基于日充电电压曲线并考虑电芯间SOC差异的锂离子电池储能系统连接异常在线诊断
2026-06-02 11:58:32 点击： 次
跟着储能技术的快速开展，锂离子电池因其高能量密度和长循环寿命在电力储能和电动汽车领域得到广泛使用[1]。但是，当电池体系存在衔接反常时——如螺栓紧固缺乏、衔接器老化、外表氧化/腐蚀或机械振动导致的松动——这些问题可能引发电池功能下降、部分过热，乃至热失控等严峻安全事故[2]。因而，监测衔接状况并进行衔接反常确诊具有至关重要的意义。
确诊衔接反常的一种直接办法，是在50%荷电状况（SOC）下，经过测量各单体电池对电流鼓励（如直流脉冲、1kHz沟通信号或混合脉冲功率特性测验脉冲[3,4]）的电压呼应来获取其电阻值。随后经过剖析所得电阻散布的离散程度来判别反常是否存在。该办法通常依赖外部专用充放电测验配备，难以集成至在线运转体系中。
一类更具普适性的确诊办法经过剖析动态读档条件下各电池单元电压动摇的统计特征，将违背正常运转的反常模式作为要害指标[5]。这类办法无需配备额定的专用测验配备或专门测验流程，而是使用体系固有的非平稳电流鼓励（例如电动汽车加速/减速电流）来激发电压呼应。经过剖析这些呼应信号，可评估衔接状况，使得这些办法更适用于在线连续确诊与早期预警。文献[6]中，电池体系所有单体电压的高维监测数据经过t散布随机邻域嵌入（t-SNE）算法被压缩为二维数据，随后结合K均值聚类算法与Z分数法的协同使用，完成了对电池电压反常的两步式毛病确诊与定位。文献[7]经过经验模态分解(EMD)从电池电压信号中提取有用毛病特征，并计算这些特征的样本熵以完成衔接反常定位，该办法使用电动汽车大数据监测中心采集的海量监测数据进行了验证。文献[8,9]选用根据组内相关系数的办法进行电池毛病检测，经过剖析相邻单体电池间的电压相关性完成反常单体定位。
动态工况下的在线等效电路模型(ECM)参数辨识是剖析电池电阻特性的另一类重要办法。这些办法使用电池在动态电流鼓励下的电压呼应特性，选用递推最小二乘法(RLS)[10,11]、根据多新息理论的辨识算法[12,13]或卡尔曼滤波办法[14]实时辨识ECM参数(包括欧姆内阻)，然后完成衔接反常的确诊。文献[15,16]选用在线参数辨识算法，在动态应力测验(DST)工况下辨识电池内阻。根据单体电池电阻辨识成果，可检测出衔接反常。
近期，根据测量创新的电压传感器毛病确诊办法展现出卓越的鲁棒性与工程实用性。例如，Zhang等学者提出了一种使用扩展卡尔曼滤波器生成测量创新的特征点检测结构，完成了动态工况下的实时毛病辨识[17]。针对串联电池组，进一步开发了双时间标准的电压传感器毛病确诊战略，经过微标准残差监测与宏标准方差剖析的结合，完成了鲁棒性毛病阻隔[18]。此外，针对近恒流充电工况下的参数更新与荷电状况估计问题，文献[19]提出了周期性更新模型参数的解决方案。这些研讨为动态及准稳态运转场景提供了体系化的根据残差或模型的确诊办法。
但是，大型储能体系通常在无人为鼓励的常规近恒流（CC）充电模式下运转。在此类准稳态工况下，与电阻相关参数的可观测性较为有限。与此同时，实际电池组中单体电池的荷电状况（SOC）不一致现象普遍存在，这种固有的电压差异会干扰衔接电阻引起的电压偏差的分离过程。
针对上述应战，本文研讨了常规恒流充电工况下的在线衔接反常确诊问题，并显式考虑了电池组荷电状况不一致性。经过建立根据增量容量剖析的特征对齐结构，完成了电阻性电压偏移与电化学特征的解耦，然后同时识别肯定与相对衔接电阻。试验与现场测验成果表明：所提办法能准确量化相对衔接电阻，且在电池组初始荷电状况存在差异时仍保持确诊鲁棒性。
