摘要
全球范围内电动汽车的普及凸显出锂离子电池组在保障安全与性能方面的关键作用，而电压异常则可能是热失控的前兆，带来严重风险。现有的故障检测方法存在适应性差、不确定性量化不足以及无法有效处理长期时间动态问题等缺陷。为解决这些问题，本研究提出了一种概率分层自适应框架（PHAF），用于提前且具备不确定性意识的电压异常检测。PHAF包含三项核心创新：（1）加权异常深度（WOD）指标，该指标通过结合玻尔兹曼加权电压偏差与基于梯度的热惩罚机制，能够灵敏地捕捉电热异常，尤其是在高温环境下（＞45℃）；（2）可学习谱卷积网络（LSCN），这是一种新型架构，通过融合自适应谱调制与双路径卷积技术，能够模拟电压序列中的长距离频率模式及局部时间依赖性；（3）分层多模型系统，该系统能在四个预测时间范围内（160–40分钟）动态选择合适的模型（LSCN、GRU和LSTM），同时运用分位数回归进行不确定性量化，并通过提前终止机制提升计算效率。在60辆AITO电动汽车的真实数据上进行的测试表明，PHAF在160分钟的预测时间内对一级（早期）故障的识别准确率可达95.4%，在80分钟内对三级严重故障的识别准确率超过90%，而在长期异常检测中的最大AUC值可达0.943。这一框架有助于实现从被动补救到主动预防电池热失控的转变，为那些对安全性要求极高的电动汽车应用提供可靠且具有不确定性意识的监控功能。
