CN118011253A - 电池短路故障的诊断方法、装置、电子设备及存储介质 - Google Patents

电池短路故障的诊断方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN118011253A
CN118011253A CN202311813113.9A CN202311813113A CN118011253A CN 118011253 A CN118011253 A CN 118011253A CN 202311813113 A CN202311813113 A CN 202311813113A CN 118011253 A CN118011253 A CN 118011253A
Authority
CN
China
Prior art keywords
battery
sampling time
time point
diagnosed
soc
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
CN202311813113.9A
Other languages
English (en)
Inventor
赵海贺
李学达
李雪
张志�
潘垂宇
黄程
陈鹏宇
高胜寒
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202311813113.9A priority Critical patent/CN118011253A/zh
Publication of CN118011253A publication Critical patent/CN118011253A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/385—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供了一种电池短路故障的诊断方法、装置、电子设备及存储介质，分别根据待诊断电池的当前采样时间点、第一采样窗口的窗长以及第二采样窗口的窗长，划分出第一采样时间点和第二采样时间点；通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定待诊断电池在当前采样时间点上的OCV特征参数；通过估计待诊断电池在每个第二采样时间点上的实际SOC值和估计SOC值之间的误差，确定待诊断电池在当前采样时间点上的SOC特征参数；利用OCV特征参数和SOC特征参数，在OCV特征维度和SOC特征维度等两个特征维度上，实现待诊断电池是否处于短路故障状态的诊断，可保证诊断结果的准确性。

Description

电池短路故障的诊断方法、装置、电子设备及存储介质
技术领域
本申请涉及电池诊断技术领域，尤其是涉及一种电池短路故障的诊断方法、装置、电子设备及存储介质。
背景技术
相较于直接引发热失控的剧烈内短路，电池的内部所存在的微短路故障具有较高的隐蔽性，内部微短路所引起的电压、温度等信号变化趋势较小，远低于BMS故障诊断算法设定的故障阈值；此时，若电池内部持续出现微短路故障，则会导致电池的使用寿命进一步劣化，严重时还会导致电池发生热失控，引发火灾或爆炸。
目前，实现电池内部微短路故障的检测，通常需要使用高级的测试和诊断方法，例如X射线、CT扫描或电化学分析等，这些方法不仅成本较高，并且难以应用于对实车进行诊断的场景之中；可见，已有的内短路诊断算法对微短路的敏感性较低，无法实现电池内部短路故障的准确诊断。
发明内容
有鉴于此，本申请的目的在于提供一种电池短路故障的诊断方法、装置、电子设备及存储介质，可以借助于待诊断电池在OCV特征维度上的OCV特征参数和SOC特征维度上的SOC特征参数，实现待诊断电池的短路故障状态的准确检测，以此，可以降低实现待诊断电池的短路故障检测所付出的诊断成本，还能够提高短路故障诊断效率及故障诊断精度。
本申请实施例提供了一种电池短路故障的诊断方法，所述诊断方法包括：
根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点；
通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定所述待诊断电池在当前采样时间点上的OCV特征参数；
利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值；
根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点；
通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定所述待诊断电池在当前采样时间点上的SOC特征参数；
基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态。
在一种可能的实施方式中，通过以下步骤确定所述待诊断电池在第一采样时间点上的开路电压：
基于所述待诊断电池在第一采样时间点上的实时电池参数，结合一阶等效电路模型和遗忘因子最小二乘算法，确定在所述第一采样时间点上所述待诊断电池的基本性能参数；所述基本性能参数包括开路电压。
在一种可能的实施方式中，通过以下步骤得到所述迭代更新后的卡尔曼滤波模型：
利用所述基本性能参数，迭代更新所述卡尔曼滤波模型所涉及的初始模型参数，得到迭代更新后的卡尔曼滤波模型。
在一种可能的实施方式中，所述根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点，包括：
将所述当前采样时间点作为末位的第一采样时间点，结合所述第一采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第一采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
在一种可能的实施方式中，所述利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值，包括：
将所述待诊断电池在当前采样时间点上的实时电池参数代入所述安时积分算法，确定所述待诊断电池在所述当前采样时间点上的实际SOC值；
将所述待诊断电池在当前采样时间点上的实时电池参数输入所述迭代更新后的卡尔曼滤波模型，通过所述迭代更新后的卡尔曼滤波模型，迭代估计所述待诊断电池在所述当前采样时间点上的预测SOC值；
利用卡尔曼增益矩阵，通过修正所述预测SOC值，以确定所述待诊断电池在所述当前采样时间点上的估计SOC值。
在一种可能的实施方式中，所述根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点，包括：
将所述当前采样时间点作为末位的第二采样时间点，结合所述第二采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第二采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
在一种可能的实施方式中，所述故障决策函数包括OCV决策函数和SOC决策函数；所述基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态，包括：
利用所述OCV决策函数，通过对所述OCV特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的OCV决策值；
利用所述SOC决策函数，通过对所述SOC特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的SOC决策值；
基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态。
在一种可能的实施方式中，所述基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态，包括：
当所述OCV决策值和所述SOC决策值均超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于短路故障状态；
当所述OCV决策值超过预设临界决策值或所述SOC决策值超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于异常故障状态；
当所述OCV决策值和所述SOC决策值均未超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于正常工作状态。
在一种可能的实施方式中，当所述待诊断电池在当前采样时间点上处于短路故障状态时，所述诊断方法还包括：
以所述当前采样时间点为起始的监测采样时间点，对所述待诊断电池在各个监测采样时间点上的SOC差值的增长幅度进行监测；所述SOC差值为所述实际SOC值与所述估计SOC值的差值；
当所述SOC差值的增长幅度超过预设幅度阈值时，基于所述待诊断电池在每个监测采样时间点上的实时电池参数和SOC差值，确定所述待诊断电池的等效内短电阻值；
通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度。
在一种可能的实施方式中，所述短路边界阈值包括软短路阈值和硬短路阈值；所述通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度，包括：
当所述等效内短电阻值位于所述硬短路阈值和所述软短路阈值之间时，确定所述待诊断电池的短路程度为软短路程度；
当所述等效内短电阻值小于所述硬短路阈值时，确定所述待诊断电池的短路程度为硬短路程度。
本申请实施例还提供了一种电池短路故障的诊断装置，所述诊断装置包括：
第一采样点选取模块，用于根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点；
OCV参数提取模块，用于通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定所述待诊断电池在当前采样时间点上的OCV特征参数；
SOC值估计模块，用于利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值；
第二采样点选取模块，用于根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点；
SOC参数提取模块，用于通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定所述待诊断电池在当前采样时间点上的SOC特征参数；
故障诊断模块，用于基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态。
在一种可能的实施方式中，所述诊断装置还包括电压计算模块，所述电压计算模块用于通过以下步骤确定所述待诊断电池在第一采样时间点上的开路电压：
基于所述待诊断电池在第一采样时间点上的实时电池参数，结合一阶等效电路模型和遗忘因子最小二乘算法，确定在所述第一采样时间点上所述待诊断电池的基本性能参数；所述基本性能参数包括开路电压。
在一种可能的实施方式中，所述诊断装置还包括参数更新模块，所述参数更新模块用于通过以下步骤得到所述迭代更新后的卡尔曼滤波模型：
利用所述基本性能参数，迭代更新所述卡尔曼滤波模型所涉及的初始模型参数，得到迭代更新后的卡尔曼滤波模型。
在一种可能的实施方式中，所述第一采样点选取模块在用于根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点时，所述第一采样点选取模块用于：
将所述当前采样时间点作为末位的第一采样时间点，结合所述第一采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第一采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
在一种可能的实施方式中，所述SOC值估计模块在用于利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值时，所述SOC值估计模块用于：
将所述待诊断电池在当前采样时间点上的实时电池参数代入所述安时积分算法，确定所述待诊断电池在所述当前采样时间点上的实际SOC值；
将所述待诊断电池在当前采样时间点上的实时电池参数输入所述迭代更新后的卡尔曼滤波模型，通过所述迭代更新后的卡尔曼滤波模型，迭代估计所述待诊断电池在所述当前采样时间点上的预测SOC值；
利用卡尔曼增益矩阵，通过修正所述预测SOC值，以确定所述待诊断电池在所述当前采样时间点上的估计SOC值。
在一种可能的实施方式中，所述第二采样点选取模块在用于根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点时，所述第二采样点选取模块用于：
将所述当前采样时间点作为末位的第二采样时间点，结合所述第二采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第二采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
在一种可能的实施方式中，所述故障决策函数包括OCV决策函数和SOC决策函数；所述故障诊断模块在用于基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态时，所述故障诊断模块用于：
利用所述OCV决策函数，通过对所述OCV特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的OCV决策值；
利用所述SOC决策函数，通过对所述SOC特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的SOC决策值；
基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态。
在一种可能的实施方式中，所述故障诊断模块在用于基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态时，所述故障诊断模块在用于：
当所述OCV决策值和所述SOC决策值均超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于短路故障状态；
当所述OCV决策值超过预设临界决策值或所述SOC决策值超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于异常故障状态；
当所述OCV决策值和所述SOC决策值均未超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于正常工作状态。
在一种可能的实施方式中，当所述待诊断电池在当前采样时间点上处于短路故障状态时，所述诊断装置还包括故障程度评估模块，所述故障程度评估模块用于：
以所述当前采样时间点为起始的监测采样时间点，对所述待诊断电池在各个监测采样时间点上的SOC差值的增长幅度进行监测；所述SOC差值为所述实际SOC值与所述估计SOC值的差值；
当所述SOC差值的增长幅度超过预设幅度阈值时，基于所述待诊断电池在每个监测采样时间点上的实时电池参数和SOC差值，确定所述待诊断电池的等效内短电阻值；
通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度。
在一种可能的实施方式中，所述短路边界阈值包括软短路阈值和硬短路阈值；所述故障程度评估模块在用于通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度时，所述故障程度评估模块用于：
当所述等效内短电阻值位于所述硬短路阈值和所述软短路阈值之间时，确定所述待诊断电池的短路程度为软短路程度；
当所述等效内短电阻值小于所述硬短路阈值时，确定所述待诊断电池的短路程度为硬短路程度。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的电池短路故障的诊断方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的电池短路故障的诊断方法的步骤。
本申请实施例提供的电池短路故障的诊断方法、装置、电子设备及存储介质，根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以当前采样时间点为截止采样点的多个第一采样时间点；通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定待诊断电池在当前采样时间点上的OCV特征参数；利用待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定待诊断电池在当前采样时间点上的实际SOC值和估计SOC值；根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以当前采样时间点为截止采样点的多个第二采样时间点；通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定待诊断电池在当前采样时间点上的SOC特征参数；基于OCV特征参数和SOC特征参数，利用预先训练的故障决策函数，确定待诊断电池在当前采样时间点上是否处于短路故障状态。这样，便可以借助于待诊断电池在OCV特征维度上的OCV特征参数和SOC特征维度上的SOC特征参数，实现待诊断电池的短路故障状态的准确检测，以此，可以降低实现待诊断电池的短路故障检测所付出的诊断成本，还能够提高短路故障诊断效率及故障诊断精度。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种电池短路故障的诊断方法的流程图；
图2本申请实施例所提供的一种决策结果示意图；
图3为本申请实施例所提供的等效电路模型示意图；
图4为本申请实施例所提供的一种短路故障状态诊断过程示意图；
图5为本申请实施例所提供的一种电池短路故障的诊断装置的结构示意图；
图6为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例，都属于本申请保护的范围。
经研究发现，目前，实现电池内部微短路故障的检测，通常需要使用高级的测试和诊断方法，例如X射线、CT扫描或电化学分析等，这些方法不仅成本较高，并且难以应用于对实车进行诊断的场景之中；可见，已有的内短路诊断算法对微短路的敏感性较低，无法实现电池内部短路故障的准确诊断。
基于此，本申请实施例提供了一种电池短路故障的诊断方法，可以借助于待诊断电池在OCV特征维度上的OCV特征参数和SOC特征维度上的SOC特征参数，实现待诊断电池的短路故障状态的准确检测，以此，可以降低实现待诊断电池的短路故障检测所付出的检测成本，还能够提高短路故障诊断效率及故障诊断精度。
请参阅图1，图1为本申请实施例所提供的一种电池短路故障的诊断方法的流程图。如图1中所示，本申请实施例提供的电池短路故障的诊断方法，包括：
S101、根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点。
S102、通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定所述待诊断电池在当前采样时间点上的OCV特征参数。
S103、利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值。
S104、根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点。
S105、通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定所述待诊断电池在当前采样时间点上的SOC特征参数。
S106、基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态。
本申请实施例所提供的一种电池短路故障的诊断方法，在具有待诊断电池的短路故障诊断需求时，为了能够保证短路故障诊断效率，减少短路故障诊断过程中所涉及的数据计算量，分别根据待诊断电池的当前采样时间点、第一采样窗口的窗长以及第二采样窗口的窗长，划分出适用于确定当前采样时间点的特征参数的第一采样时间点和第二采样时间点；通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定待诊断电池在当前采样时间点上的OCV特征参数；以及，通过估计待诊断电池在每个第二采样时间点上的实际SOC值和估计SOC值之间的误差，确定待诊断电池在当前采样时间点上的SOC特征参数；以此，避免采用全部采样时间点上的实时电池参数，对待诊断电池在当前采样时间点上的特征参数进行估计，导致数据计算量过大的问题；并且，能够在OCV特征维度和SOC特征维度等两个特征维度上，实现待诊断电池是否处于短路故障状态的诊断，可保证诊断结果的准确性。
这里，在待诊断电池的使用过程中，按照预设的采样时间间隔，在每个历史采样时间点上采集待诊断电池的实时电池数据，以用于对待诊断电池的短路故障状态进行估计。
考虑到采样时间位于当前采样时间点之前的历史采样时间点的数量较多，若利用在每个历史采样时间点上采集到的实时电池参数，实现待诊断电池的OCV特征参数的估计，会使得参数估计过程所涉及的数据计算量过大；并且，进一步的考虑到过于庞大的数据计算量并不会提高OCV特征参数的估计精度，因此，为了保证故障诊断过程的计算效率与灵活性，在进行OCV特征参数估计之前，需结合于当前采样时间点，选取出合适数量的第一采样时间点，以利用第一采样时间点上所采样到的实时电池参数，实现待诊断电池的OCV特征参数的高精度、高效率的估计。
在步骤S101中，根据待诊断电池的当前采样时间点和预先设置的第一采样窗口的窗长，从已完成实时电池参数采样的历史采样时间点中划分出以当前采样时间点为截止采样点的多个第一采样时间点。
其中，第一采样窗口的窗长为L1。
在一种实施方式中，步骤S101包括：将所述当前采样时间点作为末位的第一采样时间点，结合所述第一采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第一采样时间点。
该步骤中，以当前采样时间点作为最后一个第一采样时间点；即，将当前采样时间点作为多个第一采样时间点中末位的第一采样时间点；结合于预设的第一采样窗口的窗长L1，从采样时间位于当前采样时间点之前的至少一个历史采样时间点中，划分出可用于计算当前采样时间点的OCV特征参数的至少一个第一采样时间点。
其中，所述历史采样时间点为按照预设的采样时间间隔采样得到的。
这里，在OCV特征维度上实现待诊断电池在当前采样时间点上的OCV特征参数的提取方面，可利用待诊断电池在每个第一采样时间点上的开路电压，估计得到待诊断电池在当前采样时间点上的OCV特征参数。
在步骤S102中，针对于划分出的多个第一采样时间点，通过估计待诊断电池在每个第一采样时间点上的开路电压Uoc(即，开路电压辨识值OCVFFRLS)与标定电压值OCVREF(即，离线标定电压)之间的误差，确定待诊断电池在当前采样时间点上的OCV特征参数。
其中，OCV特征参数包括OCV均方根误差(RMSEOCV)和OCV最大绝对误差(MAXAEOCV)。
在一种实施方式中，通过以下步骤确定所述待诊断电池在第一采样时间点上的开路电压：
基于所述待诊断电池在第一采样时间点上的实时电池参数，结合一阶等效电路模型和遗忘因子最小二乘算法，确定在所述第一采样时间点上所述待诊断电池的基本性能参数；所述基本性能参数包括开路电压。
该步骤中，针对于每个第一采样时间点，可利用待诊断电池在该第一采样时间点上的实时电池参数，实现该第一采样时间点的开路电压的计算；具体的，针对于每个第一采样时间点，利用获取到的、待诊断电池在该第一采样时间点上的实时电池参数，结合一阶等效电路模型和遗忘因子最小二乘算法(FFRLS算法)，在线辨识得到待诊断电池在该第一采样时间点上所产生基本性能参数。
其中，所述实时电池参数可以包括待诊断电池在该第一采样时间点上的实时电流参数和实时电压参数；所述基本性能参数可以包括开路电压Uoc、欧姆内阻R0、极化内阻R1以及极化电压C1。
这里，遗忘因子最小二乘算法(FFRLS算法)是以迭代的方式，实现基本性能参数的在线辨识，遗忘因子最小二乘算法(FFRLS算法)中预先定义有数据变量Ψk＝[1Ut,k-1It,kIt,k-1]和参数变量θk＝[(1-a1)Uoc a1 a2 a3]，可借助于数据变量和参数变量，通过迭代的方式实现基本性能参数的求解。
并且，遗忘因子最小二乘算法(FFRLS算法)中引入了遗忘因子μ，可通过遗忘因子μ平衡迭代过程中所涉及的各个历史采样时间点上所采集到的实时电池参数的权重，以使遗忘因子最小二乘算法(FFRLS算法)能够更加适用于对待诊断电池的基本性能参数的在线辨识。
在完成待诊断电池的OCV特征参数的估计后，进一步的在SOC特征维度上，实现待诊断电池的SOC特征参数的估计；这里，由于，待诊断电池(锂电池)在发生内部短路后，端电压曲线整体向下偏移，并且在相同工况下发生内部短路的电池相较于正常电池会更早地到达下截止电压，放电能力显著下降；因此，可采用安时积分算法实现待诊断电池的SOC值的估计。
但是，考虑到安时积分算法在计算SOC值的过程中未考虑待诊断电池的内短电流，会导致计算得到的实际SOC值(SOCAh)随着误差的累积逐渐偏离真实值；因此，为了避免较大的误差对后续故障诊断造成干扰，进一步地利用卡尔曼滤波模型，对待诊断电池的SOC值进行预测；以利用预测得到的估计SOC值和计算得到的实际SOC值，实现待诊断电池SOC特征参数的准确估计。
在步骤S103中，利用获取到的、待诊断电池在当前采样时间点上的实时电池参数(包括实时电流参数和实时电压参数)，通过安时积分算法确定出待诊断电池在当前采样时间点上所产生实际SOC值；以及，利用迭代更新后的卡尔曼滤波模型，预测得到待诊断电池在当前采样时间点上的估计SOC值。
这里，卡尔曼滤波模型是以迭代的方式实现待诊断电池的SOC值的预测，因此，在对待诊断电池在当前采样时间点上的SOC值进行预测时，需预先对卡尔曼滤波模型的模型参数进行更新，以使卡尔曼滤波模型更加适用于对待诊断电池在当前采样时间点上的SOC值进行预测。
在一种实施方式中，通过以下步骤得到所述迭代更新后的卡尔曼滤波模型：
利用所述基本性能参数，迭代更新所述卡尔曼滤波模型所涉及的初始模型参数，得到迭代更新后的卡尔曼滤波模型。
该步骤中，利用结合一阶等效电路模型和遗忘因子最小二乘算法，所确定出待诊断电池在当前采样时间点上的基本性能参数，迭代更新卡尔曼滤波模型中所涉及的初始模型参数，得到迭代更新后的卡尔曼滤波模型；以借助于迭代更新后的卡尔曼滤波模型，实现待诊断电池在当前采样时间点上所产生的SOC值的准确预测。
其中，基本性能参数可以包括开路电压Uoc、欧姆内阻R0、极化内阻R1以及极化电压C1。
在一种实施方式中，步骤S103包括：
S1031、将所述待诊断电池在当前采样时间点上的实时电池参数代入所述安时积分算法，确定所述待诊断电池在所述当前采样时间点上的实际SOC值(SOCAh,k)。
该步骤中，通过以下公式计算得到待诊断电池在所述当前采样时间点上的实际SOC值(SOCAh,k)：
其中，SOCAh,k为待诊断电池在所述当前采样时间点上的实际SOC值，SOCAh,0为待诊断电池的初始SOC值，ηi为库伦效率，Δt为采样时间间隔，Cn为待诊断电池的标称容量，It,k为待诊断电池的实时电流参数(放电电流为正)。
S1032、将所述待诊断电池在当前采样时间点上的实时电池参数输入所述迭代更新后的卡尔曼滤波模型，通过所述迭代更新后的卡尔曼滤波模型，迭代估计所述待诊断电池在所述当前采样时间点上的预测SOC值。
该步骤中，将获取到的、待诊断电池在当前采样时间点上的实时电池参数输入至迭代更新后的卡尔曼滤波模型，以通过迭代更新后的卡尔曼滤波模型，对待诊断电池在当前采样时间点上的预测SOC值进行准确地迭代预估。
S1033、利用卡尔曼增益矩阵，通过修正所述预测SOC值，以确定所述待诊断电池在所述当前采样时间点上的估计SOC值。
该步骤中，为了保证通过卡尔曼滤波模型所得到的SOC值更接近于真实值，在通过迭代更新后的卡尔曼滤波模型预测得到预测SOC值之后，利用卡尔曼增益矩阵，通过修正预测得到的预测SOC值，以使得到的估计SOC值(SOCUKF)收敛于真实值，进而，确定出待诊断电池在当前采样时间点上的估计SOC值(SOCUKF)；即，估计SOC值相较于预测SOC值，更接近于待诊断电池所产生的、真实的SOC值。
这里，同样考虑到采样时间位于当前采样时间点之前的历史采样时间点的数量较多，若利用在每个历史采样时间点上采集到的实时电池参数，实现待诊断电池的SOC特征参数的估计，会使得参数估计过程所涉及的数据计算量过大；并且，进一步的考虑到过于庞大的数据计算量并不会提供SOC特征参数的估计精度，因此，为了保证故障诊断过程的计算效率与灵活性，在进行SOC特征参数估计之前，需结合于当前采样时间点，选取出合适数量的第二采样时间点，以利用第二采样时间点上所采样到的实时电池参数，实现待诊断电池的SOC特征参数的高精度、高效率的估计。
在步骤S104中，根据待诊断电池的当前采样时间点和预先设置的第二采样窗口的窗长，从已完成实时电池参数采样的历史采样时间点中划分出以当前采样时间点为截止采样点的多个第二采样时间点。
其中，第二采样窗口的窗长为L2。
在一种实施方式中，步骤S104包括：将所述当前采样时间点作为末位的第二采样时间点，结合所述第二采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第二采样时间点。
该步骤中，以当前采样时间点作为最后一个第二采样时间点；即，将当前采样时间点作为多个第二采样时间点中末位的第一采样时间点；结合于预设的第二采样窗口的窗长L2，从采样时间位于当前采样时间点之前的至少一个历史采样时间点中，划分出可用于计算当前采样时间点的SOC特征参数的至少一个第二采样时间点。
其中，所述历史采样时间点为按照预设的采样时间间隔采样得到的。
这里，在SOC特征维度上实现待诊断电池在当前采样时间点上的SOC特征参数的提取方面，可利用待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值，估计得到待诊断电池在当前采样时间点上的SOC特征参数。
在步骤S105中，针对于划分出的多个第二采样时间点，通过估计待诊断电池在每个第二采样时间点上的实际SOC值(SOCAh)与估计SOC值(SOCUKF)之间的误差，确定待诊断电池在当前采样时间点上的SOC特征参数。
其中，SOC特征参数包括SOC均方根误差(RMSESOC)和SOC最大绝对误差(MAXAESOC)。
这里，在确定出待诊断电池在OVC特征维度和SOC特征维度等两个特征维度上的特征参数后，通过故障决策函数综合上述两个特征维度上的特征参数，以实现待诊断电池短路故障状态的准确预估。
在步骤S106中，利用预先训练好的故障决策函数，对OCV特征参数和SOC特征参数进行分类处理，以根据两个特征数据的分类结果，确定待诊断电池在当前采样时间点上是否处于短路故障状态。
其中，故障决策函数可以为SVM模型，SVM模型是基于处于正常工作状态和短路故障状态下的样本电池的样本电池参数训练得到的，将样本数据集中所包括两种不同状态下的样本电池参数，分别进行SOC特征参数和OCV特征参数的提取，并结合留出法将样本数据集中的样本电池参数划分为训练数据集和验证数据集，以利用训练数据集中的样本电池参数实现故障决策模型(即SVM模型)的训练；并利用验证数据集中的样本电池参数实现故障决策模型(即SVM模型)的训练效果的验证。
这里，线性SVM确定的最优超平面即为诊断算法的决策边界，故障决策函数如下：
(ω·x)+b＝0,x＝[RMSE,MaxAE]T；
请参阅图2，图2为本申请实施例所提供的一种决策结果示意图。如图2所示，将均方根误差RMSE(包括SOC均方根误差RMSESOC或OCV均方根误差RMSEOCV)和最大绝对误差MAXAE(包括SOC最大绝对误差MAXAESOC或OCV最大绝对误差MAXAEOCV)作为故障决策模型的输入，即分别从平均误差和极值误差两个维度评价待诊断电池的短路故障状态，以结合于故障决策函数所构建的决策边界，实现对待诊断电池的特征参数所构成的离散点进行二分类，以确定待诊断电池的短路故障状态。
这里，分别针对于OCV特征参数和SOC特征参数设置了OCV决策函数和SOC决策函数；以利用OCV决策函数在OCV特征维度上实现待诊断电池的短路故障的诊断；以及，利用SOC决策函数在SOC特征维度上实现待诊断电池的短路故障的诊断。
在一种实施方式中，所述故障决策函数包括OCV决策函数和SOC决策函数；步骤S106包括：
S1061、利用所述OCV决策函数，通过对所述OCV特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的OCV决策值。
该步骤中，利用预先训练好的OCV决策函数，对OCV特征参数进行归类处理，确定待诊断电池在当前采样时间点上的OCV决策值，以在OCV维度上实现待诊断电池的故障。
具体的，OCV决策函数为：
f(RMSEOCV,MaxAEoCV)＝ω1×RMSEOCV+ω2×MaxAEOCV+b；
其中，ω和b可通过下式优化求解：
subject to:yi[(ω·xi)+b]≥1；
S1062、利用所述SOC决策函数，通过对所述SOC特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的SOC决策值。
该步骤中，利用预先训练好的SOC决策函数，对SOC特征参数进行归类处理，确定待诊断电池在当前采样时间点上的SOC决策值，以在SOC维度上实现待诊断电池的故障。
具体的，SOC决策函数为：
f(RMSESOC,MaxAESOC)＝ω1×RMSESOC+ω2×MaxAESOC+b；
其中，ω和b可通过下式优化求解：
subject to:yi[(ω·xi)+b]≥1；
S1063、基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态。
该步骤中，当决策值(即，OCV决策值或SOC决策值)大于等于0时，表示待诊断电池在当前特征维度下(SOC特征维度或OCV特征维度)处于短路故障状态；当决策值(即，OCV决策值或SOC决策值)小于0时，表示待诊断电池在当前特征维度下(SOC特征维度或OCV特征维度)处于正常状态；进而，可以根据OCV决策值和SOC决策值，确定待诊断电池在当前采样时间点上是否存在短路故障状态。
在一种实施方式中，步骤S1063包括：
S10631、当所述OCV决策值和所述SOC决策值均超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于短路故障状态。
该步骤中，当待诊断电池的OCV决策值和SOC决策值均超过预设临界决策值时，说明无论是在OCV特征维度上和SOC特征维度上均处于短路故障状态，此时，可认为在当前采样时间点上，待诊断电池处于短路故障状态。
S10632、当所述OCV决策值超过预设临界决策值或所述SOC决策值超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于异常故障状态。
该步骤中，当待诊断电池的OCV决策值超过预设临界决策值，或SOC决策值超过预设临界决策值时，说明待诊断电池仅是在OCV特征维度上或SOC特征维度上处于短路故障状态，此时，可认为在当前采样时间点上，待诊断电池处于异常故障状态。
S10633、当所述OCV决策值和所述SOC决策值均未超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于正常工作状态。
在完成对待诊断电池的短路故障状态的诊断的情况下，可为待诊断电池分配表征电池故障状态的故障位Φ；其中，Φ取值包括0、1、2三种情况，0表示待诊断电池处于正常工作状态；1表示待诊断电池在SOC特征维度或OCV特征维度上出现异常表征，即，待诊断电池处于异常故障状态；2表示电池在SOC特征维度和OCV特征维度等两个特征维度均表现出故障特征，即，待诊断电池处于短路故障状态。
具体的，短路故障状态诊断策略为：
if f(RMSESOC,i,MAXAESOC,i)<0&f(RMSEOCV,i,MAXAEOCV,i)<0:
Φ＝0
elif f(RMSESOC,i,MAXAESOC,i)>0&f(RMSEOCV,i,MAXAEOCV,i)>0:
Φ＝2
else:
Φ＝1
end
这里，对于待诊断电池来说，短路故障状态存在两种短路程度，一种是，软短路程度；另一种是，硬短路程度；因此，在确定待诊断电池处于短路故障状态时，还可以根据待诊断电池的等效内短电阻值，进一步地对待诊断电池的短路程度进行诊断。
在一种实施方式中，当所述待诊断电池在当前采样时间点上处于短路故障状态时，所述诊断方法还包括：
步骤a、以所述当前采样时间点为起始的监测采样时间点，对所述待诊断电池在各个监测采样时间点上的SOC差值的增长幅度进行监测。
该步骤中，当待诊断电池在当前采样时间点上处于短路故障状态时，以当前采样时间点作为起始监测点，对采样时间点位于当前采样时间点之后的采样时间点作为监测采样时间点；获取在每个监测采样时间点上待诊断电池的SOC差值(ΔSOC)，并对SOC差值(ΔSOC)的增长幅度进行监测。
其中，所述SOC差值为所述实际SOC值与所述估计SOC值的差值。
步骤b、当所述SOC差值的增长幅度超过预设幅度阈值时，基于所述待诊断电池在每个监测采样时间点上的实时电池参数和SOC差值，确定所述待诊断电池的等效内短电阻值。
该步骤中，当待诊断电池所产生的SOC差值(ΔSOC)，在任意监测采样时间点上的增长幅度超过预设幅度阈值时(例如，ΔSOC大于2％)，结束对待诊断电池的监测，以任意监测采样时间点为终止的监测采样时间点；并基于待诊断电池在每个监测采样时间点(从起始的监测采样时间点至终止的监测采样时间点)上的实时电池参数和SOC差值，确定待诊断电池在各个监测采样时间点(从起始的监测采样时间点至终止的监测采样时间点)所构成的监测时间段内的等效内短电阻值Risc。
具体的，通过以下公式计算待诊断电池的等效内短电阻值Risc：
其中，Ut,mean为监测时间段内待诊断电池在各个监测采样时间点上的实时电压参数的平均值，Cn为电池的标称容量，Δt为监测时间段内的时间间隔。
这里，待诊断电池的等效内短电阻值Risc越小，说明待诊断电池的内部短路故障越严重；相反的，当待诊断电池处于正常工作状态时，等效内短电阻值Risc则趋近于无穷大；因此，可借助于等效内短电阻值Risc的大小，实现待诊断电池的短路程度的判定。
步骤c、通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度。
该步骤中，以硬短路阈值Rhard和软短路阈值Rsoft作为区分硬短路程度和软短路行驶的边界；通过将待诊断电池在监测时间段内的等效内短电阻值Risc与预设的短路边界阈值，确定处于短路故障状态的待诊断电池的具体的短路程度。
在一种实施方式中，所述短路边界阈值包括软短路阈值和硬短路阈值；步骤c包括：
c1、当所述等效内短电阻值Risc位于硬短路阈值和所述软短路阈值之间时，确定所述待诊断电池的短路程度为软短路程度。
该步骤中，当等效内短电阻值位于硬短路阈值Rhard和软短路阈值Rsoft之间(即，Rhard<Risc<Rsoft)时，确定待诊断电池的短路程度为软短路程度。
c2、当所述等效内短电阻值小于所述硬短路阈值时，确定所述待诊断电池的短路程度为硬短路程度。
该步骤中，当等效内短电阻值Risc小于硬短路阈值Rhard(即，Risc<Rhard)时，确定待诊断电池的短路程度为硬短路程度。
这里，在待诊断电池的处于正常工作状态时，等效内短电阻值Risc大于软短路阈值Rsoft(即，Risc>Rsoft)。
请参阅图3，图3为本申请实施例所提供的等效电路模型示意图。如图3所示，等效电路模型3a中包括欧姆内阻R0、极化内阻R1、极化电压C1、开路电压Uoc以及等效内短电阻值Risc。
请参阅图4，图4为本申请实施例所提供的一种短路故障状态诊断过程示意图。如图4所示，将获取到的实时电池参数输入至故障特征提取模块；在故障特征提取模块中，分别实现待诊断电池的OCV故障特征提取(即，OCV特征参数提取)和SOC故障特征提取(即，SOC特征参数提取)，得到待诊断电池的RMSESOC、MAXAESOC、RMSEOCV、MAXAEOCV、SOCAh以及SOCUKF；将RMSESOC、MAXAESOC、RMSEOCV以及MAXAEOCV输入故障诊断模块；在故障诊断模块中通过故障决策函数，实现故障决策边界的构建，并结合于短路故障状态诊断策略，确定出待诊断电池的故障位Φ(即，确定待诊断电池是否处于短路故障状态)；并在故障程度评估模块中，实现待诊断电池的等效内短电阻值的计算，完成待诊断电池的故障程度的评估，以确定出待诊断电池的诊断结果。
本申请实施例提供的电池短路故障的诊断方法，根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以当前采样时间点为截止采样点的多个第一采样时间点；通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定待诊断电池在当前采样时间点上的OCV特征参数；利用待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定待诊断电池在当前采样时间点上的实际SOC值和估计SOC值；根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以当前采样时间点为截止采样点的多个第二采样时间点；通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定待诊断电池在当前采样时间点上的SOC特征参数；基于OCV特征参数和SOC特征参数，利用预先训练的故障决策函数，确定待诊断电池在当前采样时间点上是否处于短路故障状态。这样，便可以借助于待诊断电池在OCV特征维度上的OCV特征参数和SOC特征维度上的SOC特征参数，实现待诊断电池的短路故障状态的准确检测，以此，可以降低实现待诊断电池的短路故障检测所付出的诊断成本，还能够提高短路故障诊断效率及故障诊断精度。
请参阅图5，图5为本申请实施例所提供的一种电池短路故障的诊断装置的结构示意图。如图5中所示，所述诊断装置500包括：
第一采样点选取模块510，用于根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点；
OCV参数提取模块520，用于通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定所述待诊断电池在当前采样时间点上的OCV特征参数；
SOC值估计模块530，用于利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值；
第二采样点选取模块540，用于根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点；
SOC参数提取模块550，用于通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定所述待诊断电池在当前采样时间点上的SOC特征参数；
故障诊断模块560，用于基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态。
进一步的，所述诊断装置500还包括电压计算模块(图中未示出)，所述电压计算模块用于通过以下步骤确定所述待诊断电池在第一采样时间点上的开路电压：
基于所述待诊断电池在第一采样时间点上的实时电池参数，结合一阶等效电路模型和遗忘因子最小二乘算法，确定在所述第一采样时间点上所述待诊断电池的基本性能参数；所述基本性能参数包括开路电压。
进一步的，所述诊断装置500还包括参数更新模块(图中未示出)，所述参数更新模块用于通过以下步骤得到所述迭代更新后的卡尔曼滤波模型：
利用所述基本性能参数，迭代更新所述卡尔曼滤波模型所涉及的初始模型参数，得到迭代更新后的卡尔曼滤波模型。
进一步的，所述第一采样点选取模块510在用于根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点时，所述第一采样点选取模块510用于：
将所述当前采样时间点作为末位的第一采样时间点，结合所述第一采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第一采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
进一步的，所述SOC值估计模块530在用于利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值时，所述SOC值估计模块530用于：
将所述待诊断电池在当前采样时间点上的实时电池参数代入所述安时积分算法，确定所述待诊断电池在所述当前采样时间点上的实际SOC值；
将所述待诊断电池在当前采样时间点上的实时电池参数输入所述迭代更新后的卡尔曼滤波模型，通过所述迭代更新后的卡尔曼滤波模型，迭代估计所述待诊断电池在所述当前采样时间点上的预测SOC值；
利用卡尔曼增益矩阵，通过修正所述预测SOC值，以确定所述待诊断电池在所述当前采样时间点上的估计SOC值。
进一步的，所述第二采样点选取模块540在用于根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点时，所述第二采样点选取模块540用于：
将所述当前采样时间点作为末位的第二采样时间点，结合所述第二采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第二采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
进一步的，所述故障决策函数包括OCV决策函数和SOC决策函数；所述故障诊断模块560在用于基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态时，所述故障诊断模块560用于：
利用所述OCV决策函数，通过对所述OCV特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的OCV决策值；
利用所述SOC决策函数，通过对所述SOC特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的SOC决策值；
基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态。
进一步的，所述故障诊断模块560在用于基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态时，所述故障诊断模块560在用于：
当所述OCV决策值和所述SOC决策值均超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于短路故障状态；
当所述OCV决策值超过预设临界决策值或所述SOC决策值超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于异常故障状态；
当所述OCV决策值和所述SOC决策值均未超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于正常工作状态。
进一步的，当所述待诊断电池在当前采样时间点上处于短路故障状态时，所述诊断装置500还包括故障程度评估模块(图中未示出)，所述故障程度评估模块用于：
以所述当前采样时间点为起始的监测采样时间点，对所述待诊断电池在各个监测采样时间点上的SOC差值的增长幅度进行监测；所述SOC差值为所述实际SOC值与所述估计SOC值的差值；
当所述SOC差值的增长幅度超过预设幅度阈值时，基于所述待诊断电池在每个监测采样时间点上的实时电池参数和SOC差值，确定所述待诊断电池的等效内短电阻值；
通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度。
进一步的，所述短路边界阈值包括软短路阈值和硬短路阈值；所述故障程度评估模块在用于通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度时，所述故障程度评估模块用于：
当所述等效内短电阻值位于所述硬短路阈值和所述软短路阈值之间时，确定所述待诊断电池的短路程度为软短路程度；
当所述等效内短电阻值小于所述硬短路阈值时，确定所述待诊断电池的短路程度为硬短路程度。
本申请实施例提供的电池短路故障的诊断装置，根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以当前采样时间点为截止采样点的多个第一采样时间点；通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定待诊断电池在当前采样时间点上的OCV特征参数；利用待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定待诊断电池在当前采样时间点上的实际SOC值和估计SOC值；根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以当前采样时间点为截止采样点的多个第二采样时间点；通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定待诊断电池在当前采样时间点上的SOC特征参数；基于OCV特征参数和SOC特征参数，利用预先训练的故障决策函数，确定待诊断电池在当前采样时间点上是否处于短路故障状态。这样，便可以借助于待诊断电池在OCV特征维度上的OCV特征参数和SOC特征维度上的SOC特征参数，实现待诊断电池的短路故障状态的准确检测，以此，可以降低实现待诊断电池的短路故障检测所付出的诊断成本，还能够提高短路故障诊断效率及故障诊断精度。
请参阅图6，图6为本申请实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1所示方法实施例中的电池短路故障的诊断方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的电池短路故障的诊断方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，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单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (13)

1.一种电池短路故障的诊断方法，其特征在于，所述诊断方法包括：
根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点；
通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定所述待诊断电池在当前采样时间点上的OCV特征参数；
利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值；
根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点；
通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定所述待诊断电池在当前采样时间点上的SOC特征参数；
基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态。
2.根据权利要求1所述的诊断方法，其特征在于，通过以下步骤确定所述待诊断电池在第一采样时间点上的开路电压：
基于所述待诊断电池在第一采样时间点上的实时电池参数，结合一阶等效电路模型和遗忘因子最小二乘算法，确定在所述第一采样时间点上所述待诊断电池的基本性能参数；所述基本性能参数包括开路电压。
3.根据权利要求2所述的诊断方法，其特征在于，通过以下步骤得到所述迭代更新后的卡尔曼滤波模型：
利用所述基本性能参数，迭代更新所述卡尔曼滤波模型所涉及的初始模型参数，得到迭代更新后的卡尔曼滤波模型。
4.根据权利要求1所述的诊断方法，其特征在于，所述根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点，包括：
将所述当前采样时间点作为末位的第一采样时间点，结合所述第一采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第一采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
5.根据权利要求1所述的诊断方法，其特征在于，所述利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值，包括：
将所述待诊断电池在当前采样时间点上的实时电池参数代入所述安时积分算法，确定所述待诊断电池在所述当前采样时间点上的实际SOC值；
将所述待诊断电池在当前采样时间点上的实时电池参数输入所述迭代更新后的卡尔曼滤波模型，通过所述迭代更新后的卡尔曼滤波模型，迭代估计所述待诊断电池在所述当前采样时间点上的预测SOC值；
利用卡尔曼增益矩阵，通过修正所述预测SOC值，以确定所述待诊断电池在所述当前采样时间点上的估计SOC值。
6.根据权利要求1所述的诊断方法，其特征在于，所述根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点，包括：
将所述当前采样时间点作为末位的第二采样时间点，结合所述第二采样窗口的窗长，从位于所述当前采样时间点之前的至少一个历史采样时间点中划分出至少一个第二采样时间点；
其中，所述历史采样时间点为按照预设采样时间间隔采样得到的。
7.根据权利要求1所述的诊断方法，其特征在于，所述故障决策函数包括OCV决策函数和SOC决策函数；所述基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态，包括：
利用所述OCV决策函数，通过对所述OCV特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的OCV决策值；
利用所述SOC决策函数，通过对所述SOC特征参数进行归类处理，确定所述待诊断电池在当前采样时间点上的SOC决策值；
基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态。
8.根据权利要求7所述的诊断方法，其特征在于，所述基于所述OCV决策值和所述SOC决策值，确定所述待诊断电池在当前采样时间点上是否存在短路故障状态，包括：
当所述OCV决策值和所述SOC决策值均超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于短路故障状态；
当所述OCV决策值超过预设临界决策值或所述SOC决策值超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于异常故障状态；
当所述OCV决策值和所述SOC决策值均未超过预设临界决策值时，确定所述待诊断电池在当前采样时间点上处于正常工作状态。
9.根据权利要求1所述的诊断方法，其特征在于，当所述待诊断电池在当前采样时间点上处于短路故障状态时，所述诊断方法还包括：
以所述当前采样时间点为起始的监测采样时间点，对所述待诊断电池在各个监测采样时间点上的SOC差值的增长幅度进行监测；所述SOC差值为所述实际SOC值与所述估计SOC值的差值；
当所述SOC差值的增长幅度超过预设幅度阈值时，基于所述待诊断电池在每个监测采样时间点上的实时电池参数和SOC差值，确定所述待诊断电池的等效内短电阻值；
通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度。
10.根据权利要求9所述的诊断方法，其特征在于，所述短路边界阈值包括软短路阈值和硬短路阈值；所述通过比较所述等效内短电阻值与短路边界阈值，确定所述待诊断电池的短路程度，包括：
当所述等效内短电阻值位于所述硬短路阈值和所述软短路阈值之间时，确定所述待诊断电池的短路程度为软短路程度；
当所述等效内短电阻值小于所述硬短路阈值时，确定所述待诊断电池的短路程度为硬短路程度。
11.一种电池短路故障的诊断装置，其特征在于，所述诊断装置包括：
第一采样点选取模块，用于根据待诊断电池的当前采样时间点和第一采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第一采样时间点；
OCV参数提取模块，用于通过估计待诊断电池在每个第一采样时间点上的开路电压与标定电压值之间的误差，确定所述待诊断电池在当前采样时间点上的OCV特征参数；
SOC值估计模块，用于利用所述待诊断电池在当前采样时间点上的实时电池参数，分别通过安时积分算法和迭代更新后的卡尔曼滤波模型，确定所述待诊断电池在所述当前采样时间点上的实际SOC值和估计SOC值；
第二采样点选取模块，用于根据待诊断电池的当前采样时间点和第二采样窗口的窗长，确定出以所述当前采样时间点为截止采样点的多个第二采样时间点；
SOC参数提取模块，用于通过估计待诊断电池在每个第二采样时间点上的实际SOC值与估计SOC值之间的误差，确定所述待诊断电池在当前采样时间点上的SOC特征参数；
故障诊断模块，用于基于所述OCV特征参数和所述SOC特征参数，利用预先训练的故障决策函数，确定所述待诊断电池在当前采样时间点上是否处于短路故障状态。
12.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至10任一所述的电池短路故障的诊断方法的步骤。
13.一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运行时执行如权利要求1至10任一所述的电池短路故障的诊断方法的步骤。
CN202311813113.9A 2023-12-26 2023-12-26 电池短路故障的诊断方法、装置、电子设备及存储介质 Pending CN118011253A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311813113.9A CN118011253A (zh) 2023-12-26 2023-12-26 电池短路故障的诊断方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311813113.9A CN118011253A (zh) 2023-12-26 2023-12-26 电池短路故障的诊断方法、装置、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN118011253A true CN118011253A (zh) 2024-05-10

Family

ID=90945268

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311813113.9A Pending CN118011253A (zh) 2023-12-26 2023-12-26 电池短路故障的诊断方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN118011253A (zh)

Similar Documents

Publication Publication Date Title
KR101989692B1 (ko) 배터리 노화 진단 방법 및 시스템
JP5944291B2 (ja) バッテリのパラメータ等推定装置およびその推定方法
EP3988953B1 (en) Apparatus and method for diagnosing state of battery
JP7332084B2 (ja) バッテリーを診断するための装置及びその方法
US11143705B2 (en) Method and device for detecting battery cell states and battery cell parameters
CN114072685A (zh) 一种用于估计电池单元的操作参数的方法
CN111679199A (zh) 一种锂离子电池soc估计方法及装置
CN111722114B (zh) 一种动力电池寿命预测方法及系统
US11835583B1 (en) Computer-implemented method for diagnosing states of a battery
CN114035086B (zh) 基于信号处理的电池组多故障诊断方法
US12085626B2 (en) Battery cell diagnosing apparatus and method
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
CN114729967A (zh) 用于估计储能器的状态的方法
CN115219905A (zh) 一种电池内短路在线检测方法、装置及存储介质
CN114035096A (zh) 电化学装置soh评估方法、电子设备及电池系统
CN117805649A (zh) 基于soh量化电池容量衰减对异常电芯进行识别的方法
CN114814691A (zh) 一种基于数字孪生的锂电池系统电压传感器故障诊断方法
CN118209889A (zh) 一种基于云边协同的电动汽车电池组早期内短路故障诊断方法
CN113125965B (zh) 电池析锂检测方法、装置、设备及存储介质
CN112009252B (zh) 一种动力电池系统故障诊断及容错控制方法
CN116400231B (zh) 储能系统的电池多故障检测方法、装置及电子设备
Hu et al. Improved internal short circuit detection method for Lithium-Ion battery with self-diagnosis characteristic
CN118011253A (zh) 电池短路故障的诊断方法、装置、电子设备及存储介质
CN116184229A (zh) 基于电压预测的锂离子电池内短路故障诊断方法和装置
Song et al. Model-free quantitative diagnosis of internal short circuit for lithium-ion battery packs under diverse operating conditions

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