CAT蓄电池可迁移变分自编码器方法在半监督锂离子电池异常检测中的应用
来源：
卡特蓄电池 发布时间：2026-03-18 14:53:36 点击： 次
锂离子电池因其高能量密度和长循环寿命，已成为可再生能源系统不可或缺的组成部分，特别是在电动汽车(EVs)和储能系统(ESSs)领域[[1], [2], [3]]。根据国际能源署(IEA)《2024年全球电动汽车展望》数据显示，2023年全球电动汽车电池需求激增至750吉瓦时，较上年增长40%，预计到2030年代将攀升至太瓦时级别[4,5]。这一增长态势反映了全球对清洁能源的迫切需求，包括电动汽车的广泛普及以及太阳能、风能等可再生能源电网存储需求的日益增长[[6], [7], [8]]。然而频发的安全事故已成为制约锂离子电池大规模应用的瓶颈，限制了其进一步推广[[9], [10], [11]]。
尽管锂离子电池发生安全事故的概率相对较低，但其潜在后果严重且突然，主要表现为热失控引发的火灾和爆炸[12,13]。热失控通常由电滥用、热滥用或机械滥用触发——例如过充、过热、短路或物理损伤[[14], [15], [16], [17]]。大量研究表明，此类滥用条件会导致内部温度急剧上升，从而引发不可控的放热反应[[18], [19], [20], [21]]。电池失效机制的内在复杂性，尤其是内部短路成因的多样性，显著增加了早期热失控检测的难度[22,23]。
异常检测提供了一种预测性解决方案，可缓解热失控等安全风险，从而提升锂离子电池系统的可靠性与安全性[24,25]。通过实现对潜在故障的早期识别，异常检测能够主动防范灾难性失效，这在电动汽车和电网级储能系统等高风险应用中尤为重要[26,27]。异常检测系统可实时监测电压、温度及内部压力或扩展包力等关键电池参数，以识别指示潜在故障的细微偏差[24,28]。对这些异常的早期探测有助于采取预防性动作，避免热失控发生[29]。
数据驱动与机器学习方法的最新进展显著提升了异常检测系统的性能[[30], [31], [32]]。张等人开发的动态自编码器框架是其中一项关键研究，该框架基于大规模现场数据集训练，相比传统方法实现了16-33%的AUROC提升，充分证明了深度学习在捕捉复杂故障模式方面的潜力[33]。吴等人提出了一种结合时间序列分解与改进曼哈顿距离算法的异常检测方法，用于在单体电池层面检测异常[34]。Li等人构建了特征工程驱动的框架，用于检测实际电动汽车中锂离子电池的多尺度电压异常[35]。Jia等人提出多场景数据驱动框架，该框架整合了场景特异性特征选择、改进的Transformer-GAN模型及优化后的累积和算法以实现电动汽车电池异常检测[28]。然而，实际运行工况下异常样本的稀缺性，要求开发能够在少量或零标记实例条件下有效工作的异常检测方法[24,36]。
为克服数据标注成本高昂与故障样本稀缺的挑战，本研究提出一种结合迁移学习的半监督变分自编码器（VAE），通过极少量标注数据实现高效异常检测[33,37]。该VAE从有限标注数据与大量未标注数据中学习电池正常行为模式，从而具备异常识别能力[38,39]。预训练模型经微调后迁移至全新的完全未标注数据集。本文主要贡献可概括如下：
- 1.
针对锂离子电池安全领域标记数据不足的挑战，我们开发了一种基于变分自编码器（VAE）与高斯混合模型（GMM）的新型半监督异常检测方法。
- 2.
提出的预训练-迁移框架通过利用大规模电池数据集，显著提升了在标签稀缺小规模数据集上的检测性能。
- 3.
在多组数据集上的大量实验实现了超过0.95的检测准确率，为大规模电池管理系统与先进电池系统提供了新的研究视角与技术方案。
