基于多参数协同的混合动力霍克蓄电池组主动一致性检测方法

电池的稳定性是影响电动汽车性能、寿命和安全性的关键因素。稳定性差常导致容量下降、加速老化，甚至增加热失控的风险。然而，现有的一致性检测方法通常依赖于连接拓扑的先验知识，或需要拆解电池组进行单个电池测试，这影响了其在实际应用中的便利性和成本效益。为解决这些问题，本文提出了一种基于电压上升（VR）、电压下降（VF）和电流比（Irat）特性的新型主动检测技术。这种方法不仅无需拆解即可识别电池连接配置，还能准确检测混合动力连接电池组中的一致性问题。在不同的混合配置、鉴定条件和区域环境条件下进行了大量实验验证，结果表明该方法表现出良好的鲁棒性和适应性。在实际应用中，时间最优检测方法的检测偏差为0.276，而精度最优方法为0.203。然而，探测的最大时间差可达87.4分钟。总之，本文为复杂连接结构下的电池一致性检测提供了高效且非拆解的解决方案，提高了现有检测方法的适用性和准确性。

简介

为应对气候变化和环境污染这一日益严峻的全球挑战，全球各国政府已实施了日益严格的排放标准和环境法规。这些措施显著加快了纯电动车（EV）的普及[1]。目前，纯电动汽车主要依赖电池作为唯一的能源来源。为了满足高功率输出和延长续航需求，单个电池单元必须串联和并联组装，形成高电压、大容量电池系统[2]。然而，电池稳定性已成为影响这些动力电池系统整体性能和可靠性的关键因素[3]。即使在高度标准化的制造工艺下，同一生产批次内的电池间不一致也是不可避免的 [[4]， [5]， [6]]。稳定性差会导致电池组整体容量减少、使用寿命显著缩短，以及热失控和能源效率低下的风险增加[[7]， [8]， [9]]。为了评估包级一致性，研究人员通常会评估所有单个细胞或选择代表性细胞的子集。前者保证了准确性但劳动强度较大;后者提高了效率，但因可能出现误导而降低可靠性[10]。因此，快速且准确地选择代表性电池单元的能力已成为有效电池组一致性分析的关键。因此，开发一种稳健且实用的一致性检测方法论是一项紧迫且重要的任务。
一般来说，电池间的一致性差异主要源于分子层面结构或材料形态的不均匀性。因此，从准确性和基本代表性的角度来看，微观参数是评估电池一致性最直接、最精确的指标。然而，微观参数的获取通常依赖高精度仪器，涉及复杂程序，成本高昂，因此由于成本效益和效率的限制，显微参数在工程应用中不切实际[11,12]。相比之下，宏观特征参数因其易于接近且适合实际应用，被广泛应用于一致性分析。这些宏观方法还可以进一步分为单参数方法和多参数方法。单参数方法通过单一特征参数评估电池一致性。目前，常用参数包括开路电压（OCV）[13]、容量[14,15]、内阻[16,17]和电荷状态（SOC）[18,19]。而多参数方法则基于多个性能指标对电池一致性进行全面评估。这通常通过构建等效模型[20]、评估函数[21,22]或采用熵权重方法[23,24]来整合各种参数到统一的评估框架中，从而实现对电池不一致性的更全面评估。
然而，不同特性参数对电池不一致性的敏感度各不相同。单参数方法仅依赖一个参数作为一致性评估准则，提供的信息有限，只能反映电池组在该特定维度上的一致性。此外，这种方法通常依赖于特定测试条件下获得的静态参数，而不考虑实际运行中动态性能的变化。因此，它缺乏实时适用性，可能无法准确反映电池在实际操作条件下的稳定性。相比之下，多参数方法通过将多个与一致性相关的参数纳入综合评估框架，扩大了评估范围。这使得细胞间差异的更全面表现，从而提高了一致性评估的准确性和可靠性。
随着电池一致性综合评估方法的持续发展，研究人员也开始关注不同连接配置下电池组的一致性问题。当前研究主要针对具有已知结构的电池组，如串联或并联连接，并提出了相应的一致性检测方法。这些方法还可以进一步分为串联电池组的一致性检测方法和并联电池组的检测方法，每种方法都旨在根据电池系统的具体拓扑结构分析和评估电池间差异。
对于串联电池组，所有单个电池单元的电流保持相同，使电压响应更直接地反映电池间一致性差异。因此，现有研究主要集中在电压特性和建模方法上，以开发各种一致性评估策略。正如他[25]所提到，分析了电压特征点，并利用均值和标准差构造了离散区间，以良好的一致性过滤出单元格。基于此，Hong [26] 提出了一种基于长短期记忆（LSTM）网络的多步电压预测方法，通过异常电压波动检测潜在故障细胞，从而实现一致性诊断。Chang[27]进一步将分析扩展到全电压曲线，应用了恒流电压曲线（CCVC）变换，并采用粒子群优化算法将每个单元的电压曲线与参考曲线匹配，从而实现一致性演化过程的评估和识别。Wang[28]基于CCVC纳入了包括OCV和欧姆电阻在内的额外参数，并采用基于密度的空间聚类应用，利用噪声（DBSCAN）算法增强马哈拉诺比斯距离，评估串联电池组中的多参数不一致。
与串联电池组不同，并联电池组在电池间保持稳定电压，但性能差异导致各支路电流分布不均。因此，电流不平衡已成为评估并联电池系统一致性的关键指标。基于这一特性，现有研究主要聚焦于基于当前分布特征的一致性评估方法。正如崔[29]所说，他利用LSTM和循环神经网络（RNN）神经网络模型，基于终端电压、总电流和放电容量等输入特征，估算了各分支的电流分布，从而评估了电池单元之间的一致性。相比之下，Lambert [30] 构建了一个并联电池组的等效电路模型，并基于电流分布特性应用支持矢量机算法识别不一致电池单元，从而提升系统的安全性和可靠性。
如上所述，尽管多参数方法在电池一致性评估上提供了更强的描述能力，但其对大量参数的依赖显著增加了检测成本和时间消耗。因此，当前研究的一个关键挑战是如何在保持准确性的情况下最小化特征参数数量，增强选定参数的信息含量，并通过科学组合和有效利用构建高效的一致性评估模型。关于不同连接配置间的一致性评估，尽管已知串联或并联结构的电池组取得了显著进展，现有方法仍存在显著局限性。大多数当前方法属于被动方式，依赖于对电池组连接拓扑的先验了解，或需要拆解电池系统才能访问单个电池单元。这些限制不仅增加了操作复杂性，也限制了方法的实际适用性。因此，迫切需要一种不依赖先前结构信息或无需物理拆解的通用主动一致性检测策略——尤其是在连接配置未知的实际应用中。
为解决现有方法在参数选择和结构适应性方面的局限性，本研究提出了一种适用于混合串并联配置电池组的新型一致性评估方法。该方法强调特征参数的代表性和信息密度，使得利用有限的关键参数构建高效一致性评估模型成为可能，从而显著降低检测成本和时间。基于此，进一步开发了一种广义主动一致性检测策略，无需先验连接拓扑知识，也无需对电池系统进行物理拆解。该方法从三个角度——混合配置、不同的识别条件和不同区域环境条件——得到了全面验证，展示了其广泛的适用性、有效性和实用价值。