本发明涉及新能源车辆电池监测，特别涉及一种新能源车辆动力电池故障诊断方法及系统。
背景技术：
1、目前电压数据结合熵值法已应用于电池故障诊断领域，并取得了一定效果，例如，香农熵法和样本熵值法，但是也存在了一些弊端，香农熵法容易受到随机误差的影响，导致将无故障单体电池识别为故障单体产生虚警；样本熵值法其诊断效果受尺度因子影响，具体与重构向量大小m 和相似度r取值有关，在故障诊断中起决定作用的计算窗口或重构向量m和相似度r主要以试错法形式获取，工作量较大。
技术实现思路
1、为了解决现有技术问题，本发明提供了一种新能源车辆动力电池故障诊断方法及系统。
2、一方面，提供了一种新能源车辆动力电池故障诊断方法，所述方法包括：
3、获取新能源车辆动力电池组中各单体电池电压连续时序数据，组成电压矩阵a；
4、对所述电压矩阵a进行特征增强，得到特征矩阵b；
5、按照预设长度为h，步长为1的滑动窗口，自上而下划过所述特征矩阵b，得到当前窗口下的特征矩阵e；
6、对当前窗口下的所述特征矩阵e中每列特征值序列通过熵值法计算熵值，得到当前窗口下的熵序列；
7、利用改进的基于局部距离异常检测方法结合阈值法对当前窗口下的所述熵序列中的值进行异常值识别和定位，完成动力电池故障诊断。
8、进一步地，所述特征增强选用局部增益或全局增益。
9、进一步地，所述全局增益公式如下：
10、；
11、其中，表示在第t个采样时刻下所有单体电池电压的中位值，表示在第t个采样时刻下第i个单体电池电压值，表示在第t个采样时刻下第i个单体电池经全局增益后的电压值；
12、所述全局增益具体步骤如下：
13、确定每个采样时刻下，所有单体电池电压值的中位数；
14、确定每个采样时刻下，所有单体电池电压值与所有单体电池电压值的中位数的差值的绝对值，并定义该差值的绝对值为，表示在第t个采样时刻下，单体电池i的电压值与在第t个采样时刻下所有单体电池电压值的中位数的差值的绝对值；
15、以为计算公式，即可求得在第t个采样时刻下单体电池i的电压经全局增益得到的特征增强。
16、进一步地，所述局部增益公式如下：
17、；
18、其中，表示单体电池i从与其第1个最近邻单体电池产生的电压差递增到与其第（k-1）个最近邻单体电池产生的电压差的累计和，为表示单体电池i对应与其最近邻第k个单体电池产生的电压差，k=1，2，...，k；
19、所述局部增益具体步骤如下：
20、确定每个采样时刻下，所有单体电池电压值的中位数；
21、选择k值，计算每个采样时刻下所有单体电池电压值的局部增益以及所有单体电池电压值的中位数的局部增益；
22、将每个采样时刻下所有单体电池电压值的局部增益与所有单体电池电压值的中位数的局部增益做差取绝对值即可得到特征增强。
23、进一步地，所述特征矩阵e如下：
24、；
25、其中，c为窗口数，c=t-h+1，t为采样条数，表示所有单体电池的电压经特征增强后在长度为h的第c个窗口下的值，表示第n个单体电池在长度为h的第c个窗口下第t时刻下电压经特征增强后的值。
26、进一步地，所述熵值法采用改进模糊熵方法，具体步骤包括：
27、从所述特征矩阵e中对每列特征值序列重新组成一组维数为m的向量序列；
28、其中，；
29、为序列的中位值；
30、在向量序列中定义两个m维向量和之间的距离；
31、定义模糊隶属度m，度量和的相似度，即
32、；
33、定义；
34、重复上述步骤，增加维数为（m+1），计算和之间的距离，定义模糊隶属度（m+1），度量和的相似度，即
35、；
36、定义模糊熵，。
37、进一步地，所述距离选用曼哈顿距离、欧式距离、余弦距离其中的一种。
38、进一步地，所述利用改进的基于局部距离异常检测方法结合阈值法对当前窗口下的所述熵序列中的值进行异常值识别和定位具体包括：
39、运用聚类算法对当前窗口下的特征矩阵e中所有列的熵序列中的改进模糊熵值进行分类，得到对应各分类下的改进模糊熵值；
40、计算当前窗口下每个类内所有改进模糊熵值到当前聚类中心的平均距离；
41、剔除当前窗口下每个类内到当前聚类中心距离小于平均距离的改进模糊熵值；
42、对当前窗口下所有类中保留的剩余改进模糊熵值做局部异常因子；
43、通过阈值法进行阈值设定：分别设定长度在[10，30]区间内的滑动窗口，计算各长度窗口下动力电池组中正常各单体电池的改进模糊熵值的局部异常因子，取所有长度窗口下的局部异常因子最大值为设定的阈值；
44、通过滑动窗口迭代，得到每个窗口下基于各电池单体的改进模糊熵值的局部异常因子，并通过设定的阈值与当前窗口下基于各电池单体的改进模糊熵值的局部异常因子进行比较，若无局部异常因子超过阈值情况，则判断当前窗口下无异常单体电池，则滑动窗口继续向下移动，按照上述方法对下一个窗口下的各电池单体的改进模糊熵值的局部异常因子进行判断，若当前窗口中存在改进模糊熵值的局部异常因子超过阈值，则该改进模糊熵值的局部异常因子所对应的单体电池即为故障单体电池。
45、进一步地，所述聚类算法选用k-means聚类、dbscan聚类、gmm聚类中的任意一种。
46、另一方面，提供了一种新能源车辆动力电池故障诊断系统，包括：存储器，处理器以及存储在所述存储器中、并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够实现所述的新能源车辆动力电池故障诊断方法的步骤。
47、本发明实施例提供的技术方案带来的有益效果是：本发明中通过获取电池组中各单体电池电压连续时序数据组成电压矩阵a，对电压矩阵a进行特征增强，放大电压信号中的异常数据，将电池故障问题转化为电池电压离群点检测问题，提高了电池故障诊断能力，防止将无故障单体电池识别为故障单体产生虚警。
48、其次，本发明结合滑动窗口法即可实现电池实时状态诊断，其对滑动窗口长度无明显过多依赖，降低误诊断率。
49、另外，本发明提出利用改进的基于局部距离异常检测方法和聚类算法，筛选出待进一步诊断的可疑的熵值进行局部异常系数计算，大大缩短了计算量。
1.一种新能源车辆动力电池故障诊断方法，其特征在于，所述方法包括：
2.根据权利要求1所述的新能源车辆动力电池故障诊断方法，其特征在于，所述特征增强选用局部增益或全局增益。
3.根据权利要求2所述的新能源车辆动力电池故障诊断方法，其特征在于，
4.根据权利要求3所述的新能源车辆动力电池故障诊断方法，其特征在于，
5.根据权利要求4所述的新能源车辆动力电池故障诊断方法，其特征在于，所述特征矩阵e如下：
6.根据权利要求5所述的新能源车辆动力电池故障诊断方法，其特征在于，所述改进模糊熵方法具体步骤包括：
7.根据权利要求6所述的新能源车辆动力电池故障诊断方法，其特征在于，所述距离选用曼哈顿距离、欧式距离、余弦距离其中的一种。
8.根据权利要求7所述的新能源车辆动力电池故障诊断方法，其特征在于，所述聚类算法选用k-means聚类、dbscan聚类、gmm聚类中的任意一种。
9.一种新能源车辆动力电池故障诊断系统，其特征在于，包括：存储器，处理器以及存储在所述存储器中、并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时能够实现如权利要求1~8任一项所述的新能源车辆动力电池故障诊断方法的步骤。
