以识别电压突变方向，从而区分短路与开路等不同类型的故障。同时，采用滑动窗口机制实现数据的实时更新，提高了故障检测的灵敏度与实时性。然而传感器信号处理方法在检测锂离子电池内短路时，面临传感器精度、实时性、噪声干扰和计算复杂度等方面的挑战[15]。摘要 及时检测并精准识别电池组内发生内短路的故障电池，对于保障电动汽车及电池储能系统的安全稳定运行具有重要意义。该文提出了一种基于故障特征增强与混合神经网络的锂离子电池组内短路状态估计方法，在保证高精度的同时有效地提升了算法效率。首先，面向内短路早期电压差异微弱的特点，构建平均-差异模型，通过计算每个单体电池与“平均电池”之间的端电压差，构建差异电压特征序列，该特征能突出单体相对于电池组整体行为的异常偏移，有效反映微小的电池状态变化，从而显著提高内短路征兆在特征空间的可检测性，实现针对性的故障特征增强。在此基础上，基于该模型在仿真平台中对不同内短路程度进行系统性建模与参数注入，生成三种故障级别的高可信模拟故障数据集，并与实验故障数据相融合，有效地扩展了故障特征样本，为后续状态分类奠定了坚实的基础。随后，在使用卷积神经网络（CNN）提取局部空间特征基础上，引入双向长短时记忆网络（BiLSTM）以捕捉时序信息，构建混合神经网络模型实现对内短路故障特征的深层建模，并对不同程度的内短路状态进行识别。最后，开展了锂电池内短路模拟实验，从模型精度、不同模型性能对比以及数据增强的有效性三个方面对所提方法进行了试验验证。结果表明，所构建的模型在微短路、中度短路和严重短路工况下的分类准确率分别达到96.0%、98.3%和99.0%，充分验证了该算法在内短路故障识别任务中的准确性与有效性。
关键词：锂离子电池 状态估计 混合神经网络 数据增强 内短路
锂离子电池具有成本低、循环寿命长、自放电率低等优点，目前被广泛应用于电动汽车领域和储能领域[1]。然而，由于锂离子电池在运行过程中涉及复杂的电化学反应，导致其安全性无法保证[2]。当锂电池在实际运行时，由于现有电池制作工艺的缺陷和电池使用过程中的滥用行为（机械滥用、电滥用和热滥用），可能会导致电池系统中的个别电池发生内短路故障进而引发电池热失控[3]。电池内短路是触发电池热失控的共性环节，为了保证锂离子电池的使用安全，有必要及时有效地检测出电池内短路故障，降低电池发生热失控的风险，从而确保电池系统的安全稳定运行[4]。
根据现有的文献研究，针对锂电池内短路的检测方法主要分为基于模型驱动的检测方法和基于数据驱动的检测方法两种[5]。基于模型驱动的内短路检测方法现在主要分为两种：
（1）将内短路检测问题转化为模型的参数状态估计。通过利用等效电路模型的输出状态与实际测量值进行对比，计算两者之间的残差信号，然后利用递归最小二乘法（Recursive Least Squares, RLS）算法，根据残差信号估计短路内阻，从而实现内短路的定量诊断[6]。在文献[7]中Gao Wenkai等通过均值模型（CellMean Mode, CMM）与差异模型（Cell Difference Mode, CDM）组合而成的均值-差异模型[8]（Mean-Difference Model, MDM），利用扩展卡尔曼滤波器估计正常电池和异常电池之间的荷电状态（State of Charge, SOC）差异来检测电池的内短路。
（2）利用等效电路模型分别对故障电池与正常电池的模型参数进行在线辨识。随着时间推移，若电池发生内短路，其辨识参数将逐渐偏离正常电池的参数特征。通过设定合理的参数偏离阈值，当某一电池参数超过该阈值时，即判定为存在内短路嫌疑。在此基础上，进一步引入离群点检测算法与相似性分析算法，对电池端电压的时间序列进行相关性计算。结合残差变化趋势与电压波动模式，最终判断该电池是否触发内短路故障。在文献[9]中赵帅等提出了一种基于遗忘因子递归最小二乘法和扩展卡尔曼滤波（Recursive Least Squares with forgetting factor-Extended Kalman Filter, RLS-EKF）联合算法的内短路故障诊断方法，能够在线辨识并实时估计正常电池与内短路电池在模型参数以及荷电状态上的差异信号。该方法首先利用模型参数之间的偏离特征判断是否存在内短路故障，随后通过SOC差异信号进一步实现对等效短路内阻的定量估计，从而实现内短路的精确识别与程度评估。然而，基于模型驱动的方法，比较依赖模型的精度，对于运算的要求也较高，针对现有的模型更新难度也较大。
数据驱动方法因其无需依赖复杂的电池物理建模而具备较强的灵活性与实用性，近年来受到广泛关注。该类方法通过分析电池运行过程中采集的大量实时数据，从中提取反映故障特征的关键指标，实现对异常状态的有效识别[10]。基于数据驱动的内短路检测方法又可以分为传感器信号处理和机器学习的方法[11]。其中，基于传感器信号处理的内短路检测方法主要依赖电压、电流、温度等实时传感器信号，对电池工作状态中的微小异常进行分析与识别。这类方法的核心思想是：通过数学分析工具提取电池运行过程中的“变化特征”或“突变模式”，进而实现对内短路故障的识别与判断[12]。或者利用机器学习、数据挖掘、模式识别等手段，构建用于分类或预测的特征空间，对传感器采集的时序数据进行建模分析。在文献[13]中王君瑞等提出了一种基于鲸鱼优化算法优化变分模态分解（Whale Optimization Algorithm-Variational Mode Decom- position, WOA-VMD）和粒子群优化算法优化支持向量机（Particle Swarm Optimization-Support Vector Machine, PSO-SVM）的内短路故障检测方法，该方法利用两种优化算法分别对变分模态分解和支持向量机进行优化，并利用各模态分量的样本熵值作为特征向量，实现内短路故障诊断准确率达到96.777%。在文献[14]中Shang Yunlong等提出了一种基于改进样本熵（Sample Entropy, SampEn）的锂离子电池组多故障在线诊断方法。该方法通过计算电池电压序列的SampEn来衡量其复杂度，并引入修正系数以识别电压突变方向，从而区分短路与开路等不同类型的故障。同时，采用滑动窗口机制实现数据的实时更新，提高了故障检测的灵敏度与实时性。然而传感器信号处理方法在检测锂离子电池内短路时，面临传感器精度、实时性、噪声干扰和计算复杂度等方面的挑战[15]。
随着人工智能技术的快速发展，机器学习在锂离子电池内短路故障检测中的应用展现出显著优势。该类方法通过采集电池运行数据与故障信息，训练模型自动提取潜在的异常模式，从而实现对复杂工况下多种类型故障的高效识别，具备良好的准确性与鲁棒性[16]。郭煜等提出了一种基于孤立森林算法检测锂离子电池内短路故障的方法，该方法利用串联电池组中正常电池和内短路电池的电压会产生偏离的特点，利用孤立森林算法来进行电压异常识别，进而对电池组中内短路故障进行检测[17]。在文献[18]中Yang Sen等提出了一种结合人工神经网络（Artificial Neural Network, ANN）和相关向量机（Relevance Vector Machine, RVM）的内短路检测方法。该方法首先通过改进的递归皮尔逊相关系数对电池电压信号进行预处理，有效提取异常特征，随后利用ANN和RVM进行故障检测与分级评估。结果表明，该方法能够准确检测和定位不同程度的内短路故障，展现出较强的故障识别能力与泛化性能。在文献[19]中Sun Tao等提出了一种基于转移学习优化的残差网络（Residual Network, ResNet）和多标签数据处理的内短路故障诊断方法，通过结合仿真数据和实际实验数据，利用ResNet模型进行故障诊断，并通过转移学习优化诊断效果，提高了准确率和召回率，减少了误诊率。然而，基于机器学习的内短路检测方法在实际应用中面临两个关键挑战：其一，需要大量标注精确的电池运行数据进行训练；其二，故障数据稀缺或分布不均时会显著降低模型的泛化能力与检测精度。尤其是在内短路这种低概率、不可控的故障类型下，难以获取覆盖不同短路程度的高质量样本，进一步制约了模型性能的发挥。
为此，本文提出一种融合策略，结合等效电路模型输出构建平均-差异特征，并通过仿真增强生成高质量训练数据，提升数据可靠性。随后，引入卷积神经网络（Convolutional Neural Network, CNN）与双向长短期记忆网络（Bidirectional Long Short- Term Memory, BiLSTM）相融合的混合神经网络模型对差异特征进行时序建模与分类识别。相较于传统融合方法，本文方法在特征构造和故障识别精度上更具优势，尤其在微短路识别中表现更优。本文所做贡献如下：
（1）本文通过平均-差异模型构建内短路特征，并结合仿真生成大量有效的模拟数据，实现了内短路故障数据的有效增强，显著缓解了传统机器学习中因数据质量不足而导致分类性能下降的问题。
（2）本文引入BiLSTM以解决传统CNN在处理时间序列数据时对长程依赖建模能力不足的问题。构建了CNN-BiLSTM混合神经网络模型，增强了模型对电压变化趋势的理解与记忆，从而提升了微小故障信号的时序识别能力。
（3）本文开发了一种融合等效电路模型与CNN- BiLSTM的内短路综合诊断算法，构建差异电压特征并结合仿真增强技术生成高质量训练数据，提升模型对微小短路故障的敏感性和识别能力，实现了在数据有限或故障特征不显著情况下对不同程度内短路的高精度分类。
为解决内短路故障样本稀缺、特征不显著等问题，本文引入基于平均-差异模型的数据增强策略。首先，通过实际工况采集正常单体与短路单体的端电压，计算其与平均电压的差值构建差异特征；其次，利用遗忘因子递归最小二乘法（Forgetting Factor Recursive Least Squares, FFRLS）在线辨识平均模型参数，确保模型精度；最后，基于构建的等效电路模型，在不同短路电阻下仿真生成高质量模拟数据，扩展训练样本。
1.1.1 平均模型
由于二阶RC等效电路模型具有精度高且计算难度适中的优点[20]。因此，本文采用二阶RC等效电路模型来表征平均电池（电池组电池的均值状态）。其模型结构如图1所示。
图1 二阶RC等效电路模型
Fig.1 Two order RC equivalent circuit model
图1中，Uoc,m为平均开路电压；Ut,m为平均端电压；I为电池组电流；R0,m为平均欧姆内阻；R1,m、C1,m分别为电化学极化内阻和电化学极化电容；R2,m、C2,m分别为浓度差极化内阻和浓度差极化电容；U1,m和U2,m分别表示两个RC环节的端电压。
二阶RC等效电路模型的状态方程可以表示为
（1）
（2）
（3）
SOC可通过安时积分法计算获得，即
（4）
式中，h为库伦效率，假设为1；C为平均电池标称容量；Dt为采样时间；k表示第k次采样。
电池开路电压Uoc与SOC之间呈现一定的非线性关系。文献[21]对描述Uoc与SOC关系的五种函数形式进行了系统总结，并通过多种类型电池的实验对比，发现多项式拟合方法在各类模型中表现出较高的拟合精度。
（5）
式中，x为SOC；ai为多项式系数；p为多项式最高阶数，本文选取最佳的拟合精度对应p=6。
针对内短路电池，需要将式（1）、式（4）修改为
（6）
（7）
（8）
式中，Ut为电池端电压；IISC为短路电流；RISC为短路电阻；R0、R1、R2分别为电池欧姆内阻、电化学极化内阻、浓度差极化内阻；U1和U2分别为电池中两个RC环节的端电压。
1.1.2 差异模型
由于单体之间的不一致性是不可避免的，CMM[22]模型通过“平均单体”来表征电池组的整体一致性行为。与之互补，CDM[23]则旨在量化每个单体与这一平均状态之间的偏差。该模型通过计算每个单体的状态参数（如端电压）与CMM模型对应参数的差值，将不一致性转化为显式的差异特征，从而为精确识别和跟踪故障单体提供了基础。Rint等效电路如图2所示。
图2 Rint等效电路
Fig.2 Rint equivalent circuit model
Rint模型的状态方程可表示为
（9）
（10）
（11）
（12）
式中，
、
、
分别为电池组中单体i与平均单体的开路电压差、端电压差和欧姆内阻差。
在本文中，由于可以通过计算测量值获得，而和需要使用粒子群优化算法或者递归最小二乘法获得，利用这种方式可能会获得反映故障的微弱信号。然而，利用这种方法与端到端深度学习的理念存在冲突，端到端深度学习旨在尽量减少传统信号处理的干预，直接从原始数据中学习特征。所以，本文选择式（10）来直接计算，以此来增强原始电压信号。
为了全面验证后续内短路状态估计模型的准确性和可行性，本文对串联电池组进行了模拟内短路实验。实验目的不仅验证故障检测模型的效果，包括对平均模型参数的辨识以及模型验证，确保生成的模拟数据在后续处理中具有高准确性和可靠性。
本文选取额定容量为20 A·h的电池组作为实验对象，该电池组由五个三元锂单体电池串联组成。在电池组中，通过将一个电阻并联到特定电池，来模拟不同程度的内短路状态。单体电池和电池组参数见表1。通过“新威CT-4001-100V50A-NTAB”测试设备对电池进行充放电实验，在实验过程中，电池组被放置在恒温25℃的温箱中。实验系统构成如图3所示。
表1 电池组与单体电池参数信息
Tab.1 Battery pack and individual battery parameter information
类型单体电池电池组 规格21 7005串 额定容量/(A·h)4.020 运行电压范围/V2.50～4.2012.5～21 充电模式CC/CVCC/CV 温度/℃2525
图3 内短路测试系统
Fig.3 Internal short circuit testing system
在连接之前，为避免由于电池之间的不一致性影响本文的状态估计结果，首先进行容量筛选实验，保证每个单体电池的容量都为4.0 A·h。
在电池组实验过程中，电池组充电方式为多阶恒流充电，首先以4.8 A电流恒流充电至单体电池最高电压上升至3.6 V，然后以2.4 A电流恒流充电至单体电池最高电压为4.1 V再使用0.8 A电流恒流充电至单体电池最高电压上升至4.2 V，充电结束；为了充分验证本工作设计的分类方法在复杂工况条件下的分类精度，放电过程进行混合脉冲功率测试（Hybrid Pulse Power Test, HPPC）和城市高速（Urban High Speed, US06）测试工况实验，以贴近实际工况下电池的运行状态[24]。
由于目前对自引发内短路的成因尚不清楚，国际上目前还只能通过内短路替代实验的方法来模拟，为最大程度地模拟真实情况下的内短路真实情况，本文利用等效电阻法来进行模拟[25]。实验总共进行3次，在US06工况下通过对3号电池分别并联150 W、100 W和50 W的电阻来模拟电池不同的内短路状态（微短路、中度短路和严重短路）。在确定平均模型基础结构后，需要对其参数进行辨识。本文采用FFRLS进行在线参数辨识。通过引入遗忘因子机制，可有效地提升参数在时变条件下的辨识精度和响应能力[26]。
图4展示了US06工况下，三种内短路状态实验中正常单体和内短路单体的端电压变化曲线。分析可知，内短路单体的端电压与正常单体端电压曲线随着实验的进行逐渐偏离，其端电压下降速度更快。在微短路和中度短路状态下，两者之间的差异并不明显，而在严重短路情况下，电压差异则表现更为明显，并且随着内短路故障的加剧，电压差异更加显著。具体来说，内短路引起的压降主要源于漏电流。由此可见，如仅依赖电压作为特征数据，由于微短路、中度短路电压差异不明显，会不利于后续模型对故障的精确估计。
为进一步获取更有效的内短路状态特征，展示了通过平均-差异模型计算提取的特征数据变化情况，如图5所示。分析可知，即使在微短路状态下，故障单体的差异电压波动趋势也明显不同于正常电池。随着短路程度的增加，内短路故障电池的差异电压逐渐偏离正常电池，且随着内短路程度加剧偏离值也逐渐偏大。因此，通过这一特征数据，可更有效地捕捉到内短路故障对电池差异电压波动的影响，为后续的故障诊断提供可靠特征支持。
图4 不同内短路状态下故障单体端电压和正常单体端电压曲线
Fig.4 Faulted cell and normal cell terminal voltage curves under different internal short circuit states
图5 不同内短路状态下故障单体和平均单体的端电压差异
Fig.5 Difference in terminal voltage between the faulted cell and the average cell under different internal short circuit states
本文以“平均电池”与各单体电池之间的端电压差作为关键特征，开展锂离子电池组内短路状态的识别研究。然而，在实际车辆运行过程中，内短路早期通常难以察觉，特别是在微短路阶段，正常单体与故障单体之间的电压差异极小，极易导致故障电池被误判为正常电池，影响后续内短路状态估计模型的识别精度。
此外，电池组中发生内短路故障的电池数量远少于正常电池，导致样本在类别上的极度不平衡，进而使得深度学习模型更容易对正常电池（占多数的类别）产生过拟合，从而降低对故障电池（少数类别）识别能力。同时，实验数据的采集受限于成本和可控性，真实故障数据的稀缺性使得无法为深度学习模型提供足够多样化和大规模的样本。
为了解决上述问题，本文提出了一种基于电池组结构的平均-差异模型数据增强方法，以扩展故障样本的数量，缓解类别不平衡问题，提升模型对内短路状态的识别精度。数据增强流程如图6所示。具体而言，首先通过实验获取了正常样本与内短路样本的数据，并以此为基础生成了初步的故障数据集，并利用实验数据识别平均电池的等效电路参数，建立平均-差异模型。
图6 数据增强流程
Fig.6 Data augmentation flow chart
该数据集模拟了电池组在短路电阻为150 W、100 W和50 W条件下的不同故障状态（微短路、中度短路和严重短路）。在这一阶段，正常电池与故障电池的比例为4
1。接着，基于已建立的平均-差异模型，通过仿真平台注入与实验中相同的短路内阻（150 W、100 W和50 W），在相同工况下运行模型，得到三种短路等级下的仿真差异电压序列，构建仿真故障样本集，生成第二组故障数据。这一仿真数据集通过模拟不同内短路电阻下电池组的电压响应，进一步扩展了故障样本的数量，且仿真数据与实验数据在电压变化趋势和故障特征上基本保持一致，因此构建的故障样本数据集可视为对实验故障样本的有效补充，实验故障样本数量为Nfault,exp，仿真故障样本数量约为Nfault,sim≈Nfault,exp，故数据增强后的总故障样本量Nfault,total为
（13）
正常样本的数量Nnormal保持不变，仍为实验故障样本的4倍，因此增强后的样本比例由原始的
（14）
优化为
（15）
此数据增强方法不仅确保了生成的故障数据与实际实验数据的一致性，还通过仿真平台的高效计算能力，较短时间内生成了大量可靠的内短路故障样本。通过这种方式，故障样本的数量得到了有效扩展，并优化了样本比例，从而提升了数据的平衡性，为后续模型训练与评估提供了更加充足且可靠的数据支持。
为了实现正常电池和内短路电池的状态估计，本文搭建了数据增强下的CNN-BiLSTM混合神经网络模型，其总体框图如图7所示。
CNN-BiLSTM模型结合了CNN和BiLSTM的优势。CNN能够提取数据中的局部特征，如电压波动模式和异常特征，从而增强模型对局部差异的感知能力。而BiLSTM通过双向信息流的机制，更有效地捕捉时间序列数据的长期依赖关系，提升对电池状态演化趋势的建模能力。结合CNN和BiLSTM模型不仅能提取时空特征，还能在复杂工况下实现精准的故障状态估计。此外，该方法能够高效处理高维时序数据，并在小样本条件下具备良好的泛化能力。为了进一步提升模型的准确率，并增强该方法在真实车辆运行环境中的应用可行性，本文在原始训练框架基础上引入数据增强策略，进一步增强了模型对故障特征的识别能力。
基于本文仅利用差异电压数据完成正常电池与异常电池分类预测的目标，需要一种具备强大特征提取能力的神经网络算法，CNN凭借其卓越的局部特征捕捉能力和参数共享机制，能够高效地提取电池电压信号中的关键故障特征，同时具备良好的抗噪声性能和较低的模型复杂度，因而成为理想的选择。CNN是一种模拟人类视觉的系统，主要由卷积层、池化层和全连接层组成[27]。计算公式为
图7 内短路状态估计算法流程
Fig.7 Flowchart of the internal short circuit state estimation algorithm
（16）
式中，ykij为与第k个特征有关的在矩形区域Rij的最大池化输出值；xkpq为矩形区域Rij中位于(p,q)处的元素。
卷积层用于提取输入数据中的局部关键特征，通过滑动卷积核捕捉时空结构信息，保留原始数据的空间拓扑关系；而池化层则对卷积后的特征图进行下采样操作，有效压缩特征维度、减少计算复杂度，并增强模型对局部扰动的鲁棒性。通过卷积和池化的协同作用，CNN能够逐层提炼出更加稳定的特征表达，为后续全连接层的分类任务提供坚实的特征基础。全连接层通常位于CNN网络的末端，负责将提取到的特征映射到样本的标签空间，实现对输入数据的状态估计。
本文构建如图8所示的CNN结构，由输出层、2个卷积层、2池化层和1全连接层组成。
输出层由一维12×12的矩阵构成，在卷积层中，卷积核输入通道数必须与输入数据的通道数保持一致，因此，两个卷积层的卷积核输入通道数都取1。令卷积核的尺寸为3×3，两个卷积层的卷积核的滑动步长为1，两个卷积层中卷积核输出通道数分别为16和32。为进一步提纯特征，池化层的滑动步长为2，以有效压缩特征维度并保留关键信息。
由于CNN在捕捉时间序列数据的长程依赖方面存在一定不足，因此本文引入BiLSTM，将CNN提取后的高阶特征输入BiLSTM，充分利用其强大的时序建模能力来捕获故障演化过程中前后时间步之间的长期依赖关系[28]。这种融合结构解决了传统CNN难以处理时间序列中全局动态信息的问题，同时弥补了LSTM在原始数据特征提取方面的不足。相比单一结构，CNN-BiLSTM模型在识别复杂、微弱故障信号时表现出更强的表达能力和判别能力。
图8 CNN结构
Fig.8 CNN structure
LSTM的记忆块包括输入门、输出门和遗忘门，其内部结构如图9所示。
在每个时间步长t中，LSTM 网络接收输入以及上一时间步长的细胞状态和隐藏状态，并输出当前时间步的细胞状态和隐藏状态。首先，LSTM接收当前时间步的输入和上一时间步的隐藏状态，并通过遗忘门，具体计算公式为
图9 BiLSTM神经网络结构
Fig.9 BiLSTM neural network structure
（17）
（18）
式中，wf为权重矩阵；bf为阈值矩阵；
为t-1时刻的隐藏状态；
为当前t时刻记忆单元状态下的值；
为Sigmoid函数。
输入门通过当前时刻的输入和上一时刻的隐藏状态来决定哪些信息应输入记忆单元，具体计算过程如下。
（19）
（20）
（21）
（22）
式中，
为输入门的输出；wc、wi为权重矩阵；bc、bi为阈值矩阵；
和
分别当前时刻和前一时刻的单元状态；
为候选的单元状态。
输出门利用当前时刻的输入和上一时刻的隐藏状态，确定哪些信息应传递到下一层或者输出层，具体计算过程为
（23）
（24）
式中，
为输出门的输出；wo为权重矩阵；bo为阈值矩阵；
为当前t时刻的隐藏状态。
前向LSTM的隐藏状态ht1和后向LSTM的隐藏状态ht2通过相应的权重系数进行连接，从而得到BiLSTM的最终输出结果Yt，具体的计算过程如下。
（25）
（26）
（27）
式中，wh1为前向LSTM层的连接循环权重矩阵；wh2为后向LSTM层的连接循环权重矩阵；by为输出层的偏执矩阵；
为当前时间步的输入变量；
为当前时间步的输出向量。
为了评估CNN-BiLSTM内短路状态估计模型对锂离子电池内短路故障状态估计的准确性和有效性，需要构建一些指标对故障分类结果进行评估。对于二元分类，本文利用混淆矩阵、精确率（Accuracy）、召回率（Recall）和准确率（Precision）这些评价指标来对故障状态估计方法进行评估[29]。具体如计算公式为
（28）
（29）
（30）
式中，FP为实际数据为正常分类模型检测为异常的数据；FN为实际数据为异常分类模型检测为正常的数据；TP为实际数据为异常分类模型检测也为异常的数据；TN为实际数据为正常分类模型检测也为正常的数据。
淆矩阵的结构见表2，数据的实际类别包括正常和异常两种。算法的检测结果也分为正常和异常两类。通过将实际类别与算法预测结果相互组合，混淆矩阵展示了四种可能的结果。颜色标尺反映每个格子中对应样本数量的大小，由于不同内短路工况下验证样本数量不一致，为便于对比，采用颜色深浅来可视化不同格子的样本量级。需要强调的是，为了使评价结果更符合电池组安全监控的工程需求，本文在性能评估时采用电池组层面的严格判定准则：对于某一采样时刻，如果4个正常单体中有任意一个被模型误判为“内短路”，则认为该时刻电池组的状态识别为错误；只有当4个正常单体全部被判定为“正常”，且内短路单体被判定为“内短路”时，才视为一次正确识别。基于上述准则，混淆矩阵中TN、FP、FN、TP的统计结果均是按照电池组层面的判定结果进行计数，更能反映实际应用中对误报与漏报的严格要求。
表2 混淆矩阵
Tab.2 Confusion matrix
真实估计 异常正常 异常TPFN 正常FPTN
为系统评估所构建的状态估计模型在不同内短路工况下的识别能力，本文对数据集的构建与划分进行了统一设计。在微短路（150 W）、中度短路（100 W）和严重短路（50 W）三种内短路程度下，均开展了两组独立放电实验：其中一组记为实验A，用于构建训练集；另一组记为实验B，用于构建测试集。三种故障等级下的样本数量见表3。
表3 三种故障等级下的样本数量
Tab.3 Sample size under different fault conditions
短路内阻/W训练样本数测试样本数 15026 53927 002 10025 37724 261 5026 14827 004
在每组实验中，首先以固定采样频率采集电池组电压、电流等信号，并根据平均-差异模型提取“平均电池”与各单体之间的端电压差作为特征。
需要指出的是，虽然两组实验在外部工况设定及短路电阻取值上严格保持一致，但受实际放电过程中电流波动、截止条件触发时刻等因素影响，各次实验的放电持续时间存在细微差异。然而，从总体规模和数量级来看，各工况的训练集与验证集样本数大致相当，并且在不同内短路等级下均包含了充足的样本片段，从而能够保证神经网络训练过程的稳定性及模型性能评估的可靠性。
总体来看，不同短路程度下训练集与测试集的样本数量均处于同一数量级，并在正常类与不同故障等级之间保持了较好的覆盖度，从而为CNN- BiLSTM模型的训练收敛和性能评价提供了充足的数据支撑。
此外，在采用基于平均-差异模型的数据增强策略后，训练集中正常样本与故障样本的总体比例由约41优化为约21，而验证集则完全采用独立的实验数据构建，以保证模型评估的客观性。
本节将对平均-差异模型获取的仿真电压数据进行有效性验证和评估，来保证模拟数据在机器学习中的有效性。同时，将模型在不同程度内短路状态下的估计结果进行对比分析，来保证CNN- BiLSTM模型的泛化能力。并利用CNN-BiLSTM模型与其他常用模型的预测精度上进行对比，以此验证本文模型在估计效果上的优势。最后，验证了增强数据对CNN-BiLSTM模型估计效果的有效性。
准确的仿真模型对于获取电池的固有特性至关重要。本文基于二阶RC模型，通过计算内短路单体3的端电压数据与平均端电压数据的差值，得到了特征数据
，因此，仅需对内短路单体3的端电压数据进行有效评估。图10展示了在US06工况下，内短路单体实验电压与仿真电压的对比，图11为端电压误差，由误差统计结果可知，端电压最大误差不超过60 mV，且平均误差保持在30 mV以下。表明使用仿真数据替代实验数据具有较高的可靠性，能够为机器学习提供大量且有效的故障数据，并显著减少实验所需的时间和成本。
图10 实验电压和模拟电压对比
Fig.10 Comparison of experimental voltage and simulated voltage
图11 端电压误差
Fig.11 Terminal voltage error
为了验证模型在不同内短路程度下的状态估计性能，本文在由五个电池串联组成的电池组中，分别在3号单体电池并联50 W、100 W和150 W的电阻，模拟了不同内短路状态下电池的表现。针对每种内短路程度，本文分别进行了两组US06实验，一组数据用于训练；另一组用于测试。将每个正常电池的端电压与平均电池端电压的差值作为输入特征，并将内短路电池3的端电压与平均电池端电压之间的差异电压作为标签，进行正常电池与内短路电池的状态估计，通过在不同内短路状态下进行训练和预测，确保CNN-BiLSTM模型能够适应多样化内短路下的电池行为，从而验证该模型的鲁棒性和泛化能力。
图12展示了在微短路、中度短路和严重短路状态下模型的估计结果。通过估计结果能够得到每种短路状态下模型的准确率、精确率和召回率见表4。结果表明，在微短路状态下，模型的准确率为93.4%；在中度短路状态下为96.3%；在严重短路状态下，准确率达到了98.3%。由此可见，CNN- BiLSTM模型在不同短路状态下均能保持90%以上的准确率，且随着内短路程度的加剧，差异电压特征也会变得更加明显，模型的准确率也随之提高。
图12 不同内短路程度状态估计结果
Fig.12 State estimation results for different internal short circuit levels
表4 串联电池组状态估计有效性指标
Tab.4 State estimation effectiveness indicators for series battery pack
短路内阻/W准确率(%)精确率(%)召回率(%) 15093.489.997.9 10096.393.1100 5098.396.7100
为了全面评估模型的故障识别能力，除了准确率，精确率和召回率也是关键的评价指标。精确率反映了模型对正常电池（正类样本）的正确识别能力。由于本文中正常电池共有四个，只要有一个正常电池被误判为内短路，模型的精确率就会下降。因此，模型只有在所有正常电池都被正确识别时，才能获得较高的精确率。结果表明，在微短路状态下，模型的精确率为89.9%，在中度短路状态下为93.1%，在严重短路状态下提升至96.7%，显示出模型在故障程度加深时具备更强的故障识别能力。另一方面，召回率则衡量了模型对内短路故障电池（故障样本）的识别能力，尤其在故障样本数量较少时尤为重要。在本研究中，尽管在微短路状态下正常电池与故障电池的电压差异较小，模型仍能实现97.9%的召回率；而在中度和严重短路状态下，召回率进一步提升至100%。这一结果表明，CNN- BiLSTM模型在不同短路故障阶段均表现出出色的故障识别能力，尤其在故障程度加剧时，能够更准确地识别故障电池。
为了进一步验证CNN-BiLSTM模型在故障状态估计精度方面的性能优势，本文将其与四种常见模型进行了对比分析：包括CNN模型、LSTM模型、BiLSTM模型以及CNN-LSTM模型。考虑到在严重短路状态下，各模型均可轻松识别出明显的差异电压特征，无法充分体现模型在特征提取与分类能力上的差异性，本文选取中度短路和微短路两个更具挑战性的故障状态作为评估对象。最终得到了各个模型的估计结果，如图13和图14所示。中度短路和微短路状态下不同模型内短路状态估计有效性指标见表5。
首先，从表5的准确率对比可以看出，在中度短路和微短路期间，单独使用CNN模型的分类准确率均稳定在90.0%左右，整体表现较为一般。LSTM模型在中度短路下准确率为90.7%，但在微短路期间仅为83.9%，说明其对故障特征较弱时的识别能力不足。CNN-LSTM融合模型的准确率相比前两者略有提升，但增幅有限，性能提升不明显。相比之下，BiLSTM模型准确率显著提升，反映其在建模时间序列特征方面的优势。而本文提出的CNN-BiLSTM模型在中度短路与微短路期间的准确率分别达到96.4%和93.4%，显著优于其他模型，展现出在内短路故障识别任务中的卓越性能。
图13 中度短路不同模型状态估计结果
Fig.13 State estimation results for moderate short circuit using different models
图14 微短路不同模型状态估计结果
Fig.14 State estimation results for micro short circuit using different models
表5 中度短路和微短路状态下不同模型内短路状态估计有效性指标
Tab.5 State estimation effectiveness indicators for different models under moderate and micro short circuit states
短路内阻/W模型准确率(%)精确率(%)召回率(%) 100CNN88.983.097.8 LSTM90.787.195.6 CNN-LSTM91.388.594.9 BiLSTM94.592.197.4 CNN-BiLSTM96.493.1100 150CNN89.889.490.4 LSTM83.994.072.4 CNN-LSTM91.596.286.4 BiLSTM93.088.099.5 CNN-BiLSTM93.489.997.9
其次，对比精确率与召回率可知，微短路（150 W）期间精确率为89.9%，召回率达97.9%，中度短路（100 W）期间精确率为93.1%，召回率达100%，说明该模型不仅能够准确识别正常样本，同时几乎不会遗漏任何故障样本，兼具准确性与全面性。相比之下，CNN模型虽具备较高的召回率，但精确率相对较低。LSTM和CNN-LSTM在识别正常样本方面有一定优势，但在微短路识别中表现不佳。BiLSTM模型则在两种短路状态下均提升了精确率和召回率，表明其双向结构对故障特征识别具有增强作用。
综上所述，CNN-BiLSTM模型将CNN的局部特征提取能力与BiLSTM对时间序列的双向建模能力有效融合，在三项指标中均取得最优结果，不仅提升了整体分类精度，更增强了模型在复杂工况下的鲁棒性与泛化能力。这充分验证了其作为电池内短路故障诊断模型的实用价值与优势。
为验证数据增强对提升模型准确性的有效性，本文对比分析了CNN-BiLSTM模型在引入数据增强前后的性能差异。通过对比相同程度内短路情况下的估计结果。图15展示了利用数据增强后，使用CNN-BiLSTM对不同程度内短路状态估计结果。
如图12所示，在未采用模拟数据进行样本扩增的情况下，所构建的CNN-BiLSTM模型在不同内短路状态下的故障识别中已展现出良好的性能，整体分类准确率普遍超过90%。特别是在中度短路和严重短路阶段，模型准确率分别达到约96%和98%，表现出较强的分类能力。然而，在微短路初期阶段，由于故障特征尚不明显，模型识别仍存在一定挑战。
图15 数据增强下不同程度内短路状态估计结果
Fig.15 State estimation results for different internal short circuit levels with data augmentation
实验数据与增强数据结果对比如图16所示。由图16对比结果可知，数据增强后，CNN-BiLSTM模型在微短路阶段的估算准确率提升了约2.6%，在中度与严重短路阶段分别提升了1.1%与0.8%，尽管原始准确率已处于较高水平，这一提升依然表明数据增强在细微故障检测中的有效性。另外，在精确率这一评价指标同样获得了提升，使每个内短路状态的精确率都提升了约2%，提高了模型对正常样本的识别能力。更为关键的是，在召回率方面，数据增强后模型在每个内短路状态下均达到了接近100%，表明该模型几乎没有遗漏任何故障样本。这一结果凸显了数据增强在提升模型对故障样本识别的准确性与全面性方面的重要作用，尤其在处理内短路这种较为复杂、细微的故障时。对实现电池内短路的早期预警和风险控制具有重要意义。
图16 实验数据与增强数据结果对比
Fig.16 Comparison of results between experimental data and augmented data
本研究面向电动汽车锂离子电池组，提出了一种基于特征增强与混合神经网络的内短路状态估计方法。通过设计内短路模拟实验，分别获取了电池在微短路、中度短路和严重短路阶段的电压响应数据。基于所采集的数据，构建了平均-差异模型，提取具有代表性的差异电压特征，用于表征不同短路状态下电池的行为特征。为解决实验数据稀缺与样本不均衡的问题，本文引入数据增强技术。采用等效电路模型进行内短路状态仿真，生成大量与实验高度吻合的模拟故障数据，显著扩展了故障样本的数量，并有效优化了正常样本与故障样本的比例。在此基础上，本文构建了CNN与BiLSTM的混合神经网络模型，充分发挥CNN在捕捉局部差异特征方面的优势，以及BiLSTM在建模时间序列长期依赖关系方面的能力，实现了对内短路状态的高精度估计。结果显示，该模型在微短路、中度短路和严重短路阶段的估计准确率分别达到了96.0%、98.3%和99.0%，表现出良好的故障识别能力，对于实现电池系统的早期预警与故障防控具有重要的工程应用价值。
参考文献
[1] 安富强, 赵洪量, 程志, 等. 纯电动车用锂离子电池发展现状与研究进展[J]. 工程科学学报, 2019, 41(1): 22-42.
An Fuqiang, Zhao Hongliang, Cheng Zhi, et al. Development status and research progress of power battery for pure electric vehicles[J]. Chinese Journal of Engineering, 2019, 41(1): 22-42.
[2] Kong Xiangdong, Lu Languang, Yuan Yuebo, et al. Foreign matter defect battery and sudden spontaneous combustion[J]. eTransportation, 2022, 12: 100170.
[3] 牛志远, 姜欣, 谢镔, 等. 电动汽车过充燃爆事故模拟及安全防护研究[J]. 电工技术学报, 2022, 37(1): 36-47, 57.
Niu Zhiyuan, Jiang Xin, Xie Bin, et al. Study on simulation and safety protection of electric vehicle overcharge and explosion accident[J]. Transactions of China Electrotechnical Society, 2022, 37(1): 36-47, 57.
[4] Xu Chaojie, Li Laibao, Xu Yuwen, et al. A vehicle- cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries[J]. eTransportation, 2022, 12: 100172.
[5] 耿莉敏, 赵扬, 高楠, 等. 锂离子电池内短路形成机理及检测方法综述[J]. 汽车工程学报, 2023, 13(4): 481-495.
Geng Limin, Zhao Yang, Gao Nan, et al. Review of short-circuit formation mechanisms and diagnostic methods in lithium-ion batteries[J]. Chinese Journal of Automotive Engineering, 2023, 13(4): 481-495.
[6] Feng X, He X, Lu L, et al. Analysis on the fault features for internal short circuit detection using an electrochemical-thermal coupled model[J]. Journal of the Electrochemical Society, 2018, 165(2): A155- A167.
[7] Gao Wenkai, Zheng Yuejiu, Ouyang Minggao, et al. Micro-short-circuit diagnosis for series-connected lithium-ion battery packs using mean-difference model[J]. IEEE Transactions on Industrial Electronics, 2019, 66(3): 2132-2142.
[8] Wang Lu, Ma Jian, Zhao Xuan, et al. Online estimation of state-of-charge inconsistency for lithium- ion battery based on SVSF-VBL[J]. Journal of Energy Storage, 2023, 67: 107657.
[9] 赵帅. 锂离子动力电池内短路机理与诊断方法研究[D]. 长春: 吉林大学, 2022.
Zhao Shuai. Study on mechanism and diagnosis method of internal short circuit in lithium-ion power battery[D]. Changchun: Jilin University, 2022.
[10] 谢国民, 刘澳. 基于混合特征提取和机器学习的锂离子电池健康状态估计[J]. 电力系统自动化, 2025, 49(21): 120-130.
Xie Guomin, Liu Ao. State of health estimation for lithium-ion batteries based on hybrid feature extraction and machine learning[J]. Automation of Electric Power Systems, 2025, 49(21): 120-130.
[11] Naha A, Khandelwal A, Agarwal S, et al. Internal short circuit detection in Li-ion batteries using supervised machine learning[J]. Scientific Reports, 2020, 10: 1301.
[12] Xia B, Nguyen T, Yang J, et al. The improved interleaved voltage measurement method for series connected battery packs[J]. Journal of Power Sources, 2016, 334: 12-22.
[13] 王君瑞, 吴新举, 赵东琦, 等. 基于WOA-VMD与PSO-SVM的锂离子电池内短路故障诊断方法[J]. 工程科学学报, 2023, 45(12): 2162-2172.
Wang Junrui, Wu Xinju, Zhao Dongqi, et al. Research on internal short-circuit fault diagnosis methods for lithium-ion batteries based on WOA-VMD and PSO- SVM[J]. Chinese Journal of Engineering, 2023, 45(12): 2162-2172.
[14] Shang Yunlong, Lu Gaopeng, Kang Yongzhe, et al. A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings[J]. Journal of Power Sources, 2020, 446: 227275.
[15] Wang Zhenpo, Hong Jichao, Liu Peng, et al. Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles[J]. Applied Energy, 2017, 196: 289-302.
[16] 彭自然, 王顺豪, 肖伸平, 等. 基于KA Informer的电动汽车动力电池荷电状态和健康状态估算[J]. 电工技术学报, 2025, 40(19): 6378-6394.
Peng Ziran, Wang Shunhao, Xiao Shenping, et al. State of charge and state of health estimation of electric vehicle power battery based on KA Informer model[J]. Transactions of China Electrotechnical Society, 2025, 40(19): 6378-6394.
[17] 郭煜, 王亦伟, 彭鹏, 等. 基于孤立森林算法的锂离子电池微内短路故障诊断方法[J]. 储能科学与技术, 2024, 13(11): 4102-4112.
Guo Yu, Wang Yiwei, Peng Peng, et al. Fault diagnosis of micro-internal short circuits in lithium- ion battery using the isolated forest algorithm[J]. Energy Storage Science and Technology, 2024, 13(11): 4102-4112.
[18] Yang Sen, Xu Boran, Peng Hanlin. Isolation and grading of faults in battery packs based on machine learning methods[J]. Electronics, 2022, 11(9): 1494.
[19] Sun Tao, Zhu Hao, Xu Yuwen, et al. Internal short circuit fault diagnosis for the lithium-ion batteries with unknown parameters based on transfer learning optimized residual network by multi-label data processing[J]. Journal of Cleaner Production, 2024, 444: 141224.
[20] 卫志农, 原康康, 成乐祥, 等. 基于多新息最小二乘算法的锂电池参数辨识[J]. 电力系统自动化, 2019, 43(15): 139-145.
Wei Zhinong, Yuan Kangkang, Cheng Lexiang, et al. Parameter identification of lithium-ion battery based on multi-innovation least squares algorithm[J]. Auto- mation of Electric Power Systems, 2019, 43(15): 139-145.
[21] Hu Xiaosong, Li Shengbo, Peng Huei, et al. Robu- stness analysis of state-of-charge estimation methods for two types of Li-ion batteries[J]. Journal of Power Sources, 2012, 217: 209-219.
[22] 向兆军, 胡凤玲, 罗明华, 等. 基于电池组模型和聚类算法的锂离子电池组SOC不一致估计[J]. 机械工程学报, 2020, 56(18): 154-163.
Xiang Zhaojun, Hu Fengling, Luo Minghua, et al. Estimation of SOC inconsistencies in lithium-ion battery packs based on battery pack modeling and clustering algorithm[J]. Journal of Mechanical Engineering, 2020, 56(18): 154-163.
[23] 高文凯. 锂离子动力电池的短路故障诊断研究[D]. 上海: 上海理工大学, 2020.
Gao Wenkai. Study on short circuit diagnosis of lithium ion power battery[D]. Shanghai: University of Shanghai for Science & Technology, 2020.
[24] 张芳芳, 强科亮, 娄本杰. 基于US06复合工况的动力电池SOC估计[J]. 电工技术, 2022(18): 69-71.
Zhang Fangfang, Qiang Keliang, Lou Benjie. SOC estimation of power battery based on US06 composite condition[J]. Electric Engineering, 2022(18): 69-71.
[25] 刘力硕, 张明轩, 卢兰光, 等. 锂离子电池内短路机理与检测研究进展[J]. 储能科学与技术, 2018, 7(6): 1003-1015.
Liu Lishuo, Zhang Mingxuan, Lu Languang, et al. Recent progress on mechanism and detection of internal short circuit in lithium-ion batteries[J]. Energy Storage Science and Technology, 2018, 7(6): 1003-1015.
[26] 范兴明, 封浩, 张鑫. 最小二乘算法优化及其在锂离子电池参数辨识中的应用[J]. 电工技术学报, 2024, 39(5): 1577-1588.
Fan Xingming, Feng Hao, Zhang Xin. Optimization of least squares method and its application in parameter identification of lithium-ion battery model[J]. Transac- tions of China Electrotechnical Society, 2024, 39(5): 1577-1588.
[27] 杜伟, 王圣, 李健, 等. 基于CNN-LSTM-AM模型的储能锂离子电池荷电状态预测[J]. 电工技术学报, 2025, 40(9): 2982-2995.
Du Wei, Wang Sheng, Li Jian, et al. Prediction of state of charge for energy storage lithium-ion batteries based on CNN-LSTM-AM model[J]. Transactions of China Electrotechnical Society, 2025, 40(9): 2982-2995.
[28] 黄凯, 丁恒, 郭永芳, 等. 基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测[J]. 电工技术学报, 2022, 37(15): 3753-3766.
Huang Kai, Ding Heng, Guo Yongfang, et al. Prediction of remaining useful life of lithium-ion battery based on adaptive data preprocessing and long short-term memory network[J]. Transactions of China Electrotechnical Society, 2022, 37(15): 3753-3766.
[29] 张开放, 苏华友, 窦勇. 一种基于混淆矩阵的多分类任务准确率评估新方法[J]. 计算机工程与科学, 2021, 43(11): 1910-1919.
Zhang Kaifang, Su Huayou, Dou Yong. A new multi-classification task accuracy evaluation method based on confusion matrix[J]. Computer Engineering and Science, 2021, 43(11): 1910-1919.
Abstract Timely detection and accurate identification of faulted batteries with internal short circuits are crucial for ensuring the safe and reliable operation of electric vehicles (EVs) and energy storage systems (ESS). Early detection of such faults helps to prevent safety hazards such as thermal runaway or fire, thereby ensuring the safety of both the battery system and the user. This paper proposes a novel method for estimating internal short-circuit states in lithium-ion battery packs employing a hybrid neural network approach. The proposed method effectively improves the algorithm's efficiency while maintaining high classification accuracy.
The method first addresses the subtle voltage differences that occur in the early stages of internal short circuits, where the voltage drop is often minimal. An average-difference model is constructed to compute the voltage difference between each battery cell and an “average cell”, yielding a sequence of differential voltage features. This sequence highlights the abnormal behavior of a single cell relative to the battery pack's overall behavior. It can detect even the slightest deviations in battery behavior, which would otherwise be difficult to distinguish from normal operation.
Then, different internal short-circuit severities are simulated. By injecting various parameters, high- confidence simulated fault datasets are generated to represent three distinct fault levels: micro, moderate, and severe short-circuit stages. These simulated datasets are then combined with experimental fault data, yielding a larger, more diverse sample of fault features. This enhanced dataset allows the model to learn from a richer set of fault features, thereby improving its ability to generalize across different battery conditions.
To further improve fault detection, a hybrid neural network model is incorporated using convolutional neural networks (CNNs) to extract local spatial features within the battery pack and bidirectional long short-term memory (BiLSTM) networks to capture temporal information from time-series data. The BiLSTM network processes a sequence of voltage differences over time, enabling the model to identify patterns and trends in fault progression. This hybrid approach leverages both spatial and temporal features, enabling the model to classify internal short-circuit states more accurately.
The proposed method is validated through internal short-circuit simulation experiments. The performance is evaluated from three perspectives: model accuracy, comparisons among different models, and the effectiveness of data augmentation techniques. The results show that the hybrid model achieves classification accuracies of 96.0%, 98.3%, and 99.0% for the micro-, moderate-, and severe-short-circuit stages, respectively. The proposed method is highly effective at detecting and identifying internal short-circuit faults in lithium-ion battery packs.
In conclusion, the proposed method offers a robust and efficient approach to detecting internal short-circuit faults in lithium-ion battery systems. By combining fault feature enhancement with a hybrid CNN-BiLSTM neural network, the method improves fault classification accuracy. It provides an effective solution for safety- critical applications in electric vehicles and energy storage systems. This approach not only enables early detection of internal short-circuit faults but also contributes to the development of safer, more reliable battery management systems.
keywords：Lithium-ion battery, state estimation, hybrid neural network, data augmentation, internal short circuit
DOI: 10.19595/j.cnki.1000-6753.tces.251084
中图分类号：TM912
国家自然科学基金（52577236）、云南省基础研究计划（202301AT070423）、云南省重点研发计划“云南省智能网联交通国际联合实验室”（202503AP140016）和重庆市自然科学基金（CSTB2024NSCQ-MSX0389）资助项目。
收稿日期 2025-06-19
改稿日期 2025-11-24
申江卫 男，1984年生，教授，硕士生导师，研究方向为新能源汽车动力电池管理。E-mail: shenjiangwei6@kust.edu.cn（通信作者）
陈 峥 男，1982年生，教授，博士生导师，研究方向为新能源汽车节能控制与动力电池管理、智能网联汽车优化控制。E-mail: chen@kust.edu.cn
（编辑 郭丽军）