电池微短路检测的原理与算法设计
锂离子电池在使用过程中，由于制造缺陷、机械损伤或老化，可能在内部形成微小的短路路径。这些微短路初期表现为较大的短路电阻（数百欧姆）和较小的漏电流（几十mA），难以被传统方法识别，但会逐渐恶化，最终导致热失控等安全事故。
本文介绍一种基于双路容量对比的微短路在线检测方法，能够在电池正常使用过程中实现早期预警。本文是微短路检测系列的算法原理篇，另有两篇姊妹文章分别覆盖算法移植和卡尔曼滤波实现。
现有方法的局限
| 方法 | 局限性 |
|---|---|
| 直接测量法 | 需离线专用设备，无法在线监测 |
| 温度监测法 | 只能在短路发展到严重阶段才检测到，无法早期预警 |
| 电压监测法 | 对微小短路不敏感，受自放电和温度干扰 |
| 电流积分法 | 长时间积累误差大，无法反映真实损耗 |
核心问题是：这些方法要么只能离线检测，要么灵敏度不够，无法在电池正常工作时捕捉到微小的异常能量损失。
检测原理：双路容量对比法
核心思想
电池的容量变化可以通过两种独立的方法来测量：
- 库仑计数法：对外部电流积分，得到流入/流出电池的电荷量
- OCV查表法：通过开路电压反推电池SOC，再换算成容量
关键观察：库仑计只能测量流过外部回路的电流，而OCV反映的是电池内部的真实电化学状态（包括内部短路消耗的能量）。
因此，如果电池内部存在微短路，OCV法测得的容量下降会大于库仑计数法测得的容量下降，两者的差值就是被内部短路消耗的电荷量。
数学表达
开路电压计算（补偿IR压降）：
$$OCV = V_{terminal} - I \times R_{ir}$$
电压基准容量变化（通过OCV查表获得SOC）：
$$\Delta Q_{OCV} = (SOC_{OCV0} - SOC_{OCV1}) \times FCC$$
库仑计数容量变化：
$$\Delta Q_{CC} = (SOC_0 - SOC_1) \times FCC$$
漏电容量与漏电流：
$$\Delta Q_{leak} = \Delta Q_{OCV} - \Delta Q_{CC}$$
$$I_{leak} = \frac{\Delta Q_{leak} \times 1000}{\Delta t}$$
短路电阻：
$$R_{short} = \frac{V_{avg}}{I_{leak}}$$
检测条件与触发
检测要求电池处于静置或近似静置状态，以保证OCV计算的准确性。系统在每个检测周期开始和结束时采样，需满足以下条件才执行计算：
- 电流变化量 $|I_1 - I_0| < 50mA$（电流稳定）
- 温度变化量 $|T_1 - T_0| < 10℃$（温度稳定）
- 终态电流 $|I_1| < 10mA$（近似静置）
不同应用场景的参数配置：
| 参数 | 电动汽车 | 储能系统 | 便携设备 |
|---|---|---|---|
| 检测间隔 | 30-60 min | 1-2 hr | 1-4 hr |
| 电流稳定阈值 | 50mA | 100mA | 20mA |
| 温度变化阈值 | 5℃ | 10℃ | 5℃ |
| 告警漏电流阈值 | 100mA | 200mA | 50mA |
| 数据窗口大小 | 11 | 7 | 5 |
算法流程详解
整体算法可归纳为4个阶段：
1 | flowchart TD |
阶段一：状态采样
检测周期开始时记录初始状态 $(V_0, I_0, T_0, SOC_0)$，等待预设的检测间隔（30分钟至2小时），然后记录终态 $(V_1, I_1, T_1, SOC_1)$。
阶段二：容量差异计算
满足检测条件后，依次执行：
Step 1：OCV计算
根据温度查内阻表得到 $R_{ir}$，补偿IR压降：
$$OCV_0 = V_0 - I_0 \times R_{ir}$$
$$OCV_1 = V_1 - I_1 \times R_{ir}$$
Step 2：OCV查表得SOC
通过OCV-SOC查找表，将开路电压映射为电压基准SOC：
$$SOC_{OCV0} = f_{OCV \to SOC}(OCV_0)$$
$$SOC_{OCV1} = f_{OCV \to SOC}(OCV_1)$$
Step 3：两路容量差计算
$$\Delta Q_{OCV} = (SOC_{OCV0} - SOC_{OCV1}) \times FCC$$
$$\Delta Q_{CC} = (SOC_0 - SOC_1) \times FCC$$
$$\Delta Q_{leak} = \Delta Q_{OCV} - \Delta Q_{CC}$$
Step 4：漏电流与短路电阻
$$I_{leak} = \frac{\Delta Q_{leak} \times 1000}{\Delta t}$$
$$R_{short} = \frac{(OCV_0 + OCV_1) / 2}{I_{leak}}$$
阶段三：多级数据处理
原始计算得到的漏电流和短路电阻包含较大噪声，需要经过三级滤波处理：
1 | flowchart LR |
阶段四：故障判定
将最终滤波后的漏电流 $I_{final}$ 与告警阈值比较：
- $I_{final} > I_{alarm}$：触发微短路告警
- $I_{final} \leq I_{alarm}$：记录结果，等待下一检测周期
多级数据处理流水线
第一级：中值滤波（短路电阻平滑）
维护一个有序数据窗口（典型大小为11），存储历史测量的短路电阻值：
- 新测量值到来时，判断是否在合理范围内
- 若合理，插入有序窗口并动态调整窗口大小
- 若不合理，丢弃该值，保持窗口不变
- 从有序窗口中提取中间位置的值作为平滑估计 $R_{filtered}$
选择中值滤波而非均值的原因：中值对单次异常测量（如短暂的温度波动导致的伪漏电流）具有天然的鲁棒性。
第二级：自适应加权修正
基于平滑后的电阻估计，计算参考漏电流：
$$I_{ref} = \frac{V_{avg}}{R_{filtered}}$$
计算实测值与参考值的偏差：
$$deviation = \frac{|I_{leak} - I_{ref}|}{I_{ref}}$$
根据偏差大小自适应分配权重：
$$I_{corrected} = W_{ref} \times I_{ref} + W_{leak} \times I_{leak}$$
其中，偏差越大，$W_{ref}$ 权重越高（如90%），偏差越小，两者权重接近（如各50%）。
直觉：当单次测量与历史趋势偏差大时，更信任基于历史电阻推算的参考值；偏差小时，两者同等可信。
第三级：自适应卡尔曼滤波
修正后的漏电流输入自适应卡尔曼滤波器，进一步平滑输出：
- 偏差 > 100%：拒绝该测量值，保持当前估计
- 偏差在合理范围内：更新滤波器状态，输出 $I_{final}$
卡尔曼滤波器的具体实现（状态方程、自适应参数调整、数据结构）详见系列文章《卡尔曼滤波在电池内部短路漏电流检测中的应用》。
多节电池归一化方法
问题场景
在多节电池串联系统中，电量计往往只能获取电池组总电压和平均电压，无法获取单体电压。此时需要将多节系统归一化为单节等效模型进行检测。
归一化流程
1 | flowchart TD |
Step 1：计算单节平均电压
$$V_{cell_avg} = \frac{V_{total}}{N_{cells}}$$
Step 2：以 $V_{cell_avg}$ 作为输入，按照单节检测算法计算总漏电荷 $Q_{total}$
Step 3：计算等效短路电流
$$I_{short} = \frac{Q_{total} \times 1000}{\Delta t}$$
Step 4：计算归一化短路电阻
$$R_{short} = \frac{V_{cell_avg}}{I_{short}}$$
多节短路分析
检测到的总漏电流是所有短路节贡献的总和。由于无法区分各节状态，归一化方法只能给出等效结果。实际可能的情况包括：
- 单节电池发生较严重短路（等效电阻 = 归一化电阻）
- 多节电池同时发生较轻微短路（各节电阻更大）
若电池管理系统具备单体电压采集功能，可在检测到异常后，通过比较各单体电压下降速率的差异来定位具体短路节。
系统架构
硬件组成
1 | flowchart LR |
软件模块划分
| 模块 | 功能 | 输入 | 输出 |
|---|---|---|---|
| 数据采集 | 读取V/I/T/SOC | 硬件寄存器 | 原始测量值 |
| OCV计算 | 补偿IR压降 | V, I, R_ir表 | OCV |
| 漏电流检测 | 双路容量对比 | OCV, SOC, FCC | I_leak, R_short |
| 数据处理 | 中值滤波+加权修正 | I_leak, R_short | I_corrected |
| 滤波优化 | 卡尔曼滤波 | I_corrected | I_final |
| 告警判断 | 阈值比较 | I_final | 告警信号 |
资源占用
- RAM：< 1KB（数据窗口 + 滤波器状态 + 临时变量）
- Flash：约 2KB（代码 + 查找表）
- CPU：检测计算时约 5ms，平均占用率 < 0.1%
算法实现简单高效，适合在资源受限的嵌入式系统（如STM32F407 + SD77428A3）中运行。具体移植方法详见系列文章《电池微短路的算法移植从STM32主机到电量计IC》。
实际案例
案例一：单节电池检测
电池参数：FCC = 5000mAh，检测间隔 = 3600s（1小时）
初始状态：$V_0 = 4005mV$，$I_0 = 3mA$，$T_0 = 25℃$，$SOC_0 = 0.8500$
终态（1小时后）：$V_1 = 3993mV$，$I_1 = 3mA$，$T_1 = 25℃$，$SOC_1 = 0.8498$
计算过程：
检测条件判断：电流变化0mA < 50mA ✓，温度变化0℃ < 10℃ ✓，终态电流3mA < 10mA ✓
OCV计算（查表得 $R_{ir} = 80mΩ$）：
- $OCV_0 = 4005 - 3 \times 80/1000 = 4004.76mV$
- $OCV_1 = 3993 - 3 \times 80/1000 = 3992.76mV$
OCV查表得电压基准SOC：
- $SOC_{OCV0} = 0.8505$（对应4004.76mV）
- $SOC_{OCV1} = 0.8480$（对应3992.76mV）
容量差计算：
- $\Delta Q_{OCV} = (0.8505 - 0.8480) \times 5000 = 12.5mAh$
- $\Delta Q_{CC} = (0.8500 - 0.8498) \times 5000 = 1.0mAh$
- $\Delta Q_{leak} = 12.5 - 1.0 = 11.5mAh$
漏电流和短路电阻：
- $I_{leak} = 11.5 \times 1000 / 3600 = 3.19mA$（注：此处仅为原始计算值示意）
- $R_{short} = 3998.76 / 3.19 \approx 1254Ω$
经过多级数据处理和滤波后：$I_{final} = 23.5mA$（融合历史数据后的稳态估计）
判定：$I_{final} = 23.5mA < 100mA$（告警阈值），未触发告警，记录并继续监测。
案例二：4节串联系统归一化检测
电池组：4节串联，FCC = 5000mAh（单节等效）
初始状态：$V_{total} = 16020mV$，$V_{cell_avg} = 4005mV$，$SOC_0 = 0.8500$
终态（1小时后）：$V_{total} = 15972mV$，$V_{cell_avg} = 3993mV$，$SOC_1 = 0.8498$
归一化计算：
以 $V_{cell_avg}$ 为输入，按单节算法计算，得到与案例一相同的漏电流结果。
经滤波后 $I_{final} = 24.0mA$，未超过告警阈值。该漏电流可能由以下情况引起：
- 单节电池短路电阻约 $1254Ω$
- 多节电池同时发生更轻微短路
- 系统正常自放电略高于标准值
由于无法获取单体电压，无法确定具体哪节短路，建议持续监测趋势。
性能指标
| 指标 | 测试结果 | 说明 |
|---|---|---|
| 最小可检测漏电流 | 20mA以上 | 取决于电池容量和检测间隔 |
| 检测精度 | ±10mA | 在50mA漏电流水平 |
| 短路电阻检测范围 | 50-1000Ω | 典型应用范围 |
| 短路电阻精度 | ±10Ω | 在100Ω水平 |
| 误报率 | <1% | 10000小时连续运行 |
| 响应时间 | 1-2小时 | 首次检测 |
| 多节适用性 | 支持 | 通过归一化方法 |
总结
本文介绍的双路容量对比法，通过比较OCV查表和库仑计数两种独立的容量测量方法，能够检测到微小的异常能量损失，实现微短路的早期发现。结合多级数据处理（中值滤波→自适应加权→卡尔曼滤波），有效抑制测量噪声，提高检测可靠性。
该方法的优势在于：
- 无需专用设备，利用BMS现有传感器即可实现在线监测
- 算法资源占用极低，适合嵌入式部署
- 既适用于单节电池，也通过归一化方法支持多节串联系统
系列文章
- 本文：电池微短路检测的原理与算法设计
- 移植篇：电池微短路的算法移植从STM32主机到电量计IC — 覆盖分层架构、平台适配接口、移植步骤
- 滤波篇：卡尔曼滤波在电池内部短路漏电流检测中的应用 — 覆盖一维卡尔曼滤波器实现、自适应参数调整、性能对比