应用麻雀搜索和概率神经网络的储能电池故障诊断

喻思维, 张雪松, 林达, 李正阳, 熊瑞*

(1.北京理工大学机械与车辆学院, 北京 100084; 2.国网浙江省电力有限公司电力科学研究院, 杭州 310014)

大力发展电化学储能技术,通过调整电源结构,形成新型电力系统,以达到清洁绿色的发展目标,是促进中国电能产业变革,形成清洁低碳、安全有效能源结构的切实要求,也是实现“双碳”目标的有力抓手。锂离子动力电池,由于具备输出电流大、容量致密高、循环寿命长等优点,已应用于大规模电化学储能行业[1-3]。但锂离子电池安全运行区间窄,发生事故时高度易燃、灭火困难,因此需要电池管理系统进行有效调控。近年来储能电站火灾爆炸事故层出不穷,储能电池的运行安全感知问题一直是学者关注的重点,当前主流的解决方案是电池管理系统对电池进行故障检测,及时对电池运行故障做出判断并采取相应措施。

电池故障类型繁多,触发诱因复杂,损伤机理尚不明晰,准确定位电池故障类型是电池管理系统面临的主要挑战之一。电池故障根据发生过程可分为长期故障和临时故障[4]。长期故障大多由电池老化所引起,电池老化导致了电池内活性材料的降低和内阻的增大,并由此造成了电池功耗和能量密度的下降。当电池能量密度下降到一定程度时,可能会引发故障。临时故障主要由机械滥用、电气滥用和热滥用所引起,如过充,过放和内部短路故障等。与长期故障相比,临时故障因早期微小的故障特征不明显,容易被噪声和干扰淹没,系统无法及时辨别,导致预警时间较短甚至无预警时间,难以区分,潜在危害更大。因此,现主要针对电池的过充,过放电和短路的早期微小故障状态展开讨论。

故障诊断策略可以分为两大类:根据建模的诊断方式和采用大数据分析驱动的诊断方式[5]。由于基于模型的方法结构简单易于求解,已广泛应用于各种场景。Chen等[6]利用研究锂离子电池的外部短路故障特性,给出了一个基于二层模型的故障判定方案,第一层用于初步的故障判定,第二层则提供了基于模拟的精确故障判定计算,降低了算法对于SOC精度的依赖性。Sidhu等[7]使用了一种自适应故障诊断技术,利用等效电路模型构建非线性故障特征模型。Wu等[8]设计了一种适用于大功率场合的锂离子电池故障诊断系统,该系统能对锂离子电池的退化进行评估,并在充分了解内部故障机制的情况下做出诊断决策 。但锂离子电池在运行过程中表现出强时变、非线性、多差异的特征,获得精确的电池模型十分困难,使得基于模型的故障诊断方法精度受限。此外,基于信号处理的方法的应用通常受到测量噪声的限制。

针对以上问题,数据驱动技术进一步简化了诊断机制[9]。Zhao等[10]使用了全年的实车行驶数据分析,并推出了一个采用机器学习算法和3σ多级筛选策略(three-sigma management system, 3σ-MSS)的大数据分析驱动故障诊断模式, 该算法将大数据统计应用于故障诊断中,运用实车数据证明了方法的良好适用性和可行性。Yang等[11]初步提出了用分数阶模型和一阶等效电路模型来确定锂离子电池的外部短路(external short circuit, ESC)故障,并用遗传算法对模型参数进行了辨识。此外,他们还使用随机森林分类器来识别由于 ESC 故障造成的电解质泄漏的电池。在此之后,Naha等[12]使用基于随的故障诊断模型在线检测锂离子电池的内短路故障(internal short circuit, ISC),研究者通过开发具有和不具有ISC的两个锂离子电池模型来生成训练特征集,其中模型参数通过几次充放电循环测试进行识别和提取。这项研究的故障检测准确率为97%,然而,在一些先进的高度复杂和大功率的应用中,即使是3%的误差也是不可接受的。Ortiz等[13]采用径向基核函数的支持向量机(kernel support vector machine, KSVM)对故障和正常电池单元进行分类,结果表明,与传统支持向量机相比,KSVM具有更高的分类效率。然而,尽管相关向量机被广泛用于预测锂离子动力电池的剩余寿命[14-15],但基于KSVM的方法在锂离子电池故障诊断领域的性能还没有得到测试。由此可见,大数据驱动的故障诊断机制虽然在适应锂离子动力电池非线性问题方面表现出色,但同时也存在着通用性较差,模型培训过程耗时,神经网络训练更易进入的局部最优级问题。因此,针对复杂的储能系统微小故障诊断需求,提高故障识别准确率,提出一个高效且完备的微小故障诊断策略具有重要意义。概率神经网络(probabilistic neural network, PNN) 具有跳出的最优、泛化性能好和收敛速率高的优点,适用于强时变、非线性的锂离子储能电池微小故障诊断。

基于此,现采用数据驱动的故障诊断策略,使用麻雀搜索算法改进的概率神经网络(SSA-PNN)对数据进行分类,避免了两个复杂且耗时的步骤:收集准确的电池物理信息和学习电池内部参数与外部测量参数(如工作电流、端电压和温度非线性)之间的关系,减少对特定领域知识的需求和减少系统开发的时间,对锂离子电池的微小故障诊断问题进行研究。

1 基于SSA-PNN的微小故障诊断方法

概率神经网络擅长模式识别,各子神经网络可自主执行,在故障诊断的方法中,其训练方法是前向线性的,具有相对较少的训练周期以及超强的特征提取功能,因此相比于其他识别手段效能较好。现在概率神经网络的基础上引入麻雀搜索算法,目的在于解决传统PNN平滑因子设定不准确的问题,从而进一步提高故障诊断模型的性能。

1.1 储能电池微小故障诊断方法架构

为解决储能电池微小故障诊断问题,本文提出一种基于SSA的改进PNN算法,如图1所示,具体步骤如下。

图1 故障诊断方法框图Fig.1 Fault diagnosis method block diagram

Step1采集电池运行过程中电池电流,电压,温度三个维度的数据。将数据特征标定为正常运行,过充电,过放电和短路3种类型。

Step2将故障的矩阵划分成训练集和试验集,然后进行标注。

Step3设置麻雀搜索算法中的重要参数,如种群总量、最佳迭代频次、搜索的上下边界(平滑因子的范围)。

Step4将训练集及其标签输入SSA-PNN模型进行训练,使模型找到平滑因子的最优值,然后输入测试集及其标签进行测试。

1.2 麻雀搜索算法

麻雀搜索算法是一个全新的群体智能优化方法,它抽象了一个发现者-参与者模式,其方法相对新颖,拥有良好的全局检索功能以及良好的收敛效率。它可以模仿麻雀量群的进食情况,在这种方法中,人们需要通过对虚拟麻雀量群完成食物的搜索,麻雀量群包括了发现者和参与者。麻雀数量为n的种群X用公式表示为

(1)

式(1)中:d为待优化问题变量的维数;n为麻雀的数量。因此,对所有麻雀的适应力都可用公式表示为

(2)

式(2)中:f代表适应度值。

在SSA中,适应度较好的捕食者会在捕获过程中,优先得到食物。另外,作为麻雀种群中的引领者,发现者还负责搜索食物并指明搜索的方位,使得发现者有更广阔的食品搜寻区域。在每一个迭代过程中,关于发现者位置的更新公式为

(3)

式(3)中:t为当前的迭代的次数;j=1,2,…,d;Nmax为迭代的最大次数;Xi,j表示第i只麻雀在第j维中的定位信息;α∈(0,1],是一个随机数。R2(R2∈[0,1])和ST(ST∈[0.5,1])分别代表预警数值和安全值;Q为服从正态分布的随机数;L为一组1×d的矩阵,在其中这个矩阵内任何元素都是1。

当R2

(4)

式(4)中:XP和Xworst分别代表目前发现者所拥有的最优方位和全局最劣方位;A为1×d的矩阵,其中每个元素都被随机赋值为1或者-1,并且A+=AT(AAT)-1。当i>n/2时,就意味着适应力较弱的第i个加入者将不能得到食物,此时必须前往其他区域进食,以获取更多能量。本文中采用训练集分类错误率与测试集分类错误率之和作为适应度值[16-17]。

算法流程如下:

Step1先初始化种群数量,然后设定最大迭代时间,并初始化捕食者与加入者的关系。

Step2计算每只麻雀的适应度值,并进行排序。

Step3利用式(3)调整捕食者位置。

Step4利用式(4)更新加入者位置。

Step5重新计算调整后的适应性值以及更新麻雀位置。

Step6检查是否符合停止要求,如果符合则结束,并输出数据,否则,再次执行Step 2～Step 5。

1.3 概率神经网络

概率神经网络[18]是径向基网络的一个分支,其实质上是一种基于贝叶斯最小风险原则的有监督网络分类器,是解决分类问题的一种可靠且高效的工具。

与传统的神经网络训练不同,概率神经网络主要通过将给定样本的相似性估计值与相邻样本进行比较。该比较基于概率分布密度,用于确定分类结果。

概率神经网络通常包括四层,即输入层、模式层、求和层和输出层。输入层接受模型的输入信号,与模式层一同形成一个完全连接的结构。计算输入层与模拟层之间的联系是利用一个高斯函数[式(5)],可以得到在模拟层中的各个神经元与输入层中的各个神经元间的对应关系。最后将各类的对应关系累加求和,然后取得平均值,得出输入数据的所属范围。

(5)

式(5)中:lg为g类的数量;n为特征的数量;σ为平滑系数,它是一个能够调节的系数,通常介于0～1之间,通过调节能够增加精度;xij为g类的第i个神经元的第j个数据。

求和层对模式层的所有输出值进行求和,并统计故障种类的概率密度。输出层通过在每个故障类别的评估概率密度中,拥有最大后验概率密度的神经元数量来判断最后的检测结果。

PNN的基本模型如图2所示。

图2 概率神经网络运行原理Fig.2 Probabilistic neural network structure

2 实验验证

2.1 实验准备

以宁德时代新能源科技股份有限公司CB310型磷酸铁电池为研究对象。该电池采用磷酸铁锂作为正极材料,石墨为负极材料。

电池的具体参数如表1所示。

表1 实验用磷酸铁锂电池具体参数Table 1 The specific parameters of the battery the specific parameters of the battery

充电功率与电池管理系统多次测量的电池的能量值的比率。例如:电池能量为896 W·h,充电功率为224 W时,则充电倍率为0.25P;当电池能量衰减为716.8 W·h,充电电流为179.2 W时,则充电倍率为0.25P。

电池测试平台采用美国ARBIN BT2000电池测试系统,回收电池充放电情况,记录电流、电压、温度数据。 切片实验中的阻抗测试使用日本HiOKI BT3563电池阻抗分析仪。 高低温实验在国产腾斯特的高低温环境实验箱中进行。实验方法主要参考近五年电池故障相关研究实验[19-21]。

2.2 电池特性实验

为了深入了解故障机理,获得微小故障征兆数据集,设计电池不同功率下充放电,高温环境充放电,低温环境充放电,过充,过放,短路等一系列滥用实验。通过实验收集电池失效数据,根据电压、温度等数据分析内部电化学失效过程,为典型故障模式的选择和故障特征向量的提取提供依据。

数据包括四类,即正常运行,过充电,过放电和短路。每类数据采集250组,一共1 000组实验数据进行故障诊断模型的训练和测试。

2.3 电池故障实验

过充电,过放电和短路属于电池经典故障,在实际应用中,电池大多数的使用情况仍然是放电阶段,因此对过放电故障的研究也是十分有必要的。如图3所示,本文中通过向磷酸铁锂电池从3.07 V开始,以-280 A的电流放电至0 V。在此过程中,放出293.5 A·h的容量,温度最高为33 ℃。过放阶段相对于正常阶段电池极化加剧,电压出现明显的突降特征,温升相对于正常阶段也更加剧烈。

图3 电池过放电测试Fig.3 Battery over-discharge test

通过分析图3可以看出在电池过放电实验中,电池的放电电压的突然下降和电池温度最高点几乎同时到达,电池的过放电过程也是电池温度不断上升的过程。这是因为电池极化加剧,电池锂枝晶不断嵌入使得电池内阻升高,进而温度升高速度加快[22]。由此可知电池在进行更深度的过放电时,电池性能下降的更快。因此电池放电过程中的电压和温度可以作为衡量电池过放程度的衡量标准。

一般来说锂离子电池的过充指的是电池在达到充满状态后依然对电池进行充电,一般储能电池有截止电流进行保护,在电池电压达到3.65 V时,电池管理系统(battery management system, BMS)申请终止充电,达到3.69 V时,BMS强制终止充电。LiFePO4作为现有动力电池常用的材料,其在正极应用材料的选择方面表现的相当活跃,特别是其热稳定性相比于其他材料,表现出的特性最佳,因此对于电池过充电的研究主要着眼于多次过充电对电池表面温度的影响[23]。将电池进行恒流过充电直至电池失效,将电池电压以及电池的表面温度变化记录如图4所示。

图4 电池过充电测试Fig.4 Battery over-charge test

通过恒流过充实验结果可以看出,电池被充电至5.45 V。当电池过充后电池温度不断增加,在此过程中,两个温度传感器的最大温度为27 ℃。在4.85 V左右出现了一个平台期,代表一个相变阶段,可能预示着电化学副反应的发生。也可能此时电池已经达到热失控的界限,再对电池充电,电池温度过高而后失效。这证明了过充电对电池的温度有着较大的相关性。

在外部短测试中,使用两个温度传感器来测量温度变化:贴在电池左右两侧(靠近焊接点的位置)。除温度外,电池和电池组的电压以也被记录在所有的测试中。

图5绘制了电池的温度和电压、电流曲线。可以看出,连接电极片会导致电池电压在很短的时间内从充电状态急剧下降到0 V。同时,电池的电流也在短路的瞬间达到非常大的数值,最大甚至高达4 353 A。在电流和电压急速变化的同时,电池的温度也明显升高,分别在60 s左右达到了45.9 ℃的最大值。之后,由于电池实验散热环境较好,电池温度随着时间有了明显的降低。从压力测量中来看,均在20.1～20.2 kPa徘徊,没有比较大的变化,说明该温度下还没有引起电池内部化学反应而导致的胀气行为。但总的来说,外部短路的电池不同位置的温度以相似的速率上升,这是由于电池内的热量均匀分布的结果。

图5 电池短路测试Fig.5 Battery short circuit test

3 算例分析

以过充,过放,内短路故障作为主要微小故障类型,分类为1、2、3、4包含正常状态在内的4种电池状态向量。随机选取上述实验中的1 000组故障数据,将3/4作为训练集,1/4作为测试集。

使用MATLAB分别实现SSA-PNN,PNN,反向传播神经网络(backpropagation neural network, BPNN),后两种神经网络用于性能对比分析。采用预测正确率作为性能评价指标。

3.1 算例结果分析

将故障特征矩阵输入到SSA-PNN模型中,结果如图6、图7所示。从图6可以看出概率神经网络故障诊断模型的训练效果,在前900个训练样本中有171、295、676个数据产生错误,故障诊断准确率在99.7%。

误差为0表示分类完全正确;误差为1表示出现了误诊断图6 SSA-PNN网络训练结果Fig.6 SSA-PNN network training results

*与△完全重合表示网络对故障的诊断正确,否则诊断有误图7 SSA-PNN网络分类结果Fig.7 SSA-PNN network classification results

取一段时间内包含1、2、3、4所有类型的故障共100条数据作为测试集,在测试集的100 个样本中,观察发现所有测试样本诊断正确,如图7所示,该网络综合分类准确率达到100%。

以上数据表明基于SSA-PNN的微小故障诊断方法可以有效地对磷酸铁锂储能电池的微小故障进行诊断,且提升了诊断精度。同时麻雀搜索算法在一定程度上降低了网络复杂性和所需运算量,减少了训练时间并且有效预防了过拟合的现象发生。此方法在储能电池的微小故障诊断方面拥有一定的优势。

3.2 算例对比分析

为了验证所提方法的优越性,将SSA-PNN故障诊断方法与传统PNN方法和BP神经网络进行了比较。

使用传统概率神经网络就相同的样本数据进行对比分析,PNN算法训练结果如图8所示,在900个训练样本中存在8个分类错误。

误差为0表示分类完全正确;误差为1表示出现了误诊断图8 PNN网络训练结果Fig.8 PNN network training results

传统PNN算法测试结果如图9所示,可见,传统PNN算法大致上可以完成正确故障诊断,分类正确率在97%。这表明在训练过程中,SSA-PNN算法性能更为优越。表2列出了优化前后故障诊断能力的对比。可以看出,更新后的SSA-PNN算法在训练能力和诊断准确率两方面都有所提升,这也进一步证明了该算法在锂离子电池故障诊断领域的实用性。

表2 锂离子电池故障诊断性能比较Table 2 Lithium-ion battery fault diagnosis performance comparison

*与△完全重合表示网络对故障的诊断正确,否则诊断有误图9 PNN网络分类结果Fig.9 PNN network classification results

故障数据集输入到BP神经网络模型中。 BP模型的分类结果如图10所示,显示在测试集的短样本中分类准确率约为95%。从训练速度上来看,BP神经网络相较于概率神经网络训练时间更长,难以达到满足准确率的情况下又能迅速进行微小故障诊断的理想效果。

图10 BP神经网络强分类器和弱分类器故障诊断误差Fig.10 BP neural network strong classifier and weak classifier error

4 结论

针对锂离子储能电池微小故障征兆微弱的特点,在神经网络算法的基础上,提出了麻雀搜索算法改进的概率神经网络微小故障诊断方法,开展电池故障特性试验,并对故障诊断模型做出验证。验证结果表明,针对锂离子电池轻微过充、过放以及内短路等故障,本文提出的方法相比传统概率神经网络和BP神经网络,可以有效地自适应选择PNN模型中的平滑因子,准确率达到99.7%,精度更高,而且在分类速度和准确率上均有提升,实现了良好的分类效果。

未来将围绕故障检出后的维护和管控开展研究,尤其是对故障机制间的关系和耦合问题展开研究,进一步提高储能系统的安全性和可靠性。