基于動態(tài)時間規(guī)整和多維標度策略的串聯(lián)鋰離子電池組異常電池可視化識別方法

鐘國彬，沈佳妮，徐凱琪，王乾坤，賀益君，蘇 偉，馬紫峰

基于動態(tài)時間規(guī)整和多維標度策略的串聯(lián)鋰離子電池組異常電池可視化識別方法

鐘國彬1，沈佳妮2，徐凱琪1，王乾坤2，賀益君2，蘇 偉3，馬紫峰2

（1廣東電網(wǎng)有限責任公司電力科學研究院，廣東 廣州 510080；2上海交通大學化學工程系，上海 200240；3廣東電科院能源技術有限公司，廣東 廣州 510080）

精確、可靠地識別異常電池是保障電池系統(tǒng)安全、穩(wěn)定運行的有效手段。但是，從實時測量得到的電流、電壓和溫度有限外部信息，推斷內(nèi)阻、容量等電池內(nèi)部信息，并識別異常電池難度很大。本工作針對串聯(lián)鋰離子電池組，基于各單體電壓測量數(shù)據(jù)，提出了一種融合動態(tài)時間規(guī)整和多維標度策略的異常電池識別方法。通過采用動態(tài)時間規(guī)整策略，計算動態(tài)時間規(guī)整距離相似性指標，以消除電池組中荷電狀態(tài)不一致的影響；進而結合多維標度法提取異常特征參數(shù)，實現(xiàn)異常電池可視化識別。通過電池系統(tǒng)仿真實驗，驗證了所提方法的有效性，為異常電池在線識別提供了一種有效技術。

鋰離子電池組；動態(tài)時間規(guī)整；多維標度；異常電池識別

近年來，隨著新能源汽車與儲能產(chǎn)業(yè)的快速發(fā)展，鋰離子電池已引起學術界與工業(yè)界的廣泛關注，高安全、長壽命、低成本的鋰離子電池技術不斷取得突破。為滿足特定的應用場景需求，需要將單體通過串并聯(lián)手段組成模組或電池包，以達到電流、電壓、功率、能量等各方面的要求。一般而言，電池系統(tǒng)的效率、安全性和使用壽命，與其一致性程度息息相關[1]。一方面，電池制造過程包含多個工序，受現(xiàn)有工藝技術與制造成本等多方面限制，難以保證出廠單體電池之間在各性能指標上保持完全一致，其可用容量、內(nèi)阻、開路電壓、自放電率等指標往往具有一定的統(tǒng)計分布特征，需要在電池系統(tǒng)成組前實施分選操作以盡量保障模組的一致 性[1-3]。另一方面，在電池系統(tǒng)使用過程中，難以保證各單體電池在電流、電壓、溫度等操作工況的完全一致，且各單體間的老化歷程往往不同，隨著充放電循環(huán)進行，若沒有配置合理、有效的一致性控制手段，電池系統(tǒng)的不一致性會逐漸增大，影響其性能發(fā)揮，降低整體使用壽命，甚至會增大安全隱患[4-5]。目前，雖然已提出多種主動/被動均衡控制技術[6-9]，用以提升電池系統(tǒng)的一致性，但不同均衡控制方法的實際使用效果還有待全面評價并驗證，精準狀態(tài)估計、一致性評估等核心關鍵技術有待進一步突破。此外，電池系統(tǒng)在實際運行過程中，單體電池會存在失效風險，會導致串聯(lián)電池模組/電池包性能的急劇惡化。因此，實現(xiàn)精確、可靠的異常電池提前識別，對保障電池系統(tǒng)的安全、穩(wěn)定運行具有重要意義。

近年來，已開發(fā)了不同類型的異常電池識別方法，如基于均值聚類[10]、基于高斯分布[11]、基于角分布[12]、基于信息熵[13-14]、基于混合智能模型[15]、基于等效電路模型[16-17]等各類異常電池識別算法。由于對實際運行的電池系統(tǒng)，一方面，電池組內(nèi)各單體電池的荷電狀態(tài)（state of charge，SOC）往往存在差異；另一方面，各單體電池的可用容量、內(nèi)阻等本征參數(shù)也會存在差異?，F(xiàn)有大部分異常電池識別方法基于檢測到的電流、電壓和溫度數(shù)據(jù)，采用的統(tǒng)計分析、聚類分析等異常電池檢測策略，其性能評價相對較為簡單，且往往難以區(qū)分識別的異常電池是由SOC差異或者本征參數(shù)差異引致。鑒于此，本文針對串聯(lián)結構電池組系統(tǒng)，以測量得到的各單體電池電壓曲線為基礎，提出了一種基于動態(tài)時間規(guī)整（dynamic time warping，DTW）[18-20]和多維標度（multidimensional scaling，MDS）[21]策略的異常電池識別方法，能在剔除SOC不一致影響基礎上，提取電池本征參數(shù)相關的異常特征，并將其應用于串聯(lián)電池系統(tǒng)仿真實驗結果，取得了良好的效果。

1 異常電池識別方法

為實現(xiàn)異常電池識別，首先基于測量得到串聯(lián)電池組的條電壓曲線，采用動態(tài)時間規(guī)整方法，計算得到相似度矩陣；然后，采用多維標度法對相似度矩陣實施降維，實現(xiàn)提取異常特征，并在低維空間中予以可視化顯示，以識別異常電池?；趧討B(tài)時間規(guī)整與多維標度策略的異常電池可視化識方法的實現(xiàn)步驟如圖1所示。

圖1 基于動態(tài)時間規(guī)整與多維標度策略的異常電池識別方法

1.1 動態(tài)時間規(guī)整算法

動態(tài)時間規(guī)整是一種時間序列的特性匹配算法，用于評價長度不同時間序列間的相似度，通過模板匹配技術，已應用于語音識別[18]、無線網(wǎng)絡流量異常檢測[19]、鋼鐵行業(yè)粒度匹配計算[20]等。在串聯(lián)鋰離子電池組實際運行過程中，由于不可避免地會存在各單體電池間SOC不一致情況，若直接基于電壓曲線數(shù)據(jù)計算各時間點上的歐式距離，其值會變得較大，掩蓋電池可用容量、內(nèi)阻等本征參數(shù)的差異，難以有效識別出真正由可用容量、內(nèi)阻等本征參數(shù)異常的電池。如對兩個本征參數(shù)完全相同的電池實施串聯(lián)后進行恒流放電，其初始SOC存在一定差異，它們的放電電壓曲線如圖2所示。各時刻對應點（如點和）的歐氏距離之和可以用來描述電壓的相似度，但其沒有考慮電壓曲線之間的本征相似性，即同一時刻電池狀態(tài)的差異；而通過DTW可以自適應地將兩曲線上相同狀態(tài)的點匹配（點和），再計算歐式距離之和用于描述電壓相似度，能有效夠消除SOC差異，相似度描述更為準確。因此，相比傳統(tǒng)的歐式距離計算方式，采用DTW實施任意兩個單體電池電壓曲線間的相似性分析，可在一定程度上消除SOC不一致影響，在此基礎上獲得較合理的相似性指標。

圖2 兩個串聯(lián)本征參數(shù)相同電池在不同初始SOC下的恒流放電電壓曲線

電壓曲線上其它點都具有類似點和之間的匹配關系，所有匹配點之間的歐式距離之和，稱為規(guī)整路徑距離，用D=(V,V)表示，其中V和V分別表示第和個單體電池的電壓曲線，1￡,￡,≠，為串聯(lián)電池組中的電池個數(shù)。規(guī)整路徑不是隨意選擇的，需要滿足如式(1)～(4)所示的單調(diào)性約束、連續(xù)性約束、邊界條件約束和規(guī)整窗口約束[2]。

式中，為電壓曲線的放電總時間；為規(guī)整窗口大??；i和j分別表示時刻兩個匹配點在兩條電壓曲線上的序列。

由于能滿足上述約束條件的規(guī)整路徑眾多，常采用動態(tài)規(guī)劃法求解如式(5)所示的優(yōu)化問題，獲得最短規(guī)整路徑距離，以合理、準確地評價兩條電壓曲線的相似性指標。

針對具有個電池串聯(lián)組成的電池系統(tǒng)，需要計算各個單體之間的規(guī)整路徑距離，以獲得相似性距離矩陣[D]×N，用于后續(xù)的異常電池識別。由于此矩陣為對稱矩陣，且對角線為0，因此僅需求解(?1)/2個如式(5)所示的動態(tài)規(guī)劃問題，即可獲得規(guī)整路徑距離矩陣。

1.2 多維標度法

多維標度法（multidimensional scaling，MDS）是一種在低維空間展示“距離”數(shù)據(jù)結構的多元數(shù)據(jù)分析技術[21]，已應用于精神病理癥狀結構分 析[22]、生物質能源可持續(xù)性指數(shù)評估[23]、網(wǎng)絡安全數(shù)據(jù)時序分析[24]等。MDS以研究對象之間的相似性為依據(jù)，通過特征提取將高維空間映射至低維空間，易于在低維空間中可視化展示，并能最大程度地維持原始研究對象間的真實結構關系。

基于DTW方法計算得到的串聯(lián)電池組電壓曲 線相似性距離矩陣[D]×N，MDS的實施步驟簡述 如下。

（1）根據(jù)式(6)構造中心化內(nèi)積矩陣=[b]×N，

2 串聯(lián)電池組仿真模型

針對串聯(lián)電池組的異常電池識別研究，采用仿真實驗，通過合理地設置模型中的電池本征參數(shù)，可全面評價所提方法的有效性，若采用實驗研究，需要通過篩選不同老化/異常程度的電池后進行串聯(lián)成組，往往難以實現(xiàn)不同本征參數(shù)變化程度對方法性能影響規(guī)律的評價。因此，為驗證所提基于動態(tài)時間規(guī)整和多維標度策略的異常電池識別方法有效性，基于前期開發(fā)的鋰離子電池等效電路模型[25]，通過將單體電池串聯(lián)組成電池系統(tǒng)，開展了仿真實驗研究。

圖3 一階RC等效電路模型

本文采用如圖3所示的一階RC等效電路模型，其等效電路由開路電壓oc、歐姆內(nèi)阻0、RC支路內(nèi)阻1和電容1電路元件構成。根據(jù)安時積分法，t時刻的荷電狀態(tài)可由式(8)計算得到。

式中，SOC0為初始荷電狀態(tài)；C為電池可用容量。根據(jù)基爾霍夫定律，電路中干路電流和支路電流之間的關系可由式(9)表示。

式中，為干路電流；1和2分別為通過1和1的支路電流；1為RC支路電壓。

基于如圖3所示的等效電路模型結構，電池端電壓t可由式(10)計算。

由式(8)～(10)描述的等效電路模型，其中的電路元件參數(shù)均與SOC相關，可采用式(11)所示的多項式函數(shù)形式予以描述。

式中，代表電路參數(shù)（oc、0、1和1），和分別為多項式函數(shù)的階數(shù)和系數(shù)。

通過給定測試工況，求解式(8)～(11)所示的等效電路模型，即可獲得電池端電壓響應曲線。關于等效電路模型的詳細描述、求解策略以及模型電路參數(shù)值可參見文獻[25-26]。利用上述等效電路模型，針對16個單體的串聯(lián)電池組，以電路參數(shù)的名義值為基礎[25-26]，通過合理設置每個單體的電路參數(shù)值，在某種工況測試條件下實施仿真實驗，即可獲得每個單體的電壓曲線，以此為基礎可開展異常電池識別方法的性能驗證。串聯(lián)電池組在實際運行過程中，各個單體會經(jīng)歷不同老化歷程，它們的可用容量衰減和內(nèi)阻增大速率會有所不同，相比正常電池，電池出現(xiàn)異常情況主要體現(xiàn)在容量衰減和內(nèi)阻增大過快。在仿真實驗中，可通過合理設置異常電池模型中0、1和C三個本征參數(shù)的大小實現(xiàn)，由于0和1為SOC的多項式函數(shù)，通過設置它們的常數(shù)項用以表征異常電池。

圖4顯示了串聯(lián)電池組的Hybrid Pulse Power Characterization（HPPC）工況仿真電壓曲線，圖中15個正常單體的0常數(shù)項、1常數(shù)項和C值分別由正態(tài)分布產(chǎn)生，其均值為它們的名義值，標準差為它們的0.5%名義值，而異常單體的0和1常數(shù)項分別增加20%和10%；正常和異常單體分別從90%和95% SOC開始HPPC仿真實驗。從圖中可見，雖然該異常電池的內(nèi)阻有明顯增大，但由于該異常電池SOC偏高，與正常電池相比，其電壓曲線未呈現(xiàn)顯著差異，若直接采用傳統(tǒng)方法往往難以識別出此異常電池。

圖4 串聯(lián)電池組的HPPC工況仿真電壓曲線

3 異常電池識別結果與討論

為全面評價所提異常電池識別方法的有效性，考察了存在和不存在SOC明顯不一致兩類情況，并分別驗證了單個和多個本征參數(shù)存在異常時的方法性能。

3.1 單個本征參數(shù)異常

針對單個本征參數(shù)異常，設置1～15號單體為正常電池，它們的0常數(shù)項、1常數(shù)項和C值分別由正態(tài)分布產(chǎn)生，其均值為它們的名義值，標準差為它們的0.5%名義值；設置第16號單體為異常電池，分別考察0和1常數(shù)項在其名義值上增加15%、25%、35%和45%共8個案例，以及C值在其名義值上減少5%、8%、10%和15%共4個案例。針對不存在SOC明顯不一致情況，各單體SOC初始值由服從均值為90%，標準差為0.5%的正態(tài)分布產(chǎn)生。

針對不存在SOC明顯不一致情況，圖5(a)～(d)分別為0存在不同程度異常（即其常數(shù)項增加15%、25%、35%和45%）時對異常電池的識別效果圖，其中異常特征#1和#2由MDS方法提取獲得。從圖中可見，在不同異常程度下，異常單體（#16）與其它15個正常單體可被明顯區(qū)分，且隨著0異常程度增大，異常單體（#16）與其它15個正常單體之間的區(qū)分度逐漸增大。同時，針對存在0異常情況，采用MDS方法提取的異常特征#1對異常單體有良好的識別效果，表明對DTW方法獲得的相似性距離矩陣，僅提取最大特征值所對應的特征向量即可識別出0異常單體。圖5結果表明，所提方法對存在0異常的單體實現(xiàn)可靠識別，并可通過對正常/異常單體的特征值進行統(tǒng)計建模分析，有望實現(xiàn)對0異常程度的定量評價。

類似地，針對不存在SOC明顯不一致情況，圖6(a)～(d)分別為1存在不同程度異常（即其常數(shù)項增加15%、25%、35%和45%）時對異常電池的識別效果圖。從圖6可見，在不同1異常程度下，異常單體（#16）均遠離其它正常單體，可進行異常單體的可靠識別。與圖5所示結果類似，正常/異常單體的差異也是體現(xiàn)在異常特征#1維度，即提取最大特征值所對應的特征向量即可識別出1異常單體。但是，相比0異常情況，在不同1異常程度下，正常/異常單體間的特征值差異變化規(guī)律不明顯，采用所提方法可能難以實現(xiàn)對1異常程度的定量評價。

在串聯(lián)電池組實際運行過程中，除了上述異常單體內(nèi)阻增大過快情況，還存在異常單體的容量衰減過快問題。針對不存在SOC明顯不一致情況，圖7(a)～(d)分別為C存在不同程度衰減異常（即其值減小5%、8%、10%和15%）時對異常電池的識別效果圖。從中可見，在不同C衰減幅度下，異常單體（#16）與其它15個正常單體可被明顯區(qū)分，能可靠地識別出容量異常單體，且隨著C異常程度增大，異常單體（#16）與其它15個正常單體之間的區(qū)分度逐漸增大，結合統(tǒng)計建模分析，有望實現(xiàn)C異常程度的定量評價。同時，與圖5和圖6所示結果類似，正常/異常單體的差異也是體現(xiàn)在異常特征#1維度。

圖7 不同Cn異常程度下異常電池識別效果

針對0異常和SOC不一致共存情況，圖8(a)～(d)顯示了4不同SOC初始值（即90%、70%、50%和30%）時的異常電池識別效果。從圖中可見，在不同的SOC初始值下，兩個異常單體#15和#16與其它14個正常單體可被明顯區(qū)分，表明所提方法能有效識別出異常電池。同時，相比異常單體#15，異常單體#16更接近正常單體，原因在于偏高的SOC會造成開路電壓的偏高，抵消了一部分因0偏大引起壓降增大的影響。此外，在串聯(lián)電池組的初始SOC處于相對較低水平時（即50%和30%SOC），雖然由于可利用的電壓曲線數(shù)據(jù)量減小，導致兩個異常單體（#15和#16）與正常單體的區(qū)分度有所降低，但依然表現(xiàn)為明顯的離群點，進一步驗證了所提方法的有效性。

針對1異常和SOC不一致共存情況，圖9(a)～(d)顯示了4種不同SOC初始值（即90%、70%、50%和30%）時的異常電池識別效果。從圖中可見，在不同的SOC初始值下，異常單體#15與#16與其它14個正常單體可以被明顯區(qū)分，采用MDS方法提取的異常特征#1對異常單體#15均具有較好的識別效果，而對異常單體#16，采用異常特征#2對其具有較好的識別效果。與圖8所示的結果類似，相比異常單體#15，異常單體#16更接近正常單體，原因在于偏高的SOC會造成開路電壓的偏高，抵消一部分因1偏大導致壓降增大的影響。但是，相比圖8的0異常與SOC不一致共存的異常電池識別效果，在SOC初始值顯著減小后，兩個異常單體（#15和#16）與正常單體的區(qū)分度未發(fā)生明顯變化，表明所提方法對1異常與SOC明顯不一致共存情況的異常電池識別穩(wěn)定性更高。

圖9 不同初始SOC情況下，SOC不一致與R1異常共存的異常電池識別效果

針對C異常和SOC不一致共存情況，圖10(a)～(d)顯示了4種不同SOC初始值（即90%、70%、50%和30%）時的異常電池識別效果。從圖10可見，雖然隨著SOC初始值的減小，異常單體#15和#16與正常單體的位置關系發(fā)生改變，尤其在較小SOC初始值情況下，異常單體與正常單體的距離有一定減小，但兩個異常單體與正常單體仍能被明顯區(qū)分，驗證了所提方法的有效性。同時，相比異常單體#15，異常單體#16更接近正常單體，原因在于偏高的SOC初始值會抵消一部分C偏小造成SOC快速下降產(chǎn)生的影響。圖8～圖10結果表明，針對單個本征參數(shù)異常與SOC不一致共存情況，所提方法能實現(xiàn)有效、可靠的異常電池識別。

圖10 不同初始SOC情況下，SOC不一致與Cn異常共存的異常電池識別效果

3.2 多個本征參數(shù)異常

在串聯(lián)電池組實際運行過程中，一方面，可能多個單體存在異常，另一方面，由于引起單體內(nèi)部異常的機制不同，部分異常單體可能由單個本征參數(shù)異常導致，而部分異常單體的多個本征參數(shù)可能同時存在異常。因此，首先針對不存在SOC明顯不一致情況，驗證了多個本征參數(shù)異常時的所提方法性能。具體仿真實驗方案是：設置1～12號單體為正常電池，它們的0常數(shù)項、1常數(shù)項和C值分別由正態(tài)分布產(chǎn)生，其均值為它們的名義值，標準差為它們的0.5%名義值；第13～15號單體分別為存在0、1和C單個本征參數(shù)異常的電池，它們的0常數(shù)項、1常數(shù)項和C值在其名義值上分別增加20%、增加20%和減小10%；第16號單體為存在多個本征參數(shù)異常的電池，其0常數(shù)項、1常數(shù)項和C值在其名義值上增加20%、增加20%和減小10%。各單體SOC初始值由服從均值為90%，標準差為0.5%的正態(tài)分布產(chǎn)生。

以上述仿真實驗得到的電壓曲線數(shù)據(jù)為基礎，圖11顯示了多種本征參數(shù)異常共存情況的異常識別效果。從圖11可見：①僅存在1異常的單體（#14）和存在0、1和C均異常的單體（#16）表現(xiàn)為明顯的離群點，能被可靠地識別為異常電池，相比正常電池，異常單體（#16）僅在異常特征#1有顯著區(qū)別，而異常單體（#14）在異常特征#1和#2均有顯著區(qū)別；②僅存在0異常的單體（#13）和C異常的單體（#15）與正常電池距離較近，被識別為異常電池難度稍大，但仍可借助合適的聚類等統(tǒng)計分析方法進行有效區(qū)分；③相比僅存在0異常的單體（#13），僅存在1異常的單體更容易被識別，與圖5和圖6所示結果相吻合，其可能原因是1常數(shù)項名義值明顯大于0常數(shù)項，導致同樣增幅20%后兩者之間的差異進一步增大。上述結果表明，存在多個異常單體情況下，也能有效、可靠地實施異常電池識別，進一步驗證了所提方法的有效性。

圖11 多種本征參數(shù)異常共存的異常電池識別效果

進一步地，為驗證所提方法對多個本征參數(shù)異常共存以及SOC不一致情況下的有效性，開展如下仿真實驗：設置1～14號單體為正常電池，它們的0常數(shù)項、1常數(shù)項和C值分別由正態(tài)分布產(chǎn)生，其均值為它們的名義值，標準差為它們的0.5%名義值；第15和16號單體為異常電池，它們的0常數(shù)項、1常數(shù)項和C值分別在其名義值上增加20%、增加20%和減小10%?？疾炝?0%、70%、50%和30%四個不同SOC初始值對方法性能的影響，其中異常單體#15和#16的SOC初始值分別設置為偏低和偏高5% SOC。圖12顯示了不同初始SOC情況下，SOC不一致與多個本征參數(shù)異常共存的異常電池識別效果。從圖中可見，在不同SOC初始值情況下，兩個異常單體（#15和#16）與正常電池之間能被明顯區(qū)分，可被有效地識別為異常電池；且隨著初始SOC降低，即用于異常特征提取的串聯(lián)電池組電壓數(shù)據(jù)點相應減少，兩個異常單體（#15和#16）與正常單體間的距離有所接近，但在異常特征#1維度上仍保持了較高的區(qū)分度，進一步表明了所提方法的有效性。相比異常單體#16，異常單體#15的識別度更高，其原因是對SOC偏高情況，其開路電壓會有所升高，會抵消一部分因內(nèi)阻增大和可用容量降低導致壓降增大的影響。

4 結 論

本文提出的異常電池可視化識別方法，適于處理含有串聯(lián)電池組內(nèi)單體電池SOC不一致情況下的本征參數(shù)差異化辨識，通過采用動態(tài)時間規(guī)整策略計算各單體電池間的相似性指標，有助于剔除SOC不一致的影響；進而采用多維標度策略，進行異常特征提取，實現(xiàn)了在低維空間的異常電池可視化識別。串聯(lián)電池系統(tǒng)仿真試驗研究結果表明，所提方法在電池組SOC存在不一致情況下，可精確、可靠地識別出本征參數(shù)存在差異的異常電池，驗證了基于動態(tài)時間規(guī)整和多維標度策略的異常電池可視化識別方法有效性，為電池系統(tǒng)穩(wěn)定、安全運行提供了有效技術保障。

[1] 王莉, 謝樂瓊, 張干, 等. 鋰離子電池一致性篩選研究進展[J]. 儲能科學與技術, 2018, 7(2): 194-202.

WANG L, XIE L Q, ZHANG G, et al. Research progress in the consistency screening of Li-ion batteries[J]. Energy Storage Science and Technology, 2018, 7(2): 194-202.

[2] 王永琛, 倪江鋒, 王海波, 等. 鋰離子電池一致性分選方法[J]. 儲能科學與技術, 2013, 2(5): 522-527.

WANG Y C, NI J F, WANG H B, et al. Sorting methods of lithium ion batteries consistency[J]. Energy Storage Science and Technology, 2013, 2(5): 522-527.

[3] HE X M, ZHANG G, FENG X N, et al. A facile consistency screening approach to select cells with better performance consistency for commercial 18650 lithium ion cells[J]. International Journal of Electrochemistry Science, 2017, 12: 1023-1025.

[4] SCHUSTER S F, BRAND M J, BERG P, et al. Lithium-ion cell-to-cell variation during battery electric vehicle operation[J]. Journal of Power Sources, 2015, 297: 242-251.

[5] 王其鈺, 王朔, 張杰男, 等. 鋰離子電池失效分析概述[J]. 儲能科學與技術, 2017, 6(5): 1008-1025. WANG Q Y, WANG S, ZHANG J N, et al. Overview of the failure analysis of lithium ion batteries[J]. Energy Storage Science and Technology, 2017, 6(5): 1008-1025.

[6] CASSANI P A, WILLIAMSON S S. Design, testing, and validation of a simplified control scheme for a novel plug-in hybrid electric vehicle battery cell equalizer[J]. IEEE Transactions on Industrial Electronics, 2010, 57(12): 3956-3962.

[7] GALLARDO-LOZANO J, ROMERO-CADAVAL E, MILANES- MONTERO M I, et al. Battery equalization active methods[J]. Journal of Power Sources, 2014, 246: 934-949.

[8] ZHENG Y J, OUYANG M G, LU L G, et al. On-line equalization for lithium-ion battery packs based on charging cell voltages (I): Equalization based on remaining charging capacity estimation[J]. Journal of Power Sources, 2014, 247: 676-686.

[9] ZHENG Y J, OUYANG M G, LU L G, et al. On-line equalization for lithium-ion battery packs based on charging cell voltages (Ⅱ): Fuzzy logic equalization[J]. Journal of Power Sources, 2014, 247: 460-466.

[10] PIAO C H, WANG Z G, CAO J, et al. Lithium-ion battery cell-balancing algorithm for battery management system based on real-time outlier detection[J]. Mathematical Problems in Engineering, 2015(2): 1-12.

[11] ZHAO Y, LIU P, WANG Z P, et al. Fault and defect diagnosis of battery for electric vehicles based on big data analysis methods[J]. Applied Energy, 2017, 207: 354-362.

[12] PIAO C H, HUANG Z, SU L, et al. Research on outlier detection algorithm for evaluation of battery system safety[J]. Advances in Mechanical Engineering, 2014, 2014(1): 830402.

[13] WANG Z P, HONG J C, ZHANG L, et al. Voltage fault detection and precaution of batteries based on entropy and standard deviation for electric vehicles[J]. Energy Procedia, 2017, 105: 2163-2168.

[14] LIU P, SUN Z Y, WANG Z P, et al. Entropy-based voltage fault diagnosis of battery systems for electric vehicles[J]. Energies, 2018, 11(1): 136.

[15] QUINTIáN H, CASTELEIRO-ROCA J L, PEREZ-CASTELO F J, et al. Hybrid intelligent model for fault detection of a lithium ion phosphate power cell used in electric vehicles[C]//International Conference on Hybrid Artificial Intelligent Systems, Springer International Publishing, 2016: 141-147.

[16] KAYPMAZ T C, TUNCAY R N. An advanced cell model for diagnosing faults in operation of Li-ion polymer batteries[C]// Vehicle Power and Propulsion Conference. IEEE, 2011: 1-5.

[17] KIANI M M. Online detection of faulty battery cells in energy storage systems via impulse response method[C]//Vehicle Power and Propulsion Conference. IEEE, 2011: 1-6.

[18] DUMPALA S H, ALLURI K R, GANGASHETTY S V, et al. Analysis of constraints on segmental DTW for the task of query-by-example spoken term detection[C]//India Conference. IEEE, 2016: 1-6.

[19] ANDRYSIAK T, ?UKASZ S. Dynamic time warping analysis for security purposes in wireless sensor networks[C]//International Conference on Dependability and Complex Systems, Springer, Cham, 2018: 1-12.

[20] HAN Z Y, ZHAO J, LEUNG H, et al. Construction of prediction intervals for gas flow systems in steel industry based on granular computing[J]. Control Engineering Practice, 2018, 78: 79-88.

[21] BORG I. Multidimensional scaling[J]. Theory & Applications, 1997, 45(2): 875-878.

[22] L?GE D, RIEDEL M, M?LLER H J. Exploring the structure of psychopathological symptoms: A re-analysis of AMDP data by robust nonmetric multidimensional scaling[J]. European Archives of Psychiatry & Clinical Neuroscience, 2012, 262(3): 227-238.

[23] PAPILO P, MARIMIN, HAMBALI E, et al. Sustainability index assessment of palm oil-based bioenergy in Indonesia[J]. Journal of Cleaner Production, 2018, 196(20): 808-820.

[24] J?CKLE D, FISCHER F, SCHRECK T, et al. Temporal MDS plots for analysis of multivariate data[J]. IEEE Transactions on Visualization & Computer Graphics, 2016, 22(1): 141-150.

[25] SHEN J N, HE Y J, MA Z F. Simultaneous model selection and parameter estimation for lithium-ion batteries: A sequential MINLP solution approach[J]. AIChE Journal, 2016, 62: 78-89.

[26] SHEN J N, HE Y J, MA Z F, et al. Online state of charge estimation of lithium-ion batteries: A moving horizon estimation approach[J]. Chemical Engineering Science, 2016, 154: 42-53.

Dynamic time warping and multidimensional scaling approach based abnormal battery visual recognition for series-connected lithium-ion batteries pack

1,2,1,2,2,3,2

(1Electric Power Research Institute of Guangdong Power Grid Co. Ltd., Guangzhou 510080, Guangdong, China;2Department of Chemical Engineering, Shanghai Jiao Tong University, Shanghai 200240, China;3Guangdong Diankeyuan Energy Technology Co. Ltd., Guangzhou 510080, Guangdong, China)

Accurate and reliable recognition of abnormal batteries is of vital to ensure the stable and safe operation of the battery system. However, it is difficult to deduce the internal information of the battery such as internal resistance and capacity from the limited external information of real-time measured current, voltage and temperature, and consequently to identify abnormal cells. In this paper, based on the voltage measurement of each cell in series lithium-ion batteries pack, an abnormal battery recognition method is proposed, in which dynamic time warping and multi-dimensional scaling strategy are properly combined. The dynamic time warping strategy is used to calculate the dynamic time warping distance to eliminate the effect of inconsistent state of charge in the battery pack, and then the multi-dimensional scaling method is used to extract the abnormal features to achieve visual recognition of abnormal batteries. The effectiveness of the proposed method is demonstrated by battery system simulation results. The results show that the proposed method is a potential promising technology for on-line recognition of abnormal batteries.

series-connected lithium-ion batteries; dynamic time warping; multidimensional scaling; abnormal battery recognition

10.12028/j.issn.2095-4239.2018.0193

TM 911

A

2095-4239（2019）01-180-11

2018-09-05；

2018-09-28。

南方電網(wǎng)公司科技項目（GDKJXM00000039）。

鐘國彬（1984—），男，博士，主要研究方向為化學儲能技術及儲能在電網(wǎng)的應用，E-mail：zhongguobin001@163.com；

賀益君，副研究員，主要研究方向為能量儲存與轉換及電池管理系統(tǒng)，E-mail：heyijun@sjtu.edu.cn。