|
电话：15313702523
基于迁移学习的深度学习框架用于锂离子储能电池热失控早期预测
储能电池因其优势而得到广泛使用；但是在实践场景中，获取热失控前后的大规模数据集具有应战性，练习速度缓慢也进一步阻止了前期精准预警。为有用缓解此类问题，本文提出一种根据学习搬迁的储能动力电池热失控预警办法。该办法架构建立在结合注意力机制的长短期回忆模型与卷积神经网络（CNN-LSTM-SE）基础上。首先使用源域数据集对很多正常运转数据进行预练习以提取电池运转特征，随后经过微调将常识搬迁至小样本方针域数据集，继而进行根据回归的误差猜测。终究选用三级阈值完成热失控毛病的高效辨识。根据86Ah磷酸铁锂电池热失控试验数据验证了所提办法的可靠性与准确性，成果标明该办法能在失效前及时宣布预警，一起表现出较强的泛化才能。为评价模型功能，将提出的CNN-LSTM-SE模型与CNN、LSTM及CNN-LSTM模型进行了30练习回合的比照试验。成果显现，该架构在方针域样本数据集上的丢失值为0.0008，决定系数达0.999，功能优于其他比照模型。此外，猜测成果标明热失控失效被识别于2402秒，较2942秒的实践触发点提早540秒，证实了所提办法具有实践可行性和有用性。
引言
为全面提升动力自主性，研讨人员已投入巨大努力开发新动力。但是，大规模新动力接入现代电力系统带来了严峻应战[1]，现在供给端的消纳与保存仍是中心难题。为此，储能技能应运而生。相较于机械储能、电气储能与热储能[[2], [3], [4]]，以锂离子电池为主的电化学储能技能，凭借其循环功能优良、建造方式灵敏、无回忆效应、比能量高及建造成本较低等优势[5,6]，已成为电力储能范畴使用最老练、装机增速最快的储能技能[[7], [8], [9]]。但是，这也带来了相应的问题：电池运转进程中的安全毛病可能触发热失控，其进一步延伸会导致火灾或爆破等灾难性后果[10,11]，造成人力资源、产业和物资难以估量的丢失。近期储能电站火灾爆破事端频发，使电池安全性遭到高度关注。因而，深化研讨储能电池热失控监测与有用预警机制显得尤为必要。
为处理锂电池前期热失控预警的防控问题，学者们已展开广泛研讨。文献[12]将伪二维电化学热模型进行均匀化处理，并与18650锂离子电池的二维轴对称传热模型耦合。研讨还模拟了不同环境温度和C倍率下的屡次接连充放电循环，成果标明环境温度对电池中心温度及其上升速率具有决定性影响。文献[13]开发了一种三模热传递模型，该模型能有用捕捉电池模块的温度散布、产热速率及退化程度。经过使用所建模型模拟被触发电池中温度尖峰引发的损伤向其他电池的分散进程，研讨者推导出抑制热失控传达的缓解措施。文献[14]选用COMSOL Multiphysics®软件对三元软包锂电池的正常作业状况与热失控行为进行仿真，所得成果均经过试验数据验证。研讨成果标明，所开发的模型可作为研讨不同化学体系与规划方案的东西，然后评价电池的行为与功能。文献[15]开发了一种电化学-热耦合模型，用于模拟电化学反应与传热进程。经过对三种不同几许结构的电池进行一系列充放电及脉冲测验，验证了模型的合理性与一致性。所提出的模型在不影响精度的前提下降低了计算成本。文献[16]提出了一种三维电池模型用于研讨热量散布。数值成果标明，局部电流密度的非均匀散布会导致温度散布不均。为深化了解锂离子电池的发热机制，文献[17]进一步提出了热-电化学-力学耦合模型。该模型经过将传统猜测办法扩展至力学现象，为研讨锂离子电池的力学行为供给了办法论框架。但是根据模型的办法有必要考虑能量转换进程并针对单一工况进行优化，这使其难以适用于复杂多变的实践使用场景。
除根据模型的办法外，现有研讨还经过布置相应传感器直接收集原始物理信号，分析其改变规则，从而辅导预警系统规划。研讨[18,19]选用嵌入式气压传感器实时监测电池安全阀激活引发的突发气压动摇，由此验证气压警报系统的有用性，并为电池热失控预警的施行供给支撑。文献[20]选用微型RTD丈量高容量锂离子软包电池内部温度，用于过充滥用条件下的实时热安全监测。成果标明，内部热敏电阻检测到固体电解质界面分解起始时间比电池外表传感器早约10秒。文献[21]经过收集电池热失控试验中的声学信号，提出根据多性向声学信号融合的锂电池热失控两阶段预警战略。针对电池热失控问题，声学信号前期预警供给了技能参阅。文献[22]报导的研讨开发了一种可插拔多功能光纤传感器，可以在电池热失控全程继续监测其内部温度与压力。但是，这些经过识别前期特征来检测热失控的办法通常需求很多试验验证，且由于传感器误差及外部环境改变（例如安装风冷系统时可能导致燃料费监测精度下降），完成前期预警具有应战性。
近年来，跟着人工智能与深度学习技能的进步，涌现出很多根据数据驱动的电池热失控预警办法。该办法防止讨论复杂的电化学问题，直接面向电池数据探究内部规则，完成有用预警。文献[23]提出根据反常发热的热失控猜测模型，经过改善LSTM存储单元结构，获得能精准猜测电池温度的LSTM-CNN混合模型。文献[24]选用卷积神经网络(CNN)对热失控现象的完好演化进程进行猜测，经过分类三个不同阶段完成。参阅文献[25]提出了一种创新的数据驱动技能，选用状况表征办法识别锂离子电池组缺点并预警热失控。该办法选用标准化电池电压以保证对电池初始缺点的准确检测。研讨成果标明，该技能能有用促进问题的快速识别，并供给热失控的前期预警。文献[26]所述研讨从数据驱动视角调查了电池充电的时序特性，选用长短期回忆网络与Transformer算法进行建模。该研讨根据Newman-Tiedemann-Gaines-King锂离子电池模型，获取了不同容量与环境温度下的充电数据，并经过练习提升了混合算法的猜测精度。试验成果标明，相较于单一模型，本文提出的架构具有更高的猜测准确度。
但是，虽然取得了这些进展，现有大多数数据驱动办法仍面临两个要害应战：(i) 对大规模标示数据集的依赖——这类数据在真实热失控条件下往往难以获取；(ii) 单一信号猜测导致的高误报率，限制了其在安全要害场景中的实践适用性。为突破这些限制，本文提出一种根据搬迁学习的CNN-LSTM-SE框架，用于电池热失控前的毛病前期预警。本文的创新点与首要奉献可归纳如下：
- •本文提出一种根据搬迁学习的CNN-LSTM-SE架构，旨在处理热失控场景中小样本数据可用性有限的问题。该架构可以从源域数据集中高效提取特征，并提升在方针域中的适应才能。
- •经过联合考量电池电压与温度，本研讨提出一种双信号残差猜测战略，该战略选用三级阈值机制，与单变量办法比较明显降低了误报率。
- •根据86Ah磷酸铁锂电池的试验验证标明，该办法具有明显优势：其决定系数达0.999，并能在热失控发生前540秒提早宣布预警。
- •咱们建立了一个实用性强、可推广性高的框架，该框架展现出与先进电池办理系统集成的巨大潜力，可有用提升大规模储能使用的安全性与可靠性。