Ⅱ 电池安全篇
基于大数据的电池安全研究
◎陆一凡 潘岳[1]
摘要：在电动汽车使用过程中，特别是随着电池寿命的衰减，电池组内单体间的不一致性会增加。动力电池成组后的单体不一致可能导致电池组提前失效，甚至引发安全问题。随着云端数据的广泛应用，电动汽车的数据能被监测，这些数据能用来评估电池组一致性、估计电池寿命并进行电池安全预警。本文以锂离子电池为研究对象，提出了一种基于云端充电数据的电池组一致性评价方法和一种基于云端充电数据的电池寿命估计方法。实验和测试结果表明：本文提出的这种电池组一致性评价方法既可以有效地区分不同电池组的一致性，又可以量化电池组一致性的程度；本文提出的这种电池寿命估计方法具有较好的容量预测精度，可以用于云端的容量估计和寿命预测。对于内短路这一导致热失控的共性诱因，本文提出了一种基于充电数据的电池内短路检测方法和一种全工况适用的内短路检测方法。实验结果表明：本文提出的内短路检测算法具有计算量小、数据存储量小的优点，并可以在内短路发展到末期之前将其有效地检测出来。
关键词：锂离子电池 电池组一致性 电池寿命 内短路 云端大数据
一 电池安全研究概述
对于电动汽车来说，由于单个电池的电压和容量有限，因此需要构建由数百个单体电池并联或串联的电池组来满足电动汽车所需的功率和能量。然而，由于制造过程的不一致和使用环境的不一致，电池组单体间的不一致始终存在并且不可消除。电池组单体间的不一致将加快电池组寿命的衰减速度，降低电池包的性能和安全性。从电池组耐久性的角度，清华大学的卢兰光等人提出电池组中每一个单体容量的衰减都有可能导致电池组容量的衰减，这一现象归根结底是由电池单体的不一致引起的。因此，基于云端充电数据评价电池组一致性的方法是具有研究价值的。
动力电池材料、制造工艺以及使用环境中温度、湿度、使用强度、习惯等引发的电池的不一致性，从新能源车辆一开始使用，就会成为影响车辆续航里程，乃至使用寿命的主要影响因素。在动力电池的寿命衰减到一定程度时，其内部性能严重恶化，若没有及时发现，很有可能会酿成安全事故。因此，电池寿命的估计和预测对于电池安全研究具有很大的意义。
动力电池的安全性问题主要表现为以冒烟、起火、爆炸为特征的动力电池热失控。引发电池热失控的原因包括机械滥用、热滥用和电滥用，而由正负极部分在电池内部所形成的电池内短路，是三种滥用方式导致电池热失控的共性环节。对于由枝晶生长、生产缺陷或金属杂质等导致的自引发内短路而言，其在引发热失控前存在较长的发展演化过程，这为内短路的检测提供了可能。因此，如何在内短路引发热失控之前将内短路检测出来，是很有研究价值和工程意义的重要问题。
综上所述，电池的一致性、寿命和内短路都与电池安全息息相关，本文主要从这三个方面阐述我们在电池安全研究方面开展的工作。
二 一种基于云端充电数据的电池组一致性评价方法
（一）研究背景及意义
目前，评价电池组一致性的方法和体系还不够完善。同济大学的戴海峰等人提出基于荷电状态（State of Charge，SOC）和静态端电压的评价方法，可直接反映一组电池在静置条件下SOC状态的一致性。但这类评价方法需要知道电池组内各单体的准确SOC或开路电压（Open Circuit Voltage，OCV），这在实际使用中很难做到，并且所得的评价不能反映电池的动态差异，也不能反映参数的一致性，因此，这些评价方法仍存在一定的局限性。清华大学的郑岳久提出了“容量-电量”二维矢量图方法使得电池组容量及SOC的一致性变成线性问题，并可以图形化。清华大学的冯旭宁等人在“容量-电量”二维矢量图方法的基础上，提出了用几何面积来量化电池组一致性的程度。
目前基于一致性的电池组故障诊断方法研究较少，但由于单体出现故障时会产生与电池组内其他单体较大的差异，甚至引发安全问题，因此，基于云端充电数据评价电池组一致性的方法是具有研究价值的。
随着云端数据的广泛应用，电动汽车的数据能被检测，这些数据能用来评估电动汽车的安全性和电池组一致性。虽然电动汽车上的数据采样频率较高，但云端数据的记录频率较低。因此，只有云端的充电数据比较有意义并且适合用来评估电动汽车的电池组一致性。本文以锂离子电池为研究对象，提出了一种基于云端充电数据评价电池组一致性的方法。
（二）评价方法
电池组的一致性主要包括电压一致性、温度一致性、内阻一致性、容量一致性和SOC一致性。SOC一致性可以由电量一致性来替代。评价电池组的一致性的这五个指标互相影响，共同决定着电池组的一致性，如果仅仅依靠某一方面或某几个方面来评价电池组的一致性情况，可能不够全面和准确。基于以上分析，我们提出了一种用五项指标综合评价电池组一致性的方法，如图1所示。首先，获取云端的充电数据，例如时间、电压、电流和温度等。计算用于评价电压一致性、温度一致性、内阻一致性、容量一致性和电量一致性五项指标的参数值。基于各项指标的参数值，根据设定的阈值，计算各项指标的未加权得分（0～100分），其次通过合理的加权方式计算各项指标加权后的得分（0～100分）。最后，得出该电池组一致性的总分（0～100分）。
图1 评价电池组一致性的流程
（三）实验
由于获取合适的云端充电数据并不简单，因此我们首先对三个电池组进行了实验。这三个电池组包括一个老化严重的锂离子电池组（Pack A）、一个新的电池组（Pack B）和一个老化程度较轻的电池组（Pack C）。充放电截止电压分别设置为4.15V和3.1V。每个电池组包含96个单体（串联）和18个温度传感器。
实验工况通过电脑进行设置。控制信号通过网线传给电池测试系统（Battery Test System，BTS），BTS采集并监测整个实验进程。实验中的电流、单体电压，温度等实验数据通过数据采集仪获得并最终保存在电脑中。单体电压采集精度约为1mV，电流采集精度约为0.1%，温度采集精度约为0.1℃。实验的时间采样频率设置为1Hz。电池组被放置在温箱中，温度控制在25℃。
图2 电流、单体电压、SOC和温度
实验具体步骤如下。
①将电池组在25℃的温箱中静置3小时，使电池系统达到热稳定。
②1/3C恒流放电至放电截止电压。
③搁置30分钟。
④1/3C恒流充电2小时。
⑤电流切换至1/4C，继续恒流充电至充电截止电压。
⑥搁置30分钟。
⑦步骤②至步骤⑥循环5次。
图2描述了从实验中获取的时间、电流、电压和温度等数据。图2（a）、（c）、（e）和（g）描述了五次充放电循环过程中流过Pack A的总电流、96个单体的电压、Pack A的总SOC和18个温度传感器的温度；图2粉红色虚线框内的（b）、（d）、（f）和（h）描述的是五次充放电循环过程中最后一次充电的情况。
（四）结果
1.Pack A各项指标的结果
基于实验获得的数据，计算电压极值、电压极差、温度极值和温度极差，结果如图3所示。进一步，计算每个单体的内阻、容量和电量，结果如图4所示。我们还对内阻、容量和电量结果进行了统计，其结果如图5所示。图4（a）、图5（a）和图5（b）表明第25号单体的内阻在所有单体中处于一个平均水平，但是其容量却是所有单体中最大的。图4（b）和图5（c）显示第25号单体与其他单体严重偏离，并且它的电量是所有单体中最小的。这些结果共同表明了第25号单体与其他单体严重不一致，Pack A的一致性较差。
根据在实验中获取的Pack A的数据，计算用于评价电池组一致性五项指标的参数值，结果如图6和图7所示。五次充电中的四项指标的参数值δV、δR、δQ和δE相对稳定，但是它们随着充电次数的增加而呈增加的趋势。σT随着充电次数增加而明显增大，并且在第二次充电以后，σT超过0分阈值，这表示Pack A的温度一致性较差。图6和图7表明Pack A的一致性随着充电次数的增加而逐渐变差。
2.电池组一致性的综合评分
表1描述了三款电池组一致性的综合评分结果，Pack A是一款老化严重的旧电池，它的各项指标得分都较低，其中温度一致性表现得最差，得了0分，电量一致性的得分也较低，低于60分，各项指标得分加权后的最后总分是三款电池中最低的，仅仅为60.72分；Pack B是一款新电池，它的各项指标得分都较高，各项指标得分都处于90分左右，最后的总分是三款电池中最高的，高达92.06分；Pack C是一款老化程度较轻的电池，它的一致性总分为76.67分，介于Pack A和Pack B的得分。综上所述，本文提出的电池组一致性评价方法可以有效区分三款电池组的一致性，且量化电池组一致性的程度。
图3 电压极值、电压极差、温度极值和温度极差
图4 内阻、容量和电量
图5 内阻、容量和电量的统计结果
表1 Pack A、Pack B和Pack C一致性的评分结果
图6 评价电池一致性指标的参数值
注：（a）评价电压一致性指标的参数δV，（b）评价温度一致性指标的参数σT，（c）评价内阻一致性指标的参数δR。
图7 评价电池一致性指标的参数值
注：（a）评价容量一致性指标的参数δQ，（b）评价容量一致性指标的参数φQ，（c）评价电量一致性指标的参数δE，（d）评价电量一致性指标的参数φE。
三 一种基于云端充电数据的电池寿命估计方法
（一）研究背景及意义
清华大学的卢兰光等人在电动汽车锂离子电池管理系统的关键技术综述中提到，关于什么是SOH（State of Health，健康状态）以及如何确定SOH，业内尚无共识。SOH是电池单元（或电池模块或电池系统）与理想状态相比的当前状态的品质因数。SOH的单位是百分比，如：100%表示它是新电池。SOH可以通过容量和内部电阻得出，也可以通过其他电池参数（例如，交流阻抗、自放电率和功率密度）得出。以容量为例，SOH可以被定义为当前容量与制造商给出的额定容量之比。通常，如果电池当前容量比初始值小于80%，这意味着SOH小于80%，则BMS会提醒用户更换电池。电池的SOH降低主要是由电池老化和衰减引起的，即耐久性问题。这意味着随着电池的使用或存储，电池容量将减少并且内部电阻将增加，电池的SOH将减小。因此，实时准确的SOH估计对电动汽车动力锂电池的维护至关重要。
SOH的估计包括电池内阻的估计和电池容量的估计。当前，用于SOH估计的通用方法是基于模型的预测以及区间校准。离线进行容量校准的理想方法是在电池完全充电或放电期间进行安时积分得到容量。但是，在实际应用中几乎没有机会对电池进行满充满放。因为具有恒定充电电流的局部充电曲线在电池充电策略中很常见，所以利用局部充电曲线估算电池的SOH更为实用。国外有学者提出了一种基于电池局部充电曲线的SOH估计算法，但必须保证局部充电曲线的初始SOC是固定的，以及必须保证将电池充电至100%的SOC。固定的初始SOC和充电至100%的SOC在应用中都是不切实际的。
此外，电池的健康状态预测对于保障电动汽车运行的动力性、经济性和安全性也具有重要的意义。SOH的预测可分为基于模型的预测和基于数据驱动的预测。基于模型的预测首先需要建立一个电池模型，常见的电池模型有等效电路模型、电化学模型、经验模型等，虽然基于电池模型的方法可以实现SOH的预测，但存在参数辨识复杂、计算量大等问题。数据驱动算法如神经网络、支持向量机、高斯回归等因无须充分了解电池内部复杂的反应机理被国内外学者广泛应用于SOH的预测中，但是这些数据驱动算法预测精度难以提高且模型泛化能力差。
本文以锂离子电池为研究对象，提出了一种基于云端充电数据的电动汽车电池寿命估计方法，利用本文的方法，可以通过电动汽车充电数据准确地估计和预测电池寿命。同时，本文方法给予动力电池预防性维护以及梯次利用时快速分选数据支持。
（二）估计原理
1.SOH的定义
SOH，全称是State of Health，表征电池容量、健康度、性能状态，是电池使用一段时间后性能参数与标称参数的比值，新出厂电池为100%，完全报废为0%。一般用SOH来定量描述电池寿命衰减程度。SOH是电池从满充状态下以一定的倍率放电到截止电压所放出的容量与其所对应的标称容量（初始容量）的比值，即电池的健康状态（SOH）=当前容量/初始容量。
电池的实际容量，取决于电池中活性物质的多少和活性物质的利用率，活性物质数量越多，活性物质利用率就越高，电池的容量也就越大，反之容量越小。锂离子电池虽然是一种能量存储和转换的设备，但它并不是可以无限使用的，即它的循环使用寿命是有限的，这是因为电池的性能会随着电池的使用而逐渐下降。在实际的使用过程中，随着电池逐渐老化，其寿命会发生衰减。
在实车上，车载硬件只能采集电池的电流、电压、温度等数据，而电池的当前容量为间接测量，无法直接获得，基于线上数据准确地估计电池寿命成为当前电池管理系统（Battery Management System，BMS）的难点和重点。具体来说，标准容量测试只适用于实验室标定电池容量，不适用于实车；复杂的BMS云端数据给模型和算法提出了更高的要求。
2.SOH的估计原理
基于云端充电大数据的SOH估计方法主要分为四个步骤。首先，用安时积分估计容量；其次，采用具有模糊逻辑的卡尔曼滤波法对容量结果进行滤波；再次，根据温度修正SOH估计结果；最后，用阿伦尼乌斯模型对SOH结果进行拟合。
（三）结果
本文在以车辆历史充电数据段估计实时SOH的基础上，对未来车辆电池寿命进行了预测。本文采用的方法是以经验寿命模型——Arrhenius模型对SOH结果进行拟合，以历史的SOH估计结果，预测到行驶里程为12万公里的SOH。
为了达到较好的预测效果，选取处于长期营运状态的21辆车，有较多的充电数据，可以较好地进行电池寿命估计，这21辆车的SOH估计和预测结果如图8所示。各图的型式基本相同，纵坐标即为SOH，横坐标为数据记录起始时刻的行驶里程，单位为万公里。考虑到数据记录起始时刻不同车辆均已经先后投入使用，因此对应零里程的SOH均不为1。
棕色竖虚线所示为第一批数据约半年时间各车行驶里程，因其为营运车辆，多数车辆行驶里程在2万～6万公里，且以4万公里居多。由前述估计方法对第一批半年数据进行温度修正后进行SOH估计，结果为蓝色点所示，可以看到电池SOH在这半年过程中有一定程度的衰减。对该半年数据结合Arrhenius模型进行拟合，得到红色的拟合和预测曲线。进一步提取第二批约半年数据与第一批数据相校验，其SOH估计结果如图中绿色点所示，可以看到在多数图中绿色点与第一批数据拟合后的预测红色曲线非常接近，这表明方法本身具有可信性。联合第一批和第二批的数据进行拟合和预测的结果如图中黑色虚线所示，结果表明一年数据的预测和半年数据的预测结果基本一致。图中分别给出了各车在0公里和12万公里处半年数据的预测结果（红色数字）和一年数据的预测结果（黑色数字），可见各车在行驶到12万公里时SOH仍有约85%。
图8 基于某营运纯电动汽车云端数据的经验寿命模型SOH预测
为了进一步验证方法的精度，在此21辆车中随机抽取4辆车进行容量测试。测试时间为获取第二批数据之后的某一个时间点，各车实际行驶里程如表2所示。图9给出了所抽取的4辆车的容量预测结果。
在图9的各图中，四辆车的容量估计在0公里和12万公里处半年数据的预测结果和一年数据的预测结果仍与图12类似，但纵坐标改为电池的容量。紫色五角星为测试车辆在对应里程处的实测容量。从预测结果上看，无论基于第一批半年数据的预测结果还是基于两批数据的预测结果误差都小于4%，误差来源可能包括预测模型和容量估计方法本身的误差，但整体来看，提出的方法具有较好的容量预测精度，可以用于云端的容量估计和寿命预测（见表2）。
图9 抽样4辆车的容量预测与验证结果
表2 抽样4辆车的容量预测与误差
四 一种基于充电数据的电池内短路检测方法
（一）研究背景及意义
随着电动汽车销量和保有量的增长，以热失控为特征的锂离子电池安全性事故时有发生，且成为媒体宣传报道的焦点，这严重打击了公众接受和使用电动汽车的信心，阻碍了电动汽车的普及和进一步发展。导致电池热失控的因素包括机械滥用、热滥用和电滥用，而由正负极部分在电池内部所形成的电池内短路，是三种滥用方式导致电池热失控的共性环节。
由机械滥用、热滥用通过机械力、高温等外部作用导致的电池内短路，往往伴随着很显著的机械形变和温度升高等信号，较易于检测。而由电滥用或其他因素造成的电池析锂、枝晶生长，以及生产缺陷和金属杂质等，最终导致自引发内短路。Barnett等人的研究指出，内短路发展演化的时间尺度长达数百小时，初期现象不显著，但末期可导致电池热失控。在内短路的发展演化过程中，其等效短路电阻随着时间缓慢下降。随着内短路的阻值不断降低，其产热能力逐渐上升。
依据内短路的电特征和热特征，可以将内短路的发展演化过程划分为初期、中期和末期三个阶段，如图10所示。在内短路初期阶段，内短路阻值很高，内短路放电引起电池电压缓慢下降。但是由于内短路初期阶段的放热功率很小，产生的热量几乎可以完全被电池通过散热散去，所以电池温度不会发生明显变化。随着内短路发展演化，内短路阻值逐渐降低，电池内短路进入中期阶段。在内短路中期阶段，由于内短路阻值较低，所以内短路放电电流较大，电池电压下降明显。同时由于内短路的产热功率较高，产生的热量不能及时被电池通过散热散走，电池温度明显升高。随着内短路产生的热量不断聚集，电池温度不断攀升，电池内短路进入末期阶段。在内短路末期，电池温度达到电池隔膜的失效温度，电池隔膜崩溃使电池的正负极之间发生大面积短路，电池的端电压突降为0。同时高温会触发热失控连锁反应，在短时间内释放出大量的热，使电池发生热失控。内短路初期和中期最主要的区别是电池温度是否有明显变化，内短路中期与内短路末期最主要的区别是电池端电压是否发生突降。
图10 内短路发展演化三个阶段的电特征和温度特征
虽然内短路末期具有明显的热电特征，较易识别，但是由于内短路末期会立即引发电池热失控，即便识别出内短路，也没有足够的时间裕度和安全裕度来采取应对措施。因此，如果能在内短路初期和中期将它检测出来，则可以采取各种应对措施来规避潜在的安全性事故。
为了解决内短路检测的问题，研究者们从不同的角度出发，提出了多种内短路识别方法，现有的内短路识别方法可以分为以下三类。①将实测的电压、温度数据与模型预测值比较，如Asakura等人提出了一种在恒流充电时通过比较电池实际电压变化和模型预测电压变化来识别内短路的方法。Ikeuchi等人发明了一种通过比较电池模型得到的电池电量变化和安时积分得到的电池电量变化来识别内短路的方法。Asakura等人发明了一种通过比较电池实际温度变化与模型预测温度变化来识别电池内短路的方法。②检测电池是否发生自放电，如Sazhin等人提出了一种通过检测电池自放电来检测初期内短路的识别方法。给待检测的电池并联一个恒压源，并将恒压源的电压设定为略低于待检测电池的电压，同时监测待检测电池与恒压源之间的电流。如果检测到电池与恒压源之间的电流方向发生改变，则认为存在内短路。Keates等人提出了一种通过比较电池关断和再次连接时的电压来识别电池内短路的方法。③利用电池组中电池单体间的一致性，如Hermann等人提出，在电池组中，电池单体的电压等参数应当是一致的。如果某节电池的电压发生了不正常的下降而与其他电池不一致，则认为它发生了内短路。
上述方法多是以专利形式呈现，缺少必要的实验验证与方法实施细节，且部分方法只适用于电池单体，无法应用于车用电池模组，同时考虑到算法在充电桩端或充电大数据平台应用的可能性，清华大学团队提出了一种基于充电数据的电池内短路检测方法，该方法应用于清华-戴姆勒合作项目等多个项目中，经验证，算法可以有效地将初期内短路检测出来，并可较为准确地计算反映内短路严重程度的等效短路电阻值。
（二）检测方法
1.剩余充电电量和内短路的关系
同一个电池组中的各节单体之间或多或少地会存在不一致性，图11（a）展示的是一个电池组中8节串联电池单体的容量差异，其中绿色虚线表示容量的不一致性，红色矩形表示初始电量的不一致性。各节电池是串联连接的，因此在理想情况下，由黄色矩形表示的电池充放电电量是相等的，当其中一节电池充满电时，BMS为了防止过充会停止充电，此时其他电池尚未充满电。基于此，在电池组充电结束时，我们可以将电池的剩余充电电量（Remaining Charging Capacity，RCC）定义为各电池容量和电量之差，在图11（a）中表示为黄色矩形上方到绿色虚线间的区域。
对于正常的、没有发生内短路的电池组，由于充放电过程中各单体有着相同的充放电电量，因此在每次充电结束时，各单体的RCC不发生变化。当内短路发生时，由于内短路电流的存在，内短路单体的电量会被消耗，每次充电后的RCC会增大。为了更清楚地解释，图11（b）分析了只有两节单体（X#单体和Y#单体）串联的电池组，X#单体在第一次充电结束后发生了内短路，如②所示，在放电时X#单体先放到截止电压，此时Y#单体还有部分电量未放出。在第二次充电时，如图③所示，Y#单体会先充满，此时X#单体的RCC记为RCC1。同理，当又一次放电到X#单体到达截止电压时，Y#单体会有更多的电量未放出，如图④所示。因此当第三次充电结束时，X#单体的RCC记为RCC2，很明显的RCC2大于RCC1。因此，对于内短路单体，在各次充电后，其RCC会逐渐增大，我们可以根据RCC的变化来进行内短路的检测，并且RCC变化量的大小可以直观反映内短路的严重程度。
图11 （a）电池组中的RCC差异（b）内短路发生后RCC的变化
2.充电电压曲线相似性变换
RCC表示的是电池模组在满充状态时各电池单体容量和电量之差，因此RCC是无法直接测量的，于是我们引入充电电压曲线相似性这个概念来计算RCC。首先，对于同一个模组中的不同单体，如果它们的内阻、初始SOC、容量是相等的，那么它们的充电电压曲线是重合的；如果它们的内阻、初始SOC、容量是不相等的，那么它们的充电电压曲线是不重合的，但是可以通过平移和伸缩变换，将充电电压曲线变换到重合状态，这就是所谓的充电电压曲线相似性。对于充电电压曲线的相似性，我们有过详细的理论推导和实验验证，在这里就不赘述了，基于充电电压曲线相似性变换，我们可以计算每个单体的RCC。
3.剩余充电电量的计算与内短路的检测
图12 利用充电电压曲线相似性计算RCC的示意
利用充电电压曲线相似性计算RCC的方法如图12所示，单体1～4组成串联电池模组，其中单体1在充电过程中的t1时刻达到充电截止电压，此时BMS为了避免过充将充电停止。将图中绿色实线所示的单体1的充电电压曲线作为其余单体充电电压曲线相似性变化的基准，以图中紫色线所示的单体3为例说明其RCC的计算过程：如果在t1时刻后，单体3能够独自充电至满电，那么其充电曲线将会如图绿色虚线所示延长到t1+Δt3，Δt3定义单体3的剩余充电时间（Remaining Charging Time，RCT），则根据充电电压曲线相似性原理，单体3的充电电压曲线可由单体1的充电电压曲线向右平移Δt3得到，在实际使用中，我们可以将单体3的充电电压曲线向左平移至单体1的充电电压曲线得到Δt3。一种更简便的方法为，在单体1的充电电压曲线上找到与t1时刻单体3的电压相等的电压点对应的时刻，这一时刻即为t1-Δt3，进而我们可以计算单体3的RCC，如式（1）所示。
进而，根据相邻两次的RCC结果可以计算内短路电流，如式（2）所示，式中IISC为内短路电流，RCCn为第n次充电时的RCC，RCCn-1是第n-1次充电时的RCC，tn为第n次充电截止时间，tn-1为第n-1次充电截止时间。
当计算得到的IISC大于阈值时，认为电池发生了内短路。可进一步计算内短路电池的等效短路电阻值，如式（3）所示，Vavg为平均电压，RISC为计算得到的内短路等效电阻值，RISC越小则短路严重程度越高。
可以看到，本算法的核心算法部分无须进行复杂的迭代计算，因而计算量很小。对于车用BMS而言，可以通过只记录充电末端的电压曲线有效地降低数据存储量，方便算法在BMS中实时计算。对于充电桩或充电大数据平台而言，在计算量充足的情况下，可以将曲线重构算法等更复杂的算法与本算法相结合，提高算法计算精度。
（三）实验
为了验证该内短路检测算法的有效性，我们设计并进行了一系列实验。如图13（a）所示，6节单体电池串联组成了实验用电池模组，单体电池为额定容量31Ah的软包三元电池，电池模组与迪卡龙电池测试系统相连进行动态工况实验，数据采集器采集每节单体的电压，采样频率为1Hz。设置4号单体为短路单体，在实验中为了保证内短路阻值定量可控，我们采用了内短路替代实验，即用定值外短路来模拟内短路的电特征，通过改变短路的阻值，可以模拟不同程度的短路。实验用电池模组如图13（b）所示，等效短路电阻如图13（c）所示，我们选用10Ω、50Ω、100Ω的短路电阻分别进行实验，根据清华大学团队的前期研究结果，使用内短路替代实验引发电池热失控的短路电阻阻值在毫欧量级，因此，本次三组实验都可以代表内短路初期的情况。
图13 （a）实验台架示意图（b）实验用电池模组（c）等效短路电阻
一个循环的实验工况如图14所示，实验从电池组满电状态运行DST工况至最低单体电压达到截止电压，搁置10min后1C恒流充电，充电至最高单体电压达到截止电压时转为搁置10min。每组实验重复多个循环，在实验开始前，各单体均衡良好，在第一个循环开始时，闭合短路开关。
图14 单个循环的实验工况
表3汇总了全部三组的实验设定。
表3 三组实验设定
（四）结果
图15展示了实验1的各单体电压曲线，其中紫色的为发生短路的单体4的电压。将第一次充电末端电压曲线放大之后如图15右侧所示，可以看到在第一次充电末端取最高电压达到4.15V为基准，对应的时刻为T1，将T1时刻单体4的电压平移到基准电压曲线上，得到剩余充电时间Δt4，1，进而根据公式（2）可以计算出单体4在第一次充电结束时的剩余充电电量RCC4，1，同理，可以得到第二次充电结束时的剩余充电时间Δt4，2和RCC4，2。
图15 实验1的各单位电压曲线
图16展示了三组实验的算法运行结果，柱状图的高度代表RCC4的大小，柱状图的个数与表3中实验工况的循环次数相对应，每幅图中标出了实际短路电阻的阻值RISC和计算得到的短路电阻阻值RCAL。可以看到，对于任意一次实验结果，随着循环次数（也即充电次数）的增加RCC依次增大，且RCC的增长率几乎不变，事实上RCC的增长率即为短路电流的大小，因此，图中橙色虚线的斜率越大，则代表短路电流越大，短路电阻越小。纵向比较三次实验结果，可以看到随着短路电阻阻值的增大，相同充电次数下的柱状图的高度随之减小，这表明内短路耗散的电量随着短路阻值的增大而减小。进一步比较RISC和RCAL可以看到RCAL与RISC较为接近，计算的相对误差在10%以内。
图16 算法运行结果
综上所述，本节提出了一种基于充电数据的电池内短路检测算法，并对算法的有效性进行了实验验证。本节提出的算法只利用了电池的充电数据，算法核心部分计算量小，数据存储量小，适用于BMS实时计算或充电桩端及充电云平台计算。实验结果表明，对于处在初期阶段的内短路，算法可以将其有效地检测出来，并可以较为准确地计算反映内短路严重程度的短路电阻阻值。
五 一种全工况适用的电池内短路检测方法
（一）研究背景及意义
第四部分，我们提出了一种适用于充电状态的电池内短路检测算法，该算法利用充电数据表现出较好的检测效果，然而在实际使用中，车辆大部分时间运行在动态加减速等非充电状态，因此，开发一种全工况适用的电池内短路检测算法及其必要。另外，第四部分的算法只利用了内短路的电特征，即内短路会引起电池自放电，而没有利用内短路的热特征，即内短路会导致电池的温度升高。因此，如果能更充分地利用电压和温度信号开发内短路检测算法，则有望获得更好的检测结果。
基于此，清华大学团队提出了一种全工况适用的电池内短路检测方法，该方法基于电池模型将电池电压、温度信号转化为反映内短路状态的特征信号，基于电池组一致性将与电池组平均状态偏离较远的内短路故障状态检测出来，该方法应用于清华-CATL合作项目等多个项目中，经过大量的实验验证，算法可以在内短路导致热失控之前将其检测出来。
（二）检测方法
算法以电池组的电压、温度、电流为输入，以故障类型及其对应的故障位信号为输出，共包括6个步骤。
步骤1为数据采集，算法所需要的数据为电池组中各电压采集点的电压、各温度采集点的温度、电流。步骤2为数据预处理，计算得到反映电池组平均状态的平均电压
、平均温度
，以及反映电池组故障状态的最低电压VW、最高温度TW，如式（4）～（7）所示，式中iV为最低电压单体的编号，iT为最高温度单体的编号。
步骤3为核心算法部分，一方面采用扩展卡尔曼滤波（Extended Kalman Filter，EKF）算法计算反映电池组平均SOC状态的
，计算反映电池组故障SOC状态的SOCW，详细的计算步骤如表4所示；另一方面采用递归最小二乘（Recursive Least Square，RLS）算法辨识反映电池组平均欧姆产热的参数
，计算反映电池组故障产热的参数
，详细的计算步骤如表5所示。
表4 基于EKF算法的SOC估计方法
表4 基于EKF算法的SOC估计方法-续表
表5 基于RLS算法的产热参数辨识方法
步骤4为一致性差异的计算，一致性差异计算的核心思想是计算反映电池组故障状态的参数和反映电池组平均状态的参数间的差异，对于电压、温度、SOC而言，其一致性差异ΔV、ΔT、ΔSOC的计算如式（8）～（10）所示，对于产热参数的一致性差异ΔRΩ，其计算公式如式（11）所示。
步骤5为故障位的转化，将一致性差异这一连续信号与对应的阈值比较后，转换为反映故障程度的离散的故障位，各故障位的符号定义及其计算方式如表6所示。
表6 故障位的含义及计算
步骤6为故障类型的判断，由表6可知，Ψ∑为用于内短路故障判断的总故障位，ΨV和ΨT为单独用电压或单独用温度信号计算得到的故障位，通过设定合理的阈值，当Ψ∑（或者ΨVΨT）大于对应的阈值时，发出内短路故障的警报。
（三）实验
与第四部分类似的，我们进行了模组级别的内短路替代实验来验证算法的有效性，如图17所示。图17（a）为实验用模组示意图，图17（b）为对应的实物图，可以看到实验采用6节电池串联，每节电池布置有短路电阻，各短路电阻的通断分别由对应开关控制，电池模组与充放电机相连进行动态充放电工况。图17（c）展示了短路电阻的布置位置，短路电阻布置在每节单体方壳内两卷芯的中间，由开关控制短路电阻与正负极的通断。图17（d）、（e）展示了确定短路导致热失控边界的方法，即用充放电机直接给短路电阻供电，通过调整充放电电流的大小模拟不同的短路严重程度，从小到大调整电流直至找到引发电池热失控的电流大小，进而反推出对应的短路电阻大小。图17（f）为温度采样点的布置位置，所有的温度采样点都布置在电池的中心位置，其中{TC1，TC2，…，TC7}布置在电池大面中心测量电池表面温度，{TIN，1，TIN，2，…，TIN，6}布置在电池方壳内两卷芯中间测量电池内部温度。图17（g）展示了电池组的电路连接结构，分别测量各节单体的电压，各个单体是否发生短路是由对应的开关控制的。
图17 内短路替代实验
注：（a）实验用模组示意图，（b）实验用模组实物图，（c）短路电阻及开关布置位置示意图，（d）确定短路导致热失控边界实验示意图，（e）确定短路导致热失控边界实验实物图，（f）模组中温度点布置位置示意图，（g）模组电路连接示意图。
我们共进行了22组实验来验证算法的有效性，实验设定如表7所示。其中电流工况选用了FUDS（Federal Urban Driving Schedule）工况，并选用了不同的峰值功率大小，如600W、1200W、1800W。选用不同阻值的短路电阻进行实验，模拟不同严重程度的短路。实验开始前各单体均衡良好，实验开始一段时间后，在tISC时刻闭合短路开关，触发短路。
表7 实验设定
（四）结果
1.短路导致热失控的边界的确定
如前所述，我们设计并进行了确定短路导致热失控边界的实验，实验中，短路电阻阻值为0.37Ω，充放电机电流为11.7A，由式（12）可知，加热功率约为50.65W。在真实的短路情况下，要实现同样大的加热功率，对应的短路电阻大小的计算如式（13）所示，可以得到短路可能导致热失控的边界为0.35Ω。
实验结果如图18所示，从图18（c）中可以看到，从开始加热到热失控发生经历了2991s，这意味着对于0.35Ω的内短路，算法应该在热失控前，也应在短路发生后2991s内实现报警。从外部温度曲线上可以得到，热失控发生前外部温度最高为117.7℃，假定环境温度为25℃，则如果短路的产热功率与散热功率相等，电池实现热平衡，则电池是不会热失控的，由式（14）可以计算出这种情况下的短路电阻为0.634Ω。
根据实验结果和理论计算值，假定内短路引发热失控的时间tTR和短路电阻RISC间存在近似反比例函数的关系，则可最终得到短路导致热失控的边界条件，如式（15）所示。
图18 确定短路导致热失控的边界的实验结果
注（a）视频记录的热失控前的图像，（b）视频记录的热失控发生的图像，（c）实验的温度和电压曲线。
2.内短路检测算法的实验验证
以表7中的第1组实验为例展示算法的运行结果，如图19所示。图19（a）为各单体的电压曲线以及经过预处理后的电压曲线，其中红色的为VW曲线，蓝色的为
曲线，可以看到，在内短路触发之后，两条曲线间的差异逐渐增大。图19（b）为SOC估计算法运行结果以及对应的故障位曲线，可以看到，在内短路触发之后，ΔSOC逐渐增大，并在tlev，1=4131s、tlev，2=4644s、tlev，1=5154s分别达到对应的1、2、3级故障位。图19（c）为各单体的温度曲线以及经过预处理后的温度曲线，温度采用每节单体两大面的平均温度作为输入，其中红色的为RΩ，W曲线，蓝色的为
曲线，可以看到，在内短路触发之后，两条曲线间的差异逐渐增大。图19（d）为RΩ参数辨识算法运行结果以及对应的故障位曲线，可以看到，在内短路触发之后，ΔRΩ逐渐增大，并最终达到1、2、3级故障位。图19（e）为展示了第1组实验的各故障位结果，其中蓝色线为由电压信号计算得到的故障位ΨV，红色线为由温度信号计算得到的故障位ΨT，黑色线为总故障位Ψ∑。内短路的报警条件为iV=iT且总故障位达到某一阈值，从图中可以看到，阈值取为5、6、7时可以综合利用温度和电压信号。
图19 第1组实验的数据结果
注：（a）各单体电压以及预处理后的电压曲线，（b）算法运行得到的SOC以及ΔSOC曲线，（c）各温度点温度以及预处理后的温度曲线，（d）算法运行得到的RΩ以及ΔRΩ曲线，（e）最终的故障位曲线。
图20汇总了表7中的第1～21组实验结果，图中横坐标为短路电阻值，纵坐标为时间。红色“x”标出了由实验结果得到的短路引发热失控的边界点，红色虚线为式（15）热失控发生时间与短路电阻的关系曲线，黄色区域为热失控发生区域。黄色和橙色三角分别为SOC故障位为2和3的点，蓝色圆点分别为RΩ故障位为2和3的点，绿色圆点对应总故障位为5、6、7的点。绿色圆点经过曲线拟合可以得到三条绿色直线，分别代表了阈值取5、6、7时的报警时间tDT和短路电阻RISC的关系，如式（16）所示。从图中可以看到，三条绿色直线没有穿过黄色区域，这意味着本算法能够在热失控之前将内短路检测出来，证明了算法的有效性。
图20 各组实验结果汇总
六 总结
本文首先提出了一种基于云端充电数据评价电池组一致性的方法。第一，获取云端的充电数据，例如时间、电压、电流和温度等数据。第二，计算用于评价电压一致性、温度一致性、内阻一致性、容量一致性和电量一致性五项指标的参数值。第三，基于各项指标的参数值，根据设定的阈值，计算各项指标的未加权得分，然后通过合理的加权方式计算各项指标加权后的得分。第四，得出该电池组一致性的总分。实验结果表明：此方法既可以有效区分不同电池组的一致性，又可以量化电池组一致性的程度。
其次，本文介绍了一种基于云端充电数据的电动汽车电池寿命估计方法。第一，用安时积分估计容量；第二，采用具有模糊逻辑的卡尔曼滤波法对容量结果进行滤波，从而减小容量估计误差；第三，根据温度修正SOH估计结果；第四，用阿伦尼乌斯模型对SOH结果进行拟合。结果表明：利用此方法，可以通过电动汽车充电数据准确地估计和预测电池寿命。同时，此方法给予动力电池预防性维护以及梯次利用时快速分选数据支持。
本文的后半部分针对锂离子电池的内短路检测问题，提出了两种检测方法，一种为基于充电数据的内短路检测方法，该方法计算量小，数据存储量小，仅利用充电时的电压数据，除可以应用于车载BMS之外，还可应用于充电桩或充电数据平台；另一种为全工况适用的内短路检测方法，该方法充分利用电池电压和温度信号，计算了反映内短路状态的特征参数，是一种全工况适用的算法。两种算法均经过模组级实验验证，证明了算法的有效性。
参考文献
Zheng Y，Ouyang M，Lu L，et al. On-line equalization for lithium-ion battery packs based on charging cell voltages：Part 1.Equalization based on remaining charging capacity estimation［J］. Journal of Power Sources，2014，247（feb.1）：676-686.
Zhou L，Zheng Y，Ouyang M，et al. A study on parameter variation effects on battery packs for electric vehicles［J］. Journal of Power Sources，2017，364（oct.1）：242-252.
Lu L，Han X，Li J，et al. A review on the key issues for lithium-ion battery management in electric vehicles［J］. Journal of Power Sources，2013，226（MAR.15）：272-288.
Wang Y，Chen Z，Zhang C. On-line remaining energy prediction：A case study in embedded battery management system［J］. Applied Energy，2017，194.
Feng X，Pan Y，He X，et al. Detecting the internal short circuit in large-format lithium-ion battery using model-based fault-diagnosis algorithm［J］. Journal of Energy Storage，2018，18（aug.）：26-39.
Schuster S F，Brand M J，Berg P，et al. Lithium-ion cell-to-cell variation during battery electric vehicle operation［J］. Journal of Power Sources，2015，297（nov.30）：242-251.
张燕梅. 基于不一致性的三元锂电池组寿命研究［J］. 机电技术，2019，000（001）：45-48.
王震坡，孙逢春，张承宁. 电动汽车动力蓄电池组不一致性统计分析［J］. 电源技术，2003，27（5）：438-441.
戴海峰，王楠，魏学哲，等. 车用动力锂离子电池单体不一致性问题研究综述［J］. 汽车工程，2014，36（2）：181-188.
单毅. 锂离子电池一致性研究［D］. 中国科学院研究生院（上海微系统与信息技术研究所），2008.
李国欣. 新型化学电源技术概论［M］. 上海科学技术出版社，2007.
郑岳久. 车用锂离子动力电池组的一致性研究［D］. 清华大学，2014.
Feng X，Xu C，He X，et al. A graphical model for evaluating the status of series-connected lithium-ion battery pack［J］. International Journal of Energy Research，2018，43（10）：749-766.
Ouyang M，Zhang M，Feng X，et al. Internal short circuit detection for battery pack using equivalent parameter and consistency method［J］. Journal of Power Sources，2015，294（oct.30）：272-283.
卢兰光，李建秋，华剑锋，等. 电动汽车锂离子电池管理系统的关键技术［J］. 科技导报，2016，34（06）：39-51.
Cheng Lin，Aihua Tang，Wenwei Wang. A Review of SOH Estimation Methods in Lithium-ion Batteries for Electric Vehicle Applications［J］. Energy Procedia，2015，75.
靳立强，孙志祥，刘志茹，等. 不同温度下锂电池剩余电量估算的仿真研究［J］. 汽车工程，2019，41（05）：114-122+130.
卢艳华. 车用三元锂离子动力电池内阻特性分析［J］. 电源技术，2017（5）.
梁奇，于春梅，王顺利，等. 基于PNGV电路模型的航空钴酸锂电池内阻研究［J］. 电源学报，2017，015（002）：153-158.
王芳，孙智鹏，林春景，等. 能量型磷酸铁锂动力电池直流内阻测试及分析［J］. 重庆理工大学学报：自然科学版，2017，31（08）：44-50.
Andre D，Appel C，Soczka-Guth T，et al. Advanced mathematical methods of SOC and SOH estimation for lithium-ion batteries［J］. Journal of Power Sources，2013，224（none）：20-27.
Haykin，Simon. Kalman filtering and neural networks［M］. John Wiley & Sons，Inc，2001.
Malkhandi S. Fuzzy logic-based learning system and estimation of state-of-charge of lead-acid battery［J］. Engineering Applications of Artificial Intelligence，2006，19（5）：479-485.
Plett G L. Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs Part 1.Background［J］. Journal of power sources，2004，134（2）：252-261.
Xuning F，Caihao W，Xiangming H，et al. Incremental Capacity Analysis on Commercial Lithium-Ion Batteries Using Support Vector Regression：A Parametric Study［J］. Energies，2018，11（9）：2323.
周頔，宋显华，卢文斌，等. 基于日常片段充电数据的锂电池健康状态实时评估方法研究［J］. 中国电机工程学报，2019，39（01）：107-113+327.
Zhou Y，Huang M. Lithium-ion batteries remaining useful life prediction based on a mixture of empirical mode decomposition and ARIMA model［J］. Microelectronics Reliability，2016，65（OCT.）：265-273.
Barnett B. Technologies for detection and intervention of internal short circuits in Li-ion batteries［C］. 5th Annual Battery Safety，Washington D.C.，USA，2014.
Asakura J，Nakashima T，Nakatsuji T，et al. Battery Internal Short-Circuit Detecting Device and Method，Battery Pack，and Electronic Device System：United States，US20100201321A1，2010.
Ikeuchi，Akira，et al. Circuit and Method for Determining Internal Short-Circuit，Battery Pack，and Portable Device：United States，US20140184235A1，2014.
Asakura J，Nakashima T，Nakatsuji T，et al. Battery Internal Short-Circuit Detection Apparatus and Method，and Battery Pack：United States，US20100188050A1，2010.
Sazhin S V，Dufek E J，Gering K L. Enhancing Li-Ion Battery Safety by Early Detection of Nascent Internal Shorts［J］. Journal of The Electrochemical Society，2016.
Keates，Andrew W，et al. Short Circuit Detection for Batteries：United States，US7795843B2，2010.
Hermann，Weston Arthur，and Scott Ira Kohn. Detection of Over-Current in a Battery Pack：United States，US20140088809A1，2014.
Xiangdong K，Yuejiu Z，Minggao O，et al. Fault diagnosis and quantitative analysis of micro-short circuits for lithium-ion batteries in battery packs［J］. Journal of Power Sources，2018，395（AUG.15）：358-368.
Zheng Y，Lu L，Han X，et al. LiFePO4 battery pack capacity estimation for electric vehicles based on charging cell voltage curve transformation［J］. Journal of Power Sources，2013，226（MAR.15）：33-41.
[1] 陆一凡，清华大学电池安全实验室，主要研究方向为电池一致性、电池寿命；潘岳，清华大学电池安全实验室，主要研究方向为电池热失控预警。