随着储能技术的快速发展，锂离子电池因其高能量密度和长循环寿命而被广泛应用于电力存储和电动汽车[1]。然而，当电池系统中存在连接异常时——例如螺栓紧固不足、连接器老化、表面氧化/腐蚀或机械振动导致的松动——这些问题可能导致电池性能下降、局部过热，甚至引发严重的安全事件，如热失控[2]。因此，监测连接状态并进行连接异常诊断至关重要。
诊断连接异常的一种直接方法是测量每个电池在50%荷电状态（SOC）下对电流激励（例如直流脉冲、1 kHz交流信号或混合脉冲功率特性测试脉冲[3,4]）的电压响应的电阻。然后通过分析所得电阻分布的离散程度来确定是否存在异常。这种方法通常依赖于外部专用的充放电测试设备，难以集成到在线运行系统中。
另一种更通用的诊断方法是在动态负载条件下分析每个电池电压波动的统计特性，利用偏离正常运行的模式作为关键指标[5]。这些方法不需要额外的专用测试设备或专门的测试程序，而是利用系统固有的非稳态电流激励（例如电动汽车中的加速/减速电流）来引发电压响应。通过分析这些响应信号，可以评估连接状态，使这些方法更适合在线连续诊断和早期预警。在参考文献[6]中，使用t分布随机邻域嵌入（t-SNE）算法将电池系统中所有电池电压的高维监控数据压缩为二维数据，然后通过K均值聚类算法和Z分数方法的结合应用进行两步故障诊断和电池电压异常定位。在参考文献[7]中，通过经验模态分解（EMD）从电池电压信号中提取有效故障特征，并计算这些特征的样本熵以实现连接异常定位，该方法使用从电动汽车大数据监控中心收集的广泛监控数据进行了验证。参考文献[8,9]采用基于类间相关系数的方法进行电池故障检测，通过检查相邻电池之间的电压相关性来定位异常电池。
在动态运行条件下进行在线等效电路模型（ECM）参数识别是另一类重要的电池电阻特性分析方法。这些方法利用电池在动态电流激励下的电压响应特性，并采用递归最小二乘（RLS）[10,11]、基于多创新的识别算法[12,13]或卡尔曼滤波器[14]等算法实时识别ECM参数（包括欧姆电阻），从而便于诊断连接异常。参考文献[15,16]采用了一种在线参数识别算法，在动态应力测试（DST）动态运行条件下识别电池的内部电阻。根据电池电阻识别结果，可以检测到连接异常。
最近，基于测量创新的电压传感器故障诊断方法表现出强大的鲁棒性和实际可行性。例如，张等人提出了一种基于特征点的电压传感器故障检测框架，利用EKF生成的测量创新在动态运行条件下实现即时故障识别[17]。进一步开发了一种针对串联电池组的双时间尺度电压传感器故障诊断策略，结合微观尺度残差监测和宏观尺度方差分析以实现稳健的故障隔离[18]。此外，还探索了在接近恒电流充电条件下的参数更新和SOC估计，例如参考文献[19]中的周期性更新模型参数框架。这些研究为动态和准稳态运行场景提供了系统的基于残差或基于模型的解决方案。
然而，大规模储能系统通常在常规的接近恒电流（CC）充电模式下运行，不使用人工激励。在这种准稳态条件下，电阻相关参数的可观测性受到限制。同时，实际电池组中电池间的SOC不一致性很常见，导致固有的电压差异，使得连接引起的电压偏差难以分离。
为了解决这些挑战，本文研究了在常规CC充电条件下的在线连接异常诊断，并明确考虑了电池间SOC的不一致性。建立了一个基于ICA的特征对齐框架，将电阻电压偏移与电化学特征分离，实现了绝对和相对连接电阻的识别。实验和现场结果表明，所提出的方法能够准确量化相对连接电阻，并且在电池组内部初始SOC分散的情况下仍保持鲁棒性。
本文的其余部分组织如下：第2节建立电压形成和测量模型，并分析连接电阻对测量电池电压的影响。第3节介绍了基于ICA的特征提取框架及其在实际充电条件下的鲁棒性。第4节开发了一种基于IC峰值电压偏差的绝对连接电阻识别方法。第5节进一步介绍了一种基于Z分数的相对电阻识别方法，该方法无需参考电池，并通过实验和现场研究验证了其有效性。最后，第6节提出了结论。
