电池组故障预诊断方法的研究

摘要

目前，市场上大部分的BMS都设置了一个恒定的故障阈值，但随着动力电池回收次数的增加，电池的外部特性也会发生变化。在电池老化诊断不及时后，也可能会出现一个恒定的故障诊断阈值。电池电压是电池外部特性的直接体现，因此电池电压的故障诊断是最重要的。电池电压过高或过低是最明显的故障。通常情况下，这是不应该发生。当然，由于电池组的逐渐老化，单体与每个电池的充电状态之间的不一致，无法避免每个电池电压的不一致。然而，在老化程度的情况下，由电池制造或不一致引起的电压差是有限的。基于电池放电数据，本研究的目的是提出一种提前识别渐进故障信号的方法，通过检测和诊断电池突然故障引起的问题。

概述

在国家一系列国家储能政策的支持下，2018年以来我国储能行业的发展进入快车道，特别是“531新政”的发布使光伏产业一夜衰落。企业和专家将光伏和储能的结合推到疫情爆发窗口。但在热门发展的背后，由于电池、PCS质量问题或系统集成商建设能力混杂，潜在的火灾风险也随之而来，储能发电站经常发生火灾事故。近年来，电网侧储能电站的大量电池已被烟制电池所取代。最严重的是8月初镇江用户侧储能项目中磷酸锂铁电池容器的燃烧和燃烧，事故发生后立即引起了业界的广泛关注。影响着整个行业的锂电池的安全，又一次走上了储能行业快速发展的前沿道路。

研究现状

锂离子电池的检测是由电压的大小直接获得的，电池的电压和电流与电流成正比，因此可以通过直接观察电压和电流来知道电池的充电状态。随着锂电池的发展，最早的SOC检测算法——出现了安培法，进而出现了开路电压法、负载电压法、内阻法等。这些方法都有相对较大的误差。后来，相对成熟的数学方法模型方法和卡尔曼滤波方法已经得到了很好的应用。在神经网络出现后，将智能控制应用于电池的在线检测。智能控制领域的一系列算法，如人工神经网络方法和模糊控制推理方法，通过改进在在线检测中得到了很好的应用。虽然目前的锂电池在线检测技术与本世纪相比发生了质的变化，但已经实现了电池SOC和SOH的实时在线检测。然而，目前的研究和工业化实践还只是一个开始。对于电池的SOC和SOH评估及其错误，目前缺乏一个学术或行业认可的标准。更重要的是，目前还缺乏一种针对电池热失控和内部短路的预防性诊断实施方案。

电池失效机制

值得注意的是，由过充电引起的内部短路并不一定会立即触发热失控。这一过程的温升可能不足以达到热临界阈值。当车辆离开充电站后，电池温度继续上升，失控的温度导致车辆着火。由机械损坏引起的内部短路是由汽车碰撞时电池的挤压/穿孔造成的。这种情况很难预测，只能通过适当的对策来减少。

目前，已经对电池过充的故障机制进行了研究。当电池过电时，由于负极的存储栅格已满，随后的锂离子将聚集在负极材料表面形成金属锂离子。

电池过放电的主要表现是活性物质结构的破坏，它会对锂电池的正负电极造成永久性的损伤。连续的过放电过程会导致电池的负极电位不断增加。当负极电位达到铜箔集电极溶解电位时，就会发生铜箔溶解的电化学反应。溶解的铜离子通过膜片到达电池的正极，并在低电位区域中被还原为金属铜。逐渐沉积的金属铜从正方向生长，最终通过隔膜，引发电池内部短路。

然而，大量的故障预警和现象主要集中在电化学的研究上。对于运行中的锂电池，通过现有的故障研究方法难以避免安全风险。锂电池只能采集电压、电流、温度等数据。如何通过这些外部特性参数直接表征电池的故障特性是本文研究的重点。

故障识别步骤

本实验基于电池放电数据，提出了一种检测和诊断历史运行数据极值差变化趋势的方法，提前识别渐进故障信号，减少电池突发故障引起的问题。删除异常值下轮廓，获取新的输入数据，输出最终诊断结果（正常）。步骤1处理目标锂离子电池中所有单体电池的实时放电曲线，提取所有单体电池的SOC值的电压值，并记录电压范围。当电压范围集数大于2时，i放电曲线的电压极值差变化率为ki，具体步骤输入数据；记录数据集如下：记录电池组放电期间满足一定SOC±X%条件的数据；△Vi=Vimax-Vimin极性差计算公式kii>2ki=△Vi-△Vi-1计算极值差的变化率，其中△Vi为i放电曲线某SOC下的电压差，V为最大电压Vimax在i放电曲线的某个SOC时，Vimin For i在某个SOC时的最小电压放电曲线。

X的值范围为0.5≤X≤1。

步骤4的方框图确定内部数据是否存在上限。步骤5；如果上限，不存在，确定下限是否存在，步骤6，如果不存在，则输出最终诊断（正常），在输入内部数据集后，使用方框图确定异常值，其中上限是由公式上限≥Q3+1.5IQR，下限由下大纲≤Q1-1计算。5IQR公式，其中，IQR=Q3-Q1，Q3是上四分位数，即将从小到大的数据集，第一个四分位数，第三(n+1)/4，Q1是下一个四分位数，即将从小到大的数据集，四分之一分位数是数字(n+1)/4。

目标锂离子电池包括磷酸铁锂电池和三元材料电池。电池组可以是一个有多芯并联和串联连接的电池组系统。该数据包括当所有单个电池放电时的SOC值的电压值。SOC值可以是任何SOC值的0-100%。

实验验证

恒流充放电循环，在300A恒温条件下进行，直到电池组不能正常工作为止。实验结果共用了3天，电池组报废，电池处于恒温状态。从之前放电的单体电压数据中，提取50%SOC件下电池组电压的极值差，得到电压极差数据集∆Vହ଴%={∆vଵ，∆vଶ，.............∆v୬}，n为循环数。电池包放电电压极值差随周期次数变化如图2所示，放电周期次数对应的具体时间如表1所示。总体而言，在电池组完全报废前，电压极值差有序增加，但第9号处的部分最大值除外放电和第18次放电，受外部温度因素的影响；25次放电到28次放电周期，极电压差的变化率增加，特别是在第27和28次放电电压极值差与数据集相差较大，急剧上升。表3为电池组从开始到检测到的故障的部分检测输入和输出数据。故障发生前的第25次放电为早期预警。

多达26次放电，检测结果为故障，说明电池组有渐进故障，需要维修或更换。在循环老化的实验结果中，电池组在完全故障（无法正常充放电）之前进行了28次放电循环。本文采用的基于方框图的渐进式故障检测方法，可以提前识别故障信息。该方法避免了突然故障对工程/系统的安全和经济影响。

一般情况下，在电池组完全报废之前，电压极值差会有序增大。在正常情况下，电压极值差的变化率变化平稳。因此，通过监测电池电压差的变化率来预测电池故障是可行的。