基于弛豫電壓的動力電池內短路故障診斷方法

No.1

背景介紹

近期有學者綜合分析了電動汽車用戶的充電習慣，發現大多數用戶在使用電動汽車過程中其充電起始SOC相對隨機，而充滿后并靜置一段時間的現象出現頻率卻非常高[1]。這意味著在實車應用場景中，在電池滿充電后的弛豫電壓比特定充電電壓曲線更容易獲得，進而提出了不同的基于電池充滿后弛豫電壓特征的壽命估計方法，并獲得了理想的估計效果[1-3]。對于動力電池的內短路故障來說，當內短路故障發生后，由于短路故障對電池電量持續的消耗，會導致電池內部極化過程難以被徹底消除，進而使得弛豫時間增加，目前尚未有學者利用這里特征對動力電池開展相關內短路故障診斷研究。

為此本文提出了一種基于弛豫電壓曲線斜率的鋰離子電池內短路故障診斷方法，利用正常基準電池與模擬內短路電池的弛豫電壓曲線建立弛豫電壓曲線斜率與內短路阻值之間的擬合模型，實現了內短路的定性診斷及短路阻值的定量計算，并通過實驗驗證了方法的可行性與有效性，討論了電池老化對診斷結果的影響，最后利用遺傳算法對模型參數進行了優化[4]。

No.2

實驗方法

為了對上述方法進行驗證，本研究以三星公司2.75 Ah的圓柱形三元鋰離子電池作為研究對象，在室溫25℃環境下以恒流（Constant Current，CC）模式對實驗電池進行充電，充電電流為0.2C（0.55A），電池電壓達到4.2V時停止充電并靜置一個小時，分別進行不外接模擬電阻的基準充電實驗和外接電阻的內短路模擬實驗。對于內短路模擬實驗，利用開關控制內短路的觸發，在電池開始充電時打開開關以模擬內短路，同時記錄整個過程的電壓數據。

No.3

圖文導讀

1號電池弛豫電壓曲線結果顯示在靜置早期階段電池端電壓下降較快，而在靜置階段中后期，隨著極化現象的減弱，此時異常自放電對端電壓的下降起主導作用。隨著外接電阻阻值的減小，電池端電壓下降速度越快，弛豫電壓曲線斜率越大。

圖1 1號電池弛豫電壓曲線

這里采用一階最小二乘法擬合得到弛豫電壓曲線斜率，由于弛豫電壓曲線斜率同時受到電池極化以及內短路的異常自放電影響，而前者會隨著時間減弱，后者逐漸成為電池端電壓下降的主導因素，為了盡可能排除極化的影響，擬合數據應該盡可能靠近靜置階段末期。具體操作過程如下：

基于上述分析，考慮從靜置階段結束開始往前選取電壓數據，即將60min作為擬合時間區間的右端點。為了確定擬合時間區間的左端點，以5分鐘為間隔，從5分鐘到60分鐘選取不同的時間長度擬合得到弛豫電壓曲線斜率，如圖2（a）所示。由圖2（a）可見，當擬合時間區間較小時（5min到15min），不同阻值的擬合斜率值變化趨勢差異較大；而當擬合時間區間增大時（超過20min），不同阻值的擬合斜率值呈現出一致的變化趨勢。因此，本文選用20min作為擬合時間區間長度，即采用靜置開始40分鐘到60分鐘的電壓數據進行斜率的擬合。

1號電池弛豫電壓最終擬合結果如圖3所示，可以看到內短路阻值與弛豫電壓曲線斜率大致成反比關系，斜率越小，電池電壓下降越快，意味著內短路越嚴重，阻值越小。

圖2 弛豫電壓曲線斜率擬合

（a）不同時間區間長度斜率擬合結果 （b）1號電池部分斜率擬合結果

圖3 1號電池內短路阻值-弛豫電壓曲線斜率擬合結果

1號和2號電池的擬合結果見表2，兩個電池的擬合優度均大于0.99，擬合效果較好。將驗證電阻的弛豫電壓曲線斜率代入上述擬合模型中，內短路阻值計算結果和誤差如表3所示，阻值的最大誤差不超過7%，平均絕對百分比誤差MAPE不超過5%，進一步證明了本擬合模型的有效性。

計算結果顯示，SoH為94%、88%和82%的電池最大誤差不超過11%，MAPE分別為5.5883%、6.1588%和2.6381%，與1號和2號電池相比并未顯著增大。基于上述實驗結果，可以認為電池的老化并不影響本診斷方法的準確性和可靠性。

No.4

總結

本文針對圓柱形鋰離子電池進行了內短路模擬實驗，建立了內短路阻值-弛豫電壓曲線斜率擬合模型，基于此開發了內短路診斷方法，最后研究了電池健康狀況對于本方法診斷精度的影響，并利用遺傳算法優化了擬合時間區間的選取，進一步提高了診斷精度。后續考慮針對溫度、充電倍率以及充電截止電壓對本方法診斷精度的影響展開進一步研究，明確方法的使用范圍，并對方法進行修正。

審核編輯：劉清