一种基于分时回归分布的锂离子电池组异常自放电诊断方法及系统技术方案

本发明专利技术记载了一种基于分时回归分布的锂离子电池组异常自放电诊断方法及系统，用于锂离子电池组寿命期间快速检测电芯单元异常自放电的问题，采用滑动平均滤波法平滑处理各电芯电压及计算电池组平均电压，基于分时区间提取各电芯电压趋势信号，再回归拟合得到每段分时区间内各电芯的回归斜率，建立判定阈值置信区间，对于连续偏出置信区间的电芯，则判定其自放电水平异常。本发明专利技术检测周期短，达到数小时快速辨别的效果，并且可识别定位出电池组内的异常电芯，能够动态调整检测精度、抵消温度干扰，防止电池存在内部短路等潜在故障继续恶化而造成热失控等严重事故的风险，提升了整体电池组的安全性能，有利于锂离子电池组的长期稳定安全运行。

【技术实现步骤摘要】
一种基于分时回归分布的锂离子电池组异常自放电诊断方法及系统
本专利技术涉及电池组安全监测领域，尤其涉及一种基于分时回归分布的锂离子电池组异常自放电诊断方法及系统。
技术介绍
随着绿色环保能源的需求大幅度增加，锂离子电池被广泛应用在电子产品、新能源汽车等领域。而产品中锂离子电池的安全性能如何，是消费者最为关心的问题。电池在开路状态下，由于自身内在的化学反应导致储存电量随时间逐渐减少，这种现象称之为自放电。自放电不是制造缺陷，而是一种电池特性，所有电池均会受到自放电影响。理想情况下，正常的电池其自放电应保持在一个极低的水平，然而电池制造工艺的缺陷、电池的滥用、电池内部短路都会加剧电池的自放电。尤其是内部短路，在电池使用过程中，内部短路不断发展恶化。早期的内部短路往往表现在电池的自放电效应增加，而严重的内部短路则是导致电池热失控的主要原因之一。因此，在诸如内部短路这类潜在发展故障还未恶化到造成安全事故和经济损失之前，测试监控电池的自放电水平十分重要。尤其是在电池模组之中，有必要提前识别出自放电异常的电池单元，并告知使用者采取措施，以防止潜在的灾难性故障。锂离子电池的传统自放电检测方法是通过测量电池的开路电压(OCV)随时间的下降来评估自放电水平。由于锂离子电池的自放电水平非常低，其月静态容量损失水平约2％～3％，相应的ΔOCV可能仅有几十毫伏，可能还不如BMS(电池管理系统)中模拟前端的采样误差大。因此，要通过OCV显著下降检测出电池的自放电水平可能需要数周乃至月计的静置测量，这种检测方式复杂又耗时，投入成本巨大。然而，随着市场对锂电池的安全水平要求日益严苛，自放电的短时快速诊断技术亟待开发。因此，需要提供一种短时快速、准确定位的锂离子电池组异常自放电诊断方法及系统，以提前发现异常自放电的电池，提高电池组的使用安全性。
技术实现思路
为了解决上述问题，本专利技术提供一种基于分时回归分布的锂离子电池组异常自放电诊断方法及系统，用于快速检测电池模组内电芯单元早期异常自放电的问题，检测周期短，可识别定位出电池组内的异常电芯，并能够动态调整检测精度、抵消温度干扰，防止电池存在潜在故障继续恶化而造成热失控等严重事故的风险，提升了整体电池组的安全水平。为实现上述目的，本专利技术提供了一种基于分时回归分布的锂离子电池组异常自放电诊断方法，基于分时区间内各个电芯电压趋势信号的回归斜率，建立置信区间，对于连续偏出置信区间的电芯，则判定其自放电水平异常。可选地，包括以下步骤：S1：对采集的电池组各电芯电压数据进行预处理，使用滤波算法对各电芯电压进行平滑处理，并根据各电芯电压求出电池组平均电压；S2：根据预设分时区间长度划分数据，并提取每个分时区间内各电芯的电压趋势信号；S3：对每个分时区间上各电芯的电压趋势信号进行线性回归，得到该区间上各电芯电压趋势信号的斜率；S4：根据所得各电芯在各分时区间上的斜率分布，计算斜率期望和标准差，得到判定阈值；S5：如果有回归斜率连续落在判定阈值之外的电芯，即判断该电芯自放电异常，否则判定电池组各电芯自放电水平正常。可选地，还包括步骤S6：若诊断出异常自放电的电芯，排除该电芯重复步骤S1～S5，直至判定剩余电芯自放电水平正常，以找出全部异常自放电的电芯。可选地，假设待诊断目标电池组一共包含N个电芯，每个电芯采集M个原始电压数据Vraw，i(n)，其中M、N为自然数，n＝1，2，...，N，n＝1，2，...，M；步骤S1中对各电芯电压进行平滑处理的滤波算法采用滑动平均滤波法，根据原始数据的抖动水平，通过滑动窗口长度l调整滑动平均滤波器平抑原始电压数据Vraw，i(n)波动的能力，经处理得到各电芯平滑电压Vsmooth，i(n)，Vsmooth，i(n)通过下式计算得到：其中，窗口长度l为正整数；进一步求得电池组的平均电压Vnean(n)，Vmean(n)通过下式计算得到：可选地，步骤S2根据预设的分时区间长度将整个测量周期按照每P个数据划分为Q段，提取每段各电芯电压趋势信号Vtrend，i(n)，Vtrend，i(n)通过下式计算得到：Vtrend，i(qP+m)＝Vsmooth，i(qP+m)-Vmean(qP+m)-Vsmooth，i(qP+1)+Vmean(qP+1)(3)其中，q＝0，1，...，Q-1，m＝1，2，...，P，上述Vtrend，i(qP+m)指代各电芯在第q+1段第m个电压值的电压趋势信号Vtrend，i(n)；Vsmooth，i(qP+m)指代各电芯在第q+1段第m个平滑电压；Vsmooth，i(qP+1)指代各电芯在第q+1段第1个平滑电压；Vmean(qP+m)指代电池组所有电芯在第q+1段第m个电压值处的电池组平均电压；Vmean(qP+1)指代电池组所有电芯在第q+1段第1个初始电压处的电池组平均电压；如此，电压趋势信号Vtrend，i(n)便扣除了每一区间各电芯电压与平均电压之间的初始差异。可选地，步骤S3根据步骤S2得到的电压趋势信号，对各电芯在各分时区间上的趋势信号Vtrend，i(n)分别采用最小二乘法线性回归得到各分段区间上的斜率ki(q)，ki(q)通过下式计算得到：可选地，步骤S4根据步骤S3所得各电芯在各分时区间上的斜率ki(q)，分别计算电池组在各分时区间上的斜率平均值和标准差σ(q)，然后获得判定阈值[S-(q)，S+(q)]，判定阈值[S-(q)，S+(q)]通过下式计算得到：可选地，步骤S5进行异常电芯识别判定，若某一电芯的回归斜率ki(q)在连续w个分时区间超出阈值范围，即判定该电芯自放电异常，否则判定电池组各电芯自放电水平正常；其中w的大小根据灵敏度要求设定。可选地，若某一电芯的斜率在连续w个分时区间满足ki(q)＜S-(q)，判定该电芯相比电池组其他电芯自放电过大。可选地，若某一电芯的斜率在连续w个分时区间满足ki(q)＞S+(q),判定该电芯相比电池组其他电芯自放电过小。另外，本专利技术还提供一种基于分时回归分布的锂离子电池组异常自放电诊断系统，包括输入模块、预处理模块、电压斜率提取模块、判定阈值获取模块、自放电异常诊断模块及输出模块；其中，预处理模块获取输入模块及自放电异常诊断模块的数据，对输入模块的数据进行滤波平滑处理，以及若自放电异常诊断模块识别出无电芯自放电异常，直接计算电池组的平均电压；若自放电异常诊断模块识别出有电芯自放电异常，排除该电芯电压数据后，再计算剩余所有电芯的平均电压作为电池组平均电压；电压斜率模块获取预处理模块的输出数据，首先进行数据分段并基于各电芯的平滑电压及电池组平均电压得到各分时区间上的电压趋势信号，然后进行线性回归得到各分时区间上的电压斜率；判定阈值获取模块获取电压斜率模块的输出数据，基于各分时区间上的电压斜率分布得到自放电异常判定阈值；自放电异常诊断模块获取判定阈值获取模块的输出数据，基本文档来自技高网...

【技术保护点】
1.一种基于分时回归分布的锂离子电池组异常自放电诊断方法，其特征在于，基于分时区间内各个电芯电压趋势信号的回归斜率，建立置信区间，对于连续偏出置信区间的电芯，则判定其自放电水平异常。/n

【技术特征摘要】
1.一种基于分时回归分布的锂离子电池组异常自放电诊断方法，其特征在于，基于分时区间内各个电芯电压趋势信号的回归斜率，建立置信区间，对于连续偏出置信区间的电芯，则判定其自放电水平异常。


2.根据权利要求1所述的基于分时回归分布的锂离子电池组异常自放电诊断方法，其特征在于，包括以下步骤：
S1：对采集的电池组各电芯电压数据进行预处理，使用滤波算法对各电芯电压进行平滑处理，并根据各电芯电压求出电池组平均电压；
S2：根据预设分时区间长度划分数据，并提取每个分时区间内各电芯的电压趋势信号；
S3：对每个分时区间上各电芯的电压趋势信号进行线性回归，得到该区间上各电芯电压趋势信号的斜率；
S4：根据所得各电芯在各分时区间上的斜率分布，计算斜率期望和标准差，得到判定阈值；
S5：如果有回归斜率连续落在判定阈值之外的电芯，即判断该电芯自放电异常，否则判定电池组各电芯自放电水平正常。


3.根据权利要求2所述的基于分时回归分布的锂离子电池组异常自放电诊断方法，其特征在于，还包括步骤S6：若诊断出异常自放电的电芯，排除该电芯重复步骤S1～S5，直至判定剩余电芯自放电水平正常，以找出全部异常自放电的电芯。


4.根据权利要求2所述的基于分时回归分布的锂离子电池组异常自放电诊断方法，其特征在于，假设待诊断目标电池组一共包含N个电芯，每个电芯采集M个原始电压数据Vraw，i(n)，其中M、N为自然数，i＝1，2，...，N，n＝1，2，...，M；
步骤S1中对各电芯电压进行平滑处理的滤波算法采用滑动平均滤波法，根据原始数据的抖动水平，通过滑动窗口长度l调整滑动平均滤波器平抑原始电压数据Vraw，i(n)波动的能力，经处理得到各电芯平滑电压Vsmooth，i(n)，Vsmooth，i(n)通过下式计算得到：



其中，窗口长度l为正整数；
进一步求得电池组的平均电压Vmean(n)，Vmean(n)通过下式计算得到：





5.根据权利要求2所述的基于分时回归分布的锂离子电池组异常自放电诊断方法，其特征在于，所述步骤S2根据预设的分时区间长度将整个测量周期按照每P个数据划分为Q段，提取每段各电芯电压趋势信号Vtrend，i(n)，Vtrend，i(n)通过下式计算得到：
Vtrend，i(qP+m)＝Vsmooth，i(qP+m)-Vmean(qP+m)-Vsmooth，i(qP+1)+Vmean(qP+1)(3)
其中，q＝0，1，...，Q-1，m＝1，2，...，P，上述Vtrend，i(qP+m)指代各电芯在第q+1段第m个电压值的电压趋势信号Vtrend，i(n)；Vsmooth，i(qP+m)指代各电芯在第q+1段第m个平滑电压；smooth，i(qP+1)指代各电芯在第q+1段第1个平滑电压；Vmean(qP+m)指代电池组所有电芯在第q+1段第m个电压值处的电池组平均电压；Vmean(qP+1)指代电池组所有电芯在第q+1段第1个初始电压处的电池组平均电压；电压趋势信号Vtrend，i(n)扣除了每一区间各电芯电压与平均电压之间的初始差异。


6.根据权利要求2所述的基于分时回归分布的锂离子电池组异常自放电诊断方法，其特征在于，所述步骤S3根据步骤S2得到的电压趋势信号，对各电芯在各分时区间上的趋势信号V...

【专利技术属性】
技术研发人员：朱广焱，张鹏博，施璐，谈文，
申请(专利权)人：上海派能能源科技股份有限公司，
类型：发明
国别省市：上海;31