本發(fā)明涉及蓄電池故障診斷，具體涉及一種離網(wǎng)太陽能蓄電池的故障診斷方法。

背景技術：

1、近年來，隨著新能源汽車的大量普及，充電站、換電站和換電柜等也在全面建設。由于太陽能光伏發(fā)電的成本較低，已經(jīng)得到大規(guī)模應用推廣，使用太陽能光伏發(fā)電技術的光儲能系統(tǒng)也越來越多。在光儲能系統(tǒng)中，蓄電池得到大規(guī)模應用，而蓄電池故障則可能導致電池性能下降、容量損失、充電速度減慢甚至電池失效。因此，研發(fā)一種準確的蓄電池故障診斷方法對于提高蓄電池的可靠性和使用壽命至關重要。

2、目前，已有一些蓄電池故障診斷方法被提出，其中一種常見的方法是通過對電池內(nèi)部參數(shù)進行監(jiān)測和分析，結合充放電過程對蓄電池的健康狀況進行評估。但是，這種方法存在故障類型診斷不夠準確的問題，導致診斷結果的準確性和可靠性有待提高。

3、另一種常見的方法是通過對電池外部特征(如外殼溫度、電池外觀變化等)進行監(jiān)測和分析，結合使用過程中的異常現(xiàn)象，可以初步判斷電池是否存在故障。然而，這種方法只能提供粗略的故障診斷結果。

技術實現(xiàn)思路

1、(一)解決的技術問題

2、針對現(xiàn)有技術所存在的上述缺點，本發(fā)明提供了一種離網(wǎng)太陽能蓄電池的故障診斷方法，能夠有效克服現(xiàn)有技術所存在的難以對蓄電池進行準確故障診斷的缺陷。

3、(二)技術方案

4、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：

5、一種離網(wǎng)太陽能蓄電池的故障診斷方法，包括以下步驟：

6、s1、采集目標蓄電池的電壓數(shù)據(jù)，對電壓數(shù)據(jù)進行小波包分解，構建小波包系數(shù)矩陣；

7、s2、對小波包系數(shù)矩陣進行奇異值分解，得到奇異值矩陣，并確定故障特征值對應的特征向量曲線；

8、s3、計算特征向量曲線與參考特征向量曲線之間的相似度，判斷目標蓄電池是否發(fā)生故障，以及故障類型，得到第一故障診斷結果；

9、s4、當目標蓄電池發(fā)生故障時，根據(jù)電壓數(shù)據(jù)構建目標蓄電池的特征序列；

10、s5、將特征序列分別輸入多個孤立森林模型，得到對應的二叉樹特征，并根據(jù)二叉樹特征分別計算特征序列在各孤立森林模型下的異常概率；

11、s6、重復s5，直至達到預設循環(huán)次數(shù)，分別計算特征序列在各孤立森林模型下的異常概率平均值，并判斷目標蓄電池的故障類型，得到第二故障診斷結果；

12、s7、結合第一故障診斷結果和第二故障診斷結果，對目標蓄電池進行綜合故障診斷，得到最終故障診斷結果。

13、優(yōu)選地，s1中采集目標蓄電池的電壓數(shù)據(jù)，對電壓數(shù)據(jù)進行小波包分解，構建小波包系數(shù)矩陣，包括：

14、采集目標蓄電池的電壓數(shù)據(jù)，對電壓數(shù)據(jù)進行小波包分解，得到低頻信號小波系數(shù)和高頻信號小波系數(shù)；

15、根據(jù)低頻信號小波系數(shù)和高頻信號小波系數(shù)構建小波包系數(shù)矩陣。

16、優(yōu)選地，s2中對小波包系數(shù)矩陣進行奇異值分解，得到奇異值矩陣，并確定故障特征值對應的特征向量曲線，包括：

17、對小波包系數(shù)矩陣進行奇異值分解，得到奇異值矩陣；

18、根據(jù)奇異值矩陣確定小波包系數(shù)矩陣的非零奇異值，并計算非零奇異值的均值得到故障特征值，確定故障特征值對應的特征向量曲線。

19、優(yōu)選地，s3中計算特征向量曲線與參考特征向量曲線之間的相似度，判斷目標蓄電池是否發(fā)生故障，以及故障類型，得到第一故障診斷結果，包括：

20、計算特征向量曲線與參考特征向量曲線之間的相似度，判斷相似度是否大于第一預設距離閾值；

21、若相似度大于第一預設距離閾值，則判斷目標蓄電池發(fā)生故障，否則判斷目標蓄電池未發(fā)生故障；

22、當判斷目標蓄電池發(fā)生故障時，確定對應的故障類型，得到第一故障診斷結果。

23、優(yōu)選地，所述當判斷目標蓄電池發(fā)生故障時，確定對應的故障類型，得到第一故障診斷結果，包括：

24、計算特征向量曲線與參考特征向量曲線中所有采樣點之間的相似度，并篩選相似度大于第二預設距離閾值的特征向量曲線的目標采樣點；

25、提取目標采樣點的非零奇異值，以得到故障特征值；

26、根據(jù)故障特征值確定對應的故障類型，得到第一故障診斷結果。

27、優(yōu)選地，所述參考特征向量曲線的生成方法，包括：

28、將各蓄電池的特征向量曲線中所有非零奇異值按照從小到大排序，并獲取排序后所有非零奇異值的中位數(shù)；

29、根據(jù)從各蓄電池的特征向量曲線中提取的所有非零奇異值的中位數(shù)，生成參考特征向量曲線。

30、優(yōu)選地，s4中當目標蓄電池發(fā)生故障時，根據(jù)電壓數(shù)據(jù)構建目標蓄電池的特征序列，包括：

31、當目標蓄電池發(fā)生故障時，對電壓數(shù)據(jù)進行數(shù)據(jù)清洗，根據(jù)清洗后的電壓數(shù)據(jù)構建目標蓄電池的特征序列；

32、其中，對于電壓數(shù)據(jù)中的缺失值和異常值，采用k最近鄰法進行數(shù)據(jù)補充。

33、優(yōu)選地，s5中將特征序列分別輸入多個孤立森林模型，得到對應的二叉樹特征，并根據(jù)二叉樹特征分別計算特征序列在各孤立森林模型下的異常概率，包括：

34、將特征序列分別輸入多個孤立森林模型，采用二叉樹算法在各孤立森林模型中重復查找特征序列，直至達到預設終止條件，得到特征序列在各孤立森林模型中對應的二叉樹特征；

35、根據(jù)特征序列在各孤立森林模型中對應的二叉樹特征，分別計算特征序列在各孤立森林模型下的異常概率；

36、其中，各孤立森林模型分別對應不同的故障類型。

37、優(yōu)選地，所述根據(jù)特征序列在各孤立森林模型中對應的二叉樹特征，分別計算特征序列在各孤立森林模型下的異常概率，包括：

38、根據(jù)二叉樹特征計算特征序列在各孤立森林模型下的異常度和正常度；

39、根據(jù)特征序列在各孤立森林模型下的異常度和正常度，分別計算特征序列在各孤立森林模型下的異常概率。

40、優(yōu)選地，s6中分別計算特征序列在各孤立森林模型下的異常概率平均值，并判斷目標蓄電池的故障類型，得到第二故障診斷結果，包括：

41、分別計算特征序列在各孤立森林模型下的異常概率平均值，將異常概率平均值最大的孤立森林模型對應的故障類型作為目標蓄電池的故障類型，得到第二故障診斷結果。

42、(三)有益效果

43、與現(xiàn)有技術相比，本發(fā)明所提供的一種離網(wǎng)太陽能蓄電池的故障診斷方法，具有以下有益效果：

44、1)采集目標蓄電池的電壓數(shù)據(jù)，對電壓數(shù)據(jù)進行小波包分解，構建小波包系數(shù)矩陣，對小波包系數(shù)矩陣進行奇異值分解，得到奇異值矩陣，并確定故障特征值對應的特征向量曲線，能夠基于目標蓄電池的電壓數(shù)據(jù)得到特征向量曲線，并通過計算特征向量曲線與參考特征向量曲線之間的相似度，判斷目標蓄電池是否發(fā)生故障，以及故障類型；

45、2)當目標蓄電池發(fā)生故障時，根據(jù)電壓數(shù)據(jù)構建目標蓄電池的特征序列，將特征序列分別輸入多個孤立森林模型，得到對應的二叉樹特征，并根據(jù)二叉樹特征分別計算特征序列在各孤立森林模型下的異常概率，分別計算特征序列在各孤立森林模型下的異常概率平均值，并判斷目標蓄電池的故障類型，得到第二故障診斷結果，通過將特征序列分別輸入多個孤立森林模型，并計算得到特征序列在各孤立森林模型下的異常概率平均值，來判斷目標蓄電池的故障類型；

46、3)結合第一故障診斷結果和第二故障診斷結果，對目標蓄電池進行綜合故障診斷，得到最終故障診斷結果，從而能夠對蓄電池進行準確的故障診斷，有效提高診斷結果的準確性和可靠性。