基于改进CNN-SVM的动力电池组故障诊断研究.pdfVIP

究与设计

基于改进CNN-SVM的动力电池组故障诊断研究

力，马明东，常春，姜久春

(湖北工业大学太阳能高效利用及储能运行控制北省重点实验室，北武汉430068)

摘要：针对卷积神经网络CNN)在动力电池组故障诊断中容易过拟合和准确度低的问题，提出了一种

改进的基于卷积神经网络的锂离子电池故障诊断模型。首先，对CNN网络的结构和参数进行调整和

优化，利用小波包变换将故障信息提取到CNN中，然后用支持向量机SVM)代替CNN中的SoftMax

分类器构建CNN-SVM模型，再利用粒子群算法(PSO)对SVM中的超参数进行优化，以得到用于电池

组故障诊断的最优模型，最后，通过故障实验对比来验证所提出方法的优越性。实验结果表明，

CNN-SVM模型的故障分类准确率可达97%以上，远高于传统深度学习网络，对锂离子电池组的故

障诊断具有实际意义。

关键词：锂离子电池组；故障诊断；卷积神经网络；支持向量机；PSO

中图分类号：TM912文献标识码：A文章编号：1002-087X2024)07-1273-08

DOI:10.3969/j.issn.1002-087X.2024.07.015

Researchonfaultdiagnosisofpowerbatterypackbasedonimproved

NN-SVM

LIAOLi,MAMingdong,HANGhun,JIANGJiuchun

HubeiKeyLaboratoryforHigh-efficiencyUtilizationofSolarEnergyandOperationControlofEnergyStorage

System,HubeiUniversityofTechnology,WuhanHubei430068,China)

Abstract:AnimprovedconvolutionalneuralnetworkCNN)basedlithium-ionbatteryfaultdiagno‐

sismodelwasproposedtoaddresstheissuesofoverfittingandlowaccuracyinCNNforbatterypack

faultdiagnosis.Firstly,thestructureandparametersoftheCNNnetworkwereadjustedandopti‐

mized.ThefaultinformationwasextractedintotheCNNusingwaveletpackettransform.Then,a

CNN-SVMmodelwasconstructedbyreplacingtheSoftMaxclassifierinCNNwithasupportvector

machineSVM).ThehyperparametersinSVMwereoptimizedusingtheparticleswarmoptimization

PSO)algorithmtoobtaintheoptimalmodelforbatterypackfaultdiagnosis.Finally,comparative

faultexperimentswereconductedtoverifythesuperiorityoftheproposedmethod.Theexperimental

resultsdemonstratethatthefaultclassificationaccuracyoftheCNN-SVMmodelcanreachmore

than97%,whichissignificantlyhigherthan