CN111965547B - 一种基于参数辨识法的电池系统传感器故障诊断方法 - Google Patents

Abstract

本发明提供了一种基于参数辨识法的电池系统传感器故障诊断方法。该方法为：首先根据实验构建电池的OCV‑SOC‑容量三维响应面、阈值模型及容量估计模型；然后根据容量估计模型得到的容量值和安时积分法得到的SOC在三维响应面中查找到开路电压OCV的参考值；OCV的估计值则通过在线辨识算法估计得到；再将安时积分法得到的SOC代入阈值模型得到当前SOC时的故障诊断阈值；最后将OCV的参考值和估计值之差作为残差用于残差评价，当残差绝对值超过所设阈值即可判断传感器出现故障。本发明不仅考虑了电池老化和SOC对OCV参考值的影响，还考虑了OCV残差在全SOC区间的差异特性，有效降低了在电池全寿命周期传感器故障诊断的误警率和漏警率。

Description

一种基于参数辨识法的电池系统传感器故障诊断方法

技术领域

本发明涉及动力电池系统领域，尤其涉及一种基于参数辨识法的电池系统传感器故障诊断方法。

背景技术

动力电池系统作为新能源汽车的能量载体，为确保其安全和高效运行，电池管理系统(Battery management system,BMS)需对系统内的所有可能潜在发生的故障进行及时有效的诊断。因BMS的所有功能均需依赖传感器的采集数据进行各种监控、控制和管理，故传感器故障诊断是BMS的核心任务之一。

目前，传感器故障诊断实际应用较多的是基于解析模型的方法，该方法包括残差生成和残差评价两步，根据残差生成方法的不同又可进一步细分为参数辨识法、状态估计法和等价空间法。由于电池的模型参数是电池解析模型的基础，因此基于参数辨识的方法是传感器故障诊断的优选。基于参数辨识法进行传感器故障诊断的常用思路是：先利用特定实验数据得到电池模型的参数值作为参考值，并将其储存在BMS中。电池实际工作时，通过在线参数辨识方法对实时采集到的电流和电压信号进行处理得到参数的估计值，电池模型参数的参考值和估计值之差可作为残差，通过对比残差和故障诊断阈值来判断传感器是否发生故障。实际上，电池模型参数分为动态特性参数和静态特性参数。两种特性参数都受荷电状态(State of Charge,SOC)和老化等因素影响，且动态特性参数还受充放电电流倍率(Current rate,C)影响，因而静态特性参数更适合用于故障诊断研究。

电池的静态特性参数主要指电池的开路电压(Open circuit voltage,OCV),目前利用OCV生成残差的研究中，OCV的参考值通常是通过安时积分法得到的SOC和BMS存储的OCV-SOC二维非线性关系式联合得到，忽略了OCV和OCV-SOC关系式均受电池老化影响的特性。电池的老化主要体现在容量衰退上，在电池的状态估计研究中，虽然已有研究人员为获取更准确的OCV而建立OCV-SOC-容量的三维响应面模型，但该响应面模型中包含了幂函数项和对数函数项，这限制了电池SOC的范围不能取0和100％及非常接近这两个值的值，此外，响应面模型中对容量的考虑通常是建立容量的二次函数，容量插值精度低，因此，如若采用OCV-SOC-容量的三维响应面模型获取OCV的参考值还需对传统的响应面模型进行改进。除了改进参数参考值以提高残差精度外，目前研究中的残差阈值也存在问题。由于电池模型在不同SOC区间的模型精度不同，进而导致OCV估计精度在不同SOC区间也会存在明显差异，若在整个SOC区间采用恒定单一阈值也将导致部分SOC区间的故障误警率和漏警率高的问题。

因此，如何基于参数辨识法实现电池全寿命周期的传感器故障诊断方法仍是当前的技术难点。

发明内容

本发明的目的在于提出基于参数辨识法的电池系统传感器故障诊断方法。所述方法以电池OCV生成残差，但摒弃利用安时积分法和OCV-SOC二维关系式获取OCV参考值的传统思路，而是充分考虑电池老化对OCV-SOC关系式的影响，通过实验获得不同老化阶段的容量Q及OCV-SOC二维关系式进而建立OCV-SOC-容量三维响应面模型并存储在BMS中。实际应用中，电池SOC仍采用安时积分法获得，而容量可通过容量估计模型获得，然后根据OCV-SOC-容量三维响应面模型获取OCV的参考值。OCV的估计值可通过常用的参数在线辨识算法得到。考虑到OCV估计误差在不同SOC区间的估计精度不同，故本发明还提出一种阈值更新模型，将阈值表达成SOC的函数，当残差超过阈值即可判定传感器出现故障。

一种基于参数辨识法的电池系统传感器故障诊断方法，其特征在于包括以下步骤：

步骤一：建立OCV-SOC-容量响应面及阈值模型：

确定电动汽车所用锂离子动力电池的型号及技术参数，根据电池企业提供的手册进行或根据中国汽车工程学会标准T/CSAE 60-2017对动力电池展开老化循环实验，并等循环间隔进行电池特性测试实验；电池特性测试实验包括容量测试、OCV测试、混合脉冲测试和动态工况测试，目的在于获取电池在不同老化阶段下的容量值和OCV-SOC关系式，建立OCV-SOC-容量三维响应面模型；利用混合脉冲测试数据构建电池模型，结合参数辨识算法建立动态的阈值模型，该模型是SOC的函数；OCV-SOC-容量三维响应面模型及阈值模型存储在BMS中；

建立OCV-SOC-容量三维响应面模型的具体方法为：

为改善传统三维响应面模型中包含幂函数项和对数函数项进而限制SOC区间的问题，首先根据第0个循环后(即新电池)的OCV测试实验建立OCV与SOC的如下关系式：

OCV(z)＝α₀+α₁z+α₂z²+α₃z³+α₄z⁴+α₅z⁵+α₆z⁶+α₇z⁷+α₈z⁸+α₉z⁹+α₁₀z¹⁰

式中，α₀,α₁,…,α₁₀为关系式系数，可通过OCV测试数据拟合得到，z为电池SOC，其值在电池完全充满时为100％，完全放光时为0，其他时刻的值可通过如下安时积分法计算：

式中，下标k表示第k个采样时刻，I为电流值，Δt为电池的采样间隔；

对每50个老化循环后的基础特性测试中的OCV实验进行处理得到每50个循环对应容量的OCV(z)关系式，然后将系数α₀,α₁,…,α₁₀解析成容量Q的三次函数得到电池全寿命周期(即每个容量点)下的OCV(z)：

式中，上标T表示矩阵的转置，Λ为11×4系数矩阵。

据此，建立OCV-SOC-容量三维响应面模型，在该模型中，将OCV解析成SOC的十阶多项式，以便于应用于全SOC区间，十阶多项式的系数进一步解析成容量的三次多项式比传统的二次多项式，提高了OCV-SOC曲线在老化过程(即不同容量时)的插值精度。

建立阈值模型的具体方法为：

OCV的估计精度主要是由电池模型在全SOC区间的精度差异导致，且电池的OCV估计误差要小于端电压估计误差。故可通过端电压误差在全SOC区间的变化规律来近似代替OCV估计误差在全SOC区间的变化规律。利用第0个循环后(即新电池)的混合脉冲测试数据和遗传算法得到电池端电压U_t的误差ΔU_t随SOC的变化曲线，通过该曲线得到下式的拟合系数：

ΔU_t＝β₀+β₁z+β₂z²+β₃z³+β₄z⁴+β₅z⁵+β₆z⁶+β₇z⁷+β₈z⁸+β₉z⁹+β₁₀z¹⁰

式中，β₀,β₁,...,β₁₀为拟合系数，可将该拟合系数代入下式得到阈值模型：

J＝1.1×(β₀+β₁z+β₂z²+β₃z³+β₄z⁴+β₅z⁵+β₆z⁶+β₇z⁷+β₈z⁸+β₉z⁹+β₁₀z¹⁰)

因本发明采用OCV-SOC-容量三维响应面模型获取OCV参考值，故电池模型精度在全寿命周期基本保持不变，无需与OCV-SOC-容量三维响应面模型一样再利用不同循环下的的混合脉冲测试数据进行阈值模型更新。

步骤二：建立容量估计模型

对动力电池开展加速老化实验，获得电池在不同温度T和电池倍率C下的老化数据，建立电池的容量估计模型，储存在BMS中；

电池温度T应至少包括-10℃、0℃、10℃、20℃、30℃、40℃和50℃，电池倍率C应至少包括0.5C、1C、2C和3C，所建容量估计如下模型：

式中，Q₀为新电池的最大可用容量，T为电池表面温度，N为充放电循环数，χ，a,b和c为拟合系数，可通过对应放电倍率下老化实验得到的容量及循环数曲线拟合得到。其中a,b和c不随电池倍率C改变，而仅有χ随电池倍率C改变。通过改变电池倍率C(0.5C、1C、2C和3C)，得到(至少4个)一系列的χ值，然后建立χ和C的二次函数，确定二次函数系数γ₀，γ₁和γ₂。

步骤三：OCV参考值获取

在动力电池实际充放电循环过程中，根据电池的电流I计算出其电池倍率C：

然后将实际充放电循环过程中动力电池当前的温度T，循环数N和电池倍率C，代入容量估计模型得到电池容量Q_k，

然后根据安时积分法计算当前k时刻的SOC值z_k,，在此基础上，通过OCV-SOC-容量三维响应面可获得OCV的参考值OCV_r,k。

步骤四：OCV估计值获取

对所用动力电池建立电池等效电路模型，将OCV作为待辨识参数向量中的一个元素，通过带遗忘因子的递推最小二乘法获得OCV的估计值；

步骤五：故障诊断阈值更新

将安时积分法计算的SOC代入阈值模型得到用于当前时刻故障诊断的阈值J。

步骤六：故障检测

将OCV的参考值和估计值之差作为残差，与阈值进行对比来判断传感器是否发生故障。

本发明的有益效果在于：

(1)动力电池OCV受SOC和老化影响，建立OCV-SOC-容量三维响应面模型获取，充分考虑到电池老化和SOC对OCV的影响，可保证在电池全寿命周期都有较高的准确性，本发明在OCV-SOC-容量三维响应面模型中摒弃幂函数项和对数函数项，采用十阶多项式突破了响应面模型在全SOC区间应用的限制。此外，响应面模型中的十阶多项式系数对容量拟合时选择三次函数，提高了OCV-SOC曲线在老化过程(即不同容量时)的插值精度。本发明所提三维响应面进一步提高了电池全寿命区间OCV参考值精度，有助于获得精确的残差，提高故障诊断的准确率。

(2)针对残差在不同SOC区间的明显差异，本发明提出了一种基于端电压估计误差建立故障诊断阈值模型方法，该阈值模型将端电压估计误差解析成SOC的多项式函数，利用安时积分法得到的SOC更新当前SOC点下的阈值，打破了常规故障诊断采用恒定阈值进行残差评价易产生故障误报和漏报问题，有助于降低故障诊断时的误警率和漏警率。

附图说明

图1是本发明所提供的方法的流程示意图。

图2是Thevenin等效电路模型示意图。

图3是OCV-SOC-容量三维响应面模型。

具体实施方式

下面结合附图对本发明所提供的传感器故障诊断方法进行详尽的阐述。

本发明所提供的一种基于参数辨识法的电池系统传感器故障诊断方法，如图1所示，具体包括以下步骤：

步骤一：建立OCV-SOC-容量响应面及阈值模型

确定电动汽车所用锂离子动力电池的型号及技术参数。根据电池企业提供的手册或中国汽车工程学会标准T/CSAE 60-2017对动力电池展开老化循环实验，并第0个循环后(即新电池)及每50个老化循环后进行一次电池特性测试实验。电池特性测试实验包括容量测试、OCV测试、混合脉冲测试和动态工况测试。

根据第0个循环后的OCV测试实验建立OCV与SOC的如下关系式：

OCV(z)＝α₀+α₁z+α₂z²+α₃z³+α₄z⁴+α₅z⁵+α₆z⁶+α₇z⁷+α₈z⁸+α₉z⁹+α₁₀z¹⁰

式中，α₀,α₁,…,α₁₀为关系式系数，可通过OCV测试数据拟合得到，z为电池SOC，其值在电池完全充满时为100％，完全放光时为0，其他时刻的值可通过如下安时积分法计算：

式中，下标k表示第k个采样时刻，I为电流值，Δt为电池的采样间隔。

对每50个老化循环后的基础特性测试中的OCV实验进行处理得到每50个循环对应容量的OCV(z)关系式，然后将系数α₀,α₁,…,α₁₀可进一步解析成容量Q的三次函数以得到电池全寿命周期(即每个容量点)下的OCV(z,Q)：

式中，上标T表示矩阵的转置，Λ为11×4系数矩阵。

据此，可建立OCV-SOC-容量三维响应面模型，然后利用第0个循环后的混合脉冲测试数据和遗传算法得到电池端电压U_t的误差ΔU_t随SOC的变化曲线，通过该曲线得到下式的拟合系数：

ΔU_t＝β₀+β₁z+β₂z²+β₃z³+β₄z⁴+β₅z⁵+β₆z⁶+β₇z⁷+β₈z⁸+β₉z⁹+β₁₀z¹⁰

式中，β₀,β₁,...,β₁₀为拟合系数，可将该拟合系数代入下式得到阈值模型：

J＝1.1×(β₀+β₁z+β₂z²+β₃z³+β₄z⁴+β₅z⁵+β₆z⁶+β₇z⁷+β₈z⁸+β₉z⁹+β₁₀z¹⁰)

步骤二：建立容量估计模型

对动力电池开展加速老化实验，老化实验考虑电池温度和电流倍率两方面影响，温度T包括-10℃、0℃、10℃、20℃、30℃、40℃和50℃，电池倍率C包括0.5C、1C、2C和3C。通过获得电池不同温度和电流倍率下的容量循环老化数据，建立电池的容量估计模型：

式中，Q₀为新电池的最大可用容量，T为电池表面温度，N为充放电循环数，χ，a,b和c为拟合系数，可通过对应放电倍率下老化实验得到的容量及循环数曲线拟合得到。其中a,b和c不随电池倍率C改变，而仅有χ随电池倍率C改变。通过改变电池倍率C，得到一系列的χ值，然后建立χ和C的二次函数，确定二次函数系数γ₀，γ₁和γ₂。

步骤三：OCV参考值获取

在实际充放电循环过程中，根据电池的电流I计算出其电池倍率C：

然后将当前的温度T，循环数N和电池倍率C，代入容量估计模型得到电池容量Q_k，

然后根据安时积分法计算当前k时刻的SOC值z_k,，在此基础上，通过OCV-SOC-容量三维响应面可获得OCV的参考值OCV_r,k。

步骤四：OCV估计值获取

构建如图2所示的Thevenin等效电路模型，该模型由电压源、欧姆内阻、以及RC网络三部分组成。该模型的数学表达式为：

式中，U_p为极化电压，

为其导数，R₀为欧姆内阻，C_p为极化电容，R_p为极化电阻，U_t为端电压；

进一步地，将上式进行离散化处理得到：

进一步地，将该式进行拉普拉斯辨识和二值变换得到：

U_t,k＝OCV_k-a₁OCV_k-1+a₁U_t,k-1+a₂I_k+a₃I_k-1

式中，系数a₁,a₂和a₃分别为：

进一步地，根据递推最小二乘法的原理，可将端电压U_t的表达式变换为：

式中，y_k为观测量，

为系数矩阵，θ_k为参数向量，M_k为待辨识参数。

根据递推最小二乘法的原理，可按下式迭代计算求解参数向量：

式中，上标^表示估计值，K_k为增益矩阵，P_k为误差协方差矩阵，μ为遗忘因子，其值0<μ≤1，本发明取μ＝0.997。

得到采样时刻k的向量θ_k后，可通过下式计算OCV的估计值OCVe,_k：

步骤五：故障诊断阈值更新

将安时积分法得到的当前时刻的SOC值z_k代入阈值模型得到用于当前SOC下故障诊断的阈值J_k:

J_k＝1.1×(β₀+β₁z_k+β₂z_k ²+β₃z_k ³+β₄z_k ⁴+β₅z_k ⁵+β₆z_k ⁶+β₇z_k ⁷+β₈z_k ⁸+β₉z_k ⁹+β₁₀z_k ¹⁰)

步骤六：故障检测

将OCV的参考值和估计值之差作为残差r：

r_k＝OCV_r,k-OCV_e,k

通过对比残差r_k的绝对值与阈值J_k的大小来判断传感器是否发生故障，当残差绝对值超过阈值即可判断传感器出现故障，反之，传感器无故障。

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。

Claims (1)

1.一种基于参数辨识法的电池系统传感器故障诊断方法，其特征在于包括以下步骤：

步骤一：建立OCV-SOC-容量响应面及阈值模型

确定电动汽车所用锂离子动力电池的型号及技术参数，对动力电池展开老化循环实验，并等循环间隔进行电池特性测试实验；电池特性测试实验包括容量测试、OCV测试、混合脉冲测试和动态工况测试，获取电池在不同老化阶段下的容量值和OCV-SOC关系式，建立OCV-SOC-容量三维响应面模型；利用混合脉冲测试数据构建电池模型，结合参数辨识算法建立动态的阈值模型，阈值模型是SOC的函数；OCV-SOC-容量三维响应面模型及阈值模型存储在BMS中；

建立OCV-SOC-容量三维响应面模型的具体方法为：

根据第0个循环后的OCV实验建立OCV与SOC的如下关系式：

OCV(z)＝α₀+α₁z+α₂z²+α₃z³+α₄z⁴+α₅z⁵+α₆z⁶+α₇z⁷+α₈z⁸+α₉z⁹+α₁₀z¹⁰

式中，α₀,α₁,…,α₁₀为关系式系数，可通过OCV测试数据拟合得到，z为电池SOC，其值在电池完全充满时为100％，完全放光时为0，其他时刻的值可通过如下安时积分法计算：

式中，下标k表示第k个采样时刻，I为电流值，Δt为电池的采样间隔；

对每50个老化循环后的基础特性测试中的OCV实验进行处理得到每50个循环对应容量的OCV(z)关系式，然后将系数α₀,α₁,…,α₁₀解析成容量Q的三次函数,得到电池全寿命周期下的OCV(z)：

式中，上标T表示矩阵的转置，Λ为11×4系数矩阵。

据此，建立OCV-SOC-容量三维响应面模型，在该模型中，将OCV解析成SOC的十阶多项式，十阶多项式的系数进一步解析成容量的三次多项式；

建立阈值模型的具体方法为：

用第0个循环后的混合脉冲测试数据和遗传算法得到电池端电压U_t的误差ΔU_t随SOC的变化曲线，通过该曲线得到下式的拟合系数：

ΔU_t＝β₀+β₁z+β₂z²+β₃z³+β₄z⁴+β₅z⁵+β₆z⁶+β₇z⁷+β₈z⁸+β₉z⁹+β₁₀z¹⁰

式中，β₀,β₁,...,β₁₀为拟合系数，将该拟合系数代入下式得到阈值模型：

J＝1.1×(β₀+β₁z+β₂z²+β₃z³+β₄z⁴+β₅z⁵+β₆z⁶+β₇z⁷+β₈z⁸+β₉z⁹+β₁₀z¹⁰)；

步骤二：建立容量估计模型

对动力电池开展加速老化实验，获得电池在不同温度T和电池倍率C下的老化数据，建立电池的容量估计模型，储存在BMS中；

电池温度T应至少包括-10℃、0℃、10℃、20℃、30℃、40℃和50℃，电池倍率C应至少包括0.5C、1C、2C和3C，容量估计模型如下：

式中，Q₀为新电池的最大可用容量，T为电池表面温度，N为充放电循环数，χ，a,b和c为拟合系数，可通过对应放电倍率下老化实验得到的容量及循环数曲线拟合得到；通过改变电池倍率C，得到一系列的χ值，然后建立χ和C的二次函数，确定二次函数系数γ₀，γ₁和γ₂；

步骤三：OCV参考值获取

在实际充放电循环过程中，根据电池的电流I计算出其电池倍率C：

然后将当前的温度T，循环数N和电池倍率C，代入容量估计模型得到电池容量Q_k，

然后根据安时积分法计算当前k时刻的SOC值z_k,，在此基础上，通过OCV-SOC-容量三维响应面可获得OCV的参考值OCV_r,k；

步骤四：OCV估计值获取

对所用动力电池建立电池等效电路模型，将OCV作为待辨识参数向量中的一个元素，通过带遗忘因子的递推最小二乘法获得OCV的估计值；

步骤五：故障诊断阈值更新

将安时积分法计算的SOC代入阈值模型得到用于当前时刻故障诊断的阈值J。

步骤六：故障检测

将OCV的参考值和估计值之差作为残差，与阈值进行对比来判断传感器是否发生故障。

Images