基于电量估计的电池内短路诊断方法、装置及存储介质

1.本发明涉及电池内短路诊断技术领域，尤其是涉及一种基于电量估计的电池内短路诊断方法、装置及存储介质。


背景技术：

2.随着人们对节能环保的日益重视，电动汽车受到了许多消费者的青睐。锂离子电池因为其能量密度高、功率密度高和自放电率低等优点被广泛应用于电动汽车。然而，锂离子电池存在如热失控的潜在安全问题，严重威胁消费者的人身安全和财产安全。内短路是引起电池热失控的主要原因之一。
3.早期内短路几乎没有明显的电特征和热特征，但持续时间长，如果能在电池内短路早起检测出故障并预警，就可以有效预防热失控发生。因此，如何及时、准确的对电池进行内短路诊断至关重要。


技术实现要素：

4.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电量估计的电池内短路诊断方法、装置及存储介质，能够在线、准确地实现在充电过程对电池进行频繁、实时的诊断，有效保证电动汽车的安全性。
5.本发明的目的可以通过以下技术方案来实现：
6.一种基于电量估计的电池内短路诊断方法，该方法包括：
7.s1、离线获取待诊断型号电池的若干充电循环的电压、电流数据；
8.s2、以基于阿伦尼乌斯老化模型估计充电电压区间内的电量的精确度为约束条件，采用智能优化算法确定电池的最优充电电压区间；
9.s3、在线获取电池最优充电电压区间内的实际电量，并基于阿伦尼乌斯老化模型确定内短路发生的充电循环。
10.优选地，所述的阿伦尼乌斯老化模型表示为：
[0011][0012]
ca(n)＝(1-ξ(n))
·
c0[0013]
其中，ξ(n)为电池充电电压区间内的相对电量损失，a为大于零的常数，ea是单位为j/mol的活化能，r是单位为j/(mol k)的气体常数，t是单位为k的绝对温度，n是充电循环次数，z是幂系数，ca(n)表示第n个充循环时充电电压区间内的估计电量，c0表示充电电压区间内的初始电量。
[0014]
优选地，步骤s2具体包括：
[0015]
s21、设定充电电压区间的上限电压为u
ub
，下限电压为u
lb
；
[0016]
s22、基于离线获取的电压、电流数据计算各个充电循环在充电电压区间的实际电量；
[0017]
s23、利用阿伦尼乌斯老化模型估计各个充电循环在充电电压区间的估计电量；
[0018]
s24、以阿伦尼乌斯老化模型中的参数a、ea/r、z以及u
ub
、u
lb
为变量，以充电电压区间内估计电量与实际电量的误差和最小为约束条件进行参数辨识，获取阿伦尼乌斯老化模型中的参数a、ea/r、z以及最优充电电压区间的上下限电压。
[0019]
优选地，步骤s3包括：
[0020]
s31、在线获取电池从初始充电循环开始的前l个充电循环的电压、电流数据，计算出最优充电电压区间内实际电量cs(1)～cs(l)；
[0021]
s32、以前l个充电循环为基准，以作为基准的所有充电循环中最优充电电压区间内估计电量与实际电量的误差和最小为约束条件进行参数辨识，确定阿伦尼乌斯老化模型中的模型参数；
[0022]
s33、利用建立的阿伦尼乌斯老化模型估计出第l+1个循环的估计电量ca(l+1)，判断其与在线获取的该充电循环实际电量cs(l+1)的误差σ(l+1)是否小于设定的误差阈值τ，如果σ(l+1)＜τ，则确定该循环是否发生内短路；
[0023]
s34、如果σ(l+1)≥τ，则判断该循环未发生内短路，则赋值l＝l+1，重复步骤s32～s34。
[0024]
优选地，某一充电电压区间内的实际电量通过下式获取：
[0025][0026]
其中，cs(n)表示第n次充电循环时充电电压区间内的实际电量，t
lb
(n)为第n次循环时充电电压区间下限电压u
lb
对应的时间，t
ub
(n)为第n次循环时充电电压区间上限电压u
lb
对应的时间，i为电流。
[0027]
优选地，参数辨识确定阿伦尼乌斯老化模型中的模型参数的约束条件表示为：
[0028][0029]
其中，σ
sum
(k)为k个充电循环中充电电压区间内估计电量与实际电量的误差和，ca(n)为阿伦尼乌斯老化模型估计出第n个充电循环的估计电量，cs(n)为第n个充电循环的实际电量。
[0030]
优选地，充电电压区间的上限电压u
ub
和下限电压u
lb
满足：u
max
》u
ub
》u
lb
》u
min
，u
min
为放电截止电压，u
max
为充电截止电压。
[0031]
优选地，误差阈值τ步骤s1和步骤s2离线实验获取：基于阿伦尼乌斯老化模型估计不同充电循环时最优充电电压区间内的估计电量，同时基于离线数据获取响应充电循环时最优充电电压区间内的实际电量，绘制估计电量和实际电量的误差-循环次数曲线，基于误差-循环次数曲线确定误差阈值τ。
[0032]
一种基于电量估计的电池内短路诊断装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现所述的基于电量估计的电池内短路诊断方法。
[0033]
一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现所述的基于电量估计的电池内短路诊断方法。
[0034]
与现有技术相比，本发明具有如下优点：
[0035]
(1)本发明利用充电电压区间内电量估计进行内短路诊断，在确定最优充电电压区间后，对于同类型电池单体，可以在相同充电区间内利用阿伦尼乌斯老化模型电量估计，进而基于充电电量进行内短路诊断，内短路诊断的原理为：当电池在某一循环发生内短路时，电池发生自放电，因此会造成电池在该循环时从充电电压区间下限电压充电至上限电压的时间增加，导致使用安时积分法计算出的充电电量增大，此时阿伦尼乌斯老化模型估计电量应当比在线获取的电量小，误差为负，电池短路越严重，该现象越明显。
[0036]
(2)本发明在线进行电池内短路诊断时通过未发生内短路充电循环的数据进行阿伦尼乌斯老化模型的参数辨识更新，使得模型能够精确进行充电电量的估计，保证内短路诊断的精准性。
[0037]
(3)本发明能够在线、准确地实现在充电过程对电池进行频繁、实时的诊断，有效保证电动汽车的安全性。
附图说明
[0038]
图1为本发明一种基于电量估计的电池内短路诊断方法的流程框图；
[0039]
图2为本发明实施例中离线阶段电池30个充电循环的电压-时间曲线；
[0040]
图3为本发明实施例中离线阶段电池最优充电区间内阿伦尼乌斯估计电量和实际电量-循环次数曲线；
[0041]
图4为本发明实施例中离线阶段电池阿伦尼乌斯估计电量和实际电量的误差-循环次数曲线；
[0042]
图5为本发明实施例中在线诊断阶段电池38个充电循环的电压-时间曲线；
[0043]
图6为本发明实施例中在线诊断阶段电池最优充电区间内阿伦尼乌斯估计电量和实际电量-循环次数曲线；
[0044]
图7为本发明实施例中在线诊断阶段电池阿伦尼乌斯估计电量和实际电量的误差-循环次数曲线。
具体实施方式
[0045]
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。
[0046]
实施例
[0047]
如图1所示，本实施例提供一种基于电量估计的电池内短路诊断方法，该方法包括：
[0048]
s1、离线获取待诊断型号电池的若干充电循环的电压、电流数据；
[0049]
s2、以基于阿伦尼乌斯老化模型估计充电电压区间内的电量的精确度为约束条件，采用智能优化算法确定电池的最优充电电压区间；
[0050]
s3、在线获取电池最优充电电压区间内的实际电量，并基于阿伦尼乌斯老化模型确定内短路发生的充电循环。
[0051]
其中，阿伦尼乌斯老化模型表示为：
[0052][0053]
ca(n)＝(1-ξ(n))
·
c0[0054]
其中，ξ(n)为电池充电电压区间内的相对电量损失，a为大于零的常数，ea是单位为j/mol的活化能，r是单位为j/(mol k)的气体常数，t是单位为k的绝对温度，n是充电循环次数，z是幂系数，ca(n)表示第n个充循环时充电电压区间内的估计电量，c0表示充电电压区间内的初始电量。
[0055]
步骤s2具体包括：
[0056]
s21、设定充电电压区间的上限电压为u
ub
，下限电压为u
lb
，充电电压区间的上限电压u
ub
和下限电压u
lb
满足：u
max
》u
ub
》u
lb
》u
min
，u
min
为放电截止电压，u
max
为充电截止电压；
[0057]
s22、基于离线获取的电压、电流数据计算各个充电循环在充电电压区间的实际电量；
[0058]
s23、利用阿伦尼乌斯老化模型估计各个充电循环在充电电压区间的估计电量；
[0059]
s24、以阿伦尼乌斯老化模型中的参数a、ea/r、z以及u
ub
、u
lb
为变量，以充电电压区间内估计电量ca(1)～ca(m)与实际电量cs(1)～cs(m)的误差和σ
sum
(m)最小为约束条件进行参数辨识，获取阿伦尼乌斯老化模型中的参数a、ea/r、z以及最优充电电压区间的上下限电压，σ
sum
(m)表示为：
[0060][0061]
σ
sum
(m)为m个充电循环中充电电压区间内估计电量与实际电量的误差和，ca(n)为阿伦尼乌斯老化模型估计出第n个充电循环的估计电量，cs(n)为第n个充电循环的实际电量。
[0062]
当电池在某一循环发生内短路时，电池发生自放电，因此会造成电池在该循环时从充电电压区间下限电压充电至上限电压的时间增加，导致使用安时积分法计算出的充电电量增大，此时阿伦尼乌斯老化模型估计电量应当比在线获取的电量小，误差为负，电池短路越严重，该现象越明显，因此步骤s3包括：
[0063]
s31、在线获取电池从初始充电循环开始的前l个充电循环的电压、电流数据，计算出最优充电电压区间内实际电量cs(1)～cs(l)；
[0064]
s32、以前l个充电循环为基准，以作为基准的所有充电循环中最优充电电压区间内估计电量与实际电量的误差和最小为约束条件进行参数辨识，确定阿伦尼乌斯老化模型中的模型参数，参数辨识的约束与上述类似，表示为：
[0065][0066]
s33、利用建立的阿伦尼乌斯老化模型估计出第l+1个循环的估计电量ca(l+1)，判断其与在线获取的该充电循环实际电量cs(l+1)的误差σ(l+1)是否小于设定的误差阈值τ，如果σ(l+1)＜τ，则确定该循环是否发生内短路；
[0067]
s34、如果σ(l+1)≥τ，则判断该循环未发生内短路，则赋值l＝l+1，重复步骤s32～s34。
[0068]
以上过程中，离线进行最优充电电压区间确定以及在线进行内短路诊断时，需要获取充电电压区间内的实际电量，通过下式获取：
[0069][0070]
其中，cs(n)表示第n次充电循环时充电电压区间内的实际电量，t
lb
(n)为第n次循环时充电电压区间下限电压u
lb
对应的时间，t
ub
(n)为第n次循环时充电电压区间上限电压u
lb
对应的时间，i为电流。
[0071]
在上述在线诊断过程中的误差阈值τ是通过步骤s1和步骤s2离线实验获取的，具体为：基于阿伦尼乌斯老化模型估计不同充电循环时最优充电电压区间内的估计电量，同时基于离线数据获取响应充电循环时最优充电电压区间内的实际电量，绘制估计电量和实际电量的误差-循环次数曲线，基于误差-循环次数曲线确定误差阈值τ。
[0072]
作为一优选的实施方式，本实施例中模型参数辨识过程采用遗传算法进行参数辨识。
[0073]
基于以上，本实施例还提供一种基于电量估计的电池内短路诊断装置，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现上述基于电量估计的电池内短路诊断方法。
[0074]
此外，本实施例还提供一种存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现基于电量估计的电池内短路诊断方法。
[0075]
本实施例中所用的电池为三元锂离子电池，充放电截止电压分别为4.2v和3v，实际应用中不限于此。实验中对电池外接1000ω电阻来模拟电池发生内短路。
[0076]
1、离线获取动力电池每个充电循环的电压、电流数据。
[0077]
本实施例中未接电阻的正常电池的30个充电循环的电压-时间曲线如图2所示，需要说明的是：图2中30个充电循环的电压-时间曲线基本重合，稍有偏移，图中无法展示。
[0078]
2、以基于阿伦尼乌斯老化模型估计充电电压区间内的电量的精确度为约束条件，采用智能优化算法确定最优充电电压区间。
[0079]
阿伦尼乌斯老化模型通过如下方式建立：
[0080][0081]
ca(n)＝(1-ξ(n))
·
c0[0082]
其中，ξ(n)为电池充电电压区间内的相对电量损失，a为大于零的常数，ea是单位为j/mol的活化能，r是单位为j/(mol k)的气体常数，t是单位为k的绝对温度，n是充电循环次数，z是幂系数。ca(n)表示第n次循环时充电电压区间内的估计电量，c0表示充电电压区间内的初始电量。
[0083]
充电电压区间内实际电量的计算方法为：
[0084][0085]
其中，cs(n)表示第n次循环时充电电压区间内的实际电量，t
lb
(n)为第n次循环时充电电压区间下限电压u
lb
对应的时间，t
ub
(n)为第n次循环时充电电压区间上限电压u
lb
对应的时间，i为电流。
[0086]
本实施例中利用遗传算法辨识模型参数并确定最优充电电压区间方法具体如下：
[0087]
对于离线获取的正常电池的充电循环的数据，以模型参数和充电电压区间的上下限电压u
ub
、u
lb
为变量，以充电电压区间内估计电量ca(1)～ca(30)与实际电量cs(1)～cs(30)的误差和σ
sum
(30)最小为约束条件，误差和σ
sum
(30)的公式如下
[0088][0089]
利用遗传算法即可得到估计电量误差和σ
sum
(30)最小时的模型参数和最优充电电压区间的上下限电压u
ub
、u
lb
，最优充电电压区间为3.8022v～4.0963v。图3为该最优充电区间内阿伦尼乌斯估计电量和实际电量-循环次数曲线，图4为阿伦尼乌斯估计电量和实际电量的误差-循环次数曲线，可见误差在-0.1％～0.2％之间，根据该误差范围确定误差阈值τ＝-0.20％。
[0090]
3、在线获取电池最优充电电压区间内的电量并基于阿伦尼乌斯老化模型确定内短路发生的充电循环。
[0091]
本例中外接电阻的内短路电池的38个充电循环的电压-时间曲线如图5所示，需要说明的是：与图2类似，图5中38个充电循环的电压-时间曲线基本重合，稍有偏移，图中无法展示。
[0092]
当电池在某一循环发生内短路时，电池发生自放电，因此会造成电池在该循环时从充电电压区间下限电压充电至上限电压的时间增加，导致使用安时积分法计算出的充电电量增大，此时阿伦尼乌斯老化模型估计电量应当比在线获取的电量小，误差为负，电池短路越严重，该现象越明显。根据上述原理，诊断的具体方法为：
[0093]
31)在线获取电池从初始充电循环开始的前l个充电循环的电压、电流数据，计算出最优充电电压区间内实际电量cs(1)～cs(l)；
[0094]
32)以前l个充电循环为基准，以充电电压区间内估计电量ca(1)～ca(l)与实际电量cs(1)～cs(l)的误差和σ
sum
(l)最小为约束条件，利用智能优化算法辨识参数，建立阿伦尼乌斯老化模型；
[0095]
33)利用建立的阿伦尼乌斯老化模型估计出第l+1个循环的电量ca(l+1)，判断其与在线获取的该循环实际电量cs(l+1)的误差σ(l+1)是否小于设定的误差阈值τ，如果σ(l+1)＜τ，则确定该循环是否发生内短路。
[0096]
34)如果σ(l+1)≥τ，则判断该循环未发生内短路，则赋值l＝l+1，以前l+1个充电循环为基准，重复步骤32～34)。
[0097]
本例中在第31个充电循环时，估计电量ca(31)和实际电量cs(31)的误差为-0.246％，小于误差阈值τ，判断在该循环时电池发生了内短路。阿伦尼乌斯估计电量和实际电量-循环次数的曲线图如图6所示，阿伦尼乌斯估计电量和实际电量的误差-循环次数曲线图如图7所示。
[0098]
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。