基于完全集成经验模态分解和时间卷积网络-注意力机制的锂离子电池并联连接故障诊断

《Journal of Energy Storage》：Parallel lithium-ion battery connection fault diagnosis based on complete ensemble empirical mode decomposition and temporal convolutional network-attention

基于CEEMD和TCN-Attention的并联电池系统故障诊断方法提出，通过CEEMD分解并筛选熵变显著的内模函数重构电压信号，利用TCN-Attention模型增强特征提取能力，实验验证在三种连接故障中诊断准确率达98.37%，经500次老化循环后仍保持96.02%准确率。

　　

余云飞|周中凯

青岛大学自动化学院，山东省工业控制技术重点实验室，中国青岛266071

摘要

在并联电池系统中，快速准确的故障诊断一直是一个挑战。特别是由于电池单元电流无法测量以及电压波动较小，使得诊断其中发生的某些故障变得极其困难。为了解决这个问题，本文提出了一种基于完全集合经验模态分解（CEEMD）和经过注意力机制增强的时间卷积网络（TCN-Attention）的故障诊断方法。首先，使用CEEMD算法将故障电压分解为固有模态函数（IMFs）。选择熵变化明显的IMFs来重构电压，从而增强一些微弱的故障信息。随后，从并联等效电路模型中生成三种类型的连接故障，并通过TCN-Attention算法对故障诊断模型进行训练。实验结果表明，该模型的故障诊断准确率达到98.37%，优于其他算法训练的模型。此外，该方法在不同老化周期内的可行性也得到了验证，即使在500个老化周期后，识别准确率仍保持在96.02%。

引言

全球能源需求的持续增长和不可再生化石燃料的逐渐枯竭[1]，以及二氧化碳排放造成的环境问题，推动了电动汽车和储能技术的快速发展[2]。锂离子电池因其高能量密度和效率而被广泛应用于这两个领域[3]。为了满足高容量和长寿命的要求，通常采用并联-串联配置来提升电池组的功率和能量容量。然而，在锂离子电池的长期运行过程中，不可避免地会出现一些故障，尤其是连接故障，这些故障由机械应力、材料老化或连接点接触不良引起。虽然它们不会直接影响电池的电化学反应，但会降低整个电池组的性能[4]，缩短其使用寿命，甚至威胁系统安全[5]。因此，及时准确的故障诊断对于电池系统的有效管理和安全至关重要。

现有文献中研究了多种电池故障诊断方法，可以分为基于模型和基于数据的方法。在基于模型的方法中，通过比较模型电压和实测电压之间的差异来诊断电池故障。例如，Ma[6]通过深入分析串联锂离子电池组中外部软短路故障的特性，建立了一种新的双卡尔曼滤波器诊断方法。Sadhukhan[7]提出了一种使用两个非线性卡尔曼滤波器检测锂离子电池中多种故障的方法，并通过比较正常状态和故障状态下模型参数的变化来诊断故障。Chen[8]提出了一种基于双层模型的外部短路故障诊断算法，利用改进的一阶RC模型模拟锂离子电池的电行为，并重新识别模型参数以诊断故障。Zheng[9]建立了一种基于混合系统建模和未跟踪粒子滤波器的诊断方法来诊断锂离子电池系统中的传感器故障。Zhang[10]提出了一种基于异常方差的电压传感器故障诊断方法和基于异常方差贡献的故障定位方法。上述方法主要依赖于准确的电池模型来进行故障诊断，但模型参数会随着电池的运行和老化而变化，从而导致诊断准确率下降[11]。

基于数据的方法依赖于大量的电池数据，从处理后的电池信号中提取并分析某些特征以识别故障。Sun[12]提出了一种数据驱动的早期故障诊断方法，通过将局部异常因子应用于实时测量的电池模块电压和温度，可以检测出可能发生故障的电池单元。Zhao[13]通过机器学习算法和3σ多阶段筛选策略检测电压异常，并利用反向传播神经网络分析电池故障。Jiang[14]提出了一种基于孤立森林算法的故障诊断方法，对原始电压数据进行信号处理，然后提取特征并进行异常检测以识别故障单元。Kang[15]使用交错电压测量拓扑和改进的相关系数方法识别多种故障，效果显著。此外，熵理论在基于数据的方法中被广泛使用[16]。Wang[17]提出了一种基于修正香农熵的现场电压故障诊断方法，可以通过监测运行中的电池来预测电压故障。Qiu[18]提出了一种基于多级香农熵算法的诊断方法，通过比较每个模块中不同锂离子电池的香农熵来检测故障。上述诊断方法对串联连接的电池模块实现了高精度的故障诊断。在实际电池系统中，电池单元通常是并联连接的，形成一个电池模块[19]。对于并联电池，由于分支电流无法测量且电压波动较小，诊断电池单元内部发生的某些故障极其困难[20]。现有文献中关于并联电池系统故障诊断的研究相对较少。Pan[21]提出了一种基于对称环拓扑方法的并联电池内部短路故障诊断方法。Ding[22]利用LSTM预测并联支路电流的变化来检测连接故障。上述研究在并联电池系统的故障诊断方面取得了进展。然而，基于可测量端子电压的连接故障诊断方法尚未建立。

本文提出了一种基于CEEMD和带有注意力机制的TCN的并联电池故障诊断方法。首先，根据不同老化周期的环电流方法建立等效电路并联连接模型；然后，使用CEEMD分解端子电压信号，并根据其IMF组分的熵变化进行重构，以增强故障信息。最后，将重构的信号输入TCN-Attention模型，利用其增强的预测能力实现故障诊断。

本文的其余部分安排如下：第2节构建并验证了并联连接的电池模型；第3节描述了CEEMD算法和TCN-Attention；第4节分析和讨论了故障诊断结果；第5节得出了结论。

测试平台

本文选择天津力神电池公司生产的LiNCM电池作为研究对象。具体参数如表1所示。测试平台如图1所示。使用Arbin电池测试仪（BT-5HC 5V-60A）收集实验数据，电压和电流的采集精度在全量程范围内为±0.02%。计算机用于设置电池测试过程并存储实验数据。所有实验都在热室内进行

补充集合经验模态分解算法

CEEMD算法是一种改进的信号处理方法，它通过添加成对的相反白噪声序列[24]来分解原始信号。与经验模态分解（EMD）和集合经验模态分解（EEMD）相比，CEEMD解决了模态混合问题，实现了更准确和稳定的信号分解，同时降低了计算负担[25]。

具体步骤如下：

添加噪声：向信号中添加

基于TCN-attention算法的故障诊断

为了验证TCN-Attention算法的诊断效果，本研究基于并联电池等效电路模型建立了一个包含正常状态和三种典型连接故障的实验数据集。通过结合CEEMD和熵的信号重构方法，获得了一个包含丰富故障相关信息的重构电压信号。TCN-Attention模型使用来自正常电池的重构电压信号进行训练

结论

为了确保电池系统的安全运行，快速准确地诊断不同类型的电池故障至关重要。本文提出了一种基于CEEMD和TCN-Attention的并联电池系统故障诊断方法。通过CEEMD分解电压信号，并通过筛选熵变化明显的IMF组分来重构信号。构建的TCN-Attention模型通过注意力机制增强了特征提取能力

CRediT作者贡献声明

余云飞：撰写——原始草案、方法论、数据整理。周中凯：撰写——审阅与编辑、验证。

提交声明

我们特此确认，本工作的作者遵守了Elsevier的出版伦理政策：本工作是原创的，尚未在其他地方发表或提交，目前也没有被其他地方考虑发表。其发表已得到所有作者的同意，以及进行工作的负责机构的默示或明确批准。如果被接受，也不会以相同的形式在其他地方以英文或其他语言发表

写作过程中生成式AI和AI辅助技术的声明

本工作中未使用AI工具。

利益冲突声明

本工作得到了国家自然科学基金（编号：62303254）和山东省高校青年创新团队计划（编号：2024KJH074）的支持。作者声明与本章内容无关的任何利益冲突。