由VMD与DBSCAN在线检测锂离子电池热失控_刘延超.pdf

第 53 卷 第 3 期2023 年 6 月电池BATTERY BIMONTHLYVol.53,No.3Jun.,2023作者简介:刘延超(1990-),男,内蒙古人,中国长江三峡集团有限公司科学技术研究院工程师,研究方向:储能系统检测、运行仿真与故障诊断,通信作者;李硕玮(1997-),男,河北人,北京交通大学电气工程学院博士生,研究方向:锂离子电池故障诊断技术;毕 然(1986-),男,黑龙江人,中国长江三峡集团有限公司科学技术研究院工程师,研究方向:储能系统检测、运行仿真与故障诊断;尹立坤(1984-),男,内蒙古人,中国长江三峡集团有限公司科学技术研究院主任,高级工程师,研究方向:储能系统检测、运行仿真与故障诊断。基金项目:国家自然科学基金(51977007),中国长江三峡集团有限公司科研项目(202103408)DOI:10.19535/j.1001-1579.2023.03.009由 VMD 与 DBSCAN 在线检测锂离子电池热失控刘延超1,李硕玮2,毕 然1,尹立坤1(1.中国长江三峡集团有限公司科学技术研究院,北京 100038;2.北京交通大学电气工程学院,北京 100044)摘要:热失控影响锂离子电池系统的推广和应用。为预测锂离子电池系统的热失控,提出基于变分模态分解(VMD)与密度的噪声空间聚类(DBSCAN)算法的热失控在线检测方法。针对实际热失控案例,结合 VMD 与滑动窗口,在线分解窗口内各电池的电压信号,得到电压稳态分量;之后,提取各电池稳态分量与稳态分量均值的标准化皮尔逊相关系数,以及余弦相似度,并构建二维特征矩阵;最后,由 DBSCAN 自动辨识电池组中的故障电池,最早可在热失控前 111 s 检测出电压异常。关键词:锂离子电池;变分模态分解(VMD);基于密度的噪声空间聚类(DBSCAN);皮尔逊相关系数;余弦相似度中图分类号:TM912.9 文献标志码:A 文章编号:1001-1579(2023)03-0276-05Online detection of thermal runaway of Li-ion battery by VMD and DBSCANLIU Yan-chao1,LI Shuo-wei2,BI Ran1,YIN Li-kun1(1.Research Institute of Science and Technology of China Three Gorges Group Corporation,Beijing 100038,China;2.School of Electrical Engineering,Beijing Jiaotong University,Beijing 100044,China)Abstract:Thermal runaway affected the promotion and application of Li-ion battery systems.To predict thermal runaway of Li-ion battery systems,online thermal runaway detection method based on variational mode decomposition(VMD)and density spatial clustering of applications with noise(DBSCAN)algorithm was proposed.For practical thermal runaway cases,VMD and sliding window were combined to online decompose the voltage signals of each battery in windows and obtain voltage static components.Then the standardized Pearson correlation coefficient and cosine similarity between static components and their average values were extracted to construct the two-dimensional feature matrix.Finally,the DBSCAN was developed to automatically identify the faulty cell in the battery pack and detect the voltage abnormality as early as 111 s ahead of thermal runaway.Key words:Li-ion battery;variational mode decomposition(VMD);density-based spatial clustering of applications with noise(DBSCAN);Pearson correlation coefficient;cosine similarity 锂离子电池热失控故障的主要诱因可分为电滥用、热滥用与机械滥用。极端的滥用条件和恶劣的环境,可能会引起内部材料与结构变化,短时间内产生大量热量,最终导致热失控1。此外,电池的结构设计,电极材料、隔膜和电解液等主要材料若有均一性缺陷,也会进一步增大热失控风险。现有的电池故障诊断方法可分为基于模型、基于数据驱动和基于知识等 3 类1-2。文献3基于分布式参数建立一维热模型,采用准确阈值减小建模及测量误差,分析电池故第 3 期刘延超,等:由 VMD 与 DBSCAN 在线检测锂离子电池热失控障演变过程,实现热故障诊断。此类方法对模型和阈值准确性的依赖程度较高,且模型仅适用于特定工况,难以应用于复杂、随机的实际工况。文献4提出一种基于数据驱动的多级信息熵算法,无需建立模型,可准确检测出电池的内短路故障,但现有文献中信息熵、标准电压等特征5对各类故障的敏感度不同,因此故障检测结果差异较大。文献6基于知识的模糊推理方法,建立专家诊断系统,实现电池外电压异常模式识别。该系统需要大量准确的故障类型数据,由于部分故障机理尚不清晰,对故障的敏感信号未能充分采集,使得难以准确获取故障标签。现有故障诊断方法均存在一定的局限性,如模型适用范围窄、建模复杂,高敏感故障特征不完善,需要大量准确故障标签的故障数据等。为此,本文作者提出一种基于变分模态分解(VMD)与密度的噪声空间聚类(DBSCAN)算法的电池热失控故障在线检测方法,将 VMD 与滑动窗口相结合,在线分解窗口内各单体电池的电压信号,得到电压稳态分量;之后,提取窗口内各单体电池稳态分量与稳态分量均值的标准化皮尔逊相关系数与余弦相似度,构建二维特征矩阵;最后,由 DBSCAN 算法自动辨识电池组中的故障电池,以期实现锂离子电池热失控故障的在线检测。1 锂离子电池热失控过程分析1.1 案例一案例一的热失控数据源于三元正极材料锂离子电池组 1号(正极材料为 LiNixCoyMn1-x-yO2、负极材料为石墨,容量 60 Ah,电压 2.84.3 V)放电运行数据。电池电压的采集精度为 1 mV,温度传感器交替贴在电池上,精度为 1,采样点由电池管理系统(BMS)间隔 1 s 或 10 s 选取。在热失控前,该电池组的电压、温度均未超出正常区间。电池组热失控前的最后一个放电时段与热失控阶段电压、温度曲线见图 1。图 1 案例一热失控过程中电池组的电压、温度曲线Fig.1 Voltage and temperature curves of battery pack during thermal runaway process in case 1 从图 1 可知,在第 460 采样点,A 号电池的电压开始下降,此时温度正常;从第 471 采样点开始,BMS 采样时间间隔由 10 s 缩短至 1 s,推测此时 BMS 检测出异常,A 号电池电压下降较明显,温度正常;在第 484 采样点,A 号电池电压上升到 5 V,此时 BMS 检测出 A 号电池故障,但温度正常;在第496 采样点,与 A 号电池相邻的 9 号和 10 号温度传感器温度上升;在第 506 采样点,9 号温度传感器温度升至最高温度87,综合之后的电压表现,推测此时电池发生热失控。从 BMS 检测出异常(471 采样点)到热失控(506 采样点)经历了大约 35 s,时间较短,难以采取有效措施抑制电池热失控,因此,需提前更长时间检测出热失控信号。1.2 案例二案例二的热失控数据源于三元正极材料锂离子电池组 2号(正极材料为 LiNixCoyMn1-x-yO2、负极材料为石墨,容量60 Ah,电压 2.84.3 V)充电运行数据,电压、温度采集与 1号电池组相同。该电池组在热失控前的电压、温度均未超出正常区间。电池组热失控前最后一个充电时段与热失控阶段电压、温度曲线见图 2。图 2 案例二热失控过程中电池组的电压、温度曲线Fig.2 Voltage and temperature curves of battery pack during thermal runaway process in case 2 从图 2 可知,在第 228 采样点,B 号电池电压开始下降,此时温度正常;在第 238 采样点,B 号电池电压下降到 0 V,此时,BMS 检测出 B 号电池故障,但温度正常;在第 243 采样点,与 B 号电池相邻的 3 个温度传感器温度开始出现异常,772电池BATTERY BIMONTHLY第 53 卷其中,44 号温度传感器温度线下降的原因可能是温度传感器或通讯出现故障,41 和 42 号温度传感器温度线先上升、后急速下降到 0 以下,也可能是相同原因,导致未能准确记录热失控过程的温度数据;在第 280 采样点,42 号温度传感器温度线升至最高温度 77,推测此时电池可能发生热失控。从 BMS 检测出故障(238 采样点)到热失控(280 采样点)经过约 42 s,需要尽可能提前检测出热失控信号。此外,由两个热失控案例的温度及电压数据可知,电池发生热失控时,电压早于温度出现异常,因此,重点分析电压信号。2 热失控故障在线检测方法原理2.1 变分模态分解(VMD)VMD 是一种自适应、准正交、完全非递归的信号分解方法,通过迭代搜寻变分模型最优解,来确定各分量的频率中心及带宽,实现信号频域的分离7。由于实际放电工况中电池电压波动性较大,需要将放电段的电池电压信号分解为具有不同中心频率的本征模函数(IMF)。为实现在线应用,将滑动窗口与 VMD 相结合,选取一定窗口宽度的电压信号进行 VMD,之后滑动窗口,以获取下一采样点的电池电压,直至辨识出故障电池。VMD 算法步骤如下。在频域中利用 Hilbert 变换,对采集到的电压信号序列进行处理,可得到约束变分优化问题,如式(1)所示:minukkkt(t)+jtuk(t)e-jkt22s.t.kuk=f(1)式(1)中:uk、k为各模态函数及中心频率(k1,2,K),K 为分解所得模态数量;t为梯度运算;(t)为单位脉冲函数;t 为时间;j 为虚数;e 为自然指数;f 为原始电压。引入二次惩罚项和拉格朗日乘数,将约束变分优化问题转变为非约束变分问题,如式(2)所示:L(uk,k,)=kt(t)+jtuk(t)e-jkt22+f(t)-kuk(t)22+(t),f(t)-kuk(t)(2)式(2)中:L 为拉格朗日函数;为拉格朗日乘子;为二次惩罚因子,可通过乘数方向交换解得;表示内积运算。解该优化问题,产生的模态分量在频域中表示为:un+1k()=f()-ikui()+()21+2(-k)2(3)式(3)中:n 为迭代的次数;为分量频率;un+1k()表示第 n 次迭代得到的第 k 个模态频域信号。对式(3)中的频域信号进行反傅里叶变换,得到的结果取实部,即可获得相应 IMF 的时域分量。稳态分量与电池开路电压曲线应具有相似趋势,可将最低频分量定义为稳态分量,其余 IMF 定义为动态分量。由于仅对稳态分量求取特征,将 IMF 的数量 K 设为 2,得到稳态和动态 2 个 IMF。对案例一中第 444 窗口(444463 采样点)的电压信号进行 VMD,分解结果如图 3 所示,其中窗口宽度设为 20。图 3 案例一第 444 窗口分解后各单体电池的电压稳态分量Fig.3 Voltage static components of cells after decomposition of the 444th window in case 1从图 3 可知,VMD 得到的稳态分量较平滑,无明显模态混叠,因此,VMD 可用于提取放电工况电池电压稳态分量。2.2 故障相似度特征提取2.2.1 皮尔逊相关系数皮尔逊相关系数7用于度量窗口内各单体电池电压稳态分量 X 和稳态分量均值 Y 之间线性程度,公式见式(4)。=mi=1(Xi-?X)(Yi-?Y)mi=1(Xi-?X)2mi=1(Yi-?Y)2(4)式(4)中:?X 和?Y 分别为 X、Y 的均值;m 为窗口宽度。皮尔逊相关系数 定量刻画了 X 和 Y 的相关程度(-11),的绝对值越接近 1,则 X 和 Y 的相关程度越大;越接近 0,则线性相关程度越小。2.2.2 余弦相似度余弦相似度8利用两个电压稳态分量间夹角的余弦值来衡量两个序列之间的差异大小,公式见式(5)。cos=1-mi=1(Xi Yi)mi=1Xi2mi=1Yi2(5)式(5)中:为稳态分量序列 X 和 Y 的内积夹角。余弦相似度 cos 越接近 0,则 X 和 Y 的相关程度越大;cos 越接近 1,则 X 和 Y 的相关程度越小。3 结果与讨论3.1 实验结果在相同工况下,同一电池组正常单体电池的电压变化应大致相同,而电池组内故障电池为少数,故障电池的异常数据不会影响电池组的整体趋势,因此,所提方法将窗口内所有单体电池电压稳态分量的平均值作为参考分量,定义为稳态分量均值,之后提取各单体电池稳态分量与稳态分量均值的 Z-score 标准化5皮尔逊相关系数,以及余弦相似度。在案例一中,选取 1463 采样点进行在线故障检测,窗口宽度与 VMD 窗口一致,为 20,共 444 个滑动窗口,特征结果见图 4。872第 3 期刘延超,等:由 VMD 与 DBSCAN 在线检测锂离子电池热失控图 4 案例一各电池在所有滑动窗口内的标准化特征Fig.4 Standardized features of cells in sliding windows in case 1从图 4 可知,A 号电池的标准化皮尔逊相关系数与余弦相似度在后期分别下降、上升,异于其他正常电池,但部分正常电池的标准化皮尔逊相关系数和余弦相似度在前期明显超出正常阈值,仅依靠阈值的方法会导致极高的误报。为减小误报并实现故障电池自动辨识,提出基于 DBSCAN5的二维特征聚类方法,利用所提特征构建二维特征矩阵,之后,应用 DBSCAN 对矩阵各特征点进行聚类。DBSCAN 算法包括半径 和半径内最少个数 minPts 两个参数。该算法随机选择一个二维特征点,并统计该点半径 内其他点的数量。若其他点不少于 minPts,则半径范围内的点同属一簇;若其他点少于 minPts,且该点不在其他点半径范围内,则该点是离群点。所提方法中,minPts 设为维度的两倍,即 4;半径 根据实际需要人工设定或训练得到。对每一时刻所有电池构建的二维特征矩阵进行聚类,半径 设为 8.5,第 444 窗口(第 444463 采样点)的结果见图 5。图 5 案例一第 444 窗口的聚类结果(=8.5)Fig.5 Clustering results of the 444th window in case 1(=8.5)从图 5 可知:与其他电池相比,A 号电池的余弦相似度偏大,皮尔逊相关系数偏小,说明 A 号电池的稳态分量与稳态分量均值间的相关程度较低;而其他电池并未明显分离,说明 A 号电池出现异常。之后,应用 DBSCAN 聚类算法准确识别出 A 号电池为离群点,并归为故障点。至此,所提方法在第 444 窗口(第 444463 采样点)检测出 A 号电池为故障电池。该方法可在热失控前 111 s 准确检测出故障,相较于BMS 自检的 35 s,故障报警时间提前了 76 s。在案例二中,选取 1228 采样点进行在线故障检测,窗口宽度仍为 20,共 209 个滑动窗口,标准化皮尔逊相关系数和余弦相似度结果见图 6。图 6 案例二各电池在所有滑动窗口内的标准化特征Fig.6 Standardized features of cells in sliding windows in case 2从图 6 可知,B 号电池的特征在后期明显偏离其他电池,但固定阈值仍可能导致误报。对构建的二维特征矩阵进行聚类,半径 设定为 8.0,其中第 209 窗口(第 209228 采样点)的聚类结果见图 7。图 7 案例二第 209 窗口的聚类结果(=8.0)Fig.7Clustering results of the 209th window in case 2(=8.0)972电池BATTERY BIMONTHLY第 53 卷从图 7 可知,B 号电池的二维特征点偏离其他电池,说明稳态分量与稳态分量均值序列相关程度较低,之后,DB-SCAN 将其标定为故障电池。所提方法在第 228 采样点,提前热失控 52 s 准确检测出故障电池 B。3.2 特征对比信息熵4,9一般用于衡量信号序列的复杂程度,熵值越大代表信号复杂度越大,即电压序列离散程度越大,出现故障的可能性越高。为进一步体现所提方法的优势,基于案例一数据,将相似度特征与信息熵进行对比,结果见图 8。图 8 案例一信息熵结果Fig.8 Results of shannon entropy in case 1从图 8 可知,信息熵特征在第 444 滑动窗口(第 444 463 采样点)未检测出异常,可能是由于 A 号电池发生故障后,电压值出现的频率无明显变化。由此可知,皮尔逊相关系数和余弦相似度特征在热失控故障检测时优于信息熵。3.3 半径 敏感性分析为减少误报、漏报,需分析不同半径 对热失控预测结果的影响。选取的 区间为 5.010.0,取样间隔为 0.1。定义算法可靠性因子,若 DBSCAN 算法在第 441 窗口(A 号电池异常时刻)前无误报、第 441 窗口后准确辨识出故障电池,则=1,说明在半径 下该算法无误报、漏报,可靠性高;若算法在第 441 窗口前误报或在第 441 窗口后漏报,则=0,算法可靠性低。不同 下的可靠性因子 结果见图 9。图 9 案例一不同 下的可靠性因子 结果Fig.9 Results of reliability factor under different in case 1从图 9 可知,在 为 8.59.0 时,可靠性因子 均为 1,说明在此区间内算法可准确、及时、无误报及无漏报地实现热失控报警,因此,的最优值为 8.59.0。4 结论本文作者结合两例锂离子电池热失控案例,提出一种基于 VMD 与 DBSCAN 的电池热失控故障的在线检测方法,采用滑动窗口在线获取各电池电压数据,通过 VMD 得到稳态分量,之后提取窗口内各电池稳态分量与稳态分量均值的标准化皮尔逊相关系数和余弦相似度,并构建二维特征矩阵,最后通过 DBSCAN 自动辨识电池组中的故障电池。在案例一、二中分别提前热失控111 s、52 s 准确检测出故障电池,在避免误报的前提下,实现了锂离子电池热失控故障的在线检测。此外,将提出的皮尔逊相关系数、余弦相似度与信息熵进行对比,验证了所选特征的优越性,并分析了 DBSCAN 算法中半径 的敏感性,得到案例一中 最优值为 8.59.0。所提方法完善了电池热失控故障特征库,具有一定的应用价值,后续研究重点为电池组长时间尺度工况下,面向大数据的聚类参数自适应方法。致谢:感谢北京交通大学电气工程学院张彩萍教授提供数据与技术支持。参考文献:1XIONG R,SUN W Z,YU Q Q,et al.Research progress,challen-ges,and prospects of fault diagnosis on battery system of electric vehiclesJ.Appl Energy,2020,279:115855.2 孙振宇,王震坡,刘鹏,等.新能源汽车动力电池系统故障诊断研究综述J.机械工程学报,2021,57(14):87-104.SUN Z Y,WANG Z P,LIU P,et al.Overview of fault diagnosis in new energy vehicle power battery systemJ.Journal of Mechanical Engineering,2021,57(14):87-104.3 DEY S,PEREZ H E,MOURA S J.Model-based battery thermal fault diagnostics:algorithms,analysis,and experimentsJ.IEEE Trans Control Syst Technol,2019,27:576-587.4QIU Y S,CAO W J,PENG P,et al.A novel entropy-based fault diagnosis and inconsistency evaluation approach for lithium-ion bat-tery energy storage systems J.J Energy Storage,2021,41:102852.5 QIAO D D,WEI X Z,FAN W J,et al.Toward safe carbon-neutral transportation:battery internal short circuit diagnosis based on cloud data for electric vehicles J.Appl Energy,2022,317:119168.6 李欢.基于运行数据的异常电池诊断及实现D.北京:北京交通大学,2018.LI H.Abnormal battery diagnosis and implementation based on operating dataD.Beijing:Beijing Jiaotong University,2018.7 CONG X W,ZHANG C P,JIANG J C,et al.A comprehensive sig-nal-based fault diagnosis method for lithium-ion batteries in electric vehiclesJ.Energies,2021,14:1221.8BISWAS S K,MILANFAR P.One shot detection with Laplacian object and fast matrix cosine similarityJ.IEEE Trans Pattern Anal Mach Intell,2016,38(3):546-562.9 LIU P,SUN Z Y,WANG Z P,et al.Entropy-based voltage fault diagnosis of battery systems for electric vehicles J.Energies,2018,11:136.收稿日期:2022-11-29082