電池系統的故障特征以及多故障的診斷與識別

楊靜，林振康，湯君，樊鋮，孫克寧

（北京理工大學化學與化工學院，北京 100081）

引 言

鋰離子電池作為能量密度最高的二次化學電源，已在便攜式電源與儲能領域得到了廣泛的應用[1]。在應用場景中，通常將數百個單體電池串、并聯組成電池系統以滿足負載對電壓或功率的需求。比如85 kWh 版的TESLA Model S 電池系統就是由7104個18650型鋰離子電池單體組成。一旦其中的某個電池發生故障，帶來的系統維護成本是巨大的，甚至可能導致系統性風險[2]，帶來災難性后果。對近五年電動汽車發生起火事故的案例的產生原因進行了分類和統計，如表1所示。

表1 國內新能源汽車起火事件統計Table 1 Statistics on domestic fire incidents of new energy vehicles

根據表1，近五年電動汽車發生了165起嚴重起火事件。其中，短路、過充電、局部過熱等電池系統故障共140 例占84.85%，碰撞、外部引燃、人為改裝等人為因素共19 例占11.51%，電池箱浸水、充電設備故障等外部因素共6 例占3.64%。自燃、充電起火均是由電池系統故障造成的，而碰撞誘發的電池系統熱失控也是導致事故發展蔓延并產生嚴重后果的關鍵因素。電池系統內除了電池模塊外，還有數量眾多的傳感器、執行器等硬件，以及與之配套的電池管理系統、熱管理系統等。因此，需要對電池系統的相關指標進行持續監測，及時發現電池單體、電池組以及其他部件的潛在異常，在早期階段完成故障的診斷、定位與隔離，以保障電池系統的安全運行[8]。

電池系統故障檢測的難點主要表現在兩個方面。

（1）單體電池的不一致性導致同一類型的故障在不同電池或不同模塊中的特征值有所差異，無法界定合適的故障閾值以平衡故障診斷的靈敏性與準確性。因此，需要研究除閾值之外的其他故障特征，以實現對單一故障的準確診斷。

（2）電池系統的故障類型較多，而不同的故障類型可能存在相似的故障特征。如何在有限的監測條件下，通過僅有的電壓、電流、溫度信息來辨別不同種類的故障特征，準確識別出故障類型，以便及時采取針對性措施，防止故障的進一步發展，是電池系統管理的另一個挑戰。

本文總結了電池系統的故障類型、典型故障特征，通過故障特征之間的比較，梳理了電池系統故障診斷與類型識別的研究思路，為故障識別策略的開發提供了方向。

1 電池系統的故障類型

電池系統的故障包括多種類型。按故障部位或從控制的角度劃分，包括單電池故障、傳感器故障、執行器故障、熱管理系統故障[9-10]。其中，單電池故障包括：內部短路（ISC）故障、外部短路（ESC）故障、過充電故障、過放電故障、電池包內部不一致、絕緣故障，電池的過充、過放、短路等也屬于電池濫用故障；傳感器故障分為溫度傳感器、電壓傳感器和電流傳感器故障。

1.1 單電池故障

1.1.1 不一致性 電池系統中的單電池在生產或裝配過程中因天然的、人工的或機器的公差（如雜質、壓力[11-12]、孔隙率[13]、焊接工藝[14]等）導致電池的初始容量、內阻、開路電壓、自放電率等存在不一致性。制造或裝配公差帶來的不一致性不可避免且在可接受范圍內。比如，同批次3 Ah 圓柱形鋰離子電池的放電容量、直流電阻的標準差分別為0.3%、1.3%[15]。此時的初始不一致一般不稱為單電池故障。而在電池系統的實際運行過程中，初始不一致性導致的電流分配不均[16]以及溫度場的差異[17]等，將導致電流、溫度等不均勻分布，使電池產生不均勻老化，進一步惡化了不一致的情況[18]，稱之為不一致故障。研究表明，初始容量、內阻差異在5%的三串三并電池系統，完全放電后的SOC 不均衡度達到8%，溫度場最大溫差達到3℃；而經過310 d循環后，電池的容量、內阻差異分別擴大至10%、25%[19-20]。不一致性增長到一定程度，將極大地影響電池系統的性能。由于電池系統將按單電池的最小容量來設置所有電池的充、放電閾值以防止可能的安全隱患，當SOC 差異較大時，電池系統的可用容量大大降低；而內阻、其他形式歐姆電阻的差異以及環境溫度的不一致性將帶來局部區域的異常發熱，除加速不均勻老化外，異常升溫若未被及時探測與處理或者超出了熱管理系統的處理能力，將加劇系統失控的風險，甚至引發安全隱患。

1.1.2 過充電、過放電 過充電表示電池在滿電狀態后仍有外接電路持續向其充電。相反，過放電表示在達到放電截止電壓后仍繼續向負載供電。過充電、過放電也稱為濫用故障。鋰離子電池過充時，極易在負極表面形成鋰枝晶，導致嚴重的安全隱患；而過放電時，則可能導致正極活性物質的結構發生不可逆坍塌，嚴重影響電池壽命。輕微的過充與過放現象不可避免；但若發生較嚴重的過充與過放過程，則可能引起電解質的分解、材料的相變[21]以及內部短路等，產生大量熱量，甚至發生熱失控。通常情況下，電池平衡系統與電池管理模塊會防止過充/過放的發生。當傳感器或執行器發生故障時，電池管理失效；而充電設備發生故障或電池管理失效導致電池的電壓不一致或SOC不一致[15]較嚴重時，電池管理模塊或電池平衡系統未及時做出反應，也易引起過充/過放現象。在電解液中加入過充添加劑[22-23]也是一種流行的策略。

1.1.3 內短路、外短路 內短路是在單體電池內部發生正、負極材料的短接。外短路是單體電池或電池模塊的正、負極極柱等因變形、連接線失效等發生直接連接而引起的異常放電現象。當短路電阻較小時，化學能在短時間內大量轉化為焦耳熱，通常會引起溫度的急劇升高，引發熱失控。作為熱失控事故最常見的誘因之一，短路故障幾乎是電池系統最嚴重的故障，也是研究者與消費者最關切的故障類型。研究表明，由短路引起的火災占電動汽車火災事故的60%[24]。因此，短路故障的早期檢測與預防至關重要。

外短路通常由偶發狀況引起，重在預防，預測較為困難。而內短路的演化過程則是有跡可循的[25]。在內短路的早期，極少的正、負極材料發生局部短接，電壓發生不可逆下降，熱效應并不顯著，電池仍能正常向外供電，一般將這種情況稱作“微短路”，可以通過電化學特征來識別。在微短路時期及時進行故障檢測與隔離，可防止熱失控；若未及時、有效干預，進一步發展到中后期，電壓迅速下降，短時間以熱的形式釋放大量能量，熱失控不可避免。在短路早期及時檢出故障并有效處理，是預防熱失控的有效方式。

1.1.4 絕緣故障 因沖擊、扭曲、振動、老化等導致電池系統與相鄰模塊之間的絕緣屏障遭到破壞，電池模塊與相鄰模塊間有導電回路，外部高壓回路絕緣性能降低的現象稱為絕緣故障。絕緣故障主要危害操作人員或司乘人員的人身安全，一般通過絕緣電阻來監測[26-27]，其被定義為動力電池短路到地面或車輛底盤時所對應的最大漏電流的電阻[28]。檢測方法包括傳統的電壓表法、電橋法和信號注入法，以及考慮系統非線性與測量噪聲的濾波算法[28]、基于模型方法[29-31]等。

1.2 傳感器故障

隨著社會自動化水平的提高，傳感器在各行業均得到了廣泛的應用，并對時間、成本的優化起到了不可替代的作用。由于傳感器的測量值是生產決策的重要依據，而傳感器的測量偏差可能對系統的準確性、穩定性、可靠性產生極大的影響，因此，在智慧農業、水產養殖、特種流體輸送等工作環境復雜、高度自動化的領域，對偏差、漂移、增益故障、噪聲等影響傳感器精度的故障診斷是行業內關注的重點[32]。在電池系統中的傳感器有電壓傳感器、電流傳感器、溫度傳感器等幾種類型，分別用于監測電池的電壓、電流、溫度等參數[33]。由于固有的制造缺陷、高溫超時暴露、振動、沖擊以及一些未知干擾等原因，傳感器在使用過程中可能會出現測量誤差,導致測量值與實際值的偏差或無法給出測量值。

由于傳感器的測量數據是電池管理的重要依據，因此，傳感器的數據偏差將進一步造成電池管理系統指令的偏差，從而加速電池系統的老化，甚至帶來嚴重的安全隱患。比如電壓傳感器故障可能造成電池的過充或過放。電流傳感器故障會導致實際電流分配的不平衡，加劇電池之間的不一致性。溫度傳感器故障則會干擾熱管理系統，導致電池系統內部出現局部溫度過高或過低等情況。溫度過高時，可能加速副反應，或帶來熱失控的風險；電池溫度過低，則會導致能量利用率的下降。

1.3 連接故障

電池系統是由許多單體電池或電池模塊串聯起來構成的，各組件之間模塊常通過銅板與螺釘連接。而這些連接點在運行過程中可能因老化或振動等原因而松動或斷路，接觸電阻顯著增加。研究表明[34]，接觸電阻的增加會導致電池功率的衰減。另一方面，較高的接觸電阻會帶來大量的焦耳熱，可能造成局部高溫，增加了熱失控的風險。

1.4 執行器故障

執行器主要是指電池管理系統（battery management system，BMS）的硬件與接觸器等。BMS主要通過傳感器估計電池的荷電狀態防止電池的過充與過放，以及通過熱管理系統防止熱失控等安全保護。若執行器發生故障時，則電池系統將無法根據接收到的信號去執行指令，電池的運行性能下降，嚴重時會出現熱失控等危險事故的發生。

1.5 熱管理系統故障

溫度是電池系統中最重要的運行參數之一，與電池的效率、壽命等密切相關。電池工作過程中，化學能與電能相互轉化的效率低于100%，其他能量不可避免地以反應熱、焦耳熱等形式釋放出來，對系統溫度產生較大影響；而電池系統的自身散熱能力有限，且不同部位的散熱能力有所差異。因此，熱管理系統是保證電池組在最佳溫度范圍內工作并實現溫度均衡的重要系統。熱管理系統主要包括加熱與冷卻等系統，其通過溫度傳感器獲得溫度信號，以冷卻[35-37]或加熱的方式來實現對電池系統的溫度控制，以保證工作性能、延長壽命。研究表明，將溫差控制在5℃以內，可保障電池系統發揮較好的性能[38]。當熱管理系統發生故障時，系統溫度有可能超出電池的最佳工作溫度范圍，電池內部將發生不可逆老化或內部微短路；若電池系統內的溫度分布不均勻，則會導致電池模塊之間、電池單體之間的性能不均衡。兩種情況均將顯著增加熱失控風險。

2 故障特征

按故障的可控性劃分，可分為硬故障、軟故障[39-40]。其中，硬故障是指導致部件完全無法工作的故障，一般與硬件相關；軟故障是指導致部件性能下降但未完全損壞的故障，外部干預可阻止其進一步惡化或使其發生好轉，漸進性故障[40]的早期屬于軟故障。目前主要是借助模型、數據驅動等方法，根據電流、電壓、溫度、內阻、SOC 中的一種或幾種特征變化，進行故障的檢測，不同故障類型的特征變化如圖1所示。

圖1 不同故障類型的特征圖Fig.1 Features of different faults

2.1 硬故障

電池系統的組件多、故障類型復雜，而監測的參數大多只有電壓、電流、溫度三類，其中，電流傳感器的成本較高、數量較少；溫度傳感器的網絡也不夠密集，對局部溫升的靈敏度低。因此，人們必須從有限的信息中提取到高特異性、高靈敏度的故障特征，以作為故障診斷與類型識別的依據，及時采取有效的隔離措施，防止故障進一步惡化而造成嚴重后果。本節梳理了文獻報道的常見硬件故障特征，為故障診斷與類型識別做鋪墊。

2.1.1 短路 一般將內短路后期與外短路視為硬故障。內短路后期以及電阻較小的外短路發生時，將在極短的時間內產生顯著的電流、電壓、溫度變化，往往是不可控的、災難性的，一般不研究這兩種情況下的故障特征與診斷。文獻中大多是有關電阻較大的外短路故障特征研究。由于短路引起的電流、電壓、溫度波動幅度遠高于其他類型的故障，研究者們常以此作為短路故障的典型特征。

以電壓、電流為例。等效電路模型[41]、分數階模型[42]等方法被用于預測電壓、電流的理論值，通過設定實測值與理論值之間的閾值，來判斷外短路故障是否發生。電池短路會立即引起電流增大和溫度的升高，但上述模型只對電特性的實驗結果進行了進一步的研究，溫度變化對模型參數的影響被忽略了，故障檢測的精度降低。由于空間、成本的限制，實際電池系統中僅配有極少量的電流傳感器，電流的實測數據較少，Yang 等[43]訓練了反向傳播神經網絡（BPNN）模型，僅利用電壓信息來預測電芯電流。將熱效應納入模型[44]將進一步提高預測精度，但也增加了計算規模與復雜度。

2.1.2 連接故障 連接故障最主要的特征之一是接觸電阻的增加。因此，電阻的偏差可用于識別連接故障[45]，由于接觸電阻的波動性，閾值的設置比較困難。

接觸電阻阻值的不規則波動是連接故障的另一個特征。這是由于電池系統在實際使用場景下往往伴隨著一定程度的振動，從而導致了接觸電阻的無序跳動。與其他原因導致的電阻不可逆增加相比，電阻無序波動時的信息熵較高。信息熵表示信息的不確定程度。波動越大，則信息的不確定程度越大，熵值越大。對于一組觀察變量/信息X，其不確定程度（熵值）的定義為：

因此，熵的概念常被用于連接故障的檢測。接觸電阻無法直接測量，需要通過測量得到的系統參數以及等效電路模型計算得到[36]，對于電池數量多、串并聯關系復雜的大電池系統而言，這一方法的復雜度高、計算量大。

接觸電阻的變化也會帶來相應模塊的電壓波動。而電壓作為可直接測量的系統參數之一，對其熵特性的評估則簡單得多[46-47]。其中，Liu 等[48]比較了樣本熵以及兩種不同極值的Shannon 熵在殘余噪聲影響下的靈敏度與魯棒性，證實了電壓的熵值能夠準確檢測連接故障并在一定程度上預測連接故障發生的時間、位置。

2.1.3 傳感器故障 傳感器故障由于制造、運行過程中的碰撞等因素導致電壓、電流、溫度測量數據的不準確。在電池系統中，主要是基于電流、電壓數據實現BMS 的主要功能，因此主要針對電壓、電流傳感器的故障進行診斷，如表2 所示。在單電池中，通常為了避免電池故障帶來的干擾，配置兩個傳感器。然而在電池組中，有大量的單電池，每個電池配置兩個傳感器是不現實的，如何區分傳感器故障與電池故障見3.2 節。本節不考慮單電池故障的影響。

表2 故障類型及診斷方法Table 2 Fault type and diagnosis method

（1）以電壓、電流為判斷依據

當電壓傳感器故障時，可能會導致電池實際電壓超過截止電壓上限和下限，從而導致電池過充過放。因此，電壓可以作為特征參數。通常使用電壓的預測值與實際測量值形成的殘差與閾值進行比較。常使用擴展卡爾曼濾波[42]與自適應卡爾曼濾波[49]估計電壓值。卡爾曼濾波是以K-1 時刻的最優估計UK-1為準，預測K時刻的狀態變量U∧K/K-1，同時又對該狀態進行觀測（測量），得到觀測變量（測量值）ZK，再在預測與觀測之間進行分析，或者說以觀測量對預測量進行修正，從而得到K時刻最優狀態估計UK。在電池系統中，卡爾曼濾波估計是根據當前時刻的電壓傳感器測量值和上一個時刻對當前時刻的預測值，計算得到當前時刻電壓的預測值，并依據該最優量預測下一個時刻的值。電池系統中大量電壓傳感器，實時監測每一個傳感器，使其具有較高的計算復雜度。在電壓傳感器故障的情況下，最可能發生過充和過放電的電池分別是電壓最大值和最小值的兩個電池。因此，可以僅對這兩個單元進行實時監控[50]，診斷這兩個單元的電流傳感器故障或電壓傳感器故障，而對其余單元進行離線監控，間隔時間較長，保證其他電壓傳感器正常工作。

（2）以SOC為判斷依據

電池管理系統高度依賴于測量的電流、電壓來準確估計電池的荷電狀態(state of charge, SOC)，因此，可以將SOC 作為判斷電壓、電流傳感器故障的特征參數。用庫侖計數法計算真實荷電狀態，用遞歸最小二乘和無跡卡爾曼濾波[32]聯合估計法計算估計荷電狀態。然而，在電池系統中基于SOC 的判斷方法受電池系統存在不一致的影響。Shu 等[56]提出了將最大最小單體SOC 估計值與平滑法相結合，對電池系統SOC 進行估計。為了提高故障檢測的靈敏度，可以通過端電壓和電荷狀態等多參數[57]進行判別分析。

2.2 軟故障

2.2.1 微短路 微短路是指電池內部的正、負極發生局部短接。與短路故障相比，其短接的部位少、產生的短路電流小，不會造成單體電池功能的喪失，危害性較小。但若不及時加以干預，也可能繼續發展為短路故障，帶來嚴重的安全問題。微短路發生時，雖然電池仍有電壓、容量，但由于局部短路電流導致電池能量的額外消耗，因此會造成放電電壓、容量的不可逆下降以及局部溫度的升高。同時，電池的內阻也會發生一定程度的下降。在實際電池系統中，每個單電池最多配備一個溫度傳感器，而微短路產生的局部溫升不一定能及時被溫度傳感器檢測到，因此，實際應用中較少以溫度作為微短路的判斷依據，而以電壓、電流、電阻、SOC作為判斷依據的較多。

（1）以電壓、電流為判斷依據

由于每個電池中都配備了電壓傳感器，因此，直接將電池間的電壓差異作為判斷依據，是檢測微短路的最簡單、有效的方法。Yokotani[58]通過將電池測得的電壓值與模型預測值進行比較來檢測微短路。然而，電池初始電壓的不一致性給閾值的選擇帶來了困難。當閾值設置過小時，易產生較高的誤報率；當閾值設置過大時，將導致靈敏度較低。

相關系數是按積差方法計算，同樣以兩變量與各自平均值的離差為基礎，通過兩個離差相乘來反映兩變量之間相關程度，如式（2）所示。因此，其與參數的初始值、波動幅值、靜態偏移無關，可以在一定程度上消除初始不一致性、老化不一致性的干擾。不同電池之間的電壓相關系數可以作為檢測微短路的依據。Xia等[59]研究表明，基于電壓相關系數法的微短路故障檢測對電池不一致性有較好的魯棒性，并能及時響應早期故障。

其中，rX,Y是變量X與Y的相關系數；covX,Y是X與Y的協方差；σX,σY分別為變量X、Y的方差；μx,μy分別為變量x,y的均值；n是數據中的樣本個數。相關系數無單位，取值范圍為+1～-1，其中+1 表示完全正相關，0表示不相關，-1表示完全負相關。

Zhao 等[60]提出了一種采用對稱環形拓撲結構（SLCT）來消除不一致性的方案。其主要原理是將并聯模塊內的電池正、負極分別連成環形回路，使其在平衡態時具有較好的電對稱性。當微短路在某個電池內部發生時，回路中的其他電池在電勢差的驅動下均向該電池供電，電流信號疊加產生了放大效應，對微短路的早期檢測具有較高的靈敏度。通過安培計的位置設計與安培計示數的分析，還可以在數千個單體電池系統成的并聯網絡中實現故障的準確定位。安培計的成本高、僅適用于并聯電池系統是本方法僅有的缺點。

Schmid等[61]提出了一種基于單元電壓差異的數據驅動的方法提高早期故障檢測的靈敏度，其原理是將線性核函數和RBF 核函數相結合，將二維數據在高維空間下分類，但在低維空間計算，不會增大其計算量，實現了核主成分方法對早期故障的高靈敏度，且適應性較高。

（2）以電阻、SOC的差異為判斷依據

電壓對于大安時電池的微短路故障靈敏度較低[62]，等效歐姆電阻（RΩ）[40]與SOC的差異[62]卻在微短路故障早期有較好的波動性。Feng 等[63]通過電化學-熱耦合模型證明了微短路故障發生時SOC 的波動性顯著高于電壓。Gao 等[64]提出了一種基于電池差分模型（cell difference model, CDM），獲得單電池的SOC 與平均SOC 的差異，根據SOC 差值的波動規律來判定微短路故障，并與容量不一致性導致的SOC差異做區分。

基于SOC 為特征的檢測面臨的是電池不一致的挑戰。低通濾波是一種只允許頻率低于預設頻率閾值的信號通過，而使其他信號減弱或阻塞的濾波方法。具有數據平滑處理功能，減小了電池間SOC 不一致性。Zhang 等[65]通過將電阻并聯至電池上模擬不同程度的微短路的實驗也表明基于電量差利用低濾波器來估計SOC 差，并結合遞歸最小二乘(RLS)的方法能實時、有效地估計串聯電池系統中單體的短路電阻，并且低濾波的計算復雜度較低。

然而，歐姆電阻、SOC 均無法直接測量，需要借助等效電路模型來求解得到。而電池系統內的電池數量多、串/并聯關系復雜，模型的復雜度高，解析解的求取較為困難，限制了該方法的發展。隨著人工智能的發展，機器學習逐漸應用在故障檢測方面，Kong等[66]將剩余充電容量(RCC)作為表征電池微短路故障的參數。當電池內部發生微短路時，電池的RCC 會增加，從而達到RCC 診斷。此外，通過電池連續兩次充電后剩余充電容量的差值，可以定量計算出兩次充電之間的泄漏容量和微短路電阻，進而進行定量分析微短路的大小，且該方法計算量較小。

2.2.2 電池不一致性 電池在生產階段以及裝配階段不可避免地出現內阻和荷電狀態(SOC)等參數的不一致性。在電池系統裝配前，可以基于小波[67]的方法進行分類，減小電池間初始不一致性。在使用過程中，隨著不同單體的工作環境之間的差異，會使得電池出現不同的老化情況，引起溫度、電流、電壓、容量、內阻[68]的不同。Duan等[69]通過計算表征參數在不同老化階段的標準差，并根據閾值進行電池不一致性評價。當標準偏差小于20%時，電池組的不一致性程度較小。當標準偏差在20%～30%之間時，電池組的不一致程度為中等，當標準偏差超過30%時，認為電池系統嚴重不一致。電池系統中一致性差的電池導致整個系統性能的下降，電池的不一致性實質上是對異常單元的識別。Kim 等[70]利用電池容量和內阻作為故障表征參數，實現了對電池系統中異常電池的識別，但在故障診斷過程中計算量較大。

由于電壓數據較易獲取，為了以較小的計算量準確識別異常電池，通常以電池系統中的健康電池為參考，利用統計特征對電池進行定性或定量診斷，因此多采用數據驅動的方法。所以目前主要是基于電壓參數的數據驅動的方法進行電池系統不一致性的評價。

同一電池系統內的電池端電壓分布可以用高斯分布來描述。Zhao等[60]根據機器學習算法和3r多級篩選策略(3r-mss)利用高斯分布概率特征對無故障數據進行集中篩選，檢測和計算電池系統中單體端電壓的異常變化。電池在實際運行過程中的性能受到許多因素的影響，不同個體之間的差異不是隨機的，電池電壓不服從正態分布，以及在電池生產、裝配階段，不可避免地出現電池間的初始不一致性。Li 等[71]提出了基于類間相關系數(inter -class correlation coefficient, ICC)方法的故障檢測消除了電池的初始不一致性，因為相關系數與波動的平均值和幅值無關。熵方法是一種獲取異常數據的有效方法，Wang 等[72]提出了一種利用Shannon 熵和Z-score 檢測和分離異常細胞的方法，Z的值表示目標樣本與原始樣本均值基于標準差的距離，在一定程度上消除了初始不一致性。

2.2.3 過充、過放 過充電、過放電對電池集總參數的影響是極小的，很難以電壓、電阻、SOC 等集總參數的變化作為過充、過放的診斷依據。

雖然電池內部參數的變化對過充、過放過程較為敏感，但鋰電池內部參數變化的原因較復雜，單一參數的變化與過充、過放并無一一對應關系，因此，文獻中常用多參數變化的組合規律作為這兩種故障的判斷依據。

Hashemi等[73]建立了包含體相電阻、電荷轉移電阻、雙電層電容、常相位角元件的等效電路模型，以這四個參數的組合變化規律作為過充、過放的判斷依據。Wu等[74]以串聯電阻、增量容量分析曲線的特征變化來區分過充電、過放電、低溫運行三種濫用狀態，通過基于模糊邏輯的故障診斷系統，實現三種故障的診斷與識別。

電池內部參數的計算往往涉及更精細、更復雜的數學、物理模型，對龐大的電池系統而言，意味著極大的計算規模。因此，過充、過放故障的其他特征的研究與發掘是研究者們仍在努力的方向。

3 故障診斷與類型識別

當異常信號出現時，及時做出故障診斷與故障類型識別將有助于第一時間采取有效措施，防止故障的不可控發展。然而，電池系統的故障類型多、特征類似，如何對多種故障類型進行準確識別成為當前研究的熱點和難點。

3.1 電壓傳感器故障與單電池故障

單電池的所有性能參數均通過傳感器測量并向外輸出，當唯一的輸出信號發生異常時，無法對故障來源做出準確判斷。因此，電壓傳感器故障與單電池故障的區分需借助冗余設計來實現。

Xia 等[75-76]對電壓傳感器拓撲結構進行了冗余設計。通過適當增加電壓傳感器的數量，使每個單電池均對應2 個電壓傳感器，由此可以根據電壓信號異常的數量來區分傳感器故障和電池故障。

另一種冗余設計的思路是參考其他類型的傳感器信號做輔助判斷，Zheng等[33]考慮了單電池故障帶來的溫度變化，提出將溫度傳感器信號作為輔助判斷依據的研究思路。類似地，當故障模塊中有電流傳感器時，電流信號也可以作為診斷的輔助依據。

綜上已有的研究方法，電壓傳感器故障與單電池故障的識別需借助冗余設計的思想，根據異常電壓的數量進行故障類型的識別，也可將電流信號作為輔助判斷的依據，利用電流、電壓多維參數進行故障類型的識別，示意圖如圖2所示。

圖2 傳感器故障與電池故障的故障類型識別方法示意圖Fig.2 Scheme for identifying the type of fault between sensor fault and battery fault

3.2 連接故障與電池老化

電池在使用過程中不可避免地發生過充電、過放電、低溫、高溫等濫用操作使得電池發生異常老化而引起電池內阻增加，連接處的老化或振動等原因也會引起電阻的增加。若連接故障發生在電池的連接點上，如何判斷電阻增加是來自于連接點松動或電池老化，也是電池系統故障類型識別的難題之一。

如前文所述，連接故障發生時，接觸電阻會隨著電池使用環境中的振動等情況而發生隨機波動，導致其信息熵較高。因此，熵[34]的概念常被用于連接故障的檢測。除了熵方法之外，標準差[77]也可用于區分連接內阻的增大與電池內阻的增大。

除電阻值的波動規律外，拓撲結構的差異也可以作為連接故障與異常老化的區分依據。考慮到連接故障發生在單體之外、兩個單體之間，而異常老化只涉及某個電池，Kang 等[78]在連接處采用冗余設計，根據電壓傳感器發生異常的數量來區分連接故障與異常老化。

連接故障與電池老化故障可根據電阻波動性的差異，使用熵方法進行其故障的識別，連接故障導致其電阻的波動性較大，則其熵值較高，而電池老化使得電池電阻不可逆地增大，其熵值較平緩；也可根據連接結構的差異，采用冗余設計，根據異常電壓的數量進行故障類型的識別，示意圖如圖3所示。

圖3 連接故障與電池老化的故障類型識別方法示意圖Fig.3 Scheme for identifying the types of faults in connection and battery ageing

3.3 電壓傳感器故障、連接故障與短路故障

電壓傳感器故障、連接故障與短路故障是電池系統中常見的故障類型，且都會引起電壓的異常，僅通過傳統的一對一電壓測量拓撲或單模型很難區分傳感器故障與電池故障或連接故障。

Kang 等[78]提出了一種采用交錯電壓測量拓撲結構和熵融合的在線多故障診斷策略，其原理是根據異常電壓的個數判斷是否為傳感器故障，如果不是，則利用熵方法區分連接故障與電池故障，流程如圖4 所示。但該方法沒有考慮電池的不一致性，降低了診斷的精確度。相關系數與電壓的平均值和幅值無關，消除了電池組的初始不一致性。Kang等[79]提出了一種基于交叉電壓測量拓撲和改進相關系數法的多故障診斷策略，該拓撲結構采用冗余的設計，異常信號數量、位置等信息可區分三種故障類型。

圖4 連接故障、傳感器故障與電池故障的故障類型識別方法流程圖Fig.4 Flow chart for identifying fault types for connection faults,sensor faults and battery faults

Kang 等[80]考慮了電壓、電流之間的相關性，以此為依據來區分傳感器故障與連接故障。這是因為，雖然電壓傳感器故障與連接故障均會引起電壓的波動，但傳感器故障引起的異常電壓信號不會對模塊的其他輸出信號產生影響，而連接故障導致的接觸電阻過大則會同時引起電壓、電流的波動，導致電壓與電流有很強的相關性。通過對電壓、電流信號之間相關系數的評估，也可以作為兩種故障的區分依據。

以上方法對電壓傳感器布局的忽視，導致了故障診斷與識別過程存在較大的時延。Ma 等[81]提出了一種將電壓拓撲結構導入圖形的自編碼，采用電壓傳感器的圖形數據來增強傳統自動編碼器的重構能力，提高故障檢測的靈敏度。

4 總 結

本文綜述了電池系統的故障類型，系統地總結了單電池故障、傳感器故障、連接故障、執行器故障、熱管理系統故障的電、熱信號特征，并基于這些特征對故障類型的識別策略做了歸納。

電池系統中的元器件種類多、數量龐大，元器件之間的電氣連接復雜，且造成故障的因素眾多，各因素之間高度耦合、非線性強，這些均為電池系統的故障診斷提出了挑戰。在一代代研究者們的努力下，領域難題相繼被攻克，電池系統故障診斷的研究取得了迅猛的進展。限于科技發展水平，目前還存在以下問題：

（1）多數診斷方法是針對單一故障而開發的，對多類型故障的同時診斷的研究較少；

（2）故障的評價指標多數基于電壓、電流、溫度等時域信號，對故障類型的區分度低，對早期故障的特異性差；

（3）診斷算法難以實現復雜度、精度與魯棒性的兼顧。

隨著新型傳感技術、智能故障診斷技術、端云一體化控制技術等的發展，電池系統的故障診斷技術必將迎來跨越式發展，為電池系統的安全管理提供有力的保障。