[发明专利]一种基于模型和信号处理相结合的电池组多故障综合诊断方法

说明书

本发明公开了一种基于模型和信号处理相结合的电池组多故障综合诊断方法，设计电池组交叉电压测量拓扑有助于区分出电池组电池短路、传感器、电池连接等多种故障，且不增加硬件成本；针对不易直接从测量信号中观察到的故障，基于模型的残差生成，并且考虑模型参数与SOC之间的关系，能够实现实时故障检测；进一步结合熵等信号处理方法分析，能够有效分离出具有相似特征的故障，且对电池不一致性具有较好的鲁棒性；分步式多故障检测和分离方案减小计算量，复杂度适中足以应用到实车电池管理系统中。

技术领域

本发明涉及电池管理与电池安全技术领域，具体涉及一种基于模型和信号处理相结合的电池组多故障综合诊断方法。

背景技术

锂离子动力电池由于具有能量密度高、循环寿命长、环境友好以及价格逐年降低的优势，已成为电动汽车(EV)主流的储能装置。但电池系统安全问题成为限制EV快速发展的瓶颈。受自身抗滥用性差、外界环境和使用条件的影响，电池系统可能出现各种故障，引起动力电池加速退化，甚至是电解液泄露、起火、爆炸等安全事故。因此故障诊断研究对提高电池系统安全性至关重要。

目前研究的电池系统故障主要有电池故障、传感器故障、电池连接故障等，采用的故障诊断方法包括基于模型的方法，信号处理方法和机器学习方法。其中基于模型的方法应用最为广泛，由于利用了对电池系统动态过程的认识，能够获得实时的诊断效果。欧姆内阻(R_Ω)和荷电状态(SOC)的异常变化常作为电池短路故障的故障特征，这两个参数可通过基于模型的参数和状态估计得到。基于电池模型设计观测器或滤波器，如龙伯格观测器、卡尔曼滤波器(Kalman Filter,KF)、粒子滤波器(Particle Filter,PF)。进而通过构造残差生成器可实现传感器故障诊断。

但基于模型的方法需要较多的建模工作，且诊断效果受模型精度影响较大。信号处理的方法通过提取出特征参数来表征故障，无需建模且易于实现，常用于电池连接故障诊断，但该方法不利于故障定位。机器学习方法利用历史数据可训练出有效的故障分类器，局限性在于目前大量的电池故障数据不易获得，且没有理想的可重复性故障替代试验，机器学习方法目前应用相对较少。

受单体容量和电压水平限制，动力电池以成组形式应用在实车上。但目前对电池系统的故障诊断研究集中在电池单体上，一些技术不适于电池组故障诊断。而且多数研究只针对单一故障的诊断，这些研究都基于其他元件无故障的重要假设，在实际应用中难以区分多种相似的故障。即使基于模型的方法设计不同的观测器，能够实现电流、电压传感器的检测和分离，但仍不能区分出传感器故障和电池故障。一个可行的方案是在电池组传感器拓扑中采用更多的传感器，但同时也增加了系统复杂度和硬件成本。

电池、传感器、电池连接故障会引起相似的测量信号异常，单一故障的诊断可能引起故障误报和漏报，但不增加硬件成本的可用于实车电池管理系统(Battery ManagementSystem,BMS)的多故障诊断方法尚未出现。

发明内容

本发明的目的是为提高电池系统安全性，克服现有技术存在的不足，提供的一种基于模型和信号处理相结合的电池组多故障综合诊断方法。

为达到上述目的，本发明提供如下技术方案：

一种基于模型和信号处理相结合的电池组多故障综合诊断方法，其特征在于，包括以下步骤：

步骤S1：设计电池组交叉电压测量拓扑，确定电压测量信号与电芯、传感器、接触电阻之间不同的对应关系；

步骤S2：基于设计的电压测量拓扑，建立多单体的电池组模型，根据故障分离的电路原理，建立等效的电池组模型，并确定该电池组模型用于残差生成所需的模型参数；