84、锂离子电池组中异常检测算法的应用

锂离子电池组中异常检测算法的应用

1. 引言

在过去十年中，电动汽车和智能电网系统需求的增长推动了对储能技术的探索。锂离子电池（LIB）在存储、性能、容量和寿命等方面优于其他技术，但在不适当的条件下运行时，可能会出现性能和安全问题。

电池管理系统（BMS）可控制和维持电池的主要参数在安全范围内，但它使用固定阈值，无法预测或预见意外故障。随着电池循环使用，性能下降会改变原始阈值，但BMS不会调整控制。因此，需要一种数据驱动的方法来提前发现故障。

数据驱动的概念结合了边缘计算和云计算。边缘计算设备收集和处理本地数据，然后将其发送到云端。这样就可以应用机器学习（ML）技术，如异常检测，来尽早识别LIB中的故障。

2. 技术现状

LIB在移动性和智能电网等领域得到广泛应用，具有长寿命、高存储、稳定性和大容量等优点。然而，外部热量、振动、连接不良、信号噪声或BMS操作问题等因素可能导致故障，损害LIB并加速老化过程。

为了应对这些问题，有基于模型、基于知识和数据驱动等多种方法。数据驱动方法通过边缘和云计算生成数据。边缘计算设备与数据源交互，收集和处理本地数据，然后将处理后的数据发送到云端。云端则用于集中信息并创建数据集，以便进行可视化和分析。

在ML算法方面，有多种方法可用于预测和识别LIB故障。例如，使用长短期记忆网络（LSTM）诊断电池单元的短路和开路故障；使用随机森林（RF）通过强制外部短路（ESC）测试发现电池正负极之间隔膜的退化；使用基于模型的局部离群因子（LOF）方法识别LIB中的欠压和过压问题。

异常检测模型可找出数据集中与标准模式不同的值，常用于识别交易欺诈、图像特征差异