基于Hellinger距离与逆马尔可夫方法的锂离子电池微短路诊断研究

本研究针对锂离子电池早期微短路（MSC）故障难以检测的问题，提出了一种结合Hellinger距离与逆马尔可夫方法的两步诊断策略。通过机械挤压实验构建标记数据集，利用FFRLS算法估计内阻并计算分布差异，再通过电压状态转移概率分析实现故障确认。实验表明该方法精度超过98%，为电池安全预警提供了新思路。

　　

随着电动汽车和储能系统的快速发展，锂离子电池（LIB）因其高能量密度和长循环寿命成为核心动力源。然而，电池安全问题日益凸显，特别是由内部微短路（MSC）引发的热失控风险，已成为行业关注的焦点。微短路通常由制造缺陷或机械挤压引发，早期症状隐蔽，电压异常易被充放电噪声掩盖，传统阈值监测方法难以有效识别。

为突破这一技术瓶颈，大连理工大学的研究团队在《Green Energy and Intelligent Transportation》发表了一项创新研究，提出了一种融合Hellinger距离与逆马尔可夫方法的两步诊断策略。该研究通过可控机械挤压实验构建了包含正常与故障电池的标记数据集，并基于动态工况数据验证了算法的有效性。

研究主要采用以下关键技术方法：

1. 1.

   使用遗忘因子递归最小二乘法（FFRLS）实时估计电池欧姆内阻（R₀）；

2. 2.

   通过Hellinger距离量化故障电池与参考电池的内阻分布差异，实现初步异常筛查；

3. 3.

   建立马尔可夫电压状态转移矩阵，利用逆马尔可夫方法检测零概率转移事件以确认故障；

4. 4.

   基于UDDS（城市道路驾驶工况）循环数据构建实验验证平台，包含4mm和5mm挤压深度的故障电池模块。

3.1 基于Hellinger距离的诊断

通过FFRLS算法获取电池内阻曲线，计算其与参考值的Hellinger距离。结果显示，该方法能有效识别MSC电池（如Fig. 8B、D），但存在约6%的误报率（如Fig. 8A、C），表明单一方法可靠性有限。

3.2 逆马尔可夫方法验证

基于正常电池数据构建马尔可夫转移矩阵，分析故障电池电压转移概率（VTP）。如Fig. 10所示，MSC电池在放电过程中多次出现零概率转移点（标记为“-1”），而正常电池无此现象。通过设定连续3个异常点作为诊断阈值，显著降低了误报率。

3.3 综合性能对比

如Table 2所示，两步法的诊断精度（98.0%~98.7%）显著高于单一Hellinger距离（94.7%~95.3%）或逆马尔可夫方法（94.7%~95.7%）。与熵基方法（95.3%~97.0%）相比，本文方法在准确性和鲁棒性上均具优势。

该研究通过多维度特征融合与概率模型创新，实现了对锂离子电池微短路故障的高精度早期诊断。其重要意义在于：

1. 1.

   提供了可解释性强、无需依赖振幅阈值的故障检测新范式；

2. 2.

   通过机械挤压实验构建了稀缺的MSC标记数据集，为后续研究提供基准；

3. 3.

   方法兼具实时性潜力，为电池管理系统（BMS）的安全预警模块开发奠定了理论基础。未来工作需进一步探索方法在多样本、多故障模式下的泛化能力，并推动其嵌入式应用落地。