储能系统过流故障的基于热一致性的预警研究

大规模电池储能体系（BESS）的安全运转依靠于牢靠的前期毛病猜测。传统的根据阈值的报警办法无法捕捉弱小的前期毛病特征，导致警报推迟和误报。本研讨提出了一种以过流毛病温度一致性退化为中心的物理信息预警结构。首要建立如下毛病演化路径：电流应力引发焦耳热效应，进而导致温度一致性退化，由此验证温度一致性是最灵敏的先导目标。根据该机理结构，使用16个月的实践BESS运转数据构建了56维特征集。随后开发了具有时序注意力机制的双向长短期回忆（BiLSTM）模型，通过动态聚焦关键潜伏期演化特征，完成了固定48小时的猜测窗口。通过严厉的五折穿插验证，本模型在事件级别完成了87.50%的准确率、89.2%的召回率以及87.4%的精确度。通过融化实验证明了温度特征的关键作用：移除这些特征会导致准确率下降22.86%（Drop），猜测方差增大3.5倍。这种可解释的机理-数据融合结构为提高电池储能体系（BESS）的安全性和运转牢靠性供给了有用的智能解决方案。

导言

全球碳中和转型加速了风能、太阳能等可再生动力的布置。但是，这些动力固有的间歇性对电网稳定性构成重大应战[1,2]。因而，以锂离子电池为主的大规模电化学储能体系关于提高电网灵活性与牢靠性变得至关重要[3]。到2025年末，全球储能新增装机容量达106吉瓦，总装机容量打破270吉瓦。我国以占全球总量54%的份额保持全球领先地位[4,5]。但随着这些体系从辅助支撑设备演变为电网核心组件，其安全运转至关重要[6,7]。
锂离子电池储能体系（BESS）在复杂运转工况下易受过流、过压及热异常等多类毛病影响。此类毛病会削弱体系在调频与削峰填谷中的功能体现，并或许引发热失控、绝缘失效等严重后果[8,9]。现行监测主要依靠电池办理体系（BMS）选用根据经历阈值的报警机制[10]，这种被动战略具有滞后性，无法为预防性维护供给前期预警。该战略还缺乏自适应性，常在电网动摇时发生误报警，在稳态运转时出现漏检。此外，牢靠的毛病猜测是新兴智能控制与调度战略实施的前提条件，这些战略需依托高级剖析技能以完成安全高效运转[11]。
数据驱动办法的最新发展明显提高了毛病检测的灵敏度与准确度[12]。在确诊算法范畴，Sherri等[13]选用改进的主成分剖析聚类结合重构校对技能，完成了83%的毛病检测率。Wang等[14]提出根据动态四分位阈值与堆叠自编码器的三层结构用于毛病分类。Xie等[15]通过电压特征映射完成了卷积神经网络毛病隔离，准确率超过99.6%。Yang等[16]开发了用于前期毛病检测的多模态融合Transformer架构。
在统计毛病识别范畴，邱等人[17]选用三级香农熵检测渐变毛病，邱团队[18]则运用局部离群因子定位毛病单体。吴等学者[19]提出电压余弦相似性确诊内部短路。针对毛病样本不足问题，张氏团队[20]与杨氏研讨组[21,22]分别开发了根据TCN-BiLSTM的搬迁学习数据合成办法和生成对抗网络数据增强技能。
在体系和生命周期层面，Yang等人[23]设计了一个用于状态估量与毛病检测的多任务学习结构。Wang等人[24]构建了贝叶斯毛病传播网络。Wang等人[25]体系总述了功能退化、毛病演变与热失控的耦合机制。这些研讨连同电池退化建模[[26], [27], [28]]，为本文提出的根据温度一致性的预警办法奠定了坚实基础。
虽然数据驱动的毛病检测与确诊技能取得了这些发展，但在将确诊能力转化为电池储能体系牢靠的长期前期毛病预警方面，仍存在关键常识空白。现有研讨大多集中于事后毛病识别或由明显异常触发的短期警报。关于显性毛病出现前的弱小初期特征——特别是与热一致性退化相关的征兆——现在研讨存在明显忽视。这一疏漏源于传统办法过度依靠电压信号与固定阈值。现有办法对标志毛病初期的奇妙电化学与热力学前期变化均不灵敏。此外，许多高功能模型仅依靠数据驱动而缺乏物理解释性。这导致其难以捕捉根据渐进机理的毛病演化过程，而牢靠的健康监测关于支持电网优化中更急进且安全的储能资源配置至关重要[29]。