通过在线序列极限学习机实现锂离子电池的协同内部温度估计与故障诊断

《Journal of Energy Storage》：Synergistic internal temperature estimation and fault diagnosis of lithium-ion batteries via online sequential extreme learning machine

锂离子电池内部温度协同估计与故障诊断方法研究，提出基于在线顺序极端学习机（OS-ELM）的融合框架，实现正常、外短路（ESC）和内短路（ISC）条件下的精准温度估计（误差≤3.0876℃），并完成故障类型区分。

　　在锂离子电池（LiBs）的安全监控中，温度是一项关键指标。然而，由于电池内部热扩散的不确定性，表面测量往往无法准确或及时地反映电池内部的状态。为了克服这一局限性，本文提出了一种适用于正常运行和短路故障条件下的新型内部温度估计方法。通过构建一个基于在线序列极端学习机（OS-ELM）的协同框架，实现了内部温度估计与故障诊断的同步进行。此外，本文还设计了一种创新的实验装置，利用受控的外部短路（ESC）和浅层、缓慢的钉刺穿透方法来触发内部短路（ISC）。实验结果表明，所提出的方法在正常、ESC和ISC条件下分别达到了最大误差为1.0963°C、3.0876°C和2.2119°C的高精度。更重要的是，该方法能够根据不同的内部温度动态区分ESC和ISC，证实了其在故障分类方面的可靠性。这些结果突显了该方法在锂离子电池系统实时故障检测和安全监控方面的潜力。

随着全球对石油资源的过度依赖，不仅加剧了能源短缺问题，还推动了温室气体排放的增加，从而加重了日益严重的气候危机。在此背景下，新能源汽车逐渐成为解决这一问题的重要手段，并成为各国政府政策和技术创新的战略重点。由于锂离子电池具有高能量密度和长循环寿命，它们已成为电动汽车和电网规模系统中的主要能量存储介质。然而，安全性仍然是一个关键问题，尤其是在复杂运行条件下，内部故障和热异常往往无法直接观察到。在各种安全风险中，无论是内部短路还是外部短路，都可能导致温度迅速上升，最终引发热失控。

因此，锂离子电池的内部温度监测对于确保系统的可靠和高效运行至关重要。然而，由于电池结构的限制，无法在内部嵌入传感器，使得直接测量变得不可行。因此，估计内部温度成为一项非常关键的任务。其重要性可以总结为以下几点：首先，内部温度估计有助于提高安全监测和预警能力，使得在高倍率运行或故障条件下（如短路），能够及时发现异常并进行有效评估。在这些情况下，内部温度的上升速度往往快于表面温度，仅依靠表面测量可能低估实际风险，并错过预警窗口。其次，内部温度对于优化热管理策略具有重要意义，冷却或加热控制需要内部温度作为重要的依据和边界条件。仅使用表面温度可能影响控制效果的准确性。第三，内部温度估计能够提高健康管理的效果，内部过热会加速固态电解质界面（SEI）层的增厚、锂沉积和活性材料的退化。将内部温度纳入电池模型，有助于更精确地量化容量衰减，并在不同运行条件下实现有效的健康管理。

目前，内部温度估计方法主要分为两大类：基于特征的方法和基于模型的方法。基于特征的方法利用某些电化学特性与内部温度之间的相关性，通常采用电化学阻抗谱（EIS）技术。例如，Zhu等人通过在不同激励频率下获取EIS数据，用于估计锂离子电池的内部温度。Richardson等人则提出了一种径向一维热模型，利用单个EIS频率下的阻抗数据推断内部温度。然而，EIS特性不仅受温度影响，还强烈依赖于电池的荷电状态（SOC）和健康状态（SOH），这会引入较大的不确定性。为了解决这一问题，Raijmakers等人提取了一个截距频率，该频率下EIS对温度有较强的依赖性，但对SOC和SOH的敏感度较低。尽管EIS已被用于锂离子电池的内部温度估计，但它仍然存在一些固有的局限性。首先，EIS采集设备较为复杂和昂贵，使得在电池组级别进行大规模部署变得不现实；其次，基于EIS的温度估计通常需要针对特定电池化学体系进行预先校准，这限制了其通用性和鲁棒性。

相比之下，基于模型的方法采用热模型或电热模型，将热生成和热传递与温度联系起来。例如，Orcioni等人扩展了等效电路框架，将其应用于可变参数电热模型，以估计热生成。Kim等人则构建了一维热模型，并使用多项式拟合来近似径向温度分布。Dey等人扩展了这一框架，用于热故障诊断，设计了双观测器进行温度估计和故障检测。虽然基于模型的方法相对简单且有效，但准确建模仍然面临挑战。为了减少模型误差的影响，一些研究者引入了卡尔曼滤波及相关技术，以提高内部温度估计的准确性。尽管在内部温度估计方面取得了显著进展，但大多数研究将这一任务视为独立的，缺乏与故障诊断的集成。为了实现全面的安全管理，有必要探索温度估计与故障诊断之间的协同作用。

目前，已有多种方法用于锂离子电池的故障诊断，主要通过监测电池信息的偏差或通过模型分析来识别异常。例如，Hu等人采用离散时间回归模型，结合扩展卡尔曼滤波和递推最小二乘（RLS）算法，实现了早期故障检测和短路电阻的估计。此外，机器学习方法被广泛用于提升诊断性能。Naha等人利用随机森林分类器区分外部和内部短路场景，达到了超过97%的准确率。Kriston等人则应用主成分分析（PCA）和聚类技术，将热失控事件分为五种不同的类型，通过模式识别提供了对故障进展的更深入理解。然而，大多数机器学习方法依赖于大量数据，而将其与底层物理机制相结合仍然是一个重大挑战。因此，有必要将数据驱动模型与物理机制理解结合起来，以提升诊断的准确性和可靠性。

本文提出了一种统一的方法，将内部温度估计与短路诊断相结合，以提高锂离子电池系统的安全性。该研究的主要创新贡献可以总结如下：首先，提出了一种适用于正常和故障条件下的内部温度估计方法，不同于现有的仅适用于正常状态运行的方法，所提出的方法能够有效捕捉短路场景下的异常热响应。其次，建立了将温度估计与故障诊断相结合的协同框架，不仅在热管理方面具有应用价值，还能实现可靠的诊断，并区分内部和外部短路。第三，实现了温度估计与故障诊断之间的相互增强，准确识别短路类型有助于提高内部温度估计的精度，而更精确的温度估计又进一步增强了诊断的可靠性，从而形成一个正反馈机制，为锂离子电池的安全运行和管理提供更有力的支持。

本文的其余部分组织如下。第二部分介绍了电池模型和所提出的方法，包括在线序列极端学习机（OS-ELM）、短路检测、内部温度估计以及故障类型识别算法。第三部分描述了实验设置和验证过程。第四部分展示了实验结果和分析，而第五部分则总结了研究结论。

所提出的方法的总体框架如图1所示，其核心在于通过OS-ELM在线检测电池异常，因为短路的发生无法被直接感知。同时，该方法能够结合温度估计与故障诊断，实现对电池内部状态的实时监控。在实际应用中，该方法能够通过外部短路和内部短路的触发机制，提供更全面的故障识别能力。此外，通过实验验证，本文展示了该方法在不同运行条件下的准确性和有效性。实验过程中，使用了嵌入式温度传感器，这些传感器被植入电池内部，并通过热导率较高的硅胶进行固定，以确保温度测量的准确性和及时性。同时，钻孔后的空隙被密封，以防止液体泄漏。

为了进一步验证所提出方法的性能，本文对10个电池单元进行了测试，每个电池单元都有唯一的标识符，如表1所示。其中，3个电池单元用于正常充放电测试，包括城市道路驾驶循环（UDDS）和恒流充放电循环。5个电池单元用于外部短路测试，使用了不同的电阻值。另外2个电池单元则用于钉刺穿透测试，以模拟内部短路的发生。通过这些实验，本文评估了所提出方法在不同条件下的表现，包括正常运行、外部短路和内部短路情况。实验结果表明，该方法能够有效区分不同类型的短路，并在各种运行条件下保持较高的估计精度。

本文的研究结论表明，内部温度估计在锂离子电池的热管理和安全监控中发挥着至关重要的作用。通过将温度估计与故障诊断相结合，本文提出的方法不仅能够实现准确的内部温度跟踪，还能及时识别短路故障。实验验证表明，该方法在正常、外部短路和内部短路条件下均表现出良好的性能，证明了其在实际应用中的可靠性。此外，该方法在提升电池系统安全性方面具有广阔的应用前景，为未来的电池管理提供了新的思路和技术支持。

在实验验证过程中，本文采用了一种创新的实验设置，以确保测试的准确性和全面性。通过在电池内部植入温度传感器，并使用热导率较高的硅胶进行固定，可以实现对内部温度的准确测量。同时，为了防止测试过程中出现液体泄漏，钻孔后的空隙被密封。这种实验设置不仅提高了数据的可靠性，还为研究提供了更真实的条件。此外，通过在不同电阻值下进行外部短路测试，以及在不同穿透深度下进行内部短路测试，可以全面评估方法在各种故障条件下的表现。

在结果分析部分，本文对测试数据进行了详细分析，展示了所提出方法在不同运行条件下的表现。测试结果显示，所提出的方法在正常运行条件下具有较高的估计精度，而在外部短路和内部短路条件下，虽然误差有所增加，但仍保持在可接受的范围内。这表明该方法不仅适用于正常运行，还能有效应对故障情况。此外，通过对比不同类型的短路，本文发现所提出的方法能够准确区分外部短路和内部短路，这进一步证明了其在故障分类方面的可靠性。

通过将温度估计与故障诊断相结合，本文的方法不仅提升了电池系统的安全性，还为未来的电池管理提供了新的思路。在实际应用中，该方法可以用于实时监控电池的运行状态，并在发生故障时及时进行诊断和处理。此外，该方法的协同框架能够提高诊断的准确性和可靠性，为电池系统提供更全面的安全保障。通过实验验证，本文展示了该方法在不同条件下的表现，并确认了其在实际应用中的有效性。

综上所述，本文的研究成果表明，将内部温度估计与故障诊断相结合，可以显著提升锂离子电池系统的安全性和可靠性。通过构建一个基于在线序列极端学习机的协同框架，本文实现了对电池内部状态的准确监测，并能够在不同故障条件下及时识别和处理问题。这些研究不仅为电池管理提供了新的技术支持，也为未来的新能源汽车和电网系统提供了重要的安全保障。