一种单体电池内短路故障自检测方法与流程

本发明涉及电池内短路故障检测，特别是涉及一种单体电池内短路故障自检测方法。

背景技术：

锂离子电池是目前最常用的电动汽车动力电源，具有比能量、比功率高、循环寿命长等优点，但是近年来锂离子电池热失控事故逐渐引起了消费者对锂离子电池安全性的关注。电池内短路故障是导致电池热失控事故的最主要原因之一，因此电池内短路故障检测对提高锂离子电池的安全性和可靠性尤为重要。

现有的基于电池异常放热来检测锂离子电池内短路的方法适用于锂离子电池内短路较严重的应用场景，而电池发生内短路故障早期时内短路电阻较大，放热量小，因此这类方法在早期内短路故障检测上存在挑战。基于电气模型的内短路检测方法可对早期轻微内短路进行辨识，代表性的如采用电池组平均等效模型结合单体差异模型；但这类方法需要对众多电池单体进行信息采集和荷电状态(soc)估计，且对单体差异模型精度要求高。

技术实现要素：

本发明的目的在于克服现有技术的不足，提出一种单体电池内短路故障自检测方法。通过安时累积特性与带误差反馈校正的闭环soc估计器推算电池单体内短路电流，采用带自适应遗忘因子的递归最小二乘法在线辨识电池内短路电阻，进而根据内短路电阻的大小判断电池单体内短路故障状态。本发明提出的方法仅依据某特定单体电池负载电流和端电压测量值即可实现电池单体的内短路诊断。

本发明的目的是通过以下技术方案来实现的：一种单体电池内短路故障自检测方法，包括以下步骤：

s1.建立锂离子电池的一阶等效电路模型。进行间歇性放电-静置实验，并拟合确定soc与开路电压(ocv)的函数关系表达式，然后离线辨识其余模型参数；

s2.采用电压传感器和电流传感器，实时测量锂离子电池端电压和负载电流；

s3.利用负载电流和端电压的测量值计算相邻时刻的安时增量，采用闭环状态观测器在线估计电池soc，依据所得的安时增量以及soc变化值计算内短路电流；

s4.对内短路电流进行滤波，利用滤波后的内短路电流及端电压测量值，采用带自适应遗忘因子的递归最小二乘法在线辨识电池内短路电阻，通过对比内短路电阻的辨识结果与设定的内段路电阻阈值，判断内短路状态。

本发明的有益效果是：本发明提出一种单体电池内短路故障自检测方法，仅依据某特定单体电池的负载电流、端电压测量值对电池内短路电阻进行在线辨识，进而实现单体电池内短路故障的在线自检测。所述方法检测范围宽，可实现电池单体内短路的早期诊断。相较于已有方法，能有效克服内短路故障早期产热少、内短路故障难以通过异常产热来检测的问题；并且不依赖于电池组内其他单体，克服了复杂系统及复杂模型导致的不确定性及计算复杂度高等问题。

附图说明

图1为本发明的方法流程图；

图2为实施例中一阶rc等效电路模型电路示意图。

图3为实施例中fuds工况下的负载电流、端电压曲线。

图4为实施例中fuds工况下的内短路电阻估计结果曲线。

图5为实施例中fuds工况下的内短路电阻估计误差曲线。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，一种单体电池内短路故障自检测方法，包括以下步骤：

s1.建立锂离子电池的一阶等效电路模型，进行间歇性放电-静置实验，并拟合确定soc与ocv的函数关系表达式，然后离线辨识其余模型参数；

s101.建立电池模型，具体的，本实施例采用一阶等效电路模型，其电路原理图如图2所示。

模型的状态空间方程为：

ul(t)＝uoc(t)+il(t)r0+up(t)

其中，t为时间，il为负载电流(放电时il为负数，充电时il为正数)，相应的il(t)为t时刻的负载电流，up为极化电压，ul为端电压，uoc为ocv，z为soc，q0为电池的额定容量，r0、rp和cp是待辨识的模型参数，具体的说：r0为欧姆内阻，rp为极化电阻，cp为极化电容；

s102.对锂离子电池进行充电至soc达到100％，进行间歇性放电-静置实验，拟合确定soc-ocv函数关系表达式为：

其中，np为拟合多项式阶数，ci为拟合参数。

s103.对电池进行混合动力脉冲能力特性(hybridpulsepowercharacteristic，hppc)测试，根据测试数据离线辨识电池模型参数，本实施例采用批量最小二乘法离线辨识电池模型的欧姆内阻r0、极化内阻rp、极化电容cp。

具体的，在hppc测试过程中，测量并记录电池的il、uoc、ul。

将s101系统状态方程中表示电池电压特性的方程离散化为：

ut(k)＝uoc(k)+il(k)r0+up(k)

式中δt为测量采样时间间隔，将两式合并消去up可得：

ut(k)＝uoc(k)-α1uoc(k-1)+α1ut(k-1)+α2il(k)-α3il(k-1)

式中α2＝r0、

将上式整理为：

e(k)＝α1e(k-1)+α2il(k)-α3il(k-1)

式中e(k)＝ul(k)-uoc(k)，根据上式建立回归方程：

e(k)＝τ^t(k)χ(k)

式中τ(k)＝[α1α2α3]^t、χ(k)＝[e(k-1)il(k)-il(k-1)]^t。

根据il、uoc、ul的测量值，采用批量最小二乘法求解上述回归方程。得到目标向量τ(k)＝[α1α2α3]^t的最优解后，r0、rp、cp可通过下式求解：

s2.实时测量电池的负载电流il(k)和端电压ul(k)。

s3.利用负载电流和端电压测量值，计算相邻时刻的安时增量，采用闭环状态观测器在线估计电池soc，依据所得的安时增量以及soc变化值计算内短路电流；

s301.利用k-1时刻负载电流值计算k-1时刻到k时刻的安时增量：

qe(k)＝il(k-1)δt

其中qe(k)是k-1时刻到k时刻的安时增量。

s302.采用常用闭环状态观测器实时估计电池soc：

将s101中系统的连续状态空间方程离散化为：

ul(k)＝up(k)+r0il(k)+f(z(k))

系统的离散状态空间方程系数矩阵为：

基于上述构造的离散状态空间方程，采用基于误差反馈校正的状态观测器对soc进行实时估计。具体的，本实施例采用扩展卡尔曼滤波对soc进行实时估计。为了介绍扩展卡尔曼滤波，首先介绍卡尔曼滤波。现实的动态系统中，并非所有状态量都是可测量的，例如soc，因此需要采用状态观测器对系统的状态量进行估计，卡尔曼滤波的本质是一种状态观测器，卡尔曼滤波的算法流程如下所示：

将线性系统的状态空间方程离散化为：

xk+1＝akxk+bkuk+wk

yk＝ckxk+dkuk+vk

其中xk为k时刻的状态向量，yk为k时刻系统输出，uk为k时刻系统输入，ak、bk、ck、dk为系数矩阵，wk是随机的过程噪声，反映了一些影响系统状态的无法测量的干扰输入；uk为传感器噪声，反映系统输出yk的测量误差。

初始化：

在每一个预定的计算点进行迭代计算：

根据状态方程进行状态估计：

误差协方差估计：

计算卡尔曼增益矩阵：

根据观测值对状态反馈修正：

误差协方差观测反馈修正：

其中lk是卡尔曼增益；i为单位矩阵；q和r分别为输入、输出测量噪声的协方差矩阵，其计算公式为：q＝e[wkwk^t]，r＝e[vkvk^t]，p是状态估计误差协方差矩阵，它表明状态估计的不确定性。在卡尔曼滤波算法中，每个采样间隔中都对状态进行了两次更新。第一次更新是基于状态方程的初次估计，用和来表示。第二次基于测量值的反馈更新，更新后的状态用和来表示。

对于电池这类典型的非线性系统，可以先将非线性系统的状态空间方程线性化，根据其一阶泰勒公式进行展开，然后采用卡尔曼滤波的方法对线性化后的动态系统进行状态估计，这种方法称为扩展卡尔曼滤波，扩展卡尔曼滤波的算法流程如下所示：

设非线性系统的离散状态空间方程：

xk+1＝f(xk,uk)+wk

yk＝g(xk,uk)+vk

定义：

初始化：

在每一个预定的计算点进行迭代计算：

根据状态方程对状态估计：

误差协方差估计：

计算卡尔曼增益矩阵：

根据观测值对状态反馈修正：

误差协方差观测反馈修正：

依据s302所建的状态空间方程，系统状态、输入与输出分别定义为：

u(k)＝il(k)，y(k)＝ul(k)，

相应的，扩展卡尔曼滤波算法中相关矩阵为：

按照上述扩展卡尔曼滤波的算法流程实时估计电池soc，得到k时刻电池soc的最优估计值记为ze(k)。

s304.依据k-1时刻到k时刻的安时增量及k时刻与k-1时刻的soc差值，k时刻内短路电流的计算公式为：

s4.对内短路电流进行滤波，利用滤波后的内短路电流和端电压测量值，采用带自适应遗忘因子的递归最小二乘法对电池内短路电阻进行实时估计；根据预设的内短路电阻阈值，比较并判定电池内短路状态。

s401.由步骤s304所估计的内短路电流含有高频噪声，为了获得良好的线性，首先对内短路电流数据进行滤波(如均值滤波、中值滤波、高斯滤波等)。具体的，本实施例采用均值滤波，计算公式为：

其中if(k)为k时刻滤波后的内短路电流，n为采样点个数。

s402.根据滤波后内短路电流、内短路电阻和负载电压的函数关系，建立回归方程：

ul(k)＝if(k)·θ(k)

式中θ(k)为k时刻待辨识的内短路电阻。

参考上述回归描述方法，带自适应遗忘因子的递归最小二乘算法流程为：

首先根据已有信息及经验初始化算法参数，具体的，本实施例采用如下初始化参数：θ(0)＝0，λ(1)＝0.995；λmin＝0.997；

在每一个预定的计算点进行迭代计算:

θ(k)＝θ(k-1)+α(k)[ul(k)-θ(k-1)if(k)]

ε(k)＝ul(k)-θ(k)if(k)

为协方差矩阵，α(k)为增益，ε(k)为估计误差，λ(k)为自适应遗忘因子，遗忘因子的设定是为了增大新数据的权重，减小旧数据的影响。遗忘因子过大，旧数据的影响过大，参数的辨识过程跟踪能力不强；遗忘因子过小，新数据的权重过大，一旦内短路电流出现剧烈变化，就会造成辨识结果不稳定。因此，本发明实例采用了自适应的遗忘因子，当估计误差ε(k)较大时，遗忘因子较小，以提高参数的辨识过程跟踪能力；当估计误差ε(k)较小时，遗忘因子较大，提高辨识过程的稳定性。

按照上述步骤实时估计电池内短路电阻，根据预设的内短路电阻阈值与计算所得的实时内短路电阻，比较并判定当前时刻单体电池内短路状态。

在本专利的实施例中，以标称容量为2.2ah的samsung18650锂离子电池为实验对象，在室温下进行本发明所述方法步骤1，进行等效电路模型的搭建,确立soc和ocv的函数关系并辨识模型参数。然后在电池输出端并联一个25欧姆的电阻以模拟触发电池的内短路故障，在室温下采用美国联邦城市运行工况(fuds)，采取本发明所述方法对电池的内短路电阻进行实时估计，得到的内短路电阻估计结果的平均值为22.93欧姆，均方根误差为2.29欧姆。fuds工况下电池负载电流、端电压测量曲线如附图3所示；内短路电阻估计结果如附图4所示、内短路电阻估计误差如附图5所示。由图4、图5所示，本发明所述方法能够实现电池内短路电阻的在线辨识，收敛速度快，精度高。

综上，本发明仅利用电池负载电流和端电压测量值，通过安时累积特性与带误差反馈校正的闭环soc估计器推算电池单体内短路电流，采用带自适应遗忘因子的递归最小二乘法在线辨识电池内短路电阻，进而根据内短路电阻的大小判断电池单体内短路故障状态。相较于基于异常放热来检测锂离子电池内短路的方法，本发明能有效克服内短路故障早期产热少、内短路故障难以通过异常产热来检测的问题；相较于传统的基于电气模型的内短路检测方法，本发明不依赖于电池组内其他单体，克服了复杂系统及复杂模型导致的不确定性及计算复杂度高等问题。

以上所述是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应该看作是对其他实施例的排除，而可用于其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。