CN114137417B - 一种基于充电数据特征的电池内短路检测方法 - Google Patents

Abstract

一种基于充电数据特征的电池内短路检测方法，其无需复杂的电池建模过程或SOC估计过程，能够避免建模误差对检测结果的影响且无需大量计算。该方法采用充电数据关键特征间的对比取代了充电电压曲线间的直接对比，大幅减小了数据存储量和计算量；并通过对关键特征的筛选，进一步排除了对检测无益的数据特征，进而提升了方法检测性能。对关键特征通过局部离群因子算法实现离群点的检测，避免了固定阈值方法受电池老化影响较大等的缺陷。相对于现有技术，该方法既适用于单个电芯也适用于成组的场景，且整个内短路检测过程中不依赖于温升，因此检测结果与精度不受温度传感器自身规格、安装位置等的限制，具有较高的实用性。

Description

一种基于充电数据特征的电池内短路检测方法

技术领域

本发明属于电池故障诊断技术领域，具体涉及一种基于充电数据特征的电池内短路检测方法。

背景技术

在锂离子电池的使用过程中，内短路是电池热失控演化过程中的关键环节，短路电流所引入的大量焦耳热容易触发连锁放热反应，严重危害电池安全。因此，有必要对电池内短路故障实施可靠地检测，以避免安全问题升级所造成的人身或财产损失。现有技术中，绝大多数的检测方法通过检测额外电量消耗或温度异常升高现象，指示内短路的发生与否。方法可被大致分为以下几类：

1)阈值法：通过判断电池电压、温度、电压变化率或温度变化率是否超过预设阈值，进而实现内短路检测。此类方法适用于严重内短路情况，对于程度较轻的早期内短路往往难以识别，且受限于温度传感器的布置。

2)电量消耗法：通过依赖电压反馈信息的SOC估计过程获取电池实际消耗电量，并与使用电量(输出端电流积分)比较，获取电池漏电情况而实现检测。此类方法受SOC估计精度影响较大，受限于磷酸铁锂电池平坦的开路电压曲线，因而不太适合磷酸铁锂电池。

3)对比分析法：对于串联电池组，通过对比单体电池间的电压或其他参数的一致性、相关性，实现内短路检测。由于需要相互对比，方法无法用于单个电芯的场景。

由于现有的锂离子电池内短路检测方式仍存在诸多缺点，本领域中还有待解决如何有效改进内短路检测过程并提高精度，同时降低检测对温升过渡依赖等的技术问题。

发明内容

针对上述本领域中存在的技术问题，本发明提供了一种基于充电数据特征的电池内短路检测方法，具体包括以下步骤：

S1、针对锂离子电池单体开展循环充放电实验及内短路等效模拟实验，分别获取单体在正常条件下以及内短路条件下的充电数据；

S2、针对获取的所述充电数据，根据受内短路影响程度从中初选提取并筛选出若干种数据作为关键特征；

S3、对锂离子电池实际使用中的各次完整充电过程进行持续跟踪，在线获取历史各次充电数据并提取其中的关键特征，利用各次完整充电过程对应的关键特征构建关键特征集合；

S4、针对某次充电过程，利用局部离群因子(local outlier factor,LOF)算法计算此次充电关键特征的LOF值；

S5、根据所计算的LOF值判断此次充电的关键特征是否为离群点，若是，则认为电池发生了内短路故障，并执行S6；否则认为电池正常，并转到S7；

S6、根据此次与历史充电数据、充电时长及充电平均电压，计算此次充电的内短路电流及内短路电阻；

S7、将此次充电过程的关键特征存储并扩充所述关键特征集合。

进一步地，所述S1开展的循环充放电实验中，充电过程采用恒流恒压(CC-CV)方式充电；所述内短路等效模拟实验包括在充电前，在原有回路中并联等效短路电阻，用于模拟内短路情况下的额外电量消耗特性，并在循环充放电实验过程中不定期开展；所获取的充电数据具体包括充电过程中各时刻的电池电压以及累计充入电量。

进一步地，对所述关键特征初选提取的原则包括避免在电压曲线的平缓区段进行提取；所述筛选基于Z-分数法或者箱型图法，具体包括以下步骤：

1)针对初选提取的所述关键特征，分别记录其在多次充电下的分布情况并形成数据集，针对每个关键特征计算其Z-分数分布情况或绘制箱形图；

2)对于Z-分数法，选择内短路情况下Z-分数绝对值较大的特征，作为关键特征；若采用箱形图，则选择内短路情况下能够被箱形图识别为异常的特征，作为关键特征。

进一步地，所述充电数据、关键特征以及关键特征集合，通过对不同温度下的充电过程分别执行所述获取、初选提取、筛选以及构建操作来相应地得到，用于实现对不同温度下的内短路情况的相应检测。

进一步地，所述关键特征集合由充电倍率、温度条件相同的多次历史充电数据所对应的关键特征构成，从而能够对充电条件相同的多次充电过程进行精确分析。

进一步地，对所述LOF值设定相应的阈值，通过将由S4计算的LOF值与所述阈值比较，判断关键特征是否为离群点。

进一步地，通过上述步骤筛选出包括任意两个充电电压点之间所累积充入的电量以及恒压充电时长作为关键特征，在S6中计算内短路电流及内短路电阻的具体过程包括：

1)根据关键特征中任意两电压点间累计充入的电量，利用以下公式对内短路漏电量进行计算：

式中，

表示充电电压由V₁升至V₂过程中的内短路漏电量；

表示此充电电压由V₁升至V₂所累计充入的电量，即此次充电的关键特征之一；

则表示历史数次充电过程中，充电电压由V₁升至V₂所累计充入电量的平均值，即对应的历史充电数据关键特征的平均值；

2)根据充电时长，利用以下公式计算平均内短路电流：

式中，

为平均内短路电流；

表示此次充电过程中充电电压由V₁升至V₂所对应的充电时长；

3)根据充电平均电压，利用以下公式计算平均内短路电阻：

式中，

为平均内短路电阻；

表示此次充电过程中充电电压由V₁升至V₂所对应的平均电压。

上述本发明所提供的基于充电数据特征的电池内短路检测方法，相对于现有技术至少具有以下有益效果：

1、该方法无需复杂的电池建模过程或SOC估计过程，避免了建模误差对检测结果的影响且无需大量计算，具有很高的实用性。

2、采用充电数据关键特征间的对比取代了充电电压曲线间的直接对比，大幅减小了数据存储量和计算量；并通过对关键特征的筛选，进一步排除了对检测无益的数据特征，进而提升了方法检测性能。

3、通过局部离群因子算法实现离群点的检测，避免了固定阈值方法受电池老化影响较大等的缺陷。

4、该方法利用单体电池与自身历史数据的对比取代了与其他单体电池间的对比，既适用于单个电芯也适用于成组的场景。

5、整个内短路检测过程中不依赖于温升，因此检测结果与精度不受温度传感器自身规格、安装位置等的限制。

附图说明

图1为本发明所提供方法的整体步骤流程；

图2为基于本发明的实施例中所选四个电压点对应电池充电曲线；

图3为基于本发明的实施例中初步选取的各特征的Z-分数分布情况；

图4为基于本发明的实施例中初步选取的各特征的箱形图；

图5为基于本发明的实施例中当前充电数据关键特征与历史充电数据关键特征所构成的数据特征集合；

图6为基于本发明的实施例中各次充电下对应数据特征集合的LOF情况。

具体实施方式

下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。

本发明所提供的一种基于充电数据特征的电池内短路检测方法，如图1所示，具体包括以下步骤：

S1、针对锂离子电池单体开展循环充放电实验及内短路等效模拟实验，分别获取电池在正常条件下以及内短路条件下的充电数据；

S2、针对获取的所述充电数据，根据受内短路影响程度从中初选提取并筛选出若干种数据作为关键特征；

S3、对锂离子电池实际使用中的各次完整充电过程进行持续跟踪，在线获取历史各次充电数据并提取其中的关键特征，利用各次完整充电过程对应的关键特征构建关键特征集合；

S4、针对某次充电过程，利用局部离群因子(local outlier factor,LOF)算法计算此次充电关键特征的LOF值；

S5、根据所计算的LOF值判断此次充电的关键特征是否为离群点，若是，则认为电池发生了内短路故障，并执行S6；否则认为电池正常，并转到S7；

S6、根据此次与历史充电数据、充电时长及充电平均电压，计算此次充电的内短路电流及内短路电阻；

S7、将此次充电过程的关键特征存储并扩充所述关键特征集合。

在本发明的一个优选实施方式中，选择了一款磷酸铁锂大容量单体电池作为对象，在25℃温度下共开展了23次循环充放电实验。每次循环中包括：CC-CV充电(1/2C倍率)-静置1h-恒流放电(1/2C倍率)-静置1h的过程。此外，在第11、17以及23次的充电过程中，通过并联不同大小的电阻，分别模拟了等效短路电阻R_SC＝1,3,6Ω的内短路故障。最终，获取得到了每次充电过程的数据(包括各时刻的电压及累计充入电量)。

在本发明的一个优选实施方式中，通过对充电数据获取了如表1所示的7个充电数据特征，其中所选的四个电压点(3.2V、3.34V、3.45V、3.65V)对应电池充电曲线的位置如图2所示。

表1初步提取的7个充电数据特征

在此基础上，通过Z-分数及箱形图对上述7个特征进行筛选，得到其中受内短路影响较大的特征。

首先，将7个特征在23次充电下的具体数值分别构成7个数据集合。进一步，分别计算7个特征在各次充电下的Z-分数分布情况。Z-分数的计算过程由下式给出：

式中，z_i为数据点x_i的Z-分数，

与s分别表示数据集合的均值与标准差。需要说明的是，内短路下各特征作为偏离正常分布的异常点，将使得原有的均值和标准差发生较大偏离和变化。因此，实施例在均值和标准差计算中，剔除了短路条件下的特征点，进而使得所计算的Z-分数能够更为显著地反映该特征在短路情况下的偏离程度，如图3所示。给出了实施例前述23次充电下各特征的Z-分数分布情况，每条线对应一个特征。横坐标表示充电次序，实验中在第11、17以及23次充电中分别模拟了R_SC＝1,3,6Ω的短路。在短路发生时，所有特征的Z分数的绝对值均发生了突变，但在程度上却存在较大的差异。同时，短路程度越大，Z分数偏离程度越大。不难看出，特征Q_3.2-3.45V,Q_3.2-3.65V及Δt_CV的Z-分数在短路发生后变化最为显著。

此外，对各个特征的分布绘制箱形图，如图4所示。箱形图的异常值是根据四分位距(interquartile range,IQR)进行判断的：将低于Q₁－1.5IQR与高于Q₃+1.5IQR的数据点视为异常值。其中，IQR＝Q₃－Q₁；Q₁及Q₃则分别表示下四分位数和上四分位数。其中将异常值绘制为空心圆。可以看出，除特征Q_3.45-3.65V外，其它特征均能够提示短路电阻小于3Ω的内短路故障；特征Q_3.2-3.45V及Δt_CV则能够提示短路电阻小于6Ω的内短路故障。

结合上述Z-分数法和箱形图法的结果，可见选择任意两个充电电压点之间所累积充入的电量以及恒压充电时长作为关键特征比较适于后续内短路检测。

在本发明的一个优选实施方式中，选择了与前述单体电池同一型号和批次的另一个单体电池作为在线检测阶段的待检测对象，相同条件下共进行了23次充放电循环测试，且并在第11、17以及23次中分别模拟R_SC＝2,4,5Ω的内短路。在每次充电过程中，根据测得的充电数据计算相应的关键特征(Q_3.2-3.45V,Q_3.2-3.65V及Δt_CV)，并由持续获取的历史关键特征构建关键特征集合。

在实际实施过程中，选择与当次充电过程相近的前几次关键特征数据构建特征集合并计算离群值显然更为可行，因此在一优选实例中，选择距离此次充电最近的5次正常充电下的关键特征作为历史充电数据的关键特征，并与当前此次充电数据的关键特征构成数据集合(共6个数据点)。为更直观地表示，如图5所示给出了第11(R_SC＝2Ω)、17(R_SC＝4Ω)以及23次(R_SC＝5Ω)充电下相应的关键特征数据集合，其中空心圆对应最近5次正常充电，而斜交叉对应当前内短路条件下的充电。

对于关键特征集合，某点p的LOF值根据下式进行定义：

其中，k为LOF算法的一个关键参数；LOF值LOF_k(p)表示点p的k-距离邻域N_k(p)内所有点的平均局部可达密度与点p自身局部可达密度lrd_k(p)的比值；k-距离邻域N_k(p)表示数据集中(除p外)与点p间的距离小于等于d_k(p)的点的集合；d_k(p)则表示数据点p的k-距离(k-distance)，表示在数据集中除点p自身外，距离点p第k近的点与点p间的距离；点p的局部可达密度lrd_k(p)由下式定义：

式中，rd_k(p,o)表示点p相对于点o的可达距离(reachability distance)，由下式进行定义：

rd_k(p,o)＝max{d_k(o),d(p,o)}

式中，d_k(o)表示点o的k-距离，d(p,o)表示点p与点o间的距离。

图6给出了本实施例中各次(由第7次至第23次)充电下的LOF情况。横坐标表示各次充电，纵坐标描述了各次充电下构成的数据集合(6个数据点)的LOF值。对所述LOF值设定相应的阈值为5，如图6中虚线所示，在第11、17及23次充电中，当前充电数据的关键特征LOF值超过了阈值，用斜交叉表示，认为内短路故障发生，应进一步转至步骤S6；而在其它各次充电下，LOF值均维持在阈值内，认为电池处于正常状态，则应转至步骤S7。

在本发明的一个优选实施方式中，第11、17及23次充电下所计算得到的内短路电流及电阻结果在表2中给出。可以看出，所计算得到的短路电阻与实验中设置的等效短路电阻较为接近，精度较高。

表2实施例中内短路电流及内短路电阻计算结果

应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种基于充电数据特征的电池内短路检测方法，其特征在于：具体包括以下步骤：

S1、针对锂离子电池单体开展循环充放电实验及内短路等效模拟实验，分别获取单体在正常条件下以及内短路条件下包括充电过程中各时刻的电池电压以及累计充入电量的充电数据；

S2、针对获取的所述充电数据，根据受内短路影响程度从中初选提取并筛选出任意两个充电电压点之间所累积充入的电量以及恒压充电时长作为关键特征；

S3、对锂离子电池实际使用中的各次完整充电过程进行持续跟踪，在线获取历史各次充电数据并提取其中的关键特征，利用各次完整充电过程对应的关键特征构建关键特征集合；

S4、针对某次充电过程，利用局部离群因子算法计算此次充电关键特征的LOF值；

S5、根据所计算的LOF值判断此次充电的关键特征是否为离群点，若是，则认为电池发生了内短路故障，并执行S6；否则认为电池正常，并转到S7；

S6、根据此次与历史充电数据、充电时长及充电平均电压，计算此次充电的内短路电流及内短路电阻；

S7、将此次充电过程的关键特征存储并扩充所述关键特征集合。

2.如权利要求1所述的方法，其特征在于：所述S1开展的循环充放电实验中，充电过程采用恒流恒压方式充电；所述内短路等效模拟实验包括在充电前，在原有回路中并联等效短路电阻，用于模拟内短路情况下的额外电量消耗特性，并在循环充放电实验过程中不定期开展。

3.如权利要求1所述的方法，其特征在于：对所述关键特征初选提取的原则包括避免在电压曲线的平缓区段进行提取；所述筛选基于Z-分数法或者箱型图法，具体包括以下步骤：

1)针对初选提取的所述关键特征，分别记录其在多次充电下的分布情况并形成数据集，针对每个关键特征计算其Z-分数分布情况或绘制箱形图；

2)对于Z-分数法，选择内短路情况下Z-分数绝对值较大的特征，作为关键特征；若采用箱形图，则选择内短路情况下能够被箱形图识别为异常的特征，作为关键特征。

4.如权利要求1所述的方法，其特征在于：所述充电数据、关键特征以及关键特征集合，通过对不同温度下的充电过程分别执行所述获取、初选提取、筛选以及构建操作来相应地得到，用于实现对不同温度下的内短路情况的相应检测。

5.如权利要求4所述的方法，其特征在于：所述关键特征集合由充电倍率、温度条件相同的多次历史充电数据所对应的关键特征构成。

6.如权利要求1所述的方法，其特征在于：对所述LOF值设定相应的阈值，通过将由S4计算的LOF值与所述阈值比较，判断关键特征是否为离群点。

7.如权利要求1所述的方法，其特征在于：通过步骤S2筛选出包括任意两个充电电压点之间所累积充入的电量以及恒压充电时长作为关键特征，在S6中计算内短路电流及内短路电阻的具体过程包括：

1)根据关键特征中任意两电压点间累计充入的电量，利用以下公式对内短路漏电量进行计算：

式中，

表示充电电压由V₁升至V₂过程中的内短路漏电量；

表示此充电电压由V₁升至V₂所累计充入的电量，即此次充电的关键特征之一；

则表示历史数次充电过程中，充电电压由V₁升至V₂所累计充入电量的平均值，即对应的历史充电数据关键特征的平均值；

2)根据充电时长，利用以下公式计算平均内短路电流：

式中，

为平均内短路电流；

表示此次充电过程中充电电压由V₁升至V₂所对应的充电时长；

3)根据充电平均电压，利用以下公式计算平均内短路电阻：

式中，

为平均内短路电阻；

表示此次充电过程中充电电压由V₁升至V₂所对应的平均电压。

Images