JLG蓄电池基于时序卷积网络与自注意力机制自动编码器的锂离子电池内短路故障诊断
来源：JLG电瓶 2026-02-28 10:30:25 点击：
摘要
锂离子电池内部短路(ISC)故障对电池安全性构成重大威胁，可能引发热失控。检测ISC故障对保障电池安全运行至关重要。本研究提出一种基于自编码器(AE)的ISC故障诊断方法。针对高质量ISC故障数据稀缺的挑战，引入一种利用AE重建残差的故障检测策略，该AE仅使用正常模组电池电压数据进行训练。通过计算重构数据与实测数据之间的均方误差来识别ISC故障。值得注意的是，该自编码器整合了时序卷积神经网络与自注意力区块以提升重构性能，从而提高故障检测速度。实验结果表明，所提方法能有效诊断不同严重程度的ISC故障。此外，通过在不同条件下（包括单体电池不一致性、不同类型电池及多样化运行工况）开展的实验验证了其鲁棒性。该方法能有效识别和诊断ISC故障，从而提升电池系统的安全性与可靠性。引言
锂离子电池内部短路(ISC)故障诊断方法主要分为基于模型的方法与数据驱动方法[20]。基于模型的方法首先建立精确模型，随后通过模型参数或估计状态的异常性实现故障检测。Feng等[21]基于电池电热模型，将测量电压与温度转化为电池固有电化学状态，通过评估可疑单体电池的估计状态与电池组全体单体平均值的偏差实现ISC诊断。Meng等[22]提出了一种基于2RC网络等效电路模型的自调节状态加权函数故障估计器。Yang等[23]提出了一种基于扩展卡尔曼滤波器状态向量的新型在线ISC检测方法。该方法构建的电池电热模型同时融合电信号与温度信号，可实现更及时精确的ISC诊断。然而，上述基于模型的ISC诊断方法仍面临诸多挑战，包括建立高保真电池模型的复杂性、获取精确参数的难度（Difficulty）以及对外部干扰的敏感性[24,25]。
数据驱动方法通过直接分析电池电压、电流等数据推导规则，并依据规则变化进行故障诊断，这使得该方法具有更高的灵活性和更广泛的应用范围[26]。从规则获取角度可分为基于信号处理的方法与基于深度学习的方法：前者主要运用信号处理技术从数据中提取故障特征以实现诊断。Wu等[27]提出了一种基于电压余弦相似度的内部短路诊断方法。该方法通过将电压不一致性放大为向量间的余弦相似度来实现ISC诊断。Qiao等[28]提出了一种基于增量容量曲线的ISC诊断方法，通过分析正常与故障电池增量容量曲线间的面积差异来确定漏电流。Xia等[29]基于不同单体电池电压间的相关性实现了故障诊断。Kong等[30]通过电池电压曲线计算各单体剩余电荷容量的变化，估算了ISC（内部短路）的漏电流值。然而，尽管基于信号处理的方法实施简便，其局限性在于无法有效拟合非线性关系，导致故障诊断准确率较低。与此形成对比的是，基于深度学习的方法虽然计算复杂度较高，但展现出更优异的非线性拟合能力，因而更适用于模拟电池的非线性行为。Qiao等[31]采用高斯过程回归模型学习经粒子群优化算法优化的弛豫电压特性，用于诊断ISC故障。Zhu等[15]提出基于多机器学习融合的ISC诊断方法，该方法对大量模拟数据进行迁移学习并获得较高诊断准确率。Liu等[32]利用一维卷积神经网络学习电压信号转换得到的Pearson相关系数特征，实现ISC检测。综上所述，基于机器学习的故障诊断方法若能通过大规模高质量故障数据有效训练模型以捕捉故障模式，则可实现高精度故障识别。然而在实际工程应用中，故障数据往往稀缺或难以获取，这不仅增加了故障诊断方法开发的复杂性，还显著制约了其性能表现。
针对高质量故障样本稀缺的挑战，同时为充分发挥机器学习方法在电池ISC故障诊断中的强非线性拟合优势，本研究采用基于自编码器（AE）的无监督深度学习方法。AE是一种用于异常检测的深度学习技术，已广泛应用于医疗诊断、工业故障预测及气候监测等多性向应用领域[33]。在使用自编码器（AE）进行异常检测时，仅采用正常样本作为训练数据且不提供故障数据，使得重建数据与正常数据高度相似。因此，当引入异常样本时，重建误差往往会增大，从而通过评估重建误差的幅度实现故障检测。基于上述原理，本文提出一种基于自编码器（AE）的电池内部短路故障诊断策略，为数据受限条件下的ISC故障诊断提供数据驱动解决方案。
- 1)
该方法采用无监督学习范式进行异常检测，仅利用正常电压时间序列数据训练神经网络模型，有效解决了故障诊断方法开发中高质量故障数据稀缺的难题。 - 2)
基于对AE架构的理解，本研究将具有时序数据处理优势的TCN和SA结构整合至AE中。与基础AE结构相比，由时间卷积网络与自注意力区块构成的AE（AE-TCN-SA）不仅提升了数据重建精度，还增强了异常样本检测能力。 - 3)
实验结果表明，所提出的方法能够有效诊断不同条件下的各类严重程度ISC故障，包括单体不一致性、模组均匀老化以及不同运行状态，凸显了其鲁棒性。