通过智能的微小短路故障检测技术提高可持续能源系统中锂离子电池的安全性

《PROGRESS IN AEROSPACE SCIENCES》:Enhancing safety of lithium-ion batteries in sustainable energy systems through intelligent minor short-circuits fault detection

【字体: 大 中 小 】 时间:2025年12月30日 来源:PROGRESS IN AEROSPACE SCIENCES 16.2

编辑推荐:

  赵世文|乔鹏|杜大军|费民瑞|陈鹏|李恒|吴悦|李康|刘凯龙 山东大学控制科学与工程学院,济南250100,山东,中国 摘要 可再生能源集成和电动出行的迅速发展增加了对安全可靠的锂离子电池的需求,这些电池因其高能量密度、长寿命和效率而至关重要。然而,复杂的内部电化学

  赵世文|乔鹏|杜大军|费民瑞|陈鹏|李恒|吴悦|李康|刘凯龙
山东大学控制科学与工程学院,济南250100,山东,中国

摘要
可再生能源集成和电动出行的迅速发展增加了对安全可靠的锂离子电池的需求,这些电池因其高能量密度、长寿命和效率而至关重要。然而,复杂的内部电化学反应和外部运行应力可能导致难以在早期检测到的微短路(MSC),但这些问题可能会演变成热失控,对大规模储能系统构成重大风险。为了解决这一挑战,本研究提出了一种无监督的MSC故障诊断框架,该框架结合了混合特征提取策略和深度支持向量数据描述算法。该方法利用二维相关系数和二维小波变换来捕捉电池间的电压一致性,并检测与故障发展相关的瞬态异常。这些互补特征被融合成多维表示,并由深度模型处理,该模型学习正常运行状态的紧凑模式并构建一个超球面用于异常检测。该框架使用包含六个电池单元的实验室模块进行了验证,在不同的运行条件、故障严重程度和电池化学成分下均表现出有效的故障识别能力,实现了94%的故障检测率和3%的误报率。此外,该计算过程依赖于基于矩阵的特征构建和轻量级的前馈推理过程,具有适合实时部署在电池管理系统中的计算效率。得益于其无监督和数据驱动的设计,该框架在多种条件下展现了强大的泛化能力,为提高未来储能应用的安全性和可靠性提供了有希望的途径。

引言
化石燃料的枯竭以及迫切需要遏制环境污染,极大地加速了全球向可再生能源的转型[1,2]。然而,太阳能和风能等可再生能源的固有间歇性和可变性给维持电网稳定性和确保能源可靠性带来了相当大的挑战[3,4]。为此,高效且可扩展的储能解决方案至关重要[5,6]。在各种技术中,锂离子电池(LIBs)因其高能量密度、长循环寿命、优异的效率、快速响应和低自放电率而成为领先选择[7,8]。这些优势使得LIBs在包括消费电子[9]、电动汽车[10]以及越来越多用于调峰、频率调节和应急备份的大型固定式储能系统[11,12]等广泛应用中不可或缺。随着对清洁和灵活能源需求的持续增长,LIBs在推动建设韧性强的低碳能源基础设施方面发挥着越来越重要的作用[13,14]。然而,由LIB故障引起的安全事故在全球范围内频发,引发了对其运行安全性的严重担忧[15]。LIBs容易受到制造缺陷、机械损坏和温度波动的影响,这些因素可能导致各种类型的故障。在极端情况下,这些故障可能引发热失控,对整个电池系统的安全性和稳定性构成重大风险[16,17]。故障诊断技术通过在故障恶化之前检测到早期迹象来发挥关键作用,从而允许及时干预以防止灾难性后果[18]。因此,开发准确且及时的故障诊断方法对于确保LIBs的安全性和可靠性以及支持其在下一代能源系统中的更广泛应用至关重要[19,20]。

LIBs的故障主要包括连接问题、短路、过充/过放以及传感器故障[21,22]。其中,短路故障不仅是最常见的故障类型之一,也代表了重大的安全隐患,导致了大量与电池相关的事故[23,24]。短路通常由制造缺陷(如金属杂质、隔膜损坏)、材料老化(如锂枝晶形成)、机械损伤(如挤压、穿刺)、环境因素(如高温、湿度)或电池管理系统故障引起[25,26]。这些问题可能导致正负电极之间意外接触,从而引发短路。这种故障会经历多个阶段,最初仅表现为微弱的电气或热异常,这使得早期检测极具挑战性[27]。然而,随着故障的恶化,它可能引发快速放热链式反应,导致温度急剧上升,最终可能导致热失控[28]。因此,早期识别微短路(MSC)故障对于维护LIB的安全性至关重要[29,30]。然而,由于LIBs的复杂非线性行为以及这类故障的隐蔽、渐进和传播特性,MSC故障的诊断极具挑战性[31,32]。

目前,短路故障诊断方法大致可分为三种类型:基于阈值的方法、基于模型的方法和数据驱动的方法[33,34]。基于阈值的技术通过监测某些电池参数是否超过预定义的限制来检测故障[35]。例如,Xia等人[36]开发了一种自适应的基于阈值的方法,能够识别过电压和过电流等故障。由于其实现的简单性和可靠性,这种方法已在电池管理系统(BMS)中得到广泛应用[36]。然而,它在检测早期MSC故障方面存在不足,因为相关参数的偏差通常太微小而无法超过预设阈值[37]。基于模型的电池故障诊断方法通常构建电池模型以预测实时电池行为,并将模型输出与实际测量值进行比较[38]。当两者之间的残差超过预定义阈值时,即表示存在故障[39,40]。等效电路模型(如Thevenin、RC和双极化模型)在电池应用中得到广泛应用[41,42]。例如,Zheng等人[43]提出了一种针对单个锂离子电池的定量诊断方法,其中构建了一阶RC等效电路模型来估计电池容量。通过分析充电-放电循环中短路电池的容量差异,该方法实现了定量故障诊断,但耗时较长,通常需要数小时才能完成检测过程。Xu等人[44]设计了一种基于扩展状态空间模型的非线性H∞观测器来估计LIB的荷电状态(SOC)。通过评估估计值和实际SOC值之间的差异来检测短路故障。这种基于模型的方法结构简单,实时性能强,但对电池老化和运行环境敏感,其诊断性能受模型准确性的限制[45]。此外,电化学模型也被应用于短路故障诊断。与传统的等效电路模型相比,它们提供了更高的准确性,因此能够实现更精确的故障检测[46]。例如,Ma等人[47]基于伪二维(P2D)框架开发了一种简化的电化学模型,并证明预测的表观扩散系数可以作为电池老化过程中ISC的高度敏感指标。这种方法的准确性得到了有效提高,但存在建模复杂、计算成本高和难以实时应用等缺点[48,49]。

随着数据科学的进步,利用信号处理和机器学习技术的众多数据驱动方法已被开发出来用于检测电池短路故障[50,51]。与基于模型的方法不同,这些方法不需要电池的精确数学模型,而是通过分析测量数据模式来识别故障[52]。信号处理技术通常从操作数据中提取与故障相关的特征(如熵或相关系数,并将这些特征与正常条件下的参考值进行比较以检测异常[53,54]。例如,Wu等人[55]提出了一种基于电压余弦相似性的短路故障诊断方法。该方法使用电池电压和电流构建二维特征向量,并引入一个包含激励信息的增益因子来进一步处理特征向量,从而增强故障的分离和识别能力。Li等人[56]提出了一种基于多变量多尺度样本熵(MMSE)的早期ISC故障诊断方法。该方法从多个信号(包括电压、电流和温度)中提取与故障相关的特征,使用MMSE来指示故障的开始。尽管涉及多个信号,但并未显著提高检测精度或速度。此外,还采用了经验模态分解和小波变换等信号分解技术来提取故障特征用于故障检测。例如,Jiang等人[57]使用小波包分解将原始电压信号分解为低频和高频分量,从而便于提取故障特征。一般来说,这些技术主要是作为特征提取的辅助工具使用,很少单独用于故障检测。总之,基于信号处理的方法简单易实现,但其诊断精度有限,因为它们无法有效捕捉电池的非线性特性,且在噪声存在时性能显著下降。

近年来,人工智能(AI)取得了迅速发展,提供了一套数据驱动工具,能够提取复杂模式并支持工程系统中的智能决策[58,59]。在这一更广泛的AI领域内,机器学习技术提供了强大的非线性映射能力,并在电池故障诊断中展现出巨大潜力[60,61]。根据训练范式和对标记数据的需求,这些技术可以大致分为监督学习和无监督学习[62]。监督学习方法通常依赖大型、标记良好的故障数据集来训练模型,使模型能够学习和识别故障模式,从而实现准确可靠的诊断结果[63,64]。例如,Qiao等人[65]提出了一种基于机器学习的内部短路诊断方法,该方法通过增量容量曲线对电压曲线进行分段,并应用动态时间扭曲(DTW)来测量电池间的相似性。提取DTW结果的四个统计特征,用于训练梯度提升决策树(GBDT)模型,仅使用部分电压数据即可实现准确早期的ISC故障检测和定位。然而,其对大量故障数据的依赖以及特征提取所需的长时间测试序列显著限制了其实用性。此外,深度学习技术的最新进展,如卷积神经网络(CNNs)和循环神经网络(RNNs),也受到了广泛关注,并已应用于短路故障诊断[66,67]。例如,Cui等人[68]提出了一种快速准确的ISC检测方法,通过将电化学阻抗光谱(EIS)与深度神经网络(DNNs)相结合,实现了可靠的ISC故障识别。然而,这也面临着故障数据稀缺的问题,这对该模型的泛化能力提出了质疑。总之,监督学习方法在提高电池短路故障诊断准确性方面显示出巨大潜力[69]。然而,关键挑战依然存在:故障数据的稀缺性和获取难度导致机器学习模型的训练样本不足,极大地限制了它们在实际故障诊断应用中的有效性。

相比之下,无监督学习方法不依赖于标记的故障数据,而是从正常运行条件中学习内在模式,为解决监督方法面临的数据稀缺性和泛化问题提供了有希望的途径[70,71]。例如,Zhang等人[72]提出了一种早期电池组故障检测方法,该方法构建了一个带有容忍因子的通用无量纲指数,将异常演化映射到二维空间,并应用LOF方法与差分策略,利用真实的电动汽车数据准确识别故障电池。该方法通过捕获固有的异常模式来检测故障,无需标记的训练数据,从而避免了对稀缺故障样本的依赖。然而,作为一种基于局部密度的无监督方法,LOF对噪声敏感,噪声可能会扭曲密度估计,导致误报或漏报[73]。支持向量数据描述(SVDD)也被应用于电池故障诊断。它仅使用正常样本构建了一个紧凑且稳健的边界,实现了准确的异常检测。通过结合软边界和正则化,SVDD减少了噪声的影响,提供了抗干扰能力[74]。然而,其对预定义核函数的依赖性和有限的特征提取能力在处理复杂或高维数据(如高度非线性的LIB系统)时可能会降低有效性。

基于上述分析,准确诊断早期MSC故障仍然是一个重大挑战。为此,本研究提出了一种新颖的LIBs故障诊断方法,该方法结合了微小故障特征提取和深度SVDD算法。具体来说,电压数据通过使用二维相关系数和二维小波变换进行处理,以提取故障特征,这些特征随后被输入到深度SVDD模型中用于锂离子电池(LIBs)的微小短路(MSC)故障检测。本研究的主要贡献如下:(1) 为了增强对MSC故障特征的识别能力,提出了一种新颖有效的混合特征提取方法。首先,利用二维相关系数来捕捉电池电压及其一阶差分中的相关特征;接着,引入基于二维小波变换的突变特征提取方法来检测与故障发生相关的突变。这种组合方法能够更全面地表示MSC故障的特性。(2) 开发了一种深度SVDD算法,利用深度学习的非线性拟合能力从电池数据中有效提取复杂的非线性模式,从而实现准确的MSC故障检测。值得注意的是,该算法以无监督的方式运行,无需故障数据进行训练。(3) 在不同的工作条件和故障严重程度下进行了广泛的实验,以验证所提出方法的鲁棒性和泛化能力。本文的其余部分组织如下:第2节详细描述了基于深度支持向量描述算法的MSC故障诊断框架;第3节概述了实验平台和程序;第4节使用实验数据验证了该框架,并讨论了相应的结果;最后,第5节总结了本研究的研究发现。

故障诊断方案
在本节中,介绍了所提出的联合微小故障特征提取方法,并详细解释了深度支持向量描述算法。最后,展示了用于LIBs的MSC故障诊断策略的总体框架。

实验
为了验证所提出方法的有效性和鲁棒性,建立了一个用于电池短路故障测试的实验平台,如图3所示。该平台包括三个主要组成部分:用于充放电控制的Arbin电池测试仪、用于调节实验环境的温度室以及用于数据采集和处理的计算机。实验使用了六节三元锂离子(NCM)电池(Li(NiCoMn)O2)。

结果与讨论
在本节中,通过在不同工作条件和不同故障严重程度下进行了一系列故障实验,以验证所提出方法的有效性、鲁棒性和泛化能力。此外,还与传统故障诊断技术进行了比较分析,以突出所提出方法的优势。

结论
短路故障对LIBs构成了严重的安全隐患,因为它们可能引发热失控并严重影响可再生能源系统的稳定运行。为了降低这种风险,本研究提出了一种新的LIBs MSC故障诊断方法,该方法结合了微小故障特征提取策略和基于深度SVDD的检测算法。基于广泛的实验验证,得出以下结论:

作者贡献
赵世文:概念化、方法论、软件编写 - 原稿撰写、可视化
乔鹏:验证、调查、编写 - 审稿与编辑
杜大军:资源提供、编写 - 审稿与编辑、数据管理
费敏瑞:编写 - 审稿与编辑、资源提供
陈鹏:软件编写 - 审稿与编辑
李恒:编写 - 审稿与编辑、资源提供
吴玥:编写 - 审稿与编辑
李康:编写 - 审稿与编辑
刘凯龙:编写 - 审稿与编辑、监督

利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢
本研究得到了中国国家关键研发计划(项目编号2022YFF0712700)、国家自然科学基金(项目编号62373224)、深圳市科技计划(项目编号GJHZ20240218113404009)、山东省自然科学基金(项目编号ZR2024JQ021)以及国家自然科学基金(NSFC)(项目编号NSFC U24A20259和W2521179)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号