一种电池内短路的诊断方法

摘要

本发明涉及一种电池内短路的诊断方法，包括以下步骤：1)获取电池组内部所有电池单体的荷电状态差异；2)根据电池组内电池单体的荷电状态差异计算每个电池单体的差异电量3)采用线性回归获取差异电量的变化率L，即得到电池单体在测量时间区段内的平均漏电流；4)根据平均漏电流及测量时间区段内电池组的平均端电压值获取电池组内每个电池单体的近似短路阻值；5)将每个电池单体的近似短路阻值分别与设定的短路阻值阈值相比，若近似短路阻值大于短路阻值阈值，则判定该电池单体为正常单体，若近似短路阻值小于或等于短路阻值阈值，则判定该电池单体为短路单体。与现有技术相比，本发明具有诊断快速、精确辨识等优点。

权利要求

1.一种电池内短路的诊断方法，用以获取电池组内短路电池单体的内短路阻值，其特征在于，包括以下步骤：

1)获取电池组内部每个电池单体的荷电状态差异，具体包括以下步骤：

11)采用平均电池模型等效电池组的整体特性，以电池组电流值以及电池组平均电压值作为输入值，并根据扩展卡尔曼滤波器EKF算法以高频的方式估计电池组的平均荷电状态；

12)采用差异电池模型等效电池组内单体电池特性与电池组整体特性之间的差异，以电池组电流值I、电池单体的端电压与电池组的平均端电压的差值以及平均电池模型估计的平均荷电状态值作为输入值，并根据扩展卡尔曼滤波器EKF算法以低频的方式估计每个电池单体的荷电状态差异；

2)根据电池组内电池单体的荷电状态差异计算每个电池单体的差异电量；

3)采用线性回归获取差异电量的变化率L，即得到电池单体在测量时间区段内的平均漏电流Ideplete；

4)根据平均漏电流Ideplete及测量时间区段内电池组的平均端电压值获取电池组内每个电池单体的近似短路阻值；

5)将每个电池单体的近似短路阻值分别与设定的短路阻值阈值相比，若近似短路阻值大于短路阻值阈值，则判定该电池单体为正常单体，若近似短路阻值小于或等于短路阻值阈值，则判定该电池单体为短路单体。

2.根据权利要求1所述的一种电池内短路的诊断方法，其特征在于，所述的步骤2)中，差异电量的计算式为：ΔCk＝C·ΔSOCk

其中，C为电池组内电池单体的当前容量，ΔSOCk为k时刻电池单体SOC与电池组平均SOC之间的差异荷电状态，ΔCk为k时刻电池单体电量与电池组平均电量之间的差异电量。

3.根据权利要求1所述的一种电池内短路的诊断方法，其特征在于，所述的步骤3)中，差异电量的变化率L计算式为：其中，ΔC(n)为线性回归直线在测量时间区间段内后截止点处的值，ΔC(1)为线性回归直线在测量时间区间段内起始点处的值，t(n)为测量时间区间段的终止点，t(1)为测量时间区间段的起始点。

4.根据权利要求1所述的一种电池内短路的诊断方法，其特征在于，所述的步骤4)中，电池组内每个电池单体的近似短路阻值的计算式为：其中，RISC为电池组内每个电池单体的近似短路阻值，Umean为测量时间区间段内电池组的平均端电压值， 为测量时间区间段内采集的第i个电池组端电压值，n为测量时间区间段内采集的电池组端电压值总数。

5.根据权利要求1所述的一种电池内短路的诊断方法，其特征在于，所述的步骤5)中，设定的短路阻值阈值为200Ω。

6.根据权利要求1所述的一种电池内短路的诊断方法，其特征在于，所述的步骤11)中，平均电池模型为二阶RC模型。

7.根据权利要求6所述的一种电池内短路的诊断方法，其特征在于，所述的平均电池模型的表达式为：Umean＝Uoc(SOCmean)-IR0-UD-UT

其中，Umean为平均电池模型的端电压，Uoc为平均电池组模型的电压源，SOCmean为电池组的平均荷电状态，I为电池组电流值，R0为内阻，UD为活性极化内阻的分配电压，UT为浓差极化内阻的分配电压。

8.根据权利要求1所述的一种电池内短路的诊断方法，其特征在于，所述的步骤12)中，差异电池模型为Rint模型。

9.根据权利要求8所述的一种电池内短路的诊断方法，其特征在于，所述的差异电池模型的表达式为：其中， 为差异电池的端电压值， 为在SOCmean附近，第i个单体电池与平均电池的i开路电压Uoc差异，ΔSOC为第i个单体电池与电池组的平均荷电状态SOCmean的差异，I为电池组电流值，ΔRi为第i个单体电池内阻与电池组平均内阻的差异内阻。

说明书

一种电池内短路的诊断方法

技术领域

[0001] 本发明涉及电池故障诊断技术领域，尤其是涉及一种电池内短路的诊断方法。

背景技术

[0002] 电池发生内短路主要有两大类原因，一类是在电池的生产过程中，由于粉尘，集流体等原材料毛刺等隐患的存在；另一类是在电池的使用过程中，特别是动力电池复杂的使用环境导致的内短路，如在高温、低温或有机械振动的环境下使用，对电池进行了过充电、过放电，以及在大电流工作中也可能出现锂枝晶，从而刺破隔膜导致电池发生内短路。

[0003] 电池发生内短路会造成电池内部自成回路，不断地消耗该电池的电量，造成电池组内部的不一致，严重影响电池组使用的动力性、耐久性，严重时会产生大量的热，进而使得电池过热，发生热失控，大大影响了电池组使用的安全性。

[0004] 一般车用电池组都是由成百上千的电池单体串并联而成，一旦某一个单体的内短路引发热失控会造成整个电池组的热失控，目前该没有很好的控制办法。而一般车用电池又与人息息相关，因此其安全性是重中之重，也是目前行业内最重视的环节之一。

[0005] 电池单体的内短路在初期很不容易被发现，如果不能够及时发现，继续使用下去很有可能引发电池热失控。而相反，如果能够在内短路发生初期诊断出发生内短路的电池单体，可以大大提高电池的使用可靠性。

[0006] 目前的一些专利关于诊断电池内短路的方法主要采用计算电池单体与电池组平均电压的电压差，以及电池单体被均衡的次数来判断，只能够定性的检测出内短路电池，且在一些由于电池链接螺栓松动等因素影响时，会经常出现误判的情况。

发明内容

[0007] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种诊断快速、精确辨识的电池内短路的诊断方法。

[0008] 本发明的目的可以通过以下技术方案来实现：

[0009] 一种电池内短路的诊断方法，用以获取电池组内短路电池单体的内短路阻值，包括以下步骤：

[0010] 1)获取电池组内部每个电池单体的荷电状态差异；

[0011] 2)根据电池组内电池单体的荷电状态差异计算每个电池单体的差异电量；

[0012] 3)采用线性回归获取差异电量的变化率L，即得到电池单体在测量时间区段内的平均漏电流Ideplete；

[0013] 4)根据平均漏电流Ideplete及测量时间区段内电池组的平均端电压值获取电池组内每个电池单体的近似短路阻值；

[0014] 5)将每个电池单体的近似短路阻值分别与设定的短路阻值阈值相比，若近似短路阻值大于短路阻值阈值，则判定该电池单体为正常单体，若近似短路阻值小于或等于短路阻值阈值，则判定该电池单体为短路单体。

[0015] 所述的步骤1)具体包括以下步骤：

[0016] 11)采用平均电池模型等效电池组的整体特性，以电池组电流值以及电池组平均电压值作为输入值，并根据扩展卡尔曼滤波器EKF算法以高频的方式估计电池组的平均荷电状态；

[0017] 12)采用差异电池模型等效电池组内单体电池特性与电池组整体特性之间的差异，以电池组电流值I、电池单体的端电压与电池组的平均端电压的差值以及平均电池模型估计的平均荷电状态值作为输入值，并根据扩展卡尔曼滤波器EKF算法以低频的方式估计每个电池单体的荷电状态差异。

[0018] 所述的步骤2)中，差异电量的计算式为：

[0019] ΔCk＝C·ΔSOCk

[0020] 其中，C为电池组内电池单体的当前容量，ΔSOCk为k时刻电池单体SOC与电池组平均SOC之间的差异荷电状态，ΔCk为k时刻电池单体电量与电池组平均电量之间的差异电量。

[0021] 所述的步骤3)中，差异电量的变化率L计算式为：

[0022]

[0023] 其中，ΔC(n)为线性回归直线在测量时间区间段内后截止点处的值，ΔC(1)为线性回归直线在测量时间区间段内起始点处的值，t(n)为测量时间区间段的终止点，t(1)为测量时间区间段的起始点。

[0024] 所述的步骤4)中，电池组内每个电池单体的近似短路阻值的计算式为：

[0025]

[0026]

[0027] 其中，RISC为电池组内每个电池单体的近似短路阻值，Umean为测量时间区间段内电池组的平均端电压值， 为测量时间区间段内采集的第i个电池组端电压值，n为测量时间区间段内采集的电池组端电压值总数。

[0028] 所述的步骤5)中，设定的短路阻值阈值为200Ω。

[0029] 所述的步骤11)中，平均电池模型为二阶RC模型。

[0030] 所述的平均电池模型的表达式为：

[0031] Umean＝Uoc(SOCmean)-IR0-UD-UT

[0032] 其中，Umean为平均电池模型的端电压，Uoc为平均电池组模型的电压源，SOCmean为电池组的平均荷电状态，I为电池组电流值，R0为内阻，UD为活性极化内阻的分配电压，UT为浓差极化内阻的分配电压。

[0033] 所述的步骤12)中，差异电池模型为Rint模型。

[0034] 所述的差异电池模型的表达式为：

[0035]

[0036] 其中， 为差异电池的端电压值， 为在SOCmean附近，第i个单体电池与平均电池的开路电压Uoc差异，ΔSOCi为第i个单体电池与电池组的平均荷电状态SOCmean的差异，I为电池组电流值，ΔRi为第i个单体电池内阻与电池组平均内阻的差异内阻。

[0037] 与现有技术相比，本发明具有以下优点：

[0038] 一、诊断快速：本发明能够在有限的硬件条件下，以很小的计算量在线定量地诊断电池组内部存在内短路的单体电池，并获取电池组中内短路电池单体的近似短路阻值，能够在内短路迹象微小时提前定量预判，降低电池发生热失控的几率，提高电池组的使用性能。

[0039] 二、精确辨识：本发明采用平均电池模型和差异电池模型，结合扩展卡尔曼滤波EKF算法实现电池组中每个电池单体荷电状态差异的辨识，进而实现电池组的内短路故障诊断，提高电池组的动力性、安全性和耐久性。

附图说明

[0040] 图1为本发明的方法流程图。

[0041] 图2为本发明实施例平均电池模型图。

[0042] 图3为本发明实施例差异电池模型图。

具体实施方式

[0043] 下面结合附图和具体实施例对本发明进行详细说明。

[0044] 实施例

[0045] 本发明通过分频模型结合EKF辨识出电池组内部电池单体的荷电状态SOC的差异，利用该方法得到的差异荷电状态ΔSOC诊断出内短路电池单体的近似短路阻值，能够以较低的计算量在线定量的诊断电池组中内短路电池单体的近似短路阻值。发生内短路电池单体会内部自成回路，不断消耗电池单体的电量，进而造成该电池单体荷电状态差异ΔSOC有不断增大的趋势。

[0046] 本发明诊断电池单体内短路的流程如图1所示，具体包括以下步骤：

[0047] S1、通过传感器测得的电池组的工作数据，结合电池组的电池基本参数，利用分频模型，包括平均电池模型和差异电池模型，结合扩展卡尔曼滤波器EKF辨识出电池组内部电池单体的荷电状态SOC的差异；

[0048] 步骤S1具体包括以下步骤：

[0049] 1)利用电流传感器、电压传感器和温度传感器采集电池组工作数据；

[0050] 2)采用如图2所示的二阶RC模型作为平均电池模型等效电池组的整体特性，这里将由单体电池串联构成的电池组看做一个大电池，以电流传感器测得的电池组电流值I以及电压传感器测得的平均电压值U'mean作为输入值，并结合EKF算法以高频的方式估计电池组的平均荷电状态SOCmean，并将SOCmean的估计结果输出到控制器，控制器控制电池组充放电。

[0051] 图2中，R0代表电池组的内阻；并联在一起的RDCD和RTCT分别代表电池组的活性极化内阻和浓差极化内阻；UD和UT分别为模型中RDCD和RTCT的分配电压；Uoc为平均电池组模型的电压源，代表电池组的开路电压，在平衡状态下，Uoc和电池组的荷电状态SOCmean有一一对应的关系；Umean为平均电池模型的端电压。I为电池组的电流大小，因为所辨识电池组是由多个单体电池串联而成，所以通过电池组和所有单体的电流是相等的，由电流传感器测得。

[0052] 步骤2)的二阶RC模型，各参数关系式为：

[0053] Umean＝Uoc(SOCmean)-IR0-UD-UT   (1)

[0054] 其中，SOCmean表示电池组的平均荷电状态，即表示电池组内所有单体电池的平均SOC；Uoc代表电池组的开路电压，在平衡状态下，Uoc的值与SOCmean的值具有一一对应的关系；I为电池组的电流大小，该方案的电池组是由多个单体电池串联而成，通过电池组和所有单体的电流是相等的；R0表示电池组的欧姆内阻；UD和UT表示电池组的极化内阻的分配电压。
Umean是平均电池模型的端电压，理论上与电池组内所有单体端电压 (由电压传感器测得)的平均值U'mean相等(通常是存在误差的，因为现有的工程实际运用中为了减少计算量，都采用较简单的等效电路模型，一般不能够完全模拟电池的真实特性，而只是近似的等效模型。)，U'mean如式(2)所示：

[0055]

[0056] 式中， 代表第i个单体电池的端电压，N表示该电池组中单体的个数。

[0057] EKF算法，状态方程和输出方程分别为(3)和(4)式：

[0058] xk+1＝f(xk,uk)+wk   (3)

[0059] yk＝g(xk,uk)+vk   (4)

[0060] 其中，f(xk,uk)为状态函数，g(xk,uk)为测量函数，xk为状态向量，uk为输入值，步骤S2中uk为电流传感器测得的电池组电流值，yk为输出值，即模型估计值，步骤S2中yk为模型输出电压，wk，vk是均值为0的，方差随机的过程噪声，共同作用决定EKF算法中卡尔曼增益的值，这里wk，vk的方差取Var(wk)＝1e-8，Var(vk)＝0.01^2。这两个方差的大小表示外部挠动或参数误差(包括模型和系统参数误差)对模型和系统输出结果的影响程度，其值越小，表示对应值可信度高，这两个参数值越大，表示对应的输出结果失真程度大。所以，一般Var(wk)越大，Var(vk)越小，则表示输入值受干扰程度大，系统输出对比值受干扰程度小，则所对比值更可靠，系统更相信实际测得的对比参数值，对应的卡尔曼增益值也越大。反过来，Var(wk)越小，Var(vk)越大，则输入值更可靠，系统更相信测得的由模型估计的参数，对应的卡尔曼增益值也越小。一般前期估计取Var(wk)较大，Var(vk)较小，以使得估计值尽快收敛。

[0061] 采用一阶泰勒公式线性化公式(3)和(4)得到参数矩阵

[0062]

[0063]

[0064] EKF算法中状态向量xk可表示为：

[0065] xk＝[SOCmean,k,UD,k,UT,k]T   (7)

[0066] 其中，SOCmean,k表示k节点时刻电池组的平均荷电状态；UD,k和UT,k表示k节点时刻电池组的极化内阻的分配电压。

[0067]

[0068] g(xk,uk)＝Uoc(SOCmean,k)-IkR0-UD,k-UT,k   (9)

[0069] 式中，f(xk,uk)为平均电池的状态函数；g(xk,uk)为平均电池的测量函数，即平均电池模型估计的平均电池的端电压值；Δt为采样时间，取1s，即平均电池模型估计电池组平均SOC的频率为1HZ。τD，τT分别代表电池组的活性极化内阻RDCD和浓差极化内阻RTCT；SOCmean,k为k节点时刻电池组的平均荷电状态，即电池组内所有单体电池的平均SOC；UD,k和UT,k为k节点时刻电池组的极化内阻的分配电压；Ik为k节点时刻电流传感器测得的电流值；
Uoc(SOCmean,k)表示k节点时刻电池组的开路电压；η为库伦效率，放电时取1，充电时小于1，这里取0.99；R0为平均电池的内阻。

[0070] 式(8)中f(xk,uk)和(9)中g(xk,uk)对状态向量xk进行偏微分，并分别取 和得到平均电池模型的参数矩阵为：

[0071]

[0072]

[0073] 3)利用如图3所示的Rint模型作为差异电池模型等效该电池组内单体电池特性与电池组整体特性之间的差异，以电流传感器测得的电池组电流值I，电压传感器测得的单体电压与平均电压值的差异值 如式(13)所示，以及平均电池模型估计的平均荷电状态SOCmean值作为输入值，并结合EKF算法以低频的方式估计单体电池荷电状态SOCi与电池组平均荷电状态SOCmean之间的差异ΔSOCi，并将差异电池模型估计的ΔSOCi值输出到控制器。

[0074] 步骤S3的Rint模型，各参数关系式为：

[0075]

[0076] ΔSOCi表示第i个单体电池与电池组的平均荷电状态SOCmean的差异； 代表在SOCmean附近，第i个单体电池与平均电池的开路电压Uoc差异，在平衡状态下， 的值与ΔSOCi的值具有一一对应的关系；ΔRi表示第i个单体电池内阻与电池组平均内阻的差异内阻； 为差异电池的端电压，理论上与第i个单体电池的端电压 与电池组的平均端电压Umean的差值 相等(通常是存在误差的，因为差异模型中没有考虑极化内阻的差异，而考虑极化内阻的差异会大大增加计算的复杂度，所应用的模型是近似的差异电池模型。)，如式(13)所示：

[0077]

[0078] 步骤3)的EKF算法，状态方程和输出方程如式(3)和式(4)。

[0079] 步骤3)的EKF算法中状态向量可表示为：

[0080]

[0081] 表示第i个单体在k节点时刻电池SOC与电池组平均荷电状态SOCmean的差异。

[0082]

[0083]

[0084] 式中， 为差异电池的状态函数； 为差异电池的测量函数，即差异电池模型估计的差异电池的端电压； 表示在平衡状态时的平均荷电状态SOCmean附近，第i个单体电池开路电压与电池组平均开路电压Uoc(SOCmean)的差异；ΔRi表示第i个单体电池的内阻与电池组平均内阻的差异内阻；Ik为k节点时刻电流传感器测得的电流值。

[0085] 式(15)中f(xk)和(16)中g(xk)对状态向量xk进行偏微分，并分别取 和[0086]

[0087]

[0088] 需要指出的是，在SOCmean附近ΔSOC-ΔUoc之间具有一一对应的关系，式(18)表示在SOCmean附近的ΔUoc对ΔSOC的导数值，也可以表示为：

[0089]

[0090] 步骤3)中差异电池模型估计ΔSOC的频率取0.01HZ。

[0091] S2、利用步骤S1所得到的电池单体SOC与电池组平均SOC之间的差异荷电状态ΔSOC的估计值，结合电池单体的容量参数，计算得到电池单体电量与电池组平均电量的差异电量ΔC；

[0092] 步骤S2中由电池单体差异荷电状态ΔSOC的估计值得到电池单体差异电量ΔC的计算公式为：

[0093] ΔCk＝C·ΔSOCk

[0094] 式中，C表示电池单体的当前容量，即当前电池单体在充满电时的总电量，单位为Ah，在不考虑由于耐久性、温度等因素导致的电池容量变化的情况下，可以认为C与该电池单体的初始容量一致；ΔSOCk表示k节点时刻电池单体SOC与电池组平均SOC之间的差异荷电状态；ΔCk表示k节点时刻电池单体电量与电池组平均电量之间的差异电量。

[0095] S3、由电池单体差异电量ΔC的估计值，利用线性回归得到ΔC的变化率，即得到差异电池单体在该段时间内的平均漏电流；

[0096] 在步骤S3中，利用线性回归得到ΔC的变化率的计算方法中利用最小二乘算法；

[0097] 步骤S3中差异电池单体的ΔC的变化率和在该段时间内该电池单体的平均漏电流是统一数值，其关系为：

[0098]

[0099] L表示ΔC的变化率；ΔC(n)表示线性回归直线在所测量时间区间段内后截止点处的值；ΔC(1)表示线性回归直线在所测量时间区间段内其实点处的值；t(n)表示所测量时间区间段的终止点；t(1)表示所测量时间区间段的起始点；Ideplete表示差异电池单体在所测量时间区间段内的漏电流。

[0100] S4、利用差异电池单体的平均漏电流，结合这段时间内的平均电压诊断出内短路电池单体的近似短路阻值；

[0101] 步骤S4中估计内短路电池单体的内短路阻值利用欧姆定律：

[0102]

[0103] RISC为所估计的内短路电池单体的内短路阻值；Ideplete为差异电池单体在所测量时间区间段内的漏电流；Umean为所测量时间区间段内电池组的平均端电压值，可表示为：

[0104]

[0105] 为测量时间区间段内电压传感器采集的第i个电池组端电压值，n为测量时间区间段内电压传感器采集的电池组端电压值总数。

[0106] S5、由步骤S4估计得到的电池单体近似短路阻值是否大于预设短路阻值，是转至步骤S6，否则，转至步骤S7；

[0107] 在该实施例中，步骤S5中的预设值可设定为200Ω。

[0108] S6、电池管理系统判定该电池单体为正常单体；

[0109] S7、电池管理系统判定该电池单体为内短路单体。

[0110] 根据以上流程，本发明通过分频模型结合EKF辨识出电池组内部电池单体的荷电状态SOC的差异，利用该方法得到的差异荷电状态ΔSOC诊断出内短路电池单体的近似短路阻值，能够以较低的计算量在线定量的诊断电池组中内短路电池单体的近似短路阻值，在内短路迹象微小时可诊断到，进而为电池故障诊断提供可靠参考依据，降低电池发生热失控的几率，进而提高电池组使用的可靠性。