DOI Link:
https://doi.org/10.1016/j.apenergy.2024.125087
Googlescholar:
https://scholar.google.com/citations?user=YLWB5A0AAAAJ&hl=en&oi=sra
ScienceDirect:
https://doi.org/10.1016/j.apenergy.2024.125087
UniversityWeb:
https://www.me.psu.edu/mrl/
3. 收录日期
1. 科学问题
通过电池参数估计、电流不匹配分析以及离线和在线方法，准确检测和量化电池中的微小短路故障（ESC）
GA
2. 实验与模型方法
1. 电池电气动态：
电池在短路（SC）下的电气行为通过修改的戴维南等效电路（Fig. 2）建模。
模型包括欧姆电阻（R₀），表示来自电解质、隔膜、电流收集器和活性材料的高频阻抗。
由电阻（R₁）和电容（C₁）形成的RC对描述了缓慢的扩散过程。
开路电压（OCV）是状态电荷（SoC）的非线性函数。
2. 短路电阻：
额外的短路电阻（R_SC）与负载并联，表示短路电阻。
通过R_SC的电流（I_SC）代表短路电流或泄漏电流。
在正常电池操作中，假设泄漏电流为零（I_SC = 0），即R_SC = ∞。
3. 控制方程：
4. 泄漏电流假设：
假设泄漏电流（I_SC）是常数，并且变化较慢，特别是对于难以检测的软短路。即假设
5. 电流不匹配：
引入了“电流不匹配” ΔI=I−ISC的概念，将电流传感器偏置和泄漏电流的影响合并。
方程表明，R_SC 和Ibias无法直接区分，但它们的组合ΔI是可识别的。
为了解决这一问题，利用串联电池中的冗余性，因为串联中的每个电池看到相同的串联电流和电流传感器偏置。这使得能够区分R_SC和Ibias，并有助于估算电池电流不匹配的偏差。
2.2 开路电压（OCV）曲线
1. OCV表达式：
研究中所使用的Li-ion NMC（镍钴锰）电池的开路电压（OCV）
该OCV函数单调递增，并且满足Lipschitz连续性。
2.3. Lyapunov SoC Observer
1. 假设和模型：
忽略小的偏差和泄漏电流，基于模型的观察器复制了在公式 (1) 中的电池动态方程。
2.4. 离线SoH和偏差估计器使用BLS
1. 容量和电流不匹配估计：
通过库仑计数（Coulomb counting）对SoC不匹配进行估计，进而估计容量和电流不匹配
2.5. 通过单元间比较检测短路（SC）
1. 系列连接单元的电流流动：
所有系列连接的单元中电流相同，因此在正常工作条件下，所有电池的电流不匹配估计等于电流传感器的偏差。
2. 短路检测方法：
如果某一单元发生短路（SC），则该单元的Imismatch会不同。使用3σ标准来识别当前不匹配的异常值
3. 3σ标准：
假设在系列连接的模块中最多只有一个单元发生短路，通过3σ阈值（从所有电池的I_mismatch中计算，忽略最低的值）来识别电流不匹配的异常值。
4. 判断短路单元：
将每个电池的Imismatch与已识别的3σ阈值进行比较。如果Imismatch小于该阈值，则识别为短路单元。
偏差估计和泄漏电流：
2.6. 在线SoH估计
1. 递归估计：(Fig. 2)
通过递归估计SoC(x0)、容量(C)和电流不匹配(Iismatch)，实现实时的SoH（State of Health）估计。
2. 最小化误差：
2.7 电池系统和数据
1. 实验数据来源：
本研究使用来自Wabtec BEL电池模块的实验电流和电压数据，模块由66个Li-ion NMC单元组成，采用3P-22S配置。
2. 单元配置：
3P配置的单元被视为一个等效单元，具有相同的电压、三倍的容量，并且每个单元接收到的电流大约为总电流的三分之一。
3. 数据采集：
每个单元的电压和表面温度以1 Hz的频率进行测量，整个模块的电流在机车运行过程中进行测量。放电时电流为正，充电时电流为负。
4. 冷却和电池平衡：
电池包采用空气冷却。在单元平衡过程中，通过一个15 Ω的分流电阻将电池放电。因此，带有单元平衡的BEL现场测试数据表示等效的15 Ω ESC（电池状态检查）。
3. 研究结果
3.1 标准实验数据
1. 电压数据分布：
Fig. 4：22单元模块的电压、电流和温度数据。所有22个单元的电压值紧密聚集，体现了电池间的标准差异。
2. 参数估计：
Fig. 5(a)–(e)：基于七个电池循环数据集，使用状态估计增益L1 = −0.1 和 L2 = 10 的参数估计箱形图。
通过动态循环数据的充分激励，最小二乘法能够得到可重复的参数估计结果，表明该方法适用于电池模型参数的准确估计。
3. 电池参数标准差：
Table 2: 电池间参数的均值和标准差。电池容量和欧姆电阻的标准差分别为1.5 Ah和21.2 μΩ，表明电池之间的差异。
对于七个数据集，开环电压预测的均方根误差(RMSE)为小于11 mV，验证了模型的准确性和参数估计的可靠性。
闭环电压预测的RMSE为1.7 mV，进一步证明了所估计参数的精确性。
4. 电流不匹配分析：
电流不匹配的标准差为5.2 mA，并且所有22个电池的电流不匹配值聚集在9 mA以内。电流不匹配主要源于电流传感器偏差，并反映了电池之间泄漏电流的微小差异。
5. 短路检测方法：
使用±3σ准则识别电池的异常电流不匹配，若电流不匹配超过27 mA（即大于1/4000 C率），则表明电池存在微型短路（SC），且其短路电阻小于111 Ω。
电流激励的强度对短路检测的准确性至关重要。当输入电流激励较强时，电流不匹配的标准差较小，能够更精确地识别微型短路；反之，在输入电流激励较弱的情况下（如Fig. 6中的12小时实验数据），电流不匹配标准差增大，导致只能检测到较大的短路电阻（小于86 Ω）。
4.2. ESC（微小短路）下的实验数据
1. ESC下的电压和温度响应特征
在15 Ω ESC条件下，电池12至22的电压响应仍然保持紧密聚集（Fig. 6(b)），无法通过电压直接检测到短路（SC）。
轻微的短路不会引起明显的温度变化，进一步使得温度数据难以用来检测短路（Fig. 6(c)）。
2. 使用离线SoH估计方法分析电池参数
在12小时的动态循环数据下，采用离线SoH估计方法进行电池容量、电阻和极化电容等参数的识别（Fig. 7）。
结果显示，在ESC情况下，22个电池的这些参数仍然紧密聚集，未发生显著变化，表明轻微的短路并未影响电池的整体状态。
3. ESC条件下电池电流不匹配的识别
在有11个电池存在等效15 Ω ESC的实验数据中，通过电池间电流不匹配的离群值来识别短路（Fig. 7(e)）。
计算得到的电流传感器偏差为1.2 A，并且通过3σ标准偏差（±42 mA）能够识别到ESC，成功检测出电池中的短路。
4. 短路电流和电阻的估算
通过分析电流不匹配的离群值（Fig. 7(e)中的绿色阴影区域），可以估算出短路电流为239 mA，短路电阻为15.06 Ω，接近实际的15 Ω值。
该结果验证了所提出方法的准确性，能够有效识别并量化电池中的短路问题。
5. 方法的鲁棒性和适用性
该方法对于电池异质性不敏感，尤其适用于新电池组，在老化后的电池中也能较为准确地进行短路检测。
该方法不仅适用于电池组制造阶段的故障诊断，还能在日常维护中有效识别电池故障，具有较强的实际应用前景。
4.2. 在线ISC检测
1. 标准实验数据
（1）实时SoH估计方法的应用
在线SoH估计方法用于实时估计22个电池模块中每个电池的SoH参数。
为了确保模型参数的慢收敛和快速捕捉短路（SC），调整了参数估计增益：r1 = 3.2×10⁻¹³，r2 = 3.2×10⁻¹⁰，r3 = 1×10⁻¹⁵，r4 = 2×10⁻¹²。
（2）电池参数估计过程
使用600小时的电池循环数据，Fig. 8(a)–(d)展示了Q、R0、R1和C1的估计过程，这些估计开始时与期望值有较大偏差，并逐渐收敛。
由于较高的估计增益，电流不匹配估计值非常动态，集中在-1 A左右（Fig. 8(e)）。
所有电池的电流不匹配估计值相同，表明电流传感器偏差是电流不匹配的主要来源。
2. ESC条件下的实验数据
（1）ESC条件下的实时短路检测
使用12小时ESC数据（Fig. 6）进行实时SC检测。初始参数值设置为通过正常循环数据得到的离线估计值。
Fig. 9(a)–(e)：实时估计的Q、R0、R1和C1。由于估计增益较慢，所有22个电池的参数估计值与其正常的离线估计值几乎相同。
（2）电池电流不匹配的偏差检测
Fig. 9(e)：电池12至22的电流不匹配开始偏离聚集区，表明有短路发生，且这一变化在2小时内被捕捉到。
（3）短路电流和电阻的计算
使用公式(10)计算泄漏电流，并进一步估算短路电阻。泄漏电流在4小时内准确地收敛到约220 mA（Fig. 9(f)），相当于15 Ω的短路电阻。
在收敛后，电池12至22的平均泄漏电流为217 mA，标准偏差为11.7 mA，表明该方法能够准确检测和量化电池组中的短路故障。
Fig. 8. Experimental online SoH estimates for 22 nominal cells: (a) estimated capacities, (b) estimated ohmic resistances, (c) estimated polarization resistances, (d) estimated polarization capacitances, and (e) estimated current mismatches.
Fig. 9. Experimental real-time SC detection using online SoH estimation: the nominal cells (1–11) represented by blue and SC cells (12–22) represented by red; (a) estimated capacities, (b) estimated ohmic resistances, (c) estimated polarization resistances, (d) estimated polarization capacitances, (e) estimated current mismatches, and (f) estimated leakage currents for cells 12–22.
4. 重要结论
离线短路检测：通过电池间比较，使用电流不匹配数据和±3σ准则，准确检测微小短路（如15 Ω ESC）。
电池参数估计：在正常和ESC条件下，电池参数（如容量、电阻）保持一致，微小短路的加热效应可忽略。
在线短路检测：实时SoH估计方法捕捉电流不匹配，快速识别短路。
泄漏电流估计：实时数据估算泄漏电流，成功检测出15 Ω短路。
方法应用：该方法适用于电池包制造、维护及实时监测，具有良好的安全性和可靠性。
PDF
