电池内短路故障的确定方法及装置与流程

1.本发明涉及电池储能技术领域，具体涉及一种电池内短路故障的确定方法及装置。


背景技术：

2.锂离子电池由于其具有能量密度高、使用寿命长、无记忆效应等诸多优点，目前被广泛应用于储能领域。随着锂离子电池的大规模应用，以热失控为特征的锂离子电池系统安全性事故时有发生，对人们的生命财产安全造成了威胁。而电池内短路是锂离子电池热失控事故中最常见的诱因之一。
3.目前已有大量基于模型、基于数据驱动的内短路预诊断方法，但这些方法主要有两个缺点：（1）电池容量衰减会导致电池soc（state of charge，荷电状态）异常耗尽，导致诊断失效；（2）由于量化噪声和数据舍入误差，在实际数据采集中存在显著干扰。同时，由于集成电力电子设备和开关设备，其电磁干扰也会导致较大的噪声，而噪声与干扰均会对诊断产生不利影响。
4.也就是说，目前尚未有有效的电池内短路故障的检测方案，这是亟待需要解决的问题。


技术实现要素：

5.本发明提供一种电池内短路故障的确定方法及装置，以解决上述提及的至少一个问题。
6.根据本发明的第一方面，提供一种电池内短路故障的确定方法，所述方法包括：获取当前电路中电池的状态信息，所述状态信息包括：电池开路电压、电阻电容电路的阻抗信息；将所述状态信息输入至预先设置的电池故障检测模型，以输出与所述状态信息相应的电池内短路电阻信息，其中，所述电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息；响应于所述电池内短路电阻信息小于预定值，确定所述电池存在内短路故障。
7.具体地，通过如下方式设置所述电池故障检测模型：基于戴维南一阶等效电路模型设置电池单体模型；将具有内短路故障电阻的电流支路添加至所述电池单体模型中，以此设置所述电池故障检测模型。
8.进一步地，基于扩展的卡尔曼滤波器确定所述电池内短路电阻信息包括：基于扩展的卡尔曼滤波器，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池的荷电状态信息和极化电压信息；根据所述电池的荷电状态信息和极化电压信息确定所述电池内短路电阻信息。
9.优选地，所述状态信息还包括：所述当前电路中的干扰信息，所述方法还包括：基于扩展的卡尔曼滤波器和可变遗忘因子的递归最小二乘算法，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池内短路电阻信息，其中，基于梯度搜索方法对所述干
扰信息进行最小化处理。
10.根据本发明的第二方面，提供一种电池内短路故障的确定装置，所述装置包括：信息获取单元，用于获取当前电路中电池的状态信息，所述状态信息包括：电池开路电压、电阻电容电路的阻抗信息；检测单元，用于将所述状态信息输入至预先设置的电池故障检测模型，以输出与所述状态信息相应的电池内短路电阻信息，其中，所述电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息；故障确定单元，用于响应于所述电池内短路电阻信息小于预定值，确定所述电池存在内短路故障。
11.具体地，所述装置还包括：模型设置单元，用于设置所述电池故障检测模型。所述模型设置单元包括：电池单体模型设置模块，用于基于戴维南一阶等效电路模型设置电池单体模型；电池故障检测模型设置模块，用于将具有内短路故障电阻的电流支路添加至所述电池单体模型中，以此设置所述电池故障检测模型。
12.进一步地，所述检测单元具体用于：基于扩展的卡尔曼滤波器，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池的荷电状态信息和极化电压信息；根据所述电池的荷电状态信息和极化电压信息确定所述电池内短路电阻信息。
13.优选地，所述状态信息还包括：所述当前电路中的干扰信息，所述检测单元还用于：基于扩展的卡尔曼滤波器和可变遗忘因子的递归最小二乘算法，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池内短路电阻信息，其中，基于梯度搜索方法对所述干扰信息进行最小化处理。
14.同时，本发明还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法。
15.同时，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
16.由上述技术方案可知，通过将获取的当前电路中电池的状态信息输入至电池故障检测模型，输出与状态信息相应的电池内短路电阻信息，在电池内短路电阻信息小于预定值时，可以确定该电池存在内短路故障，同时，通过基于扩展的卡尔曼滤波器来确定电池内短路电阻信息，可以提高故障识别的鲁棒性。
17.为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
18.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
19.图1是根据本发明实施例的电池内短路故障确定方法的流程图；图2是根据本发明实施例的电池内短路故障确定流程的详细流程图；图3（a）是根据本发明实施例的采用戴维南一阶等效电路模型作为正常电池单体模型的电路图；图3（b）是根据本发明实施例的电池内短路故障电路图；
图4是根据本发明实施例的电池内短路故障确定流程的另一示意图；图5是根据本发明实施例的电池内短路故障确定装置的结构框图。
具体实施方式
20.下面将结合本发明实施例中的附图，对本发明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。
21.鉴于目前尚未有有效的电池内短路故障的检测方案，本发明实施例提供了一种电池内短路故障的确定方案，该方案通过建立电池内短路等效电路模型，并基于内短路故障电池的动态模型对电路进行检测，可以有效识别内短路电阻，从而可以确定电池是否存在内短路故障，同时在动态模型中采用了扩展的卡尔曼滤波器和可变遗忘因子的递归最小二乘算法，可以有效降低内短路故障的识别误差，提高诊断精度。
22.以下结合附图对本发明实施例进行详细的描述。
23.图1是根据本发明实施例的电池内短路故障确定方法的流程图，如图1所示，该方法包括：步骤101，获取当前电路中电池的状态信息，所述状态信息包括：电池开路电压、电阻电容电路的阻抗信息；步骤102，将所述状态信息输入至预先设置的电池故障检测模型，以输出与所述状态信息相应的电池内短路电阻信息，其中，所述电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息。
24.在实际操作中，可以通过如下方式设置所述电池故障检测模型：首先，基于戴维南一阶等效电路模型设置电池单体模型；之后，将具有内短路故障电阻的电流支路添加至所述电池单体模型中，以此设置所述电池故障检测模型。
25.在一个实施例中，电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息具体包括：基于扩展的卡尔曼滤波器，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池的荷电状态信息和极化电压信息；随后根据所述电池的荷电状态信息和极化电压信息确定所述电池内短路电阻信息。
26.在具体实施过程中，电路系统中还会包括干扰信息，也就是说，状态信息还会包括：当前电路中的干扰信息。此时，可以基于扩展的卡尔曼滤波器和可变遗忘因子的递归最小二乘算法，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池内短路电阻信息，其中，基于梯度搜索方法对所述干扰信息进行最小化处理。通过可变遗忘因子的递归最小二乘算法，可以有效降低后续内短路故障的识别误差，提高诊断精度。
27.步骤103，响应于所述电池内短路电阻信息小于预定值（这里的预定值可以依据实际情况而定，本发明对此不作限制），确定所述电池存在内短路故障。
28.在实际操作中，当电池处于正常状态时，电池内短路电阻值应为无穷大。
29.通过将获取的当前电路中电池的状态信息输入至电池故障检测模型，输出与状态信息相应的电池内短路电阻信息，在电池内短路电阻小于预定值时，可以确定该电池存在内短路故障，同时，通过基于扩展的卡尔曼滤波器来确定电池内短路电阻信息，可以提高故
障识别的鲁棒性。
30.为了更好地理解本发明，以下以锂离子电池为例、结合图2来详细描述电池内短路故障的确定流程。如图2所示，该电池内短路故障的确定流程包括如下步骤1-3，以下分别描述各步骤。
31.步骤1：建立锂离子电池内短路等效电路模型。
32.采用戴维南一阶等效电路模型作为正常电池单体模型，如图3（a）所示，该模型由电池开路电压（ocv）、欧姆电阻（r0）和模拟极化效应的rc分支组成，其中，rc分支的阻抗参数可以用脉冲法辨识校准。
33.在实际操作中，正常电池单体模型可以通过如下公式（1.a）-（1.c）描述：(1.a)(1.b)(1.c)其中：为极化电容，t为时间，i
l
为负载电流，z为soc，η为库伦效率，q0为标称容量，u
p
和u
t
分别为极化电压和端电压；u
oc
为ocv，可以表示为电池荷电状态（soc）的函数，可以通过如下公式（2）表示：(2)其中：n是多项式阶数，ci是通过对soc-ocv测试数据进行多项式拟合确定的多项式系数。
34.在此基础上，通过添加具有特定内短路电阻的电流支路对内短路电池进行电气建模。如图3（b）所示，其中，ii是电化学电流，i
isc
是通过内短路电阻的电流。将（1.b）中的i
l
替换为，可导出内短路故障电池的动态模型，通过如下公式（3.a）-（3.c）描述：(3.a)(3.b)(3.c)步骤2：多状态融合内短路故障诊断。
35.常用的基于异常电量耗尽的内短路诊断方法对锂离子电池的容量衰减较为敏感，在电池容量衰退后，相关的模型方法可能不再适用。为了弥补这一不足，本发明实施例提出了多状态融合内短路诊断方法，对电池容量衰退具有较高的鲁棒性。
36.如图3（b）所示，假设u
oc
和u
p
已知或准确估计，则不可测量的电化学电流ii可通过以下公式（4）得出：（4）因此，内短路电流i
isc
通过如下公式（5）表示：
（5）内短路故障严重程度的定量诊断可以通过确定内短路电阻的确切数值实现。因此，内短路故障诊断可归为下面的回归问题，参见如下公式（6）：（6）其中，通过求解回归模型式（6）可以识别内短路电阻。
37.在上述公式（4）
−
（6） 中，u
t
可以直接测量，u
oc
依赖于soc。因此，可以建立状态观测器来估计soc和u
p
。状态、输入和输出分别定义为：。根据故障电池单体等效电路模型的表达式（3），其离散时间状态空间模型可以表示为如下公式（7）：（7）：（7）其中：其中：。是过程噪声，是测量噪声。
38.基于上述建立的离散时间状态空间模型，本发明实施例可以采用扩展的卡尔曼滤波器（extended kalman filter，ekf）估计soc和u
p
。
39.图4是基于图2电池内短路故障确定流程的另一示意图，以下结合图2和图4进一步描述本发明实施例。
40.步骤3：基于可变遗忘因子的递归最小二乘法（variable forgetting factor recursive total least squares，vffrls）估计内短路电阻。
41.r
isc
的定量诊断需要式（6）的精确解。由于电路系统中的电流和电压的测量噪声以及数值误差等存在，常用的递归最小二乘（recursive least square，rls）算法会存在较大的识别偏差。除了上述的多状态融合内短路诊断方法外，本发明实施例还采用了基于可变遗忘因子的递归最小二乘法，此方法的高鲁棒性能够降低识别误差、提升诊断精度。
42.在存在噪声的情况下，式（6）的输入和输出观测值通过如下公式（8）表示：（8）其中，δh和分别是h（k）和上的扰动。假设δh和均为零均值正态分布随机变量，方差分别为和。由于噪声存在，式（6）所代表的回归问题成为了一个误差可变的系统，使传统rls无法获取无偏解。因此本发明实施例做出以下定义：定义：两个任意向量（m和n）的自协方差和互协方差矩阵由如下公式（9.a）定义，两个任意标量随机过程（r和d）的自协方差和互协方差函数由如下公式（9.b）定义：（9.a）
（9.b）其中：e[
•
]是期望值运算符。
[0043]
根据传统rls，上述公式（6）的解由下式（10）给出：（10）在噪声的存在下，补偿无偏解由下式（11）给出：（11）其中，。将矩阵反演引理应用于式（10），可以得出如下公式（12）：（12）结合上述公式（11）和（12），rls的偏差通过下式（13）确定：（13）此处一旦系统输入和输出都受到噪声干扰，rls就为渐近偏置。
[0044]
为消除式（13）中的偏差，与rls最小化估计误差向量的欧几里德范数不同，本发明实施例提出基于可变遗忘因子的递归最小二乘法（vffrls），同时最小化系统输入和输出上的扰动，以找到无偏回归解。据此，公式（6）可以被转换为如下公式（14）：（14）通过找到最小扰动矩阵（即δh和）以及r
isc
估计值来建立本发明实施例提出的基于可变遗忘因子的递归最小二乘法，这些矩阵满足如下公式（15）：（15）其中：其中：其中，表示的最小扰动矩阵，表示。
[0045]
若使用单位加权，总体最小二乘可归结为解决以下最小化问题，通过公式（16）表示：（16）其中：表示弗罗贝尼乌斯范数。
[0046]
在本发明实施例中，定义， qk是对应于以下公式（17）协方差矩阵的最小特征值的特征向量：（17）
其中：。则r
isc
（k）为vffrls的估计值。
[0047]
最小特征值问题可以通过奇异值分解来解决：最小特征值问题可以通过奇异值分解来解决：(18)其中：，/。
[0048]
如果满足以下条件，则式（18）可以实现：其可以进一步转换为vffrls所遵循的以下等式（19）：（19）其中：，式（19）可替换为公式（20）：（20）假设解等于r
isc
的无偏估计，比如将其代入（20）可这证明。换句话说，是具有相应特征值的广义特征向量。因此，验证了的渐近无偏特征。
[0049]
由于，因此（18）可以重写为如下公式（21）：（21）在一个可选实施例中，可以使用梯度搜索方法解决上述公式（21）的最小化问题。r
isc
（即，上述的电池内短路电阻信息）通过以下公式（22）更新：（22）其中：是自适应增益，可通过以下公式（23）计算：（23）结合上述公式（21）
−
（23）可得出下列二次方程（24）：（24）其中，其中，其中，（25）在使用vffrls时递归更新上述公式（25）中的协方差项即可。适用于所有项的一般
传播定律由下式（26）给出：传播定律由下式（26）给出：（26）其中，是遗忘因子（0.95《λ《1），λ与跟踪敏感性和稳定性的冲突目标有关。此处采用可变遗忘因子，通过公式（27）表示：（27）其中：。
[0050]
由以上描述可以看出，本发明实施例通过建立锂离子电池内短路等效电路模型，导出内短路故障电池的动态模型，之后基于对电池容量衰退具有较高的鲁棒性的多状态融合内短路诊断方法，通过求解回归模型有效识别了内短路电阻。进一步地，考虑到电流和电压的测量噪声以及数值误差等的存在，本发明实施例提出了基于可变遗忘因子的多状态电池内短路诊断方法。通过该方法的高鲁棒性可以降低故障识别误差、提升诊断精度。
[0051]
基于相似的发明构思，本发明实施例还提供一种电池内短路故障的确定装置，该装置优选地可用于实现上述电池内短路故障的确定方法的流程。
[0052]
图5是该电池内短路故障确定装置的结构框图，如图5所示，该装置包括：信息获取单元1、检测单元2和故障确定单元3，其中：信息获取单元1，用于获取当前电路中电池的状态信息，所述状态信息包括：电池开路电压、电阻电容电路的阻抗信息。
[0053]
检测单元2，用于将所述状态信息输入至预先设置的电池故障检测模型，以输出与所述状态信息相应的电池内短路电阻信息，其中，所述电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息。
[0054]
在具体实施时，上述检测单元具体用于：基于扩展的卡尔曼滤波器，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池的荷电状态信息和极化电压信息；随后根据所述电池的荷电状态信息和极化电压信息确定所述电池内短路电阻信息。
[0055]
在实际操作中，上述状态信息还包括：当前电路中的干扰信息。此时，检测单元还可以基于扩展的卡尔曼滤波器和可变遗忘因子的递归最小二乘算法，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池内短路电阻信息，其中，基于梯度搜索方法对所述干扰信息进行最小化处理。
[0056]
故障确定单元3，用于响应于所述电池内短路电阻信息小于预定值，确定所述电池存在内短路故障。
[0057]
通过检测单元2将信息获取单元1获取的当前电路中电池的状态信息输入至电池故障检测模型，输出与状态信息相应的电池内短路电阻信息，在电池内短路电阻信息小于预定值时，故障确定单元3可以确定该电池存在内短路故障，同时，通过基于扩展的卡尔曼滤波器来确定电池内短路电阻信息，可以提高故障识别的鲁棒性。
[0058]
在一个实施例中，上述装置还包括：模型设置单元，用于设置所述电池故障检测模型。该模型设置单元包括：电池单体模型设置模块和电池故障检测模型设置模块，其中：电池单体模型设置模块，用于基于戴维南一阶等效电路模型设置电池单体模型；
电池故障检测模型设置模块，用于将具有内短路故障电阻的电流支路添加至所述电池单体模型中，以此设置所述电池故障检测模型。
[0059]
上述各单元、各模块的具体执行过程，可以参见上述方法实施例中的描述，此处不再赘述。
[0060]
在实际操作中，上述各单元、各模块可以组合设置、也可以单一设置，本发明不限于此。
[0061]
本实施例还提供一种电子设备，该电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。该电子设备可以是台式计算机、平板电脑及移动终端等，本实施例不限于此。在本实施例中，该电子设备可以参照上述方法实施例进行实施及电池内短路故障确定装置的实施例进行实施，其内容被合并于此，重复之处不再赘述。
[0062]
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现上述电池内短路故障确定方法的步骤。
[0063]
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种电池内短路故障的确定方法，其特征在于，所述方法包括：获取当前电路中电池的状态信息，所述状态信息包括：电池开路电压、电阻电容电路的阻抗信息；将所述状态信息输入至预先设置的电池故障检测模型，以输出与所述状态信息相应的电池内短路电阻信息，其中，所述电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息；响应于所述电池内短路电阻信息小于预定值，确定所述电池存在内短路故障。2.如权利要求1所述的方法，其特征在于，通过如下方式设置所述电池故障检测模型：基于戴维南一阶等效电路模型设置电池单体模型；将具有内短路故障电阻的电流支路添加至所述电池单体模型中，以此设置所述电池故障检测模型。3.如权利要求1所述的方法，其特征在于，基于扩展的卡尔曼滤波器确定所述电池内短路电阻信息包括：基于扩展的卡尔曼滤波器，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池的荷电状态信息和极化电压信息；根据所述电池的荷电状态信息和极化电压信息确定所述电池内短路电阻信息。4.如权利要求3所述的方法，其特征在于，所述状态信息还包括：所述当前电路中的干扰信息，所述方法还包括：基于扩展的卡尔曼滤波器和可变遗忘因子的递归最小二乘算法，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池内短路电阻信息，其中，基于梯度搜索方法对所述干扰信息进行最小化处理。5.一种电池内短路故障的确定装置，其特征在于，所述装置包括：信息获取单元，用于获取当前电路中电池的状态信息，所述状态信息包括：电池开路电压、电阻电容电路的阻抗信息；检测单元，用于将所述状态信息输入至预先设置的电池故障检测模型，以输出与所述状态信息相应的电池内短路电阻信息，其中，所述电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息；故障确定单元，用于响应于所述电池内短路电阻信息小于预定值，确定所述电池存在内短路故障。6.如权利要求5所述的装置，其特征在于，所述装置还包括：模型设置单元，用于设置所述电池故障检测模型，所述模型设置单元包括：电池单体模型设置模块，用于基于戴维南一阶等效电路模型设置电池单体模型；电池故障检测模型设置模块，用于将具有内短路故障电阻的电流支路添加至所述电池单体模型中，以此设置所述电池故障检测模型。7.如权利要求5所述的装置，其特征在于，所述检测单元具体用于：基于扩展的卡尔曼滤波器，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池的荷电状态信息和极化电压信息；根据所述电池的荷电状态信息和极化电压信息确定所述电池内短路电阻信息。
8.如权利要求7所述的装置，其特征在于，所述状态信息还包括：所述当前电路中的干扰信息，所述检测单元还用于：基于扩展的卡尔曼滤波器和可变遗忘因子的递归最小二乘算法，根据所述电池开路电压、电阻电容电路的阻抗信息确定所述电池内短路电阻信息，其中，基于梯度搜索方法对所述干扰信息进行最小化处理。9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至4中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。

技术总结
本发明公开了一种电池内短路故障的确定方法及装置，其中，所述方法包括：获取当前电路中电池的状态信息，所述状态信息包括：电池开路电压、电阻电容电路的阻抗信息；将所述状态信息输入至预先设置的电池故障检测模型，以输出与所述状态信息相应的电池内短路电阻信息，其中，所述电池故障检测模型基于扩展的卡尔曼滤波器来确定所述电池内短路电阻信息；响应于所述电池内短路电阻信息小于预定值，确定所述电池存在内短路故障。通过本发明，可以确定该电池存在内短路故障，同时，通过基于扩展的卡尔曼滤波器来确定电池内短路电阻信息，可以提高故障识别的鲁棒性。高故障识别的鲁棒性。高故障识别的鲁棒性。


技术研发人员：初瑾珠 王强 李志文 赵珈卉 朱勇 张斌 刘明义 王建星 刘承皓 郝晓伟 杨超然 平小凡 白盼星 段召容 成前 王娅宁 周敬伦
受保护的技术使用者：华能新能源股份有限公司山西分公司
技术研发日：2023.06.08
技术公布日：2023/7/12