基于深度学习的电池组故障诊断研究

摘要

随着全球的环境污染和能源危机日益严重,能源与环保问题越来越受到世界各国的重视。推动全球绿色低碳转型是全人类的共识,也是中国作为负责任大国的担当。为促进能源转型,发展电动交通已成为战略选择,电动汽车将迎来更大的发展机遇。动力电池组是电动汽车的主要动力来源,电动汽车电池组故障不仅会影响动力电池的寿命,降低电动汽车的整车性能,还严重影响驾驶安全。由于电池组是复杂的非线性系统,传统方法易受不确定因素干扰,为了降低故障对电池组工作的影响,解决电池组故障诊断难题已迫在眉睫。因此,本文采用深度学习方法进行动力电池组故障诊断研究,这对改善电池组的工作性能具有重要意义。本文以锂电池为研究对象,通过分析电池组故障诊断相关技术,应用深度学习,提出了基于Transformer架构的电池组故障诊断方法。针对锂电池单体的微短路和过充放电故障,对电池数据进行预处理后,使用格拉姆角场变换,将其从时序数据转换为图像,使用卷积自编码器进行特征提取,将得到的结果输入Transformer深度学习网络,将电池的每个特征作为一个注意力头,使用注意力机制计算相关程度,将得到的结果用于电池故障诊断。该方法对锂电池单体的微短路和过充放电故障的判断准确率为96.59%。针对锂电池组的SOC不一致故障,设计使用去噪自编码器对经过预处理的电池数据进行特征提取,将得到的结果输入Transformer网络进行SOC估计,并对电池组的不一致故障作出判断。同时对模型参数进行实验比较,得到最优参数。平均绝对误差为0.0072。并与基于其它深度学习算法的故障分类方法作对比,实验结果表明,本文方法的实时性和准确度较优。验证了基于Transformer的深度学习模型在锂离子电池组故障诊断上的优秀表现。最后,通过对电池组故障诊断系统的需求进行分析,确定系统的总体设计原则、架构和流程,据此设计了电池数据采集与管理的硬件,使用阿里云平台搭建了用于电池组故障诊断系统的网页管理平台,共同组成电池测试平台,通过模拟电池故障的发生,获取锂电池在不同条件下的数据,实现了基于Transformer深度学习的电池组故障诊断分析和相关处理操作,验证了方法的可行性,确保了电池组的运行安全。

目录

摘要

ABSTRACT

注释表

第一章 绪论

1.1 研究背景及意义

1.2 电池故障诊断研究现状

1.3 本文主要研究内容

第二章 电池组理论基础与故障分析

2.1 锂电池结构与工作原理

2.2 动力电池故障类型

2.2.1 电池本体故障

2.2.2 电池管理系统和传感器故障

2.2.3 线路和连接件故障

2.3 深度学习算法基础

2.3.1 卷积神经网络

2.3.2 循环神经网络

2.3.3 LSTM

2.3.4 Transformer

2.4 本章小结

第三章 基于 GAF-CAE-Transformer 的电池单体故障诊断方法

3.1 Transformer 故障诊断结构设计

3.2 数据预处理

3.2.1 数据简化

3.2.2 格拉姆角场原理

3.2.3 基于GAF的电池数据编码

3.3 基于 Transformer 的故障诊断流程

3.3.1 模型结构

3.3.2 基于卷积自编码器的电池故障特征提取

3.3.3 基于 Transformer 的分类训练

3.4 实验设计

3.5 结果分析

3.5.1 输入数据类型

3.5.2 网络层数

3.5.3 位置编码

3.5.4 混淆矩阵

3.5.5 模型对比

3.5.6 时间对比

3.6 本章小结

第四章 基于深度学习的电池组不一致性故障诊断

4.1 SOC估计

4.1.1 SOC定义

4.1.2 电池SOC估计方法

4.2 DAE-Transformer 模型

4.2.1 模型结构

4.2.2 基于去噪自编码器的电池故障特征提取

4.2.3 基于 Transformer 的分类训练

4.3 实验设计

4.4 结果分析

4.4.1 网络层数

4.4.2 噪声干扰下的诊断结果

4.4.3 模型对比

4.4.4 模型泛化测试

4.4.5 时间对比

4.5 本章小结

第五章 基于Web的远程电池故障诊断系统设计

5.1 锂电池故障诊断系统设计

5.1.1 系统总体设计原则

5.1.2 系统总体架构设计

5.1.3 故障诊断流程设计

5.2 系统硬件设计

5.2.1 电源电路设计

5.2.2 电压采集电路设计

5.2.3 电流采集电路设计

5.2.4 温度采集电路设计

5.2.5 通信电路设计

5.2.6 总电路设计

5.3 系统软件设计

5.4 系统运行测试

5.5 本章小结

第六章 结论

6.1 结论

6.2 展望

参考文献

攻读学位期间所取得的相关科研成果

致谢