锂离子电池内部短路故障诊断的多熵融合方法

《Sustainable Energy Technologies and Assessments》：Multi-Entropy fusion for internal short circuit fault diagnosis in lithium-ion battery

　　

摘要

内部短路（ISC）是锂离子电池组中的一种关键故障，它可引发局部热量生成，并进一步发展为热失控。然而，由于电压和温度异常通常较弱，且容易受到动态工况条件的干扰，早期ISC检测十分困难。针对这一问题，本文提出了一种可靠的面向ISC检测的多熵融合方法。首先，从电压和温度信号中提取置换熵和色散熵，以刻画电气不规则性和热变化。然后，利用各熵特征在电组级的方差来分配自适应权重，使得稳定特征贡献更大，同时抑制不稳定特征。随后，将加权特征整合为融合指标，并使用动态阈值和连续窗口准则进行评估。本文通过实验室磷酸铁锂电池（等效ISC电阻）、真实世界正常运行储能电站数据集以及经历热失控的真实电池组验证了所提方法。结果表明，融合指标比单一熵特征具有更强的故障判别能力，在正常储能电站运行中保持稳定，并能在热失控早期发展阶段识别故障电池。

引言

全球向碳中和的转型加速了现代电力系统中可再生能源发电的部署[1], [2]。然而，风能和太阳能等可再生能源固有的波动性和有限的可预测性对电网运行构成了重大挑战，表现为电压波动、频率不稳定以及供电可靠性下降。因此，储能系统已成为可再生能源并网的重要灵活性资源[3], [4]。在可用的储能技术中，锂离子电池储能系统（BESSs）因其响应速度快、模块化部署、效率高以及相对较高的能量密度而在固定式应用中得到广泛采用[5]。

尽管锂离子电池储能系统具有运行优势，但其安全性仍是电网规模部署的主要关切。公开报告的故障事件表明，储能系统故障可能升级为火灾或爆炸事件，这使得安全保障成为研究人员、系统集成商和运营商的关键问题[6], [7]。这些事故不应归因于单一根本原因，因为设计、制造、集成、施工、运行和控制相关因素均可能导致系统级故障[7]。然而，在电芯层面，最严重的后果通常与热失控及其传播有关，在此过程中自加热反应可能导致温度快速上升并进一步引发故障升级[8]。在可能的引发机制中，内部短路（ISC）尤为关键，因为它在电池内部发生，并且在观察到明显外部症状之前即可产生局部热量[9]。因此，快速可靠的ISC诊断对于增强早期预警能力和支撑储能系统安全运行至关重要。

基于模型的ISC诊断方法通过用与故障相关的变量（如异常容量损失、热量生成或等效短路电阻）来表示内部短路，已得到广泛研究。近期研究通过先进的状态估计和快速诊断策略进一步改进了ISC定量评估。Xu等人开发了一种基于DAEKF的方法，用于动力电池中SOC联合估计和ISC故障诊断[10]。Zhang等人提出了一种快速短路诊断与评估方法，能够在极短的测试时间内识别短路故障[11]。Sun等人进一步引入了一种两步定量诊断框架，以区分与ISC相关的退化特征并估计等效ISC电阻[12]。这些研究表明，基于模型的方法可以提供可解释的故障指示和ISC严重程度的定量估计。然而，其性能严重依赖于模型精度、参数辨识以及故障敏感状态的可观测性。在电网规模储能系统中，温度变化、电池不一致性和动态运行工况进一步增加了维持模型精度的难度。

基于数据的ISC诊断方法也引起了越来越多的关注，因为它们可以直接从测量信号中提取故障敏感特征，而对详细电化学或等效电路模型的依赖较少。Qiao等人开发了一种基于弛豫电压的机器学习方法用于ISC定量诊断[13]。Sun等人使用多标签数据处理和迁移学习来改进具有未知参数电池的诊断[14]。Zhang等人将时序卷积网络与高斯过程回归相结合，构建了动态条件下的自适应故障检测框架[15]。Peng等人进一步提出了一种基于全维度电压相关特征的可解释统计诊断方法，用于电池组软短路故障[16]。这些研究展示了数据驱动方法在特征提取、故障分类和早期预警方面的潜力。然而，其性能通常受到故障数据可用性和代表性的影响、模型训练复杂性以及车载部署所需计算资源的影响，这可能限制其在资源受限的电池管理系统中的直接应用。

基于熵的方法已被引入电池故障诊断，因为它们可以以相对较低的计算成本量化信号无序度。Wang等人将改进的Shannon熵与Z分数分析相结合，用于电动汽车电池系统的电压故障诊断[17]，而Gu等人提出了一种相平面样本熵方法用于微小故障诊断[18]。Hong等人采用改进的多尺度熵，利用真实车辆数据表征热失控演化过程[19]。最近，Li等人开发了一种多变量多尺度样本熵（MMSE）方法，通过联合使用电压、电流和温度信息进行ISC诊断[20]。多熵融合也已被研究以利用不同熵指标之间的互补诊断特性[21]。相关研究还利用了分布式温度测量中的时空相关性，用于电池异常检测和定位。Wei和Li开发了一种时空推理系统和一种时空熵方法，利用空间和温度信息[22], [23]。这些研究表明，基于熵的电池诊断已从单一熵指标发展到多变量和多熵特征利用。

然而，本文特别关注不同熵特征对工况条件的可靠性。在实际储能系统运行中，负载波动、传感器噪声、电池不一致性以及不同的电热响应可能导致单一熵特征的稳定性随时间变化。因此，直接使用单一指标或多个特征的固定组合可能导致诊断行为不稳定。

针对这一问题，本文提出了一种面向可靠性的自适应多熵融合框架用于ISC诊断。具体来说，从电压和温度信号中独立提取置换熵和色散熵，以表征互补的时序顺序和幅值分布变化。然后，根据电组级方差在线调整它们对融合指标的贡献，并结合动态阈值和连续窗口准则进行故障决策。

本文其余部分组织如下。第2节描述了ISC的特性并详细说明了所提诊断方法。第3节介绍了实验设置。第4节提供了结果并讨论了所提方法的性能。最后，第5节总结了全文。

章节摘要

ISC的关键电气和热特性

内部短路（ISC）的演化是一个复杂的电热过程，可根据其严重程度分为三个阶段：早期、中期和晚期[24]。图1展示了该过程中端电压和温度的典型演化。

一旦电池内部形成导电通路，ISC可近似表示为一条内部漏电流支路。这种额外的电荷消耗导致故障电池的电压衰减更快。

实验设置

为在可控故障条件下评估所提ISC诊断方法，实验室实验采用了商用180 Ah磷酸铁锂电池。考虑到难以获取具有明确ISC严重程度的自然老化电池，采用了一种基于外电阻的模拟方法。在该设置中，在电池端子间并联连接一个电阻以引入额外的漏电路径，从而重现主要的电气和热特征。

实验室ISC模拟数据集

1) 数据分析

实验室测试在0.5C恒流放电条件下进行，从100% SOC放电至截止电压。正常电池不带任何并联电阻进行测试，而ISC模拟电池分别连接50 Ω和10 Ω外电阻以代表不同的泄漏严重程度。相应的电压和温度响应分别如图3(a)和图3(b)所示。

如图3(a)所示，所有电池的电压均呈下降趋势。

结论

本文提出了一种可靠的面向锂离子电池组ISC诊断的多熵融合方法，通过整合基于电压和温度的熵特征，并结合方差引导的自适应加权和动态阈值技术实现。

实验室ISC模拟结果表明，熵特征能够捕获加速的电压衰减和异常的温度上升。电压熵对电气不规则性敏感，而温度熵随着热量

CRediT作者贡献声明

Jun Wang：撰写—审阅与编辑，方法学，资金获取，概念化。Kaidi Zeng：撰写—原稿，验证，软件。Chao Li：撰写—审阅与编辑，资源。Bin Li：项目管理，形式分析。Chengshan Wang：监督，调查研究。

资金支持

本工作由AlphaESS公司基金资助：储能电站仿真建模与短路故障识别方法研究（NTWT-JSKF-TJDX-20240425）。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些关系可能影响本文所报告的工作。

致谢

本工作由AlphaESS公司基金资助：储能电站仿真建模与短路故障识别方法研究（NTWT-JSKF-TJDX-20240425）。

Jun Wang|Kaidi Zeng|Chao Li|Bin Li|Chengshan Wang