编辑推荐：
电池储能系统（BESS）安全风险分析提出融合领域大语言模型（LLM）、功能共振分析（FRAM）和贝叶斯网络（BN）的方法，通过RAG-Prompt工程解决数据不足问题，实现事故场景的定性与定量分析，并验证该方法在四起国际典型事故中的有效性。
Jiali Liang|Huixing Meng|Yu Mu
中国北京理工大学爆炸科学与安全防护国家重点实验室，北京100081
摘要
电池储能系统（BESS）在工业和民用领域得到了越来越广泛的应用。随着相关事故的发生，BESS的安全性问题变得越来越突出。风险分析对于采取BESS的风险预防和控制措施至关重要。然而，由于数据不足，传统的风险分析方法在很大程度上依赖于专家的主观判断。本文旨在减少风险分析对主观信息的依赖，提出了一种结合领域特定大型语言模型（LLM）、功能共振分析方法（FRAM）和贝叶斯网络（BN）的风险分析方法。首先利用领域特定的LLM生成FRAM模型，然后将其映射到BN中进行定量风险分析。通过最近全球范围内的BESS事故案例验证了所提出的方法。我们的结果为评估和降低BESS的风险提供了有价值的参考。
引言
由于电池储能系统（BESS）具有长循环寿命、高能量密度和低维护成本等优点，因此在民用和工业领域得到了广泛应用。截至2023年底，全球BESS项目的累计安装容量达到了92.3吉瓦[1]。IDTechEx预测，到2035年，全球锂离子BESS市场的资本化规模将达到1090亿美元，届时全球累计安装的锂离子BESS容量将超过4.4太瓦时[2]。然而，电池的电化学结构容易发生故障，这可能导致热失控、火灾甚至爆炸。2020年，英国利物浦发生了一起20兆瓦的BESS火灾，持续了10多个小时且未能完全扑灭，事故原因是内部电池缺陷导致的热失控。2025年，韩国的一个光伏储能设施发生火灾，造成691万美元的损失，原因是母线连接器老化导致的电弧故障。因此，对BESS进行系统的火灾和爆炸风险分析至关重要。
基于事件的风险分析方法已被应用于风险分析中，包括事件树分析（ETA）[3]、故障树分析（FTA）[4]、蝴蝶结模型（BT）[5]和贝叶斯网络（BN）[6,7]。基于系统的风险分析方法包括功能共振分析方法（FRAM）[8,9]、系统理论事故模型和过程（STAMP）[10]以及AcciMap[11]。Jiang等人[10]结合FTA和模糊BN分析了电动车辆的滚装/滚卸运输工具的火灾风险。Tan等人[12]提出了一种结合模糊FTA和专家知识聚合的风险分析方法来评估BESS的风险。数据驱动的方法被认为可以提高风险评估的客观性。数据驱动的贝叶斯网络在分析复杂系统及其相关风险方面已被证明是有效的。Sun等人[32]对无人机（UAV）事故进行了风险评估，而Kamalian等人[33]利用它分析了气候驱动的极端天气事件对英国火车延误的影响。Jia等人[13]提出了一种基于运营数据评估电动汽车电池系统风险的数据驱动方法。Meng等人[14]通过整合物理信息数据驱动方法对锂离子电池事故进行了风险分析。他们还提出了一种基于虚拟现实生成数据的数据驱动风险分析方法[15]。然而，事故数据的稀缺限制了数据驱动风险分析方法的应用。
近年来，像ChatGPT和DeepSeek这样的大型语言模型（LLM）展示了出色的人机对话能力和任务解决推理能力，并已被应用于医疗保健[16]、金融[17]、制造[18]和安全[19,20]等领域。在这一新兴领域，Xiao等人[34]提出了一种通过将LLM与传统方法和知识图谱结合来进行人类可靠性分析的方法。Zheng等人[35]开发了一个基于LLM的系统故障诊断框架。LLM在安全领域的应用正在逐渐增加。Zhou等人[21]将LLM与机器学习相结合，提高了知识图谱在减少高处坠落事故风险方面的适用性。Ren等人[22]提出了一种结合检索增强生成（RAG）和LLM的因果识别模型，以提升航空安全的决策和风险管理。Sujan等人[23]研究了基于LLM的FRAM在事故分析中的应用。与传统方法相比，使用LLM进行安全分析可以帮助更全面地分析事故。由于LLM拥有庞大的训练数据库，可以减少传统专家分析在事故分析中的主观性。同时，基于LLM的分析修改可以提高LLM分析结果的专业性。
由于FRAM模型在系统安全层面的分析效果优异，它们已被应用于各种风险分析场景中。研究人员通常将FRAM与BN结合使用进行定量分析。Qiao等人[24]结合FRAM和BN对丙烯泄漏事故进行了风险分析。Wang等人[25]基于FRAM和BN对大型卡车的隧道火灾事故进行了定量分析。Guo等人[26]结合FRAM模型和动态贝叶斯网络对船舶引航系统进行了定量风险分析。因此，FRAM和BN的结合结合了系统的分析能力和定量分析能力。
先前的研究指出，在风险分析领域存在数据稀缺和依赖专家判断的挑战。本研究旨在通过实施LLM来减少专家依赖方法中的主观性，并提出了一种解决数据不足的方法。与微调不同，本研究通过结合RAG和提示工程实现了领域专业化。这种策略在保留模型基础推理能力的同时，从外部语料库中注入了专业知识。RAG的外部数据库来自经过验证的电池事故记录和BESS故障事件数据库及Web of Science的科学文献。由于RAG生成的输出基于从专业外部语料库中检索到的证据，这种架构可以有效缓解LLM中的幻觉问题。随后，利用领域特定的LLM生成FRAM模型所需的信息。建立的FRAM模型被映射到BN中，以便对BESS中的事故场景进行定量风险分析。
本文的其余部分安排如下：第2节描述了基于LLM的风险分析方法，使用FRAM模型进行定性系统分析，使用BN进行定量风险分析。第3节通过结合事故报告对BESS风险进行了验证。最后，第4节对本文进行了总结。
方法论
本节提出了一种基于LLM的风险分析方法。该方法包括领域特定的LLM、FRAM建模、BN建模和敏感性分析，如图1所示。
案例研究
在本节中，根据事故的地理位置、典型性以及事故报告的可用性，选择了四起事故进行分析，分别是2023年的哥德堡电池储能系统火灾事件、2020年的利物浦电池储能火灾事件、2021年的维多利亚大电池火灾事件和2019年的亚利桑那州电池储能系统爆炸事件。这四起事故分布在全球各地，原因各异且都有详细的事故报告。
结论
在本文中，我们提出了一种基于领域特定LLM的BESS风险分析方法。该方法包括四个部分：首先，在RAG的帮助下建立了针对BESS的领域特定LLM；其次，基于该领域特定LLM生成了BESS的FRAM模型；第三，将定性FRAM模型映射到定量BN模型中进行风险分析；第四，我们验证了建立的模型并获得了节点的敏感性排名。
作者声明
Jiali Liang：调查；可视化；撰写——初稿。Huixing Meng：方法论；概念化；撰写——审阅与编辑。Yu Mu：撰写——初稿
CRediT作者贡献声明
Jiali Liang：撰写——初稿，可视化，调查。Huixing Meng：撰写——审阅与编辑，方法论，概念化。Yu Mu：
