基于联合字典学习的锂电池零样本故障诊断方法研究

《Journal of the Energy Institute》：Research on zero-shot diagnosis method of lithium battery using joint dictionary learning

本文提出了一种基于域自适应联合字典学习（D-JDL）的锂电池零样本学习（ZSL）故障诊断新范式。通过构建电-热-老化多物理场耦合模型生成仿真数据，结合多维特征增强与共享子空间投影，有效解决了早期故障（如ISC）样本稀缺、特征低维导致的诊断难题，为数据驱动方法在储能系统（ESS）安全监控中的实际应用提供了创新解决方案。

　　

章节概要

耦合电-热-老化模型构建

为了进一步评估所提方法在实际储能系统（ESS）场景中的适用性，并考虑到实验限制和安全因素，本工作采用了一种基于仿真的方法，利用电-热-老化耦合模型。通过构建一个捕捉电池电化学行为、热传递和老化特性耦合的模型，可以模拟与各种故障类型和不同老化状态相关的特征。

基于联合字典学习的零样本故障诊断方法

基于上述电-热-老化耦合模型生成的数据，并针对实际储能系统应用中内部短路（ISC）故障样本有限和复杂非线性问题的挑战，本文提出了一种基于具有判别性约束的联合字典学习（D-JDL）的零样本故障诊断方法，如图4所示。

基于电-热-老化耦合模型，故障数据的特征维度可以通过所提出的多维动态特征增强方法进行扩展，从而放大早期故障的微弱特征。

实验

在本节中，为了证明所提方法的优越性，我们在一个合成数据集和一个真实世界的锂离子电池故障数据集上进行了实验。所有方法均使用Python 3.8和PyTorch 3.8.4实现，实验在配备Intel Core(TM) i5-13400F 2.50 GHz CPU和NVIDIA GeForce 3060 GPU的机器上进行。为了定量评估所提方法的有效性，采用未见类别的识别准确率作为主要评估指标。

结论

本文解决了锂离子电池储能系统中的关键挑战，包括故障机制不明确、故障特征维度低以及由于高质量故障样本稀缺导致的故障诊断困难。基于锂离子电池的电-热-老化耦合模型，提出了一种利用多维动态差异的新型特征增强方法和一个基于D-JDL的零样本故障诊断框架。