[发明专利]一种基于模糊卡尔曼滤波的锂离子电池短路故障诊断方法

说明书

本发明公开了一种基于模糊卡尔曼滤波的锂离子电池短路故障诊断方法。包括：首先获取电池组的离线数据，再根据电池组的离线数据进行参数估计和构建基准健康模型；接着获取电池组的在线数据，利用模糊卡尔曼滤波方法构建并求解健康差异反馈模型，获得各个电池的SOC差异值；然后，使用带阈值的RLS计算各个电池的电池短路电流，进而计算获得电阻，并将短路电流作为反馈量输入健康差异反馈模型中形成闭环；最后根据电池的短路电流和电阻对电池进行短路诊断。本发明解决了在极端故障下的估计误差问题以及在低SOC区域估计不准确的问题和短路电流对电池模型的影响问题，估算精度至少比传统算法高出50％，且越微小的短路故障优势越明显。

技术领域

本发明涉及电池故障诊断领域的一种电池短路故障诊断方法，涉及一种基于模糊卡尔曼滤波和健康差异反馈模型的串联锂离子电池组软短路故障诊断方法。

背景技术

锂离子电池(LIB)具有高电量密度，长循环寿命和对环境友好等优势。为了满足电动汽车(EV)的高续航要求，电池容量和规模被一再扩大，而这种做法会导致电池安全受到威胁。锂离子电池在经过长时间使用，无意识的滥用或者工作环境恶劣等情况后，可能会发生内部短路，这会大大降低电池使用寿命并在严重的情况下会导致热失控的发生，从而产生更加严重的安全事故。因此对于电池故障尤其是短路故障的早期发现和诊断显得尤为重要。

短路故障从故障种类角度可以被分成内短路(ISC)和外短路(ESC)，虽然ISC和ESC的故障机理不同，但他们的外部表征非常相似，所以可以用同一个等效电路模型来描述。从故障等级来看短路故障可以被分成软短路(SSC)和硬短路(HSC)。硬短路被认为是后期的短路故障，此时故障特征明显，且已经处于迅速恶化和不可逆的时期。相较而言，软短路故障被认为是处于早期的故障，故障特征不明显且难以被常规手段诊断得到。近年来，主流的短路故障诊断算法主要分为剩余充电容量法(RCC)和不一致性检测法。RCC算法通过对比健康电池和故障电池在一个充放电循环后的电量差异进行故障诊断，因此需要很长的检测时间。不一致性检测法通过对比电池的各种特性检索出电池故障特征，虽然检测时间有所降低，但对模型精度的要求相对更高。然而如果采用高精度的模型，会出现无法在线实时测量或者在线计算量过大的问题。

发明内容

为了在解决背景技术中问题的同时将算法应用于在线串联电池组，本发明的目的在于提出了一种基于模糊卡尔曼滤波的锂离子电池短路故障诊断方法。本发明基于提出的健康差异反馈模型(Health Difference Feedback Model)，结合模糊卡尔曼滤波算法(Fuzzy Kalmen Filter)，设计了一个闭环的健康差异反馈模型。通过离线部分采集串联电池组的部分信息，与在线部分实时监控电池的健康状况，快速且准确得诊断出电池组中部分电池(数目可1)的软短路或硬短路故障情况。本发明解决了在极端故障下的估计误差问题以及在低SOC区域估计不准确的问题和短路电流对电池模型的影响问题，估算精度至少比传统算法高出50％，且越微小的短路故障优势越明显。

为了实现以上目的，本发明采用的技术方案如下：

步骤1：离线采集电池组中所有电池的电流、电压、SOC-OCV曲线和电池容量；

步骤2：根据离线采集的所有电池的SOC-OCV曲线，基于T-S Fuzzy系统原理，使用遗传算法对所有电池的SOC-OCV曲线进行线性化处理，分别得到所有电池的各个SOC值对应的斜率和截距，由各个SOC值与对应的斜率和截距组成所有电池的3D查表曲线；根据离线采集的电池组中所有电池的电流和电压，利用粒子群优化算法计算电池组的平均内阻和所有电池对应的初始内阻差异；

步骤3：选择电池组中的一个电池并作为健康电池，根据电池组的平均内阻和健康电池的初始内阻差异计算健康电池的内阻，接着构建健康电池的电池模型并作为基准健康模型；