本文亮點(diǎn)：將孤立森林算法用于鋰離子電池內(nèi)短路故障診斷，發(fā)現(xiàn)（1）孤立森林算法可以對串聯(lián)18650三元鋰離子電池組中短路電阻小于1000 Ω的電池短路故障可以做到準(zhǔn)確診斷，算法準(zhǔn)確率超過了95%；對于短路電阻小于3000 Ω的短路故障可以進(jìn)行初步診斷，算法準(zhǔn)確率超過了80%；且算法對電池在電動(dòng)汽車中的實(shí)際運(yùn)行工況具有良好的適用性。（2）孤立森林算法對于電池儲能系統(tǒng)在實(shí)際運(yùn)行過程中的發(fā)生微內(nèi)短路故障能夠進(jìn)行準(zhǔn)確的識別診斷，對于短路電阻為25Ω的電池短路故障識別召回率超過了98%。
摘 要 電池系統(tǒng)的內(nèi)短路故障是造成電池?zé)崾Э睾突馂?zāi)事故的主要原因之一，因此有必要對電池內(nèi)短路故障進(jìn)行診斷對事故做出早期預(yù)警。孤立森林算法是一種無監(jiān)督的異常檢測算法，被廣泛應(yīng)用于異常數(shù)據(jù)識別領(lǐng)域。根據(jù)串聯(lián)電池組中內(nèi)短路電池的電壓會(huì)與正常電池發(fā)生偏離的特點(diǎn)，本文提出了基于孤立森林算法的鋰離子電池微內(nèi)短路故障診斷方法。為了對方法進(jìn)行驗(yàn)證，本文構(gòu)建了串聯(lián)電池組進(jìn)行了不同短路電阻和充放電工況的短路實(shí)驗(yàn)，并在實(shí)際運(yùn)行工況下對一個(gè)鋰離子電池儲能系統(tǒng)進(jìn)行了電池短路實(shí)驗(yàn)，然后利用孤立森林算法對實(shí)驗(yàn)數(shù)據(jù)進(jìn)行分析診斷。結(jié)果表明，對于循環(huán)充放電工況，孤立森林算法對短路電阻為1000 Ω的短路故障診斷精準(zhǔn)率超過了74%，召回率超過了76%，準(zhǔn)確率超過了91%；在模擬電動(dòng)汽車實(shí)際駕駛的動(dòng)態(tài)工況中，算法對300 Ω的短路故障診斷精準(zhǔn)率和召回率超過了86%，準(zhǔn)確率超過了95%；算法對電池儲能系統(tǒng)在實(shí)際運(yùn)行工況下25 Ω的內(nèi)短路故障檢測召回率大于98%。實(shí)驗(yàn)結(jié)果表明，孤立森林算法可以在多種工況下對鋰離子電池微內(nèi)短路故障進(jìn)行有效檢測，被檢測出的鋰離子電池內(nèi)短路電阻達(dá)到了千歐姆數(shù)量級。
關(guān)鍵詞 鋰離子電池；孤立森林算法；微內(nèi)短路故障；電池儲能系統(tǒng)
為了滿足日益增長的能源需求并減少污染物和溫室氣體排放，鋰離子電池(lithium-ion battery,LIB)儲能系統(tǒng)(energy storage system, ESS)裝機(jī)容量不斷上升，電動(dòng)汽車保有量也不斷上升。近年來，各種與鋰離子電池?zé)崾Э赜嘘P(guān)的儲能系統(tǒng)與電動(dòng)汽車起火爆炸事故層出不窮。據(jù)應(yīng)急管理部統(tǒng)計(jì)，2022年第一季度涉及新能源汽車的火災(zāi)事件超過600起，平均每天超過6起，而2023年第一季度新能源汽車自燃率增長了32%，平均每天有8輛新能源汽車起火(包括自燃)，這些事故大部分涉及鋰離子電池內(nèi)短路(internal short circuit，ISC)或外短路故障。在近年來頻發(fā)的鋰離子電池儲能系統(tǒng)火災(zāi)事故中，電池系統(tǒng)的短路故障被認(rèn)為是可能導(dǎo)致熱失控和火災(zāi)的最主要原因之一。因此，鋰離子電池短路故障的檢測診斷對提高電動(dòng)汽車及電池儲能系統(tǒng)的安全性具有重要意義。鋰離子電池內(nèi)短路故障的發(fā)展過程可以分為初期、中期和末期3個(gè)階段。在內(nèi)短路故障的初期，內(nèi)短路電阻較大，短路電池的電壓和溫度等電熱特征不明顯，故障難以被識別和診斷；當(dāng)電池內(nèi)短路故障發(fā)展到中后期，電池的溫度會(huì)迅速升高，電壓會(huì)迅速下降，在該階段電池極易發(fā)生熱失控事故。因此，有必要在鋰離子電池內(nèi)短路故障發(fā)展的初期對內(nèi)短路故障進(jìn)行診斷以防止熱失控的發(fā)生，內(nèi)短路故障發(fā)展初期也被稱為微內(nèi)短路階段，短路電阻數(shù)量級為100 Ω/10 Ω/1 Ω。
孤立森林算法(isolation forest, iForest)由周志華教授等在2008年第八屆IEEE國際數(shù)據(jù)挖掘會(huì)議上提出，被用于數(shù)據(jù)挖掘領(lǐng)域的連續(xù)數(shù)據(jù)異常檢測與識別，是一種無監(jiān)督的異常檢測算法，不需要額外建立數(shù)學(xué)模型，不需要人工標(biāo)記異常數(shù)據(jù)點(diǎn)進(jìn)行訓(xùn)練，對計(jì)算機(jī)內(nèi)存占用小，易于實(shí)施和應(yīng)用，被廣泛應(yīng)用在各個(gè)領(lǐng)域的異常數(shù)據(jù)檢測中。程賢福等基于孤立森林算法和滑動(dòng)窗口，依托車聯(lián)網(wǎng)平臺數(shù)據(jù)，提出了鋰離子電池不一致性檢測方法。Jiang等將電動(dòng)汽車中采集到的電池電壓數(shù)據(jù)分解為與一致性高度相關(guān)的靜態(tài)分量和反映異常信息的動(dòng)態(tài)分量，然后提取靜態(tài)分量和動(dòng)態(tài)分量的特征參數(shù)，并將其輸入孤立森林算法中進(jìn)行異常電池檢測。楊雙齊通過多種傳感器采集艦船輪機(jī)設(shè)備振動(dòng)信號，經(jīng)小波變換降噪后，提取艦船輪機(jī)設(shè)備振動(dòng)信號特征，然后通過孤立森林算法對艦船輪機(jī)設(shè)備多發(fā)故障進(jìn)行檢測。在正常狀態(tài)下，鋰離子電池組中所有電池的電壓應(yīng)具有較好的一致性，當(dāng)某個(gè)電池發(fā)生內(nèi)短路故障時(shí)，其電壓會(huì)逐漸與其他電池電壓發(fā)生偏離，產(chǎn)生異常的電壓信號。本文將孤立森林算法應(yīng)用于鋰離子電池內(nèi)短路故障檢測，通過實(shí)驗(yàn)獲得串聯(lián)鋰離子電池組在多種短路工況下的電壓數(shù)據(jù)，并在一個(gè)電池儲能系統(tǒng)中進(jìn)行了實(shí)際運(yùn)行工況下的電池短路實(shí)驗(yàn)。然后利用孤立森林算法識別短路電池的電壓異常，進(jìn)而對電池組中內(nèi)短路故障進(jìn)行檢測。結(jié)果顯示，孤立森林算法能夠?qū)Χ喾N工況下的千歐姆數(shù)量級的微內(nèi)短路故障進(jìn)行有效識別，該算法計(jì)算復(fù)雜度低，故障檢測準(zhǔn)確率高，僅利用電池管理系統(tǒng)對電壓監(jiān)測的時(shí)序數(shù)據(jù)進(jìn)行分析即可對短路故障進(jìn)行診斷，具有較強(qiáng)的時(shí)效性，易于在線部署和應(yīng)用。
1 方法原理介紹
1.1 孤立森林算法
孤立森林算法將異常數(shù)據(jù)定義為“容易被孤立的離群點(diǎn)”，即分布稀疏且距離高密度數(shù)據(jù)群體較遠(yuǎn)的點(diǎn)，其理論基礎(chǔ)有兩點(diǎn)：①異常數(shù)據(jù)占數(shù)據(jù)總量的比例很?。虎诋惓?shù)據(jù)與正常數(shù)據(jù)存在明顯不同。孤立森林算法依據(jù)異常數(shù)據(jù)的特點(diǎn)，隨機(jī)選取一個(gè)數(shù)據(jù)特征(數(shù)據(jù)維度)和特征值(位于最大值和最小值之間)對數(shù)據(jù)集進(jìn)行遞歸切分，直到所有的數(shù)據(jù)點(diǎn)都被孤立出來，在這種隨機(jī)分割的策略下，異常數(shù)據(jù)往往經(jīng)過較少次數(shù)的分割就被孤立到一個(gè)單獨(dú)的子空間內(nèi)，而正常數(shù)據(jù)是聚集分布的，數(shù)據(jù)密度較高，往往需要經(jīng)過多次分割才能被孤立到一個(gè)子空間內(nèi)。孤立森林算法依據(jù)數(shù)據(jù)點(diǎn)在數(shù)據(jù)集中被隨機(jī)分割直到被孤立出來時(shí)所需分割的次數(shù)對數(shù)據(jù)是否異常進(jìn)行判斷。如圖1所示，在一個(gè)數(shù)據(jù)集中，異常點(diǎn)x0僅僅需要較少的次數(shù)就被分割出來，而正常數(shù)據(jù)點(diǎn)xi因?yàn)榉植荚跀?shù)據(jù)密度較大的區(qū)域，需要多次分割才能被隔離出來。
圖1 數(shù)據(jù)集分割示意圖 (a) 異常點(diǎn)隔離；(b) 正常點(diǎn)隔離
孤立森林算法對數(shù)據(jù)集的這種遞歸分割可以用樹形結(jié)構(gòu)來表示，在分割過程中，異常點(diǎn)由于需要較少的分割次數(shù)，往往更靠近樹的根部，而正常數(shù)據(jù)需要多次分割而分布于樹的冠部，這種用于分割數(shù)據(jù)集的樹形結(jié)構(gòu)被稱為孤立樹或iTree。如圖2所示，孤立樹由根節(jié)點(diǎn)、內(nèi)部節(jié)點(diǎn)和葉節(jié)點(diǎn)組成。定義樣本點(diǎn)的在孤立樹中路徑長度h(x)：數(shù)據(jù)點(diǎn)xi的路徑長度h(xi)為樣本點(diǎn)從孤立樹的根節(jié)點(diǎn)到葉子節(jié)點(diǎn)經(jīng)過的邊的數(shù)量，即到分割終止時(shí)，數(shù)據(jù)點(diǎn)被分割的次數(shù)。對一個(gè)數(shù)據(jù)集構(gòu)建多個(gè)孤立樹便形成了孤立森林，在形成孤立森林后，若要檢測數(shù)據(jù)集中某一個(gè)點(diǎn)xi是否為異常點(diǎn)，則將該樣本點(diǎn)遍歷孤立森林內(nèi)每一棵孤立樹，求解該樣本點(diǎn)在每棵孤立樹上的平均路徑長度，若樣本點(diǎn)為正常點(diǎn)，則其平均路徑長度將較長，反之則較短。直接利用h(xi)難以判斷數(shù)據(jù)點(diǎn)是否異常，需要將平均路徑長度轉(zhuǎn)化為異常分?jǐn)?shù)進(jìn)而對數(shù)據(jù)點(diǎn)是否異常進(jìn)行判斷。異常分?jǐn)?shù)的計(jì)算方法見式(1)~(2)。
圖2 孤立樹與孤立森林
1.2 混淆矩陣
為了評價(jià)孤立森林算法對鋰離子電池內(nèi)短路故障診斷的準(zhǔn)確性和有效性，有必要構(gòu)建一些指標(biāo)對故障診斷結(jié)果進(jìn)行評價(jià)，本節(jié)介紹基于混淆矩陣和精準(zhǔn)率、召回率、準(zhǔn)確率的評價(jià)指標(biāo)，利用這些指標(biāo)對基于孤立森林算法的串聯(lián)電池組內(nèi)短路故障診斷方法進(jìn)行評估。
表1 混淆矩陣表
2 實(shí)驗(yàn)與結(jié)果分析
為了獲得鋰離子電池組在發(fā)生微內(nèi)短路故障時(shí)的電壓數(shù)據(jù)以驗(yàn)證基于孤立森林算法的故障檢測方法，本文構(gòu)建了一個(gè)由6節(jié)18650三元鋰離子電池組成的電池組，電池標(biāo)稱容量為2.75 Ah，充電截止電壓為4.2 V，放電截止電壓為2.7 V。利用電池測試系統(tǒng)對這6節(jié)電池進(jìn)行篩選，電池內(nèi)阻、容量和開路電壓基本一致，其中電池間內(nèi)阻最大偏差為1 mΩ，容量最大偏差為5 mAh，開路電壓最大偏差為0.005 V，以確保電池組中單體電池具有較強(qiáng)的初始一致性，且每次實(shí)驗(yàn)過后都對電池組進(jìn)行電壓均衡，確保電池組中電池單體間最大開路電壓差小于0.005 V。如圖3所示，其中S為電阻接入開關(guān)，為了獲得鋰離子電池在內(nèi)短路狀態(tài)下的運(yùn)行數(shù)據(jù)，采用在電池外部短接電阻的方法模擬電池內(nèi)短路故障，這種方法可以很好模擬電池在微內(nèi)短路故障狀態(tài)下的電學(xué)特征而不破壞電池結(jié)構(gòu)，且易于對電池是否發(fā)生短路故障進(jìn)行控制。
圖3 串聯(lián)鋰離子電池組
首先，選取電池組中的2號電池，對該電池分別短接300 Ω、510 Ω、710 Ω的電阻，然后對電池組進(jìn)行循環(huán)充放電實(shí)驗(yàn)。循環(huán)充放電工況為先以0.5 C的倍率將電池組放電至截止電壓2.7 V，然后以0.5 C倍率將電池組恒流充電至截止電壓4.2 V，然后將電池組擱置1小時(shí)后進(jìn)行下一次循環(huán)。2號電池短接不同電阻后電池單體的電壓曲線，如圖4所示?？梢钥闯觯诔浞烹娧h(huán)的初始階段，每個(gè)電池的單體電壓幾乎一致，電壓曲線重合在一起，隨著循環(huán)的進(jìn)行，2號電池的電壓逐漸與其他電池的電壓發(fā)生偏離，且隨著充放電的進(jìn)行，這種偏離的幅度越來越大；當(dāng)增大2號電池的短路電阻后，2號電池的電壓曲線偏離幅度變小。
圖4 2號電池不同短路程度下電池組單體電壓曲線 (a) Risc=300 Ω ；(b) Risc=510 Ω ；(c) Risc=710 Ω
為了進(jìn)一步模擬電池在實(shí)際使用中的工況，研究電池組在實(shí)際工況中發(fā)生短路故障時(shí)電池組的電壓變化，對電池組進(jìn)行動(dòng)態(tài)壓力測試(dynamic stress test, DST)，DST工況可以有效模擬電動(dòng)汽車在實(shí)際駕駛過程中發(fā)生的動(dòng)態(tài)工況，圖5為USABC標(biāo)準(zhǔn)中給出的DST工況每一個(gè)循環(huán)中電池充放電功率隨時(shí)間變化的曲線，其中功率為正表示電池放電，為負(fù)表示充電。分別對電池組中5號電池短接一個(gè)100 Ω和300 Ω的電阻用以模擬電池內(nèi)短路故障。圖6給出了測試過程中不同短路電阻情況下電池組中電池單體電壓變化曲線，可以看出，在DST后期，被短路的5號電池電壓曲線存在較明顯的向下偏移，且300 Ω短路工況下的電壓偏移幅度要小于100 Ω短路工況。DST試中發(fā)生短路的5號電池的電壓曲線相比循環(huán)充放電工況中2號電池的偏移幅度要小。
圖5 DST工況功率-時(shí)間關(guān)系
圖6 DST工況單體電池電壓隨時(shí)間變化曲線 (a) Risc=100 Ω；(b) Risc=300 Ω
根據(jù)中國國家標(biāo)準(zhǔn)GB/T 31486— 2015，鋰離子電池模組在靜置28天后需要保持其85%的初始容量。因此，為滿足這一標(biāo)準(zhǔn)本次實(shí)驗(yàn)中用到的鋰離子電池的內(nèi)短路電阻Risc應(yīng)該滿足式(7)。
其中圖片為電池額定電壓，圖片為電池的額定容量。
為了進(jìn)一步檢驗(yàn)孤立森林算法對電池短路故障的檢測能力，給6號電池分別短接1000 Ω、2000 Ω、3000 Ω、4000 Ω的電阻，然后對電池組以0.5 C的倍率進(jìn)行循環(huán)充放電測試，圖7給出了在6號電池短接不同電阻時(shí)電池組中不同電池單體的電壓曲線。從圖7中可以看出，由于短路電阻很大，達(dá)到了千歐姆數(shù)量級，6號電池的電壓曲線沒有明顯的偏離，在循環(huán)末期，當(dāng)短路電阻為1000 Ω、2000 Ω、3000 Ω時(shí)，6號電池的電壓曲線相較其他電壓曲線發(fā)生了微小的偏移，且隨著短路電阻的增大這種偏移逐漸變?。划?dāng)短路電阻為4000 Ω時(shí)，6號電池的電壓曲線與其他電池的電壓曲線混雜在一起，無明顯偏移和區(qū)別。
圖7 6號電池不同短路程度下電池組單體電壓曲線 (a) Risc=1000 Ω；(b) Risc=2000 Ω；(c) Risc=3000 Ω；(d) Risc=4000 Ω；
為了驗(yàn)證孤立森林算法對實(shí)際運(yùn)行中的儲能系統(tǒng)內(nèi)短路故障診斷識別的有效性和準(zhǔn)確性，利用如圖8所示的儲能系統(tǒng)進(jìn)行電池短路實(shí)驗(yàn)，以獲得電池發(fā)生內(nèi)短路故障時(shí)的運(yùn)行數(shù)據(jù)。如圖8所示，儲能系統(tǒng)中包含了4簇磷酸鐵鋰電池和4簇三元鋰離子電池，其中每個(gè)磷酸鐵鋰電池簇包括12個(gè)串聯(lián)電池模組，每個(gè)模組由12個(gè)電池單體串聯(lián)構(gòu)成，磷酸鐵鋰電池單體的額定電壓為3.2 V，額定容量為220 Ah。
圖8 儲能系統(tǒng)樣機(jī)結(jié)構(gòu)示意圖
為了獲得電池在發(fā)生不同程度內(nèi)短路故障時(shí)的電壓特征，將3個(gè)阻值分別為25 Ω、100 Ω以及500 Ω的電阻并聯(lián)在第2簇3個(gè)不同位置的磷酸鐵鋰電池上，如表2所示，即77號、80號以及89號電池，通過開關(guān)控制短路電阻的連接，以模擬電池在發(fā)生不同程度內(nèi)短路故障時(shí)的電壓特征。值得注意的是，根據(jù)式(7)，該儲能系統(tǒng)磷酸鐵鋰電池的臨界內(nèi)短路電阻為65.2 Ω，短路電阻為100 Ω和500 Ω的80號和89號電池嚴(yán)格來說不是短路電池，但是出于實(shí)驗(yàn)過程中儲能系統(tǒng)的安全性考慮，以及儲能系統(tǒng)在長期運(yùn)行過程中電池本身可能已經(jīng)發(fā)生了微內(nèi)短路，本文沒有將短路電阻設(shè)置過小。
表2 不同嚴(yán)重程度內(nèi)短路實(shí)驗(yàn)
圖9(a)、(b)分別是該液冷儲能系統(tǒng)第2簇所有鋰離子電池(共144個(gè))在2021年12月23日和12月27日的電壓數(shù)據(jù)。圖9中進(jìn)行了短路實(shí)驗(yàn)的77號、80號和89號電池的電壓曲線為加粗的彩色曲線，其余黑色曲線為第2簇其他電池的電壓曲線。77號電池的電壓明顯比其他電池的電壓小，因?yàn)樗膬?nèi)短路電阻Risc最小，內(nèi)短路程度最大。而80號電池的電壓多數(shù)情況下也比除了77號電池以外的電池的電壓小。因此，可以認(rèn)為77號電池和80號電池的故障實(shí)驗(yàn)數(shù)據(jù)是有效的。而89號電池的電壓和正常電池的電壓沒有明顯區(qū)別。
圖9 第2簇電池電壓變化曲線 (a) 2021年12月23日；(b) 2021年12月27日
3 方法驗(yàn)證
3.1 孤立森林算法檢測結(jié)果
首先，利用孤立森林算法對第2章獲得的2號電池分別短接300 Ω、510 Ω、710 Ω的短路電阻時(shí)獲得的電池組單體電壓數(shù)據(jù)進(jìn)行分析處理。由于電池電壓數(shù)據(jù)為時(shí)間序列數(shù)據(jù)，且故障電池的電壓數(shù)據(jù)隨著時(shí)間變化在不斷偏移，因此采用滑動(dòng)窗口的方法分割數(shù)據(jù)集，窗口每移動(dòng)一次，舊的數(shù)據(jù)將被剔除，新的數(shù)據(jù)將流入窗口被用于孤立森林的訓(xùn)練以及異常數(shù)據(jù)的識別，實(shí)現(xiàn)對時(shí)序數(shù)據(jù)不斷更新與計(jì)算，為了保證滑動(dòng)窗口內(nèi)有足夠的樣本數(shù)量用以訓(xùn)練孤立樹，設(shè)定滑動(dòng)窗口寬度為420秒。
圖10給出了在短接不同短路電阻情況下電池單體的異常分?jǐn)?shù)隨滑動(dòng)窗口的變化曲線，異常分?jǐn)?shù)0為異常與正常之間的分界線，從圖10中可以看出，在初始階段，由于電池之間的電壓仍具有微小的初始不一致性，孤立森林算法對異常電池的識別并不穩(wěn)定，每節(jié)電池都有可能被識別為異常電池，隨著滑動(dòng)窗口的移動(dòng)，電池組充放電的進(jìn)行，短路電池與其他電池的電壓不一致性隨著時(shí)間變化不斷累積發(fā)展，2號電池的異常分?jǐn)?shù)開始穩(wěn)定低于閾值0，可以判定2號電池為短路電池，且從圖10中可以看出，當(dāng)短路電阻增大時(shí)，2號電池異常分?jǐn)?shù)低于閾值時(shí)的窗口序號隨之增加，即算法報(bào)警時(shí)間向后延長。
圖10 2號電池不同短路程度時(shí)異常分?jǐn)?shù)曲線 (a) Risc=300 Ω；(b) Risc=510 Ω；(c) Risc=710 Ω
接下來利用孤立森林算法對DST工況下5號電池短接100 Ω和300 Ω電阻時(shí)的電壓測試結(jié)果進(jìn)行診斷，結(jié)果如圖11所示：由于DST工況下電池充放電功率變化頻率較高，因此測試過程中對電池組電壓的采樣頻率較大，相應(yīng)的滑動(dòng)窗口的大小也變?yōu)?2秒。從圖11(a)可以看出，當(dāng)短路電阻為100 Ω時(shí)，被短路的5號電池異常分?jǐn)?shù)在整個(gè)測試過程中都低于閾值0；從圖11(b)可以看出，當(dāng)短路電阻為300 Ω時(shí)，在大部分滑動(dòng)窗口內(nèi)，5號電池的異常分?jǐn)?shù)都低于閾值0，這表明在DST工況下，孤立森林算法可以將故障電池診斷出來。
圖11 DST工況下異常分?jǐn)?shù)曲線 (a) Risc=100 Ω；(b) Risc=300 Ω
利用孤立森林算法對兩端分別短接1000 Ω、2000 Ω、3000 Ω、4000 Ω電阻的6號電池的電壓數(shù)據(jù)進(jìn)行診斷識別，結(jié)果如圖12所示。從圖12中可以看出，當(dāng)短路電阻小于3000 Ω時(shí)，在大部分滑動(dòng)窗口內(nèi)，短路電池的異常分?jǐn)?shù)曲線均低于0，隨著短路電阻的增大，曲線開始低于0的窗口序號向后延長。對于短路電阻為3000 Ω的情況，從圖12(c)中可以看出，在所有低于閾值0的異常分?jǐn)?shù)點(diǎn)中，6號電池占比最大，據(jù)此可以初步判斷6號電池發(fā)生了短路故障。對于短路電阻為4000 Ω的電池[圖12(d)]，不存在某個(gè)電池的異常分?jǐn)?shù)曲線穩(wěn)定低于閾值0的情況，所有電池的分?jǐn)?shù)曲線都在閾值0附近上下變動(dòng)，無法將發(fā)生了短路故障的6號電池識別出來。
圖12 6號電池不同短路程度時(shí)異常分?jǐn)?shù)曲線
(a) Risc=1000 Ω；(b) Risc=2000 Ω；(c) Risc=3000 Ω；(d) Risc=4000 Ω
利用孤立森林算法對運(yùn)行兩天儲能系統(tǒng)所有電池的電壓數(shù)據(jù)進(jìn)行分析處理，獲得了每個(gè)電池的異常評分，如圖13所示。圖13中進(jìn)行了短路實(shí)驗(yàn)的77號、80號和89號電池的異常分?jǐn)?shù)為加粗的彩色曲線，其余黑色曲線為第2簇其他電池的異常分?jǐn)?shù)曲線。從圖13中可以看出，在23日和27日這兩天的運(yùn)行中，77號電池的異常分?jǐn)?shù)顯著低于閾值0，可以判斷77號電池出現(xiàn)了故障；80號電池的異常分?jǐn)?shù)在多個(gè)時(shí)間段內(nèi)都小于0，也可以判斷80號電池存在異常；而89號電池的異常分?jǐn)?shù)則一直大于0，無法對89號電池的短路故障進(jìn)行診斷。此外，可以發(fā)現(xiàn)部分電池的異常分?jǐn)?shù)曲線低于0，這說明由于采用退役電池和儲能系統(tǒng)長時(shí)間運(yùn)行的原因，實(shí)驗(yàn)所用的第2簇電池一致性較差，這些存在多段曲線小于0的電池可能已經(jīng)發(fā)生了微內(nèi)短路或容量衰減等故障，有必要對這些電池進(jìn)行進(jìn)一步檢測以確保儲能系統(tǒng)安全運(yùn)行。
圖13 孤立森林算法診斷結(jié)果 (a) 2021年12月23日；(b)2021年12月27日
3.2 異常檢測評價(jià)指標(biāo)
利用精準(zhǔn)率、召回率和準(zhǔn)確率對上述診斷結(jié)果進(jìn)行評價(jià)，結(jié)果如表3、表4所示，可以看出隨著短路電阻的增大，診斷結(jié)果的精準(zhǔn)率、召回率和準(zhǔn)確率指標(biāo)均減小。在循環(huán)充放電工況下，當(dāng)短路電阻小于1000 Ω時(shí)，診斷結(jié)果的精準(zhǔn)率高于74%，召回率高于76%，準(zhǔn)確率高于91%，故障電池的異常分?jǐn)?shù)曲線在大部分時(shí)間窗口內(nèi)均小于0，可以準(zhǔn)確對短路電池進(jìn)行診斷；當(dāng)短路電阻大于1000 Ω小于3000 Ω時(shí)，診斷結(jié)果的精準(zhǔn)率、召回率超過了42%，準(zhǔn)確率超過了80%，故障電池的異常分?jǐn)?shù)曲線隨著檢測時(shí)間窗口的增加會(huì)逐漸小于0，可以對短路電池進(jìn)行初步判斷，但有必要對電池進(jìn)行進(jìn)一步檢測；當(dāng)短路電阻為4000 Ω時(shí)，診斷結(jié)果的精準(zhǔn)率、召回率很小，難以對短路電池進(jìn)行識別，但是隨著時(shí)間推移，短路電池的電壓偏移會(huì)逐漸增大，因此增加檢測時(shí)間和采樣數(shù)量，可以讓算法在循環(huán)后期識別出短路電池的電壓異常，進(jìn)而對短路電阻大于3000 Ω的內(nèi)短路故障進(jìn)行檢測。在DST工況下，孤立森林算法對電池內(nèi)短路故障的識別精準(zhǔn)率和召回率超過了86%，準(zhǔn)確率超過了95%，該結(jié)果顯著高于文獻(xiàn)[18]報(bào)道的基于支持向量機(jī)(support vector machine, SVM)的電池內(nèi)短路故障診斷方法的準(zhǔn)確率。在儲能系統(tǒng)運(yùn)行工況下，考慮到儲能系統(tǒng)中使用的是退役鋰離子動(dòng)力電池，可能有部分電池已經(jīng)發(fā)生了內(nèi)短路故障，故僅計(jì)算召回率，可以看出除了2021-12-23日短路電阻為100 Ω的工況外，孤立森林算法對儲能系統(tǒng)中內(nèi)短路故障的識別召回率高于60%，可以準(zhǔn)確識別出短路電池。
表3 串聯(lián)電池組算法有效性指標(biāo)
表4 儲能系統(tǒng)算法召回率
綜上所述，對于18650三元鋰離子電池內(nèi)短路故障，循環(huán)充放電工況下，短路電阻小于或等于1000 Ω的內(nèi)短路故障可以被孤立森林算法診斷出來，算法對電池電壓數(shù)據(jù)是否異常的檢測準(zhǔn)確率大于91%；對于DST工況，短路電阻小于或等于300 Ω的內(nèi)短路故障可以被孤立森林算法診斷出來，算法對電池電壓數(shù)據(jù)是否異常的檢測準(zhǔn)確率大于95%；對于儲能系統(tǒng)中的磷酸鐵鋰電池，短路電阻小于或等于25 Ω的內(nèi)短路故障可以準(zhǔn)確被孤立森林算法診斷出來，算法對電池電壓數(shù)據(jù)是否異常的檢測召回率大于98%。
4 結(jié) 論
本文針對鋰離子電池微內(nèi)短路故障診斷問題，將孤立森林算法用于電池內(nèi)短路故障檢測中，提出了利用孤立森林算法和滑動(dòng)窗口對內(nèi)短路電池進(jìn)行診斷的方法，并利用混淆矩陣對診斷結(jié)果進(jìn)行了評估。通過對串聯(lián)電池組和電池儲能系統(tǒng)在不同工況下進(jìn)行的短路實(shí)驗(yàn)，并利用孤立森林算法對獲得的電池在微內(nèi)短路故障狀態(tài)下的電壓數(shù)據(jù)進(jìn)行分析，得出了以下結(jié)論。
（1）串聯(lián)電池組中某節(jié)電池發(fā)生內(nèi)短路故障后該電池的電壓會(huì)逐漸低于其他電池的電壓，且這種偏移會(huì)越來越大，當(dāng)內(nèi)短路電阻增大時(shí)，這種偏移的發(fā)生會(huì)向后延長。
（2）對串聯(lián)18650三元鋰離子的電池組，在循環(huán)充放電工況中，本文提出的基于孤立森林算法的內(nèi)短路故障診斷方法可以準(zhǔn)確診斷短路電阻小于或等于1000 Ω的電池短路故障；在電動(dòng)汽車中的實(shí)際運(yùn)行工況中，孤立森林算法可以準(zhǔn)確診斷小于或等于300 Ω的電池內(nèi)短路故障。
（3）孤立森林算法對電池儲能系統(tǒng)在實(shí)際運(yùn)行過程中發(fā)生的微內(nèi)短路故障能夠進(jìn)行準(zhǔn)確識別診斷，可以診斷出短路電阻小于或等于25 Ω的短路故障，診斷召回率超過了98%。
