基于小波分解和GDI的动力电池故障诊断_刘光军.pdf

第 53 卷 第 2 期2023 年 4 月电池BATTERY BIMONTHLYVol.53,No.2Apr.,2023作者简介:刘光军(1976-),男,湖北人,湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室讲师,博士,研究方向:直流充电系统;张 恒(1996-),男,湖北人,湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室硕士生,研究方向:动力电池故障诊断,通信作者。基金项目:国家自然科学基金(52177212),湖北省教育厅科学研究计划(T2021005)DOI:10.19535/j.1001-1579.2023.02.010基于小波分解和 GDI 的动力电池故障诊断刘光军,张 恒(湖北工业大学太阳能高效利用及储能运行控制湖北省重点实验室,湖北 武汉 430068)摘要:在动力电池组故障早期准确地定位故障单体电池,能预防安全事故。提出基于小波分解和广义无量纲指标(GDI)的动力电池故障诊断方法。使用小波分解,从电压数据中提取稳定的趋势分量;使用自定义的 GDI 提取故障信息;使用微分法处理故障信息,排除电池组不一致的情况,并使用 3-原则作为故障触发阈值。基于电动汽车实际运行数据的实验结果表明,所提方法较信息熵法准确性更高,且具有较强的鲁棒性,在故障早期能够准确地定位故障单体电池,并降低电池组不一致故障的误报率。关键词:实际运行数据;故障诊断;小波分解;广义无量纲指标(GDI);动力电池中图分类号:TM912.9 文献标志码:A 文章编号:1001-1579(2023)02-0165-04Fault diagnosis for power battery based on wavelet decomposition and GDILIU Guang-jun,ZHANG Heng(Hubei Collaborative Innovation Center for High-Efficiency Utilization of Solar Energy,Hubei University of Technology,Wuhan,Hubei,430068,China)Abstract:Accurately locating the fault cell in the early stage of power batteries fault could prevent safety accidents.A power battery fault diagnosis method based on wavelet decomposition and generalized dimensionless indicator(GDI)was proposed.Wavelet decomposition was used to extract stable trend components from voltage data,the fault information was extracted using the user-defined GDI.The differential method was used to process the fault information,eliminating the inconsistency of the batteries,the 3-principle was used as the fault trigger threshold.The experimental results based on the actual operation data of electric vehicles showed that the proposed method was more accurate and robust than the information entropy method,which could accurately locating the fault cell in the early stage of the fault,reducing the false alarm rate of inconsistent batteries faults.Key words:actual operation data;fault diagnosis;wavelet decomposition;generalized dimensionless indicator(GDI);power battery 动力电池的安全事故会危及人们的生命财产安全。在电动汽车的复杂运行工况下,电池处于故障状态,会导致短时间内积累过多热量,从而发生热失控事故。准确检测动力电池的早期故障,是电动汽车安全可靠运行的重要保障。针对动力电池的故障诊断方法可分为基于先验知识、基于模型和基于数据驱动等 3 类1-3。基于先验知识的故障诊断方法具有无模型的优势,但由于电池故障的先验知识难获取以及故障识别的规则难建立1,导致较少被用于实际场合。基于模型的方法,通常涉及偏微分方程的计算,导致计算时间长、计算量大,对硬件的性能要求高4。此外,该方法的鲁棒性较低,易受信号传输过程中随机扰动的影响。基于数据驱动的方法无需建立精准的数学模型,且不依赖先验的专家知识,是研究的热点5。使用数据驱动的故障诊断方法可分为机器学习法6和信号处理法7两种。机器学习法在电池BATTERY BIMONTHLY第 53 卷处理实验室环境下的数据时,可使用监督学习的方法建立故障特征与故障标签之间的映射关系,从采集的数据中提取电池故障信息。实车数据与实验室采集数据在数据精度、数据质量和故障数据量等方面有较大差异,如实际工况下的电动汽车故障数据较少,且正常状态下的数据有随机扰动,导致该方法难以处理此类问题。基于信号处理法通过处理原始电压数据,获取故障特征,识别故障电池。此类方法通常提取电压数据中的高频段信息作为故障特征,在实车环境下会受噪声信号的干扰,导致故障检测延迟及误报。针对当前动力电池故障诊断方法检测时间长、鲁棒性低的问题,本文作者提出一种基于小波分解和广义无量纲指标(GDI)的动力电池故障诊断方法。首先,使用小波分解方法,从电压数据中提取稳定的低频趋势分量,消除随机扰动信号的影响;其次,将先验的电池故障信息抽象为 GDI,以此作为故障特征的提取方法;最后,使用微分法处理故障特征,排除电池组不一致导致的误报警。1 故障诊断方法1.1 小波分解在电动汽车实际运行过程中,电池组的电压信号通过电压传感器采集,而信号传输过程会因为传感器的采集精度以及噪声干扰,影响最终数据的质量。原始的电压数据可以看作一种非平稳、非线性的时间序列。小波分解方法被广泛用于处理此类时间序列数据的信噪分离问题。小波的定义如下。设(t)为一个平方可积函数,傅里叶变换A(t)满足:+-A(t)22-1d(1)式(1)中:t 为时域基本单元,即单位时间长度;为频域基本单元。将(t)称作小波母函数。对(t)进行伸缩、平移变换,得到小波基函数集合a,b(t)。a,b(t)=a12(t-ba)(2)式(2)中:a 为尺度因子;b 为平移因子。小波变换的本质是将原始信号 f(t)在 b 时刻按 a,b(t)进行加权平均操作,表现 f(t)在 b 时刻周围的变化情况,如式(3)所示:f(b,a)=f(t)a,b(t)dt(3)式(3)中:f为原始信号;f(t)为 b 时刻的加权平均结果。小波变换将实际工况下的电池电压数据分解为高频和低频信号。低频信号代表电压的整体变化趋势;高频信号代表电压数据中的随机扰动。电池电压的时间序列模型为:s(n)=f(n)+(n)(4)式(4)中:s(n)为电池原始电压数据;f(n)为电压序列的变化趋势项;(n)为电压数据扰动项;为扰动系数;n 为采样间隔。多贝西(dbN)小波常用来分解和重构信号,因此,采用db4 基函数对电池电压数据进行分解操作。分解后的电压变化趋势项为剔除了扰动因素的平稳信号,且最大限度地保留了原始序列的信息。1.2 广义无量纲指标(GDI)为了从电压数据中提取故障特征,需要将与动力电池故障有关的先验知识抽象化为一个 GDI,从而获得量化的故障信息。动力电池故障诊断问题即可转化为在量化的故障信息基础上,将故障单体与电池组中其他单体区分出来。定义的 GDI 如下:SGDI=1NNt=1Vi(t)-1MMi=1Vi(t)2(5)式(5)中:SGDI为定义的 GDI;Vi(t)为第 i 只单体电池的电压序列;N 为时间窗口长度;M 为电池组中单体电池的数量。为了将故障信号从正常信号中区分出来,设置的 GDI 需对电池的故障信号有放大效应。故障信号相比正常状态下的信号有部分离群情况,由式(5)可知,对于故障信号的放大作用会高于正常信号。该指标在线应用时,使用滑动窗口的方法处理电压序列。时间窗口长度 N 为可调节参数,该参数的大小表示一次计算所容纳的数据量。式(5)中有对计算结果求均值的操作,时间窗口长度越大,对故障数据的敏感性越低,但随着时间窗口的缩短,计算结果的鲁棒性会降低。1.3 故障诊断流程基于小波分解和 GDI 的动力电池故障诊断方法实施流程,如图 1 所示。图 1 动力电池故障诊断流程Fig.1 Fault diagnosis process of power battery步骤:提取电池组的电压数据,即V1(t),Vi(t),VM(t)。用 db4 正交小波基函数分解电压序列,提取其中的低频趋势分量,得到电压数据V1(t),Vi(t),VM(t)。步骤:由式(5)计算 GDI,得到故障特征序列G1(T),Gi(T),GM(T),其中,T 为滑动窗口的移动次数。步骤:根据故障特征序列计算 3-阈值 J1,计算规则如式(6)所示。在统计学中,拉依达准则(3-准则)常用于离群点检测,并广泛用于锂离子电池故障诊断。3-准则规定:在一组符合正态分布的数据中,数值分布在(-,+)中的概率为 68.26%;分布在(-2,+2)中的概率是95.44%;分布在(-3,+3)中的概率是 99.74%。这组数据的平均值用 表示,标准差定义为,可以认为数值几乎都集中在区间(-3,+3)内,超过这个范围的可能性只有不到 0.3%。如果某个数据不在(-3,+3)范围内,就被视为离群点或故障点8。661第 2 期刘光军,等:基于小波分解和 GDI 的动力电池故障诊断J1=G(T)N31MMi=1Gi(T)-G(T)N(6)式(6)中:G(T)为当前窗口内故障特征之和;Gi(T)为第i 只电池在移动次数为 T 时的故障特征。判断准则如式(7)所示。F1=0,Gi(T)J11,Gi(T)J1(7)式(7)中:F1为异常信号。F1值为 1 时,表示当前时刻存在异常;值为 0 时,表示当前时刻无异常。若故障特征超过阈值 J1,发出报警信号,进行下一步判断;若故障特征未超过 J1,不发出报警信号,进入下一个循环。步骤:由于电池组存在不一致性,导致单一阈值无法排除故障,需要对故障特征序列求微分,得到故障信号的变化速率G1(T),Gi(T),GM(T)。在此基础上,设置新的阈值 J2。若超过 J2,则发出报警信号,判断电池为故障状态;若未超过 J2,则判断电池组为不一致性状态。F2=0,Gi(T)J21,Gi(T)J2(8)式(8)中:F2为故障信号。F2值为 1 时,表示当前时刻存在故障;值为 0 时,表示当前时刻电池组为不一致性状态。2 实验分析2.1 基于电动汽车实车数据的故障诊断为验证所提方法的有效性,使用一辆在役纯电动汽车的车载三元正极材料 LiNixCoyMnzO2动力锂离子电池的历史数据进行测试。电池标称放电容量为3.5 Ah,工作电压为2.654.20 V,最大充电倍率为 1.00 C。数据取自采样截止前的最后一个放电周期,采样周期为 10 s,电压分辨率为 1 mV。电动汽车在实际运行中,电池组各单体电池的电压变化曲线见图 2。该电压变化曲线包含 96 只串联的单体电池,其中,31 号单体电池出现了早期的内部短路故障。故障结果由原位检测和人工判别确定。原位检测用于定位单体电池;人工判别确定故障发生时间。从图 2(a)可知,31 号单体电池的电压在部分时刻发生了突变。在实际工作条件下,电压变化曲线会有更多的随机扰动,导致故障特征被正常的扰动信号影响,难以通过单一判别标准直接找出故障信号,因此,需要使用小波分解方法消除扰动信号造成的影响,只保留电压变化的趋势信息。从图 2(b)可知,该电池组 12 号电池存在荷电状态(SOC)偏低的现象(即电池组内部存在不一致),由此造成的电压偏低,很容易形成误报警,而影响真正发生故障的 31 号单体电池的检测。真正发生故障的 31 号电池在第 351 个采样点处发生电压下降,后续变化与 12 号电池一致。小波分解后动力电池组电压的变化趋势如图 3 所示。从图 3 可知,经过小波分解方法处理后,尖峰明显减少,电压数据变得更加平滑,便于后续故障特征提取。图 3 中,异常数据的信息依然得以保留,如 31 号单体电池的不一致性信息及电压偏离现象。图 2 动力电池组电压原始变化情况Fig.2 Original change of power battery pack voltage图 3 小波分解后动力电池组电压的变化趋势Fig.3 Change trend of voltage of power battery pack after wave-let decomposition小波分解处理,用自定义的 GDI 提取故障特征,采用的滑动窗口大小长度 N 为 10。动力电池故障特征曲线见图 4。图 4 动力电池故障特征曲线Fig.4 Fault characteristic curves of power battery761电池BATTERY BIMONTHLY第 53 卷图 4 中,超过 3-阈值(即虚线上方)的故障特征曲线都被视作异常。从图 4 可知,12 号单体在循环初期就触发了阈值,而 31 号单体在第 351 个采样点处触发阈值,与电池故障发生时刻一致。结果表明,自定义的 GDI 能准确地定位故障单体电池,并在故障发生时刻准确发出报警信息。电动汽车电池组内会不可避免地存在不一致性的问题,因此,使用微分方法将 12 号、31 号单体的故障特征重新进行判别。动力电池故障特征微分曲线如图 5 所示。图 5 动力电池故障特征微分曲线Fig.5 Fault characteristic differential curves of power battery图 5 中,对动力电池组的故障特征的微分操作,使 12 号单体电池的结果控制在阈值范围内,而 31 号单体电池在第351 个采样点处正确发出警报。经过微分处理后,可将未发生故障的 12 号单体电池的异常排除。2.2 诊断方法的对比分析为了分析所提方法的性能,将基于信息熵的动力电池故障诊断方法与所提方法进行对比分析。文献9在实验室条件下,使用信息熵方法,精准定位了电池发生故障的时刻,表明该方法的有效性,但该方法在电动汽车实际运行环境下的性能尚未得到有效验证。信息熵法的计算结果见图 6。图 6 基于信息熵的动力电池故障诊断结果Fig.6 Power battery fault diagnosis results based on information entropy从图 6 可知,83 号、92 号单体电池发生了较严重的误报警。图 6 中的圆圈部分发生了较小的误报,触发报警时超过阈值部分较少。在第 351 个采样点时,基于信息熵的方法并未检测到异常电池。由上述结果可知,基于信息熵的故障诊断方法在具有大噪声的电动汽车实际运行数据中的表现较差,但对于电池不一致性的情况尚未发生误报警。相较于该方法,所提方法不受真实数据中的噪声信号影响,能在故障发生时刻精准定位故障单体电池。3 结论为实现动力电池早期故障的准确识别,并且提高方法的鲁棒性,本文作者提出一种基于小波分解和 GDI 的动力电池故障诊断。基于实际工况下电动汽车运行历史数据的实验结果表明,所提方法能检测到动力电池的早期故障,并排除因电池组内部不一致导致的误报。对于真实数据中的扰动信号,所提方法可以剔除,表现出较强的鲁棒性。由于电动汽车电池故障数据的获取较困难,上述方法仍存在数据量不足、验证不够充分的问题,在获取更加充足的故障数据后,可进行优化,以提高在不同型号车辆间的适用性。参考文献:1HU X S,FENG F,LIU K L,et al.State estimation for advanced battery management:key challenges and future trendsJ.Renew Sustain Energy Rev,2019,114:109334.2 朱景哲,张希,高一钊,等.数据驱动的锂离子电池智能故障诊断算法J.电池,2022,52(4):401-405.ZHU J Z,ZHANG X,GAO Y Z,et al.Data driven intelligent fault diagnosis algorithm for Li-ion batteryJ.Battery Bimonthly,2022,52(4):401-405.3 LI D,ZHANG Z S,LIU P,et al.Fault diagnosis of battery systems for electric vehicles based on voltage abnormality combining the long short-term memory neural network and the equivalent circuit modelJ.IEEE Trans Power Electron,2020,36(2):1303-1305.4 JIANG L L,DENG Z W,TANG X L,et al.Data-driven fault diag-nosis and thermal runaway warning for battery packs using real-world vehicle dataJ.Energy,2021,234:121266.5 CONG X W,ZHANG C P,JIANG J C,et al.A comprehensive sig-nal-based fault diagnosis method for lithium-ion batteries in electric vehiclesJ.Energies,2021,14(5):1221.6 李洪军,汪大春,杨哲昊,等.基于 DCGAN 的燃料电池故障诊断J.电池,2022,52(5):502-506.LI H J,WANG D C,YANG Z H,et al.Fuel cell fault diagnosis based on DCGANJ.Battery Bimonthly,2022,52(5):502-506.7 WANG Z P,HONG J C,LIU P,et al.Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for elec-tric vehiclesJ.Appl Energy,2017,196:289-302.8 XUE Q,LI G,ZHANG Y J,et al.Fault diagnosis and abnormality detection of lithium-ion battery packs based on statistical distribu-tionJ.J Power Sources,2021,482:228964.9SHANG Y L,LU G P,KANG Y Z,et al.A multi-fault diagnosis method based on modified sample entropy for lithium-ion battery stringsJ.J Power Sources,2020,446:227275.收稿日期:2022-08-17861