基于时序的锂电储能系统不一致性中短路与传感器故障检测及定位方法
2026-06-04 20:32:30 点击： 次
在锂电池储能体系使用过程中，需及时确诊锂电池毛病类型及定位信息。但是现有部分毛病检测办法未考虑不一致性因素。为此，本文根据所提出的拓扑结构，旨在经过长短期回忆网络（LSTM）处理数据以消除不一致性的影响。首要，利用LSTM猜测子模块中传感器数值来解决不一致性问题首要，经过获取传感器丈量值并与实在值形成差值，以消除数据收集对后续计算的影响。其次，将该差值与传统LSTM模型的平均误差进行比对，完成传感器毛病确诊。第三，将差值信号与经处理的信号一起作为粒子群优化-极点随机树的输入，以确定短路毛病位置。最终，经过硬件比照试验验证了所提多毛病检测与定位办法的有效性。硬件试验结果表明，所提办法在不同工况数据集下均得到验证。本文办法仅需3个传感器即可在LiFePO4电池组中以超过96%的精确率检测出16个单体毛病。存在不一致性的电池组。4 battery pack where inconsistency exists.
引言
新式电力体系中新能源发电占比逐渐提升，优化储能结构势在必行。以锂离子电池为代表的电化学储能体系具有能量密度高、自放电率低、充放电效率高及动态呼应功能优异等优势[[1], [2], [3]]，因此锂离子电池储能体系在新式电力体系中已得到广泛使用。由于单体电压和容量约束，锂离子电池需经过串并联组合才能使用于储能体系以满足更高功率需求[4,5]。这些锂离子电池组在储能电站经过多级串并联后存在必定安全隐患问题，因此其安全性至关重要。
电池组内单体电池间的功能差异或许源于制作过程中的工艺误差或循环老化程度的不同。这种不一致性将影响信号收集与毛病确诊结果[[6], [7], [8]]，进而下降锂电池的有效利用率。在锂离子电池体系运转过程中，电池不可避免地会呈现各类毛病，例如短路（SC）和传感器毛病[9]。超级电容器毛病，包含内部短路（ISC）与外部短路（ESC）毛病，若未能被及时检测或许导致威胁储能体系安全的热失控（TR）现象[10,11]。储能体系的安全性部分取决于传感器数据的精确性，因此传感器毛病问题会导致不可靠的毛病确诊结果[12,13]。故在确诊超级电容器与传感器毛病时需一起考量两者不一致性特征。
但是，针对电池组不一致性问题的解决办法却鲜有广泛研讨。在现有文献[[9]-[22]]中，虽然经过建立等效电路模型（ECM）或数据驱动办法完成了超级电容（SC）与传感器毛病的检测，但鲜有研讨能一起兼顾SC与传感器毛病监测中的不一致性问题。
以往关于超级电容器（SC）毛病确诊的研讨首要依靠等效电路模型（ECM）、电阻模仿或信号特征提取办法。Xu等人经过建立ECM并检测充电阶段的电流信号来确诊SC毛病[14]。Xiong等人构建ECM以预算ESC电池端电压[15]。Gao等人根据构建的ECM，选用扩展卡尔曼滤波器比较预算的荷电状况（SoC）与平均SoC之间的差异，然后确诊前期内部短路（ISC）毛病[16]。针对ISC前期检测，Zhang等人选用局部聚类因子值进行确诊[17]。Hu等人则经过带可变遗忘因子的递归最齐备最小二乘法猜测ISC内阻来完成毛病检测[11]。总体而言，现有SC确诊办法虽具有必定效果，但在普适性和本钱方面仍面对应战，这促使咱们探索更高效且可扩展的解决方案。
传感器毛病确诊办法一般选用统计剖析或数据驱动建模。Xu等人构建了集值观测器以包括由于未知误差和噪声导致的不可测电池状况，并选用椭球集完成状况猜测与估量。经过毛病检测和皮尔逊相关系数剖析机制，研讨人员辨认了传感器毛病的来历与类型[18]。Zheng等人提出了一种根据无迹粒子滤波的电池组毛病确诊办法，该办法能精确确诊锂离子电池体系中的电压与电流传感器毛病，并经过试验验证了该技能具有有效的状况追踪才能[19]。Lee等人提出根据深度学习算法的电池数据信赖框架，可对虚假电池传感器数据及通讯数据进行检测分类，然后提升储能体系的安全性与可靠性[13]。Zhang等人经过选取"代表单元"与非代表单元，并在微观与宏观时间尺度上丈量电压读数及估量值的新特征，完成了毛病电压传感器的快速确诊与定位[20]。因此，虽然传感器毛病检测领域已取得发展，但阈值规划的鲁棒性及其与其他毛病类型的协同确诊仍是待解决问题，这为本研讨供给了直接的切入点。
现在，大多数研讨将平行世界与毛病确诊割裂处理。Wang等提出了一种根据多性向统计剖析和贝叶斯概率理论的电池组多重毛病（短路与传感器毛病）确诊办法[12]。鉴于锂离子电池是具有绝对平行世界特性的杂乱非线性时变体系，Shang等提出了一种改进的根据样本熵的办法，能够对无显着异常的电池进行前期确诊与猜测[8]。Ma等进一步引进平行世界因子，经过并行核主成分剖析完成电池组异常检测[21]。但是，在稀少传感器条件下，现有办法仍缺少一起处理平行世界与多性向毛病的协同确诊框架。
虽然已有大量研讨探索了锂离子电池体系的短路毛病确诊、传感器毛病检测及不一致性剖析，但仍存在两个关键应战。首要，现有研讨大多将不一致性与毛病确诊视为独立问题，因此无法有效处理二者对体系安全性的一起影响。其次，诸多办法需求密布的传感器布局，这会添加硬件本钱并约束大规模电池组的可扩展性。这些缺乏促使咱们需求开发一种一致且经济高效的办法论，能够在稀少传感器条件下一起处理不一致性与多性向毛病。为克服上述缺点，本研讨考虑不一致性特征，选用由16个电池单体、两个电流传感器和一个电压传感器构成的拓扑结构，以完成短路与传感器毛病的确诊定位。首要，利用长短期回忆网络（LSTM）对收集的不一致性电流和电压信号进行处理。随后，根据处理后的电流与电压信号，本研讨提出选用粒子群优化-极点随机树(PSO-ET)算法进行短路毛病、电流传感器毛病及电压传感器毛病的确诊与定位。最终，经过多种不同工况验证了所提办法的精确性与稳定性。
本研讨的创新性可归纳如下：蓄电池体系的不一致性问题在从前研讨中已得到充沛认知；本文的新颖性首要表现在所提出的解决方案上。
- (1)与传统单一毛病检测办法[[14], [15], [16], [17]]相比，本办法经过优化传感器布局及多源信号融合算法，在保证同等确诊精度的前提下，将所需传感器数量削减81%。该办法突破了单一毛病检测的限制，在不添加硬件本钱的条件下，完成了多种毛病类型的同步辨认。
- (2)与依靠等效电路模型的办法[24]不同，该办法选用自适应特征提取技能直接处理原始传感器信号。该办法简化了数据处理流程，一起提升了检测速度。
- (3)在电池组中，当单体电池容量差异达到5%时，经LSTM办法处理的毛病检测数据仍能坚持96%的毛病辨认精确率。