CN111610456A - 一种区分电池微短路和小容量故障的诊断方法 - Google Patents

Abstract

本发明提出一种区分电池微短路和小容量故障的诊断方法，预估电池组的平均荷电状态SOC_mean和各单体与电池组平均荷电状态的差异(dSOC)，然后得出各单体的SOC；在充放电工况下分别计算各单体在每个时刻转移的电荷量和SOC变化量，然后利用最小二乘法进行各电池单体在充放电工况下的容量估计；将电池单体各次充放电容量估计结果进行对比，容量相近且充放电容量相近的电池单体为正常单体；放电工况下的估计值小于正常单体，而充电工况下的估计值大于正常单体的单体为微短路单体；以提出一种诊断结果准确，可以有效区分电池微短路和小容量故障的诊断方法。

Description

一种区分电池微短路和小容量故障的诊断方法

技术领域

本发明涉及锂电池管理技术领域，尤其涉及一种区分电池微短路和小容量故障的诊断方法。

背景技术

近年来，随着国家和政府对新能源汽车的政策支持，以及新能源汽车技术的不断成熟，电动汽车得以广泛使用。但是，电动汽车在长期的使用过程中，电池难免会因为老化或其他原因产生故障，这就需要BMS能及时发现故障并进行快速诊断。常见的故障类型主要有内短路、容量差异等，这些情况都会引起SOC的异常变化，因此，可以根据这些异常变化对故障做出诊断。但在已有的一些研究中，对于容量估计问题，研究者通常忽略短路的存在，对于短路故障诊断忽略了容量差异的存在。

在单次放电过程中，小容量单体与短路单体均会存在SOC差异不断增大的异常特征，也就是说仅仅依据电池单体在单次放电过程中的不一致性变化趋势进行故障诊断，有可能误将小容量单体诊断为短路单体，或误将短路单体判断为小容量单体；而在单次充电过程中，有可能误将短路单体判断为大容量单体。

在实车使用中，特别是随着电池寿命的衰减，电池组内单体间的容量不一致性会增加，短路风险增加。所以在进行故障诊断时，需要将短路和容量差异的情况都考虑在内，才能做出准确判断。

发明内容

本发明的目的在于提出一种诊断结果准确，可以有效区分电池微短路和小容量故障的诊断方法。

为达到上述目的，本发明提出一种区分电池微短路和小容量故障的诊断方法，包括以下步骤：

S1、预估电池组的平均荷电状态SOC_mean和各单体与电池组平均荷电状态的差异(dSOC)，然后得出各单体的SOC；

S2、在充放电工况下分别计算各单体在每个时刻转移的电荷量和SOC变化量，然后利用最小二乘法进行各电池单体在充放电工况下的容量估计；

S3、将电池单体各次充放电容量估计结果进行对比，容量相近且充放电容量相近的电池单体为正常单体；

放电工况下的估计值小于正常单体，而充电工况下的估计值大于正常单体的单体为微短路单体；

充放电工况下估计值均小于正常单体的单体为小容量单体。

优选的，在S1中，采用平均差异模型，用EKF算法估计出电池组的平均荷电状态SOC_mean和各单体与电池组平均荷电状态的差异(dSOC)。

优选的，选取的平均电池模型为二阶RC模型，以高频的方式估计出电池组平均荷电状态SOC_mean；选取的差异电池模型为Rint模型，以低频的方式估计单体与电池组平均荷电状态的差异(dSOC)。

优选的，在S3中，容量相近且充放电容量估计相近的正常电池单体指该单体容量在某一次估计时结果与大部分单体相一致，即与单体容量的中位数误差在p1％以内，且充电容量与放电容量差在p1％以内；在充放电工况下估计值均小于正常单体p2％以上，且充电容量与放电容量差在p1％以内，则判定该单体为小容量单体；

在放电工况下的估计值小于正常单体，而充电工况下的估计值大于正常单体，且充电容量大于放电容量p3％，则判定该单体为微短路单体。

优选的，所述p1＝2,p2＝3,p3＝5。

优选的，在S2中，在每个时刻转移的电荷量ΔQ_i表示单体i从t₀时刻到t_j时刻转移的电荷量，采用安时积分法计算得到，公式为

SOC变化量ΔSOC_i表示单体i从t₀时刻到t_j时刻SOC的变化量，公式为

ΔSOC_i＝SOC_i(t_j)-SOC_i(t₀)

式中t₀为每次充电或放电的起始时刻，t_j最大为每次充电或放电的结束时刻，由此可得到每次充放电完整区间内的所有ΔQ_i和ΔSOC_i。

优选的，在S2中，所述的容量估计方法，单体i的容量计算公式为：

ΔQ_i(t_j)＝C_iΔSOC_i+b

C_i表示单体i的容量，是未知的，但可以通过定义(ΔSOC_i,ΔQ_i)作为特征点，ΔQ_i和SOC_i的线性关系可以根据若干个特征点形成的散点图反映出来，基于线性回归的方法就可以得到单体i的容量C_i。

与现有技术相比，本发明的优势之处在于：

(1)本发明提供的一种区分电池微短路和小容量故障的诊断方法能快速计算单体容量进行故障诊断，计算量小，诊断速度快。

(2)容量估计值能较好地跟随参考值，能够准确地区分出微短路单体与小容量单体，诊断结果准确。

附图说明

图1是本发明一种区分电池微短路和小容量故障的诊断方法的流程图。

图2是本发明一种区分电池微短路和小容量故障的诊断方法，实施例中采用的平均电池模型图和差异电池模型图。

图3是利用最小二乘法进行容量估计，估计值与参考值的结果对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案作进一步地说明。

本实施例选取4个容量不一致的电池单体作为实验对象，将其串联连接，对2号单体以外接电阻的形式模拟短路，阻值为13Ω。实验工况选取动态应力测试工况为放电工况，1/3C恒流恒压的充电模式作为充电工况，进行三次充放电循环。

本发明区分电池微短路和小容量故障的流程图如图1所示，具体包括以下步骤：

S1、采用平均差异模型，用EKF算法估计出电池组的平均荷电状态SOC_mean和各单体与电池组平均荷电状态的差异(dSOC)，然后得出各单体的SOC；

步骤S1具体包括以下步骤：

1)利用传感器获取电池组电流值I，各单体电压值U_i；

2)选取如图2所示的二阶RC模型作为平均电池模型，取各单体电压的平均值U_mean，以I和U_mean作为输入值，通过EKF算法估计出电池组的平均荷电状态SOC_mean；

二阶RC模型输出端电压U_mean为：

U_mean＝OCV(SOC_mean)-IR₀-U₁-U₂ (1)

极化电压U₁和U₂分别为：

U₁＝IR₁[1-exp(-t/τ₁)] (2)

U₂＝IR₂[1-exp(-t/τ₂)] (3)

OCV表示平均电池的开路电压，SOC_mean表示平均电池的荷电状态，平衡状态下OCV与SOC_mean具有一一对应的关系，I表示平均电池通过的电流；R₀表示平均电池的欧姆内阻；U₁和U₂分别表示第一极化电压和第二极化电压；τ₁和τ₂分别表示平均电池的第一极化内阻和第二极化内阻。

状态方程为：

U_1,k+1＝U_1,kexp(-Δt/τ_1,k)+I_kR_1,k[1-exp(-Δt/τ_1,k)] (5)

U_2,k+1＝U_2,kexp(-Δt/τ_2,k)+I_kR_2,k[1-exp(-Δt/τ_2,k)] (6)

输出方程为：

U_mean,k＝OCV(SOC_mean,k)-I_kR₀-U_1,k-U_2,k+v_k (7)

其中，SOC_mean,k为k节点时刻电池组的平均荷电状态；Δt为采样时间；I_k为k节点时刻电流传感器测得的电流值；U_1,k和U_2,k为k节点时刻平均电池第一极化内阻和第二极化内阻的电压；OCV(SOC_mean,k)为k节点时刻电池组的开路电压；w_k和v_k分别表示输入测量噪声和输出测量噪声，w_k与安时积分法相对应，w_k的方差越小，表示更加相信安时积分法的估计值；v_k与电池模型电压校正环节相对应，v_k的方差越小，表示更加相信电池模型电压校正后的估计值。这里取w_k和v_k的方差分别取1e-12和0.01；η为库伦效率，这里取1。

式(4),(5),(6)组成状态方程：

式(7)组成输出方程：

g(x_k,u_k)＝OCV(SOC_mean,k)-I_kR₀-U_1,k-U_2,k (9)

式中，f(x_k,u_k)为平均电池的状态函数，g(x_k,u_k)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。

状态向量：

x_k＝[SOC_mean,k,U_1,k,U_2,k] (10)

系数矩阵：

3)采用如图3所示的Rint模型作为差异电池模型，以电流传感器测得的电池组电流值I和电压传感器测得的单体电压值U与平均电压值U_mean的差异值ΔU作为输入值，通过EKF算法估计出单体与平均电池的荷电状态差异(dSOC)；

Rint模型输出端电压：

ΔU＝ΔOCV(ΔSOC)-IΔR (13)

状态方程和输出方程：

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端电压；

表示在平衡状态时的平均荷电状态SOC_mean附近，第i个单体开路电压与电池组平均开路电压的差异；ΔRⁱ表示第i个单体的内阻与电池组平均内阻的差异；I_k为S节点时刻电流传感器测得的电流值。

状态向量：

系数矩阵：

4)根据平均电池的荷电状态SOC_mean，单体与平均电池的荷电状态差异(dSOC)，得到各电池单体的SOC。

S2、在充放电工况下分别计算各单体在每个时刻转移的电荷量和SOC变化量，然后利用最小二乘法进行各电池单体在充放电工况下的容量估计；

具体包括以下步骤：

1)计算各单体在每个时刻转移的电荷量ΔQ_i表示单体i从t₀时刻到t_j时刻转移的电荷量，采用安时积分法计算得到，公式为:

SOC变化量ΔSOC_i表示单体i从t₀时刻到t_j时刻SOC的变化量，公式为：

ΔSOC_i＝SOC_i(t_j)-SOC_i(t₀) (20)

这里的t₀为每次充电或放电的起始时刻，t_j最大为每次充电或放电的结束时刻。由此可得到每次充放电完整区间内的所有ΔQ_i和ΔSOC_i。

2)利用最小二乘法进行各电池单体在充放电工况下的容量估计；

根据1)中得到的特征点(ΔSOC_i,ΔQ_i)，利用最小二乘法得到各电池单体分别在充放电工况下的容量估计值。

S3、将电池单体各次充放电容量估计结果进行对比：

1)容量相近且充放电容量估计相近的为正常单体。正常电池单体指该单体容量在某一次估计时结果与大部分单体相一致，即与单体容量的中位数误差在p1％以内，且充电容量与放电容量差在p1％以内；

2)单体在充放电工况下估计值均小于正常单体p2％以上，且充电容量与放电容量差在p1％以内，则判定该单体为小容量单体；

3)单体在放电工况下的估计值小于正常单体，而充电工况下的估计值大于正常单体，且充电容量大于放电容量p3％，则判定该单体为微短路单体。

一般取p1＝2,p2＝3,p3＝5。

通过此实施例得到的容量估计图，如图3所示，我们可以看出单体1,3为正常单体。单体2的容量估计值在放电时低于正常单体，在充电时高于正常单体，所以可以判定单体2为微短路单体。而单体4的充放电工况下的容量估计值均小于正常单体，所以可以判定单体4为小容量单体。因此可以看出本发明采用的一种区分电池内短路和小容量两种故障的诊断方法能快速准确地区分出短路故障与小容量故障。

上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (7)

1.一种区分电池微短路和小容量故障的诊断方法，其特征在于，包括以下步骤：

S1、预估电池组的平均荷电状态SOC_mean和各单体与电池组平均荷电状态的差异(dSOC)，然后得出各单体的SOC；

S2、在充放电工况下分别计算各单体在每个时刻转移的电荷量和SOC变化量，然后利用最小二乘法进行各电池单体在充放电工况下的容量估计；

S3、将电池单体各次充放电容量估计结果进行对比，容量相近且充放电容量相近的电池单体为正常单体；

放电工况下的估计值小于正常单体，而充电工况下的估计值大于正常单体的单体为微短路单体；

充放电工况下估计值均小于正常单体的单体为小容量单体。

2.根据权利要求1所述的区分电池微短路和小容量故障的诊断方法，其特征在于，在S1中，采用平均差异模型，用EKF算法估计出电池组的平均荷电状态SOC_mean和各单体与电池组平均荷电状态的差异(dSOC)。

3.根据权利要求2所述的区分电池微短路和小容量故障的诊断方法，其特征在于，选取的平均电池模型为二阶RC模型，以高频的方式估计出电池组平均荷电状态SOC_mean；选取的差异电池模型为Rint模型，以低频的方式估计单体与电池组平均荷电状态的差异(dSOC)。

4.根据权利要求2所述的区分电池微短路和小容量故障的诊断方法，其特征在于，在S3中，容量相近且充放电容量估计相近的正常电池单体指该单体容量在某一次估计时结果与大部分单体相一致，即与单体容量的中位数误差在p1％以内，且充电容量与放电容量差在p1％以内；在充放电工况下估计值均小于正常单体p2％以上，且充电容量与放电容量差在p1％以内，则判定该单体为小容量单体；

在放电工况下的估计值小于正常单体，而充电工况下的估计值大于正常单体，且充电容量大于放电容量p3％，则判定该单体为微短路单体。

5.根据权利要求4所述的区分电池微短路和小容量故障的诊断方法，其特征在于；所述p1＝2,p2＝3,p3＝5。

6.根据权利要求1所述的区分电池微短路和小容量故障的诊断方法，其特征在于，在S2中，在每个时刻转移的电荷量ΔQ_i表示单体i从t₀时刻到t_j时刻转移的电荷量，采用安时积分法计算得到，公式为

SOC变化量ΔSOC_i表示单体i从t₀时刻到t_j时刻SOC的变化量，公式为

ΔSOC_i＝SOC_i(t_j)-SOC_i(t₀)

式中t₀为每次充电或放电的起始时刻，t_j最大为每次充电或放电的结束时刻，由此可得到每次充放电完整区间内的所有ΔQ_i和ΔSOC_i。

7.根据权利要求1所述的区分电池微短路和小容量故障的诊断方法，其特征在于，在S2中，所述的容量估计方法，单体i的容量计算公式为：

ΔQ_i(t_j)＝C_iΔSOC_i+b

C_i表示单体i的容量，是未知的，但可以通过定义(ΔSOC_i,ΔQ_i)作为特征点，ΔQ_i和SOC_i的线性关系可以根据若干个特征点形成的散点图反映出来，基于线性回归的方法就可以得到单体i的容量C_i。

Images