CN112989569B - 一种带温度约束条件的锂电池传感器故障滤波诊断方法 - Google Patents

一种带温度约束条件的锂电池传感器故障滤波诊断方法 Download PDF

Info

Publication number
CN112989569B
CN112989569B CN202110169955.XA CN202110169955A CN112989569B CN 112989569 B CN112989569 B CN 112989569B CN 202110169955 A CN202110169955 A CN 202110169955A CN 112989569 B CN112989569 B CN 112989569B
Authority
CN
China
Prior art keywords
lithium battery
matrix
fault
full
cell
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110169955.XA
Other languages
English (en)
Other versions
CN112989569A (zh
Inventor
王子赟
刘子幸
王艳
占雅聪
纪志成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangnan University
Original Assignee
Jiangnan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangnan University filed Critical Jiangnan University
Priority to CN202110169955.XA priority Critical patent/CN112989569B/zh
Publication of CN112989569A publication Critical patent/CN112989569A/zh
Priority to PCT/CN2022/074161 priority patent/WO2022166730A1/zh
Priority to US17/873,265 priority patent/US11802915B2/en
Application granted granted Critical
Publication of CN112989569B publication Critical patent/CN112989569B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种带温度约束条件的锂电池传感器故障滤波诊断方法，属于锂电池故障诊断技术领域。所述方法包括：获取锂电池电压动态特性；建立锂电池离散线性电热模型；获取锂电池的参数矩阵和输入矩阵，并确定温度约束条件；建立带温度约束条件的锂电池离散线性电热模型；确定系统的输出矩阵；估计状态矩阵对应的全对称多胞形；计算输出矩阵对应的全对称多胞形；确定锂电池系统的故障状态和故障时间；若发生故障，设计故障估计器估计乘性传感器故障对应的区间；解决了噪声干扰信号不确定的锂电池系统的传感器故障估计问题，能够快速地估计出故障，且估计区间保守性更小，根据所估计出的区间进一步计算出故障数值，提高了对锂电池系统故障估计的精度。

Description

一种带温度约束条件的锂电池传感器故障滤波诊断方法
技术领域
本发明涉及一种带温度约束条件的锂电池传感器故障滤波诊断方法，属于锂电池故障诊断技术领域。
背景技术
锂电池系统有着体积小、功率高、容量大、自动放电功率低、循环寿命长等优点，近些年已被广泛用于电动汽车、电子消费品、大规模或分布式储能等场景中。在锂电池的实际应用中，受环境因素和操作条件等的影响，锂电池容易不稳定。一旦锂电池出现问题，势必会导致整个系统存在短路等安全问题，造成较高的安全隐患。因此，为保证锂电池系统的安全可靠的运行，对锂电池进行实时有效的故障诊断是非常有必要的。
锂电池系统工作环境复杂，易受各种环境因素的影响，同时考虑实际环境中各种干扰噪声一般不满足特定的概率分布，因此现有技术中，将能够基于未知但有界的噪声进行系统故障诊断的椭球集员滤波故障诊断方法应用于锂电池系统中，则能够有效诊断出锂电池系统的运行状态。
但是，这种方法的估计区间保守性较大、估计精度有待于进一步的提高。
发明内容
为了进一步的提高对锂电池系统故障估计的精度，本发明提供了一种带温度约束条件的锂电池传感器故障滤波诊断方法，所述方法包括：
S1根据锂电池的离散线性电热模型，并基于锂电池的参数矩阵和输入矩阵和锂电池系统在正常工作状态下的温度约束条件，建立带温度约束条件的锂电池离散线性电热模型；
S2获取锂电池在工作状态下的电池内核温度和表面温度，并根据锂电池离散线性电热模型确定锂电池在工作状态下对应的输出矩阵；
S3根据锂电池的参数矩阵和输入矩阵、S1建立的带温度约束条件的锂电池离散线性电热模型以及S2确定的锂电池在工作状态下对应的输出矩阵，设计带约束的全对称多胞形卡尔曼滤波器，并计算锂电池的输出矩阵对应的全对称多胞形；
S4根据S3计算得到的锂电池输出矩阵对应的全对称多胞形，确定锂电池系统的故障状态和故障时间；
S5根据锂电池的参数矩阵和输入矩阵、S1建立的带温度约束条件的锂电池离散线性电热模型以及S2确定的锂电池在工作状态下对应的输出矩阵，设计带约束的全对称多胞形卡尔曼滤波故障估计器，进一步估计锂电池系统的乘性传感器故障数值对应的区间集合。
可选的，所述方法包括：
步骤101，根据锂电池的双极化电池模型和电路工作原理，获取锂电池电压动态特性；
其中R1和C1分别为锂电池的电化学极化内阻和电容，R2和C2分别为锂电池的浓差极化内阻和电容，U1和U2分别为R1与C1和R2与C2两端电压，I为电池电流；
步骤102，根据锂电池的双态热子模型，建立锂电池离散线性电热模型；
步骤103，获取锂电池的参数矩阵和输入矩阵，并确定系统在正常工作状态下温度约束条件；所述参数矩阵根据电池核心与表面之间的热阻Rc、电池表面与冷却空气之间的对流电阻Ru、电池表面的热容系数Cc和电池内部材料的热容系数Cs确定，所述输入矩阵由发热功率Qgen和环境温度Te组成；
步骤104，根据步骤102建立的锂电池离散线性电热模型和步骤103确定的温度约束条件，确定带温度约束条件的锂电池离散线性电热模型；
步骤105，获取锂电池在工作状态下的电池内核温度Tc(k)和表面温度Ts(k)，并确定对应的输出矩阵y(k)；
步骤106，设计带约束的全对称多胞形卡尔曼滤波器，估计锂电池系统状态矩阵对应的全对称多胞形
步骤107，根据步骤106估计出的状态矩阵对应的全对称多胞形计算锂电池的输出矩阵对应的全对称多胞形/>
步骤108，根据步骤107计算的锂电池输出矩阵对应的全对称多胞形确定锂电池系统的故障状态和故障时间；
步骤109，设计带约束的全对称多胞形卡尔曼滤波故障估计器，估计乘性传感器故障数值对应的区间集合
可选的，所述步骤102，根据锂电池的双态热子模型，建立锂电池离散线性电热模型，包括：
根据锂电池产热、导热原理，建立锂电池双态热子模型：
其中，Qgen＝I(Uoc-U)＝I(R0I+U1+U2)为电池核心的发热功率，R0为欧姆内阻，Uoc为电池的开路电压，U为电池的端电压；
以发热功率Qgen和环境温度Te为输入，电池内核温度Tc和表面温度Ts为状态，经离散化处理后，建立锂电池离散线性电热模型为：
其中x(k)＝[x1(k),x2(k)]T＝[Tc(k),Ts(k)]T为系统的状态矩阵，x1(k)、x2(k)为状态矩阵x(k)中的元素，分别表示电池内核温度Tc和表面温度Ts，u(k)＝[Qgen(k),Te(k)]T为系统的输入矩阵，y(k)＝[Tc(k),Ts(k)]T为系统的输出矩阵；
为系统的参数矩阵，k为离散时间，w(k)和v(k)分别为过程噪声和测量噪声，并且均有界。
可选的，所述步骤104，根据步骤102建立的锂电池离散线性电热模型和步骤103确定的温度约束条件，确定带温度约束条件的锂电池离散线性电热模型，包括：
根据步骤103确定的锂电池系统的温度约束条件，确定系统的约束方程：
|γ(k)-H(k)x(k)|≤l
其中γ(k)＝[29,5.85]T，l＝[0.5,0.1]T；
同时基于步骤102建立的锂电池离散线性电热模型，确定带温度约束条件的锂电池离散线性电热模型：
其中 为/>的界，ny为输出矩阵y(k)的维数，nγ为γ(k)的维数。
可选的，所述步骤106，设计带约束的全对称多胞形卡尔曼滤波器，估计锂电池系统状态矩阵对应的全对称多胞形包括：
带约束的全对称多胞形卡尔曼滤波器为：
其中表示闵可夫斯基和，⊙表示线性映射；
则锂电池系统的估计状态通过如下式子递推得到：
K(k-1)＝R(k-1)S-1(k-1)
L(k-1)＝AK(k-1)
其中L(k-1)为最优增益矩阵，为降维后的/>为k时刻锂电池系统状态矩阵对应的全对称多胞形，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的生成矩阵，/>为带温度约束条件的锂电池系统的测量噪声/>对应的全对称多胞形的生成矩阵， S(k-1)、R(k-1)、K(k-1)为中间计算变量，^表示估计值符号。
可选的，所述步骤107，根据步骤106估计出的状态矩阵对应的全对称多胞形计算锂电池的输出矩阵对应的全对称多胞形/>包括：
根据步骤106估计的状态矩阵对应的全对称多胞形和测量矩阵v(k)对应的全对称多胞形的生成矩阵Gv，按下式计算k时刻输出矩阵对应的全对称多胞形
其中，为k时刻锂电池系统输出矩阵对应的全对称多胞形，为k时刻锂电池系统输出矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统输出矩阵对应的全对称多胞形的生成矩阵。
可选的，所述步骤108，根据步骤107计算的锂电池输出矩阵对应的全对称多胞形确定锂电池系统的故障状态和故障时间，包括：
根据步骤107计算的输出矩阵对应的全对称多胞形按如下式子确定k时刻利用带约束全对称多胞形卡尔曼滤波方法得到的全对称多胞形/>的上下界：
若且/>则故障检测信号f(k)＝0，表明锂电池系统在k时刻未发生传感器故障，否则，故障检测信号f(k)＝1，表明锂电池系统在k时刻发生传感器故障；
其中为输出矩阵/>中的元素，/>为输出矩阵/>中的元素。
可选的，所述步骤109，设计带约束的全对称多胞形卡尔曼滤波故障估计器，估计乘性传感器故障数值对应的区间集合包括：
按如下式子递推计算最优增益矩阵L(k-1)：
K(k-1)＝R(k-1)S-1(k-1)
L(k-1)＝AK(k-1)
其中S(k-1)、R(k-1)、K(k-1)为中间计算变量；
基于上述计算所得的最优增益矩阵，设计的带约束的全对称多胞形卡尔曼滤波故障估计器如下：
其中
其中，为k时刻乘性传感器故障对应的区间集合，/>(i＝1,…,ny)为一个区间，是集合/>中的元素，/>和/>分别为区间/>的上界和下界，yi(k)、Fi、Ci表示y(k)、F、C中的第i行的元素，nv为测量噪声v(k)的维度，nx为状态矩阵x(k)为维度，ny为输出矩阵y(k)的维度，/>为中间计算变量；
为k时刻锂电池系统状态矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的生成矩阵，Gv为测量矩阵v(k)对应的全对称多胞形的生成矩阵，L(k-1)为最优增益矩阵，/>为降维后的/> 为k-1时刻锂电池系统乘性传感器故障对应的区间集合/>中的任意一点。
可选的，通过温度传感器测量锂电池系统中的电池内核温度和表面温度的大小。
本申请还提供一种带温度约束条件的锂电池传感器故障滤波诊断系统，所述系统采用上述方法对锂电池系统的传感器故障进行诊断。
本发明有益效果是：
针对考虑锂电池正常工作状态下内核温度和表面温度一般满足一定的约束条件，设计了一种带温度约束条件的锂电池传感器故障滤波诊断方法，通过获取锂电池电压动态特性；建立锂电池离散线性电热模型；获取锂电池的参数矩阵和输入矩阵，并确定温度约束条件；建立带温度约束条件的锂电池离散线性电热模型；确定系统的输出矩阵；估计状态矩阵对应的全对称多胞形；计算输出矩阵对应的全对称多胞形；确定锂电池系统的故障状态和故障时间；若发生故障，设计故障估计器估计乘性传感器故障对应的区间；解决了噪声干扰信号不确定的锂电池系统的传感器故障估计问题，能够快速地估计出故障，并进一步提高了对锂电池系统故障估计的精度，充分利用了系统的约束条件，达到了提高锂电池故障估计的保守性的效果。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一个实施例公开的一种带温度约束条件的锂电池传感器故障滤波诊断方法流程图。
图2是一种锂电池双极化电池模型等效电路图。
图3是本发明一个实施例公开的一种锂电池传感器故障检测信号变化曲线仿真图。
图4是本发明一个实施例公开的两种方法下的一种锂电池乘性传感器故障f1对应的上下界变化情况和中心点变化情况仿真图。
图5是本发明一个实施例公开的两种方法下的一种锂电池乘性传感器故障f2对应的上下界变化情况和中心点变化情况仿真图。
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，下面将结合附图对本发明实施方式作进一步地详细描述。
实施例一：
本实施例提供一种带温度约束条件的锂电池传感器故障滤波诊断方法，所述方法包括：
S1根据锂电池的离散线性电热模型，并基于锂电池的参数矩阵和输入矩阵和锂电池系统在正常工作状态下的温度约束条件，建立带温度约束条件的锂电池离散线性电热模型；
S2获取锂电池在工作状态下的电池内核温度和表面温度，并根据锂电池离散线性电热模型确定锂电池在工作状态下对应的输出矩阵；
S3根据锂电池参数矩阵和输入矩阵、S1建立的带温度约束条件的锂电池离散线性电热模型以及S2确定的锂电池在工作状态下对应的输出矩阵，设计带约束的全对称多胞形卡尔曼滤波器，并计算锂电池的输出矩阵对应的全对称多胞形；
S4根据S3计算得到的锂电池输出矩阵对应的全对称多胞形，确定锂电池系统的故障状态和故障时间；
S5根据锂电池的参数矩阵和输入矩阵、S1建立的带温度约束条件的锂电池离散线性电热模型以及S2确定的锂电池在工作状态下对应的输出矩阵，设计带约束的全对称多胞形卡尔曼滤波故障估计器，进一步估计锂电池系统的乘性传感器故障数值对应的区间集合。
实施例二：
本实施例提供一种带温度约束条件的锂电池传感器故障滤波诊断方法，参见图1，所述方法包括：
步骤101，根据锂电池的双极化电池模型和电路工作原理，获取锂电池电压动态特性。
锂电池双极化电池模型等效电路如图2所示，其中R0表示欧姆内阻，R1和C1分别为电化学极化内阻和电容，R2和C2分别为浓差极化内阻和电容，U1和U2分别为R1与C1和R2与C2两端电压，Uoc为电池的开路电压，U为电池的端电压，I为电池电流。
由基尔霍夫电压定律可得，端电压U＝Uoc-R0I-U1-U2，同时根据电路工作原理，可得如下电压动态特性：
本申请中，“·”表示求导符号。
步骤102，根据锂电池的双态热子模型，建立锂电池离散线性电热模型。
根据锂电池产热、导热等原理，建立锂电池双态热子模型：
其中，Cs为电池内部材料的热容系数，Cc为电池表面的热容系数，Rc为电池核心与表面之间的热阻，Ru为电池表面与冷却空气之间的对流电阻，Qgen＝I(Uoc-U)＝I(R0I+U1+U2)为电池核心的发热功率。
以发热功率Qgen和环境温度Te为输入，电池内核温度Tc和表面温度Ts为状态，经离散化处理后，建立锂电池离散线性电热模型为：
其中x(k)＝[x1(k),x2(k)]T＝[Tc(k),Ts(k)]T为系统的状态矩阵，x1(k)、x2(k)为状态矩阵x(k)中的元素，分别表示电池内核温度Tc和表面温度Ts。u(k)＝[Qgen(k),Te(k)]T为系统的输入矩阵，y(k)＝[Tc(k),Ts(k)]T为系统的输出矩阵；
为系统的参数矩阵，k为离散时间，w(k)和v(k)分别为过程噪声和测量噪声，并且均有界，具体为：系统的初始状态满足/>
步骤103，获取锂电池的参数矩阵和输入矩阵，并确定系统在正常工作状态下温度约束条件。
当锂电池处于工作状态下时，系统参数分别为Rc＝1.98℃/W，Ru＝1.718℃/W，Cc＝63.5J/℃，Cs＝4.5J/℃。
将系统参数代入系统的参数矩阵A和B中，确定参数矩阵A和B的具体数值。
当锂电池处于工作状态下时，电压动态特性中的参数分别为R1＝0.0298Ω，C1＝1789.7F，R2＝0.03819Ω，C2＝5.26F，I＝2A。根据式(1)，获取k时刻R1与C1对应的端电压U1(k)和R2与C2对应的端电压U2(k)。
根据获取的端电压U1(k)和U2(k)，以及系统参数R0＝0.0501Ω、I＝2A，获取k时刻电池核心的发热功率Qgen(k)＝I(R0I+U1(k)+U2(k))。
将k时刻的环境温度Te(k)＝18℃和获取的k时刻电池核心的发热功率Qgen(k)代入系统的输入矩阵中，确定k时刻输入矩阵的具体数值。
当锂电池处于正常工作状态下时，其内核温度保持在一定的范围内，即Tc∈[28.5℃,29.5℃]，同时其内核温度和表面温度满足特定的差值条件，即内核温度和表面温度的差值为5.85℃±0.1℃。
步骤104，根据锂电池离散线性电热模型和温度约束条件，确定带温度约束条件的锂电池离散线性电热模型。
根据锂电池系统的温度约束条件，确定系统的约束方程：
|γ(k)-H(k)x(k)|≤l (4)
其中γ(k)＝[29,5.85]T，l＝[0.5,0.1]T。
同时基于步骤102建立的锂电池离散线性电热模型，确定带温度约束条件的锂电池离散线性电热模型：
其中 为/>的界，ny为输出矩阵y(k)的维数，nγ为γ(k)的维数。
步骤105，获取锂电池在工作状态下的电池内核温度和表面温度，并确定对应的输出矩阵。
在预定时间范围内，获取锂电池在工作状态下的电池内核温度和表面温度。
预定时间范围为1至N，N为整数，N的值是预先设置的。
实际应用中，可利用温度传感器测量锂电池系统中的电池内核温度和表面温度的大小。
将所得的工作状态下的电池内核温度和表面温度的数据代入输出矩阵y(k)＝[Tc(k),Ts(k)]T中，确定工作状态下锂电池系统的输出矩阵y(k)，k的取值范围为1至N，k为整数。
步骤106，设计带约束的全对称多胞形卡尔曼滤波器，估计锂电池系统状态矩阵对应的全对称多胞形。
设计的带约束的全对称多胞形卡尔曼滤波器如下：
其中表示闵可夫斯基和，⊙表示线性映射。
则锂电池系统的估计状态可通过式(7)～(14)递推得到:
K(k-1)＝R(k-1)S-1(k-1) (11)
L(k-1)＝AK(k-1) (12)
其中L(k-1)为最优增益矩阵，为降维后的/>为k时刻锂电池系统状态矩阵对应的全对称多胞形，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的生成矩阵，为带温度约束条件的锂电池系统的测量噪声/>对应的全对称多胞形的生成矩阵，/> S(k-1)、R(k-1)、K(k-1)为中间计算变量，^表示估计值符号。/>
步骤107，根据状态矩阵对应的全对称多胞形，计算锂电池的输出矩阵对应的全对称多胞形。
根据状态矩阵对应的全对称多胞形和测量矩阵v(k)对应的全对称多胞形的生成矩阵Gv，按式(15)计算k时刻输出矩阵对应的全对称多胞形/>
其中，为k时刻锂电池系统输出矩阵对应的全对称多胞形。为k时刻锂电池系统输出矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统输出矩阵对应的全对称多胞形的生成矩阵。
步骤108，根据锂电池输出矩阵对应的全对称多胞形，确定锂电池系统的故障状态和故障时间。
根据输出矩阵对应的全对称多胞形按式(16)和(17)确定k时刻利用带约束全对称多胞形卡尔曼滤波方法得到的全对称多胞形/>的上下界：
若且/>则故障检测信号f(k)＝0，表明锂电池系统在k时刻未发生传感器故障，否则，故障检测信号f(k)＝1，表明锂电池系统在k时刻发生传感器故障。
其中为输出矩阵/>中的元素，/>为输出矩阵/>中的元素。
步骤109，设计带约束的全对称多胞形卡尔曼滤波故障估计器，估计乘性传感器故障数值对应的区间集合。
对发生乘性传感器故障的锂电池系统，最优增益矩阵L(k-1)的计算可以通过式(18)～(23)递推得到:
/>
K(k-1)＝R(k-1)S-1(k-1) (22)
L(k-1)＝AK(k-1) (23)
其中S(k-1)、R(k-1)、K(k-1)为中间计算变量。
基于上述计算所得的最优增益矩阵，设计的带约束的全对称多胞形卡尔曼滤波故障估计器如下：
其中
/>
其中，为k时刻乘性传感器故障对应的区间集合，/>(i＝1,…,ny)为一个区间，是集合/>中的元素，/>和/>分别为区间/>的上界和下界，yi(k)、Fi、Ci表示y(k)、F、C中的第i行的元素，nv为测量噪声v(k)的维度，nx为状态矩阵x(k)为维度，ny为输出矩阵y(k)的维度，/>为中间计算变量；
为k时刻锂电池系统状态矩阵对应的全对称多胞形/>的中心，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形/>的生成矩阵，Gv为测量矩阵v(k)对应的全对称多胞形的生成矩阵，L(k-1)为最优增益矩阵，/>为降维后的/> 为k-1时刻锂电池系统乘性传感器故障对应的区间集合/>中的任意一点。
表示乘性传感器故障的具体估计数值，也即估计区间/>的中心点，其中
需要说明的是，本发明实施例提供的一种带温度约束条件的锂电池传感器故障滤波诊断方法，诊断锂电池系统是否发生故障是在锂电池处于实际工作状态下进行的，并且适用于锂电池系统发生乘性传感器故障的情况。
为验证本申请提出的一种带温度约束条件的锂电池传感器故障滤波诊断方法的有效性和可行性，进行如下仿真实验：
设置在k＝2000和k＝3000发生两种不同的乘性传感器故障，并且具体数值为：
图3展示了本申请提出的一种带约束的锂电池传感器故障滤波诊断方法的故障检测结果，设定故障检测信号为0表示系统未发生故障，故障检测信号为1表示系统发生了故障。由曲线可得，故障检测信号在2000时刻由0变为1，之后一直保持1直至系统运行结束，表示本申请所提出的方法检测出系统在k＝2000时发生了故障，之后一直处于故障状态。此故障检测时间与实际的故障发生时间相同，表明系统一旦发生故障，该故障诊断方法就能立即检测到系统发生了故障，这是因为本申请增加了温度约束条件使得所估计的区间的上下界之间的间距更小，因而一旦系统有传感器故障，使得输出超出了上下界值，就能检测到故障。而现有方法中，因为所估计的区间的保守性更大，也即其上下界之间的间距相对于本申请来说更大，所以导致输出超出其上下界值需要的时间更长一些，因此本申请方法与现有方法相比，有着故障检测速度快的优点。
基于相同的仿真条件，将本申请提出的一种带温度约束的锂电池传感器故障滤波诊断方法与现有的基于全对称多胞形卡尔曼滤波的锂电池传感器故障诊断方法进行对比，得到的乘性传感器故障估计对比结果如图4和图5所示。
其中，现有的基于全对称多胞形卡尔曼滤波的故障检测方法可参考：
“基于状态集员估计的主动故障检测[J/OL],自动化学报,1-10[2021-01-12].https://doi.org/10.16383/j.aas.c180830.”。
图4和图5分别展示了检测到系统发生故障后，两种算法下乘性传感器故障对应区间集合的上下界和基于带温度约束条件的锂电池传感器故障滤波诊断方法得到的乘性传感器故障对应的区间集合的中心点变化情况。
如图4和图5所示，在k＝2000时，乘性传感器故障对应的区间集合的中心点不为1，表示此时系统发生乘性传感器故障。同时，在k＝3000左右时，乘性传感器故障对应的区间的中心点发生变化，表明在此刻锂电池系统的乘性传感器故障发生变化。根据乘性传感器故障对应的区间集合的中心点，可得在k∈(2000,3000)时，乘性传感器故障数值大致在左右；在k∈(3000,4000)时，乘性传感器故障数值大致在/>左右，表示本申请提出的带温度约束条件的锂电池传感器故障滤波诊断方法能够估计出锂电池系统的乘性传感器故障的具体数值，且精度较高，有着故障精确度高的优点。
此外，对比基于全对称多胞形卡尔曼滤波的锂电池传感器故障诊断方法，本申请提出的带温度约束条件的锂电池传感器故障滤波诊断方法得到的区间的上下界之间的间距更小，表明此方法在充分利用锂电池温度约束条件的基础上，能够得到更紧致的乘性传感器故障对应的区间集合，有着更好的保守性。
本发明实施例中的部分步骤，可以利用软件实现，相应的软件程序可以存储在可读取的存储介质中，如光盘或硬盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种带温度约束条件的锂电池传感器故障滤波诊断方法，其特征在于，所述方法包括：
S1根据锂电池的离散线性电热模型，并基于锂电池的参数矩阵和输入矩阵和锂电池系统在正常工作状态下的温度约束条件，建立带温度约束条件的锂电池离散线性电热模型；
S2获取锂电池在工作状态下的电池内核温度和表面温度，并根据锂电池离散线性电热模型确定锂电池在工作状态下对应的输出矩阵；
S3根据锂电池参数矩阵和输入矩阵、S1建立的带温度约束条件的锂电池离散线性电热模型以及S2确定的锂电池在工作状态下对应的输出矩阵，设计带约束的全对称多胞形卡尔曼滤波器，并计算锂电池的输出矩阵对应的全对称多胞形；
S4根据S3计算得到的锂电池输出矩阵对应的全对称多胞形，确定锂电池系统的故障状态和故障时间；
S5根据锂电池的参数矩阵和输入矩阵、S1建立的带温度约束条件的锂电池离散线性电热模型以及S2确定的锂电池在工作状态下对应的输出矩阵，设计带约束的全对称多胞形卡尔曼滤波故障估计器，进一步估计锂电池系统的乘性传感器故障数值对应的区间集合；
所述方法包括以下步骤：
步骤101，根据锂电池的双极化电池模型和电路工作原理，获取锂电池电压动态特性；
其中R1和C1分别为锂电池的电化学极化内阻和电容，R2和C2分别为锂电池的浓差极化内阻和电容，U1和U2分别为R1与C1和R2与C2两端电压，I为电池电流；
步骤102，根据锂电池的双态热子模型，建立锂电池离散线性电热模型；
步骤103，获取锂电池的参数矩阵和输入矩阵，并确定正常工作状态下系统温度约束条件；所述参数矩阵根据电池核心与表面之间的热阻Rc、电池表面与冷却空气之间的对流电阻Ru、电池表面的热容系数Cc和电池内部材料的热容系数Cs确定，所述输入矩阵由发热功率Qgen和环境温度Te组成；
步骤104，根据步骤102建立的锂电池离散线性电热模型和步骤103确定的温度约束条件，确定带温度约束条件的锂电池离散线性电热模型；
步骤105，获取锂电池在工作状态下的电池内核温度Tc(k)和表面温度Ts(k)，并确定对应的输出矩阵y(k)；
步骤106，设计带约束的全对称多胞形卡尔曼滤波器，估计锂电池系统状态矩阵对应的全对称多胞形
步骤107，根据步骤106估计出的状态矩阵对应的全对称多胞形计算锂电池的输出矩阵对应的全对称多胞形/>
步骤108，根据步骤107计算的锂电池输出矩阵对应的全对称多胞形确定锂电池系统的故障状态和故障时间；
步骤109，设计带约束的全对称多胞形卡尔曼滤波故障估计器，估计乘性传感器故障数值对应的区间集合
所述步骤106，设计带约束的全对称多胞形卡尔曼滤波器，估计锂电池系统状态矩阵对应的全对称多胞形包括：
带约束的全对称多胞形卡尔曼滤波器为：
其中表示闵可夫斯基和，⊙表示线性映射，/> 为系统的参数矩阵，u(k)为系统的输入矩阵，x(k)为系统的状态矩阵，k为离散时间，w(k)和v(k)分别为过程噪声和测量噪声，并且均有界；L(k-1)为最优增益矩阵，/>
为/>的界，ny为输出矩阵y(k)的维数，nγ为γ(k)的维数，^表示估计值符号；
则锂电池系统的估计状态通过如下式子递推得到：
K(k-1)＝R(k-1)S-1(k-1)
L(k-1)＝AK(k-1)
其中L(k-1)为最优增益矩阵，为降维后的/> 为k时刻锂电池系统状态矩阵对应的全对称多胞形，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的生成矩阵，/>为带温度约束条件的锂电池系统的测量噪声/>对应的全对称多胞形的生成矩阵，S(k-1)、R(k-1)、K(k-1)为中间计算变量，^表示估计值符号；
所述步骤109，设计带约束的全对称多胞形卡尔曼滤波故障估计器，估计乘性传感器故障数值对应的区间集合包括：
按如下式子递推计算最优增益矩阵L(k-1)：
K(k-1)＝R(k-1)S-1(k-1)
L(k-1)＝AK(k-1)
其中S(k-1)、R(k-1)、K(k-1)为中间计算变量；
基于上述计算所得的最优增益矩阵，设计的带约束的全对称多胞形卡尔曼滤波故障估计器如下：
其中，i＝1,…,ny
其中，
其中/>
其中/>
其中/>
其中，为k时刻乘性传感器故障对应的区间集合，/>为一个区间，是集合/>中的元素，其中，i＝1,…,ny，/>和/>分别为区间/>的上界和下界，yi(k)、Fi、Ci表示y(k)、F、C中的第i行的元素，nv为测量噪声v(k)的维度，nx为状态矩阵x(k)为维度，ny为输出矩阵y(k)的维度，/>为中间计算变量；
为k时刻锂电池系统状态矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统状态矩阵对应的全对称多胞形的生成矩阵，Gv为测量矩阵v(k)对应的全对称多胞形的生成矩阵，L(k-1)为最优增益矩阵，/>为降维后的/> 为k-1时刻锂电池系统乘性传感器故障对应的区间集合/>中的任意一点。
2.根据权利要求1所述的方法，其特征在于，所述步骤102，根据锂电池的双态热子模型，建立锂电池离散线性电热模型，包括：
根据锂电池产热、导热原理，建立锂电池双态热子模型：
其中，Qgen＝I(Uoc-U)＝I(R0I+U1+U2)为电池核心的发热功率，R0为欧姆内阻，Uoc为电池的开路电压，U为电池的端电压；
以发热功率Qgen和环境温度Te为输入，电池内核温度Tc和表面温度Ts为状态，经离散化处理后，建立锂电池离散线性电热模型为：
其中x(k)＝[x1(k),x2(k)]T＝[Tc(k),Ts(k)]T为系统的状态矩阵，x1(k)、x2(k)为状态矩阵x(k)中的元素，分别表示电池内核温度Tc和表面温度Ts，u(k)＝[Qgen(k),Te(k)]T为系统的输入矩阵，y(k)＝[Tc(k),Ts(k)]T为系统的输出矩阵。
3.根据权利要求2所述的方法，其特征在于，所述步骤104，根据步骤102建立的锂电池离散线性电热模型和步骤103确定的温度约束条件，确定带温度约束条件的锂电池离散线性电热模型，包括：
根据步骤103确定的锂电池系统的温度约束条件，确定系统的约束方程：
|γ(k)-H(k)x(k)|≤l
其中l＝[0.5,0.1]T；
同时基于步骤102建立的锂电池离散线性电热模型，确定带温度约束条件的锂电池离散线性电热模型：
4.根据权利要求3所述的方法，其特征在于，所述步骤107，根据步骤106估计出的状态矩阵对应的全对称多胞形计算锂电池的输出矩阵对应的全对称多胞形/>包括：
根据步骤106估计的状态矩阵对应的全对称多胞形和测量矩阵v(k)对应的全对称多胞形的生成矩阵Gv，按下式计算k时刻输出矩阵对应的全对称多胞形/>
其中，为k时刻锂电池系统输出矩阵对应的全对称多胞形，/>为k时刻锂电池系统输出矩阵对应的全对称多胞形的中心，/>为k时刻锂电池系统输出矩阵对应的全对称多胞形的生成矩阵。
5.根据权利要求4所述的方法，其特征在于，所述步骤108，根据步骤107计算的锂电池输出矩阵对应的全对称多胞形确定锂电池系统的故障状态和故障时间，包括：
根据步骤107计算的输出矩阵对应的全对称多胞形按如下式子确定k时刻利用带约束全对称多胞形卡尔曼滤波方法得到的全对称多胞形/>的上下界：
若且/>则故障检测信号f(k)＝0，表明锂电池系统在k时刻未发生传感器故障，否则，故障检测信号f(k)＝1，表明锂电池系统在k时刻发生传感器故障；
其中为输出矩阵/>中的元素，/>为输出矩阵/>中的元素。
6.根据权利要求5所述的方法，其特征在于，通过温度传感器测量锂电池系统中的电池内核温度和表面温度的大小。
7.一种带温度约束条件的锂电池传感器故障滤波诊断系统，其特征在于，所述系统采用权利要求1-6任一所述方法对锂电池系统的传感器故障进行诊断。
CN202110169955.XA 2021-02-05 2021-02-05 一种带温度约束条件的锂电池传感器故障滤波诊断方法 Active CN112989569B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110169955.XA CN112989569B (zh) 2021-02-05 2021-02-05 一种带温度约束条件的锂电池传感器故障滤波诊断方法
PCT/CN2022/074161 WO2022166730A1 (zh) 2021-02-05 2022-01-27 基于不确定噪声滤波的动力电池管理系统故障诊断方法
US17/873,265 US11802915B2 (en) 2021-02-05 2022-07-26 Uncertain noisy filtering-based fault diagnosis method for power battery management system

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110169955.XA CN112989569B (zh) 2021-02-05 2021-02-05 一种带温度约束条件的锂电池传感器故障滤波诊断方法

Publications (2)

Publication Number Publication Date
CN112989569A CN112989569A (zh) 2021-06-18
CN112989569B true CN112989569B (zh) 2024-04-30

Family

ID=76348990

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110169955.XA Active CN112989569B (zh) 2021-02-05 2021-02-05 一种带温度约束条件的锂电池传感器故障滤波诊断方法

Country Status (1)

Country Link
CN (1) CN112989569B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114563104B (zh) * 2022-02-14 2022-11-08 江南大学 一种基于非线性电热模型的动力电池双温度估计方法
CN114814593A (zh) * 2022-04-29 2022-07-29 哈尔滨工业大学（威海） 基于闵氏距离和两步检测策略的电池组多故障诊断方法
CN115495997B (zh) * 2022-10-28 2024-01-30 东南大学 一种基于异构多智能体深度强化学习的新能源汽车生态驾驶方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109474472A (zh) * 2018-12-03 2019-03-15 江南大学 一种基于全对称多胞体滤波的故障检测方法
CN109725213A (zh) * 2018-12-12 2019-05-07 江南大学 基于逆向卡尔曼滤波器的Buck变换器故障检测方法
CN111881587A (zh) * 2020-07-30 2020-11-03 江南大学 一种基于滤波的永磁直流电动机故障检测方法
CN112305418A (zh) * 2020-10-13 2021-02-02 江南大学 一种基于混合噪声双重滤波的电机系统故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109474472A (zh) * 2018-12-03 2019-03-15 江南大学 一种基于全对称多胞体滤波的故障检测方法
CN109725213A (zh) * 2018-12-12 2019-05-07 江南大学 基于逆向卡尔曼滤波器的Buck变换器故障检测方法
CN111881587A (zh) * 2020-07-30 2020-11-03 江南大学 一种基于滤波的永磁直流电动机故障检测方法
CN112305418A (zh) * 2020-10-13 2021-02-02 江南大学 一种基于混合噪声双重滤波的电机系统故障诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于正多胞体线性规划的滤波故障诊断方法;王子赟;控制与决策;全文 *

Also Published As

Publication number Publication date
CN112989569A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112989569B (zh) 一种带温度约束条件的锂电池传感器故障滤波诊断方法
CN111198327B (zh) 一种单体电池内短路故障自检测方法
Tian et al. State-of-health estimation based on differential temperature for lithium ion batteries
Yu et al. Current sensor fault diagnosis method based on an improved equivalent circuit battery model
CN111965547B (zh) 一种基于参数辨识法的电池系统传感器故障诊断方法
Wei et al. Lyapunov-based thermal fault diagnosis of cylindrical lithium-ion batteries
CN110967637B (zh) 电池的许用功率估算方法、装置、系统和存储介质
CN111965559B (zh) 一种锂离子电池soh在线估计方法
CN111929602B (zh) 一种基于容量估计的单体电池漏电或微短路定量诊断方法
CN108535661B (zh) 一种基于模型误差谱的动力电池健康状态在线估计方法
CN113093016B (zh) 基于不确定噪声滤波的动力电池管理系统故障诊断方法
CN114035086B (zh) 基于信号处理的电池组多故障诊断方法
CN115684942A (zh) 电池短路故障检测方法、装置、计算机设备及介质
CN115792638A (zh) 基于电池模型参数辨识的soc-内短路联合估计方法
CN115877232A (zh) 一种基于卡尔曼滤波的锂离子电池内部温度估计方法
WO2022166730A1 (zh) 基于不确定噪声滤波的动力电池管理系统故障诊断方法
CN107402356B (zh) 一种基于动态参数辨识的ekf估算铅酸电池soc方法
CN116184248B (zh) 一种串联电池组的微小短路故障检测方法
Lin et al. An enhanced circuit-based battery model with considerations of temperature effect
Chen et al. Estimation of state of charge for lithium-ion battery considering effect of aging and temperature
CN116754971A (zh) 电池析锂检测的方法、设备及存储介质
Sakile et al. Estimation of lithium‐ion battery state of charge for electric vehicles using a nonlinear state observer
CN110554319A (zh) 基于改进型锂离子电池数学模型的电池参数检测方法
CN116027203A (zh) 电池短路故障的检测方法及装置
Tang et al. An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant