基于离群值检测的铅酸电池故障诊断方法.pdf

第6 0 卷第7 期2023年7 月15日电测与仪 表Electrical Measurement&InstrumentationVol.60 No.7Jul.15,2023基于离群值检测的铅酸电池故障诊断方法冯雪松 ，舒勇,张军3，向勇1（1.电子科技大学材料与能源学院，成都6 117 31；2.中国铁塔股份有限公司四川省分公司，成都6 10 0 94；3.中国石油天然气股份有限公司西南油气田分公司，成都6 10 0 51）摘要：单体电池故障是导致铅酸电池组在运行过程中突发失效的主要原因，传统的识别方法需要依靠高精度的测试设备和复杂的电池机理模型，部署成本高、使用范围有限。考虑到故障电池和正常电池之间的等效电阻、等效电容等内部参数的差异，会由于浮充电流在时间尺度上通过电压凸显出来，文中设计了一种基于离群值检测的故障诊断方法，该方法采用时间序列聚类分析技术，对各个单体电池运行过程中产生的电压时间序列进行相似性分析，通过判断相异度较高离群值对故障电池进行定位。为了减小长跨度的时间序列造成的计算爆炸风险，采用分段聚合近似表示方法对时间序列进行降维处理，加快了计算速度。该方法可直接应用于微控制器，有较强的实用性。关键词：电池故障；时间序列聚类；分段聚合近似D0I:10.19753/j.issn1001-1390.2023.07.006中图分类号：TM912A fault diagnostics method for lead-acid battery pack based on outlier detection(1.School of Materials and Energy,University of Electronic Science and Technology of China,Chengdu 611731,China.3.Southwest Oil&Gas Field Company,China National Petroleum Corporation,Chengdu 610051,China)Abstract:The battery cell failure is the main reason to make lead-acid battery pack lose efficacy suddenly during theprocess,the traditional identification methods should depend on high-precision detection equipment and complicated bat-tery mechanism model,which needs much production costs and limited usage.Considering the differences of internal pa-rameters of equivalent resistance and equivalent capacitance between failure battery cell and normal one;due to float char-ging flow will show on the time scale by the voltage,a fault diagnostics method based on outlier detection is designed inthis paper,it takes time series clustering analysis technology to make similar analysis of voltage time series that is pro-duced by each battery cell,and positions the failure battery with judging the larger differences of outlier.In order to re-duce the calculating explosion risk that produced by long span time series,it will take approximate representation of piece-wise aggregate approximation to make dimension reduction operation for time series,and the speed of accelerating is alsoimproved.This method has strong practicability that could apply for micro-controller directly.Keywords:battery fault,time series clustering,piecewise aggregate approximation0引言电池是一种高能量存储装置，为了确保电池系统安全运行，电池系统的设计体系需要从材料体系研发、电池结构设计、系统结构设计、热管理系统设计以及电池管理系统设计等多个方面进行严格把控，但电池大规模投入使用以后，会面临各种复杂的工况环境，从机械振动、电磁环境到气候地理环境，都会影响电池的寿基金项目：四川省科技支撑计划项目（2 0 1JY0554）文献标识码：AFeng Xuesong,Shu Yong,Zhang Jun,Xiang Yong2.Sichuan Branch of China Tower Corporation Limited,Chengdu 610094,China.续保障电池系统安全、稳定的运行。文章编号：10 0 1-139 0(2 0 2 3)0 7-0 0 39-0 8命 ,随着使用时间的增长,依然会引发安全问题。另一方面,电池系统本身就也是一个高度复杂的集成系统，涉及各种机械连接和电气连接，现目前还没有合适的自动化软件系统能实现电池系统设计的仿真，只是从热管理、电池管理、机械结构各自完成了仿真测试，因此许多潜在的故障无法从设计阶段暴露出来，基于以上两个方面，电池系统在经过层层严格设计后的电池在投入使用后,还需要持续进行故障监测和诊断，持一39 一第6 0 卷第7 期2023年7 月15日目前诊断电池故障的方式主要有基于电池模型的诊断方式、基于统计学的诊断方式和基于机器学习的诊断方式。故障诊断的研究方式主要有基于统计学的诊断方式：文献2 采用Z值分析检测电压异常和电阻异常;文献3 采用类别间相关系数检测电池故障;文献4 采用熵理论检测电池故障;文献5 采用香农熵和Z值检测电池故障。基于模型的方式：文献6 采用时间序列建模诊断热故障;文献7 采用第一性原理模型诊断热故障；文献8 采用高保真单元模型和递推最小二乘法估计绝缘故障;文献9 采用电化学模型诊断电池内部短路故障;文献10 采用Petri网诊断电池故障；文献11 采用自适应非线性模型估计电池故障。基于机器学习的诊断方式：文献12 采用离群值检测电池故障；文献13 采用随机森林模型诊断电池外部短路;文献14 用无迹变换强跟踪滤波器诊断电池故障;文献15 采用基于神经网络的不精确证据理论诊断电池故障;文献16 采用径向基函数神经网络模型来诊断电池故障；文献17 采用贝叶斯网络诊断电池故障;文献18 采用模糊神经网络专家系统判断动力锂电池系统故障。总的来看，基于电池模型的诊断方式涉及复杂的建模过程，不论是对现场数据采集的精度还是待处理的数据的质量都有较高的要求，实用性较弱；基于统计学的诊断方式速度快，效率高，对于安全性较高的电池材料体系适用；基于机器学习的诊断方式是一种新型的诊断方式,在时间维度上,将复杂、高维的电池运行数据序列，在空间维度上，能处理海量的同类数据。本文根据铅酸电池工作特点，提出一种基于离群值识别的单体电池故障检测方法，1铅酸电池故障引发机制铅酸电池由于其机理和设计结构的原因，在运行过程中会出现以下几种现象：(1)腐蚀。铅酸电池内部的腐蚀包括正极板腐蚀和汇流条腐蚀。铅酸电池正极是由铅合金构成，在长期使用中,电解液（稀硫酸)会不断腐蚀形成二氧化铅，二氧化铅附着在正极板上会阻挡反应的进行，进而导致电池内阻增大、容量降低。汇流条腐蚀是由于铅酸电池过充后会产生氢气和氧气，氢气和氧气再结合产生水的过程中，会连同电解液中的硫酸盐杂质一起附着在汇流条上，如果汇流条本身也含有杂质，那么腐蚀的速度会加快。(2)失水。铅酸电池内部的失水过程主要有三类：一是由于正极板腐蚀过程中会消耗电解液中的水分；二是过充产生的氢气和氧气会通过泄气阀泄露到电池外部或者再结合附着在汇流条处；三是透过电池外壳的自然蒸发。(3)形变。铅酸电池内部的形变主要为极板形变一40 一电测与仪表Electrical Measurement&Instrumentation和隔板形变,极板形变是由于腐蚀产生的,腐蚀会导致极板被拉伸；隔板形变是由于老化引起。形变后的极板和隔板会导致贴合不紧密,离子穿透区间变窄,进而同样导致内阻变大、容量降低以上三种情况都会引起铅酸电池故障。在铅酸电池组中,故障电池通常的表现是在放电中后期电压突然跌落，特别差的电池在放电初期就会出现跌落现象。预测此类故障的主要方法有通过有规律的对电池组进行放电或者有规律的测量电池内阻，记录变化曲线以观测到电池内部的变化。但是由于铅酸电池一般是以后备电池的形式存在,放电频次非常低,因此很难通过放电过程进行观察，同时内阻测试成本较高，应用范围有限。但是由于铅酸电池长期处于浮充状态19,浮充电流会将电池的内部情况表现出来，因此通过分析电池组内各个电池的在相同浮充电流下的不同反应可以将故障电池进行准确定位。文中基于这种过程提出一种基于时间序列聚类技术的铅酸电池故障诊断方法，该方法首先通过分段线性表示对电池组内各个单体电池的电压时间序列进行降维，然后采用围绕中心点的划分（PartitioningAround Medoid，PA M）聚类算法对时间序列进行聚类分析并得到聚类质量评估，最后用最大似然估计找到离群值。2日时间序列的分段聚合近似表示电池电压运行曲线是一种典型的时间序列数据类型,在电池的长期运行过程中,时间序列的数据规模也在不断增长，由于电池的寿命长达数年,因此如果不对时间序列数据进行降维,则随着时间增长，会出现维度爆炸的情况,采用数据降维或者数据压缩技术,不仅能提高电池的特征表达能力,还能够显著降低数据传输、存储成本2 0 。分段聚合近似表示（Piecewise AggregateApproximationRepresentation，PA A）是一种高效的时间序列降维算法。其基本思想是把时间序列进行标准化处理，然后按相等的单位长度进行分段，每个单位长度采用均值来替代，作为该单位长度的特征值。算法的计算过程如下。(1)提取一段电池电压时间序列,表示为：X=x1,x2,xn(2)采用高斯分布标准化公式对该序列进行标准化处理：x=xix(1 in)x其中x和x分别为序列数据X的期望和方差。（3）然后将标准化后的序列分成w段,每段采用段内数据平均值x表示，公式如下所示：Vol.60 No.7Jul.15,2023(1)(2)第6 0 卷第7 期2023年7 月15日WX;=nk=(i+1)+1W完成分段后的时间序列变成=（1,x2，,x，)图(1)展示了一段电压时间序列完成分段聚合近似后的结果，该示意电压时间序列由10 0 个数据点构成，每个数据的有效数字为5位，数据深度为2 字节。假设PAA变换将数据分为2 0 段，每段由一个数据点表示，每个数据点有效数字降为3位，数据深度为1字节,可以看到数据被压缩至原数据大小的10%。更小的数据大小意味着更小的传输带宽需求和更小的计算复杂度，这样既能减少通信传输成本，而且许多需要在更强大的计算机上实现的算法就可以在底层的电池管理系统中完成。53.975一Voltage53.95-PAA53.92553.953.87553.8553.82553.81020采样时间点图1电压时间序列及其PAA转换示意图Fig.1 Schematic diagram of voltage time seriesand its PAA conversion完成分段聚合近似以后，还需要对时间序列进行相似性度量，以便于进行聚类分析。相似性度量通常采用欧式距离进行计算。给定两个长度都为w的时间序列X和Y,其经过分段聚合近似后的序列为X和Y，其距离为(4)dist(X,Y)W其中x和;分别对应两个序列相同时间段的平均值。3基于聚类的离群值检测文章采用基于聚类的离群值检测算法，聚类分析能够发现强相关的对象组，而离群值检测用于发现不与其他对象强相关的对象,因此可以采用聚类算法进行离群值检测,其核心思想是首先聚类所有对象，然后评估属于簇的程度。电池组是由数个单体电池构成的,这些单体刚出厂时几乎是完全相同的，但是随着电池组开始衰减,单体电池性能逐渐出现不同程度老化，聚类算法就是能够将这些老化程度不同的单体电池区分开,并将老化程度特别严重或者出现严重质量问题的电池筛选出来。电测与仪 表Electrical Measurement&Instrumentation3.1PAM聚类算法(3)PAM算法是一种常用的聚类分析算法,对于一个电池组,首先任意选取一个单体电池作为初始代表对象,然后用一个另外一个单体电池作为非代表对象替换这个代表对象，并判断质量是否提高，继续尝试所有的替换，直到质量不可能被任何替换提高。质量用代价函数SP来衡量,代价函数定义为对象与其簇中代表对象的距离之和E的相异度，公式如下所示。SP=E(repledaler)-E(O repledblore)kxeC(o;)E=Z Z dis(x,0.)其中dist(x,o;)为样本电池组中某单体电池对象x到代表对象的距离,C(o;)为代表对象o,所在的簇。具体来讲,给定电池电压时间序列样本空间D=1Si,S2，,S,设聚类所得簇划分C=Ci,C2,C,l,即有 k10.5(A)VVd0V-0.5-1-1.54060Z(x;-y.)2Vol.60 No.7Jul.15,2023(5)(6)是每个簇的代表对象的集合。为了确定一个非代表对象Orandom是否能替换Oj,设Oreplacedafer=（0 1，,0 j-1,Orandom，j+,o n l,计算每个对象 S,(1in)到Orplaedale中每个代表对象的距离，并依据最近距离进80100行重新分配,比如S,原来到,oj-1的距离最近,但是,0,替换Orandom后，S,到orandom的距离更近，那么S,将被分配到Orandom所在的簇。每当重新分配发生时,计算代价函数的变化,如果代价函数为负数，意味着距离之和将会减小，0 mndom替换o,可以被接受，如果代价函数为正数,则0,不能被替代。可以看到每次替换的计算复杂度为0(k(n-k)。然后是搭建算法流程,PAM算法的伪代码如下：输入：簇的数目k和样本电池组中各个单体电池的电压时间序列数据；输出：k个簇,使得所有对象与其距离最近中心点的相异度总和最小。（1）从样本电池组D中随机选择k个单体电池作为初始的代表对象0;；(2)重复(3)(6);(3)将每个剩余的单体电池分配到最近的代表对象所代表的簇；(4)随机地选择一个单体电池作为非代表对象0 random;(5)计算0 random代替代表对象o的总代价SP；(6)如果 SP0,则orandom替换0;,形成新的k个代表对象的集合；(7）直到SP不再进一步减小。图2 用图形展示了算法的计算流程。一41一第6 0 卷第7 期2023年7 月15日随机选择初始k-2初始中心将剩下的代表对象指派给最近的中心代表图2 PAM算法执行流程Fig.2PAM algorithm execution flow3.2聚类质量完成聚类后，一般通过两个维度描述聚类质量，一是紧凑程度，二是分离情况，这和电池组故障是有关系的。当电池组状态良好时，单体之间没有形成明显的好坏分区，即紧凑程度低,单体电池之间总的差异也不明显，也就是分离程度不高；当电池组出现故障单体时,单体之间形成了明显的好坏分区，即紧凑程度高，单体电池之间总的差异也变得明显，即分离程度高。Davies Bouldin 指数(Davies Bouldin Index，D BI)是衡量这种分离程度和紧凑程度的有效指标，假设电池电压时间序列样本空间D=1Si,S2，,S,1聚类形成的簇划分为C=C,C2，,C,l，a v g（Ci)为簇内所有对象之间的平均距离,dcen（C,C,）为两个簇之间中心点的距离。两个参数的计算公式如下：ang(C.)=/C,I(I c,-1I)den(C;,C,)=dist(oi,o,)可以看到 avg(Ci)反应的是簇的紧凑程度,该值越小,簇越紧凑。den（C,C,)反应的是两个簇之间的分离程度，该值越大，簇越分离。根据这两个定义，可以2.42.221.81.61.41.212019-07-01 2019-07-02 2019-07-03 2019-07-04 2019-07-05 2019-07-06 2019-07-07图3通信基站电池组2 4个单体电池电压-时间曲线Fig.3Voltage-time curve of 24 battery cells in communication base-station battery pack42一一电测与仪表Electrical Measurement&Instrumentation导出衡量聚类质量的DBI,如式(9)所示：1DBIk台ji不断循环，直到损失不再变小可以看到DBI指标越小说明簇内的紧凑程度越随机选择叫个替代。代表?1i3时,被识别为离群点。经过以上分析，可以概括对电池组进行故障诊断的流程：(1)对电池组内每个单体电池的电压运行数据进行分段聚合近似,得到时间序列集合D=St,S2,S,；(2)对每一个单体电池电压时间序列S;，利用PAM算法计算集合DIS,I的聚类质量DBI,得到DBI数组DBIi,DBI2,DBIn;(3)利用极大似然估计,用(DBI;-)/3筛选得到故障电池。4实验分析与评估文中于通信基站的后备铅酸电池组进行分析，电池组采用1并2 4串的结构，单体电池额定电压为2 V，单体电池容量为50 0 Ah。通过中国铁塔集团全生命周期电池管理平台，获取某站址编码为510 10 0 90 8 0 0000XXXX的电池组运行数据，图3展示了电池组各个单体电池的电压运行曲线。可以看到,该基站电池组的放电频次较低，电池组大部分都处于浮充状态。鞋cel_vol_1cell_vol_2cell_vol_3cellvol_4cell_vol,5cell_vol_6celLvoL7cell_vol_8cell_vol_9cel_vol_10cell_vol_11cell_vol_12cell_vol_13cell_vol_14cel_vo_15celLvol_16cel_vol.17cell_vol_18cell_vol_19-cell_vol_20cell_vol_21cell_vol_22cell_vol_23cell_vol_24第6 0 卷第7 期2023年7 月15日将数据分段成两部分，一部分是浮充状态数据，即T。T 1,该段数据用来进行分析诊断,另一部分是放电阶段数据，即T，T,该段数据用来进行检验。可以看到,放电过程中，第11号单体电池在放电末期突然跌至1V以下,是明显的故障电池。通过对T。T,段的各个单体电池电压时间序列数据进行PAA转换，并采用PAM算法对PAA序列进行聚类分析，可以划分四个相似的簇，分别设为C,簇、Cz簇、C簇和C4簇。分别说明如下。对于C,簇,其划分的单体电池序号分别为第10、16、17 号，PAA示意图如图4所示。通过PAA示意图可以更加清晰的观察单体电池的相似程度。2.2822.272.262.252.242.232.222.212.2002004006008001000.1200采样时间点(a)2.28NO.16 cell2.272.262.252.242.232.222.212.2002004006008001000 1200采样时间点(b)2.28NO.17 cell2.272.26huusuruirs2.252.242.232.222.212.20020040060080010001200采样时间点(c)图4C,簇各个单体电池的PAA示意图Fig.4PAA schematic diagram of the cellsin C,cluster分别对每个电池进行排除后，重新计算聚类质量，得到每个电池对聚类质量的影响程度,结果如表1所示。对于C,簇,其划分的单体电池序号分别为第1、2、19、2 1、2 2 号，PAA示意图如图5所示。电测与仪 表Electrical Measurement&Instrumentation表1C,簇各个单体电池排除后的聚类质量Tab.1Cluster quality after the cell is excludedfrom C,cluster电池编号10DBI3.707同样分别对每个电池进行排除后，重新计算聚类质量结果如表2 所示。对于C,簇,其划分的单体电池序号分别为第7、9、13、18、2 0、2 4号，PAA示意图如图6 所示。NO.1 cell 2.282.272.26NO.10 cell2.252.242.231(A)VVd0-1-2-30(A)VVd12-3210-1-2-3Vol.60 No.7Jul.15,202316173.4293.5952110-12.22-22.21-32.20020040060080010001200采样时间点(a)NO.2 cell2.282.272.262.252.242.232.222.212.20020040060080010001200采样时间点(b)NO.19 cell2.282.272.262.252.242.23(A)VVd2.222.212.20020040060080010001200采样时间点(c)NO.21 cell2.282.272.262.252.242.232.222.212.200200 40060080010001200采样时间点(d)(A)VVdagPAAoitagA门-1VotaorPAA2(A)VVd0-1-22(A)VVd02()VVd0-143第6 0 卷第7 期2023年7 月15日2.282.272.262.252.242.232.222.212.200200400600800010001200采样时间点(e)图5C,簇各个单体电池的PAA示意图Fig.5PAA schematic diagram of the cells in Cz cluster表2 Cz簇各个单体电池排除后的聚类质量Tab.2Cluster quality after the cell is excluded from C,cluster电池编号1DBI3.8412.282.272.262.252.242.232.222.212.2002004006008001000 1200采样时间点(a)NO.9 cell2.282.272.262.252.242.232.222.212.2002004006008001000 1200采样时间点(b)NO.13 cell2.282.272.262.252.242.232.222.212.200200400600800 1000 1200采样时间点(c)NO.18 cell2.282.272.262.252.242.232.222.212.20020040060080010001200采样时间点(d)44电测与仪 表Electrical Measurement&InstrumentationNO.22.cellPAA2193.8413.327NO.7 cellVol.60 No.7Jul.15,2023NO.20 cell2.281.52.2712.260.52.2502.24-0.52.23-12.22-1.52.212.20020040060080010001200采样时间点(e)NO.24 cell2.282.272.262.252.242.2321223.3033.841210VVd-1-2-30（A）)VVd-1210)VVd-1-2-30)VVd-2-30(A)VVd-2-30-1)VVd2.222.212.200200400600800 1000 1200采样时间点(f)图6 C,簇各个单体电池的PAA示意图Fig.6PAA schematic diagram of the cells in C,cluster同样分别对每个电池进行排除后,重新计算聚类质量结果如表3所示。表3C,簇各个单体电池排除后的聚类质量Tab.3 Cluster quality after the cell isexcluded from C,cluster电池编号7DBI3.562对于C.簇,其划分的单体电池序号分别为第3、4、5、6、8、11、12、14、15、2 3号，PAA示意图如图7 所示。NO.3 cell2.282.272.262.252.242.232.222.212.200200400600800 1000 1200采样时间点(a)NO.4 cell2.282.272.262.252.242.232.222.212.2002004006008001000 1200采样时间点(b)-29133.7353.603183.564203.6683.5602(A)VVd0-1-220)VVd-124第6 0 卷第7 期2023年7 月15日2.282.272.262.252.242.232.222.212.200200400 6008001000 1200采样时间点(c)NO.6 cell2.282.272.262.252.242.232.222.212.200200400 60080010001200采样时间点(d)NO.8 cell2.282.272.262.252.242.232.222.212.200200 40060080010001200采样时间点(e)NO.11 cell2.282.272.262.252.242.232.222.212.20020040060080010001200采样时间点(f)NO.12 cell2.282.272.262.252.242.232.222.212.2002004006008001000 1200采样时间点(g)电测与仪 表Electrical Measurement&InstrumentationNO.5 cell2(）)VVd0-11(A)VVd0-11世0(A)VVd-1-2-3(A)VVd0-1-22(A)VVd0-1-2Vol.60 No.7Jul.15,2023NO.14 cell2.282.272.262.252.242.232.222.212.200200400 60080010001200采样时间点(h)NO.15 cell2.282.272.262.252.242.232.222.212.20020040060080010001200采样时间点(i)NO.23 cell2.282.272.262.252.242.232.222.212.200200400600 80010001200采样时间点(i)图7 C4簇各个单体电池的PAA示意图Fig.7 PAA schematic diagram of the cells in C4 cluster同样分别对每个电池进行删除后，重新计算聚类质量结果如表4所示。表4C,簇各个单体电池排除后的聚类质量Tab.4 Cluster quality after the cell isexcluded from C,cluster电池编号3DBI3.716电池编号11DBI3.015通过统计以上每个单体电池对聚类质量的影响，得到DBI数组,并展示在图8 中，该图显示第11号电池对提高聚类质量最明显，进一步采用极大似然估计计算DBI数组的均值和标准差分别为=3.605和=0.192。对于11号电池,计算IDBIuul/=3.0733,被判定为离群值,即45一210(A)VVd-1-2-342221（）0)VVd-1-2453.7543.56012143.7143.69463.640153.71483.735233.373第6 0 卷第7 期2023年7 月15日为故障电池,这与T,T,的验证结果是一致的,说明评估准确。3.83.603.43.230图8 各个单体电池排除后对聚类质量的影响程度Fig.8IInfluence of each single battery on the clusteringquality after each cell is excluded对于11号电池,进一步审视其在浮充阶段的电压曲线，可以看到,相对于其他的单体电池,其波动更加剧烈,在整个时间跨度,其电压波动范围达到了30mV,在局部的时间跨度上，其具有较为明显的上升迟滞和下降迟滞，说明该电池的等效阻抗和等效电容都明显高于其他电池，该电池的老化程度比其他电池更加严重,考虑是电池内部腐蚀程度和失水程度加剧引起的。5结束语文中使用通信基站后备电池组作为一个实际案例,采用数据挖掘理论中的离群值检测技术设计了电池故障诊断方法，该方法以电池电压历史运行时间序列作为评估因子，采用聚类质量作为表征参数，计算复杂度低,具有良好的抗噪能力。结果表明,该方法能够有效识别电池系统中的故障电池，可直接应用于电池管理系统平台的硬件当中，为电池系统发展高效的安全管理机制提供新途径。参考文献1邵亦博，吕玉祥，孙胜男，等锂离子电池荷电性能检测及健康状况分析J.电测与仪表，2 0 19，56（13）：113-116，152.2 MA M,WANG Y,DUAN Q,et al.Fault detection of the connection oflithium-ion power batteries in series for electric vehicles based on statis-tical analysisJ.Energy,2018,164:745-756.3 LI X,WANG Z.A novel fault diagnosis method for lithium-lon batterypacks of electric vehicles J.Measurement,2018,116:402-411.4 LIU P,SUN Z,WANG Z,et al.Entropy-based voltage fault diagnosisof battery systems for electric vehicles J.Energies,2018,11(1):136.5 WANG Z,HONG J,LIU P,et al.Voltage fault diagnosis and prognosisof battery systems based on entropy and Z-score for electric vehiclesJ.Applied Energy,2017,196:289-302.电测与仪表Electrical Measurement&Instrumentation6 GARCiA E,QUILES E,CORRECHER A,et al.Marine NMEA 2000Smart Sensors for Ship Batteries Supervision and Predictive Fault Diag-nosisJ.Sensors,2019,19(20):4480.7 SON J,DU Y.Model-based stochastic fault detection and diagnosis oflithium-ion batteriesJ.Processes,2019,7(1):38.8 WANG Y,TIAN J,CHEN Z,et al.Model based insulation fault diag-nosis for lithium-ion battery pack in electric vehicles J.Measurement,2019,131:443-451.9 FENG X,PAN Y,HE X,et al.Detecting the internal short circuit inlarge-format lithium-ion battery using model-based fault-diagnosis algo-rithmJ.Journal of Energy Storage,2018,18:26-39.510电池序号Vol.60 No.7Jul.15,202315202510高迪驹，兰熙，沈爱弟.基于Petri网的锂电池故障诊断系统J.系统仿真学报，2 0 18，30（2）：6 14-6 2 1.11SIDHU A,IZADIAN A,ANWAR S.Adaptive nonlinear model-basedfault diagnosis of Li-ion batteriesJ.Ieee Transactions on Industrial E-lectronics,2014,62(2):1002-1011.12CHEN Z,XU K,WEI J,et al.Voltage fault detection for lithium-ionbattery pack using local outlier factorJ.Measurement,2019,146:544-556.13 JYANG R,XIONG R,HE H,et al.A fractional-order model-based bat-tery extermal short circuit fault diagnosis approach for all-climate electricvehicles application J.Journal of Cleaner Production,2018,187:950-959.14葛云龙，陈自强，郑昌文.UTSTF锂离子电池时变参数估计与故障诊断J.浙江大学学报（工学版），2 0 18，52（6）：12 2 3-12 30.15夏飞，马茜，张浩，等改进D-S证据理论在电动汽车锂电池故障诊断中的应用J智能系统学报，2 0 17，12（4）：52 6-537.16古昂，张向文：基于RBF神经网络的动力电池故障诊断系统研究J.电源技术，2 0 16，40（10）：1943-1945.17陈岚，范永清，张谦，等基于贝叶斯网络的电池管理系统故障诊断方法J.电源技术，2 0 16，40（7）：1396-1398，1415.18王一卉，姜长泓模糊神经网络专家系统在动力锂电池组故障诊断中的应用J电测与仪表，2 0 15，52（14）：118-12 3.19郑会军，李小光，米长宝光伏发电系统中铅酸电池充放电的分析J电测与仪表，2 0 12，49（8)：2 2-2 6.20王瑞，张维戈，张言茹，等基于动力电池海量数据的特性化压缩处理研究J电测与仪表，2 0 2 0，57（1）：99-10 5.作者简介：冯雪松（198 8 一），男，博士研究生，从事大规模储能系统、电池管理、电池大数据研究。Email:zilch.fxs 舒勇（198 2 一），男，高级工程师，从事通信基站电源、电池管理研究。张军(197 8 一），男，高级工程师，从事数据中心