一种适用于稀疏数据的磷酸铁锂电池故障诊断方法

摘要

本发明提供一种适用于稀疏数据的磷酸铁锂电池故障诊断方法，涉及新能源电池应用技术领域，具体是通过收集某一日期车辆行驶工况过程中目标电池和对比电池的单体电压、电流及SOC数据，通过所搭建电池模型开展开路电压辨识，通过拟合或平滑处理后得到目标电池单体与对比电池单体的开路电压差，从行驶开始时间做判断，记录开路电压差值大于某阈值a的时刻，并记录该时刻对应的SOC值为SOC

说明书

技术领域

本发明涉及新能源电池应用技术领域，更为具体地说是指一种适用于稀疏数据的磷酸铁锂电池故障诊断方法。

背景技术

动力电池高比能量、长寿命的优点推动了新能源汽车蓬勃发展。但电池问题导致的起火占比高达61％，引发了严重的人身、财产损失，在一定程度上阻碍了新能源汽车的推广。起火、冒烟等事故的发生经常是由电池故障引发。通过云端后台大数据对电池进行在线故障的识别，是避免车辆财产损失的有效手段。

然而，受数据上传频率的影响，当频次高于1s时，电流积分容易引入较大误差，并且当存在频繁丢数据的数据质量问题时，也容易对电流积分产生较大影响。当以上两种特殊情况发生时，电池故障的识别难度会明显加大。尤其是对于电压平台较为平坦的电池体系来说如磷酸铁锂电池，该种情况下电池微短路程度和健康状态的评估更是难上加难。

公开号为CN113848489A的中国发明专利公开了一种电池的短路识别方法、装置及存储介质，通过在对多个样本电池进行充放电循环测试的过程中，分别多次获取样本电池在静置阶段的自放电率和静置时长，以得到多个样本电池中的每个样本电池的多个自放电率和静置时长的对应关系，根据对应关系计算自放电率阈值，对与样本电池相同类型的目标电池进行充放电循环测试，并获取目标电池在静置阶段的自放电率，判断该自放电率是否大于自放电率阈值，若大于自放电率阈值，则停止充放电循环测试并进行短路提示。然而，该专利对多个样本电池充放电循环测试中，需要多次获取样本电池静置阶段的自放电率和静置时长，而实车使用过程中很难满足静置要求。

而公开号为CN112924873A的中国发明专利公开一种电池包微短路的在线诊断方法及系统，采用相邻两次充电数据的容量差值一致性判断短路电芯，但磷酸铁锂电池平台较平受电压传感器误差和充电倍率影响容易引入误差，无法量化短路程度，并且充电过程有时受充电桩功率限制难以保障恒流模式，使算法无法应用。

为此，我们提供一种适用于稀疏数据的磷酸铁锂电池故障诊断方法。

发明内容

本发明提供一种适用于稀疏数据的磷酸铁锂电池故障诊断方法，以克服现有电池在线故障的识别无法适用于稀疏数据的磷酸铁锂电池故障识别等缺点。

本发明采用如下技术方案：

一种适用于稀疏数据的磷酸铁锂电池故障诊断方法，包括以下步骤：

步骤一、收集某个日期D(i)车辆运行过程中电池相关参数，包括对比电池单体电压V

步骤二、对步骤一收集到的数据，通过搭建电池模型、参数辨识，得到D(i)的每个电压数据对应的开路电压数据，由V

步骤三、求解SOC

dU

k＝find(dU

SOC

其中，find为dU

步骤四、重复步骤一至步骤三，计算其它日期Dj1对应的SOC

步骤五、根据故障诊断结果发出相应预警。

一较佳实施方案中，上述步骤一收集电池相关参数数据开始的时刻要求电池系统为满电状态，即SOC≥99％，收集数据结束的时刻为车辆运行结束、开始去充电前的时刻。

一较佳实施方案中，上述步骤一中的对比电池单体电压V1为最高单体电压V

一较佳实施方案中，上述步骤二中的电池模型为电池等效电路模型或电化学模型，所述参数辨识为所有能辨识得到OCV的算法，为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。

一较佳实施方案中，上述步骤三中用于拟合U

一较佳实施方案中，上述步骤三中的SOC(k)为BMS发送的SOC或者为修正的SOC；当采用SOC修正值时，修正方法为：利用充电曲线恒流充电阶段的数据，判断BMS显示的SOC变化率，即计算平均每增长1％SOC时对应的容量变化ΔQ，SOC’＝SOC×ΔQ×100/Qn，或SOC’＝100-[(100-SOC)×ΔQ×100/Qn]，Qn为电池的额定容量，ΔQ采用聚类或智能算法获取得到。

一较佳实施方案中，上述步骤三中的差值计算结束控制参数a，根据电池开路电压曲线特征而设定，为大于0.030的数值，单位为V。

当电池模型精度足够高、辨识的Uoc1与Uoc2误差很小时，a为电池电压曲线高低两个平台的差值；当电池模型精度一般、辨识的Uoc1与Uoc2误差较大时，a为高低两个平台差值的修正值，修正方法为在a的基础上加上d，d根据模型误差进行相应调整。

一较佳实施方案中，上述步骤四中的c可以根据SOC估算误差精度做相应的调整。

本发明还可以采用以下方案：

一种适用于稀疏数据的磷酸铁锂电池故障诊断方法，包括以下步骤：

步骤一、收集某个日期D(i)车辆运行过程中电池相关参数，包括对比电池单体电压V

步骤二、对步骤一收集到的数据，通过搭建电池模型、参数辨识，得到D(i)的每个电压数据对应的开路电压数据，由V

步骤三、求解SOC

dU

SOC

其中，从k＝1开始对dU

步骤四、重复步骤一至步骤三，计算其它日期Dj1对应的SOC

步骤五、根据故障诊断结果发出相应预警。

由上述对本发明的描述可知，和现有技术相比，本发明具有如下优点：

一、本发明通过收集某一日期车辆行驶工况过程中目标电池和对比电池的单体电压、电流及SOC数据，通过所搭建电池模型开展开路电压辨识，通过拟合或平滑处理后得到目标电池单体与对比电池单体的开路电压差，从行驶开始时间做判断，记录开路电压差值大于某阈值a的时刻，并记录该时刻对应的SOC值为SOC

二、本发明通过提取当天运行数据中最高、最低单体电压(或SOC最低单体的电压)即可实现故障的诊断，无需收集每个单体电压值，减轻数据传输负荷，简化运算；计算过程耗时少，适用于在线估算。

附图说明

图1为本发明实施例一的流程图。

图2为本发明实施例二的流程图。

具体实施方式

下面参照图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。对于公知的组件、方法及过程，以下不再详细描述。

实施例一

一种适用于稀疏数据的磷酸铁锂电池故障诊断方法，参照图1，包括以下步骤：

步骤一、选择日期D(i)，收集日期D(i)车辆运行过程中电池相关参数，包括对比电池单体电压(如最高单体电压V

步骤二、对步骤一收集到的数据，通过搭建电池模型、参数辨识，得到D(i)的每个电压数据对应的开路电压数据，由V

步骤三、求解SOC

dU

k＝find(dU

SOC

其中，find为dU

上述步骤三中的SOC(k)为BMS发送的SOC或者为修正的SOC；当采用SOC修正值时，修正方法为：利用充电曲线恒流充电阶段的数据，判断BMS显示的SOC变化率，即计算平均每增长1％SOC时对应的容量变化ΔQ，SOC’＝SOC×ΔQ×100/Qn，或SOC’＝100-[(100-SOC)×ΔQ×100/Qn]，Qn为电池的额定容量，ΔQ采用聚类或智能算法等获取得到。

上述a为差值计算结束控制参数，根据电池开路电压曲线特征而设定，为大于0.030的数值，单位为V。当电池模型精度足够高、辨识的Uoc1与Uoc2误差很小时，a为电池电压曲线高低两个平台的差值；当电池模型精度一般、辨识的Uoc1与Uoc2误差较大时，a为高低两个平台差值的修正值，修正方法为在a的基础上加上d，如0.01。d也可以根据模型误差进行相应调整。

步骤四、重复步骤一至步骤三，计算其它日期Dj1对应的SOC

其中，Di、Dj1、Dj2以天为单位，Dj1可为Di往前推一周以上的日期，Dj2为与Dj1相差1天以上的日期；c为故障阈值，本实施例具体示出的c＝5％，但c还可以根据SOC估算误差精度做相应的调整。

步骤五、根据故障诊断结果发出相应预警。

实施例二

一种适用于稀疏数据的磷酸铁锂电池故障诊断方法，参照图2，包括以下步骤：

步骤一、收集某个日期D(i)车辆运行过程中电池相关参数，包括对比电池单体电压(如最高单体电压V

步骤二、对步骤一收集到的数据，通过搭建电池模型、参数辨识，得到D(i)的每个电压数据对应的开路电压数据，由V

步骤三、求解SOC

dU

SOC

其中，从k＝1开始对dU

步骤四、重复步骤一至步骤三，计算其它日期Dj1对应的SOC

步骤五、根据故障诊断结果发出相应预警。

以上两个实施例所涉及的磷酸铁锂电池，可为新能源车电池系统，也可以为储能系统。

上述对比电池单体电压可以为最高单体电压V

上述电池模型可为电池等效电路模型或电化学模型；所述参数辨识为所有能辨识得到OCV的算法，可为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。

上述用于拟合U

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。