基于快速电化学阻抗谱的锂离子电池组多性向故障诊断：异常老化、析锂与内部短路共存条件下的研究

2026-05-27 21:27:09

电池故障类型与程度的早期识别，实现对电池故障的精准预警与阻断，是有效避免热失控、保障储能电池系统安全运行的关键。当前研究多集中于异常检测或单一故障诊断，而实际运行中多种故障常并存出现。由于多故障在外部特征上的耦合效应，准确区分故障类型并量化故障程度极具挑战性。为解决当前问题，本文提出一种基于快速电化学阻抗谱（FEIS）的锂离子电池组多故障诊断方法。该方法能快速诊断并区分三种常见热失控风险故障，即异常老化（AA）、锂析出（LP）和内部短路（ISC），并支持对AA与ISC的故障程度量化。首先，开发了60秒内完成的FEIS采集方案，并确定了最优测量参数。随后，建立了一种适用于AA、LP和ISC电池的新型等效电路模型来拟合FEIS。通过对不同故障下模型参数演变的解耦分析，提取故障特征。进而提出结合聚类算法与故障特征演变特性的诊断方法，以及AA和ISC程度的量化方法。LFP与NCM电池组实验验证了所提方法在短时间内实现多故障精准诊断的能力具备高度鲁棒性，AA与ISC的定量误差分别控制在5%和6.4%以内。

引言

随着锂离子电池在电动汽车与储能电站中的广泛应用，电池系统安全问题日益凸显[1]。早期识别电池故障类型与程度，实现对电池故障的精准预警与阻断，是有效避免热失控、保障电池系统安全运行的关键。AA、ISC与LP是存在热失控风险的常见故障。异常电池老化可导致内部材料变化，从而增加ISC风险[2]。在锂聚合物电池中，锂金属会沉积在负极表面，从而形成锂枝晶并引发ISC[3]。ISC被广泛认为是触发热失控的关键因素[4][5]。研究表明，高达56%至90%的电池热失控事故可归因于ISC[6]。因此，本文的研究重点在于对电池组中这三种故障进行早期精确诊断，以防止热失控的发生。
现有电池故障诊断方法主要集中于异常检测或单一故障类型识别。针对异常检测，已有研究提出了基于信息熵、局部离群因子及相关系数的方法[7]。然而，这些方法通常仅能标记异常电池单元，无法识别具体故障类型。在单一故障诊断方面，现有方法主要包括阈值判定法、模型构建法以及数据驱动法三类。对于AA（异常衰减），增量容量和差分电压特征能够表征与老化相关的变化[8][9][10][11][12]。通过设置适当的特征阈值，这些方法可应用于AA检测。然而，这些方法存在高电流条件下峰值特征消失的问题，从而降低诊断准确性。对于LP（锂析出），通常采用电压弛豫[13]或库仑效率分析进行检测，但需要长静置时间或完整充放电循环，限制了其实时应用性。对于ISC（内部短路），主要采用基于模型的估计[14][15][16][17]、残差滤波[18][19][20]以及长序列电压预测算法[21]进行故障诊断，但这些方法常受限于建模复杂性或需长期数据采集的要求，其适用性会降低。
阻抗估计方法主要基于电池模型，如等效电路模型（ECM）。递归最小二乘法和卡尔曼滤波器已被用于辨识模型参数以实现阻抗估计[22][23]。然而，这些方法的精度同时受限于模型结构和参数辨识算法：简单的线性模型存在固有局限，而过度复杂的非线性模型则难以参数化[24]。为可靠获取阻抗，直接阻抗测量技术已得到广泛研究。常规方法是对电池施加交流正弦信号并测量其阻抗。然而，在宽频率范围内测量阻抗需要耗费大量时间。电化学阻抗谱（EIS）的长时间测量不仅会延长诊断时间，还会引发频率不稳定性和非线性问题[25]。为解决这一问题，研究者提出了多种多频激励方法来缩短测量时间，例如叠加多正弦信号和随机噪声激励。虽然多正弦和随机噪声激励可以缩短测量时间，但由于频率点较少且信号生成复杂，其在电动汽车和储能系统中的实际应用受到限制，难以在真实工况下实现。相比之下，方波方法提供了更简单且更具成本效益的解决方案，仅需基础充放电equipment[26]。
上述方法通常基于电信号，仅适用于诊断电池是否异常或存在单一故障，且需要较长的测量时间。这使其难以满足短时间内快速检测多重故障的需求。然而在实际应用场景中，多种故障往往同时存在于电池组内。由于不同故障类型电池的外特性信号存在相互耦合，如何准确诊断并区分不同故障类型仍面临重大挑战。尽管已有研究尝试同时检测有限数量的故障类型[27][28][29]，但鲜有方法能实现涵盖AA、LP和ISC的典型故障识别。此外，由于这三类故障在短期电压外特性上表现出更高的隐蔽性与相似性，实现这些故障的快速诊断进一步增加了该挑战的难度。
近年来，电化学阻抗谱（EIS）已成为一种强大的诊断工具，可从频域视角捕捉电池内部状态[30][31][32][33][34][35]。已有研究表明，内部短路（ISC）与低频区实部和虚部阻抗分量的偏移相关[32][33]，而阳极副反应（AA）则因电荷传递阻抗和固体电解质界面膜阻抗增加导致整个阻抗曲线右移[36][37]。锂析出（LP）表现为中频区半圆收缩及电荷传递阻抗降低[38]。然而，这些研究均基于稳态条件，即电池组内各单体电池处于相同荷电状态（SOC）且静置空闲，这限制了其在实际场景中的适用性。
针对上述问题，本文研究AA、ISC与LP共存的电池组多故障场景。通过采用30s正负脉冲激励快速精确获取电池EIS数据，提出基于FEIS的电池组多故障诊断方法。主要工作包括：

• (1)
  经过30秒静置后施加30秒正负脉冲激励，在60秒准动态条件下完成FEIS采集。这为电池运行过程中的FEIS采集与在线检测提供了实用解决方案。
• (2)
  分析了荷电状态(SOC)、激励幅值和预激励静置时间对FEIS的影响，基于影响因素分析确定了最优测量参数。
• (3)
  本研究建立了一种适用于AA、LP及ISC电池的新型等效电路模型（ECM），以实现对电化学阻抗谱（FEIS）的精准拟合。通过解耦分析不同故障下模型参数的演化规律，提取了基于模型参数的故障特征。
• (4)
  提出一种融合聚类算法与故障特征演化特性的电池多性向故障诊断方法，该方法能够实现AA、ISC及LP故障的诊断与区分。
• (5)
  提出一种基于高度关联故障特征的AA与ISC严重程度量化方法，量化结果可支持电池安全风险分级评估。