CN115166520A - 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法 - Google Patents

一种基于熵和聚类算法的锂离子电池组短路故障诊断方法 Download PDF

Info

Publication number
CN115166520A
CN115166520A CN202210802712.XA CN202210802712A CN115166520A CN 115166520 A CN115166520 A CN 115166520A CN 202210802712 A CN202210802712 A CN 202210802712A CN 115166520 A CN115166520 A CN 115166520A
Authority
CN
China
Prior art keywords
battery
voltage
battery pack
entropy
temperature
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.)
Pending
Application number
CN202210802712.XA
Other languages
English (en)
Inventor
范天娥
唐鑫
瞿佰华
刘松明
白昊
林欢
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210802712.XA priority Critical patent/CN115166520A/zh
Publication of CN115166520A publication Critical patent/CN115166520A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Abstract

本发明涉及一种基于熵和聚类算法的锂离子电池组短路故障诊断方法，属于电池技术领域。该方法首先通过滑动窗口实时计算各单体电池的电压和温度对电池组中值的相对熵，用于识别由短路引起的电池电压和温度的变化，然后采用基于密度的聚类算法DBSCAN对计算的相对熵进行聚类分析，自动检测和定位故障电池。通过在不同工况和不同类型的短路情况下对本文提出的方法进行了验证，实验结果表明该诊断方法能够在短时间內检测和定位出故障电池，故障越严重诊断出故障电池所需要的时间越短。该方法直接对传感器测量值采用统计和聚类分析，不需要进行繁琐的参数辨识以及试错方式确定故障阈值，适用于不同电池和不同场景，提高了故障诊断方法的泛用性。

Description

一种基于熵和聚类算法的锂离子电池组短路故障诊断方法
技术领域
本发明属于电池技术领域，涉及一种基于熵和聚类算法的锂离子电池组短路故障诊断方法。
背景技术
作为当前新能源领域典型的储能器件，锂离子电池被认为是最具前景的一类电池。锂离子电池因具有能量密度高、循环寿命长、无记忆效应等优点，在电子设备、新能源动力汽车、工程动力、通信、电动船舶、家用储能、电力储能等领域得到了广泛应用。然而随着锂电池长时间使用中，会出现不可避免的老化和各种故障等异常情况，若不及时识别并隔离则很有可能发生严重故障，进而导致热失控，甚至发生爆炸。锂电池的安全性十分重要，制约着新能源产业的发展，因此使用锂电池故障诊断技术必不可少。当前锂电池的故障诊断方法主要有基于模型的方法和基于数据驱动的方法。前一种方法需要辨识相应电池的模型参数以及比较设定阈值与评估的残差，而随着电池老化，辨识的参数和固定的阈值可能会出现误诊或漏诊的情况；后一种需要大量样本数据，而带电池的故障样本难以通过实验穷尽，且存在效率及泛用性低的问题。针对现有的方法在诊断锂离子电池短路故障中存在的问题，提出了一种基于相对熵与密度聚类(DBSCAN)结合的方法对锂离子电池短路故障进行诊断。由于提出的方法不需要辨识电池模型，仅根据传感器实时采集的数据，快速识别故障电池，无需电池模型参数辨识，避免了参数随老化、温度、SOC(State of Charge)变化带来的影响。
发明内容
有鉴于此，本发明的目的在于提供一种基于熵和聚类算法的锂离子电池组短路故障诊断方法。该方法步骤简单，使用灵活，易于在线实现，适用于电动汽车动力电池在线故障诊断。
为达到上述目的，本发明提供如下技术方案：
一种基于熵和聚类算法的锂离子电池组短路故障诊断方法，该方法包括以下步骤：
S1：锂离子电池组的电压和温度数据实时采集，并确定电池组的中值电压和温度；
S2：通过滑动窗口实时计算电池组中各单体电池电压和温度对中值的相对熵，将电池的故障信息反映在对中值的相对熵上，放大电池由短路引起的电池电压和温度的变化；
S3：为避免固定阈值带来的诊断效率下降，采用基于密度的聚类DBSCAN算法对相对熵进行自动检测和定位故障电池。
可选的，在S2中，根据采集的电压和温度数据计算相对熵；在电池组电压中，时间
Figure BDA0003734782620000021
内的电池组电压为：
Figure BDA0003734782620000022
其中n表示电池个数，m为滑动窗口时间内电压数据个数；
Figure BDA0003734782620000023
是第i个电池在滑动窗口时间内第j个电压数据，
Figure BDA0003734782620000024
表示电池n在窗口m的电压；得到矩阵的最大值Umax和最小值Umin；
定义矩阵C：
Figure BDA0003734782620000025
其中k表示划分的区间个数；cx，i表示在
Figure BDA0003734782620000026
时间内，电池i的电压在区间
Figure BDA0003734782620000027
的次数，其中x＝1,2,…,k，ck,n表示电池n的电压在区间k个数；得到频率矩阵P：
Figure BDA0003734782620000028
上式中pk,n表示电池n在区间k的频率，Pn是电池n的概率分布，px,i的计算方式如上式定义为第i个区间电压个数在总电压数的比；得到电池组各单体电池电压的相对熵为：
RD＝[re1，mean … ren，mean]T
上式中ren,mean表示电池n与电池组中值的相对熵，T表示转置，其中相对熵re根据定义如下式，其中P(x)和Q(x)表示两个概率分布。
Figure BDA0003734782620000029
可选的，在所述S3中，根据计算得到电池组电压和温度对中值的相对熵，采用基于密度的空间聚类方法对其进行自动检测，从而定位短路电池；根据正常电池与异常电池相对熵之间的距离以及电池组正常运行时的最大距离，确定DBSCAN算法的两个参数邻域半径r和最小样本点minPts；从任意核心对象出发，计算所有从该对象密度可达的样本，将其作为同一类，直到所有样本均被计算，得到聚类结果；通过电压和温度相对熵的聚类分析，对电池组中的电池进行故障隔离和定位。
本发明的有益效果在于：该方法首先通过滑动窗口实时计算各单体电池的电压和温度对电池组中值的相对熵，用于识别由短路引起的电池电压和温度的变化，然后采用基于密度的聚类算法对相对熵进行分析，自动检测和定位故障电池。该方法能够在短时间內检测和定位出故障电池，且故障越严重诊断出故障电池所需要的时间越短；该方法不需要进行繁琐的参数辨识以及试错方式确定故障阈值，因此理论上适用于不同电池和不同场景，提高了故障诊断方法的泛用性；该方法步骤简单，使用灵活，易于在线实现，适用于电动汽车动力电池在线故障诊断。
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为本发明的技术路线图；
图2为电池组短路诊断的流程图；
图3为电池组各电池电压和温度在FUDS工况下4号电池并联15欧的曲线；
图4为电池组各电池电压和温度在FUDS工况下3号电池并联10欧的曲线；
图5为4号电池短路时各电池电压和温度对中值的相对熵曲线；
图6为3号电池短路时各电池电压和温度对中值的相对熵曲线；
图7为4号电池短路时的故障诊断结果；
图8为3号电池短路时的故障诊断结果。
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。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
图1为本发明的技术路线图。本发明通过搭建仿真实验平台测试锂离子电池组的短路故障，通过仿真数据对本方法的具体实施方式进行详细描述，图2为电池组短路诊断的流程图。首先通过Simulink的电池模块建立三阶等效电路和传热模块的电热耦合模型；然后采用公开电池实验数据CALCE数据集进行参数辨识；最后在单体电池模型的基础上，通过电气连接及热耦合将多个单体电池组装成电池组模型进行仿真。以US06和FUDS两种工况下的平均误差(mean error,MeanE)、最大误差(Max error,MaxE)和均方根误差(Root meansquare error,RMSE)的结果可以看出，本文建立的仿真模型的误差较小。
表1电池模型在DST和US06工况下的误差
Figure BDA0003734782620000041
通过在电池组中的某一电池两端并联电阻以表示短路来获取电池组的的电热特性，为了真实的运行情况，在电池组中考虑了SOC的不一致性和测量电压、温度时高斯白噪声的影响。图3中是以编号为4的电池并联15欧电阻的样本，图4是以编号为3的电池并联10欧电阻的样本。
本发明的实施方式以上面仿真的电池组为对象，其具体诊断流程包括如下步骤：
步骤一：以1Hz的频率采集电池组的各电池电压U和温度T，并确定其中值。
步骤二：通过长度为100的滑动窗口实时计算各电池电压和温度对中值的相对熵，其结果如图5和图6所示。
步骤三：对计算得到的电压和温度的相对熵进行DBSCAN聚类分析，DBSCAN算法的两个参数邻域半径r和最小样本点minPts，本实例取电压和温度的r分别为0.42和1.5，而minPts都取为2。根据聚类结果分析电池组的故障情况，如图7和图8所示。
从第一个样本诊断结果可以看出，在6000秒后3号电池和5号电池的温度对电池组中值的相对熵都出现了很明显的上升现象。若提前给电池设置适当的阈值，则可以定位出故障电池。但是，考虑到电池受老化程度、不同工况和环境因素等的影响，设置固定阈值会降低故障诊断算法的有效性，导致误诊断情况的发生。因此本文采用DBSCAN算法自动识别各电池的电压和温度对均值的相对熵，从而不用提前设置阈值。从图中可知在故障发生后的102秒内，采用DBSCAN算法自动识别出了4号电池的电压和温度均出现了异常，从而诊断出4号电池发生了短路故障(因为当电池发生短路故障时，电池的电压和温度均会偏离正常值)。此外，从图中还可以看出在故障发生后795秒的时候，本算法识别出了相邻电池(3号电池和5号电池)的温度也出现了异常，这是因为电池发生故障时产生的热量会影响相邻电池，使其温度上升。第二个样本加强了短路程度，可以看出短路检测时间进一步缩短。
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 (3)

1.一种基于熵和聚类算法的锂离子电池组短路故障诊断方法，其特征在于：该方法包括以下步骤：
S1：锂离子电池组的电压和温度数据实时采集，并确定电池组的中值电压和温度；
S2：通过滑动窗口实时计算电池组中各单体电池电压和温度对中值的相对熵，将电池的故障信息反映在对中值的相对熵上，放大电池由短路引起的电池电压和温度的变化；
S3：为避免固定阈值带来的诊断效率下降，采用基于密度的聚类DBSCAN算法对相对熵进行自动检测和定位故障电池。
2.根据权利要求1所述的一种基于熵和聚类算法的锂离子电池组短路故障诊断方法，其特征在于：在S2中，根据采集的电压和温度数据计算相对熵；在电池组电压中，时间
Figure FDA0003734782610000011
内的电池组电压为：
Figure FDA0003734782610000012
其中n表示电池个数，m为滑动窗口时间内电压数据个数；
Figure FDA0003734782610000013
是第i个电池在滑动窗口时间内第j个电压数据，
Figure FDA0003734782610000014
表示电池n在窗口m的电压；得到矩阵的最大值Umax和最小值Umin；
定义矩阵C：
Figure FDA0003734782610000015
其中k表示划分的区间个数；cx，i表示在
Figure FDA0003734782610000016
时间内，电池i的电压在区间
Figure FDA0003734782610000017
的次数，其中x＝1,2,…,k，ck,n表示电池n的电压在区间k个数；得到频率矩阵P：
Figure FDA0003734782610000018
上式中pk,n表示电池n在区间k的频率，Pn是电池n的概率分布，px,i定义为第i个区间电压个数在总电压数的比；得到电池组各单体电池电压的相对熵为：
RD＝[re1，mean…ren，mean]T
上式中ren,mean表示电池n与电池组中值的相对熵，T表示转置，相对熵re根据定义如下式，其中P(x)和Q(x)表示两个概率分布；
Figure FDA0003734782610000019
3.根据权利要求2所述的一种基于熵和聚类算法的锂离子电池组短路故障诊断方法，其特征在于：在所述S3中，根据计算得到电池组电压和温度对中值的相对熵，采用基于密度的空间聚类方法对其进行自动检测，从而定位短路电池；根据正常电池与异常电池相对熵之间的距离以及电池组正常运行时的最大距离，确定DBSCAN算法的两个参数邻域半径r和最小样本点minPts；从任意核心对象出发，计算所有从该对象密度可达的样本，将其作为同一类，直到所有样本均被计算，得到聚类结果；通过电压和温度相对熵的聚类分析，对电池组中的电池进行故障隔离和定位。
CN202210802712.XA 2022-07-07 2022-07-07 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法 Pending CN115166520A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210802712.XA CN115166520A (zh) 2022-07-07 2022-07-07 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210802712.XA CN115166520A (zh) 2022-07-07 2022-07-07 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法

Publications (1)

Publication Number Publication Date
CN115166520A true CN115166520A (zh) 2022-10-11

Family

ID=83492476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210802712.XA Pending CN115166520A (zh) 2022-07-07 2022-07-07 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法

Country Status (1)

Country Link
CN (1) CN115166520A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982602A (zh) * 2023-03-20 2023-04-18 济宁众达利电气设备有限公司 一种光伏变压器电故障检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115982602A (zh) * 2023-03-20 2023-04-18 济宁众达利电气设备有限公司 一种光伏变压器电故障检测方法

Similar Documents

Publication Publication Date Title
Shang et al. A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings
Xiong et al. Research progress, challenges and prospects of fault diagnosis on battery system of electric vehicles
CN106802396B (zh) 一种电池内短路的诊断方法
EP3933422B1 (en) Diagnosis method for distinguishing micro-short-circuit fault of battery from small-capacity fault of battery
CN112098850B (zh) 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN114559819B (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN112630660B (zh) 一种基于支持向量机的电池故障识别方法
CN112345955B (zh) 一种动力电池多故障在线诊断方法与系统
CN110940921A (zh) 基于修正方差的锂离子电池串的多故障诊断方法及系统
Sun et al. A multi-fault advanced diagnosis method based on sparse data observers for lithium-ion batteries
CN115166520A (zh) 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法
CN112285570A (zh) 一种基于衰减记忆滤波器的电动汽车故障诊断方法
Kim et al. Outlier mining-based fault diagnosis for multiceli lithium-ion batteries using a low-priced microcontroller
Ma et al. Faulty characteristics and identification of increased connecting and internal resistance in parallel-connected lithium-ion battery pack for electric vehicles
CN110988728B (zh) 一种锂电池包内部连接异常快速诊断方法
Xie et al. Data-driven diagnosis of multiple faults in series battery packs based on cross-cell voltage correlation and feature principal components
CN113093016A (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
CN115327386A (zh) 一种基于电热耦合模型的电池组多故障诊断方法
CN115236524A (zh) 一种新能源汽车动力电池的绝缘故障检测方法及系统
CN111537893A (zh) 一种锂离子电池模组运行安全的评测方法、系统及电子设备
CN115257379A (zh) 一种基于实车数据的电动汽车动力电池热失控预警方法
CN113687251A (zh) 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN114325433A (zh) 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统
CN112965001A (zh) 一种基于实车数据的动力电池组故障诊断方法
Fan et al. A novel method of quantitative internal short circuit diagnosis based on charging electric quantity in fixed voltage window

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