首页 > 新闻中心

霍克锂电池锂离子电池组无监督异常检测的多尺度框架

锂离子电池在长期运行过程中不可避免地会出现老化与异常现象，导致电池组内异常单体电池间产生复杂的相互作用与相互影响。准确识别这些异常电池单体已成为电池安全领域亟待解决的关键问题。本文提出了一种面向锂离子电池组异常检测的多尺度KPCA-LOF框架（MSKLF）。首先采集电池组中各单体电池的运行数据，继而提出熵小波分解（EWD）方法。最佳分解层数根据熵增益曲线的拐点确定。通过计算近似系数与细节系数构建波形矩阵，该矩阵同时表征电压信号的整体趋势与局部动态特征。随后采用核主成分分析（KPCA）将波形矩阵非线性融合为异常状态向量，以增强正常工作状态与异常工况的区分度。基于此，计算各电池单体异常状态向量的余弦相似度，构建余弦相似度矩阵，量化电池组内各单体间运行一致性偏移。最终通过改进的局部离群因子算法——基于增长率阈值的自适应LOF算法（AdaptLOF），提出相对锐度点检测（RSPD）准则以确定异常判别阈值，实现异常电池单体的识别与定位。在包含多种典型故障的锂离子电池组上开展的识别实验获得了准确的识别结果。

引言

在全球能源危机与可持续发展的背景下，新能源汽车的普及率攀升推动了对锂离子电池的需求，使其成为支撑可再生能源与低碳发展的核心储能介质[1]。然而，这些电池在运行过程中易受机械、电气及热应力影响，导致容量衰减、短路及过充等问题。若未及时采取保护措施，可能引发热失控现象，对系统安全性构成重大威胁[2][3]。因此，故障诊断对电动汽车安全至关重要，而异常状态识别是其核心环节[4]。通过监测电池电压、电流与温度等关键参数，可判定电池是否处于异常工况[5][6]。
近年来，锂离子电池故障诊断研究主要聚焦于两种方法：基于模型的方法与数据驱动方法。基于模型的方法通常依赖于表征电池的电化学机制或电路行为[7]，通过建立数学模型反映其在特定工况下的运行特征[8]。当实际监测数据与模型输出存在显著偏差时，则表明可能存在异常状态。常用技术包括基于等效电路[9][10]和电化学模型[11][12][13][14]的策略。前者通过识别与电压电流相关的对应参数及残差分析，可检测过充、内阻增大等故障；后者采用更精细的动力学描述（如固体电解质界面膜生长或锂沉积过程），能有效表征容量衰减、锂枝晶等潜在故障[15][16]。例如Song等学者...[10]通过将等效电路模型与神经网络相结合，实现了锂离子电池电压故障的高精度检测。Vinay等[13]开发了基于电化学模型和模糊逻辑方法的实时电池故障检测技术。Wang等[14]利用电动汽车实际运行数据，通过模型方法整合机理与方程，揭示了电池退化与故障机制。然而这些模型的适用性往往依赖于精确的参数辨识和严格的工作条件假设，在复杂多变的实际运行环境中易产生偏差。此外，高保真模型会带来巨大的计算负荷(Load)，难以满足在线监测与实时控制的需求[17]。
数据驱动的故障诊断方法不依赖于对电池物理机制的建模。相反，它们通过从电压、电流和温度等大量运行数据中提取特征并应用机器学习技术，实现异常检测与故障诊断[18]。常见的机器学习方法包括支持向量机(SVM)[19]、随机森林[20]、自编码器[21][22]、卷积神经网络(CNN)[23][24]、长短期记忆网络(LSTM)[25]、Transformer[26]等。R.Seshu Kumar等人。[20]采用改进的随机森林算法(IRF)实现了锂离子电池的异常检测。赵等人[24]利用CNN-LSTM网络诊断电池温度异常，该网络采用了预测的电池温度数据并集成了故障阈值优化算法。Shyr-Long Jeng等人[22]证实，四类自动编码器（全连接FC、卷积神经网络CNN、长短期记忆LSTM及混合CNN-LSTM模型）可通过最小化重构误差评估电池不一致性并区分正常与异常电池。Liu等[26]采用改进的Transformer架构与小波变换动态注意力机制（WADT）实现了锂离子电池异常检测。相比基于模型的方法，数据驱动方法更适于处理复杂工况下的大规模数据，并能自动发掘潜在特征模式。但其存在依赖大量高质量标注数据[27]、缺乏物理机制约束导致可解释性弱、以及无法反映当前状态下内部电化学机制变化等缺陷。
该模型方法依赖机理建模，涉及大量计算且缺乏鲁棒性。尽管数据驱动方法能够表征非线性特征，但其需要大量标注样本且成本高昂。相比之下，无监督学习作为一种机器学习方法，能够根据数据的分布特性与相似性原则，无需人工样本标注即可自动提取数据中的潜在模式与结构[28][29][30]。例如，Yamashita等人[28]利用变分自编码器(VAE)学习数据的潜在分布，通过重构误差识别异常。Wang等[29]提出了一种无监督异常检测方法，将对比预训练与残差分析相结合，实现了无需标注数据的异常检测。Lei等[30]将增量容量分析(IC)与DBSCAN聚类算法结合，有效识别了锂离子电池组中的微短路故障(MSC)。其优势在于能够有效处理未标注数据，降低人工标注成本，并擅长探索未知模式与识别潜在异常[31][32][33]。尽管无监督学习已摆脱对大规模标注数据的依赖，但其正常与异常的区分往往取决于人工建立的准则或阈值[34][35][36]，这具有较强的主观性。此外，该方法对参数设置较为敏感，在强噪声干扰和复杂工况下易产生误报或漏报现象。
基于上述考量，本文提出了一种针对锂离子电池的无监督多故障诊断框架——多尺度核主成分-局部离群因子框架（MSKLF）。首先，该框架采集电池组单体的电压信号，并通过所提出的熵小波分解（EWD）方法[37][38]，利用熵增益曲线的拐点确定最佳分解层数。随后提取近似系数与细节系数构建波形矩阵，以表征电压信号的整体趋势与局部动态特征。接着采用核主成分分析（KPCA）[39][40][41]对波形矩阵进行非线性融合，得到用于表征电池异常状态的特征向量，从而提升正常工况与异常工况之间的可分离性。基于此，计算每节电池异常状态向量的余弦相似度以构建余弦相似度矩阵（CoSim矩阵），量化电池组内各电池单元间的运行一致性偏差[42][43]。最终引入基于增长率阈值化的自适应局部离群因子方法（AdaptLOF）[44][45]。该方法采用增长率驱动的动态阈值确定机制，无需人工干预即可自动识别并定位异常电池单元。本研究的主要贡献如下：

1)
本文提出一种基于小波能量熵信息增益准则的自适应小波分解方法(EWD)，该方法根据熵增益曲线的拐点自适应确定最优分解层数，并构建波形矩阵以表征电池信号的整体演化趋势与局部动态特征。
2)
提出采用核主成分分析(KPCA)对波形矩阵进行非线性融合，生成异常状态向量，从而增强正常工作状态与异常工作状态之间的可分离性。
3)
提出了一种改进的异常检测算法AdaptLOF。该算法基于所提出的相对锐度点检测(RSPD)准则自适应确定异常阈值，克服了传统方法依赖固定阈值或先验统计假设的局限性。
4)
作为一种无监督多故障诊断方法，MSKLF整体框架无需复杂建模或参数辨识，亦不依赖大量故障标记数据。该方法能准确识别并定位各类典型故障，例如容量衰减、SOC不足、内阻增大、连接部件故障以及外部短路等。

上一个：霍克锂电池锂离子电池在线诊断的深入表征与等效电路表示：电池单元级方案与电池组级验证下一个：HAWKER叉车电瓶基于两步聚类的退役锂离子电池增强分选方法

产品分类

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net

首页 > 新闻中心

霍克锂电池锂离子电池组无监督异常检测的多尺度框架

引言

推荐新闻

产品分类

新闻中心

联系我们