基于数据与模型双驱动的储能霍克蓄电池故障诊断
可靠的安全预警和毛病诊断办法关于电化学储能电站的锂电池安全安稳运转至关重要。鉴于现在储能电站中锂电池储能体系毛病数据的匮乏以及对锂电池进行毛病实验所带来的危险，本文提出了一种根据锂离子电池等效电路模型（ECM）生成毛病数据的办法。为了完成储能电池的前期毛病诊断，引入了一种结合时刻卷积网络与双向长短期回忆网络（TCN-BiLSTM）及ECM的新型锂电池毛病诊断办法。首先，利用实际正常运转数据练习神经网络模型并构建ECM。随后，生成多组毛病数据以验证模型的有效性。经过多组运转数据证明了该模型在短期数据猜测方面的优越性和毛病诊断的可靠性。验证结果标明，本文提出的办法可以准确辨认锂电池的前期内短路毛病。
引言
近年来，跟着可再生能源并网份额的不断进步，电化学储能（EES）站已在全球范围内得到广泛使用，以促进可再生能源的消纳并及时向电网供电[1,2]。但是，其展开过程中产生的一系列事故阻止了EES站的进程[3]。电池体系是EES站不可或缺的组成部分，因为其固有的电化学特性，一旦产生热失控[4]，毛病几乎是不可逆的。现在大量案例标明，锂电池储能体系一旦产生热失控，极易形成巨大的经济损失[5]。因而，及时准确的毛病诊断和安全预警关于防备锂离子电池失效以及保证储能体系的安全安稳运转具有重要意义[6]。因为储能电池毛病数据难以获取，且人工获取锂电池毛病数据存在一定危险性，选用模型生成锂电池毛病数据的使用办法，有利于快速便捷地验证电池毛病诊断模型，并能在短时刻内取得大量毛病数据，具有很高的实用价值[7]。
近年来，许多学者从不同角度提出了多种毛病诊断计划，这些计划主要可分为三大类：根据模型的办法、根据机制的办法和根据数据的办法[8,9]。根据模型的办法对电池的正常运转状况[10]或毛病状况[11,12]进行建模，经过比较模型输出的猜测值与实际运转值来进行毛病预警，或许经过辨认出的参数差异来确定电池的运转状况[13]。根据模型的办法[14]可以对电池运转状况做出准确判别，例如Chen等[15]提出了一种电动汽车锂电池根据模型的外部毛病诊断办法；Ouyang等[16]提出了一种锂电池内部短路检测的根据模型的办法；Kim等[17]提出了一种大容量锂离子电池体系的失效安全设计办法；Liu等[18]提出了一种电动汽车电池传感器根据模型的毛病检测办法。但是，根据模型的办法受限于模型的准确性以及数据收集的精度，当遭到干扰或环境变化影响时，数据收集精度的下降会导致模型辨识能力的下降，即便没有毛病残差也或许仍然存在，然后无法准确地辨认出毛病。
主要的根据机制的毛病诊断办法包含含糊推理以及expert systems。expert system经过建立现有毛病信息的数据库，或许利用专家的经历来判别电池的运转状况。例如，Zhou提出了一种使用fuzzy expert system的电池毛病诊断办法[19]。Yang提出了一种利用fault case特征的电池毛病诊断办法[20]。含糊推理主要使用于知识不确定性处理，例如Liu等人提出了一种根据建立expert system的电池在线毛病诊断的含糊理论[21]。Peng等人使用了fault tree和fuzzy Bayesian network（FBN）进行动力电池的毛病诊断[22]。但是，建立expert system需求对电池失效机制进行充分分析[23,24]，这使得难以建立足够完整的知识库，而且难以辨认反常毛病。
跟着计算机算力的不断进步，各种计算机算法[25,26]和深度学习算法[27,28]得到了越来越多的使用，这两种办法可以由海量数据驱动，以完成储能体系参数的仿真[29,30]或安全预警[31,32]。Liu等人提出了一种利用卷积神经网络进行特征提取和相关性分析的办法，经过一维电压相关卷积神经网络（1DVCNN）来完成内部短路毛病的检测与定位[33]。Hong等人研讨了一种根据长短期回忆（LSTM）循环神经网络的准确电压猜测办法用于毛病诊断[34]。Ouyang等人提出了Meta-TRFNN在电池级热失控准确猜测中的使用[35]。选用数据驱动办法的毛病诊断通常依赖大量数据进行练习，在惯例场景下，数据驱动办法可以完成极高的猜测精度；但在面临未包含在练习会集的新形式数据时，数据驱动模型往往表现出较差的鲁棒性，或许需求新的办法来处理反常数据[36]。
为了应对单一办法的局限性，一些学者已经展开了针对电池毛病的毛病诊断与状况估量的交融办法研讨。Li等人提出了一种结合ECM与神经网络算法的毛病诊断模型，该模型在电动汽车安全预警方面取得了优异的效果[37]。Tang等人提出了一种交融ECM的神经网络用于锂离子电池SOC估量[38]。但是，现在的储能电池仍缺少高精度猜测模型以及相关的前期安全预警研讨内容。
因为毛病数据收集所需的时刻较长，且获取所有类型毛病数据的难度更大，已有研讨证明了利用毛病数据生成技术来获取电池毛病数据的可行性[39]。但是，关于储能电池毛病数据生成的现有研讨却很少。
现有研讨的局限性总结如下：首先，储能电池毛病数据的生成需求进一步研讨，一起耦合模型对数据猜测精度的影响仍需深入探讨，且当前毛病诊断模型的精度有待进步。本文所提出研讨的主要奉献如下：1）提出了一种利用锂电池二阶等效电路模型（SO-ECM）生成锂电池毛病运转数据的办法，可以在较短时刻内生成多组毛病运转数据。2）提出了一种结合TCN和Bi-LSTM的高精度储能电池电压猜测模型，经过Bi-LSTM弥补TCN的输出电压数据，并下降了TCN对初始超参数的需求。3）提出了一种结合TCN-BiLSTM和ECM的新型电池毛病诊断模型。在综合考虑神经网络模型和ECM各自优势的基础上，提出了一个耦合模块以充分结合两种模型的优点，然后进步毛病诊断精度。
