一种基于多层支持向量机的蓄电池在线监测方法

摘要

本发明涉及一种基于多层支持向量机（SVM）的蓄电池在线监测方法，考虑到了蓄电池性能劣化过程与电压、电流变化情况及温度变化情况密切相关，为了更能体现内在的联系，通过建立SVM数据分类训练集，采用SVM算法，利用多层SVM蓄电池性能劣化诊断流程，对蓄电池进行实时智能故障判断，因此对蓄电池的健康状态的监控较传统方法具有更高的准确性，而且还能对蓄电池的失效提供预警。

主权项

一种基于多层支持向量机的蓄电池在线监测方法，其特征在于所述监测方法包括如下步骤：1）建立SVM数据分类训练集通过数据采集系统以分时段连续采样方式对若干个已知的、健康状况不同的蓄电池单体进行数据采集，采集的参数为整个放电周期过程中蓄电池单体放电电压变量u、放电电流变量i和电池表面温度temp，同一个蓄电池单体的放电电压变量u、放电电流变量i和电池表面温度temp为一个样本集，并根据该蓄电池单体健康状况标上“正常”或“异常”的标记，所有蓄电池单体的样本集构成SVM数据分类训练集；    2）SVM数据分类输入变量的获得由数据采集系统以分时段连续采样方式实时采集待诊断蓄电池单体实时放电电压变量u、放电电流变量i和实时电池表面温度temp，上述变量并送至SQL数据库系统中存储构成所述SVM数据分类输入变量，分别记为、、；3）数据预处理：读取SQL数据库中待诊断蓄电池单体放电周期数据，确定出放电时间间隔，以分时段连续采样方式获得放电周期时段内的电压、电流及温度数值，（），设数据采样间隔为，则数据分时段连续采样大小为，记为：、、据此计算出各个采样点上的放电即时功率；计算电压、电流、温度及放电即时功率的平均值：，，及按下列公式得到各测量数据的偏差：,，及由此得到预处理后的数据4）数据诊断    采用3个SVM分类器：SVM1用于判断蓄电池电压正常状态与劣化状态，SVM2用于判断蓄电池单体温度正常状态与劣化状态，SVM3用于判断蓄电池综合状态正常状态与劣化状态；诊断流程分如下6个路径： 路径1：将步骤2）所得连续多个放电周期的电压渐变数据序列送至SVM1，当SVM1诊断结果为 “正常”，则将连续多个放电周期的温度渐变数据进一步送至SVM2；当SVM2诊断结果为“正常”，则最终诊断结果为“正常”；路径2：将步骤2）所得连续多个放电周期的电压渐变数据序列送至SVM1，当SVM1诊断结果为 “异常”，则将连续多个放电周期的温度渐变数据进一步送至SVM2；当SVM2诊断结果为“异常”，则最终诊断结果为“异常”；路径3：将步骤2）所得连续多个放电周期的电压渐变数据序列送至SVM1，当SVM1诊断结果为 “正常”，则将连续多个放电周期的温度渐变数据进一步送至SVM2；当SVM2诊断结果为“异常”，再将所得的预处理数据进一步送至SVM3；当SVM3诊断结果为“异常”，则最终诊断结果为“异常”；路径4：将步骤2）所得连续多个放电周期的电压渐变数据序列送至SVM1，当SVM1诊断结果为 “正常”，则将连续多个放电周期的温度渐变数据进一步送至SVM2；当SVM2诊断结果为“异常”，再将所得的预处理数据进一步送至SVM3；当SVM3诊断结果为“正常”，则最终诊断结果为“正常”；路径5：将步骤2）所得连续多个放电周期的电压渐变数据序列送至SVM1，当SVM1诊断结果为 “异常”，则将连续多个放电周期的温度渐变数据进一步送至SVM2；当SVM2诊断结果为“正常”，再将所得的预处理数据进一步送至SVM3；当SVM3诊断结果为“正常”，则最终诊断结果为“正常”；路径6：将步骤2）所得连续多个放电周期的电压渐变数据序列送至SVM1，当SVM1诊断结果为 “异常”，则将连续多个放电周期的温度渐变数据进一步送至SVM2；当SVM2诊断结果为“正常”，再将所得的预处理数据进一步送至SVM3；当SVM3诊断结果为“异常”，则最终诊断结果为“异常”。