【技術實現步驟摘要】
本專利技術涉及鋰電池故障診斷，具體涉及一種基于神經網絡和知識模型驅動協同的鋰離子電池故障診斷方法及系統。
技術介紹
1、鋰離子電池儲能系統是智能微電網不可或缺的一環，其運行狀況直接關系到智能微電網能量管理與優化控制的效果。然而，隨著儲能系統的迅速發展和廣泛應用，鋰離子電池安全問題引發的事故屢見不鮮，因此，對鋰電池組進行故障診斷是確保儲能系統安全可靠運行的關鍵措施。
2、如今，在鋰電池故障診斷領域，神經網絡算法即數據模型驅動無疑是主流。數據模型驅動在故障診斷領域的優勢顯著：其基于大量數據建立的精確模型，能實時、準確地識別設備或系統的異常狀態，實現故障預警和診斷，提高維護的效率和準確性；同時，其預測性能夠幫助企業提前制定維護計劃，避免設備或系統的突發故障對企業生產造成影響；最后，數據模型驅動的自動化減少了人工干預和誤差，降低了企業的運營成本和維護成本。因此，數據模型驅動在故障診斷領域的應用對于提升企業生產效率和運營效益具有重要意義。
3、但數據驅動方法尚且存在許多的不足，行業面臨著對模型的魯棒性和解釋性要求高、數據采集費時且成本高昂等問題，且建立的很多模型是缺乏常識的，很容易被誤導。
技術實現思路
1、本專利技術的目的在于提供一種基于神經網絡和知識模型驅動協同的鋰離子電池故障診斷方法及系統，以解決上述
技術介紹
中存在的至少一項技術問題。
2、為了實現上述目的，本專利技術采取了如下技術方案：
3、第一方面，本專利技術提供一種鋰離子電池故障診斷
4、在bms系統中提取出電池信息；所述電池信息包括電壓、電流、溫度、電阻和充放電狀態；
5、根據電池信息計算電池狀態估計量；所述電池狀態估計量包括剩余電量、運行狀態和剩余使用壽命；
6、利用預先訓練好的數據模型對電池狀態估計量進行處理，得到電池的故障類型；
7、利用預先訓練好的知識模型對故障類型進行處理，對電池的狀態進行評估和預警。
8、進一步的，建立神經網絡模型即數據模型驅動網絡，選擇dbn深度置信網絡對進行故障分類預測，將狀態估計量輸入進網絡中，通過訓練輸出電池不同的狀態。
9、進一步的，建立模型效果評估網絡即知識模型驅動網絡，與數據模型驅動網絡進行串聯，即將數據模型驅動網絡的輸出作為輸入，在知識模型中嵌入鋰電池約束，輸出的狀態結果再次反饋給數據模型驅動網絡進行訓練和分類。
10、進一步的，兩模型串聯框架表示為：u＝k(y,b,c,n(i,ω(f),c))；其中，k表示表示知識驅動控制器，輸出為uk，n表示dbn神經網絡，輸出為un，yn(1,2,…,10)，i為神經網絡的輸入，w為慣性權重，它與演化因子f有關；c為加速系數，b、c分別表示知識模型中的狀態模型和輸出模型。
11、進一步的，dbn的訓練階段，首先對權重和偏置進行隨機初始化，使用逐層貪算法，逐層訓練rbm來初始化參數，對于每一層的rbm：將dbn中的一層作為可見層，其上一層作為隱藏層，訓練rbm來學習到兩層之間的表示；使用無監督學習算法來最大化對數似然或最小化能量函數，更新rbm的參數。最后，使用訓練好的rbm，提取可見層的表示作為下一層的輸入。
12、進一步的，dbn的有監督微調階段，將訓練階段得到的參數作為初始參數，使用有監督的反向傳播算法來微調dbn的參數，然后使用交叉熵損失函數來度量dbn在訓練數據上的預測誤差，根據損失函數的梯度，更新dbn的參數，以降低損失；直至收斂或達到預定的迭代次數。
13、第二方面，本專利技術提供一種鋰離子電池故障診斷系統，包括：
14、獲取模塊，用于在bms系統中提取出電池信息；所述電池信息包括電壓、電流、溫度、電阻和充放電狀態；
15、計算模塊，用于根據電池信息計算電池狀態估計量；所述電池狀態估計量包括剩余電量、運行狀態和剩余使用壽命；
16、診斷模塊，用于利用預先訓練好的數據模型對電池狀態估計量進行處理，得到電池的故障類型；
17、評估模塊，用于利用預先訓練好的知識模型對故障類型進行處理，對電池的狀態進行評估和預警。
18、第三方面，本專利技術提供一種非暫態計算機可讀存儲介質，所述非暫態計算機可讀存儲介質用于存儲計算機指令，所述計算機指令被處理器執行時，實現如第一方面所述的基于神經網絡和知識模型驅動協同的鋰離子電池故障診斷方法。
19、第四方面，本專利技術提供一種計算機設備，包括存儲器和處理器，所述處理器和所述存儲器相互通信，所述存儲器存儲有可被所述處理器執行的程序指令，所述處理器調用所述程序指令執行如第一方面所述的基于神經網絡和知識模型驅動協同的鋰離子電池故障診斷方法。
20、第五方面，本專利技術提供一種電子設備，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設備運行時，所述處理器執行所述存儲器存儲的計算機程序，以使電子設備執行實現如第一方面所述的基于神經網絡和知識模型驅動協同的鋰離子電池故障診斷方法的指令。
21、本專利技術有益效果：結合了知識模型驅動與數據模型預測，解決了僅用神經網絡進行故障預測具有局限性，且易被誤導的問題。
22、本專利技術附加方面的優點，將在下述的描述部分中更加明顯的給出，或通過本專利技術的實踐了解到。
本文檔來自技高網...【技術保護點】
1.一種鋰離子電池故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的鋰離子電池故障診斷方法，其特征在于，建立神經網絡模型即數據模型驅動網絡，選擇DBN深度置信網絡對進行故障分類預測，將狀態估計量輸入進網絡中，通過訓練輸出電池不同的狀態。
3.根據權利要求1所述的鋰離子電池故障診斷方法，其特征在于，建立模型效果評估網絡即知識模型驅動網絡，與數據模型驅動網絡進行串聯，即將數據模型驅動網絡的輸出作為輸入，在知識模型中嵌入鋰電池約束，輸出的狀態結果再次反饋給數據模型驅動網絡進行訓練和分類。
4.根據權利要求3所述的鋰離子電池故障診斷方法，其特征在于，兩模型串聯框架表示為：u＝K(y,B,C,N(I,ω(f),c))；其中，K表示表示知識驅動控制器，輸出為uk，N表示DBN神經網絡，輸出為un，yn(1,2,…,10)，I為神經網絡的輸入，w為慣性權重，它與演化因子f有關；c為加速系數，B、C分別表示知識模型中的狀態模型和輸出模型。
5.根據權利要求2所述的鋰離子電池故障診斷方法，其特征在于，DBN的訓練階段，首先對權重和偏置進行隨機
6.根據權利要求5所述的鋰離子電池故障診斷方法，其特征在于，DBN的有監督微調階段，將訓練階段得到的參數作為初始參數，使用有監督的反向傳播算法來微調DBN的參數，然后使用交叉熵損失函數來度量DBN在訓練數據上的預測誤差，根據損失函數的梯度，更新DBN的參數，以降低損失；直至收斂或達到預定的迭代次數。
7.一種鋰離子電池故障診斷系統，其特征在于，包括：
8.一種非暫態計算機可讀存儲介質，其特征在于，所述非暫態計算機可讀存儲介質用于存儲計算機指令，所述計算機指令被處理器執行時，實現如權利要求1-6任一項所述的鋰離子電池故障診斷方法。
9.一種計算機設備，其特征在于，包括存儲器和處理器，所述處理器和所述存儲器相互通信，所述存儲器存儲有可被所述處理器執行的程序指令，所述處理器調用所述程序指令執行如權利要求1-6任一項所述的鋰離子電池故障診斷方法。
10.一種電子設備，其特征在于，包括：處理器、存儲器以及計算機程序；其中，處理器與存儲器連接，計算機程序被存儲在存儲器中，當電子設備運行時，所述處理器執行所述存儲器存儲的計算機程序，以使電子設備執行實現如權利要求1-6任一項所述的鋰離子電池故障診斷方法的指令。
...【技術特征摘要】
1.一種鋰離子電池故障診斷方法，其特征在于，包括：
2.根據權利要求1所述的鋰離子電池故障診斷方法，其特征在于，建立神經網絡模型即數據模型驅動網絡，選擇dbn深度置信網絡對進行故障分類預測，將狀態估計量輸入進網絡中，通過訓練輸出電池不同的狀態。
3.根據權利要求1所述的鋰離子電池故障診斷方法，其特征在于，建立模型效果評估網絡即知識模型驅動網絡，與數據模型驅動網絡進行串聯，即將數據模型驅動網絡的輸出作為輸入，在知識模型中嵌入鋰電池約束，輸出的狀態結果再次反饋給數據模型驅動網絡進行訓練和分類。
4.根據權利要求3所述的鋰離子電池故障診斷方法，其特征在于，兩模型串聯框架表示為：u＝k(y,b,c,n(i,ω(f),c))；其中，k表示表示知識驅動控制器，輸出為uk，n表示dbn神經網絡，輸出為un，yn(1,2,…,10)，i為神經網絡的輸入，w為慣性權重，它與演化因子f有關；c為加速系數，b、c分別表示知識模型中的狀態模型和輸出模型。
5.根據權利要求2所述的鋰離子電池故障診斷方法，其特征在于，dbn的訓練階段，首先對權重和偏置進行隨機初始化，使用逐層貪算法，逐層訓練rbm來初始化參數，對于每一層的rbm：將dbn中的一層作為可見層，其上一層作為隱藏層，訓練rbm來學習到兩層之間的表示；使用無監督學習算法來最大化對...
【專利技術屬性】
技術研發人員：魏明，王楠，李振，彭勇，周喜超，趙錦，沈春雷，張衛衛，曲玉珊，
申請(專利權)人：國網綜合能源服務集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。