CN116879764A - 一种电池故障诊断方法、装置及存储介质 - Google Patents
一种电池故障诊断方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116879764A CN116879764A CN202311153670.2A CN202311153670A CN116879764A CN 116879764 A CN116879764 A CN 116879764A CN 202311153670 A CN202311153670 A CN 202311153670A CN 116879764 A CN116879764 A CN 116879764A
- Authority
- CN
- China
- Prior art keywords
- battery
- curve
- state
- parameter
- charge
- 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.)
- Withdrawn
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000000178 monomer Substances 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 39
- 239000006185 dispersion Substances 0.000 claims description 20
- 230000036541 health Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 abstract description 10
- 239000004973 liquid crystal related substance Substances 0.000 description 28
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013450 outlier detection Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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]
- G01R31/389—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出一种电池故障诊断方法、装置及存储介质,涉及电池故障诊断技术领域。其中,方法包括:获取电池模块的荷电状态‑电池开路电压曲线;对荷电状态‑电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数;基于各电池单体的状态数据以及荷电状态参数,确定电池模块的电阻参数;通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;根据荷电状态参数、曲线参数、电阻参数以及差异反馈模型,对电池模块进行故障诊断。通过构建差异反馈模型降低了极值的干扰,提高了电池故障诊断的精确度。
Description
技术领域
本发明涉及电池故障诊断技术领域,尤其涉及一种电池故障诊断方法、装置及存储介质。
背景技术
电池凭借其高功率和能量密度、无记忆效应、低自放电率和长循环寿命的特点广泛应用于储能领域。在电池的使用过程中,若出现非自然退化的故障,可能会导致使用电池的商品出现故障,甚至可能危及人身安全,因此,对于电池的检测和故障诊断十分重要。
目前的电池故障诊断方法中仍然存在漏检或误检的问题,例如离群点检测算法受到极值影响会导致检测结果不准确,无法满足电池故障诊断的需求。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种电池故障诊断方法,以实现高精度的电池故障诊断。
本发明的第二个目的在于提出一种电池故障诊断装置。
本发明的第三个目的在于提出另一种电池故障诊断装置。
本发明的第四个目的在于提出一种非临时性计算机可读存储介质。
本发明的第五个目的在于提出一种计算机程序产品。
为达上述目的,本发明第一方面实施例提出了一种电池故障诊断方法,包括:
获取电池模块的荷电状态-电池开路电压曲线;
对所述荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,所述曲线参数包括斜率和截距中的至少一个;
基于各电池单体的状态数据以及荷电状态参数,确定所述电池模块的电阻参数,其中,所述状态数据包括所述电池单体的端子电压和串联电流中的至少一个,所述电阻参数包括平均电阻和电阻离差中的至少一个;
通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;
根据所述荷电状态参数、所述曲线参数、所述电阻参数以及所述差异反馈模型,对所述电池模块进行故障诊断。
为达上述目的,本发明第二方面实施例提出了一种电池故障诊断装置,包括:
曲线获取模块,用于获取电池模块的荷电状态-电池开路电压曲线;
曲线线性化模块,用于对所述荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,所述曲线参数包括斜率和截距中的至少一个;
电阻参数确定模块,用于基于各电池单体的状态数据以及荷电状态参数,确定所述电池模块的电阻参数,其中,所述状态数据包括所述电池单体的端子电压和串联电流中的至少一个,所述电阻参数包括平均电阻和电阻离差中的至少一个;
模型构建模块,用于通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;
故障诊断模块,用于根据所述荷电状态参数、所述曲线参数、所述电阻参数以及所述差异反馈模型,对所述电池模块进行故障诊断。
为达上述目的,本发明第三方面实施例提出了另一种电池故障诊断装置,包括存储器,收发机,处理器:
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并执行以下操作:
获取电池模块的荷电状态-电池开路电压曲线;
对所述荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,所述曲线参数包括斜率和截距中的至少一个;
基于各电池单体的状态数据以及荷电状态参数,确定所述电池模块的电阻参数,其中,所述状态数据包括所述电池单体的端子电压和串联电流中的至少一个,所述电阻参数包括平均电阻和电阻离差中的至少一个;
通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;
根据所述荷电状态参数、所述曲线参数、所述电阻参数以及所述差异反馈模型,对所述电池模块进行故障诊断。
为了实现上述目的,本发明第四方面实施例提出了一种计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如本发明第一方面实施例提出的一种电池故障诊断方法。
为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行本发明第一方面实施例提出的一种电池故障诊断方法。
本发明至少包括如下有益效果:
本发明获取电池模块的荷电状态-电池开路电压曲线;对荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数;基于各电池单体的状态数据以及荷电状态参数,确定电池模块的电阻参数;通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;根据荷电状态参数、曲线参数、电阻参数以及差异反馈模型,对电池模块进行故障诊断。通过构建差异反馈模型降低了极值的干扰,提高了电池故障诊断的精确度,并且在保证精确度的前提下,降低了利用荷电状态-电池开路电压曲线进行故障诊断的计算量。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的一种电池故障诊断方法的流程示意图;
图2为本发明实施例所提供的另一种电池故障诊断方法的流程示意图;
图3为本发明实施例所提供的一个电池模块的等效电路图;
图4为本发明实施例所提供的一个电池单体的等效电路图;
图5为本发明实施例所提供的一个SOC-OCV曲线坐标图;
图6为本发明实施例所提供的另一种电池故障诊断方法的流程图;
图7为本发明实施例所提供的一种电池故障诊断装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的电池故障诊断方法和装置。
图1为本发明实施例所提供的一种电池故障诊断方法的流程示意图。
在实际应用中,电池组可能同时会遭遇多种故障,如单体电池失效、电池连接故障、电池极柱腐蚀等,因此,研究电池组的多故障诊断方法对电池进行监测至关重要,可以有效延长电池寿命、优化系统性能,提高能量利用率。
目前已有大量方法对电池故障进行检测,例如基于残差判断的模型法、基于离群点检测的信号处理法,以及基于数据驱动的一些诊断方法。其中,模型法与离群点检测相关算法由于其计算量低、计算简单相比数据驱动法应用更加广泛。
然而目前这些故障诊断方法仍然存在许多问题。例如,离群点检测算法以及电池等效电路模型中的平均模型会因个别极值的影响而漂移,影响SOC残差的估计和短路故障的诊断;故障电池中短路电流引起的电压降总是被忽略,导致估计误差的增加,造成误诊断或漏诊断;由于SOC-OCV曲线的非线性会随着SOC的降低而增加,因此在低SOC区域,诊断模型的精度会显著降低。
在本发明实施例中,电池可以是锂离子电池。
针对上述问题,本发明实施例提供了一种电池故障诊断方法,以实现高精度的电池故障诊断,如图1所示,该方法包括以下步骤:
步骤101,获取电池模块的荷电状态-电池开路电压曲线。
在本发明实施例中,荷电状态参数(State of Charge,简称SOC)表示电池使用一段时间后剩余电量与未使用前的容量的比值,常用百分数表示,其取值范围为0~1,当SOC=0时表示电池放电完全,当SOC=1时表示电池完全充满。
作为一种可能的实现方式,SOC可以通过电池充放电实验控制得到。
作为一种可能的实现方式,电池开路电压(Open Circuit Voltage,简称OCV)可以通过电压传感器测量出来。
进一步的,荷电状态-电池开路电压曲线(SOC-OCV曲线)可以通过获取的SOC值和OCV值拟合得到。
步骤102,对荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,曲线参数包括斜率和截距中的至少一个。
可选地,获取的SOC值和OCV值越多,进行拟合得到的SOC-OCV曲线越精确。由于SOC-OCV曲线的非线性会随着SOC的降低而增加,导致低SOC区域的故障诊断精度显著降低。
在本发明实施例中,对得到的SOC-OCV曲线进行线性化,使SOC值和OCV值呈线性关系,或使SOC-OCV曲线分为多段呈线性关系的子曲线,以确保在低SOC区域,依然保证较高的故障诊断精度。
步骤103,基于各电池单体的状态数据以及荷电状态参数,确定电池模块的电阻参数,其中,状态数据包括电池单体的端子电压和串联电流中的至少一个,电阻参数包括平均电阻和电阻离差中的至少一个。
其中,电阻离差是指电池模块中各电池单体的电阻的离差,可以是电池单台的电阻与平均电阻或者电阻中位数之间的差距。
步骤104,通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型。
可选地,等效电路是指将电路中某一部分比较复杂的结构用一比较简单的结构替代,替代之后的电路与原电路对未变换的部分保持相同的作用效果。例如,可以将整个电池模块等效为一节电池,建立电池模型的等效电路。
作为一种可能的实现方式,在电池模块中所有电池单体正常运行的情况下,可以将整个电池模块等效为一节电池,得到代表电池模块正常运行情况下的等效电路。
作为另一种可能的实现方式,在电池单体存在故障的情况下,可以将各电池单体分别进行等效电路的构建。
可选地,选取的参数可以是中值或者平均值,通过选取参数,降低极值的干扰,提高差异反馈模型的稳定性。
可选地,电池等效电路,包括各电池单体的等效电路以及电池模块整体的等效电路,构建电池模块中各电池单体的差异反馈模型,反映了各电池单体与正常工作状态下的电池模块之间的差异情况。
步骤105,根据荷电状态参数、曲线参数、电阻参数以及差异反馈模型,对电池模块进行故障诊断。
可选地,荷电状态参数、曲线参数、电阻参数能够在不同方面体现电池的工作状态,结合电池单体对应的差异反馈模型,对电池单体进行故障诊断,确定电池单体的是否出现故障,或者确定电池单体出现故障的程度。
本实施例中,获取电池模块的荷电状态-电池开路电压曲线;对荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数;基于各电池单体的状态数据以及荷电状态参数,确定电池模块的电阻参数;通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;根据荷电状态参数、曲线参数、电阻参数以及差异反馈模型,对电池模块进行故障诊断。通过构建差异反馈模型降低了极值的干扰,提高了电池故障诊断的精确度,并且在保证精确度的前提下,降低了利用荷电状态-电池开路电压曲线进行故障诊断的计算量。
为了清楚说明上一实施例,本实施例提供了另一种电池故障诊断方法,图2为本发明实施例所提供的另一种电池故障诊断方法的流程示意图。
如图2所示,该方法可以包括以下步骤:
步骤201,获取电池模块的荷电状态-电池开路电压曲线。
可选地,若电池模块中的各电池单体均为正常运行的健康状态,可以认为个电池单体具有相同的SOC-OCV曲线,因此通过获取多个电池单体不同时刻下的SOC值和OCV值,并进行曲线拟合,得到SOC-OCV曲线。
在本发明实施例中,以SOC值作为横轴,以OCV值作为纵轴,构建直角坐标系,将得到的不同时刻下相互对应的SOC值和OCV值在直角坐标系中定位,生成多个坐标点,对直角坐标系中各个坐标点进行曲线拟合,得到SOC-OCV曲线。
作为一种可能的实现方式,SOC值可以通过电池充放电实验控制得到。
作为一种可能的实现方式,OCV值可以通过电压传感器测量得到。
进一步的,若电池模块中的各电池单体均为正常运行的健康状态,如图3所示,将整个电池模块等效为一节大电池,建立健康状态下的等效模型,该等效模型中的参数反映电池模块的健康指标,具有以下关系:
其中,是健康OCV;E()是OCV关于/>的函数;/>是健康电池SOC;/>是电池内部的电流,放电时为正,充电时为负;I是测量获得的电池模块的电流;/>是健康电压;/>是健康内阻。
由于在电池实际工作过程中,电池单体可能存在故障,考虑到短路电流对内阻的影响,可以将各电池单体分别进行等效电路的构建,如图4所示,其中是第i个电池单体的实际OCV,/>是第i个电池单体的内阻,/>是i个电池单体的端子电压,/>是i个电池单体的短路电阻,则第i个电池单体的各参数之间的关系为:
其中,是第i个电池单体与健康电池模块之间的端子电压差异,/>是第i个电池单体与健康电池模块之间的OCV值差异,/>是第i个电池单体与健康电池模块之间的内阻差异,/>是第i个电池单体的SOC值,函数f表示/>和/>之间的关系,/>是第i个电池单体与健康电池模块之间的SOC值差异,/>是第i个电池单体在最后一个循环的反馈电流。
步骤202,对荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,曲线参数包括斜率和截距中的至少一个。
可选地,对SOC-OCV曲线进行线性化的过程可以是:
提取荷电状态-电池开路电压曲线上任意两点的坐标,以确定任意两点对应的斜率和截距;对荷电状态-电池开路电压曲线进行分段插值拟合,以得到多段子曲线;通过对多段子曲线进行曲线平滑,以及模糊化,获取荷电状态-电池开路电压曲线的曲线表达式。
在本发明实施例中,如图5所示,在SOC-OCV曲线上提取两个点,分别确定对应斜率和/>,以及截距/>和/>,将/>扩展为:
图5中选取的两点的X坐标和Y坐标之间的差分别表示为和/>,则可以得到:
其中,是SOC和OCV差的斜率,并且将随曲线上两点选取的不同而变化。
进一步的,的详细表达式可以写为:
其中,是选取的两点之间的斜率差,/>是选取的两点之间的截距差。
由于SOC-OCV曲线的非线性会随着SOC的降低而增加,因此在低SOC区域,诊断模型的精度会显著降低。而的详细表达式表示/>和/>之间的真实关系,因此在低SOC区域,计算精度将不再受到影响。
进一步的,通过优化算法对隶属函数进行优化求解,得到多个预选曲线数据点的参数,其中隶属函数用于对多段子曲线进行曲线平滑。
在本发明实施例中,可以通过下述函数关系式对SOC-OCV曲线进行分段插值拟合:
其中,是用于形成SOC-OCV曲线的第j段的斜率,/>是用于形成SOC-OCV曲线的第j段的截距,n为分段总数。
在该函数关系中,SOC被用作先行变量,以确定与每段子曲线相对应的系统状态的稳态点。在非线性系统中,稳态点是指所选线性段最适合非线性曲线的点。
为了使线性各段之间的过渡区域足够平滑,选择高斯型的隶属函数用于平滑曲线:
其中,是隶属函数的平均值,/>是隶属函数的方差。
在本发明实施例中,函数的平均值点是稳态点。
进一步的,选择优化算法对隶属函数进行优化求解,以优化高斯隶属函数中的方差。
可选地,优化算法可以是遗传算法、最小二乘法、粒子群算法等。
在本发明实施例中,可以通过如下公式表示隶属函数的目标函数:
其中,
其中,是n个独立的优化变量,/>是优化过程中使用的SOC-OCV曲线数据点的总数量,/>是由SOC-OCV曲线表示的函数关系。
在取值最小时,对隶属函数的目标函数进行求解,得到/>,实现对高斯隶属函数中的方差/>的优化。
进一步的,通过Takagi-Sugeno模糊模型(简称T-S模糊模型)对多段子曲线进行模糊化,获取荷电状态-电池开路电压曲线的曲线表达式:
进一步的,通过上述曲线表达式获得每段子曲线的和/>,将其制成3D表格查找曲线。
步骤203,基于各电池单体的状态数据以及荷电状态参数,构建目标函数;响应于目标函数的取值为最小值,对目标函数进行求解,以获取电池模块的电阻参数。
可选地,状态数据包括电池单体的端子电压和串联电流中的至少一个,电阻参数包括平均电阻和电阻离差中的至少一个。
其中,电阻离差是指电池模块中各电池单体的电阻的离差,可以是电池单台的电阻与平均电阻或者电阻中位数之间的差距。
可选地,电阻参数是电阻离差的情况下,通过对第一目标函数求解得到,第一目标函数如下所示:
其中,优化目标为/>,当电流为正时,/>;当电流为负时,;/>是第i个电池单体数据的数量;/>是流经电池模块的电流,整机表示放电,负极表示充电;/>是第i个电池单体的端子电压和电池模块的平均电压之间的差值。
在本发明实施例中,和/>的初始值均设置为0,第i个电池单体与健康电池模块之间的SOC值差异/>的初始值设置为0。
可选地,电阻参数是平均电阻的情况下,通过对第二目标函数求解得到,第二目标函数如下所示:
其中,优化目标为/>,初始值也设置为0;/>是电池模块的平均SOC;是电池模块的平均端子电压;/>是电池模块的电流。
分别在第一目标函数和第二目标函数取值为最小值的时,进行求解,得到对应的电阻参数。
步骤204,根据选取的电压中值和荷电状态参数平均值,以及电池模块中各电池单体的健康模型和短路模型建立差异反馈模型,其中健康模型和短路模型基于电池等效电路确定。
可选地,对电压和荷电状态参数进行参数选取,可以通过如下公式表示:
其中,是电池模块中各电池单体的电压的中值,M是电池模块中电池单体的数量,/>是第i个电池单体的内阻与电池模块平均内阻的差值,/>是第L个电池单体的内阻与电池模块平均内阻的差值,/>是第i个电池单体的电阻差。
在本发明实施例中,选取电压中值作为当前循环的健康电压/>,通过将电池模块的平均SOC(即/>)和初始SOC差值/>相加,得到健康电池SOC(即),其中,SOC平均值可以通过安时积分法获得。
由于通过所有电池单体的电流都是相同的,因此可以用平均SOC来表示。由于初始SOC差值/>可以被视为一个固定值,因此/>与/>直接相关。
选取的参数包括中值和平均值,不仅可以消除极值引起的模型偏差,还可以反映电池模块的平均状态。
根据选取的参数,以及健康状态的等效电路构建健康模型:
根据选取的参数,以及个电池单体的短路等效电路构建短路模型:
其中,健康电压和健康电池SOC通过上述参数选取获取。
进一步的,根据选取的电压中值和荷电状态参数平均值,以及电池模块中各电池单体的健康模型和短路模型建立差异反馈模型。
在本发明实施例中,通过模糊卡尔曼滤波器来减少噪声引起的误差。
时刻k处的状态方程和测量方程描述为:
其中:
其中,表示具有零均值的高斯噪声以及用于卡尔曼增益的/>协方差,/>表示具有零均值的高斯噪声以及用于卡尔曼增益的/>协方差,/>是第i个电池单体在时刻k-1的SOC差,/>是第i个电池单体在时刻k与健康电池模块之间的端子电压差异,是电池模块中的电流,/>是第i个电池单体与健康电池模块之间的内阻差异,/>是健康内阻,/>等于/>,/>是第i个电池单体在时刻k-1的反馈电流。
当等于/>时,/>可以表示为/>,通过步骤202中的3D表格查找曲线得到/>,如下所示:
其中,和/>均为关于SOC的函数关系,通过步骤202中计算/>和/>的公式,计算/>、/>和/>、/>。
步骤205,根据荷电状态参数、曲线参数、电阻参数以及差异反馈模型,对电池模块进行故障诊断。
获取电池模块在健康状态下的参考参数,参考参数包括参考电压、参考电阻和参考荷电状态参数中的至少一个;根据任一电池单体在任一时刻下的电压差、电阻差,以及任一时刻的前一时刻的历史荷电状态参数差,获取任一时刻的荷电状态参数差;基于任一电池单体的电池容量、任一电池单体在任一时刻下的荷电状态参数差,确定任一电池单体在任一时刻下的能量损失;对能量损失进行滤波,以获取任一电池单体在任一时刻下的反馈电流;基于反馈电流,对任一电池单体进行故障诊断。
其中,电压差是任一时刻下的端子电压与参考电压之间的差值;电阻差是任一时刻下的电阻离差与参考电阻离差之间的差值,参考电阻离差是参考电阻与任一时刻下的平均电阻之间的差值。
在本发明实施例中,参考电压是步骤204中参数选取的电压中值,即一电流中值作为/>,参考电阻是健康内阻/>,参考荷电状态参数是。
当短路故障发生在电池单体中时,由于短路电流的作用,该电池单体会同时释放出比其他健康电池单体更多的能量,因此电池的能量损失可以作为短路程度的定量标准:
其中,是第i个电池单体在时刻k的能量损失,C表示电池容量,/>是第i个电池单体在时刻k的SOC差。
随时间的线性变化可以用于估计电池的健康状况和短路电流。
进一步的,为了减少单次测量误差引起的波动,本发明实施例选择递归最小二乘法对数据进行滤波。具体的递归表达式如下:
其中,
其中,是时间长度的变化量,/>是能量损失的变化量,/>是时刻k,/>是初始时刻,/>是第i个电池单体在时刻k的能量损失,/>是第i个电池单体在初始时刻的能量损失,/>是最小二乘法的输出,/>是模型误差,/>是遗忘因子,通常设置为0-1之间的数,参数/>的初始值设置为0。
需要说明的是,是/>的相反数,得到最小二乘法的输出结果之后们能够得到第i个电池单体在时刻k的反馈电流/>。
响应于反馈电流大于或者等于预设电流阈值,根据任一电池单体在任一时刻下的端子电压以及反馈电流,确定任一电池单体的故障等级。
在本发明实施例中,预设电流阈值为,/>是电池模块的电流,若得到的反馈电流小于预设电流阈值,则故障电阻将表示为无穷大,同时将反馈电流设置为零,说明此时出现了严重故障,电池模块无法继续工作。
若得到的反馈电流大于等于预设电流阈值,则根据第i个电池单体的端子电压和反馈电流计算短路电阻,作为故障程度:。
因此,故障程度可以通过如下公式表示:
其中,Inf表示无穷大。
通过将电池模块的电流的0.05%作为预设电流阈值,在很大程度上平衡了灵敏度,提高了故障诊断的鲁棒性。
作为一种可能的实施方式,请参阅图6,图6为本发明实施例所提供的另一种电池故障诊断方法的流程图。
如图6所示,电池模块中包括10个电池单体,获取各电池单体的工作数据和/>;获取电池模块的SOC-OCV曲线,对SOC-OCV曲线进行模糊化得到各子曲线的/>和/>,结合SOC制成3D表格,完成静态测试;基于各电池单体的状态数据以及荷电状态参数,确定电池模块的电阻参数(/>),进一步的,在不同时刻下计算能量损失,实现动态测试。
在线系统包括CHM参数选择器、电池单体的差异反馈模型以及故障诊断模型,将动态测试和静态测试得到的各参数输入在线系统,将各参数代入,完成电池故障诊断。
本实施例中,获取电池模块的荷电状态-电池开路电压曲线;对荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数;基于各电池单体的状态数据以及荷电状态参数,构建目标函数;响应于目标函数的取值为最小值,对目标函数进行求解,以获取电池模块的电阻参数;根据选取的电压中值和荷电状态参数平均值,以及电池模块中各电池单体的健康模型和短路模型建立差异反馈模型,其中健康模型和短路模型基于电池等效电路确定;根据荷电状态参数、曲线参数、电阻参数以及差异反馈模型,对电池模块进行故障诊断。通过构建差异反馈模型降低了极值的干扰,提高了电池故障诊断的精确度,并且在保证精确度的前提下,降低了利用荷电状态-电池开路电压曲线进行故障诊断的计算量。
为了实现上述实施例,本发明还提出一种电池故障诊断装置。
图7为本发明实施例提供的一种电池故障诊断装置的结构示意图。
如图7所示,该电池故障诊断装置700包括:曲线获取模块701、曲线线性化模块702、电阻参数确定模块703、模型构建模块704以及故障诊断模块705。
曲线获取模块701,用于获取电池模块的荷电状态-电池开路电压曲线。
曲线线性化模块702,用于对荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,曲线参数包括斜率和截距中的至少一个。
电阻参数确定模块703,用于基于各电池单体的状态数据以及荷电状态参数,确定电池模块的电阻参数,其中,状态数据包括电池单体的端子电压和串联电流中的至少一个,电阻参数包括平均电阻和电阻离差中的至少一个。
模型构建模块704,用于通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型。
故障诊断模块705,用于根据荷电状态参数、曲线参数、电阻参数以及差异反馈模型,对电池模块进行故障诊断。
进一步地,在本发明实施例的一种可能的实现方式中,故障诊断模块705,还用于:
获取电池模块在健康状态下的参考参数,参考参数包括参考电压、参考电阻和参考荷电状态参数中的至少一个;
根据任一电池单体在任一时刻下的电压差、电阻差,以及任一时刻的前一时刻的历史荷电状态参数差,获取任一时刻的荷电状态参数差;其中,电压差是任一时刻下的端子电压与参考电压之间的差值;电阻差是任一时刻下的电阻离差与参考电阻离差之间的差值,参考电阻离差是参考电阻与任一时刻下的平均电阻之间的差值;
基于任一电池单体的电池容量、任一电池单体在任一时刻下的荷电状态参数差,确定任一电池单体在任一时刻下的能量损失;
对能量损失进行滤波,以获取任一电池单体在任一时刻下的反馈电流;
基于反馈电流,对任一电池单体进行故障诊断。
响应于反馈电流大于或者等于预设电流阈值,根据任一电池单体在任一时刻下的端子电压以及反馈电流,确定任一电池单体的故障等级。
进一步地,在本发明实施例的一种可能的实现方式中,电阻参数确定模块703,还用于:
基于各电池单体的状态数据以及荷电状态参数,构建目标函数;
响应于目标函数的取值为最小值,对目标函数进行求解,以获取电池模块的电阻参数。
进一步地,在本发明实施例的一种可能的实现方式中,曲线线性化模块702,还用于:
提取荷电状态-电池开路电压曲线上任意两点的坐标,以确定任意两点对应的斜率和截距;
对荷电状态-电池开路电压曲线进行分段插值拟合,以得到多段子曲线;
通过对多段子曲线进行曲线平滑,以及模糊化,获取荷电状态-电池开路电压曲线的曲线表达式。
通过优化算法对隶属函数进行优化求解,得到多个预选曲线数据点的参数,其中隶属函数用于对多段子曲线进行曲线平滑。
进一步地,在本发明实施例的一种可能的实现方式中,模型构建模块704,还用于:
根据选取的电压中值和荷电状态参数平均值,以及电池模块中各电池单体的健康模型和短路模型建立差异反馈模型,其中健康模型和短路模型基于电池等效电路确定。
需要说明的是,前述对电池故障诊断方法实施例的解释说明也适用于该实施例的电池故障诊断装置,此处不再赘述。
为了实现上述实施例,本发明还提出另一种电池故障诊断装置,包括:处理器,以及用于存储所述处理器可执行指令的存储器。
其中,处理器被配置为执行所述指令,以实现上述一种电池故障诊断方法。
为了实现上述实施例,本发明还提出一种非临时性计算机可读存储介质,当所述存储介质中的指令由电子设备的处理器被执行时,使得电子设备能够执行上述一种电池故障诊断方法。
为了实现上述实施例,本发明还提出一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行上述一种电池故障诊断方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电池故障诊断方法,其特征在于,包括以下步骤:
获取电池模块的荷电状态-电池开路电压曲线;
对所述荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,所述曲线参数包括斜率和截距中的至少一个;
基于各电池单体的状态数据以及荷电状态参数,确定所述电池模块的电阻参数,其中,所述状态数据包括所述电池单体的端子电压和串联电流中的至少一个,所述电阻参数包括平均电阻和电阻离差中的至少一个;
通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;
根据所述荷电状态参数、所述曲线参数、所述电阻参数以及所述差异反馈模型,对所述电池模块进行故障诊断。
2.根据权利要求1所述的方法,其特征在于,所述根据所述荷电状态参数、所述曲线参数、所述电阻参数以及所述差异反馈模型,对所述电池模块进行故障诊断,包括:
获取所述电池模块在健康状态下的参考参数,所述参考参数包括参考电压、参考电阻和参考荷电状态参数中的至少一个;
根据任一电池单体在任一时刻下的电压差、电阻差,以及所述任一时刻的前一时刻的历史荷电状态参数差,获取所述任一时刻的荷电状态参数差;其中,所述电压差是所述任一时刻下的端子电压与所述参考电压之间的差值;所述电阻差是所述任一时刻下的电阻离差与参考电阻离差之间的差值,所述参考电阻离差是所述参考电阻与所述任一时刻下的平均电阻之间的差值;
基于所述任一电池单体的电池容量、所述任一电池单体在所述任一时刻下的所述荷电状态参数差,确定所述任一电池单体在所述任一时刻下的能量损失;
对所述能量损失进行滤波,以获取所述任一电池单体在所述任一时刻下的反馈电流;
基于所述反馈电流,对所述任一电池单体进行故障诊断。
3.根据权利要求2所述的方法,其特征在于,所述基于所述反馈电流,对所述任一电池单体进行故障诊断,包括:
响应于所述反馈电流大于或者等于预设电流阈值,根据所述任一电池单体在所述任一时刻下的端子电压以及所述反馈电流,确定所述任一电池单体的故障等级。
4.根据权利要求1所述的方法,其特征在于,所述基于各电池单体的状态数据以及荷电状态参数,确定所述电池模块的电阻参数,包括:
基于所述各电池单体的状态数据以及所述荷电状态参数,构建目标函数;
响应于所述目标函数的取值为最小值,对所述目标函数进行求解,以获取所述电池模块的电阻参数。
5.根据权利要求1所述的方法,其特征在于,所述对所述荷电状态-电池开路电压曲线线性化,包括:
提取所述荷电状态-电池开路电压曲线上任意两点的坐标,以确定所述任意两点对应的斜率和截距;
对所述荷电状态-电池开路电压曲线进行分段插值拟合,以得到多段子曲线;
通过对所述多段子曲线进行曲线平滑,以及模糊化,获取所述荷电状态-电池开路电压曲线的曲线表达式。
6.根据权利要求5所述的方法,其特征在于,所述对所述荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,包括:
通过优化算法对隶属函数进行优化求解,得到多个预选曲线数据点的参数,其中所述隶属函数用于对所述多段子曲线进行曲线平滑。
7.根据权利要求1所述的方法,其特征在于,所述通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型,包括:
根据选取的电压中值和荷电状态参数平均值,以及电池模块中各电池单体的健康模型和短路模型建立差异反馈模型,其中所述健康模型和所述短路模型基于电池等效电路确定。
8.一种电池故障诊断装置,其特征在于,包括:
曲线获取模块,用于获取电池模块的荷电状态-电池开路电压曲线;
曲线线性化模块,用于对所述荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,所述曲线参数包括斜率和截距中的至少一个;
电阻参数确定模块,用于基于各电池单体的状态数据以及荷电状态参数,确定所述电池模块的电阻参数,其中,所述状态数据包括所述电池单体的端子电压和串联电流中的至少一个,所述电阻参数包括平均电阻和电阻离差中的至少一个;
模型构建模块,用于通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;
故障诊断模块,用于根据所述荷电状态参数、所述曲线参数、所述电阻参数以及所述差异反馈模型,对所述电池模块进行故障诊断。
9.一种电池故障诊断装置,其特征在于,包括存储器,收发机,处理器:
存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并执行以下操作:
获取电池模块的荷电状态-电池开路电压曲线;
对所述荷电状态-电池开路电压曲线线性化,以得到多个预选曲线数据点的曲线参数,所述曲线参数包括斜率和截距中的至少一个;
基于各电池单体的状态数据以及荷电状态参数,确定所述电池模块的电阻参数,其中,所述状态数据包括所述电池单体的端子电压和串联电流中的至少一个,所述电阻参数包括平均电阻和电阻离差中的至少一个;
通过选取参数,以及根据电池等效电路,构建电池模块中各电池单体的差异反馈模型;
根据所述荷电状态参数、所述曲线参数、所述电阻参数以及所述差异反馈模型,对所述电池模块进行故障诊断。
10.一种计算机可读存储介质,其特征在于,当所述存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153670.2A CN116879764A (zh) | 2023-09-08 | 2023-09-08 | 一种电池故障诊断方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311153670.2A CN116879764A (zh) | 2023-09-08 | 2023-09-08 | 一种电池故障诊断方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116879764A true CN116879764A (zh) | 2023-10-13 |
Family
ID=88257272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311153670.2A Withdrawn CN116879764A (zh) | 2023-09-08 | 2023-09-08 | 一种电池故障诊断方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879764A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115575839A (zh) * | 2022-10-17 | 2023-01-06 | 浙江大学 | 一种基于模糊卡尔曼滤波的锂离子电池短路故障诊断方法 |
-
2023
- 2023-09-08 CN CN202311153670.2A patent/CN116879764A/zh not_active Withdrawn
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115575839A (zh) * | 2022-10-17 | 2023-01-06 | 浙江大学 | 一种基于模糊卡尔曼滤波的锂离子电池短路故障诊断方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
CN117452235B (zh) * | 2023-12-22 | 2024-04-19 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | A state-of-charge estimation method of the power lithium-ion battery in complex conditions based on adaptive square root extended Kalman filter | |
CN110988690B (zh) | 电池健康状态修正方法、装置、管理系统以及存储介质 | |
Zhang et al. | State-of-charge estimation of lithium-ion battery pack by using an adaptive extended Kalman filter for electric vehicles | |
KR102435037B1 (ko) | 배터리를 교정하는 방법, 배터리의 건강 상태를 추정하는 방법 및 이러한 방법들을 수행하기 위한 시스템 | |
US8531158B2 (en) | Method and apparatus for assessing battery state of health | |
US8680815B2 (en) | Method and apparatus for assessing battery state of health | |
JP4884404B2 (ja) | 二次電池の内部情報検知方法及び装置 | |
EP2700964B1 (en) | Battery state estimation system, battery control system, battery system, and battery state estimation method | |
CN112415410A (zh) | 估算电池soc的方法和装置、存储介质和车辆 | |
CN103852727B (zh) | 动力电池荷电状态在线估算方法和装置 | |
JP6918433B1 (ja) | 劣化度診断装置 | |
JP5818878B2 (ja) | リチウムイオン電池充電状態の算出方法 | |
CN107167743B (zh) | 基于电动车辆的荷电状态估算方法和装置 | |
CN110596593A (zh) | 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法 | |
CN110187282A (zh) | 电池荷电状态估算方法和估算装置 | |
CN116879764A (zh) | 一种电池故障诊断方法、装置及存储介质 | |
CN112595979B (zh) | 一种考虑非充分激励的锂电池参数在线辨识方法及系统 | |
Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
CN104242393A (zh) | 基于动态soc估算系统的电池管理系统 | |
CN112580284B (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
CN116203490A (zh) | 传感器故障诊断方法、装置、设备及存储介质 | |
CN112858924A (zh) | 动力电池剩余能量估算方法、装置、车辆及存储介质 | |
CN113785209B (zh) | 用于检测异常电池单体的方法 | |
CN114035096A (zh) | 电化学装置soh评估方法、电子设备及电池系统 | |
CN110988701B (zh) | 电池可用能量确定方法、装置、管理系统以及存储介质 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231013 |
|
WW01 | Invention patent application withdrawn after publication |