[发明专利]一种锂离子动力电池的漏液检测方法

说明书

本发明提供了一种锂离子动力电池的漏液检测方法，能够在不打开电池箱观察的情况下准确判定短路故障是否造成了电池漏液。通过建立外部短路故障的电池模型，以及运行基于随机森林方法的分类器实现了联合漏液识别。该方法适用于电池故障诊断系统，可以为电池短路后的故障程度预测与诊断提供依据，具有运行简单、易于实现等诸多有益效果。

技术领域

本发明涉及电池安全技术领域，尤其涉及一种锂离子动力电池的漏液检测方法。

背景技术

外部短路属于车用锂离子动力电池故障中最为常见的一种突发性故障，在发生外部短路之后的几十秒内，动力电池所产生的高温与大电流，极有可能引发严重的漏液，泄漏的电解液则会进一步引发包括起火在内的更为严重的后果，因此对动力电池漏液进行判别是十分重要的。然而，由于车用锂离子动力电池通常安置与电池箱中，通过开箱观察电池是否漏液既不便捷也不安全，而且车用锂离子电池往往是数百节电池串联、并联组成电池组，电池之间排列密集，即便观察到漏液也难以对具体漏液的电池位置实现定位。由此可见，现有的锂离子动力电池的漏液检测方式尚存在一定局限性，本领域迫切的需要一种即使不打开电池箱也可实现漏液检测的方法。

发明内容

针对上述本领域中存在的技术问题，本发明提供了一种锂离子动力电池的漏液检测方法，具体包括以下步骤：

步骤一、对不同锂离子动力电池进行多组外部短路试验，记录电流、电压以及温度数据；

步骤二、对锂离子动力电池建立电池模型，并基于所述步骤一中记录的所述数据对所述电池模型进行参数辨识，并确定发生短路故障状态阈值以及发生漏液状态阈值；

步骤三、利用步骤二中所建立的电池模型对故障进行在线诊断，并根据动力电池数据判断其与发生短路故障状态以及发生漏液状态的吻合度；

步骤四、建立基于随机森林算法的分类器，并根据所述步骤一中记录的所述数据对所述分类器进行训练，实现对发生短路故障状态以及发生漏液状态的监测。

步骤五、联合所述电池模型以及所述基于随机森林算法的分类器对是否发生漏液进行检测。

进一步地，所述步骤二具体包括：

所建立的电池模型采用分数阶阻抗模型，利用未发生漏液时的电流、电压以及温度数据对所述模型进行训练，从而建立出能够模拟非漏液状态下外部短路电特性变化的电池模型；基于遗传算法对所述分数阶阻抗模型进行参数辨识。

进一步地，所述步骤三所述的对故障进行在线诊断具体包括：

对实际动力电池电压与所述分数阶阻抗模型在短路故障状态下输出的电压进行比较，计算从短路开始到当前时刻的时间段内的吻合度χ：

V_m为模型预测端电压，V为电池实际端电压，n为数据长度。

将所述吻合度χ与所述步骤二中确定的所述发生短路故障状态阈值δ₁以及发生漏液状态阈值δ₂进行比较。

进一步地，所述步骤四中所建立的基于随机森林算法的分类器及其训练过程具体包括：

4.1、采集短路发生后M个锂离子动力电池样本中漏液电池与非漏液电池的最大温升与放电容量统计数据，作为总训练数据集输入至随机森林算法中；

4.2、利用Bootstrap方法进行重采样，随机产生N个训练数据集S₁,S₂,…,S_N。其中，S_i(1≤i≤N)为第i次从M个电池样本数据中有放回的抽取形成的数据集；

4.3、基于所产生的N个训练数据集分别随机生成N棵决策树，每棵决策树被训练后掌握通过最大温升与放电容量数据判断是否发生漏液的分类能力。