基于快速电化学阻抗谱在多故障共存条件下对锂离子电池组进行多故障诊断

早期识别电池故障类型与程度、实现故障的精准预警与阻断，是有效避免热失控并保障储能电池系统安全运行的关键。现有研究主要聚焦于异常检测或单一故障诊断，而在多故障共存时，由于多种故障在外部特性上的耦合，准确区分故障类型并量化故障程度极具挑战。针对上述问题，本文提出了一种基于快速电化学阻抗谱（fast electrochemical impedance spectroscopy，FEIS）的电池组多故障诊断方法，能够实现对三种常见热失控风险故障——异常老化（abnormal aging，AA）、锂析出（lithium plating，LP）和内短路（internal short circuit，ISC）的快速诊断与区分，并支持AA和ISC的故障严重度量化。首先，开发了60秒内的FEIS采集方案并确定最优测量参数；其次，建立了适用于AA、LP和ISC电池的新型等效电路模型（equivalent circuit model，ECM）以拟合FEIS，通过对不同故障模型参数演化的解耦分析提取故障特征；进而，提出了结合聚类算法与故障特征演化特性的诊断方法，以及AA和ISC的量化方法。磷酸铁锂（LiFePO₄，LFP）和三元镍钴锰（LiNi_xCo_yMn_zO₂，NCM）电池组实验验证了该方法在短时间内实现多故障准确诊断的能力，且具有较高的鲁棒性，AA和ISC的量化误差分别控制在5%和6.4%以内。

随着锂离子电池在电动汽车及储能电站中的广泛应用，电池系统安全问题日益凸显。AA、ISC和LP是与热失控风险相关的常见故障：AA可导致内部材料变化从而增加ISC风险；LP时锂金属沉积于负极表面，可能形成锂枝晶并引发ISC；ISC则被公认为触发热失控的关键因素，研究表明高达56%至90%的电池热失控事故可归因于ISC。因此，早期准确诊断这三种故障对于防止热失控至关重要。

现有电池故障诊断方法存在明显局限。异常检测方法（如基于信息熵、局部异常因子和相关系数的方法）仅能标记异常单体而无法识别具体故障类型；单一故障诊断方法（如基于阈值的增量容量和差分电压特征法用于AA检测、电压松弛或库仑效率分析用于LP检测、基于模型的估计和残差滤波用于ISC检测）则面临高倍率条件下特征消失、需要长时间静置或完整充放电循环、建模复杂或长期数据采集等限制，难以满足实时应用需求。电化学阻抗谱（electrochemical impedance spectroscopy，EIS）作为从频域捕获电池内部状态的有力工具虽得到广泛研究，但传统EIS在宽频范围内测量耗时较长，存在频率不稳定和非线性问题，尽管多正弦叠加和随机噪声等多频激励方法可缩短测量时间，但其频率点较少且信号生成复杂，在实际工况下难以实现。相比之下，方波激励方法仅需基本充放电设备，更为简单经济。

针对现有方法无法同时快速诊断多种故障共存的瓶颈，研究人员开展了基于FEIS的电池组多故障诊断研究。该研究核心目标是：在60秒内完成FEIS采集，实现对AA、LP和ISC三种故障的快速准确诊断与区分，并对AA和ISC进行严重度量化。

在技术方法层面，研究人员首先开发了30秒正负载脉冲激励方案，在30秒静置后实施激励，使总采集时间控制在60秒以内，实现了准动态条件下的快速阻抗谱获取；通过分析荷电状态（state of charge，SOC）、激励幅值和预激励静置时间对FEIS的影响，确定了最优测量参数。其次，建立了适用于AA、LP和ISC的新型ECM，该模型能够刻画不同故障在低频区域表现出的不同扩散行为；通过对模型参数演化的解耦分析，提取了三类故障的特征参数。进而，提出了结合聚类算法与故障特征演化特性的多故障诊断流程：利用聚类算法对特征参数进行初始分类，结合故障特征演化规律实现AA、LP和ISC的区分；同时，基于与故障高度相关的特征参数，建立了AA和ISC的量化方法。在实验验证方面，研究人员采用LFP和NCM两种化学体系的电池组进行验证，AA单体通过加速老化测试获得（容量保持率分别为92%和86%），LP单体通过5°C条件下0.75C倍率充放电循环获得并经电压松弛法检测，ISC单体采用并联电阻法模拟。

研究结果显示，所述FEIS采集方案能够在60秒内有效获取电池阻抗谱，所建立的新型ECM可准确拟合三类故障的FEIS特征。AA主要表现为电荷转移电阻和固体电解质界面（solid electrolyte interphase，SEI）电阻增加导致整体阻抗曲线右移；LP表现为中频区半圆半径减小和电荷转移电阻降低；ISC则与低频区实部和虚部阻抗的偏移相关。基于模型参数的聚类分析与特征演化结合方法，能够有效解耦三类故障的外部特性耦合，实现准确区分。定量结果表明，AA和ISC的严重度量化误差分别控制在5%和6.4%以内。多故障共存场景下的诊断验证表明，该方法对于电池组中同时存在多种故障的情况仍保持较高的诊断准确性和鲁棒性。

在讨论与结论部分，研究人员指出该方法的创新性与应用价值：所提出的基于FEIS的多故障诊断方法突破了现有方法仅能检测异常或单一故障的局限，首次实现了AA、LP和ISC三类常见热失控风险故障的同步快速诊断与量化；60秒内的测量时间满足了在线检测的实时性要求，方波激励方案仅需基本充放电设备即可实现，具有良好的工程实用性；所建立的ECM通过解耦不同故障的参数演化特性，解决了多故障外部特性耦合导致的诊断难题；LFP和NCM两种主流电池体系的验证表明了该方法的普适性。研究结论强调，该FEIS方法通过优化测量参数和激励机制，在保证测量精度的同时显著缩短了诊断时间，为电池管理系统（battery management system，BMS）提供了可集成的故障诊断解决方案，对提升储能系统和电动汽车的安全运行具有重要工程意义。