CN115219905A - 一种电池内短路在线检测方法、装置及存储介质 - Google Patents

一种电池内短路在线检测方法、装置及存储介质 Download PDF

Info

Publication number
CN115219905A
CN115219905A CN202210675650.0A CN202210675650A CN115219905A CN 115219905 A CN115219905 A CN 115219905A CN 202210675650 A CN202210675650 A CN 202210675650A CN 115219905 A CN115219905 A CN 115219905A
Authority
CN
China
Prior art keywords
battery
short circuit
terminal voltage
internal resistance
polarization
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
CN202210675650.0A
Other languages
English (en)
Inventor
何晋
邓业林
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.)
Suzhou University
Original Assignee
Suzhou 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 Suzhou University filed Critical Suzhou University
Priority to CN202210675650.0A priority Critical patent/CN115219905A/zh
Publication of CN115219905A publication Critical patent/CN115219905A/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults

Abstract

当内短路发生时，锂离子被快速嵌入电极材料，造成电解液锂离子浓度骤降，极大的影响其动态性能，造成其极化内阻骤升，因此极化内阻可被用于检测内短路的发生。利用电池的Theven i n模型与辨识算法可以对电池的极化内阻进行在线辨识，纵向对比单体电池电芯极化内阻的变化率，极化内阻发生突变且超过某一阈值时，及可以被视为发生了内短路。

Description

一种电池内短路在线检测方法、装置及存储介质
技术领域
本发明涉及电池故障诊断技术领域，尤其是指一种电池内短路在线检测方法、设备、装置及计算机存储介质。
背景技术
近年来，电池技术与电池管理系统地发展促进了锂电池在电动汽车、智能电网等领域广泛应用。然而锂电池热失控事故却频频发生，热失控事故通常会在短时间内释放大量的能量，造成严重的财务损失甚至人员伤亡，这严重制约了锂电池相关行业发展。热失控的主要诱因之一是电池正负极隔膜损伤引起的电池内短路(Internal short circuit,ISC)。内短路从产生到最终发展到热失控要经历前中后期三个阶段，当内短路处于后期阶段，电池端电压明显下降，温度会急剧上升，预留的安全时间极短，极易造成热失控，因此必须在此之前即内短路前中期检测到内短路。但是电池单体的内短路在初期很不容易被发现，为了能够在内短路前中期发现内短路，避免热失控，许多有关内短路检测的专利被提出。然而目前大多数检测内短路的专利核心思想都是基于电池间的电压、荷电状态等的一致性差异来判断电池是否存在内短路。但除了内短路会造成以上一致性差异外，仍有很多原因会导致上述判断依据所述现象的产生，例如：由于电池本身存在一致性差异，使得电池单体间的容量衰减不一致；由于电池和电压采样电路之间的接触不良导致一致性差异；电池老化造成的一致性差异等。
当前的电池内短路诊断方法(如专利CN106802396B)依赖于辨识电池组内单体电芯荷电状态的不一致性，当单体电芯之间的不一致性导致某些参数(如电压、内阻、荷电状态等)超过了临界值，则认定电池发生内短路。但是，当前的制造工艺并不能将电池组内单体电芯间的初始差异完全抹去，对于新电池来说，这些微小差异可以忽略，然而随着时间累计，单体电芯间的不一致性随之增大。因此，对于老化电池组来说，其单体电芯间本身存在的不一致性可能会导致某些参数超过了内短路的预警阈值，造成误报，降低了该方法的准确性。
发明内容
为此，本发明所要解决的技术问题在于克服现有技术中，短路检测不准确的问题。
为解决上述技术问题，本发明提供了一种电池内短路在线检测方法、设备、装置及计算机存储介质，包括：
在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型；
基于所述Thevenin模型采用辨识算法进行在线辨识，得到电池极化内阻的实时数值；
计算极化内阻的变化率，当所述变化率超过预设阈值时，则判定电池发生内短路。
优选地，所述在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型包括：
建立电池的Thevenin模型：
Figure BDA0003696430330000021
其中，Uoc表示电池开路电压，Ut表示端电压，
Figure BDA0003696430330000023
表示极化电压对时间的导数，Up表示极化电压，R0为电池欧姆内阻，Rp为极化内阻，Cp为极化电容，IL表示电流的大小与方向；
对式(1)进行拉普拉斯变换与双线性变换，以便将式(1)转为化为离散方程式：
Ut,k＝(1-a1)Uoc,k+a1Ut,k-1+a2IL,k+a3IL,k-1 (2)
其中，
Figure BDA0003696430330000022
T为采样间隔时间，下角标k表示第k个采样时刻，Uoc,k为第k采样时刻的开路电压，Ut,k-1为第k-1采样时刻的端电压，IL,k为第k采样时刻的电流，IL,k-1为第k-1采样时刻的电流；
定义
Figure BDA0003696430330000031
则公式(2)可表示为：
Figure BDA0003696430330000032
其中，yk为系统输出变量,即真实端电压，
Figure BDA0003696430330000033
为数据变量，θk为参数变量，eLs,k为平稳零均值白噪声，即真实端电压与仿真端电压的误差，T表示转置。
优选地，所述基于所述Thevenin模型采用带遗忘因子的递归最小二乘法对极化内阻参数进行在线辨识，得到电池极化内阻的实时数值。
优选地，所述采用带遗忘因子的递归最小二乘法对极化内阻参数进行在线辨识，得到电池极化内阻的实时数值包括：
步骤a：对电池的端电压和电流进行实时采样；
步骤b：确定待估计参数和状态估计值的误差协方差矩阵的初值；
步骤c：计算第k采样时刻的算法增益
Figure BDA0003696430330000034
其中，T表示转置，μ为遗忘因子，k＝1…n；
步骤d：计算第k采样时刻状态估计值的误差协方差矩阵
Figure BDA0003696430330000035
Figure BDA0003696430330000036
步骤e：计算第k采样时刻的待估计参数
Figure BDA0003696430330000037
步骤f：根据所述第k采样时刻的待估计参数计算得到仿真端电压
Figure BDA0003696430330000038
步骤g：求真实端电压与仿真端电压之间的误差
Figure BDA0003696430330000039
并将其代入到步骤e更新第k采样时刻的待估计参数；
步骤h：解析所述待估计参数,得到第k采样时刻极化内阻的数值。
优选地，所述遗忘因子的确定步骤包括:
在遗忘因子的预设取值范围[0.95,1]内选取不同的遗忘因子，利用控制变量的方法，对不同遗忘因子下不同老化程度的电池进行在线辨识，得到仿真端电压，并与真实端电压进行比较；
根据仿真端电压与真实端电压的平均绝对误差和均方根误差确定最优遗忘因子。
优选地，所述最优遗忘因子μ＝0.95。
优选地，所述计算极化内阻的变化率包括：
计算相邻两个周期内极化内阻均值的变化率作为是否发生内短路的判定值：
Figure BDA0003696430330000041
其中，Δ表示内短路判定值，
Figure BDA0003696430330000042
为上一周期内的极化内阻均值，
Figure BDA0003696430330000043
为下一周期内的极化内阻均值，下角标l表示一个周期。
本发明还提供了一种电池内短路在线检测的装置，包括：
电池模型建立模块，用于在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型；
极化内阻辨识模块，基于所述Thevenin模型采用辨识算法进行在线辨识，得到电池极化内阻的实时数值；
内短路判断模块，计算极化内阻的变化率，当所述变化率超过预设阈值时，则判定电池发生内短路。
本发明还提供了一种电池内短路在线检测的设备，包括：
存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种电池内短路在线检测方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种电池内短路在线检测方法的步骤。
本发明的上述技术方案相比现有技术具有以下优点：
本发明所述的电池内短路在线检测方法，可以不依靠电池组间单体电芯的一致性，而是独立依靠电池电芯的极化内阻变化在全寿命周期内识别电池单体是否发生内短路。当内短路发生时，锂离子被快速嵌入电极材料，造成电解液锂离子浓度骤降，极大的影响其动态性能，造成其极化内阻骤升，因此极化内阻可被用于检测内短路的发生，本发明将原有电池单体电芯间的横向比较转化为同一电芯极化内阻历史参数的纵向比较，不再依靠电池组间单体电芯间的一致性，实现全寿命周期内短路检测，特别是对于老化电池内短路地准确检测，降低误报率，提高整体安全性。
附图说明
为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中：
图1是本发明电池内短路在线检测方法的实现流程图；
图2是Thevenin模型示意图；
图3是辨识算法的具体流程图；
图4是电路连接图；
图5是DST工况示意图；
图6是本发明实施例提供的一种短路在线检测的实现流程图；
图7是本发明实施例提供的一种电池内短路在线检测的装置的结构框图。
具体实施方式
本发明的核心是提供一种电池内短路在线检测方法、装置、设备及计算机存储介质，提升了短路检测的准确性。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明所提供的电池内短路在线检测方法的实现流程图；具体操作步骤如下：
S101：在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型；
如图2，建立电池的Thevenin模型：
Figure BDA0003696430330000061
其中，Uoc表示电池开路电压，Ut表示端电压，
Figure BDA0003696430330000062
表示极化电压对时间的导数，Up表示极化电压，R0为电池欧姆内阻，Rp为极化内阻，Cp为极化电容，IL表示电流的大小与方向；
对式(1)进行拉普拉斯变换与双线性变换，以便将式(1)转为化为离散方程式：
Ut,k＝(1-a1)Uoc,k+a1Ut,k-1+a2IL,k+a3IL,k-1 (2)
其中，
Figure BDA0003696430330000063
T为采样间隔时间，下角标k表示第k个采样时刻，Uoc,k为第k采样时刻的开路电压，Ut,k-1为第k-1采样时刻的端电压，IL,k为第k采样时刻的电流，IL,k-1为第k-1采样时刻的电流；
定义
Figure BDA0003696430330000064
则公式(2)可表示为：
Figure BDA0003696430330000065
其中，yk为系统输出变量,即真实端电压，
Figure BDA0003696430330000066
为数据变量，θk为参数变量，eLs,k为平稳零均值白噪声，即真实端电压与仿真端电压的误差，T表示转置。
S102：基于所述Thevenin模型采用辨识算法进行在线辨识，得到电池极化内阻的实时数值；
S103：计算极化内阻的变化率，当所述变化率超过预设阈值时，则判定电池发生内短路。
利用该模型辨识算法在线辨识所得到的极化内阻的实时数值，计算极化内阻的变化率，为了提高准确性，可以选择一个周期内的平均极化内阻与下一个周期内的平均极化内阻的变化率作为是否发生内短路的判定值，当该判定值超过阈值时，视为内短路发生。
计算相邻两个周期内极化内阻均值的变化率作为是否发生内短路的判定值：
Figure BDA0003696430330000071
其中，Δ表示内短路判定值，
Figure BDA0003696430330000072
为上一周期内的极化内阻均值，
Figure BDA0003696430330000073
为下一周期内的极化内阻均值，下角标l表示一个周期；
在本发明的实施例中，预设阈值取值为25％，在其他实施例中，可根据实际应用设定，在此不做限定。
本发明提出了一种基于极化内阻变化率的内短路检测手段，以解决当前电池管理系统的技术手段过于依赖成组电池间一致性，而在检测本身存在的不一致性的老化电池时易产生内短路误报的问题。当内短路发生时，锂离子被快速嵌入电极材料，造成电解液锂离子浓度骤降，极大的影响其动态性能，造成其极化内阻骤升，因此极化内阻可被用于检测内短路的发生。利用电池的Thevenin模型与辨识算法可以对电池的极化内阻进行实现在线辨识，纵向对比单体电池极化内阻的变化率，极化内阻发生突变且超过某一阈值时，及可以被视为发生了内短路。
如图3，基于以上实施例，本实施例对步骤S102进行进一步详细说明：
基于Thevenin模型对极化内阻等参数进行在线辨识，采用带遗忘因子的递归最小二乘法；
步骤a：对电池的端电压和电流进行实时采样；
步骤b：确定待估计参数和状态估计值的误差协方差矩阵的初值；
步骤c：计算第k采样时刻的算法增益
Figure BDA0003696430330000074
其中，T表示转置，μ为遗忘因子，k＝1…n；
步骤d：计算第k采样时刻状态估计值的误差协方差矩阵
Figure BDA0003696430330000075
Figure BDA0003696430330000076
步骤e：计算第k采样时刻的待估计参数
Figure BDA0003696430330000077
步骤f：根据所述第k采样时刻的待估计参数计算得到仿真端电压
Figure BDA0003696430330000081
步骤g：求真实端电压与仿真端电压之间的误差
Figure BDA0003696430330000082
并将其代入到步骤e更新第k采样时刻的待估计参数；
步骤h：解析所述待估计参数,得到第k采样时刻极化内阻的数值。
遗忘因子的取值范围为0.95～1，当μ＝1时，退化为传统的递归最小二乘法；遗忘因子的取值对FFRLS算法的准确性与对于老化的适应性有很大的影响，选择合适的遗忘因子可以使该模型更适应老化，为了使辨识的算法更适应于电池的老化，利用控制变量的方法，对不同遗忘因子下不同老化程度的电池，在线辨识所得电池模型仿真端电压与真实端电压进行比较。结果是，当遗忘因子μ＝0.95时，该模型在线辨识方法可以相对有效地适应老化对辨识的影响并提高精度。在进行比较时，利用平均绝对误差MAE(Mean AbsoluteError)和均方根误差RMSE(Root Mean Squared Error)是来衡量算法精度，其表达式为：
Figure BDA0003696430330000083
Figure BDA0003696430330000084
其中，xi与xi分别表示真实值与估计值，n表示样本数量。
基于以上实施例，本实施例为验证提出的模型与优化后的参数辨识算法识别内短路的能力，设计内短路实验加以验证，具体如下：
为了对本发明所述的全寿命周期内的内短路进行辨识，对4节相同的“三星1865020R”电池以3A充电，21A放电，分别循环不同次数，使其达到不同的老化状态，其按照循环次数由少到多依次标记为B1，B2，B3与B4。对不同老化状态的电池进行最大可用容量测试。电池健康状态(State of Health,SOH)是电池从满充状态以一定的倍率放电至截止电压所放出的容量与其标称容量的比值，该比值反应了电池寿命状态，当SOH为100％时为新电池，当SOH＝80％时表示电池需要更换。不同老化电池的最大可用容量与SOH如表1所示。
表1
电池 最大可用容量/Ah SOH
B<sub>1</sub> 2.02 100％
B<sub>2</sub> 1.92 96％
B<sub>3</sub> 1.83 92％
B<sub>4</sub> 1.60 80％
考虑到针刺、挤压等内短路实验会对电池造成不可逆损失，故采用内短路替代实验，选择可控的外短路实验来代替内短路，其操作简单，易于实现，实验电路如图4所示。该方法通过将特定电阻与电池并联来模拟内短路，该特定电阻被视为等效内短路电阻Risc，且可以利用开关S来用控制内短路的开停。
其中，等效内短路电阻(ISC equivalent resistance,Risc)被引入以反应内短路严重程度。电池正常工作时，Risc相当大，内短路电流极小可忽略。而当电池发生内短路时，Risc会随着内短路加剧而减小。当Risc<0.1Ω时，内短路处于后期阶段，此时电池端电压明显下降，内短路可被快速准确地识别，但电池温度会急剧上升，预留安全时间极短，易造成热失控，因此必须在此之前识别内短路。
以图4方式连接电路，对不同老化程度的电池加载DST工况从4V开始放电，共进行3个DST工况循环(1080s)，当第二个DST循环结束时(720s)闭合开关S触发内短路，分别设置内短路等效电阻Risc为0.5Ω，1Ω。DST工况如图5所示。利用如图6所示的步骤对内短路前后各一个周期(360s)内的极化内阻进行辨识，不同老化程度的电池内短路前后极化内阻均值的变化幅度如表2所示，极化内阻变化幅度(内短路判定值)均大于阈值，证明该发明可以有效地独立检测内短路。
表2
Figure BDA0003696430330000101
本发明旨在实现全寿命周期内的电池单体电芯内短路检测，由于在电池的使用过程中，电池组内各个电芯间的不一致性随着时间不断累积，而当前对于内短路的检测技术多数依赖于单体电芯间的一致性原理展开。为了能够在全寿命周期内对电池，本发明将原有电池单体电芯间的横向比较转化为同一电芯极化内阻历史参数的纵向比较，不再依靠电池组间单体电芯间的一致性，实现全寿命周期内短路检测，特别是对于老化电池内短路地准确检测，降低误报率，提高了整体的安全性。
请参考图7，图7为本发明实施例提供的一种电池内短路在线检测的装置的结构框图；具体装置可以包括：
电池模型建立模块100，用于在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型；
极化内阻辨识模块200，基于所述Thevenin模型采用辨识算法进行在线辨识，得到电池极化内阻的实时数值；
内短路判断模块300，计算极化内阻的变化率，当所述变化率超过预设阈值时，则判定电池发生内短路。
本实施例的电池内短路在线检测装置用于实现前述的电池内短路在线检测方法，因此电池内短路在线检测装置中的具体实施方式可见前文电池内短路在线检测方法的实施例部分，例如，电池模型建立模块100，极化内阻辨识模块200，内短路判断模块300，分别用于实现上述电池内短路在线检测方法中步骤S101，S102，S103，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明具体实施例还提供了一种电池内短路在线检测的设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述一种电池内短路在线检测方法的步骤。
本发明具体实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述一种电池内短路在线检测方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种电池内短路在线检测方法，其特征在于，包括：
在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型；
基于所述Thevenin模型采用辨识算法进行在线辨识，得到电池极化内阻的实时数值；
计算极化内阻的变化率，当所述变化率超过预设阈值时，则判定电池发生内短路。
2.根据权利要求1所述的电池内短路在线检测方法，其特征在于，所述在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型包括：
建立电池的Thevenin模型：
Figure FDA0003696430320000011
其中，Uoc表示电池开路电压，Ut表示端电压，
Figure FDA0003696430320000012
表示极化电压对时间的导数，Up表示极化电压，R0为电池欧姆内阻，Rp为极化内阻，Cp为极化电容，IL表示电流的大小与方向；
对式(1)进行拉普拉斯变换与双线性变换，以便将式(1)转为化为离散方程式：
Ut，k＝(1-a1)Uoc，k+a1Ut，k-1+a2IL，k+a3IL，k-1 (2)
其中，
Figure FDA0003696430320000013
T为采样间隔时间，下角标k表示第k个采样时刻，Uoc，k为第k采样时刻的开路电压，Ut，k-1为第k-1采样时刻的端电压，IL，k为第k采样时刻的电流，IL，k-1为第k-1采样时刻的电流；
定义
Figure FDA0003696430320000021
则公式(2)可表示为：
Figure FDA0003696430320000022
其中，yk为系统输出变量，即真实端电压，
Figure FDA0003696430320000023
为数据变量，θk为参数变量，eLs，k为平稳零均值白噪声，即真实端电压与仿真端电压的误差，T表示转置。
3.根据权利要求2所述的电池内短路在线检测方法，其特征在于，所述基于所述Thevenin模型采用带遗忘因子的递归最小二乘法对极化内阻参数进行在线辨识，得到电池极化内阻的实时数值。
4.根据权利要求3所述的电池内短路在线检测方法，其特征在于，所述采用带遗忘因子的递归最小二乘法对极化内阻参数进行在线辨识，得到电池极化内阻的实时数值包括：
步骤a：对电池的端电压和电流进行实时采样；
步骤b：确定待估计参数和状态估计值的误差协方差矩阵的初值；
步骤c：计算第k采样时刻的算法增益
Figure FDA0003696430320000024
其中，T表示转置，μ为遗忘因子，k＝1…n；
步骤d：计算第k采样时刻状态估计值的误差协方差矩阵
Figure FDA0003696430320000025
步骤e：计算第k采样时刻的待估计参数
Figure FDA0003696430320000026
步骤f：根据所述第k采样时刻的待估计参数计算得到仿真端电压
Figure FDA0003696430320000027
步骤g：求真实端电压与仿真端电压之间的误差
Figure FDA0003696430320000028
并将其代入到步骤e更新第k采样时刻的待估计参数；
步骤h：解析所述待估计参数，得到第k采样时刻极化内阻的数值。
5.根据权利要求4所述的电池内短路在线检测方法，其特征在于，所述遗忘因子的确定步骤包括：
在遗忘因子的预设取值范围[0.95，1]内选取不同的遗忘因子，利用控制变量的方法，对不同遗忘因子下不同老化程度的电池进行在线辨识，得到仿真端电压，并与真实端电压进行比较；
根据仿真端电压与真实端电压的平均绝对误差和均方根误差确定最优遗忘因子。
6.根据权利要求5所述的电池内短路在线检测方法，其特征在于，所述最优遗忘因子μ＝0.95。
7.根据权利要求1所述的电池内短路在线检测方法，其特征在于，所述计算极化内阻的变化率包括：
计算相邻两个周期内极化内阻均值的变化率作为是否发生内短路的判定值：
Figure FDA0003696430320000031
其中，Δ表示内短路判定值，
Figure FDA0003696430320000032
为上一周期内的极化内阻均值，
Figure FDA0003696430320000033
为下一周期内的极化内阻均值，下角标l表示一个周期。
8.一种电池内短路在线检测的装置，其特征在于，包括：
电池模型建立模块，用于在电池运行过程中采集电池的端电压与电流，并建立电池的Thevenin模型；
极化内阻辨识模块，基于所述Thevenin模型采用辨识算法进行在线辨识，得到电池极化内阻的实时数值；
内短路判断模块，计算极化内阻的变化率，当所述变化率超过预设阈值时，则判定电池发生内短路。
9.一种电池内短路在线检测的设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述一种电池内短路在线检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种电池内短路在线检测方法的步骤。
CN202210675650.0A 2022-06-15 2022-06-15 一种电池内短路在线检测方法、装置及存储介质 Pending CN115219905A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210675650.0A CN115219905A (zh) 2022-06-15 2022-06-15 一种电池内短路在线检测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210675650.0A CN115219905A (zh) 2022-06-15 2022-06-15 一种电池内短路在线检测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115219905A true CN115219905A (zh) 2022-10-21

Family

ID=83607828

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210675650.0A Pending CN115219905A (zh) 2022-06-15 2022-06-15 一种电池内短路在线检测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115219905A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116027199A (zh) * 2022-12-08 2023-04-28 帕诺(常熟)新能源科技有限公司 基于电化学模型参数辨识检测电芯全寿命内短路的方法
CN116087792A (zh) * 2023-03-02 2023-05-09 上海玫克生储能科技有限公司 一种辨识锂电池内短路程度的方法和系统
CN116953556A (zh) * 2023-09-12 2023-10-27 苏州大学 多变量冗余故障电池在线检测的方法、系统、介质和设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112147514A (zh) * 2020-09-25 2020-12-29 河南理工大学 基于rls的锂电池全工况自适应等效电路模型
CN112698229A (zh) * 2020-12-11 2021-04-23 Oppo广东移动通信有限公司 短路电流检测方法、装置、可读存储介质及电子设备
CN113711070A (zh) * 2020-12-15 2021-11-26 东莞新能德科技有限公司 电池内短路侦测方法、电子装置和存储介质
CN114295982A (zh) * 2021-10-28 2022-04-08 上海空间电源研究所 锂离子电池参数及开路电压辨识方法、系统及介质
CN114487889A (zh) * 2021-12-31 2022-05-13 国网江苏电力设计咨询有限公司 一种基于预充电流脉冲的电池内短路故障识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112147514A (zh) * 2020-09-25 2020-12-29 河南理工大学 基于rls的锂电池全工况自适应等效电路模型
CN112698229A (zh) * 2020-12-11 2021-04-23 Oppo广东移动通信有限公司 短路电流检测方法、装置、可读存储介质及电子设备
CN113711070A (zh) * 2020-12-15 2021-11-26 东莞新能德科技有限公司 电池内短路侦测方法、电子装置和存储介质
CN114295982A (zh) * 2021-10-28 2022-04-08 上海空间电源研究所 锂离子电池参数及开路电压辨识方法、系统及介质
CN114487889A (zh) * 2021-12-31 2022-05-13 国网江苏电力设计咨询有限公司 一种基于预充电流脉冲的电池内短路故障识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
唐佳;刘士齐;刘静雯;刘启胜;赵诣;连张翔;: "基于向量式多遗忘因子最小二乘法的城轨列车储能元件充放电参数辨识", 武汉大学学报(工学版) *
李国春 等: "基于AIC 准则判断锂电池最优模型", 基于AIC 准则判断锂电池最优模型 *
毛亚;白清友;马尚德;周罗增;郭瑞;郑耀东;雷博;解晶莹;: "循环老化对锂离子电池在绝热条件下的产热及热失控影响", 储能科学与技术 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116027199A (zh) * 2022-12-08 2023-04-28 帕诺(常熟)新能源科技有限公司 基于电化学模型参数辨识检测电芯全寿命内短路的方法
CN116027199B (zh) * 2022-12-08 2023-09-29 帕诺(常熟)新能源科技有限公司 基于电化学模型参数辨识检测电芯全寿命内短路的方法
CN116087792A (zh) * 2023-03-02 2023-05-09 上海玫克生储能科技有限公司 一种辨识锂电池内短路程度的方法和系统
CN116953556A (zh) * 2023-09-12 2023-10-27 苏州大学 多变量冗余故障电池在线检测的方法、系统、介质和设备
CN116953556B (zh) * 2023-09-12 2023-12-05 苏州大学 多变量冗余故障电池在线检测的方法、系统、介质和设备

Similar Documents

Publication Publication Date Title
CN111208439B (zh) 一种串联锂离子电池组微短路故障定量检测方法
CN115219905A (zh) 一种电池内短路在线检测方法、装置及存储介质
CN111551860A (zh) 一种基于弛豫电压特征的电池内短路诊断方法
CN113075554B (zh) 一种基于运行数据的锂离子电池组不一致性辨识方法
CN110554321B (zh) 一种实时检测退役动力电池soc的方法
CN116027199B (zh) 基于电化学模型参数辨识检测电芯全寿命内短路的方法
CN111929602A (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
CN111781503A (zh) 一种锂离子储能电池soc在线估算方法
CN113777510A (zh) 一种锂电池荷电状态估计方法及装置
CN110927609B (zh) 梯次利用电池储能系统的衰退评估方法及装置
CN115792638A (zh) 基于电池模型参数辨识的soc-内短路联合估计方法
CN115656861A (zh) 基于均衡电路的动力电池诊断装置及方法
CN111044924A (zh) 一种全工况电池剩余容量确定方法及系统
CN105717458A (zh) 一种电池内阻的在线实时检测方法
CN112448044A (zh) 电池组及其均衡方法和均衡装置
CN113125965B (zh) 电池析锂检测方法、装置、设备及存储介质
CN115639480A (zh) 一种电池健康状态的检测方法及装置
CN112379271B (zh) 一种考虑钝化的碳包式锂亚硫酰氯电池容量检测方法
CN115469226A (zh) 一种基于运行大数据的电动汽车动力电池实时安全预警方法
CN114720881A (zh) 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法
CN113820615A (zh) 一种电池健康度检测方法与装置
CN114695990A (zh) 一种电池系统的容量均衡判断方法、装置、设备及介质
CN113533985A (zh) 一种电池包内阻异常模块的识别方法及其存储介质
CN112733479A (zh) 一种单体电池的模型参数计算方法、装置和介质
CN116953556B (zh) 多变量冗余故障电池在线检测的方法、系统、介质和设备

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