本发明涉及电池安全技术领域，尤其涉及一种锂离子动力电池的漏液检测方法。
背景技术：
外部短路属于车用锂离子动力电池故障中最为常见的一种突发性故障，在发生外部短路之后的几十秒内，动力电池所产生的高温与大电流，极有可能引发严重的漏液，泄漏的电解液则会进一步引发包括起火在内的更为严重的后果，因此对动力电池漏液进行判别是十分重要的。然而，由于车用锂离子动力电池通常安置与电池箱中，通过开箱观察电池是否漏液既不便捷也不安全，而且车用锂离子电池往往是数百节电池串联、并联组成电池组，电池之间排列密集，即便观察到漏液也难以对具体漏液的电池位置实现定位。由此可见，现有的锂离子动力电池的漏液检测方式尚存在一定局限性，本领域迫切的需要一种即使不打开电池箱也可实现漏液检测的方法。
技术实现要素：
针对上述本领域中存在的技术问题，本发明提供了一种锂离子动力电池的漏液检测方法，具体包括以下步骤：
步骤一、对不同锂离子动力电池进行多组外部短路试验，记录电流、电压以及温度数据；
步骤二、对锂离子动力电池建立电池模型，并基于所述步骤一中记录的所述数据对所述电池模型进行参数辨识，并确定发生短路故障状态阈值以及发生漏液状态阈值；
步骤三、利用步骤二中所建立的电池模型对故障进行在线诊断，并根据动力电池数据判断其与发生短路故障状态以及发生漏液状态的吻合度；
步骤四、建立基于随机森林算法的分类器，并根据所述步骤一中记录的所述数据对所述分类器进行训练，实现对发生短路故障状态以及发生漏液状态的监测。
步骤五、联合所述电池模型以及所述基于随机森林算法的分类器对是否发生漏液进行检测。
进一步地，所述步骤二具体包括：
所建立的电池模型采用分数阶阻抗模型，利用未发生漏液时的电流、电压以及温度数据对所述模型进行训练，从而建立出能够模拟非漏液状态下外部短路电特性变化的电池模型；基于遗传算法对所述分数阶阻抗模型进行参数辨识。
进一步地，所述步骤三所述的对故障进行在线诊断具体包括：
对实际动力电池电压与所述分数阶阻抗模型在短路故障状态下输出的电压进行比较，计算从短路开始到当前时刻的时间段内的吻合度χ：
Vm为模型预测端电压，V为电池实际端电压，n为数据长度。
将所述吻合度χ与所述步骤二中确定的所述发生短路故障状态阈值δ1以及发生漏液状态阈值δ2进行比较。
进一步地，所述步骤四中所建立的基于随机森林算法的分类器及其训练过程具体包括：
4.1、采集短路发生后M个锂离子动力电池样本中漏液电池与非漏液电池的最大温升与放电容量统计数据，作为总训练数据集输入至随机森林算法中；
4.2、利用Bootstrap方法进行重采样，随机产生N个训练数据集S1,S2,…,SN。其中，Si(1≤i≤N)为第i次从M个电池样本数据中有放回的抽取形成的数据集；
4.3、基于所产生的N个训练数据集分别随机生成N棵决策树，每棵决策树被训练后掌握通过最大温升与放电容量数据判断是否发生漏液的分类能力。
进一步地，所述步骤五中所述的联合所述分数阶阻抗模型以及所述基于随机森林算法的分类器进行检测，具体包括：
5.1、根据吻合度χ与所述发生短路故障状态阈值δ1以及发生漏液状态阈值δ2的比较结果进行判断，若χ＞δ2，认为没有发生漏液，赋值K1＝0；若δ1<χ<δ2，则认为发生漏液，赋值K＝1；
5.2、运行基于随机森林算法的分类器，将采集到的锂离子动力电池最大温升与放电量作为测试数据集X输入至已训练好的各棵决策树中，输出漏液监测状态K2，当发生漏液时赋值K2＝1；
5.3、当K1与K2同时为1时，赋值K＝1，表示电池发生漏液，否则K＝0，表示未发生漏液。
根据本发明所提供的上述方法，能够在不打开电池箱观察的情况下准确判定短路故障是否造成了电池漏液。通过建立外部短路故障的电池模型，以及运行基于随机森林方法的分类器实现了联合漏液识别。该方法适用于电池故障诊断系统，可以为电池短路后的故障程度预测与诊断提供依据，具有运行简单、易于实现等诸多有益效果。
附图说明
图1是根据本发明所提供的方法的流程示意图
图2是锂离子动力电池分数阶阻抗模型的示意图
图3是根据本发明的一具体实例中动力电池端电压预测值与实测值随时间变化关系(SoC＝20％)
图4是根据本发明的一具体实例中动力电池端电压预测值与实测值随时间变化关系(SoC＝60％)
图5是根据本发明的一具体实例中动力电池端电压预测值与实测值随时间变化关系(SoC＝100％)
图6是基于随机森林算法的分类器示意图
图7是漏液检测判别结果
具体实施方式
下面结合附图对本发明所提供的锂离子动力电池的漏液检测方法的技术方案，做出进一步详尽的阐释。
如图1所示，本发明所提供的方法具体包括以下步骤：
步骤一、对不同锂离子动力电池进行多组外部短路试验，记录电流、电压以及温度数据；
步骤二、对锂离子动力电池建立分数阶阻抗模型，并基于所述步骤一中记录的所述数据对所述分数阶阻抗模型进行参数辨识，并确定发生短路故障状态阈值以及发生漏液状态阈值；
步骤三、利用步骤二中所建立的分数阶阻抗模型对故障进行在线诊断，并根据动力电池数据判断其与发生短路故障状态以及发生漏液状态的吻合度；
步骤四、建立基于随机森林算法的分类器，并根据所述步骤一中记录的所述数据对所述分类器进行训练，实现对发生短路故障状态以及发生漏液状态的监测。
步骤五、联合所述分数阶阻抗模型以及所述基于随机森林算法的分类器对是否发生漏液进行检测。
在本申请的一个优选实施例中，所述步骤二具体包括：
所建立的分数阶阻抗模型采用分数阶阻抗模型，如图2所示，图中Vocv为开路电压，Ro为欧姆内阻，Rct为电荷转移内阻，CPE为常相位角原件，W为韦伯阻抗。利用未发生漏液时的电流、电压以及温度数据对所述模型进行训练，在室温(20℃)下针对低、中、高三种初始SoC(20％、60％和100％)进行，同一条件下分别实验1支电池单体，记录3支电池单体实验过程中的电池电压与电流变化，这3支单体均没有发生漏液现象。从而建立出能够模拟非漏液状态下外部短路电特性变化的电池模型；基于遗传算法对所述分数阶阻抗模型进行参数辨识。动力电池端电压预测结果与实测端电压结果如图3-5所示。误差均方根值如表1所列。
表1
在本申请的一个优选实施例中，所述步骤三所述的对故障进行在线诊断具体包括：
对实际动力电池电压与所述分数阶阻抗模型在短路故障状态下输出的电压进行比较，计算从短路开始到当前时刻的时间段内的吻合度χ：
Vm为模型预测端电压，V为电池实际端电压，n为数据长度。
将所述吻合度χ与所述步骤二中确定的所述发生短路故障状态阈值δ1以及发生漏液状态阈值δ2进行比较。另选3支初始SoC分别为20％、60％和100％电池开展外部短路实验，记电流、电压及温度数据。采用第一步已经训练好的模型预测外部短路故障行为，得到前2s内端电压预测值与实测值均方根误差，如表2所示。
表2
在本申请的一个优选实施例中，如图6所示，所述步骤四中所建立的基于随机森林算法的分类器及其训练过程具体包括：
4.1、采集短路发生后M个锂离子动力电池样本中漏液电池与非漏液电池的最大温升与放电容量统计数据，作为总训练数据集输入至随机森林算法中；
4.2、利用Bootstrap方法进行重采样，随机产生N个训练数据集S1,S2,…,SN。其中，Si(1≤i≤N)为第i次从M个电池样本数据中有放回的抽取形成的数据集；
4.3、基于所产生的N个训练数据集分别随机生成N棵决策树，每棵决策树被训练后掌握通过最大温升与放电容量数据判断是否发生漏液的分类能力。
在本申请的一个优选实施例中，所述步骤五中所述的联合所述分数阶阻抗模型以及所述基于随机森林算法的分类器进行检测，具体包括：
5.1、根据吻合度χ与所述发生短路故障状态阈值δ1以及发生漏液状态阈值δ2的比较结果进行判断，若χ＞δ2，认为没有发生漏液，赋值K1＝0；若δ1<χ<δ2，则认为发生漏液，赋值K＝1；
5.2、运行基于随机森林算法的分类器，将采集到的锂离子动力电池最大温升与放电量作为测试数据集X输入至已训练好的各棵决策树中，输出漏液监测状态K2，当发生漏液时赋值K2＝1；
5.3、当K1与K2同时为1时，赋值K＝1，表示电池发生漏液，否则K＝0，表示未发生漏液。
从本实例验证实验中已知SoC为100％的情况下，电池发生漏液，应用本发明专利最后的到漏液判别结果也与实际吻合，分类树棵数如附图7所示。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。