基于孤立森林算法的锂离子电池微内短路故障诊断方法

  浩博电池网讯：

  本文亮点：将孤立森林算法用于锂离子电池内短路故障诊断，发现（1）孤立森林算法可以对串联18650三元锂离子电池组中短路电阻小于1000 Ω的电池短路故障可以做到准确诊断，算法准确率超过了95%；对于短路电阻小于3000 Ω的短路故障可以进行初步诊断，算法准确率超过了80%；且算法对电池在电动汽车中的实际运行工况具有良好的适用性。（2）孤立森林算法对于电池储能系统在实际运行过程中的发生微内短路故障能够进行准确的识别诊断，对于短路电阻为25Ω的电池短路故障识别召回率超过了98%。

  摘 要 电池系统的内短路故障是造成电池热失控和火灾事故的主要原因之一，因此有必要对电池内短路故障进行诊断对事故做出早期预警。孤立森林算法是一种无监督的异常检测算法，被广泛应用于异常数据识别领域。根据串联电池组中内短路电池的电压会与正常电池发生偏离的特点，本文提出了基于孤立森林算法的锂离子电池微内短路故障诊断方法。为了对方法进行验证，本文构建了串联电池组进行了不同短路电阻和充放电工况的短路实验，并在实际运行工况下对一个锂离子电池储能系统进行了电池短路实验，然后利用孤立森林算法对实验数据进行分析诊断。结果表明，对于循环充放电工况，孤立森林算法对短路电阻为1000 Ω的短路故障诊断精准率超过了74%，召回率超过了76%，准确率超过了91%；在模拟电动汽车实际驾驶的动态工况中，算法对300 Ω的短路故障诊断精准率和召回率超过了86%，准确率超过了95%；算法对电池储能系统在实际运行工况下25 Ω的内短路故障检测召回率大于98%。实验结果表明，孤立森林算法可以在多种工况下对锂离子电池微内短路故障进行有效检测，被检测出的锂离子电池内短路电阻达到了千欧姆数量级。

  关键词 锂离子电池；孤立森林算法；微内短路故障；电池储能系统

  为了满足日益增长的能源需求并减少污染物和温室气体排放，锂离子电池(lithium-ion battery,LIB)储能系统(energy storage system, ESS)装机容量不断上升，电动汽车保有量也不断上升。近年来，各种与锂离子电池热失控有关的储能系统与电动汽车起火爆炸事故层出不穷。据应急管理部统计，2022年第一季度涉及新能源汽车的火灾事件超过600起，平均每天超过6起，而2023年第一季度新能源汽车自燃率增长了32%，平均每天有8辆新能源汽车起火(包括自燃)，这些事故大部分涉及锂离子电池内短路(internal short circuit，ISC)或外短路故障。在近年来频发的锂离子电池储能系统火灾事故中，电池系统的短路故障被认为是可能导致热失控和火灾的最主要原因之一。因此，锂离子电池短路故障的检测诊断对提高电动汽车及电池储能系统的安全性具有重要意义。锂离子电池内短路故障的发展过程可以分为初期、中期和末期3个阶段。在内短路故障的初期，内短路电阻较大，短路电池的电压和温度等电热特征不明显，故障难以被识别和诊断；当电池内短路故障发展到中后期，电池的温度会迅速升高，电压会迅速下降，在该阶段电池极易发生热失控事故。因此，有必要在锂离子电池内短路故障发展的初期对内短路故障进行诊断以防止热失控的发生，内短路故障发展初期也被称为微内短路阶段，短路电阻数量级为100 Ω/10 Ω/1 Ω。

  孤立森林算法(isolation forest, iForest)由周志华教授等在2008年第八届IEEE国际数据挖掘会议上提出，被用于数据挖掘领域的连续数据异常检测与识别，是一种无监督的异常检测算法，不需要额外建立数学模型，不需要人工标记异常数据点进行训练，对计算机内存占用小，易于实施和应用，被广泛应用在各个领域的异常数据检测中。程贤福等基于孤立森林算法和滑动窗口，依托车联网平台数据，提出了锂离子电池不一致性检测方法。Jiang等将电动汽车中采集到的电池电压数据分解为与一致性高度相关的静态分量和反映异常信息的动态分量，然后提取静态分量和动态分量的特征参数，并将其输入孤立森林算法中进行异常电池检测。杨双齐通过多种传感器采集舰船轮机设备振动信号，经小波变换降噪后，提取舰船轮机设备振动信号特征，然后通过孤立森林算法对舰船轮机设备多发故障进行检测。在正常状态下，锂离子电池组中所有电池的电压应具有较好的一致性，当某个电池发生内短路故障时，其电压会逐渐与其他电池电压发生偏离，产生异常的电压信号。本文将孤立森林算法应用于锂离子电池内短路故障检测，通过实验获得串联锂离子电池组在多种短路工况下的电压数据，并在一个电池储能系统中进行了实际运行工况下的电池短路实验。然后利用孤立森林算法识别短路电池的电压异常，进而对电池组中内短路故障进行检测。结果显示，孤立森林算法能够对多种工况下的千欧姆数量级的微内短路故障进行有效识别，该算法计算复杂度低，故障检测准确率高，仅利用电池管理系统对电压监测的时序数据进行分析即可对短路故障进行诊断，具有较强的时效性，易于在线部署和应用。

  1 方法原理介绍

  1.1　孤立森林算法

  孤立森林算法将异常数据定义为“容易被孤立的离群点”，即分布稀疏且距离高密度数据群体较远的点，其理论基础有两点：①异常数据占数据总量的比例很小；②异常数据与正常数据存在明显不同。孤立森林算法依据异常数据的特点，随机选取一个数据特征(数据维度)和特征值(位于最大值和最小值之间)对数据集进行递归切分，直到所有的数据点都被孤立出来，在这种随机分割的策略下，异常数据往往经过较少次数的分割就被孤立到一个单独的子空间内，而正常数据是聚集分布的，数据密度较高，往往需要经过多次分割才能被孤立到一个子空间内。孤立森林算法依据数据点在数据集中被随机分割直到被孤立出来时所需分割的次数对数据是否异常进行判断。如图1所示，在一个数据集中，异常点x0仅仅需要较少的次数就被分割出来，而正常数据点xi因为分布在数据密度较大的区域，需要多次分割才能被隔离出来。

图1 数据集分割示意图 (a) 异常点隔离；(b) 正常点隔离

  孤立森林算法对数据集的这种递归分割可以用树形结构来表示，在分割过程中，异常点由于需要较少的分割次数，往往更靠近树的根部，而正常数据需要多次分割而分布于树的冠部，这种用于分割数据集的树形结构被称为孤立树或iTree。如图2所示，孤立树由根节点、内部节点和叶节点组成。定义样本点的在孤立树中路径长度h(x)：数据点xi的路径长度h(xi)为样本点从孤立树的根节点到叶子节点经过的边的数量，即到分割终止时，数据点被分割的次数。对一个数据集构建多个孤立树便形成了孤立森林，在形成孤立森林后，若要检测数据集中某一个点xi是否为异常点，则将该样本点遍历孤立森林内每一棵孤立树，求解该样本点在每棵孤立树上的平均路径长度，若样本点为正常点，则其平均路径长度将较长，反之则较短。直接利用h(xi)难以判断数据点是否异常，需要将平均路径长度转化为异常分数进而对数据点是否异常进行判断。异常分数的计算方法见式(1)~(2)。

图2 孤立树与孤立森林

  1.2　混淆矩阵

  为了评价孤立森林算法对锂离子电池内短路故障诊断的准确性和有效性，有必要构建一些指标对故障诊断结果进行评价，本节介绍基于混淆矩阵和精准率、召回率、准确率的评价指标，利用这些指标对基于孤立森林算法的串联电池组内短路故障诊断方法进行评估。

表1 混淆矩阵表

  2 实验与结果分析

  为了获得锂离子电池组在发生微内短路故障时的电压数据以验证基于孤立森林算法的故障检测方法，本文构建了一个由6节18650三元锂离子电池组成的电池组，电池标称容量为2.75 Ah，充电截止电压为4.2 V，放电截止电压为2.7 V。利用电池测试系统对这6节电池进行筛选，电池内阻、容量和开路电压基本一致，其中电池间内阻最大偏差为1 mΩ，容量最大偏差为5 mAh，开路电压最大偏差为0.005 V，以确保电池组中单体电池具有较强的初始一致性，且每次实验过后都对电池组进行电压均衡，确保电池组中电池单体间最大开路电压差小于0.005 V。如图3所示，其中S为电阻接入开关，为了获得锂离子电池在内短路状态下的运行数据，采用在电池外部短接电阻的方法模拟电池内短路故障，这种方法可以很好模拟电池在微内短路故障状态下的电学特征而不破坏电池结构，且易于对电池是否发生短路故障进行控制。

图3 串联锂离子电池组

  首先，选取电池组中的2号电池，对该电池分别短接300 Ω、510 Ω、710 Ω的电阻，然后对电池组进行循环充放电实验。循环充放电工况为先以0.5 C的倍率将电池组放电至截止电压2.7 V，然后以0.5 C倍率将电池组恒流充电至截止电压4.2 V，然后将电池组搁置1小时后进行下一次循环。2号电池短接不同电阻后电池单体的电压曲线，如图4所示。可以看出，在充放电循环的初始阶段，每个电池的单体电压几乎一致，电压曲线重合在一起，随着循环的进行，2号电池的电压逐渐与其他电池的电压发生偏离，且随着充放电的进行，这种偏离的幅度越来越大；当增大2号电池的短路电阻后，2号电池的电压曲线偏离幅度变小。

图4 2号电池不同短路程度下电池组单体电压曲线 (a) Risc=300 Ω ；(b) Risc=510 Ω ；(c) Risc=710 Ω

  为了进一步模拟电池在实际使用中的工况，研究电池组在实际工况中发生短路故障时电池组的电压变化，对电池组进行动态压力测试(dynamic stress test, DST)，DST工况可以有效模拟电动汽车在实际驾驶过程中发生的动态工况，图5为USABC标准中给出的DST工况每一个循环中电池充放电功率随时间变化的曲线，其中功率为正表示电池放电，为负表示充电。分别对电池组中5号电池短接一个100 Ω和300 Ω的电阻用以模拟电池内短路故障。图6给出了测试过程中不同短路电阻情况下电池组中电池单体电压变化曲线，可以看出，在DST后期，被短路的5号电池电压曲线存在较明显的向下偏移，且300 Ω短路工况下的电压偏移幅度要小于100 Ω短路工况。DST试中发生短路的5号电池的电压曲线相比循环充放电工况中2号电池的偏移幅度要小。

图5 DST工况功率-时间关系

声明： 本网站所发布文章，均来自于互联网，不代表本站观点，如有侵权，请联系删除。