基于EAA-Informer的储能电池异常工况识别多模态数据驱动方法

《Array》：A multimodal data-driven method for abnormal condition identification of energy storage batteries based on EAA-Informer

　　

为提升复杂工况下储能电池的运行安全性，本研究提出了一种基于EAA-Informer的多模态数据驱动异常工况识别方法。首先，对多种异常工况下的热实验数据进行分析，结果显示早期温度变化通常较为微弱。因此，仅依赖单一温度参数不足以准确反映电池状态，这需要将多个参数集成到一个联合建模框架中以提高识别精度。随后，构建了基于LSTM-MFM（长短期记忆网络-多模态分解机制）的多模态时间特征提取网络。该网络能够对多源数据（如电压、电流、温度、荷电状态（SOC））进行深度建模，并促进跨模态相关学习。为进一步增强模型捕捉关键时间步和长程时间依赖的能力，研究人员引入增强型注意力分配（EAA）机制进行特征优化，随后采用改进的Informer网络执行时间建模和异常工况识别。实验结果表明，所提方法在多种类型的异常运行工况下均实现了高识别精度和低误报率/漏报率，验证了其在储能系统安全监测中的应用潜力。

随着全球能源结构向可持续方向转型和清洁能源的大规模并网，电力系统对灵活性和稳定性的需求日益增加。储能电池在现代电力系统中通过支持削峰填谷、调频调压和应急供电发挥关键作用。高性能电池管理对于解决过充、过放和高倍率运行等问题至关重要，这些问题最终可能导致热失控等安全隐患。然而，现有电池安全研究多聚焦于热失控机理和故障诊断，早期异常工况识别仍具挑战性。在异常早期，参数变化（尤其是温度变化）往往微弱，传统基于单参数的方法难以准确捕获电池状态。现有数据驱动方法（如动态自编码器、LSTM网络和Transformer模型）多依赖单模态数据或传统序列模型，忽视了不同电池参数间的耦合关系，导致模型无法充分学习复杂运行条件。因此，研究人员提出一种基于EAA-Informer的多模态数据驱动异常工况识别框架，通过融合多模态分解和层次注意力优化，有效捕获电池相关参数中微弱但结构化的偏差，实现高精度和稳定的性能一致性。该研究对提升储能系统安全监控能力具有重要意义，论文发表在《Array》。

研究人员为开展研究用到的主要关键的技术方法包括：首先，通过电池管理系统（BMS）采集多模态数据（电压、电流、温度、SOC），采用Min-Max归一化预处理，并对温度模态进行加权融合；其次，构建基于LSTM的多模态时间特征提取网络，采用多模态分解机制（Multimodal Factorization Mechanism，MFM）分离各模态独有特征和共享特征；然后，引入增强型注意力分配（Enhanced Additive Attention，EAA）机制对特征进行优化，突出关键时间步；最后，采用改进的Informer网络（引入模态编码和单头ProbSparse自注意力机制）进行全局时间建模和异常分类。样本数据来源于电池制造商提供的280 Ah磷酸铁锂（LiFePO₄）电池的真实BMS监测数据。

在实验结果与分析部分，研究人员通过一系列对比实验验证了所提出方法的有效性。

4.1 典型异常温度条件的实验分析：通过分析280 Ah LiFePO₄电池在过充、过放、高倍率充放电、高温环境充放电等工况下的温度数据，发现不同异常工况对电池温度的影响各异：过充时温度缓慢上升后加速；过放时温度变化最小但累积损伤大；高倍率充放电时温度上升速率显著；高温环境下初始温度高且散热受限。研究表明，仅依赖温度参数无法早期识别所有异常，需结合电压、电流、SOC等多参数进行多模态分析。

4.2 样本数据与评估指标：研究人员采用七种工况（正常充放电、过充、过放、高倍率充放电、高温充放电）的BMS数据，采样频率1 Hz，并使用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数（F1-Score）评估模型性能。

4.3 数据划分与训练配置：按70%训练、15%验证、15%测试进行分层固定划分，采用Adam优化器，学习率1×10^-4，批量大小64，训练100轮。

4.4 对比实验：包括模态划分策略对比和不同时间序列模型对比。

4.5 不同模态划分策略的对比：研究人员设计了全模态划分（Mall）、无模态划分（Mnone）、1:3划分（M1:3）和2:2划分（M2:2）策略。实验表明，随着模态划分粒度增加，模型性能持续提升。Mall策略在准确率（96.5%）、精确率（96.3%）、召回率（96.6%）、F1分数（96.4%）上均达到最优，证实了独立模态建模与融合的有效性。

4.5.2 与不同时间序列模型的对比：与LSTM、BiLSTM、GRU、Transformer对比，所提模型（Model0）在所有指标上均显著领先，准确率96.5%远超Transformer的83.0%。研究表明，多模态数据融合和注意力优化是关键优势。

4.5.4 指标波动范围分析：研究人员引入指标波动范围R量化模型稳定性。Mall策略的波动范围最小，且所提模型比基线模型具有更稳定的指标平衡，表明结构化多模态建模增强了鲁棒性。

4.6 误报与漏检分析：研究人员计算了各工况的假阳性率（R_FP）和假阴性率（R_FN）。结果表明，所提模型在正常和异常工况下均保持较低的误报率和漏报率（多数工况在2.5%~4.5%之间，仅高温充电工况略高于5.5%），展现出良好的泛化能力和可靠性。

总结讨论部分指出，所提框架仅依赖现有BMS数据即可部署，无需额外传感设备，且指标稳定性表明其在安全关键环境中的可靠性。未来工作将探索向更大电池系统扩展、跨工况域泛化以及轻量化模型用于边缘实时部署。研究结论译文如下：本研究提出了一种用于储能电池早期异常工况识别的多模态数据驱动框架。通过集成多模态分解和层次注意力优化，该方法有效捕获了相关电池参数中微弱但结构化的偏差，实现了高精度和稳定的性能一致性。从实际角度看，该框架仅依赖现有电池管理系统（BMS）可获取的数据，适合实际部署而无需额外传感设施。跨评估指标的稳定性进一步提升其在安全关键运行环境中的潜在可靠性。