|
电话：15313702523
Discover蓄电池基于增量训练Informer网络的锂离子电池多性向故障预警方法
可靠的电池故障预警对于保障电池运行安全至关重要。本研究开发了一种基于增量训练Informer网络的多故障早期预警方法。首先，分析驾驶员行为与车辆状态对电池性能的影响，并采用Pearson相关系数量化关键参数与电池电压之间的关联性。随后，结合多步超前预测方案构建基于Informer网络的电压预测模型。通过利用Informer模型中的自注意力机制，该方案有效捕捉了电池参数序列的长期依赖关系，实现了未来电池电压的多步超前预测。训练过程中采用随机搜索算法优化模型超参数。此外，为提高模型对复杂工况及电池老化的适应能力，基于增量训练设计了动态更新策略。最终将预测电压值与故障预警策略中的阈值进行比对，实现多重故障的早期检测。基于实车数据的验证表明：所提方法能提前60秒预测电池电压，并对过压、欠压、电压变化率过快及电压一致性差等多类故障提供预警。
引言
为实现全球净零碳排放目标，电动汽车（EVs）已成为关键趋势及国际竞争与发展的焦点[1]。作为电动汽车的核心部件，电池系统的安全性与可靠性直接影响整车性能。锂离子电池凭借其低自放电率、高能量密度、长循环寿命及宽工作温度范围等优势，已成为电动汽车的首选动力源[2]。尽管电池技术已取得显著进步，但电池在运行过程中不可避免地会发生故障，尤其在极端条件和严苛环境下[3]。这不仅会损害车辆性能，还可能引发严重风险，包括热失控（TR）和火灾[4]。然而，在复杂的随机运行工况下实现电池故障的早期预测与实时监测仍存在挑战[5]。因此，开发有效的电池故障预测方法已成为亟待解决的关键问题。
当前故障诊断方法可大致分为基于知识[6]、基于模型[7]和基于机器学习的方法[8]。基于知识的方法利用先验运行知识，采用模糊逻辑、故障树和专家系统等技术诊断电池故障，而无需构建显式电池模型[9]。然而由于实际场景中电池失效机制的复杂性，这类方法常面临知识获取困难、适应性有限等挑战[10]。基于模型的方法通过物理模型与电池数据，从电池状态和参数估计中生成残差以实现故障诊断[11]。文献[12]采用等效电路模型(ECM)，结合最小二乘法与无迹卡尔曼滤波器(UKF)估算电池电流，通过将估计值与预设阈值对比实现快速故障诊断。参考文献[13]综合运用戴维南ECM与双扩展卡尔曼滤波器(DEKF)估计电池组中各单体电池的电压及荷电状态(SOC)，并利用其残差诊断传感器故障。文献[14]构建了多层电热耦合模型，用于研究热失控(TR)扳机触发前内部短路(ISC)的特性。文献[15]采用电热耦合模型和基于李雅普诺夫的内部观测器，同时估算表面与核心温度，进而通过具有自适应阈值的故障诊断方案检测不同热故障。这些方法能捕捉模型参数从正常状态到异常状态的演化过程，具有明确的解释性和直观的机理认知。然而，其诊断性能高度依赖于模型精度、参数辨识及状态估计的准确性[16]。
基于机器学习的方法利用历史运行数据开展电池故障诊断研究，无需对电池复杂的内部电化学过程进行建模，已获得广泛探索。文献[17]采用主成分分析提取故障特征，继而应用多类相关向量机(RVM)对电池故障类型与程度进行分类。文献[18]将小波能谱与非线性海洋捕食者深度极限学习机算法相结合，用于电池温度传感器的故障检测。文献[19]构建了小波神经网络(NN)对电池组连接故障状态进行分类。随着人工智能的快速发展，文献[20]结合随机卷积核变换与高斯过程分类器，实现了微短路故障和连接故障的检测与定位。文献[21]采用长短期记忆(LSTM)网络估计不可测的电流分布，通过将估计电流与实际测量值比较获得残差，进而诊断连接故障并评估相应风险等级。参考文献[22]采用基于视觉Transformer的迁移学习方法检测内部短路、容量异常和SOC异常。文献[23]开发了一种混合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。为融合基于模型的方法与机器学习方法的优势，文献[24]将二阶等效电路模型(ECM)、扩展卡尔曼滤波器(EKF)与双向LSTM(BiLSTM)网络相结合，用于诊断内部短路故障。尽管上述方法已展现出一定效果，但其中多数是基于实验室数据集开发的，在实际应用场景中可能引入显著的不确定性。%%此外，这些方法大多依赖固定模型架构，无法进行动态更新，因而缺乏适应性。这使得模型难以应对电池运行过程中遇到的未知复杂工况，以及由电池老化引发的性能衰减问题。 %%更为关键的是，虽然现有方法能够实现故障诊断，但普遍缺乏早期预警功能，这加剧了电池系统相关的安全风险。
为弥补上述不足，本文提出一种基于增量训练Informer网络的多故障早期预警方法。首先，采用皮尔逊相关系数（PCC）评估驾驶员行为与车辆状态对电池电压的影响程度，筛选高相关性参数作为电压预测模型的输入。随后，基于Informer网络与多步超前预测框架构建模型，并运用随机搜索算法优化模型超参数。在此基础上，本研究首先训练了一个初始电压预测模型，随后通过增量训练进行动态更新。最终建立了一套故障预警策略，可对过电压、欠电压、电压变化率（VCR）异常及电压一致性差四类故障实现早期预警。本研究的核心贡献可概括如下：1）通过皮尔逊相关系数（PCC）量化了驾驶员行为与车辆状态对电池电压波动的影响，并筛选出高度相关参数作为电压预测模型的输入变量。2) 通过将Informer与多步超前预测方案相结合，开发了一种能够捕捉长期依赖关系的电压预测模型。该模型随后与故障预警策略集成，实现了多重故障的早期预警。3) 设计了动态更新策略对模型进行训练，使其能够持续适应复杂工况和电池衰减，从而确保电池全生命周期内的电压预测精度。这提升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这一关键瓶颈问题。