[发明专利]一种串联型电池故障预测方法

说明书

本发明公布了一种串联型电池故障预测方法，所述方法为：由实验得到电池串数据；对实验数据进行预处理，由预处理后的电池串数据结合串联电路工作特性得到电池串增加能量E_n；以能量E_n建立故障因子数据库，选取数据库中3组不同的数据分别为训练数据A、训练数据B以及训练数据C；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，将平均值及训练数据C中E_n作为输入，经训练组合模型，得到准确的组合预测模型；输入能量序数经组合预测模型，得到能量预测值，若能量预测值小于阈值，表明电池正常；反之，表明电池有故障，再进行故障类型判别及定位。

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：