基于KPCA-MTCN的锂离子电池故障诊断方法.pdfVIP

工程科学学报，第

46

卷，第

12

期：2297−2306，2024

年

12

月

Chinese

Journal

of

Engineering,

Vol.

46,

No.

12:

2297−2306,

December

2024

/10.13374/j.issn2095-9389.2024.01.30.001;

基于KPCA-MTCN的锂离子电池故障诊断方法

1)1)✉1)2)1)1)

谭启鹏，李勇琦，陈

满，张领先，彭

鹏，万民惠

1)

南方电网调峰调频发电有限公司储能科研院，广州

511400

2)

北京四方继保工程技术有限公司，北京

100085

✉通信作者，

E-mail:139.com

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

分类号

TM911.2

Lithium-ion

battery

fault

diagnosis

method

based

on

KPCA-MTCN

1)1)✉1)2)1)1)

TANQipeng，LIYongqi，CHENMan，ZHANGLingxian，PENGPeng，WANMinhui

1)

CSG

PGCEnergy

Storage

Research

Institute,

Guangzhou

511400,

China

2)

Beijing

Sifang

Jibao

Engineering

Technology

Company

Limited,

Beijing

100085,

China

✉Corresponding

author,

E-mail:139.com

ABSTRACT

The

paper

proposes

a

method

based

on

kernel

principal

component

analysis

(KPCA)

and

multi-scale

temporal

convolution

network

(MTCN)

for

identifying

faults

in

lithium-ion

batteries,

which

is

crucial

for

ensuring

the

safe

and

stable

operation

of

energy-storage

systems.

Lithium-ion

batteries

are

the

primary

component

of

energy

storage

units.

The

method

involves

the

following

steps:

First,

fault

data

are

normalized,

and

KPCA

is

used

for

dimensionality

reduction

and

single

fault

detection

to

reduce

computational

complexity