锂离子电池是可再生能源系统中的不可或缺的组成部分，尤其是在电动汽车（EV）和储能系统（ESS）中，这得益于它们的高能量密度和延长的循环寿命[[1], [2], [3]]。根据国际能源署（IEA）的《2024年全球电动汽车展望》，2023年全球对电动汽车电池的需求激增至750吉瓦时，比上一年增长了40%，预计到2030年代这一数字将上升至太瓦时级别[4,5]。这一增长反映了全球对清洁能源的推动，包括电动汽车的广泛采用以及对太阳能和风能等可再生能源的存储需求的增加[[6], [7], [8]]。然而，频繁的安全事件已成为进一步推广锂离子电池的瓶颈[[9], [10], [11]]。
尽管锂离子电池发生安全事件的概率相对较低，但其潜在后果却非常严重且突然，主要表现为由于热失控引起的火灾和爆炸[[12,13]]。热失控通常由电气、热或机械滥用引发——例如过充、过热、短路或物理损坏[[14], [15], [16], [17]]。大量研究表明，这些滥用情况会导致内部温度迅速升高，从而引发无法控制的放热反应[[18], [19], [20], [21]]。电池故障机制的复杂性，特别是内部短路的多种原因，大大增加了早期热失控检测的难度[[22,23]]。
异常检测提供了一种预测性解决方案，可以降低热失控等安全风险，从而提高锂离子电池系统的可靠性和安全性[[24,25]]。通过早期识别潜在故障，异常检测为预防灾难性故障提供了积极保障，这在高风险应用（如电动汽车和电网规模的储能系统）中尤为重要[[26,27]]。异常检测系统能够实时监测关键电池参数（如电压、温度和内部压力或膨胀力），以检测表明潜在故障的微妙偏差[[24,28]]。早期发现这些异常可以采取预防措施，避免热失控[[29]]。
最近的数据驱动和机器学习方法的进步显著增强了异常检测系统的能力[[30], [31], [32]]。相关的一项工作是张等人开发的动态自编码器框架，该框架在大型现场数据集上进行了训练，与传统方法相比，AUROC提高了16-33%，展示了深度学习在捕捉复杂故障模式方面的潜力[[33]]。吴等人提出了一种结合时间序列分解和改进的曼哈顿距离算法的异常检测方法，用于检测单个电池单元的异常[[34]]。李等人整合了一个特征工程驱动的框架，用于检测实际电动汽车中锂离子电池的多尺度电压异常[[35]]。贾等人引入了一个多场景数据驱动框架，该框架结合了特定场景的特征选择、改进的Transformer-GAN模型和改进的累积和算法来检测电动汽车电池异常[[28]]。然而，在实际运行条件下异常样本的稀缺性要求开发能够在少量或无标记实例的情况下有效工作的异常检测方法[[24,36]]。
为了克服昂贵数据标注和故障样本稀缺的挑战，本研究提出了一种基于半监督变分自编码器（VAE）和迁移学习的异常检测方法，以使用最少的标记数据实现高效检测[[33,37]]。VAE从有限的标记数据和大量的未标记数据中学习正常电池行为，从而实现异常识别[[38,39]]。然后对预训练模型进行微调并转移到新的、完全未标记的数据集上。本文的主要贡献如下：
1.开发了一种基于VAE和高斯混合模型（GMM）的新半监督异常检测方法，以解决锂离子电池安全数据不足的问题。
2.引入了一个预训练和迁移框架，该框架利用大规模电池数据集显著提高了小型、标记稀缺数据集上的检测性能。
3.在多个数据集上的广泛实验显示，检测准确率超过了0.95，为大规模电池管理和先进电池系统提供了新的见解和技术解决方案。
