CN110045298B - 一种动力电池组参数不一致性的诊断方法 - Google Patents

Abstract

本发明涉及一种动力电池组参数不一致性的诊断方法，属于电池管理技术领域。该方法包括：S1：选定初始性能存在差异以及初始性能相近的动力电池，采用串并联的方式组成两类电池组，并收集其技术参数；S2：模拟不同道路下的实车工况，控制电池组内各单体的温度，对动力电池组进行充放电实验，采集各单体电池的电压、电流、温度数据，建立实车工况测试数据库；S3：采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取；S4：针对提取的特征利用权重法评价电池组的一致性，多尺度熵和人工神经网络结合进而实现参数不一致性诊断。本发明能够实时诊断出故障电池，提高电池组参数不一致性的诊断精确度，便于及时维护。

Description

一种动力电池组参数不一致性的诊断方法

技术领域

本发明属于电池管理技术领域，涉及一种动力电池组参数不一致性的诊断方法。

背景技术

车用动力电池为满足车辆行驶的能量和功率需求，通常需要将成百上千个单体电池经过串并联的方式形成电池组。成组后的电池组能量密度、安全性、耐久性等性能相比于单体都会有一定程度的下降，导致这种现象的主要原因就是动力电池组单体之间存在不一致性。准确诊断电池组不一致性参数，能够更好地为维护电池组提供依据，防止不一致性加大。

电池组的不一致性现象主要来自于两个方面。一方面是生产制造上，电池的生产工艺流程是复杂的，包括极片制作、电芯制作、电池组装三大工段。同一批生产出的电池电极厚度、电解质浓度、SEI膜的形成等不可避免地存在差异，导致电池的初始参数容量、SOC、内阻、自放电率等存在不一致，因此必须筛选之后成组，同时装配过程也将带来接触内阻的差异。虽然筛选之后的单体之间差异较小，但随着使用时间增长，电池经过循环充放电之后老化，这种差异就会逐渐增大。另一方面来源于使用过程，电动汽车长期工作在动态负载下，初始参数的差异将导致单体的充放电倍率、SOC工作区间存在不一致。由于电池摆放位置、通风散热条件不同，导致电池组内的单体工作温度不同。此外，电池的充放电倍率、温度、放电深度(Depth of Discharge，DOD)等外部因素会进一步影响内部参数的变化，例如高温会加速电池的老化现象，扩大电池组参数不一致性。

目前，动力电池组参数不一致诊断方法都是基于电池模型的方法，利用模型估计出来的SOC和内阻诊断老化不一致和内阻不一致，实验方案是简单的恒流工况。但是工程上应用难度很大，应用于实车工况时可能会存在不稳定性，甚至无法实现。

发明内容

有鉴于此，本发明的目的在于提供一种动力电池组参数不一致性的诊断方法，实现电池组参数不一致精确诊断。

为达到上述目的，本发明提供如下技术方案：

一种动力电池组参数不一致性的诊断方法，具体包括以下步骤：

S1：电池组的选择：选定初始性能存在差异以及初始性能相近的动力电池，采用串并联的方式组成两类电池组，收集整理该动力电池组的技术参数；

S2：实验数据的获取：模拟不同道路下的实车工况，控制电池组内各单体的温度，对动力电池组进行充放电实验，采集各单体电池的电压、电流、温度数据，建立实车工况测试数据库；

S3：特征提取：采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取；

S4：参数一致性诊断：针对提取的特征利用权重法评价电池组的一致性，多尺度熵和人工神经网络结合进而实现参数不一致性诊断。

进一步，步骤S1中，所述初始性能存在差异的动力电池为初始内阻、初始容量和初始SOC等电池本身的特性参数不一致的电池，控制变量法保证一个初始变量差异较大，而其他初始参数相近，形成几组电池组。

进一步，所述步骤S2具体包括以下步骤：

S21：将连接好的待测动力电池组在25℃恒温实验箱中静置足够长时间，直到电池内外部温度达到平衡；

S22：对于第一类初始性能存在差异的电池组，控制每个单体的工作温度尽可能一致，模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度等实验数据；

S23：对于第二类初始性能相近的电池组，控制单体温度不一致，模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度实验数据；

S24：将获取的实验数据汇总，建立实验数据库。

进一步，所述步骤S3中，提取的特征包括：基于信号处理方法计算采集到的电压和温度的标准差和极差，表达式为：

ΔU＝U_max-U_min

其中，n为电池总个数，U_i表示第i个电池电压，U_av表示电池组平均电压，σ_U表示电压标准差，ΔU表示电压极差，U_max表示电压最大值，U_min表示电压最小值；

ΔT＝T_max-T_min

其中，T_i表示第i个电池温度，T_av表示电池组平均温度，σ_T表示温度标准差，ΔT表示温度极差，T_max表示温度最大值，T_min表示温度最小值。

进一步，所述步骤S4具体包括以下步骤：

S41：将德尔菲分析法和熵权法结合，即主客观综合集成赋权法确定电压标准差、极差和温度标准差、极差对应的权重，计算某段时间内电池组的综合评价值；

S42：设定阈值，将综合评价值与阈值比较，进行电池组的一致性评价，如果低于阈值，则判断为该电池组一致性较差，转步骤S43，否则为正常；

S43：根据步骤S42中计算的一段时间内电池组的综合评价值，对评价值进行多尺度熵的计算，提取不一致性故障特征，将不同尺度的熵作为一个样本的特征向量；

S44：将不同尺度的熵作为诊断算法的输入，输出为电池组不一致原因；确定训练样本集和测试样本集，采用人工神经网络分类算法诊断参数不一致故障。

进一步，所述步骤S41具体包括以下步骤：

S411：采用德尔菲分析法确定各指标σ_U,ΔU,σ_T,ΔT的权重W₁；

S412：采用熵权法确定各指标σ_U,ΔU,σ_T,ΔT的权重W₂；

S413：“加法”综合得到综合权重为：

W＝[w₁,w₂,w₃,w₄]＝αW₁+(1-α)W₂

其中，w₁,w₂,w₃,w₄分别为电压标准差、极差和温度标准差、极差对应的权重，α的取值取决于决策者的偏好；

S414：k时刻电池组的评价值：

score_k＝W*A_k ^T＝w₁*σ_U+w₂*ΔU+w₃*σ_T+w₄*ΔT

其中，A_k＝[σ_U,ΔU,σ_T,ΔT]，该运行时间T内电池组的综合评价值表示为：

进一步，步骤S43中，所述的多尺度熵为：多尺度样本熵或多尺度香农熵；

进一步，步骤S43中，所述多尺度样本熵的计算包括以下步骤：

S431：对于长度为T的时间序列电池组评价值{X_i}＝{x₁,x₂,…,x_T},x_i＝score_i，给定嵌入维数m和尺度因子τ，进行粗粒分割，形成新的粗粒向量

S432：求取不同尺度因子下每一个粗粒向量的样本熵，构成一个样本的特征向量：

[SE₁,SE₂,…SE_τ,…,SE_n]

其中，SE_τ表示尺度为τ下的样本熵。

本发明的有益效果在于：本发明根据某个或某几个单体与其他单体参数不一致所表现出来的电压特性曲线不同，结合特征提取方法和故障诊断方法实现电池组参数不一致精确诊断。采用本发明的动力电池参数不一致诊断方法的优点是：1)所用数据为电压、温度数据，符合实车行驶过程中能采集到的数据，能够实现在线参数不一致的诊断；2)特征提取的方法运用统计的思想，便于实现；3)采用基于阈值的一致性评价方法能够有效判断当前电池组的运行状态，并实时诊断出故障电池，辨识故障原因，便于采取及时的维护手段。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为本发明所述的动力电池组参数不一致性诊断方法实现流程图；

图2为参数不一致性诊断的流程图；

图3为参数不一致性诊断中多尺度熵的原理图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图3，图1为本发明所述的一种动力电池组参数不一致性的诊断方法，具体包括以下步骤：

S1：电池组的选择：选定初始性能存在差异以及初始性能相近的动力电池，采用串并联的方式组成两类电池组，收集整理该动力电池组的技术参数。

所述初始性能存在差异的动力电池为初始内阻、初始容量和初始SOC等电池本身的特性参数不一致的电池，控制变量法保证一个初始变量差异较大，而其他初始参数相近，形成几组电池组。

S2：实验数据的获取：模拟不同道路下的实车工况，控制电池组内各单体的温度，对动力电池组进行充放电实验，采集各单体电池的电压、电流、温度数据，建立实车工况测试数据库；具体包括以下步骤：

S21：将连接好的待测动力电池组在25℃恒温实验箱中静置2h；

S22：对于第一类初始性能存在差异的电池组，控制每个单体的工作温度尽可能一致，模拟城市激烈驾驶工况(Urban Assault Cycle,UAC)或Artemis混合动力汽车工况(Artemis HEV)，采集该动力电池组每个单体的电流、电压、温度等实验数据；

S23：对于第二类初始性能相近的电池组，控制单体温度极差在15℃，模拟城市激烈驾驶工况(Urban Assault Cycle,UAC)或Artemis混合动力汽车工况(Artemis HEV)，采集该动力电池组每个单体的电流、电压、温度等实验数据；

S24：将获取的实验数据汇总，建立实验数据库。

S3：特征提取：采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取；

提取的特征包括：基于信号处理方法计算采集到的电压和温度的标准差和极差，表达式为：

ΔU＝U_max-U_min

其中，n为电池总个数，U_i表示第i个电池电压，U_av表示电池组平均电压，σ_U表示电压标准差，ΔU表示电压极差，U_max表示电压最大值，U_min表示电压最小值；

ΔT＝T_max-T_min

其中，T_i表示第i个电池温度，T_av表示电池组平均温度，σ_T表示温度标准差，ΔT表示温度极差，T_max表示温度最大值，T_min表示温度最小值。

S4：参数一致性故障诊断：针对提取的特征利用权重法评价电池组的一致性，多尺度熵和人工神经网络结合进而实现参数不一致性故障的诊断；如图2所示，诊断算法具体包括以下步骤：

S41：将德尔菲分析法和熵权法结合，即主客观综合集成赋权法确定电压标准差、极差和温度标准差、极差对应的权重，计算某段时间内电池组的综合评价值；具体包括以下步骤：

S411：采用德尔菲分析法确定各指标σ_U,ΔU,σ_T,ΔT的权重W₁；

S412：采用熵权法确定各指标σ_U,ΔU,σ_T,ΔT的权重W₂；

取时间T内的采样点的运行数据特征，即σ_U,ΔU,σ_T,ΔT，归一化后计算各个指标的熵值：

其中，p(x_kj)表示第j项指标下第k个样本值占该指标的比重，H_j表示第j项指标的熵值；

S413：“加法”综合得到综合权重为：

W＝[w₁,w₂,w₃,w₄]＝αW₁+(1-α)W₂

其中，w₁,w₂,w₃,w₄分别为电压标准差、极差和温度标准差、极差对应的权重，α的取值取决于决策者的偏好；

S414：k时刻电池组的评价值：

score_k＝W*A_k ^T＝w₁*σ_U+w₂*ΔU+w₃*σ_T+w₄*ΔT

其中，A_k＝[σ_U,ΔU,σ_T,ΔT]，该运行时间T内电池组的综合评价值表示为：

S42：设定阈值0.4，将综合评价值与阈值比较，进行电池组的一致性评价，如果低于阈值，则判断为该电池组一致性较差，转步骤S43，否则为正常。

S43：根据步骤S42中计算的一段时间内电池组的综合评价值，对评价值进行多尺度熵的计算，提取不一致性故障特征，将不同尺度的熵作为一个样本的特征向量。其中，多尺度熵可以是多尺度样本熵、多尺度香农熵或其他相关熵中的一种。

步骤S43中多尺度熵的计算，以样本熵为例，具体包括以下步骤：

S431：对于长度为T的时间序列电池组评价值{X_i}＝{x₁,x₂,…,x_T},x_i＝score_i，给定嵌入维数m和尺度因子τ，进行粗粒分割，形成新的粗粒向量

如图3所示：

S432：求取不同尺度因子下每一个粗粒向量的样本熵，构成一个样本的特征向量：

[SE₁,SE₂,…SE_τ,…,SE_n]

其中，SE_τ表示尺度为τ下的样本熵。

S44：将不同尺度的熵作为诊断算法的输入，输出为电池组不一致原因；确定训练样本集和测试样本集，采用人工神经网络分类算法诊断参数不一致故障。其中，人工神经网络算法也可以采用支持向量机等多分类算法。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种动力电池组参数不一致性的诊断方法，其特征在于，该方法具体包括以下步骤：

S1：电池组的选择：选定初始性能存在差异以及初始性能相近的动力电池，采用串并联的方式组成两类电池组，收集整理该动力电池组的技术参数；

S2：实验数据的获取：模拟不同道路下的实车工况，控制电池组内各单体的温度，对动力电池组进行充放电实验，采集各单体电池的电压、电流、温度数据，建立实车工况测试数据库；

S3：特征提取：采用特征提取方法对采集到的电压、电流、温度的时域数据进行数据处理和特征提取；

S4：参数一致性诊断：针对提取的特征利用权重法评价电池组的一致性，多尺度熵和人工神经网络结合进而实现参数不一致性诊断，具体包括：

S41：将德尔菲分析法和熵权法结合，即主客观综合集成赋权法确定电压标准差、极差和温度标准差、极差对应的权重，计算某段时间内电池组的综合评价值，具体包括：

S411：采用德尔菲分析法确定各指标σ_U,ΔU,σ_T,ΔT的权重W₁；

S412：采用熵权法确定各指标σ_U,ΔU,σ_T,ΔT的权重W₂；

S413：“加法”综合得到综合权重为：

W＝[w₁,w₂,w₃,w₄]＝αW₁+(1-α)W₂

其中，w₁,w₂,w₃,w₄分别为电压标准差、极差和温度标准差、极差对应的权重，α的取值取决于决策者的偏好；

S414：k时刻电池组的评价值：

score_k＝W*A_k ^T＝w₁*σ_U+w₂*ΔU+w₃*σ_T+w₄*ΔT

其中，ΔU表示电压极差，σ_U表示电压标准差，σ_T表示温度标准差，ΔT表示温度极差，A_k＝[σ_U,ΔU,σ_T,ΔT]，运行时间T内电池组的综合评价值表示为：

S42：设定阈值，将综合评价值与阈值比较，进行电池组的一致性评价，如果低于阈值，则判断为该电池组一致性较差，转步骤S43，否则为正常；

S43：根据步骤S42中计算的一段时间内电池组的综合评价值，对评价值进行多尺度熵的计算，提取不一致性故障特征，将不同尺度的熵作为一个样本的特征向量；

S44：将不同尺度的熵作为诊断算法的输入，输出为电池组不一致原因；确定训练样本集和测试样本集，采用人工神经网络分类算法诊断参数不一致性故障。

2.根据权利要求1所述的一种动力电池组参数不一致性的诊断方法，其特征在于，步骤S1中，所述初始性能存在差异的动力电池为初始内阻、初始容量和初始荷电状态(State ofCharge，SOC)不一致的电池。

3.根据权利要求1所述的一种动力电池组参数不一致性的诊断方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：将连接好的待测动力电池组在25℃恒温实验箱中静置2h，直到电池内外部温度达到平衡；

S22：对于第一类初始性能存在差异的电池组，控制每个单体的工作温度尽可能一致，模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度实验数据；

S23：对于第二类初始性能相近的电池组，控制单体温度不一致，模拟不同道路条件下的实车测试工况获取该动力电池组每个单体的电流、电压和温度实验数据；

S24：将获取的实验数据汇总，建立实验数据库。

4.根据权利要求1所述的一种动力电池组参数不一致性的诊断方法，其特征在于，所述步骤S3中，提取的特征包括：基于信号处理方法计算采集到的电压和温度的标准差和极差，表达式为：

ΔU＝U_max-U_min

其中，n为电池总个数，U_i表示第i个电池电压，U_av表示电池组平均电压，σ_U表示电压标准差，ΔU表示电压极差，U_max表示电压最大值，U_min表示电压最小值；

ΔT＝T_max-T_min

其中，T_i表示第i个电池温度，T_av表示电池组平均温度，σ_T表示温度标准差，ΔT表示温度极差，T_max表示温度最大值，T_min表示温度最小值。

5.根据权利要求4所述的一种动力电池组参数不一致性的诊断方法，其特征在于，步骤S43中，所述的多尺度熵为：多尺度样本熵或多尺度香农熵。

6.根据权利要求5所述的一种动力电池组参数不一致性的诊断方法，其特征在于，步骤S43中，所述多尺度样本熵的计算包括以下步骤：

S431：对于长度为T的时间序列电池组评价值{X_i}＝{x₁,x₂,…,x_T},x_i＝score_i，给定嵌入维数m和尺度因子τ，进行粗粒分割，形成新的粗粒向量

S432：求取不同尺度因子下每一个粗粒向量的样本熵，构成一个样本的特征向量：

[SE₁,SE₂,…SE_τ,…,SE_n]

其中，SE_τ表示尺度为τ下的样本熵。

Images