基于逐步训练的信息网络的新型锂离子电池多故障早期预警方法

《Energy》：A Multi-Fault Early Warning Method for Lithium-Ion Batteries Based on Incrementally Trained Informer Network

　　

赵宏倩|张伟超|舒星|冯仁华|胡波

重庆理工大学车辆工程学院，中国重庆，400054

摘要：

可靠的电池故障预警对于确保电池运行安全至关重要。本研究开发了一种基于增量训练的信息器网络的多故障预警方法。首先，分析了驾驶员行为和车辆状态对电池性能的影响，并使用皮尔逊相关系数来量化关键参数与电池电压之间的相关性。然后，结合多步预测方案的信息器网络被用来构建电压预测模型。利用信息器中的自注意力机制，该模型能够有效捕捉电池参数序列中的长期依赖性，并实现未来电池电压的多步预测。在训练过程中，采用随机搜索算法来优化模型的超参数。此外，为了提高模型对复杂运行场景和电池老化的适应性，设计了一种基于增量训练的动态更新策略。最后，将预测的电压值与故障预警策略中的阈值进行比较，以实现多故障的早期检测。在真实车辆数据上的验证表明，所提出的方法可以提前60秒预测电池电压，并对包括过电压、欠电压、电压变化率过快和电压一致性差在内的多种类型的故障提供预警。

引言

为了实现全球净零碳排放目标，电动汽车（EVs）已成为国际竞争和发展的关键趋势和焦点[1]。作为电动汽车的核心组成部分，电池系统的安全性和可靠性直接影响电动汽车的整体性能。锂离子电池以其低自放电率、高能量密度、长循环寿命和宽工作温度范围等优点，已成为电动汽车的首选电源[2]。尽管电池技术取得了显著进步，但在极端条件和恶劣环境下，电池仍不可避免地会出现故障[3]。这不仅会损害车辆性能，还会带来热失控（TR）和火灾等严重风险[4]。然而，在复杂的随机运行条件下对电池故障进行早期预测和实时监控仍然是一个挑战[5]。因此，开发有效的电池故障预测方法已成为一个紧迫且关键的问题。

当前的故障诊断方法大致可以分为基于知识的[6]、基于模型的[7]和基于机器学习的[8]方法。基于知识的方法利用先前的运行知识，并采用模糊逻辑、故障树和专家系统等技术来诊断电池故障，而无需构建显式的电池模型[9]。然而，由于实际场景中电池故障机制的复杂性，这些方法经常面临知识获取困难以及适应性有限的问题[10]。基于模型的方法利用物理模型和电池数据，通过从电池状态和参数估计中生成残差来诊断故障[11]。在[12]中，采用等效电路模型（ECM）通过最小二乘法和无迹卡尔曼滤波器（UKF）来估计电池电流，通过将估计值与预定义的阈值进行比较来实现快速故障诊断。参考文献[13]结合了Thevenin ECM和双扩展卡尔曼滤波器（DEKF）来估计电池组中每个电池的电压和状态容量（SOC），并利用它们的残差来诊断传感器故障。在[14]中，构建了一个多层电热耦合模型来研究热失控（TR）触发前的内部短路（ISC）特性。参考文献[15]利用电热耦合模型和基于李雅普诺夫的内部观测器来估计表面和核心温度，然后通过具有自适应阈值的故障诊断方案来检测不同的热故障。这些方法可以捕捉模型参数从正常状态到异常状态的演变，提供清晰的可解释性和直观的机制洞察。然而，它们的诊断性能在很大程度上依赖于模型的准确性、参数识别和状态估计[16]。

基于机器学习的方法通过利用历史运行数据来广泛研究电池故障诊断，而无需对电池复杂的内部电化学过程进行建模。参考文献[17]使用主成分分析提取故障特征，然后应用多类相关向量机（RVM）对电池故障类型和程度进行分类。在[18]中，将小波能量谱与非线性海洋捕食者深度极限学习机算法结合用于电池温度传感器的故障检测。参考文献[19]构建了一个小波神经网络（NN）来分类电池组连接故障的故障状态。随着人工智能的快速发展，参考文献[20]结合了随机卷积核变换和高斯过程分类器来检测和定位微短路故障和连接故障。在[21]中，利用长短期记忆（LSTM）网络来估计不可测量的电流分布。通过将估计电流与实际测量值进行比较，获得残差以诊断连接故障并评估相关风险水平。参考文献[22]利用基于视觉变换器的迁移学习方法来检测内部短路、容量异常和SOC异常。在[23]中，开发了一个混合CNN-LSTM网络来获取电池温度残差，通过阈值评估实现故障识别。为了结合基于模型的方法和机器学习方法的优点，参考文献[24]结合了二阶ECM、扩展卡尔曼滤波器（EKF）和双向LSTM（BiLSTM）网络来诊断内部短路。尽管上述方法显示出一定的有效性，但大多数方法都是使用实验室数据集开发的，这在应用于实际场景时可能会引入显著的不确定性。此外，大多数方法依赖于固定模型，无法动态更新，因此缺乏适应性。这使得这些模型难以应对电池运行过程中遇到的未知和复杂条件，以及电池老化引起的性能下降。另外，虽然许多方法能够诊断故障，但它们通常无法提供预警，从而增加了与电池系统相关的安全风险。

为了解决上述不足，开发了一种基于增量训练的信息器网络的多故障预警方法。首先，使用皮尔逊相关系数（PCC）来评估驾驶员行为和车辆状态对电池电压的影响，并选择高度相关的参数作为电压预测模型的输入。接下来，基于信息器网络和多步预测方案构建模型，并使用随机搜索算法优化模型的超参数。在此基础上，训练初始电压预测模型，然后通过增量训练动态更新。最后，建立故障预警策略，以对四种类型的故障提供预警：过电压、欠电压、电压变化率（VCR）异常和电压一致性差。本研究的主要贡献总结如下：1）通过PCC量化了驾驶员行为和车辆状态对电池电压变化的影响，并选择高度相关的参数作为电压预测模型的输入。2）通过结合信息器和多步预测方案开发了一个能够捕捉长期依赖性的电压预测模型，然后将其与故障预警策略集成以实现多故障预警。3）设计了一种动态更新策略来训练模型，使其能够持续适应复杂的运行条件和电池退化，确保在整个电池生命周期内保持电压预测的准确性。这提高了早期故障预警的可靠性，并解决了固定模型泛化能力不足的关键瓶颈。

本研究的其余部分结构如下。第二节详细介绍了云监控平台、数据分析和预处理。第三节介绍了信息器、多步预测方案、随机搜索算法、动态更新策略和故障预警策略的原理。接下来，第四节评估了所提出方法的性能。最后，第五节得出结论。

章节片段

数据收集与处理

首先介绍云监控平台，然后详细说明数据分析和处理过程。

方法论

所提出的多故障预警方法的框架如图4所示。首先，从云监控平台收集真实世界的运行数据，包括车辆速度、电池单体电压、电池组电压、电流、温度、SOC和里程。这些参数随后被处理并分为训练集和测试集。在初始训练阶段，通过结合多步预测方案构建电压预测模型

结果与讨论

首先使用随机搜索算法优化模型的超参数。然后训练并验证初始电压预测模型。随后，应用增量训练策略动态更新初始模型，再进行验证。最后，评估所提出方法的故障预测性能。

结论

本研究开发了一种基于增量训练的信息器网络的锂离子电池多故障预警方法。首先，进行皮尔逊相关系数（PCC）分析，以研究温度、电流、状态容量（SOC）、里程、组件状态和运动参数对电池电压的影响，然后挖掘出高质量的特征作为电压预测模型的输入。随后，通过结合信息器

CRediT作者贡献声明

胡波：调查、形式分析、数据整理。赵宏倩：撰写——原始草稿、方法论、形式分析、数据整理、概念化。张伟超：可视化、验证、方法论、调查。舒星：撰写——审阅与编辑、监督、项目管理、资金获取。冯仁华：资源、调查、形式分析

利益冲突声明

? 作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。

致谢

本工作得到了国家自然科学基金（52407237）、重庆市自然科学基金（CSTB2024NSCQ-MSX0389和CSTB2023NSCQ-LZX0065）以及重庆市教育委员会的科学技术研究计划（KJQN202401129）的支持。