电子发烧友App
基于弛豫电压的动力电池内短路故障诊断方法
No.1
背景介绍
近期有学者综合分析了电动汽车用户的充电习惯，发现大多数用户在使用电动汽车过程中其充电起始SOC相对随机，而充满后并静置一段时间的现象出现频率却非常高[1]。这意味着在实车应用场景中，在电池满充电后的弛豫电压比特定充电电压曲线更容易获得，进而提出了不同的基于电池充满后弛豫电压特征的寿命估计方法，并获得了理想的估计效果[1-3]。对于动力电池的内短路故障来说，当内短路故障发生后，由于短路故障对电池电量持续的消耗，会导致电池内部极化过程难以被彻底消除，进而使得弛豫时间增加，目前尚未有学者利用这里特征对动力电池开展相关内短路故障诊断研究。
为此本文提出了一种基于弛豫电压曲线斜率的锂离子电池内短路故障诊断方法，利用正常基准电池与模拟内短路电池的弛豫电压曲线建立弛豫电压曲线斜率与内短路阻值之间的拟合模型，实现了内短路的定性诊断及短路阻值的定量计算，并通过实验验证了方法的可行性与有效性，讨论了电池老化对诊断结果的影响，最后利用遗传算法对模型参数进行了优化[4]。
No.2
实验方法
为了对上述方法进行验证，本研究以三星公司2.75 Ah的圆柱形三元锂离子电池作为研究对象，在室温25℃环境下以恒流（Constant Current，CC）模式对实验电池进行充电，充电电流为0.2C（0.55A），电池电压达到4.2V时停止充电并静置一个小时，分别进行不外接模拟电阻的基准充电实验和外接电阻的内短路模拟实验。对于内短路模拟实验，利用开关控制内短路的触发，在电池开始充电时打开开关以模拟内短路，同时记录整个过程的电压数据。
No.3
图文导读
1号电池弛豫电压曲线结果显示在静置早期阶段电池端电压下降较快，而在静置阶段中后期，随着极化现象的减弱，此时异常自放电对端电压的下降起主导作用。随着外接电阻阻值的减小，电池端电压下降速度越快，弛豫电压曲线斜率越大。
图1 1号电池弛豫电压曲线
这里采用一阶最小二乘法拟合得到弛豫电压曲线斜率，由于弛豫电压曲线斜率同时受到电池极化以及内短路的异常自放电影响，而前者会随着时间减弱，后者逐渐成为电池端电压下降的主导因素，为了尽可能排除极化的影响，拟合数据应该尽可能靠近静置阶段末期。具体操作过程如下：
基于上述分析，考虑从静置阶段结束开始往前选取电压数据，即将60min作为拟合时间区间的右端点。为了确定拟合时间区间的左端点，以5分钟为间隔，从5分钟到60分钟选取不同的时间长度拟合得到弛豫电压曲线斜率，如图2（a）所示。由图2（a）可见，当拟合时间区间较小时（5min到15min），不同阻值的拟合斜率值变化趋势差异较大；而当拟合时间区间增大时（超过20min），不同阻值的拟合斜率值呈现出一致的变化趋势。因此，本文选用20min作为拟合时间区间长度，即采用静置开始40分钟到60分钟的电压数据进行斜率的拟合。
1号电池弛豫电压最终拟合结果如图3所示，可以看到内短路阻值与弛豫电压曲线斜率大致成反比关系，斜率越小，电池电压下降越快，意味着内短路越严重，阻值越小。
图2 弛豫电压曲线斜率拟合
（a）不同时间区间长度斜率拟合结果 （b）1号电池部分斜率拟合结果
图3 1号电池内短路阻值-弛豫电压曲线斜率拟合结果
1号和2号电池的拟合结果见表2，两个电池的拟合优度均大于0.99，拟合效果较好。将验证电阻的弛豫电压曲线斜率代入上述拟合模型中，内短路阻值计算结果和误差如表3所示，阻值的最大误差不超过7%，平均绝对百分比误差MAPE不超过5%，进一步证明了本拟合模型的有效性。
计算结果显示，SoH为94%、88%和82%的电池最大误差不超过11%，MAPE分别为5.5883%、6.1588%和2.6381%，与1号和2号电池相比并未显著增大。基于上述实验结果，可以认为电池的老化并不影响本诊断方法的准确性和可靠性。
No.4
总结
本文针对圆柱形锂离子电池进行了内短路模拟实验，建立了内短路阻值-弛豫电压曲线斜率拟合模型，基于此开发了内短路诊断方法，最后研究了电池健康状况对于本方法诊断精度的影响，并利用遗传算法优化了拟合时间区间的选取，进一步提高了诊断精度。后续考虑针对温度、充电倍率以及充电截止电压对本方法诊断精度的影响展开进一步研究，明确方法的使用范围，并对方法进行修正。
审核编辑：刘清
工商网监
评论