《Batteries》:Research on Three-Dimensional Localization of Pressure Relief Sound Source of Energy Storage Battery Pack Based on BP Neural Networks
Shan Jiang,
Chen Zhang,
Qili Lin,
Xingtong Li,
Yangjun Wang,
Zhikuan Wang,
Yindi Wang,
Jian Zhao,
Zhengye Yang and
Jifeng Song
+ 1 author
编辑推荐:
储能电站热失控事件表现出明显的声学特征信号,声源的三维定位对于实现精准消防干预具有重要意义。本研究提出了一种基于储能电池组泄压阀声学信号的电站内部故障定位方法。通过部署四个麦克风捕获电池组泄压阀的声学信号,利用基于反向传播(BP)神经网络训练的三维定位模型,可
储能电站热失控事件表现出明显的声学特征信号,声源的三维定位对于实现精准消防干预具有重要意义。本研究提出了一种基于储能电池组泄压阀声学信号的电站内部故障定位方法。通过部署四个麦克风捕获电池组泄压阀的声学信号,利用基于反向传播(BP)神经网络训练的三维定位模型,可计算故障电池组的空间位置。该模型的定位精度优于0.5 m,大多数测量点的精度低于0.3 m,满足电池组级定位的要求。该方法的一个关键优势是对封闭空间内混响和反射引起的时间延迟测量误差不敏感。通过在电池舱内进行多次训练,可以实现可靠稳定的泄压声源定位,这有利于实际部署。
**论文解读:基于BP神经网络的储能电池组泄压声源三维定位研究**
**研究背景与问题**
锂离子电池凭借高能量密度、成本效益和长循环寿命,已成为电动汽车和大规模储能系统的核心储能元件。为满足兆瓦级(MW-level)电池储能系统(BESS)的容量需求,通常将数百至数千个单体电池串并联组成电池模组,再集成电池簇。然而,长期运行下,单体电池间的不一致性日益突出,这不仅显著降低系统整体性能和循环寿命,还可能引发热失控等连锁故障,对BESS的安全性和可靠性构成严峻挑战。近期频繁发生的安全事故表明,现有安全监测与预警机制尚不完善。因此,开发高效精准的储能系统安全预警技术,特别是能够准确识别故障位置的方法,成为该领域的研究重点。
现有研究显示,锂离子电池热失控过程伴随电、热、声、气等多物理信号的演化,为故障预警提供了多维监测手段。其中,声学信号因其遥感和定位潜力备受关注。过充、过放或过热等滥用条件会引发电池内部短路,导致温度快速上升和副反应产热。当内部热量积累速率远超散热能力时,电解液发生热分解产生大量气体,一旦内部压力超过极限,电池壳体破裂并释放气体,产生声学信号。在储能电站中,多个单体电池通常封装在密封电池组内,并配备泄压阀。当电池组内部发生热失控时,泄压阀打开,产生特征声学信号。虽然检测到泄压阀开启表明存在故障事件,但需要确定排气源的具体三维位置以识别故障电池组。若未及时抑制故障,释放的高温可燃气体易引燃相邻电池组,触发连锁反应,威胁整个储能系统安全。反之,若能及时检测泄压阀开启,可立即启动电池组级灭火措施(如气溶胶淹没),抑制燃烧并防止热失控蔓延。
**研究内容与结论**
针对上述需求,研究人员提出一种基于声学信号的电池故障预警与定位方法。该方法仅在储能容器四角部署声学传感器阵列,通过捕获和分析单体电池故障时产生的泄压声学特征,实现故障源的三维空间定位。
传统声源定位技术包括基于导向响应功率(SRP)的波束形成、基于高分辨率谱估计的子空间方法以及基于到达时间差(TDOA)的定位算法。其中,TDOA方法通过计算麦克风阵列接收信号的时间延迟差,结合声速和阵列几何构型,求解声源坐标。然而,在储能电站电池舱环境中,强工频噪声、封闭空间、严重反射和混响,以及泄压阀声学信号在0–50 kHz的宽频分布,导致时间延迟测量困难。当时间延迟测量存在误差时,传统几何定位方法会产生不可接受的误差,甚至将内部事件误判为外部异常,无法满足安全监测的可靠性要求。
基于此,研究人员提出一种基于BP神经网络(BP Neural Network)的泄压声源定位方法。该方法采用稳健的时间延迟估计算法提取TDOA作为核心特征,并利用BP神经网络进行最终声源位置计算,旨在融合信号处理的物理可解释性与神经网络强大的非线性拟合能力。通过训练,BP网络学会容忍TDOA特征中固有的可重复误差,只要误差模式一致,网络就能将映射推向正确的电池组位置,使得整个系统对时间延迟计算误差不敏感,在复杂环境中实现更稳健、更易部署的热失控声源定位。
实验结果表明,该BP神经网络模型在实际测试中平均定位误差小于0.5 m,多数测量点误差低于0.3 m,满足预制标准储能容器内电池组级泄压信号三维定位的需求。该方法对时间延迟计算中的可重复误差不敏感,避免了因该类误差导致的精度下降或定位失败,且适用于离散定位任务,对电池舱内紧凑空间、高噪声、强混响反射的实际部署具有重要意义。该论文发表在《Batteries》。
**主要技术方法**
研究人员采用的主要关键技术方法包括:(1)基于广义互相关(GCC)算法的时间延迟估计,通过引入频域加权函数抑制混响和噪声影响,提取四组麦克风间的三组到达时间差(TDOA)作为输入特征;(2)构建具有两个隐藏层、每层10个节点的BP神经网络模型,输入层3个节点(对应三组TDOA值),输出层3个节点(对应空间笛卡尔坐标),通过前向传播预测和反向传播误差调整训练网络;(3)利用模拟声源在10 m × 10 m × 5 m空间内生成500组训练数据,优化网络结构,并通过实际实验采集900组数据(10种泄压阀、9个位置、每个位置10次重复)进行训练与测试;(4)在真实液冷储能容器(3.4 m × 2.3 m × 2.6 m)中进行验证实验,部署四个麦克风于四角,采集100组数据评估模型鲁棒性。样本队列来源为实验室模拟环境及实际储能电池舱。
**研究结果**
**3.1 实验设置**
研究人员搭建了基于标准20英尺预制储能容器(6 m × 2.5 m × 2.5 m)的模拟环境,在四个角落安装麦克风。选用10种不同开启压力和直径的泄压阀,每种阀在9个位置各测试10次,总计900组数据。声学信号主频约20 kHz,持续时间约1.5 s,所有数据具有高度相似的声纹特征,有利于模型训练和鲁棒性提升。
**3.2 实验结果**
对不同规格泄压阀在不同位置使用不同外部气压进行充气测试。四个麦克风捕获的声学信号在时域到达时间上存在明显差异,但相关性不理想,归因于舱壁反射和混响,导致基于互相关的时间延迟计算存在固有误差。若直接使用这些时间延迟进行几何定位,结果如图7所示,定位误差极大,甚至出现计算位置超出麦克风阵列空间边界(即“舱外异常”)的完全失效情况,表明TDOA方法在复杂声学环境下的脆弱性,无法满足可靠定位故障电池组的工程需求。
**4.1 BP神经网络模型**
通过模拟实验(10 m × 10 m × 5 m空间,500个1 m3立方体中心声源)确定BP神经网络结构:两个隐藏层,每层10个节点。拟合回归结果显示R值接近1,模拟平均预测误差低于0.1 m,验证了三维声源定位的可行性。
**4.2 结果**
使用实际数据中90%(810组)作为训练样本,10%作为测试样本。采用欧氏距离作为单点定位误差指标。实验结果表明,BP神经网络模型平均定位误差为0.46 m(小于0.5 m)。误差服从高斯分布(μ = 0.37 m,σ = 0.18 m),误差小于0.56 m的概率为84.13%。考虑到储能电池组尺寸为0.8 m × 0.5 m × 0.3 m,该误差显著小于模组长宽高,足以满足电池组级有效识别需求。该模型另一个显著优势是不需要显式输入麦克风位置信息,模型能从训练数据中自主推断麦克风位置,简化了应用过程,增强了方法适应性。
**4.3 验证实验**
在真实液冷储能容器(3.4 m × 2.3 m × 2.6 m)中进行验证,使用相同泄压阀和麦克风,采集100组数据,采用原始实验的BP神经网络训练。结果表明整体定位精度更高,平均定位误差小于0.3 m,但严重遮挡和反射条件下声源精度大幅降低。推测原因是实际场地较小、空间实体更强,使得首波声和反射声信号更清晰、波动更小。实验证明,在实际储能电站中,基于BP神经网络的声源定位算法仍具有强适用性和鲁棒性,但需考虑声源与麦克风间声场存在大面积遮挡或反射效应导致的定位偏差,这是未来关键研究方向。
**4.4 讨论**
通过对各测试点误差分布的深入分析,研究人员发现模型在训练数据密集的中心区域定位精度较高(误差通常低于0.3 m),而在训练数据稀疏的角落区域误差显著增大(部分点超过0.5 m)。这揭示了模型在内插方面的优势和外推方面的劣势。受此启发,未来研究可通过增加麦克风数量(如6至8个)引入冗余,改善神经网络模型的插值性能,抑制单个麦克风误差引起的整体偏移,并增加训练数据量以增强容错和映射能力。由于麦克风成本低,增加数量对部署成本影响可接受。
**结论总结**
本文提出了一种基于BP神经网络的储能电池组泄压阀排气声源定位方法。该方法采用具有两个隐藏层(每层10个节点)的网络,以四个麦克风捕获声音计算的三组时间差作为输入。训练后的网络模型在实际测试中平均定位误差小于0.5 m,多数测量点误差低于0.3 m,满足预制标准储能容器内电池组级泄压信号的三维定位需求。结果证实该方法对时间延迟计算中的可重复误差不敏感,避免了因该类误差导致的精度下降或定位失败。研究还表明,该方法适用于离散定位任务,对电池舱内紧凑空间、高噪声、强混响反射的实际部署具有重要意义。