一种基于序列相似度的电池内短路在线诊断方法

测量装置的制造及其应用技术1.本发明涉及储能电池技术领域，尤其是涉及一种基于序列相似度的电池内短路在线诊断方法。背景技术：2.热失控是指电池内部出现放热连锁反应引起电池温升速率急剧变化的过热现象，导致电池热失控的原因包括机械滥用、热滥用和电滥用。由正负极部分在电池内部短路所形成的内短路，是三种滥用方式导致电池热失控的共性环节。电池内短路一方面带来了极大的安全隐患，另一方面导致电池性能衰减，影响车辆续航里程。除此之外，由内短路造成的电池单体不一致问题增加了电池的控制和管理的难度。电池内短路的诊断对于避免性能衰减及热失控问题具有十分重要的意义。3.电池内短路具有自发性，贯穿电池的全生命使用周期，并且其早期现象并不明显，不易察觉，但任其不断发展则会造成热失控等严重事故，所以尽早发现电池内短路故障，可以为电池管理系统或整车阻止事故的发生赢得更多的响应时间，从而提高电动汽车安全性。为了能够在线对电池内短路进行诊断，国内外学者、研究人员进行了很多尝试。4.一种常见的方法是基于直接特征的电池内短路诊断方法，电池内短路会导致电池自放电，其直接特征表现为电压下降、电流增大及温度升高等。因此，可以通过直接分析bms传感信号的变化，进行内短路的检测。5.另一类常用的方法是基于容量衰减的电池内短路诊断方法，通过比较相邻两次充电周期内电池单体的剩余可充容量差值来判断电池是否发生内短路，并根据剩余可充容量差值及充电时间，计算获取电池内短路等效电阻。6.还有一种方法是基于交流阻抗的电池内短路诊断方法，在电池发生内短路后，其直流和交流阻抗均发生变化，尤其在低频区。该方法通过测量电池的交流阻抗与正常健康电池的交流阻抗谱进行比对，判断电池是否发生内短路。7.但是，以上三种方法在应用中均存在一些问题。第一种电池内短路诊断方法简单可行，但是在电池内短路的早期和中期直接特征并不明显，难以识别，而在直接特征明显的后期，内短路发展迅速，不可阻断，此时进行检测已无意义；第二种电池内短路诊断方法准确度高，并且能对内短路等效电阻进行定量计算，但需要对电池进行两个完整的充电周期，无法在使用过程中进行在线诊断；第三种电池内短路诊断方法需要使用额外电化学设备，成本较高，限制了其广泛应用。技术实现要素：8.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于序列相似度的电池内短路在线诊断方法，该方法实施简便、诊断时间短、诊断准确度高。9.本发明的目的可以通过以下技术方案来实现：10.一种基于序列相似度的电池内短路在线诊断方法，该方法包括如下步骤：11.1)选取充电过程电压区间，并以此动态确定电池模组中的基准电池；12.2)获取并记录电池模组内所有电池在每个充电周期的时间-电压序列，根据电压区间确定每个充电周期的时间区间；13.3)计算电池模组中待测电池与基准电池在时间区间内的时间-电压序列的相似度；14.4)计算待测电池相邻充电周期的序列相似度差值；15.5)将待测电池的序列相似度差值与增量阈值相比较，实现内短路故障的在线诊断。16.优选地，步骤1)中充电过程电压区间定义为在放电截止电压umin和充电截止电压umax之间、区间上下界电压分别为uub和ulb的电压区间，即：充电截止电压umax、放电截止电压umin、电压区间下界ulb和电压区间上界uub满足关系：umax＞uub＞ulb＞umin。17.优选地，步骤1)中在每一个充电周期中均动态选取电池模组中的基准电池，具体为：在充电过程中，电池模组中电压u最先到达电压区间下界或电压区间上界的电池确定为所述的基准电池；或者，在放电过程中，电池模组中电压u最后到达电压区间上界或电压区间下界的电池确定为所述的基准电池。18.优选地，步骤2)根据电压区间确定每个充电周期的时间区间具体为：基准电池在当前充电周期内电压从电压区间下界至电压区间上界所对应的时间段。19.优选地，步骤3)中的时间-电压序列的相似度的计算表示为：[0020][0021]式中，为电池模组内待测电池celli的在第k个充电周期的序列相似度，f为序列相似度算法，和分别为第k个充电周期基准电池cellstd和待测电池celli在时间区间tk内的时间-电压序列。[0022]优选地，所述的序列相似度算法根据实际应用场景和需求进行确定，包括动态时间规整算法。[0023]优选地，步骤4)为待测电池相邻充电周期的序列相似度差值通过下式计算：[0024][0025]其中，为待测电池celli在第k和k+1次充电周期的序列相似度差值，和分别为待测电池celli在第k和k+1次充电周期的序列相似度。[0026]优选地，步骤5)增量阈值由正常电池的序列相似度数据进行预先标定，具体为：获取每个充电周期内正常电池与基准电池在时间区间内的时间-电压序列的相似度，然后计算正常电池的相邻充电周期的序列相似度差值，基于序列相似度差值标定增量阈值。[0027]优选地，所述的增量阈值通过下式获取：[0028][0029]其中，thd为增量阈值，为电池模组内正常电池的相邻周期的序列相似度差值的最大值，ε为安全系数。[0030]优选地，步骤5)内短路故障的在线诊断具体为：当待测电池的序列相似度差值大于增量阈值，则确定待测电池发生内短路故障。[0031]与现有技术相比，本发明具有如下优点：[0032](1)本发明电池内短路在线诊断方法通过电池模组内电池充电过程中的时间-电压序列相似度表征电池的一致性，并以此作为依据对电池内短路故障实现了准确可靠检测。[0033](2)本发明诊断精度高，计算负荷小，适用于车载控制器及云端大数据平台进行内短路诊断和监控。[0034](3)本发明方法实施简便、适用范围广、诊断时间短、诊断准确度高。附图说明[0035]图1为本发明一种基于序列相似度的电池内短路在线诊断方法的流程框图；[0036]图2为本发明实施例中荷电状态区间与电压区间关系图；[0037]图3为本发明实施例中电压区间与时间区间关系图；[0038]图4为本发明实施例中序列相似度计算结果图；[0039]图5为本发明实施例中序列相似度差值与增量阈值比较图。具体实施方式[0040]下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。[0041]实施例[0042]如图1所示，本实施例提供一种基于序列相似度的电池内短路在线诊断方法，该方法包括如下步骤：[0043]1)选取充电过程电压区间，并以此动态确定电池模组中的基准电池。[0044]此步骤中，充电过程电压区间定义为在放电截止电压umin和充电截止电压umax之间、区间上下界电压分别为uub和ulb的电压区间，即：充电截止电压umax、放电截止电压umin、电压区间下界ulb和电压区间上界uub满足关系：umax＞uub＞ulb＞umin，电压区间上下界uub和ulb的选取可以根据实际应用场景和需求进行确定。[0045]此外，本步骤定义了基准电池，基准电池指的是模组中最能代表正常电池的单体，以该电池作为基准对模组内其余电池进行内短路诊断。为了保证诊断方法的可靠性和准确性，基准电池cellstd应当根据充电过程中的电池状态进行动态选取，具体的选取方法为：在充电过程中，电池模组中电压u最先到达电压区间下界或电压区间上界的电池确定为基准电池cellstd；或者，在放电过程中，电池模组中电压u最后到达电压区间上界或电压区间下界的电池确定为基准电池cellstd。[0046]2)获取并记录电池模组内所有电池在每个充电周期的时间-电压序列，根据电压区间确定每个充电周期的时间区间。[0047]此步骤中时间-电压序列指的是电池在充电过程中所记录的电压v随时间t变化的数列，根据电压区间确定每个充电周期的时间区间具体为：基准电池在当前充电周期内电压从电压区间下界至电压区间上界所对应的时间段，记作时间区间t。[0048]3)根据步骤1)中选取的电压区间u和基准电池cellstd以及步骤2)中记录的时间-电压序列s，利用序列相似度算法计算模组内其余电池celli与基准电池cellstd在同一时间区间t的时间-电压序列相似度d，并以此作为模组内电池一致性指标。[0049]时间-电压序列的相似度的计算表示为：[0050][0051]式中，为电池模组内待测电池celli的在第k个充电周期的序列相似度，f为序列相似度算法，和分别为第k个充电周期基准电池cellstd和待测电池celli在时间区间tk内的时间-电压序列，序列相似度算法根据实际应用场景和需求进行确定，包括动态时间规整算法。[0052]4)计算待测电池相邻充电周期的序列相似度差值，该序列相似度差值反映其与模组内其余正常电池的一致性变化趋势。[0053]具体地，待测电池相邻充电周期的序列相似度差值通过下式计算：[0054][0055]其中，为待测电池celli在第k和k+1次充电周期的序列相似度差值，和分别为待测电池celli在第k和k+1次充电周期的序列相似度。[0056]5)将待测电池的序列相似度差值与增量阈值相比较，实现内短路故障的在线诊断。[0057]此步骤中，增量阈值由正常电池的序列相似度数据进行预先标定，具体为：获取每个充电周期内正常电池与基准电池在时间区间内的时间-电压序列的相似度，然后计算正常电池的相邻充电周期的序列相似度差值，基于序列相似度差值标定增量阈值。[0058]增量阈值通过下式获取：[0059][0060]其中，thd为增量阈值，为电池模组内正常电池的相邻周期的序列相似度差值的最大值，ε为安全系数。[0061]进而，内短路故障的在线诊断具体为：当待测电池的序列相似度差值大于增量阈值，则确定待测电池发生内短路故障。[0062]本发明提供一种基于序列相似度的电池内短路在线诊断方法，利用电池内短路的异常自放电效应所导致的故障单体状态偏移现象，通过序列相似度表征模组一致性，并根据序列相似度差值与增量阈值的比较结果实现内短路单体的诊断和识别。[0063]以下以一具体实例来具体说明本发明的实施步骤：[0064]本实施例中所使用的电池模组由6节三元锂离子电池单体组成，单体充放电截止电压分别为4.2v和2.5v。为了模拟电池发生内短路在2号单体上外接1000ω电阻，并通过开关控制模拟内短路的发生和停止。具体包括以下步骤：[0065]s1，选取充电过程电压区间，并以此动态确定模组中基准电池。[0066]步骤s1中，电压区间可以根据实际应用场景和需求进行确定，比如用户常用的充电soc区间为60％～90％，那么可以选择电池60％soc所对应的电压值为电压区间下界ulb，90％soc所对应的电压值为电压区间上界uub。[0067]本实施例中分别选取电池60％soc所对应的电压值3.8746v为电压区间下界ulb，90％soc所对应的电压值4.1149v为电压区间上界uub，即充电过程电压区间为[3.8746v,4.1149v]，如图2所示。[0068]本实施例中将在充电过程中模组中最先到达电压区间下界ulb的单体选为基准单体，实际应用中并不限于此。[0069]s2，获取并记录模组内所有电池每个充电周期的时间-电压序列，根据电压区间确定每个充电周期的时间区间。[0070]根据确定的电压区间[3.8746v,4.1149v]，记录每个充电周期内基准单体由电压区间下界ulb3.8746v充电至电压区间上界uub4.1149v所对应的时间区间tk，如图3所示。[0071]s3，计算待测电池与基准电池在时间区间内的时间-电压序列相似度。[0072]根据s2所确定的时间区间截取部分时间-电压序列，并利用序列相似度算法计算模组内其余单体与基准单体的序列相似度，本实施例中选用动态时间规整(dynamic time warping，dtw)算法，实际应用中并不限于此。[0073]本实施例中电池模组的序列相似度计算结果如图4所示，从第6个循环开始打开内短路开关，模拟电池发生内短路的情况。由图4可见，2号单体在第6个循环之后序列相似度值明显上升，说明该单体相对其余正常单体一致性显著变差，状态发生了偏移；而其余单体的序列相似度值始终保持较低水平，一致性较好。[0074]s4，计算待测电池相邻充电周期的序列相似度差值。[0075]根据步骤s3中的计算结果，进一步计算模组内单体相邻充电周期的序列相似度差值，本实施例中计算结果如表1所示。其中，3号单体被选为基准单体，因而不包含其计算结果；2号单体在内短路故障发生后序列相似度增量迅速增大，远远超出其余单体的变化程度，进一步说明了其状态相对于正常单体发生了偏移。[0076]表1序列相似度差值[0077][0078]s5，将待测电池的序列相似度差值与增量阈值相比较，实现内短路故障的在线诊断。[0079]本实施例中，第1至5个循环的模组相邻周期的序列相似度差值的最大值为0.0596，选取安全系数为1.5，确定增量阈值为0.0894，实际应用中并不限于此。序列相似度差值与增量阈值比较结果如图5所示，由图5可见，自第6个循环当内短路发生后，2号单体的序列相似度增量明显超过增量阈值，被诊断为内短路故障单体；而其余单体的序列相似度增量始终在0附近。[0080]综上所述，本发明的一个实施例是可行的，并且可以迅速准确地实现电池模组的内短路故障诊断。[0081]上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!