基于KPCA-MTCN的锂离子电池故障诊断方法

摘要

为了维护储能系统的安全稳定运行，本文针对锂离子电池故障诊断这一重要问题，提出了一种结合核主成分分析(KPCA)和多尺度时序卷积网络(MTCN)的故障诊断方法.该方法首先归一化故障数据，然后利用KPCA降低数据维度并校验数据的可靠性；其次，根据故障类型对数据进行标注，并按比例划分训练集和测试集；接着在训练阶段使用霜冰算法（RIME）优化MTCN模型的超参数以提高模型的精度；最后基于故障数据验证MTCN的分类精度，并与长短期记忆神经网络(LSTM)、卷积神经网络(CNN)、Xception和ResNet50进行比较.在KPCA验证充电故障和未知故障数据的可靠性后，基于两组数据测试的结果表明，相比于CNN和LSTM,MTCN对于两组故障的分类准确率均为最高，分别达到了99.265%和99.688%，与Xception和ResNet50较为接近.同时针对训练数据量的测试结果表明，在训练数据量较少时MTCN仍能保持较好的诊断效果，说明MTCN的并行结构可以从不同的尺度提取更多的时序信息.

关键词

锂离子电池 / 故障诊断 / 核主成分分析 / 多尺度时序卷积网络 / 霜冰算法

基金资助

国家重点研发计划资助项目（2021YFB2402004）; 中国南方电网有限责任公司创新项目（STKJXM20210091）