焦東升，王海云，朱 潔，遲忠君，曾 爽

?

基于離散Fréchet距離的電動汽車電池健康狀態(tài)診斷方法

焦東升，王海云，朱 潔，遲忠君，曾 爽

(國網(wǎng)北京市電力公司, 北京 100075)

針對動力電池在電動汽車運行過程中的安全性和動力性問題，將離散Fréchet距離法與電池充放電曲線辨識相結(jié)合，提出了基于在線檢測平臺的電池健康度(State of Health, SOH)診斷方法。通過CAN通信模塊，系統(tǒng)直接控制車載電池完成在線滿充放試驗，獲取實際運行狀態(tài)數(shù)據(jù)。并建立電動汽車服役全周期信息數(shù)據(jù)庫，進行健康度診斷預測，來指導動力電池的安全評估和均衡維護。通過算例試驗分析，將診斷結(jié)果與退運后的檢測數(shù)據(jù)做比較，驗證了該方法的正確性和準確性。

電動汽車；動力電池；健康狀態(tài)；離散Fréchet距離；曲線相似性

0 引言

能源危機和環(huán)境污染問題日益嚴重，電動汽車取得了良好的發(fā)展前景。鋰離子電池作為能量載體，以其高能量密度、長循環(huán)壽命等優(yōu)點得到廣泛應用。因此，其性能狀態(tài)直接影響到電動汽車運行的安全性與動力性，為了能夠更經(jīng)濟高效的使用電池，對其健康狀態(tài)的評測將變得非常必要。

電動汽車運行過程中，儲能單元受到長期振動和隨機脈沖式放電影響，電池電化學性能受到不同程度的破壞，單體間不一致性顯現(xiàn)，進而影響到電池管理系統(tǒng)(Battery Management System, BMS)對電池荷電狀態(tài)(State of Charge, SOC)的估算精度。開展在運電池的健康狀態(tài)診斷工作，對其充放電曲線、內(nèi)阻等參數(shù)進行比較分析，指導提升SOC的估算精度，為均衡策略提供依據(jù)，從而延長電池組的使用壽命[1]。鋰離子電池在使用過程中，僅能采集到輸出的電壓和電流值，是一個典型的黑盒模型。文獻[2-6]在進行健康度評估時，均是在研究電池衰退機理的基礎上，依據(jù)其內(nèi)特性進行建模，從而仿真分析與驗證。該方法極大地依賴于電池的歷史運行數(shù)據(jù)，并局限于建立的模型結(jié)構。

本文放棄了傳統(tǒng)的鋰離子電池健康狀態(tài)診斷方法。通過CAN通信模塊，將整車系統(tǒng)對儲能單元的控制權交由上位機，使得車載電池、充放電裝置與上位機系統(tǒng)形成控制閉環(huán)，在不拆卸電池模塊的條件下，直接對車載電池進行100%DOD充放電試驗[7-9]，繞過了依據(jù)歷史數(shù)據(jù)建模估算的環(huán)節(jié)，卻獲得了更加準確的SOH 數(shù)據(jù)信息；另一方面，創(chuàng)新性地將離散Fréchet距離準則應用于電池模塊的SOH診斷過程中[10-13]，進行電池充放電曲線的“形相似”辨識，依據(jù)電池模塊曲線簇間裂化程度判定其健康狀態(tài)，為電動汽車運行過程中在運電池的安全維護提供了依據(jù)。

1 動力電池健康狀態(tài)診斷

1.1 充放電試驗

國外用于鋰離子電池檢測的標準，主要包括美國USABC 提出的FUDS，以及美國能源部的Freedom CAR計劃提出的HPPC。我國的測試標準主要為QC/T 743-2006《電動汽車用鋰離子蓄電池》[14]，其主要規(guī)定了鋰離子電池的循環(huán)壽命測試和簡單模擬工況標準。

本文進行的鋰離子電池充放電試驗，采用美國Aero Vironment公司的ABC-150雙通道、可回饋測試設備，因其具有450 V/150 A的充放電性能，經(jīng)常用于電動汽車充電機和電池的分析試驗中。鋰離子電池充放電試驗，是指在實驗室環(huán)境下，將大功率充放電設備與溫控箱、多維度振動臺結(jié)合，在電池組的充放電過程中，完成其容量、內(nèi)阻、開口電壓等特性的測試。本文試驗對象為車載NB-LFP60磷酸鐵鋰電池模組，具體銘牌參數(shù)如表1所示。

表1 NB-LFP60鋰離子電池參數(shù)

按照QC/T 743-2006規(guī)定，若沒有針對性特殊試驗要求策略，通常在20 ℃±5 ℃條件下，磷酸鐵鋰蓄電池以3A電流放電，當蓄電池電壓至2.0 V時截止，靜置1 h；然后在15~25 ℃條件下以3A恒流充電，當蓄電池電壓達3.65 V時轉(zhuǎn)恒壓充電，充電電流降至0.13A時截止，靜置l h，記錄測試結(jié)果，一次循環(huán)試驗完成。

可以看出，鋰離子電池特性測試主要是根據(jù)試驗標準，按照測試對象的特定要求，在實驗室環(huán)境下深度充放電循環(huán)，獲取過程數(shù)據(jù)和表征參數(shù)，分析評估鋰離子電池的健康狀態(tài)。在IEEE標準 1188- 1996中規(guī)定，當鋰離子電池的容量能力下降至 80%額定值時，該電池將從電動汽車上退運。

1.2 SOH診斷測試

電動汽車在實際路況下，當SOC小于20%時，深度放電車輛容易降功率運行，甚至拋錨，但是電池在盈虧兩端充放電試驗最能體現(xiàn)其健康度；同時，實際路況駕駛測試，很難保證測試環(huán)境的一致性，而且不便于安裝檢測儀器；將電池組從車上拆下來試驗，可能破壞到整車的電氣和機械性能。因此，車載電池的SOH診斷變得非常困難。

為了定性地分析SOH的衰退情況，本文將CAN通信模塊接入整車控制系統(tǒng)，應用上位機遙控車載充電繼電器分合，通過直流充電槍對電池組直接進行充電放電，并將BMS信息反饋充電機，形成控制閉環(huán)，從而實現(xiàn)SOH信息的數(shù)據(jù)采集。具體充放電控制拓撲如圖1所示。

圖1電動汽車SOH試驗拓撲

表2所示電動汽車服役初期的NB-LFP60電池組測試記錄，對應的24支單體充放電簇曲線如圖2所示。此時電池容量還稍微高于表1的額定值，充放電曲線緊密重疊，相似度很高，說明此時電池組有較好的一致性較。

表2 NB-LFP60電池組檢測數(shù)據(jù)

2 離散Fréchet距離法

2.1 曲線相似性定義

曲線的相似性判斷是計算機圖像、模式識別和蛋白質(zhì)結(jié)構預測等領域的核心問題[15-16]，通常以相似性函數(shù)來定義判別曲線的差異性。從數(shù)學角度描述，給定兩條曲線函數(shù),:，它們之間的距離定義為

事實上，對整條曲線計算距離來確定它們是否匹配，將會產(chǎn)生很大的誤差。一般情況下, 需要對參與比較的兩條或多條曲線進行分段, 再逐段匹配。并且在分段匹配過程中，須對某段進行平移和伸縮變換。

圖2電池組第120次充放電循環(huán)曲線

2.2 離散Fréchet距離

Fréchet距離由M. Fréchet于1906 年提出，隨后H. Alt和M. Godau等人給出了Fréchet距離的計算方法[17-18]，充分考慮了曲線的形狀以及曲線上各點的時序，是一種判別曲線間相似程度的距離測度。

Fréchet距離的直觀解釋是：給定距離空間的2 條曲線和，一個人牽著一條狗，分別沿著曲線和以任意的自由速度從起點移動至終點，但不得后退，那么Fréchet距離就是人與狗之間最短拴狗繩的長度。

3 充放電曲線的相似性判定

如圖3所示，電動汽車開始服役時，將對車輛的儲能模塊進行全面的檢測，建立該車輛的SOH信息數(shù)據(jù)庫，對于檢測合格的車輛，投入實際路況運行。規(guī)定充放電循環(huán)次數(shù)、或行駛里程進行周期性SOH檢測、數(shù)據(jù)存儲和分析，判定在運電池的健康度。依據(jù)健康指標進行具體的均衡維護，從而保障電池的安全運行。

本文的電池SOH定性分析是通過離散Fréchet距離法來進行充放電曲線的相似性判定，計算過程如下。

圖3電池組SOH試驗流程

(7)

4 算例分析

以配置NB-LFP60成組電池的北汽-150電動汽車為研究對象，成組方式為1p24s(1并24串)，單箱容量為76.8 V/60 Ah，算例以單箱進行分析，將實際路況運行和SOH測試相結(jié)合，車輛每次能耗運行均100%DOD深度放電。設定SOH抽檢的間隔周期約為每100次滿充放循環(huán)，通過BMS獲取充放電曲線和成組放電容量。如圖4所示，成組容量由額定值經(jīng)過約468次循環(huán)能耗測試，衰減至80%的退運值，根據(jù)SOH指標，進行均衡維護。為了進行算例驗證，該測試過程在80%下共進行了817次充放電循環(huán)，成組容量最終衰減至26.35 Ah。

圖4成組電池容量衰減曲線

按照圖3所示的SOH試驗流程，選取第120次周期100%DOD充放曲線作為辨識對象，此時的成組放電容量為59.45 Ah，單體間最大壓差為336.7 mV，成組內(nèi)阻為24.36 mΩ。按照QC/T 743-2006充放電策略，采樣速率為12 S/min，采樣點數(shù)為2510個。該箱電池的24支單體相對曲線簇“標準值”曲線的值分布如圖5所示?？梢钥闯觯钚≈禐?.0343，是4號單體，在電池組運行初期，相對較小，各單體的充放電曲線相似度較高，很接近“標準值”曲線，一致性好，放電容量接近額定容量。

電動汽車運行至第520個滿充放周期時，電池放電容量為46.91 Ah，額定值占比78.2%，單體間最大壓差579.7 mV，一致性能變差。進行該階段的SOH試驗，曲線的值分布如圖6所示?？梢钥闯?0和18號單體的均大于0.1，其中20號單體的達到0.4745，遠大于其他單體。因此，在試驗至第600次循環(huán)時，對20號單體進行了更換，并做均衡維護，均衡后單體最大壓差降低至205.8 mV，100%DOD放電容量上升至44.96 Ah，相對均衡前提升4.12%，并對被更換的20號單體單獨進行了容量測定，為43.52 Ah，低于80%值。

圖5第120次循環(huán)曲線離散Fréchet距離

圖6 第520次循環(huán)曲線離散Fréchet距離

在電池組運行到第720個循環(huán)時，容量已衰減至29.21 Ah，額定值占比為48.7%，完全不能夠滿足電動汽車的正常運行需求。進行SOH抽檢，充放電曲線如圖7所示，曲線簇的一致性明顯變差。獲取曲線簇的值分布如圖8所示，可以看出，12、18和20號單體的均大于0.1，其中，20號單體在更換、均衡后，減??；18號單體的從第520個循環(huán)的0.165 7快速遞增至0.546 0； 12號單體的值為0.117 1，也超過了0.1的限值。

為了分析該箱電池組的SOH衰減情況，試驗共進行了817次循環(huán)，圖9為電池組全服役周期的一致性情況。從圖中可知，大約第750次循環(huán)后最大壓差反而遞減，說明電池組一致性問題，已不是導致該階段放電容量衰減的主要因素，各單體的化學活性已整體老化。

圖7電池組第720次充放電循環(huán)曲線簇

圖8第720次循環(huán)曲線離散Fréchet距離

圖9 電池組服役全周期一致性曲線

最后，對電池組進行了拆解，將每支單體的容量進行測定，具體情況如圖10所示。可以看出，12和20號單體容量衰減最多，剩余容量僅為32.93 Ah和39.6 Ah，遠低于80%值，最大剩余容量為第600次循環(huán)已更換過的18號單體，為59.78 Ah，接近額定值。此剩余容量的測定結(jié)果與第720次周期抽檢曲線簇的值判定完全一致，12、20和18號單體的均大于0.1，并且早在第520次循環(huán)中已能夠準確的預測。

圖10組內(nèi)單體最終容量對比圖

另外，本次SOH試驗對電池組的全服役周期均進行了抽檢，在800余次100%DOD充放電循環(huán)中，記錄的如圖11所示，分別為曲線簇中4和20號單體，以及全服役周期的截尾均值曲線的健康度?？梢钥闯?，值隨著電池服役周期而遞增，說明曲線簇間裂化程度加??；同時，約 600次循環(huán)周期后進行組內(nèi)均衡，整體變小；另外，循環(huán)初期20號單體值還比較相似于“標準值”曲線，試驗后期20號單體的值明顯偏離曲線簇，說明離散Fréchet距離法能夠準確判定充放電曲線的“形相似”，從而預測出電池組中的“不健康”單體。

圖11不同抽檢周期的離散Fréchet距離對比

5 結(jié)論

(1) 本文摒棄了傳統(tǒng)的鋰離子電池健康度判定方法，建立了基于實驗室環(huán)境的車載儲能模塊檢測平臺，直接實現(xiàn)車載電池的100%DOD充放電試驗，改變了依靠歷史數(shù)據(jù)建模估算的方法，保證了SOH診斷的信息準確性；

(2) 將離散Fréchet距離方法應用在電池組充放電曲線辨識中，通過值篩選出電池組中的“不健康”單體，成功實現(xiàn)SOH的預測。并進行了單體剩余容量的測定，驗證了單體容量的衰減情況與預測結(jié)果的一致性；

(3) 建立了基于服役前檢測、SOH周期診斷和均衡維護等信息的電池組數(shù)據(jù)庫，形成了電動汽車電池全服役周期的健康度診斷和維護體系，保證了電池在電動汽車服役運行過程中的安全性。

[1] 宋永華, 陽岳希, 胡澤春. 電動汽車電池的現(xiàn)狀及發(fā)展趨勢[J]. 電網(wǎng)技術, 2011, 35(4): 1-6.

SONG Yonghua, YANG Yuexi, HU Zechun. Present status and development trend of batteries for electric vehicles[J]. Power System Technology, 2011, 35(4): 1-6.

[2] 李勇, 王麗芳, 廖承林. 電動車鋰離子電池健康狀態(tài)模型研究進展[J]. 電源技術, 2013, 137(5): 863-866.

LI Yong, WANG Lifang, LIAO Chenglin. Advances of state of health modeling of lithium-ion battery for electric vehicles[J]. Chinese Journal of Power Sources, 2013, 137(5): 863-866.

[3] 劉大同, 周建寶, 郭力萌, 等. 鋰離子電池健康評估和壽命預測綜述[J]. 儀器儀表學報, 2015, 36(1): 1-16.

LIU Datong, ZHOU Jianbao, GUO Limeng, et al. Survey on lithium-ion battery health assessment and cycle life estimation[J]. Chinese Journal of Scientific Instrument, 2015, 36 (1): 1-16.

[4] GANG N. Cycle life performance of rechargeable li-ion batteries and mathematical modeling[D]. USA: University of South Carolina, 2004.

[5] RAMADASSP, HARANB, WHITE R, et al. Mathematical modeling of the capacity fade of Li-ion cells[J]. Journal of Power Sources, 2003, 123(2): 230-240.

[6] 商云龍, 張奇, 崔納新, 等. 基于AIC準則的鋰離子電池變階RC等效電路模型研究[J]. 電工技術學報, 2015, 30(17): 55-62.

SHANG Yunlong, ZHANG Qi, CUI Naxin, et al. Research on variable-order RC equivalent circuit model for lithium-ion battery based on the AIC criterion[J]. Transactions of China Electrotechnical Society, 2015, 30(17): 55-62.

[7] 高明煜, 何志偉, 徐杰. 基于采樣點卡爾曼濾波的動力電池SOC估計[J]. 電工技術學報, 2011, 26(11): 161-167.

GAO Mingyu, HE Zhiwei, XU Jie.Sigma point Kalman filter based SOC estimation for power supply battery[J]. Transactions of China Electrotechnical Society, 2011, 26(11): 161-167.

[8] 姚致清, 于飛, 趙倩, 等. 基于模塊化多電平換流器的大型光伏并網(wǎng)系統(tǒng)仿真研究[J]. 中國電機工程學報, 2013, 33(36): 27-33.

YAO Zhiqing, YU Fei, ZHAO Qian, et al. Simulation research on large-scale PV grid-connected systems based on MMC[J]. Proceedings of the CSEE, 2013, 33(36): 27-33.

[9] 李加升, 吳免利, 劉玉芳, 等. 基于充放電曲線的鋰電池智能分選系統(tǒng)研究[J]. 電源技術, 2011, 35(8): 912-914.

LI Jiasheng, WU Mianli, LIU Yufang, et al. Research of li-ion battery intelligent classifying system based on charge and discharge curve[J]. Chinese Journal of Power Sources, 2011, 35(8): 912-914.

[10] 連湛偉, 石欣, 克瀟, 等. 電動汽車充換電站動力電池全壽命周期在線檢測管理系統(tǒng)[J]. 電力系統(tǒng)保護與控制, 2014, 42(12): 137-142.

LIAN Zhanwei, SHI Xin, KE Xiao, et al. The whole life cycle on-line detection and management system of power battery in the electric vehicle charging and exchanging station[J]. Power System Protection and Control, 2014, 42(12): 137-142.

[11] 多智華, 李革臣. 具有波形識別能力的電池分類器的算法研究[J]. 電源技術, 1998, 22(4): 74-78.

DUO Zhihua, LI Gechen. Study on the method of battery classification with waveform recognition ability[J]. Chinese Journal of Power Sources, 1998, 22(4): 74-78.

[12] 羅滇生, 何洪英. 基于形態(tài)相似準則的曲線擬合算法及其在超短期負荷預測中的應用[J]. 電網(wǎng)技術, 2007, 31(21): 81-84.

LUO Diansheng, HE Hongying. A shape similarity criterion based curve fitting algorithm and its application in ultra- short-term load forecasting[J]. Power System Technology, 2007, 31(21): 81-84.

[13] 鐘浩, 舒文倩, 唐民富. 基于局部曲線擬合的電壓失穩(wěn)預防控制算法[J]. 電力系統(tǒng)保護與控制, 2013, 41(12): 36-40.

ZHONG Hao, SHU Wenqian, TANG Minfu. Preventive control method to avoid voltage instability based on local curve fitting[J]. Power System Protection and Control, 2013, 41(12): 36-40.

[14] QC/T 743-2006 電動汽車用鋰離子蓄電池[S]. 北京: 中華人民共和國工業(yè)和信息化部, 2006.

QC/T 743-2006 lithium-ion batteries for electric vehicle[S]. Beijing: Ministry of Industry and Information Technology of the People’s Republic of China, 2006.

[15] 郭煜華, 范春菊. 含大規(guī)模電動汽車的配電網(wǎng)保護技術研究[J]. 電力系統(tǒng)保護與控制, 2015, 43(8): 14-20.

GUO Yuhua, FAN Chunju. Research on relaying technologies of distribution network including mass electric vehicles[J]. Power System Protection and Control, 2015, 43(8): 14-20.

[16] 唐進君, 曹凱. 一種自適應軌跡曲線地圖匹配算法[J]. 測繪學報, 2008, 37(8): 308-314.

TANG Jinjun, CAO Kai. An adaptive trajectory curves map-matching algorithm[J]. Acta Geodaetica et Cartographica Sonica, 2008, 37(8): 308-314.

[17] 周生奇, 周雒維, 孫鵬菊. 基于曲線離散Fréchet距離的風電并網(wǎng)變流器中IGBT模塊缺陷診斷方法[J]. 電力自動化設備, 2013, 33(2): 8-13.

ZHOU Shengqi, ZHOU Luowei, SUN Pengju. Defect diagnosis based on discrete Fréchet distance of curves for IGBT module used in grid-connected converter of wind power[J]. Electric Power Automation Equipment, 2013, 33(2): 8-13.

[18] 陳超, 黃國勇, 范玉剛, 等. 基于離散Fréchet距離和LS-SVM的短期負荷預測[J]. 電力系統(tǒng)保護與控制, 2014, 42(5): 142-147.

CHEN Chao, HUANG Guoyong, FAN Yugang, et al. Short-term load forecasting based on discrete Fréchet distance and LS-SVM[J]. Power System Protection and Control, 2014, 42(5): 142-147.

(編輯 姜新麗)

EV battery SOH diagnosis method based on discrete Fréchet distance

JIAO Dongsheng, WANG Haiyun, ZHU Jie, CHI Zhongjun, ZENG Shuang

(State Grid Beijing Electric Power Company, Beijing 100075, China)

For EV battery safety and power performance during running, this paper combines discrete Fréchet distance method and identification of battery charge-discharge curve to propose a diagnostic method of battery SOH based on online test platform. System can control directly EV battery to complete the full charge-discharge test online by CAN communication module, and get the actual operational status data. EV service full cycle information databases are established to forecast the diagnosis of health degree, which can guide power battery safety assessment and balanced maintenance. By analyzing the cases of test calculation, the correctness and accuracy of the method is verified after comparing diagnosis result and test data of switching off.

electric vehicle; EV battery; state of health; discrete Fréchet distance; curve similarity

10.7667/PSPC151245

2015-07-19

焦東升(1985- )，男，通信作者，碩士研究生，工程師，研究方向為電動汽車與儲能技術，動力電池檢測技術；E-mail: jdsh_01@163.com.

王海云(1988- )，女，碩士研究生，工程師，研究方向為大電網(wǎng)調(diào)度優(yōu)化。E-mail:13520396759@139.com

“十二五”國家科技支撐計劃重大項目(2013BAG1 0B00)