基于DAEKF方法的SOC估计和内部短路故障诊断，用于电力卡特蓄电池

电池的安全性是影响电动汽车广泛采用的关键因素。为了提高电荷状态（SOC）估计和内部短路诊断的准确性，本研究提出了四个关键领域的改进建议。首先，采用一阶RC等效电路模型来估计SOC并诊断故障，使用电池的电压和电流作为测量参数。其次，采用遗忘因子递归最小二乘法来识别模型参数。第三，引入了基于双自适应扩展卡尔曼滤波器的联合估计框架，用于内部短路诊断和SOC估计。一个卡尔曼滤波器专门用于SOC估计，另一个则以SOC估计值为输入，估算内部短路电阻。最后，比较了该方法在不同工作条件下与其他算法的性能。结果显示，SOC估计的最大绝对误差保持在2%以内，内部短路电阻估计的误差仍保持在10%以内。实验结果证实了该算法的有效性和准确性。

简介

动力电池具有高能量密度、长周期寿命、快速充电能力和环保操作特性，因此广泛应用于电动汽车。然而，与这些电池相关的安全问题正日益成为关注焦点[1,2]。电池热失控的主要原因是电池单元内部短路故障的发生。因此，准确预测电荷状态（SOC）并基于电池数据诊断内部短路故障，对于确保电池组安全运行至关重要。
当前的SOC估计算法可分为四类[3,4]：安时积分法、开路电压法、基于模型的方法和数据驱动方法。安培小时积分法在精度方面具有优势，尤其是在初始SOC精确已知的情况下。然而，该方法存在误差随时间累积的问题，导致SOC估计存在显著的不准确性。OCV方法依赖开路电压与SOC的关系，需要较长时间的空闲时间才能准确测量。相比之下，基于模型的方法建立等效电池模型，并采用闭环控制算法计算SOC。Xu等人[5]提出了一种SOC估计算法，使用自适应的对偶卡尔曼滤波器和分数阶等效电路模型，从而降低模型和电流测量误差。Chen 等人[6]引入了增强型无香卡尔曼滤波器（UKF）方法，实现了SOC估计误差低于3%。此外，Chen 等人[7] 提出用奇异值分解（SVD）替代传统的 UKF 误差协方差矩阵正交分解，以实现 SOC 的准确估计。Zhang 等人[8] 提出用 SVD 替代传统的 UKF 误差协方差矩阵正交分解，从而提升 SOC 估计的准确性。Yuan 等人[9]将多创新理论整合进自适应扩展卡尔曼滤波器（AEKF），进一步提升了 SOC 估计精度。数据驱动估计方法主要依赖神经网络从数据中学习输入输出关系，而不考虑内部电池变化[10]。Wang 等人[11]提出了一种改进的抗噪声自适应长短期记忆神经网络，该网络在特征提取方面具有高鲁棒性，并对参数特征进行最优特征化，以实现准确的状态估计。参考文献[12]利用蚂蚁群体优化算法改进了Elman神经网络，展示了高准确性和鲁棒性。参考文献[13]利用二阶RC等效电路构建了转移模型，实现了在宽温范围内和电池全寿命范围内的精确SOC估计。Wang 等人[14]开发了改进的稳健多时间尺度奇异滤波-高斯过程回归-LSTM 容量估计模型。然而，数据驱动方法高度依赖于数据样本的准确性、样本量和训练技术，这可能限制其有效性。
当电池内部短路时，可能导致内部温度迅速升高，严重情况下可能导致热失控。Kong 等人[15]通过分析电池充电周期结束时的电压变化曲线，估算了电池剩余的充电容量（RCC），并证明了内部短路电阻（R）_{国际标准服务委员会}）估计可以在不同的操作条件下进行。Lai 等人[16]提出了一种结合平衡功耗的内部短路在线检测方法。通过计算这种平衡功耗以补充RCC，可以缩短检测时间。然而，该方法仅限于在特定时间区间内定量诊断内部短路。郑等[17]引入了基于容量的内部短路检测方法，能够识别内部短路故障并保持R的估计误差_{国际标准服务委员会}差距在15%以内。Zheng 等人[18]通过分析充放电周期中历史容量的变化，实现了单电池内部短路的定量诊断。然而，这些方法只能估计特定环境中离线时内部短路的程度。为了实现内部短路的在线检测，Hu 等人[19]开发了一个等效电路模型，并将其与 EKF 算法集成，实现了 R 的在线估计_{国际标准服务委员会}.Yang等人[20]提出了一种基于扩展卡尔曼滤波器（EKF）的车载短路诊断方法，通过比较安培小时积分获得的SOC与估计的SOC之间的差异，识别并计算内部短路的程度。Li等人[21]提出了基于多个ECM融合并按模型概率加权的自适应故障诊断框架， 这还能准确预警电流传感器故障。Qiao 等人[22]开发了一种纯数据驱动的方法，利用机器学习算法诊断早期内部短路故障，基于各种弛豫电压特征。Yu 等人[23]提出了基于模型的传感器故障诊断方案和电压电流传感器容错控制策略，采用递归最小二乘法（RLS）和UKF算法。Jiang 等人[24]提出了基于隔离森林算法的电力锂电池故障诊断方法。现有研究主要集中在小容量电池，关于大容量电池内部短路检测的研究相对有限。因此，本文重点关注大容量电池内部短路检测方法的推进。
通过回顾现有文献中的各种估计方法，可以明显发现基于模型的方法在估计SOC和内部短路方面具有较强的适应性。因此，本研究的主要贡献如下：首先，选择一阶RC等效电路模型，以捕捉电池在整个工作范围内的动态特性，从而提升SOC估计和故障诊断的准确性。其次，提出了基于双自适应扩展卡尔曼滤波器（DAEKF）的联合短路诊断与SOC估计框架。一个EKF用于SOC估计，另一个用于估计R值_{国际标准服务委员会}，基于SOC估计。最后，与现有方法相比，所提出的模型在SOC估计和内部短路故障诊断方面均显示出更高的准确性和鲁棒性。