基于孤立森林算法的锂离子电池微内短路故障诊断方法

基于孤立森林算法的锂离子电池微内短路故障诊断方法

随着电动汽车和储能系统的广泛应用，锂离子电池的安全性问题日益凸显。本文提出了一种基于孤立森林算法的锂离子电池微内短路故障诊断方法，通过实验验证了该方法在多种工况下对微内短路故障的有效识别能力。

研究背景与意义

近年来，各种与锂离子电池热失控有关的储能系统与电动汽车起火爆炸事故层出不穷。据应急管理部统计，2022年第一季度涉及新能源汽车的火灾事件超过600起，平均每天超过6起，而2023年第一季度新能源汽车自燃率增长了32%，平均每天有8辆新能源汽车起火(包括自燃)，这些事故大部分涉及锂离子电池内短路(internal short circuit，ISC)或外短路故障。在近年来频发的锂离子电池储能系统火灾事故中，电池系统的短路故障被认为是可能导致热失控和火灾的最主要原因之一。因此，锂离子电池短路故障的检测诊断对提高电动汽车及电池储能系统的安全性具有重要意义。

孤立森林算法原理

孤立森林算法(isolation forest, iForest)由周志华教授等在2008年第八届IEEE国际数据挖掘会议上提出，被用于数据挖掘领域的连续数据异常检测与识别，是一种无监督的异常检测算法，不需要额外建立数学模型，不需要人工标记异常数据点进行训练，对计算机内存占用小，易于实施和应用，被广泛应用在各个领域的异常数据检测中。

1.1 孤立森林算法

孤立森林算法将异常数据定义为“容易被孤立的离群点”，即分布稀疏且距离高密度数据群体较远的点，其理论基础有两点：①异常数据占数据总量的比例很小；②异常数据与正常数据存在明显不同。孤立森林算法依据异常数据的特点，随机选取一个数据特征(数据维度)和特征值(位于最大值和最小值之间)对数据集进行递归切分，直到所有的数据点都被孤立出来，在这种随机分割的策略下，异常数据往往经过较少次数的分割就被孤立到一个单独的子空间内，而正常数据是聚集分布的，数据密度较高，往往需要经过多次分割才能被孤立到一个子空间内。孤立森林算法依据数据点在数据集中被随机分割直到被孤立出来时所需分割的次数对数据是否异常进行判断。如图1所示，在一个数据集中，异常点x0仅仅需要较少的次数就被分割出来，而正常数据点xi因为分布在数据密度较大的区域，需要多次分割才能被隔离出来。

图1 数据集分割示意图 (a) 异常点隔离；(b) 正常点隔离

孤立森林算法对数据集的这种递归分割可以用树形结构来表示，在分割过程中，异常点由于需要较少的分割次数，往往更靠近树的根部，而正常数据需要多次分割而分布于树的冠部，这种用于分割数据集的树形结构被称为孤立树或iTree。如图2所示，孤立树由根节点、内部节点和叶节点组成。定义样本点的在孤立树中路径长度h(x)：数据点xi的路径长度h(xi)为样本点从孤立树的根节点到叶子节点经过的边的数量，即到分割终止时，数据点被分割的次数。对一个数据集构建多个孤立树便形成了孤立森林，在形成孤立森林后，若要检测数据集中某一个点xi是否为异常点，则将该样本点遍历孤立森林内每一棵孤立树，求解该样本点在每棵孤立树上的平均路径长度，若样本点为正常点，则其平均路径长度将较长，反之则较短。直接利用h(xi)难以判断数据点是否异常，需要将平均路径长度转化为异常分数进而对数据点是否异常进行判断。异常分数的计算方法见式(1)~(2)。

图2 孤立树与孤立森林

1.2 混淆矩阵

为了评价孤立森林算法对锂离子电池内短路故障诊断的准确性和有效性，有必要构建一些指标对故障诊断结果进行评价，本节介绍基于混淆矩阵和精准率、召回率、准确率的评价指标，利用这些指标对基于孤立森林算法的串联电池组内短路故障诊断方法进行评估。

表1 混淆矩阵表

实验与结果分析

为了获得锂离子电池组在发生微内短路故障时的电压数据以验证基于孤立森林算法的故障检测方法，本文构建了一个由6节18650三元锂离子电池组成的电池组，电池标称容量为2.75 Ah，充电截止电压为4.2 V，放电截止电压为2.7 V。利用电池测试系统对这6节电池进行筛选，电池内阻、容量和开路电压基本一致，其中电池间内阻最大偏差为1 mΩ，容量最大偏差为5 mAh，开路电压最大偏差为0.005 V，以确保电池组中单体电池具有较强的初始一致性，且每次实验过后都对电池组进行电压均衡，确保电池组中电池单体间最大开路电压差小于0.005 V。如图3所示，其中S为电阻接入开关，为了获得锂离子电池在内短路状态下的运行数据，采用在电池外部短接电阻的方法模拟电池内短路故障，这种方法可以很好模拟电池在微内短路故障状态下的电学特征而不破坏电池结构，且易于对电池是否发生短路故障进行控制。

图3 串联锂离子电池组

首先，选取电池组中的2号电池，对该电池分别短接300 Ω、510 Ω、710 Ω的电阻，然后对电池组进行循环充放电实验。循环充放电工况为先以0.5 C的倍率将电池组放电至截止电压2.7 V，然后以0.5 C倍率将电池组恒流充电至截止电压4.2 V，然后将电池组搁置1小时后进行下一次循环。2号电池短接不同电阻后电池单体的电压曲线，如图4所示。可以看出，在充放电循环的初始阶段，每个电池的单体电压几乎一致，电压曲线重合在一起，随着循环的进行，2号电池的电压逐渐与其他电池的电压发生偏离，且随着充放电的进行，这种偏离的幅度越来越大；当增大2号电池的短路电阻后，2号电池的电压曲线偏离幅度变小。

图4 2号电池不同短路程度下电池组单体电压曲线 (a) Risc=300 Ω ；(b) Risc=510 Ω ；(c) Risc=710 Ω

为了进一步模拟电池在实际使用中的工况，研究电池组在实际工况中发生短路故障时电池组的电压变化，对电池组进行动态压力测试(dynamic stress test, DST)，DST工况可以有效模拟电动汽车在实际驾驶过程中发生的动态工况，图5为USABC标准中给出的DST工况每一个循环中电池充放电功率随时间变化的曲线，其中功率为正表示电池放电，为负表示充电。分别对电池组中5号电池短接一个100 Ω和300 Ω的电阻用以模拟电池内短路故障。图6给出了测试过程中不同短路电阻情况下电池组中电池单体电压变化曲线，可以看出，在DST后期，被短路的5号电池电压曲线存在较明显的向下偏移，且300 Ω短路工况下的电压偏移幅度要小于100 Ω短路工况。DST试中发生短路的5号电池的电压曲线相比循环充放电工况中2号电池的偏移幅度要小。

图5 DST工况功率-时间关系

结论

实验结果表明，孤立森林算法可以在多种工况下对锂离子电池微内短路故障进行有效检测，被检测出的锂离子电池内短路电阻达到了千欧姆数量级。对于循环充放电工况，孤立森林算法对短路电阻为1000 Ω的短路故障诊断精准率超过了74%，召回率超过了76%，准确率超过了91%；在模拟电动汽车实际驾驶的动态工况中，算法对300 Ω的短路故障诊断精准率和召回率超过了86%，准确率超过了95%；算法对电池储能系统在实际运行工况下25 Ω的内短路故障检测召回率大于98%。实验结果表明，孤立森林算法可以在多种工况下对锂离子电池微内短路故障进行有效检测，被检测出的锂离子电池内短路电阻达到了千欧姆数量级。该算法计算复杂度低，故障检测准确率高，仅利用电池管理系统对电压监测的时序数据进行分析即可对短路故障进行诊断，具有较强的时效性，易于在线部署和应用。

本文原文来自浩博电池网