基于带多头自注意力机制(Multi-Head Self-Attention, MATT)的深度学习方法用于全钒液流电池(Vanadium Redox Flow Battery, VRB)循环泵故障智能诊断——融合时序卷积网络(Temporal Convolutional Network, TCN)与长短期记忆网络(Long Short-Term Memory, LSTM)

《Batteries》：Intelligent Pump Fault Diagnosis for Vanadium Redox Flow Battery Using Deep Learning with Multi-Head Self-Attention

　　

摘要：全钒液流电池（Vanadium Redox Flow Battery, VRB）因其高安全性、长循环寿命及容量设计灵活等优点，是大规摸储能极具前景的技术。然而运行过程中泵发生故障会扰动电解液流量分布、诱发电化学不稳定，严重时加速电堆劣化，降低系统安全性与运行可靠性。受传感器信号与工况间非线性耦合及泵故障触发的复杂电化学过程等因素限制，VRB循环泵的有效故障诊断仍是突出难题。本文提出一种新颖的时序卷积网络（Temporal Convolutional Network, TCN）–长短期记忆网络（Long Short-Term Memory, LSTM）–多头自注意力机制（Multi-Head Self-Attention, MATT）深度学习框架，用于智能泵故障诊断。该框架分三个互补阶段运行。研究人员在专建VRB故障实验平台上于多种电流工况下进行了全面实验验证。结果表明，所提模型对研究的三种泵故障类型——双侧泵故障、正极侧泵故障及负极侧泵故障——诊断准确率均超过90%。对比分析证实所提模型显著优于其他架构。MATT在增强VRB系统时序特征提取及提高泵故障诊断精度方面的有效性得到验证。

论文解读：基于TCN-LSTM-MATT深度学习的全钒液流电池循环泵故障智能诊断

研究背景与意义

化石能源在全球一次能源供应中占比超80%，其资源枯竭、气候变化及地缘风险促使可再生能源大力发展，而风光发电的间歇波动给并网稳定性带来挑战，高性能储能技术因此备受关注。电化学储能中的全钒液流电池（Vanadium Redox Flow Battery, VRB）具备高安全、长循环寿命及容量可灵活扩展等优势，适合大规模储能应用。与密封锂离子电池不同，VRB运行时依赖正负极电解液持续循环，循环泵故障会导致电解液流量失衡与传质不均，引起电堆电压异常、局部电化学不均匀，长期或严重时会加剧副反应、电解液失衡及容量衰减，威胁VRB安全与稳定运行。现有电池故障诊断方法分为基于物理模型法、基于信息论法和数据驱动法三类，前者在动态工况和多故障耦合下精度受限，后者在锂离子电池研究中较多但针对VRB泵故障的研究较少。此外，单一神经网络架构难以同时捕获局部时态模式和长期依赖关系，且通常无法区分序列中不同时刻的重要性。为此，研究人员开展本研究，提出TCN-LSTM-MATT混合深度学习框架对VRB泵故障进行智能诊断，实验结果验证了方法的有效性，对提升VRB系统运行可靠性及发展智能监测系统具有重要意义。该论文发表于《Batteries》。

主要关键技术方法

研究人员搭建专用VRB单电池故障实验平台（单电池、Nafion N117质子交换膜、石墨毡多孔电极、蛇形流场、200 mL电解液罐、BT100M-YZ1515X蠕动泵、高精度电池测试仪及上位机监控系统），人为设置三种可逆泵故障（正极侧泵停机、负极侧泵停机、双侧泵同时停机），在500 mA、1000 mA、1500 mA恒流充放电工况下采集电流、电压、SOC（State of Charge，荷电状态）等数据。输入特征构造为电流I、端电压U、SOC、ΔR＝(U_t－U_t?1)/I_t及dU/dt。原始连续时段数据按相同工况标签分段后按约17∶3划分为训练集与测试集，再分别做滑动窗口切片（窗长5、步长1，取窗口末时刻标签），归一化参数仅由训练集计算。所建TCN-LSTM-MATT模型先由带膨胀因果卷积（dilated causal convolution）的TCN提取多参数非线性局部时空关联，再由LSTM捕获故障演化的长时序依赖，随后通过多头自注意力机制（Multi-Head Self-Attention, MATT）对窗口内关键故障前兆时刻自适应加权，最后经全连接层输出四分类（正常F₀、双侧泵故障F₁、正极侧泵故障F₂、负极侧泵故障F₃）诊断结果。采用准确率（Accuracy, ACC）、精确率（Positive Predictive Value, PPV / Precision）、召回率（Sensitivity, SE / Recall）、混淆矩阵及macro-F1评估，并与LSTM、TCN、TCN-LSTM、Transformer、PatchTST、TimesNet等基线模型对比，另做特征消融与注意力权重可视化分析。

研究结果

2. VRB Reactions（全钒液流电池工作原理）

介绍VRB正负半电池VO²⁺/VO₂⁺与V²⁺/V³⁺氧化还原电对、双电解液罐经泵循环通过质子交换膜完成充放电的基本原理，指出泵故障表现为管路压力异常、流量不规则及电堆电压波动，长期可致局部供液不足、电位升高、双极板副反应加剧及不可逆损坏。

3. Theoretical Background（理论基础）

分别阐述时序卷积网络（TCN）的膨胀因果卷积原理、长短期记忆网络（LSTM）的门控结构与公式、多头自注意力机制（MATT）的缩放点积注意力原理，以及所提出的TCN-LSTM-MATT串联架构与防数据泄漏的分段→划分→滑动窗口处理流程。

4. Experiment（实验）

4.1 介绍VRB故障实验平台的组成与单电池系统关键参数。4.2 说明恒流充放电实验步骤（500/1000/1500 mA各阶段先正常运行4 min再停泵30 s模拟极端泵故障），电压范围1.0–1.7 V，泵额定流量60 mL·min^?1，采样频率1 Hz，故障期间端电压出现局部异常抬升。4.3 数据预处理剔除调整与过渡段，按原始时段先切分再独立滑窗，训练集与测试集比约17∶3。4.4 故障特征提取选定I、U、SOC、ΔR、dU/dt并给出ΔR计算公式，说明引入SOC抑制接近截止电压时ΔR波动，dU/dt强化泵故障引发电压动态变化特征。4.5 特征相关与重要性分析显示ΔR与dU/dt高度相关（Pearson系数0.976）但二者对泵故障诊断贡献最大（排列重要性0.4406与0.2694），U与SOC高度相关（1.000）但静态电压与动态特征提供不同信息；消融实验中同时去除ΔR和dU/dt使macro-F1骤降至0.2874，证明二者含互补关键故障信息。

5. Results and Discussion（结果与讨论）

5.1 定义四分类标签F₀–F₃，评价指标为ACC、SE、PPV。5.2 诊断结果显示整体ACC达99.25%，三类泵故障F₁、F₂、F₃的类精确率分别为94.23%、90.20%、91.84%，均超90%；混淆矩阵表明误分类极少且主要出现在F₂与F₃间，归因于当前所选全局端电压相关特征对正负半池不对称电化学行为区分有限，正常与双侧故障间无混淆；多头自注意力权重可视化显示模型对滑窗内中后时刻（靠近诊断点）赋予更高注意力，符合滑窗标注策略。5.3 模型对比与少样本鲁棒性测试表明：LSTM单独性能最低，TCN优于LSTM，TCN-LSTM优于单独TCN，加入MATT的TCN-LSTM-MATT取得最高类精确率与在不同训练数据比例下的最高平均准确率，优于Transformer、PatchTST、TimesNet等先进时序模型，证明TCN局部特征提取＋LSTM时序依赖建模＋MATT时态注意力加权之协同增益。

6. Conclusions（结论）

以往方法未充分考虑时序信息或不区分不同时刻重要性，单一网络难兼顾局部时态模式与长时依赖。研究人员提出TCN-LSTM-MATT模型用于VRB智能泵故障诊断，整体诊断准确率高，所研究的三类泵故障类精确率均超90%；相比TCN-LSTM基准，加入MATT模块后诊断精度进一步提升，证实多头自注意力能增强对滑窗内故障相关时序信息的表征。该研究为支持VRB大规摸储能系统早期泵故障诊断、提升运行可靠性的智能监测奠定了基础。当前在单电池实验平台验证，推广至kW级电堆需结合堆电压、单体电压分布、进出口压力、流量及温度等信号调整特征与参数，并进一步考虑渐进式泵性能退化（流量渐衰、间歇性转速波动、部分堵塞等）及在实用电池管理系统（Battery Management System, BMS）硬件上的实时部署评估。