據(jù)送入Kmeans聚類中， 篩選與實(shí)際標(biāo)簽相同的聚類結(jié)果作為故障樣 本集； (4)將故障樣本集隨機(jī)拆分為訓(xùn)練集和測(cè)試集， 把訓(xùn)練樣本送入SVM模型中進(jìn)行學(xué)習(xí)， 輸出SVM分類模型， 同時(shí)將。

4、測(cè)試樣本送入SVM分類模型進(jìn)行測(cè)試。 2.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)和K均值的鋰電池故障診斷方法， 其特征在 于： 所述步驟(1)具體包括： (1a)系統(tǒng)中進(jìn)行診斷的電池組由12節(jié)單體電池串聯(lián)組成， 單節(jié)標(biāo)準(zhǔn)工作電壓為3.20V， 充電上限電壓為3.62V， 放電下限電壓為2.50V； (1b)選取的故障征兆為： 電池充/放電電流、 單體電池電壓、 電池SOC、 電池溫度、 電池總 電壓、 電池總電壓變化趨勢(shì)。 3.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)和K均值的鋰電池故障診斷方法， 其特征在 于： 所述步驟(2)具體是指： 在電池系統(tǒng)故障分類之前， 首先要對(duì)數(shù)據(jù)做預(yù)處理， 包括歸一化和主。

5、成分分析技術(shù)PCA 兩部分， 為保證數(shù)據(jù)變量間的可比性， 對(duì)選取的診斷變量做歸一化處理： 式中： xi為選取的診斷變量； yi為歸一化后的變量； n為數(shù)據(jù)長(zhǎng)度； xmin為選取的診斷變量 的最小值； xmax為選取的診斷變量的最大值。 4.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)和K均值的鋰電池故障診斷方法， 其特征在 于： 所述步驟(3)具體是指： (3a)對(duì)于給定電池?cái)?shù)據(jù)集Xxi|xiRm,i1,2,n， 其中n為樣本個(gè)數(shù)， m為樣本維 數(shù)； 樣本集的類別空間 j| jRm,j1,2,c， c為類別個(gè)數(shù)； 兩個(gè)樣本點(diǎn)的距離采用 歐式距離進(jìn)行度量， 即： 聚類中心為： 式中： nk為屬于第k類的樣。

6、本個(gè)數(shù)； R為實(shí)數(shù)集， xj為簇類中心，j為聚類質(zhì)心點(diǎn)； K均值算法的目的是達(dá)到簇內(nèi)樣本距離最小化， 簇間樣本距離最大化， 因此其目標(biāo)函數(shù) 為： 權(quán)利要求書 1/2 頁(yè) 2 CN 111090050 A 2 由上述步驟初始化n,c, 1, 2, c， 按照最近鄰 j分類n個(gè)樣本， 重計(jì)算 j， 直到 j再改 變， 返回n,c, 1, 2,., c， 結(jié)束算法；c為c個(gè)簇的均值向量； (3b)針對(duì)線性不可分的數(shù)據(jù)集， 每個(gè)樣本點(diǎn)引入一個(gè)松弛變量 i0， 則線性不可分的 SVM采用如下的優(yōu)化問題來表示： 式中： C0為懲罰參數(shù)； yi+1,-1為歸一化后的變量； w是法向量， b是截距， xi為選。

7、取 的診斷變量；i為松弛變量， 其中 i0； (3c)通過核函數(shù)與軟間隔最大化， 非線性支持向量機(jī)的分類決策函數(shù)表示為： 式中： i是拉格朗日乘子， i0； K(x,xi)為核函數(shù)。 5.根據(jù)權(quán)利要求1所述的基于支持向量機(jī)和K均值的鋰電池故障診斷方法， 其特征在 于： 所述步驟(4)具體包括： (4a)整理電池1級(jí)報(bào)警和正常狀態(tài)的運(yùn)行數(shù)據(jù)共2876組， 其中正常樣本數(shù)據(jù)897組， 故 障樣本數(shù)據(jù)1979組； (4b)將樣本數(shù)據(jù)按1:1的比例隨機(jī)分為訓(xùn)練集和測(cè)試集， 采用基于SVM和Kmeans聚類的 電池系統(tǒng)故障診斷模型識(shí)別四種健康狀態(tài)， 其中N代表正常狀態(tài)； F1、 F2、 F3分別表示電池。

8、過 充、 電池過壓和電池溫度高三種故障。 權(quán)利要求書 2/2 頁(yè) 3 CN 111090050 A 3 一種基于支持向量機(jī)和K均值的鋰電池故障診斷方法 技術(shù)領(lǐng)域 0001 本發(fā)明涉及電池故障診斷技術(shù)領(lǐng)域， 尤其是一種基于支持向量機(jī)和K均值的鋰電 池故障診斷方法。 背景技術(shù) 0002 鋰電池是電動(dòng)汽車和飛機(jī)的能量源， 同時(shí)也是最易發(fā)生故障的部分。 鋰電池的故 障主要包括溫度異常、 過充、 過放、 欠壓、 過壓、 均衡失效、 充放電電流異常、 自放電、 內(nèi)阻異 常和電池衰老和各單節(jié)電池電壓異常。 0003 目前， 鋰電池的故障診斷方法主要有兩種： 第一， 基于模型的故障診斷： 由于電池 是一種實(shí)時(shí)。

9、變化的非線性系統(tǒng)， 受各種參數(shù)變化的影響， 故建立精確的故障診斷模型是非 常困難的； 第二， 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷： 基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷使用監(jiān)測(cè)的歷史數(shù)據(jù) 信息檢測(cè)故障， 不需要精確的電池模型， 算法速度快,然而常用的神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)都需 要大量的數(shù)據(jù)樣本用來訓(xùn)練， 一般的復(fù)雜系統(tǒng)無法滿足。 發(fā)明內(nèi)容 0004 本發(fā)明的目的在于提供一種能有效剔除奇異數(shù)據(jù)并提高模型分類正確率的基于 支持向量機(jī)和K均值的鋰電池故障診斷方法。 0005 為實(shí)現(xiàn)上述目的， 本發(fā)明采用了以下技術(shù)方案： 一種基于支持向量機(jī)和K均值的鋰 電池故障診斷方法， 該方法包括下列順序的步驟： 0006 (1)通過電池工況獲。

10、取原始數(shù)據(jù)集， 選取電池故障征兆； 0007 (2)對(duì)診斷變量做數(shù)據(jù)進(jìn)行預(yù)處理， 包括歸一化和PCA； 0008 (3)預(yù)處理后的數(shù)據(jù)送入Kmeans聚類中， 篩選與實(shí)際標(biāo)簽相同的聚類結(jié)果作為故 障樣本集； 0009 (4)將故障樣本集隨機(jī)拆分為訓(xùn)練集和測(cè)試集， 把訓(xùn)練樣本送入SVM模型中進(jìn)行學(xué) 習(xí)， 輸出SVM分類模型， 同時(shí)將測(cè)試樣本送入SVM分類模型進(jìn)行測(cè)試。 0010 所述步驟(1)具體包括： 0011 (1a)系統(tǒng)中進(jìn)行診斷的電池組由12節(jié)單體電池串聯(lián)組成， 單節(jié)標(biāo)準(zhǔn)工作電壓為 3.20V， 充電上限電壓為3.62V， 放電下限電壓為2.50V； 0012 (1b)選取的故障征兆為：。

11、 電池充/放電電流、 單體電池電壓、 電池SOC、 電池溫度、 電 池總電壓、 電池總電壓變化趨勢(shì)。 0013 所述步驟(2)具體是指： 0014 在電池系統(tǒng)故障分類之前， 首先要對(duì)數(shù)據(jù)做預(yù)處理， 包括歸一化和主成分分析技 術(shù)PCA兩部分， 為保證數(shù)據(jù)變量間的可比性， 對(duì)選取的診斷變量做歸一化處理： 0015 0016 式中： xi為選取的診斷變量； yi為歸一化后的變量； n為數(shù)據(jù)長(zhǎng)度； xmin為選取的診斷 說明書 1/4 頁(yè) 4 CN 111090050 A 4 變量的最小值； xmax為選取的診斷變量的最大值。 0017 所述步驟(3)具體是指： 0018 (3a)對(duì)于給定電池?cái)?shù)據(jù)集X。

12、xi|xiRm,i1,2,n， 其中n為樣本個(gè)數(shù)， m為樣 本維數(shù)； 樣本集的類別空間 j| jRm,j1,2,|,c， c為類別個(gè)數(shù)； 兩個(gè)樣本點(diǎn)的距離 采用歐式距離進(jìn)行度量， 即： 0019 0020 聚類中心為： 0021 0022 式中： nk為屬于第k類的樣本個(gè)數(shù)； R為實(shí)數(shù)集， xj為簇類中心，j為聚類質(zhì)心點(diǎn)； 0023 K均值算法的目的是達(dá)到簇內(nèi)樣本距離最小化， 簇間樣本距離最大化， 因此其目標(biāo) 函數(shù)為： 0024 0025 由上述步驟初始化n,c, 1, 2,., c， 按照最近鄰 j分類n個(gè)樣本， 重計(jì)算 j， 直到 j再改變， 返回n,c, 1, 2,., c， 結(jié)束算法；。

13、c為c個(gè)簇的均值向量； 0026 (3b)針對(duì)線性不可分的數(shù)據(jù)集， 每個(gè)樣本點(diǎn)引入一個(gè)松弛變量 i0， 則線性不可 分的SVM采用如下的優(yōu)化問題來表示： 0027 0028 式中： C0為懲罰參數(shù)； yi+1,-1為歸一化后的變量； w是法向量， b是截距， xi為 選取的診斷變量；i為松弛變量， 其中 i0； 0029 (3c)通過核函數(shù)與軟間隔最大化， 非線性支持向量機(jī)的分類決策函數(shù)表示為： 0030 0031 式中： i是拉格朗日乘子， i0； K(x,xi)為核函數(shù)。 0032 所述步驟(4)具體包括： 0033 (4a)整理電池1級(jí)報(bào)警和正常狀態(tài)的運(yùn)行數(shù)據(jù)共2876組， 其中正常樣本。

14、數(shù)據(jù)897 組， 故障樣本數(shù)據(jù)1979組； 0034 (4b)將樣本數(shù)據(jù)按1:1的比例隨機(jī)分為訓(xùn)練集和測(cè)試集， 采用基于SVM和Kmeans聚 類的電池系統(tǒng)故障診斷模型識(shí)別四種健康狀態(tài)， 其中N代表正常狀態(tài)； F1、 F2、 F3分別表示電 池過充、 電池過壓和電池溫度高三種故障。 說明書 2/4 頁(yè) 5 CN 111090050 A 5 0035 由上述技術(shù)方案可知， 本發(fā)明的有益效果為： 第一， 本發(fā)明對(duì)電池系統(tǒng)進(jìn)行故障診 斷研究， 并提出一種基于支持向量機(jī)和K均值的故障分類方法， 實(shí)現(xiàn)4種健康狀態(tài)的識(shí)別； 第 二， 本發(fā)明考慮到電池故障的產(chǎn)生受多方面因素的影響， 很難確定故障產(chǎn)生的具體原。

15、因， 對(duì) 電池故障的診斷具有一定難度， 提出一種基于支持向量機(jī)和K均值的故障分類方法。 附圖說明 0036 圖1為本發(fā)明的方法流程圖； 0037 圖2為診斷仿真分析流程圖； 0038 圖3為訓(xùn)練集分類結(jié)果圖。 具體實(shí)施方式 0039 如圖1所示， 一種基于支持向量機(jī)和K均值的鋰電池故障診斷方法， 該方法包括下 列順序的步驟： 0040 (2)通過電池工況獲取原始數(shù)據(jù)集， 選取電池故障征兆； 0041 (2)對(duì)診斷變量做數(shù)據(jù)進(jìn)行預(yù)處理， 包括歸一化和PCA； 0042 (3)預(yù)處理后的數(shù)據(jù)送入Kmeans聚類中， 篩選與實(shí)際標(biāo)簽相同的聚類結(jié)果作為故 障樣本集； 0043 (4)將故障樣本集隨機(jī)拆。

16、分為訓(xùn)練集和測(cè)試集， 把訓(xùn)練樣本送入SVM模型中進(jìn)行學(xué) 習(xí)， 輸出SVM分類模型， 同時(shí)將測(cè)試樣本送入SVM分類模型進(jìn)行測(cè)試。 0044 所述步驟(1)具體包括： 0045 (1a)系統(tǒng)中進(jìn)行診斷的電池組由12節(jié)單體電池串聯(lián)組成， 單節(jié)標(biāo)準(zhǔn)工作電壓為 3.20V， 充電上限電壓為3.62V， 放電下限電壓為2.50V； 0046 (1b)選取的故障征兆為： 電池充/放電電流、 單體電池電壓、 電池SOC、 電池溫度、 電 池總電壓、 電池總電壓變化趨勢(shì)。 0047 所述步驟(2)具體是指： 0048 在電池系統(tǒng)故障分類之前， 首先要對(duì)數(shù)據(jù)做預(yù)處理， 包括歸一化和主成分分析技 術(shù)PCA兩部分， 。

17、為保證數(shù)據(jù)變量間的可比性， 對(duì)選取的診斷變量做歸一化處理： 0049 0050 式中： xi為選取的診斷變量； yi為歸一化后的變量； n為數(shù)據(jù)長(zhǎng)度； xmin為選取的診斷 變量的最小值； xmax為選取的診斷變量的最大值。 0051 所述步驟(3)具體是指： 0052 (3a)對(duì)于給定電池?cái)?shù)據(jù)集Xxi|xiRm,i1,2,n， 其中n為樣本個(gè)數(shù)， m為樣 本維數(shù)； 樣本集的類別空間 j| jRm,j1,2,c， c為類別個(gè)數(shù)； 0053 兩個(gè)樣本點(diǎn)的距離采用歐式距離進(jìn)行度量， 即： 0054 0055 聚類中心為： 說明書 3/4 頁(yè) 6 CN 111090050 A 6 0056 0057。

18、 式中： nk為屬于第k類的樣本個(gè)數(shù)； R為實(shí)數(shù)集， xj為簇類中心，j為聚類質(zhì)心點(diǎn)； 0058 K均值算法的目的是達(dá)到簇內(nèi)樣本距離最小化， 簇間樣本距離最大化， 因此其目標(biāo) 函數(shù)為： 0059 0060 由上述步驟初始化n,c, 1, 2,., c， 按照最近鄰 j分類n個(gè)樣本， 重計(jì)算 j， 直到 j再改變， 返回n,c, 1, 2, c， 結(jié)束算法；c為c個(gè)簇的均值向量； 0061 (3b)針對(duì)線性不可分的數(shù)據(jù)集， 每個(gè)樣本點(diǎn)引入一個(gè)松弛變量 i0， 則線性不可 分的SVM采用如下的優(yōu)化問題來表示： 0062 0063 式中： C0為懲罰參數(shù)； yi+1,-1為歸一化后的變量； w是法向。

19、量， b是截距， xi為 選取的診斷變量；i為松弛變量， 其中 i0； 0064 (3c)通過核函數(shù)與軟間隔最大化， 非線性支持向量機(jī)的分類決策函數(shù)表示為： 0065 0066 式中： i是拉格朗日乘子， i0； K(x,xi)為核函數(shù)。 0067 所述步驟(4)具體包括： 0068 (4a)整理電池1級(jí)報(bào)警和正常狀態(tài)的運(yùn)行數(shù)據(jù)共2876組， 其中正常樣本數(shù)據(jù)897 組， 故障樣本數(shù)據(jù)1979組； 0069 (4b)將樣本數(shù)據(jù)按1:1的比例隨機(jī)分為訓(xùn)練集和測(cè)試集， 如圖2所示， 采用基于SVM 和Kmeans聚類的電池系統(tǒng)故障診斷模型識(shí)別四種健康狀態(tài)， 如圖3所示， 其中N代表正常狀 態(tài)； F1、 F2、 F3分別表示電池過充、 電池過壓和電池溫度高三種故障。 0070 綜上所述， 本發(fā)明對(duì)電池系統(tǒng)進(jìn)行故障診斷研究， 并提出一種基于支持向量機(jī)和K 均值的故障分類方法， 實(shí)現(xiàn)4種健康狀態(tài)的識(shí)別； 本發(fā)明考慮到電池故障的產(chǎn)生受多方面因 素的影響， 很難確定故障產(chǎn)生的具體原因， 對(duì)電池故障的診斷具有一定難度， 提出一種基于 支持向量機(jī)和K均值的故障分類方法。 說明書 4/4 頁(yè) 7 CN 111090050 A 7 圖1 說明書附圖 1/2 頁(yè) 8 CN 111090050 A 8 圖2 圖3 說明書附圖 2/2 頁(yè) 9 CN 111090050 A 9 。

相關(guān)知識(shí)

一種基于支持向量機(jī)的鋰電池健康狀態(tài)評(píng)估方法
儲(chǔ)能大會(huì)：鋰電池健康管理與故障診斷
基于模型的鋰離子電池健康狀態(tài)預(yù)測(cè)
重慶大學(xué)：2024鋰電池健康管理與故障診斷報(bào)告.pdf
電動(dòng)汽車鋰離子動(dòng)力電池健康狀態(tài)估計(jì)方法研究.pdf
電池荷電量及電池健康狀態(tài)的檢測(cè)、診斷方法.pdf
電動(dòng)汽車電池管理系統(tǒng)故障診斷與處理
多類型鋰離子電池組管理系統(tǒng)的健康狀態(tài)和剩余壽命預(yù)測(cè)方法.pdf
基于新健康因子的鋰電池健康狀態(tài)估計(jì)和剩余壽命預(yù)測(cè)
電池管理系統(tǒng)11種常見故障案例分析【鉅大鋰電】

網(wǎng)址: 基于支持向量機(jī)和K均值的鋰電池故障診斷方法.pdf http://m.u1s5d6.cn/newsview1391802.html