一种串联型电池故障预测方法

技术领域

本发明属于电池储能系统设计与控制技术领域，涉及一种串联型电池故障预测方法。

背景技术

锂离子电池作为能量密度最高的二次化学电源，还具有重量轻、无污染、安全可靠性高、寿命长、充放电效率高等诸多优点。由于电池单体通常在容量和电压等级上无法满足实际使用要求，需要将数百个单体电池串、并联组成电池系统，以提高电池系统容量及输出电流。然而随着电池数量的增加，不可避免会带来不一致性的问题，一旦其中的某个电池发生故障，带来的系统维护成本是巨大的，甚至可能导致系统性风险，带来灾难性后果，严重影响了电池系统的发展与应用。因此，建立准确的串联型电池故障预测方法来准确预测故障，对其设计、控制及工程应用至关重要。

当前，国内外关于电池建模的研究及专利多集中在电池单体方面，关于串联型电池故障诊断的文献不多，专利CN202211171127.0发明一种电动汽车电池故障多参数联合诊断方法,其方法为：获取待诊断电动汽车动力电池各单体特征参数时序值,建立特征参数时序矩阵,并逐行计算特征参数方差,建立特征参数方差矩阵,根据预先设定初始长度的滑窗,从上至下划过特征参数方差矩阵,并对滑窗内的方差进行异常值筛选,致使遍历完方差矩阵,若在滑窗内有异常方差,则初始异常方差所对应时刻即为电池故障发生时刻,同时按识别故障发生时刻前某一段时间内特征参数时序矩阵重新截取,组成子矩阵,对子矩阵逐列计算方差,并运用异常值识别算法识别出异常方差以及对应序号,其异常方差序号即为识别故障单体位置，能够快速定位电池故障发生时刻以及具体位置。该专利的优点是通过建立特征参数时序矩阵，汇总了可能出现的全部异常数据，缺点是无法针对潜在故障进行预测，提前排除故障隐患，避免造成的不利影响。专利(CN202210723748.9)公开了一种电池组中故障模块判定及处理方法，其方法为：在OCV状态下,获取并记录电池组中各电池模块的电压值；通过获取各电池模块的电压值计算电池组电压平均值；各电池模块的电压值与电池组电压平均值对比,判断对应的电池模块是否出现故障。该专利的优点是通过采集电压平均值，一定程度避免了故障误判，缺点是无法解决临时出现的电压异常故障。专利(CN202210872840.1)按照设定时间间隔获取动力电池组的电压数据；将所述电压数据构建成若干第一电压时间序列,并将各个第一电压时间序列的电压与预设电压阈值进行比较,初步诊断动力电池组是否存在故障；当初步诊断动力电池组不存在故障时,对所有第一电压时间序列进行相空间重构,得到若干第二电压时间序列；利用模糊隶属函数计算任意两个第二电压时间序列之间的相似度,进而依次计算各个第二电压时间序列的模糊熵值；根据所述模糊熵值与预设模糊熵值阈值的比较结果,最终在线诊断出各个设定时间间隔内动力电池组的故障及其发生时间。该专利的优点是通过相空间重构的方式，提高了诊断效率，缺点是整个过程严重依赖训练数据。根据上述专利的优缺点，本专利提取特殊的故障因子，采用少量训练数据，通过组合预测模型，不仅可以对串联型电池实现故障诊断，还可以对其实现故障预测，将部分流程简化，提出了一种串联型电池故障预测方法。

发明内容

本发明解决的问题是在于提供一种串联型电池故障预测方法，一方面，解决了串联型电池中故障因子表征不准确的问题，不仅可以对串联型电池已有的故障诊断，还可以对串联型电池潜在故障进行预测；另一方面，简化了故障定位流程，并且对故障类型进行分类，提高了故障预测的效率和作用。

本发明目的是通过以下技术方案来实现：

本发明提供一种串联型电池故障预测方法，电池串是由m个电池单体通过串联而成，其中m为大于1的自然数，其结构图如图1所示。

一种串联型电池故障预测方法如下：

由实验得到电池串参数电流I，结合串联电路工作特性，当电池串中被预测的电池单体电压达到恒流充电末端电压U

以E

根据训练数据A、训练数据B，分别构建灰色模型GMⅠ、灰色模型GMⅡ，将2个GM模型的输出值相加，再求平均值，作为训练组合模型的输入，将平均值及训练数据C中E

构建设原始非负数据序列x

根据

得到新累加数据序列x

定义GM(1,1)模型的一阶线性灰微分方程为：

模型参数向量为：

其中，

矩阵

Y＝[x

矩阵

Z

其中，

原微分方程的离散解为：

其中，k＝1,2,3，…，n。

当初始条件

其中，k＝1,2,3，…，n。

所述的灰色模型GMⅡ为GM(1,1)模型的改进，在具体的建模过程中，对原始数据进行数据转换，并同时利用组合插值优化优化了GM(1,1)模型的背景值构造公式。其背景值构造公式为：

其中，k＝1,2,3，…，n-2。

其求解流程与GM(1,1)建模相同。

如图3所示，所述的训练组合模型是通过训练SVM，与灰色模型GMⅠ、灰色模型GMⅡ共同构成更精确的组合预测模型。

以需要预测的序数n作为输入，经组合预测模型，得到相应的能量预测值E

当预测电池单体存在故障后，输出数据库所对应的电池单体序号，根据序号确定故障电池单体具体位置，实现故障定位功能。如图4所示，当故障分析模块的判断出故障后，根据组合模型预测值，追溯电池单体序号；以电池串中其他稳定电池单体作为参照对象，建立包含故障单体历史T

本发明所述的故障预测方法既可适用于锂电池，也可适用于铅酸电池、镍镉电池。

本发明所述的故障预测方法可适用于电池单体、电池模块、电池组的串联成组方式。

附图说明

图1为串联型电池系统结构示意图；

图2为串联型电池增加能量示意图；

图3为串联型电池故障预测方法方框图；

图4为故障类型诊断示意图。

具体实施方式

下面结合具体的实例对本发明作进一步的详细说明，所述为对本发明的解释而不是限定。

具体实例所介绍的串联型电池系统是由10个电池单体通过串联而成，标号分别为#1、#2、#3、#4、#5、#6、#7、#8、#9以及#10，每个电池单体的额定电压为3.7V，额定容量为860mAh，放电截止电压为3V。以250mA恒定电流充电，在恒流充电末端，电池单体#3电压率先达到3.7V并且电压稳定。此时，对其他9个单体计时，得到它们电压达到3.7V所需要的时间分别为522s、533s、545s、553s、567s、559s、547s、531s、511s。因为电池数据齐全，数据预处理过程无须剔除电压或时间数据不全的电池单体。

计算9节电池在相应时间内增加的电池能量。

根据下式

ΔE

计算获取每节电池在时间Ti内增加的电池能量ΔE

根据下式

计算每次充电中电池串在时间Ti内增加的电池能量E

根据20个E

根据训练数据A、训练数据B，分别构建GM模型Ⅰ、GM模型Ⅱ，并分别输出训练数据C中序数对应的预测值(2组E

将2组E

故障分析模块阈值设置。

根据下式

E

可得到一个初步数值11988，根据电池系统实际情况对数值进行小范围浮动，此处阈值可设置为11000；

拟对#3电池单体未来30次作抽样预测，输入序数33、51、72，经组合预测模型预测，得到3个预测数值E

当E