基于迁移学习的条件GAN在有限数据下增强锂离子CAT蓄电池储能系统的故障检测能力

由于毛病数据集稀缺且质量低劣，大规模锂离子电池储能体系的毛病检测精确性受到约束。本研讨提出了一种集成搬迁学习与条件生成对立网络（TL-cGAN）的数据增强技能，用于生成高质量的组成毛病数据集，然后进步毛病确诊功能。经过在重新练习期间将毛病信息作为条件嵌入，该办法增强了不同毛病场景下的数据集。此外，所提出的条件逆归一化根据毛病条件动态调整归一化参数，保证物理合理性。它还优化了生成数据集的核密度估量散布，然后保存要害的毛病特征。一个鲁棒的评价结构从静态、动态和实践维度验证了所提办法的有用性。实验结果表明，TL-cGAN 在要害毛病类型中将KL散度降低了高达90%，并明显进步了少样本和低可见度毛病检测使命中的召回率和F1分数，证实了该办法在数据受限条件下的有用性。

图文摘要

毛病检测关于根据锂离子电池的大规模电化学储能体系（ESS）的安全高效运行至关重要[1,2]。数据驱动办法，特别是深度学习技能，在毛病确诊使命中展现出巨大潜力[3]。但是，其功能不只严峻依赖于数据的可用性，更要害的是依赖于毛病相关数据的质量和多样性。在现实场景中，毛病数据本质上十分匮乏。热失控等灾难性事情尽管罕见但破坏力极大，往往导致数据丢失并损害数据集的完整性[4,5]。此外，许多企业拥有的ESS施行了严厉的保密约束，约束了外部研讨获取毛病记载的或许性[6]。某些毛病类型（例如过充和过放）或许不会立即发生可检测到的异常，但会逐渐恶化电池健康状况并引发灾难性结果。与常规运行数据比较，毛病数据关于开发鲁棒的确诊模型不可或缺。尽管如此，其稀缺性和有限的牢靠性仍然是重大障碍，阻碍了精确性和实践使用[7]。因此，添补这一空白关于推进锂离子电池ESS的数据驱动毛病检测至关重要。
最近的研讨探究了各种根据生成对立网络（GAN）的数据增强技能，以缓解电池状况确诊使命中毛病数据的匮乏问题。这些办法旨在增加可用练习数据的数量和多样性，然后进步模型的鲁棒性和确诊精确率。Sun等人[8]开发了一个根据GAN的结构（C-DC-WGAN-GP-TL），该结构集成了卷积神经网络、Wasserstein间隔和梯度惩罚来生成组成数据。Mohanty等人[9]进一步引进了一种根据TimeGAN的办法，经过结合驾驭循环参数来生成多样化的组成数据集，进步了SOC估量的精确性。同样地，Hu等人[10]使用深度卷积GAN（DCGAN）技能，将时刻序列数据增强转化为图像生成使命，以发生高度传神的电池数据，明显进步了SOC估量功能。
与此同时，一些研讨人员将根据GAN的增强技能与新式学习战略相结合，以进一步减少对标示数据的依赖并处理数据隐私问题。Han等人[11]提出了一种动态加权联邦比照自监督学习（DW-FCSSL）办法，使用散布式未标示数据和立异的数据增强战略，有用降低了对标示数据的依赖。Jin等人[12]探究了使用条件生成对立网络（cGANs）进行组成退化轨道猜测，将生成的组成数据与实在退化数据相结合，然后进步了前期阶段的退化猜测功能。
其他研讨将GAN生成的数据与剖析模块或噪声注入战略相结合。Yao等人[13]在特征映射模块中引进高斯噪声以进步散布的实在性，而Soo等人[14]使用了带有增量容量剖析的改进型TimeGANs来进行电池容量估量。
尽管近期根据GAN的办法在扩展电池毛病数据的可用性方面取得了令人鼓舞的效果，但它们往往着重数量而非多样性，未能捕捉到实践运行条件下固有的杂乱变异性。特别是，许多现有办法专注于生成孤立毛病类型或固定场景下的数据，忽视了毛病严峻程度、演化形式以及环境布景的改变。因此，组成数据集或许无法精确反映实践ESS毛病散布的计算和物理特性[15,16]。
高质量的增强数据有必要同时具备多样性和实在性，才能对模型练习和布置有用。若缺少这些特性，确诊模型在使用于具有杂乱且异构毛病行为的现实场景时，容易出现过拟合或泛化能力差的问题。处理这些问题关于进步数据驱动型毛病检测体系的牢靠性和鲁棒性至关重要[17]。
为了处理大规模锂离子电池ESS中稀缺且低质量的毛病数据所带来的局限性，条件生成对立网络（cGANs）供给了一种极具远景的处理方案。经过将生成进程以毛病相关属性为条件，cGANs可以发生更精确地反映多种毛病类型和严峻程度的样本[18,19]。尽管cGANs在管道完整性办理[20]、农业数据增强[21]以及海上毛病确诊[22]等范畴已证明其有用性，但它们在电池毛病组成中的使用仍很大程度上未被探究。补偿这一空白可以明显进步毛病数据的质量并进步确诊功能，特别是在实在数据不可用或不牢靠的情况下。
此外，许多现有的增强结构忽略了逆归一化在坚持生成数据物理一致性方面的重要性。传统办法选用一致的归一化处理，假设所有生成的样本具有计算一致性，但未能考虑到毛病条件的差异性特征[23]。在晶体管优化、地震信号去噪和语音生成等其他范畴中，逆归一化已被证明能有用维持组成输出的物理合理性[24,25]。但是，其潜力在电池毛病数据生成的布景下仍未得到充分使用，而在该场景中，条件感知的反归一化关于捕捉不同毛病场景下的精确体系行为至关重要。

•  
•  
•  

针对锂离子电池ESS中毛病数据稀缺、质量低且受限的应战，本文提出了一种根据搬迁学习与条件生成对立网络（TL-cGAN）的毛病数据增强办法，以在各种条件下增强高质量毛病数据。本研讨的首要奉献如下：（1）首次在锂离子电池毛病数据生成范畴引进了根据经老化数据预练习的GAN的TL-cGAN模型。经过创始性地在重新练习期间将毛病信息作为条件嵌入，该办法明显进步了组成数据的生成功率和质量。与传统的从头开始练习比较，这种办法可以更高效、更精确地生成特定毛病的数据。（2）首次在锂离子电池毛病数据生成中引进了一种新型条件逆归一化办法。经过将毛病条件整合到逆归一化进程中，该办法保证生成的电压数据实在且与每种毛病类型坚持一致，然后进步了数据的实在性和散布对齐度。它经过保存特定条件的计算特征，克服了一致归一化的局限性。（3）建立了一个牢靠的多级验证结构，以全面评价所生成的毛病样本的牢靠性。经过评价静态散布相似性、动态时刻一致性和实践适用性，该结构有用……