《Batteries》：Failure Characteristics of Cylindrical Cells (18650 and 26700) Across Sodium-Ion, Lithium Nickel Manganese Cobalt Oxide (NMC), Lithium Iron Phosphate (LFP) and Lithium Titanate (LTO) Chemistries
编辑推荐：
云平台电池管理系统（BMS）采集的实际电压数据易受传感器故障、电磁干扰及通信异常等因素干扰，可能产生四类异常：随机点异常、连续段异常、固定偏置异常和数据冻结异常。这些异常降低了电池状态估计的可靠性，并延迟了早期故障预警。为提高电压异常检测的可靠性，本文提出一种
云平台电池管理系统（BMS）采集的实际电压数据易受传感器故障、电磁干扰及通信异常等因素干扰，可能产生四类异常：随机点异常、连续段异常、固定偏置异常和数据冻结异常。这些异常降低了电池状态估计的可靠性，并延迟了早期故障预警。为提高电压异常检测的可靠性，本文提出一种将上下文增强两阶段集成局部离群因子（CE-TELOF）与复合电池模型生成的电压预测残差相结合的方法。CE-TELOF通过多维斜率统计、高斯上下文融合、多尺度局部离群因子分析及重叠窗口覆盖一致性来表征局部突变和持续异常模式。同时，复合电池模型通过评估实测电压与电池电流–电压动态模型预测电压之间的差异，提供具有物理可解释性的异常证据，其参数通过结合遗传算法和非线性最小二乘优化的两阶段优化策略进行辨识。两个分支经稳健标准化和自适应加权后得到最终异常分数。所辨识的复合电池模型在三个数据集上的决定系数（R2）均超过0.998，且估计误差始终低于传统一阶RC模型。同时，邻域尺度集合的敏感性分析表明，多尺度配置比单尺度配置提供更稳定的CE-TELOF性能。在三个真实数据集和四类异常上，所提方法的F1分数介于0.8140至0.9836之间，并有效降低了正常工况转换相关的误报。此外，利用公开的真实道路电动汽车数据集中的9号车辆及NASA B0005电池数据集的验证进一步证明了所提方法在不同数据来源和电池运行条件下的适用性。
论文解读
一、研究背景与问题
随着道路交通电动化进程的快速推进，电动汽车的普及对动力电池管理的可靠性提出了更高要求。锂离子电池凭借高能量密度、长循环寿命和低自放电率等优势，已成为电动汽车的首选储能方案。与此同时，车联网和云平台的快速发展使得大量电池管理系统（BMS）数据被上传至云端，用于车辆状态监测、故障预警和运行管理。然而，在数据采集和云端传输过程中，电压测量值可能因传感器故障、电磁干扰、通信异常及数据缓冲故障等原因而受到污染，产生随机尖峰、连续干扰段、信号冻结和数据丢失等多种异常类型。这些异常会削弱BMS的控制功能和云端诊断决策能力，甚至可能延误潜在故障的及时预警。
现有电池电压异常检测方法大致可分为四类：统计方法、基于距离或密度的方法、数据驱动的预测或重构方法，以及基于电池模型的残差方法。统计方法具有清晰的方法论框架和数学解释，但检测边界通常依赖于概率分布假设、统计窗口设置和经验阈值，难以适应电池端电压随SOC、电流、温度及充放电阶段动态变化的实际工况。距离或密度方法无需异常标签，但邻域大小、特征缩放和窗口配置的敏感性较高，正常工况转换引起的局部稀疏模式可能造成误报，而固定偏置异常和数据冻结异常形成的相对密集局部簇又难以仅凭局部密度识别。数据驱动预测方法能够学习复杂的非线性映射和长程依赖关系，但性能严重依赖训练数据的覆盖范围和质量，且缺乏可解释性。基于电池模型的方法具有优良的物理可解释性，但易受参数辨识误差、温度波动、模型简化和工况变化的影响，正常数据下较大的模型失配同样会产生大残差，增加误报概率。
因此，在云BMS记录中实现稳健且可解释的多种电压数据异常检测仍然具有挑战性。本研究针对这一空白，将表征上下文多尺度模式的CE-TELOF分数与复合电池模型残差相融合，结合了互补的数据驱动证据和基于模型的证据。
二、研究内容与主要结论
研究人员提出了一个融合框架，将CE-TELOF分数与复合电池模型预测残差相结合。CE-TELOF方法通过整合多维斜率统计、高斯上下文融合、双阈值候选窗口过滤、多尺度LOF和重叠窗口覆盖一致性，改进了对突变和持续电压异常的刻画能力，并降低了对单一窗口和邻域设置的敏感性。复合电池模型通过评估实测电压与电池电流–电压动态模型预测电压之间的差异，提供物理可解释的异常证据，其参数通过遗传算法和非线性最小二乘优化相结合的两阶段策略进行辨识。两个分支经中位数绝对偏差（MAD）稳健标准化后，通过残差驱动的样本动态加权和双分支一致性增强策略进行融合，得到最终异常分数。
研究利用多辆真实电动汽车的电池组级和单体级运行数据以及公开电池数据集进行评估，并人工注入四类代表性电压异常模式。通过与LOF、WLOF、TELOF、CE-TELOF和仅残差方法对比，验证了所提方法在不同数据来源、电池层级和运行条件下的适用性。研究结果表明，融合方法在三个数据集和四类异常上取得了优异的检测性能，F1分数介于0.8140至0.9836之间，并有效降低了正常工况转换相关的误报。
三、关键技术方法
本研究采用的主要技术方法包括：其一，上下文增强两阶段集成局部离群因子（CE-TELOF）方法，该方法在TELOF两阶段框架基础上扩展，第一阶段利用多维直接斜率统计特征和相邻窗口的上下文信息选择候选窗口，第二阶段在候选窗口内计算多尺度局部离群因子（LOF），并利用重叠窗口覆盖一致性增强持续异常证据；其二，复合电池模型，该模型在一阶RC等效电路模型基础上引入指数校正项，以补偿复杂车辆运行条件下难以被一阶极化分支充分捕获的非线性电压偏差；其三，遗传算法（GA）与非线性最小二乘（NLS）相结合的两阶段参数辨识策略，先进行粗粒度全局搜索，再进行局部精细优化；其四，基于中位数绝对偏差（MAD）的稳健标准化和残差驱动的样本动态加权融合策略。研究数据来源于两辆真实电动汽车的云BMS数据，分别记为数据集A和数据集B，其中数据集A包含电池组级（A–P）和单体级（A–C）数据，数据集B仅包含电池组级数据（B–P），此外还使用了公开的真实道路电动汽车数据集中的9号车辆和NASA B0005电池数据集进行验证。
四、研究结果
4.1 复合电池模型辨识结果与分析
研究人员使用三个数据集A–P、A–C和B–P进行参数辨识，采样间隔为10秒。数据质量筛选后，数据集A保留762个合格充电循环，数据集B保留583个合格充电循环。每个数据集的合格充电循环按60%、20%、20%的比例随机划分为训练、验证和测试子集。采用GA与NLS相结合的两阶段策略估计模型参数。结果表明，所提出的复合电池模型在所有三个数据集上均与实测电压表现出更好的一致性，RMSE、MAE和R2指标全面优于传统一阶RC模型，所有R2值均超过0.998，其中B–P数据集的RMSE从0.6950 V降至0.3487 V。这表明引入的指数校正项提高了模型描述非线性电压动态的能力。A–C的估计误差保持在毫伏级，而A–P和B–P的误差处于亚伏级，考虑到电池组电压在数百伏范围，这些误差仍然相对较小。然而，在充电开始阶段和电流转换阶段附近仍可能出现较大的局部残差，因此残差不应作为异常检测的唯一依据。
4.2 多类型异常检测性能
4.2.1 邻域尺度集合的敏感性分析与选择
研究人员保持窗口长度W=10及其他算法参数不变，仅改变邻域尺度集合K进行敏感性分析。结果表明，单尺度配置在不同数据集上表现出显著性能波动，不存在统一的全局最优K值。多尺度组合通常能获得更稳定且更高的F1分数，确认了多邻域尺度集成对多种异常模式的鲁棒性增强作用。全范围配置在三个数据集上均达到最佳或并列最佳性能，因此后续实验采用完整的可行邻域尺寸集合。
4.2.2 四类电压异常的检测结果
随机点异常检测实验中，融合方法在三个数据集上始终取得优异的综合性能，准确率介于0.9850至0.9925之间，精确率介于0.9250至0.9783之间，召回率介于0.9250至0.9500之间，F1分数介于0.9250至0.9620之间。这一优势源于同时利用异常样本的局部离群特征和电池电流–电压动态一致性的违反。当随机点异常同时产生较高的CE-TELOF分数和较大的模型残差时，双分支一致性增强项会进一步提高融合异常分数。
连续段异常检测中，CE-TELOF通过联合使用斜率的均值、标准差和范围来刻画窗口级变化，减少了正负斜率之间的抵消效应，并通过覆盖一致性增强机制提高了召回率。融合方法利用模型残差识别因密度均匀而可能漏检的段内异常样本，同时利用CE-TELOF的局部波动和上下文证据抑制模型失配引起的误报。
数据冻结异常检测中，CE-TELOF通过引入低变化阈值，使长时间斜率接近零的窗口纳入候选集，并利用候选窗口覆盖计数增强持续平坦段相关的异常证据。融合方法通过进一步整合CE-TELOF提供的局部时间序列证据，能够更稳健地检测数据冻结异常。
固定偏置异常检测中，LOF、WLOF、TELOF和CE-TELOF由于偏置段内样本保持原有变化趋势且局部密度分布相对均匀，检测性能有限。相比之下，基于预测或重构的方法以及基于电池模型的残差方法通过评估实测电压与估计正常值之间的偏差实现检测，融合方法在保持高召回率的同时实现了显著提升的检测性能和更高的准确率。
4.2.3 正常工况下的误报抑制
研究人员使用未注入异常的原始正常数据统计各方法产生的误报数量。结果表明，融合方法在三个数据集上持续产生相对较少的误报。尽管LOF方法也产生少量误报，但这主要归因于其较低的检测灵敏度。融合方法通过CE-TELOF分支约束仅由正常工况转换引起的局部残差，有效抑制了误报。
五、讨论与结论
本研究提出的融合方法在多个数据集和多种异常类型上均表现出优异的检测性能，验证了数据驱动局部模式证据与基于物理模型的动态一致性证据互补融合的有效性。该方法具有线性计算可扩展性和有限的检测延迟，支持云BMS部署应用。模型参数漂移可通过周期性离线重新辨识解决。研究结论表明，将上下文增强的多尺度局部异常特征与复合电池模型残差相结合，能够在保持高检测精度的同时有效降低正常工况转换引起的误报，为云平台电池数据质量保障和早期故障预警提供了可靠的技术手段。
