鋰離子動力電池系統故障檢測

肖健夫，孫 瑞，閔 婕，黃 娟，馬洋洋

(1.深圳市欣旺達綜合能源服務有限公司，廣東深圳 518132；2.北京交通大學國家能源主動配電網技術研發中心，北京 100044)

鋰離子電池具有高工作電壓、寬溫度范圍、高能量密度以及較長的使用壽命等特點，已經成為儲能電池組中使用較多的電池類型[1-2]。電池組的安全問題給電池儲能技術的發展帶來了嚴峻挑戰，如何快速準確地診斷和識別出導致電池組各類故障的原因，為鋰離子電池系統的故障監測和安全運行提供可靠保障成為關鍵。

目前許多研究者對鋰離子電池系統故障的診斷開展了廣泛研究，越來越多的新技術和研究方法被運用到故障診斷中來[3-5]。ARUNAVA N 等[6]提出了一種基于機器學習方法的鋰離子電池內部短路實時檢測方法，故障檢測精度在97%以上。PAN Y 等[7]提出了基于遞歸最小二乘法的故障電池在線檢測算法，該算法能夠高效準確地檢測出電池組的內部短路故障。李曉輝等[8]將模糊邏輯和神經網絡相結合，設計了一種能正確診斷電池故障并給出故障嚴重程度的電池故障診斷系統。柏云耀等[9]提出了一種用于電池系統濫用故障檢測的數據分析方法，該方法利用局部離群因子(LOF，local outlier factor)異常算法對整個數據集進行分類，找出異常數據點，進一步判斷電池是否有濫用故障發生。考慮到電池組實際運行中數據的采樣間隔不一致、采樣時間長、數據量龐大等特點，本文利用電池特征參數的閾值判別方法和離群點檢測算法對異常電池進行診斷，進一步對異常電池的故障模式進行識別。具體故障檢測示意圖如圖1 所示。

圖1 動力電池系統故障檢測示意圖

1 鋰離子電池常見異常原因分析

在進行鋰離子電池系統故障診斷時，需要先將系統級別故障如線路采集故障、連接組件故障、傳感器信號缺失等排除掉，然后依據電池的電壓、電流、溫度等數據對電池本體進行診斷，以判斷電池本體是否發生異常。鋰離子電池的常見異常模式、異常表現和異常原因如表1 所示。從表1 可以看出，鋰離子電池的多數異常模式可以從電池各類參數的差異及其變化情況表現出來，而造成異常的原因與電池的制造成組工藝、充放電控制、是否發生內部短路和化學反應以及是否存在各種濫用情形等密切相關。

表1 鋰離子電池異常模式、表現及原因

分析鋰離子電池的異常模式、異常表現和造成異常的各種原因可以為電池故障診斷及模式識別提供基礎。由于電池組的實際運行情況較為復雜，存在難以提取的多種放電工況，但都是按照固定的充電模式進行充電，所以本文將以儲能電池組充電過程中的數據為重點研究對象，根據電池各類參數的異常表現判斷異常電池并分析其異常原因。

2 異常電池特征參數閾值判別

本文用來進行故障分析的數據為儲能電池組的實際工況運行數據。該儲能電池組的結構為5 并84 串，單體電池的容量為28 Ah，總容量為140 Ah，BMS 的電壓采集精度為20 mV，溫度采集精度為1 ℃，數據的采樣間隔為10 s。利用BMS 采集到的電池電壓數據和溫度數據來構建電池的電壓和溫度特征參數，建立特征參數矩陣，分析特征參數的演變規律，通過μ±3σ閾值來判斷電池的參數是否存在異常，進一步對異常原因進行診斷。

2.1 電池特征參數構建

2.1.1 電壓特征參數

在構建電壓特征參數之前，先構造電池的電壓數據矩陣如下：

式中：m為單體電池個數；n為數據的總采樣數。

(1)電壓變化率

電池的電壓變化率為相鄰兩個時刻的電壓差與時間差之比，即：

對每個單體電池在所有時刻都計算電壓變化率，得到(n-1)維的電壓變化率矩陣：

(2)電壓偏離度

偏離度可以反映一組數據中各個值與該組數據的平均值之間的離散程度，可用于評價數據的一致性，也可以用于判斷數據的異常情況。某一時刻單體電壓的偏離度為：

計算所有時刻的單體電壓偏離度可以得到電壓偏離度矩陣如下：

(3)電壓最大值、最小值和極差

對于同一時刻不同單體電池的電壓數據求最大值、最小值和極差，可以判斷單體電池過壓、欠壓以及單體之間的不一致。電壓最大值、最小值和極差可以通過以下公式得到：

對不同時刻的電壓數據均求取最大值、最小值和極差，構造不同時刻的電壓最大值矩陣、最小值矩陣和極差矩陣如下：

2.1.2 溫度特征參數

同上，先構造電池的溫度數據矩陣如下：

式中：n為數據的總采樣數；p為溫度檢測點個數。

(1)溫度變化率

溫度變化率定義為相鄰兩個時刻的溫度差與時間差之比，即：

同樣，對每個溫度檢測點的溫度值在所有時刻都計算溫度變化率，得到(n-1)維的溫度變化率矩陣：

(2)溫度最大值、最小值和極差

對于同一時刻的不同溫度檢測點的溫度數據求最大值、最小值和極差，可以判斷溫度過高、過低以及單體之間的不一致和溫度不均衡故障。溫度最大值、最小值和極差可以通過以下公式得到：

對不同時刻的溫度數據均求取最大值、最小值和極差，構造溫度最大值矩陣、最小值矩陣和極差矩陣如下：

2.2 閾值判別結果及分析

(1)電壓變化率

對電壓變化率矩陣K中的每一行計算均值m和標準差s，其閾值判斷結果如圖2 所示。28#、29#、30#單體電池的電壓變化率在末期均超出了μ±3σ閾值范圍，說明這幾只單體電池發生了異常。

圖2 單體電池的電壓變化率

(2)電壓偏離度

單體電池的電壓偏離度如圖3 所示。在車輛運行后期29#、30#、31#單體發生了異常，電壓偏離度超出了μ±3σ閾值范圍，這與電壓變化率的結果有一定區別，也說明僅僅依靠一個參數無法判別全部的異常電池，而是需要多個參數相結合。

圖3 單體電池的電壓偏離度

(3)電壓最大值、最小值和極差

如圖4 所示，在電池組運行過程中單體電壓最大值在正常范圍之內，而最小值在運行后期低于2.5 V，最低低至1 V以下，說明有單體電池在運行后期處于欠壓狀態。從電壓極差來看，正常的電壓極差一直處于0～0.5 V 之內，而當有單體發生異常時，極差最高達到3 V 以上，說明由于單體欠壓造成了電池組電壓的不均衡。

圖4 電壓最大值、最小值(a)和極差(b)

(4)溫度變化率

計算溫度變化率矩陣H中每一行的均值m和標準差s，閾值判斷結果如圖5 所示。在發生異常之前，溫度變化率一直在－1～1 之間，當發生溫度故障時，溫度變化率超出了此范圍。從圖5(b)中可以看到，9#、10#和11#溫度檢測點的變化率超出了閾值范圍，其中10#的溫度變化率最高超過了3 ℃/s，出現了非常明顯的偏離，說明10#溫度檢測點所在位置的單體電池很大可能發生了熱失控，導致9#和11#檢測點的溫度也隨之升高。

圖5 溫度檢測點的溫度變化率

(5)溫度最大值、最小值和極差

溫度最大值、最小值和極差結果如圖6 所示。溫度最大值和最小值隨著運行時間在不斷地變化，在后期溫度最大值不斷增大，最高升至68 ℃，出現溫度過高的情況；電池組正常運行期間的溫度極差范圍在0～10 ℃之間，后期發生故障時溫度極差最大達到了39 ℃，各溫度檢測點之間溫度不均衡，說明電池組中有一只或多只單體發生了故障，從而引起電池溫度不均衡。

圖6 溫度最大值、最小值(a)和極差(b)

3 基于離群點檢測的不一致單體診斷

除了分析電池特征參數的異常之外，電池組中單體電池之間的一致性也是影響電池系統安全的主要因素之一。利用離群點檢測算法可以對電池組中的不一致單體做出診斷，提取單體電池的充電電壓數據，通過曲線距離分析和局部離群因子檢測兩種方法來診斷不一致單體電池。

3.1 充電電壓曲線距離分析

計算每兩條曲線之間的歐氏距離來分析所有單體之間的差異性，找出差異性最明顯即與其他單體之間歐氏距離最大的單體，認定為電池組中該單體的一致性最差。

兩條曲線之間歐氏距離的計算公式如下：

式中：X={x1,…,xn},Y={y1,…,yn}為兩條曲線上所有數據點的集合。

電池組中有84 只單體電池，需要兩兩之間逐一進行計算，具體的計算過程為：先以1 號單體電壓曲線為基準，計算其與其他83 只單體電壓曲線的歐氏距離，可得到83 個距離值；然后計算2 號單體與剩余82 只單體的歐氏距離，可以得到82 個距離值；以此類推，直至計算完83 號單體與84 號單體之間的歐氏距離，這樣就得到了所有曲線之間的歐氏距離值，每個距離值對應兩只單體電池的編號，將這些值由大到小排序，取前10 個較大的值進行分析，結果如表2 中所示。

表2 單體電壓曲線的歐氏距離

可以看出，在前10 個較大的距離值中21 號單體出現的次數最多，每個距離值對應的單體中都包含21 號，說明21 號電池的充電電壓曲線與其余電池的電壓曲線距離較遠，其一致性較差。圖7 所示為單體電池的充電電壓曲線，其中21 號電池的充電電壓一直處于偏低狀態，很有可能是由于SOC偏低所導致的不一致。

圖7 單體電池充電電壓曲線

3.2 LOF 局部離群點檢測

LOF 通過檢測相對密度來反映數據點的離散程度，若某個數據點的相對密度極低，則認為該數據點是異常值的概率較大。與曲線距離分析相比，LOF 離群點檢測算法通過計算單體電池的局部離群因子能夠直接檢測出不一致單體，而且檢測結果準確，速度較快。

利用LOF 檢測算法計算單體電池局部離群因子的步驟如下[10]：

(1)提取單體電池的充電電壓數據，得到充電電壓矩陣：

(2)計算矩陣中每一列的均值和標準差，得到：

(3)將均值和標準差作為曲線的特征值，計算它們之間的歐氏距離：

(4)求取局部可達距離：

(5)計算局部可達密度：

(6)最后得到單體電池的局部離群因子LOF：

LOF值越高，則說明單體電池的離群概率越高。本文取k值為5，LOF的閾值設置為2，得到的離群點檢測結果如圖8所示。可以看到，21 號電池為離群電池，其余電池均在閾值范圍之內，這與曲線歐氏距離的判斷結果一致，說明21 號電池為該電池組中的不一致單體。

圖8 LOF離群點檢測結果

4 異常電池故障模式識別

結合表1 中的鋰離子電池常見異常模式及原因，根據電池參數的變化情況對第2 節和第3 節中診斷出的異常電池進行故障模式識別，結果如表3。

表3 異常單體電池的故障模式識別結果

從表中可以看出，造成單體電池異常的可能原因有SOC偏低、單體欠壓和內部短路。由于實際的運行環境、運行工況、充電方式等不盡相同，所以導致單體電池異常的原因會有很多種，除此之外，電池的生產制造工藝的好壞也對電池有很大的影響。因此，對于異常電池的故障模式識別只是根據參數變化的異常憑經驗來大致判斷，并不能夠確定其發生某種故障的具體原因。

5 結論

本文基于儲能電池組的實際運行數據對鋰離子電池系統故障進行了診斷，構建電池的電壓和溫度特征參數，通過閾值方法判別出參數異常的電池。利用兩種離群點檢測方法對電池組中的不一致單體進行了診斷，其診斷結果一致。對異常單體電池進行故障模式識別，主要故障原因為單體SOC偏低、單體欠壓和內部短路。