⚡ electrical engineering

Health feature extraction from battery energy storage system field fault data

本文提出了一个从并网电池模组运行数据中提取并校准健康特征的框架，证明了在实际锂离子电池储能系统中，组级容量、退化率和 dV/dQ 峰值高度——而非电阻——是识别并联连接故障电池组具有统计学意义的指标。

原作者： Clement Wong, Andrew Weng, Xin Hui Ooi, Zhiwen Wan, Jeesoon Choi, Seung Yoon Yang, Heejun Jin, Jason Siegel, Anna Stefanopoulou

发布于 2026-06-26

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Clement Wong, Andrew Weng, Xin Hui Ooi, Zhiwen Wan, Jeesoon Choi, Seung Yoon Yang, Heejun Jin, Jason Siegel, Anna Stefanopoulou

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，一个巨大的电池组就像一支合唱团。在并网储能系统中，这些“歌手”实际上是成千上万个微小的锂离子电池在协同工作。为了让合唱团保持音准，并防止发生灾难性的“跑调”事故（如起火），工程师需要知道是否有个别歌手正在失声或生病。

这篇论文就像是一个侦探故事，调查人员试图找出哪些歌手病了，但他们面临一个巨大的难题：他们只能听到整个合唱团的声音，而听不到单个歌手的声音。

以下是他们调查过程的简要说明：

背景设定：“合唱团”与“盲区”

研究人员研究了 25 个大型电池模块。每个模块就像一个合唱团的分组，由 14 个歌手小组组成。在每个小组内部，若干电池通过并联方式连接（就像好几个歌手并肩站立，共享同一个麦克风）。

问题所在： 传感器（麦克风）是稀疏的。它们能听到整个小组的声音大小，但无法听到小组内某个特定电池的具体声音。
谜团： 在这 25 个模块中，每个模块都有一个小组在秘密地“生病”（出现故障），但研究人员在稍后拆解电池（事后分析）之前并不知道是哪一个。他们想看看是否能仅通过聆听数据，在拆解之前就发现那个生病的小组。

挑战：“嘈杂的房间”

在实验室里，你可以在一个安静、受控的房间里测试电池。但在现实世界（“现场”）中，电池处于一个嘈杂、混乱的环境中。

多变的环境： 有时电池充电快，有时充电慢；有时很热，有时很冷。
干扰因素： 这些变化会让电池的“声音”听起来有所不同，即使它是健康的。这就像是在试图判断一个歌手是否跑调，而此时房间的温度一直在变化，麦克风的音量也在波动。环境中的“噪音”掩盖了电池的“病情”。

解决方案：一种“降噪”侦探工具

研究人员构建了一个特殊的数学工具（使用一种称为高斯过程回归的方法），充当“降噪耳机”。

提取： 他们从数据中提取了三个主要线索：
- 容量： 该小组能储存多少能量（就像歌手肺活量的大小）。
- 电阻： 电流流动的难度（就像歌手声带的僵硬程度）。
- DVA（微分电压分析）： 这是电池化学特性的“指纹”，通过观察电压曲线中的特定峰值来识别（就像捕捉歌手独特的颤音）。
校准： 他们利用这个工具剥离了运行条件的“噪音”。他们问道：“如果这个电池是在完美、稳定的条件下运行，它的健康状况会是什么样？” 这使他们能够看到电池退化的真实、潜在趋势。

研究结果：线索揭示了什么

在清理数据后，他们将“生病”的小组与“健康”的小组进行了对比。以下是他们的发现：

1. “声音”线索奏效了（容量与 DVA）

容量： 生病的小组储存的能量比健康的小组少。
“颤音”（DVA 峰值）： 生病小组的特定化学指纹（电压曲线中的峰值）更低且更平坦。
结论： 这些线索在统计学上是显著的。这就像是听到生病的歌手确实肺活量变小了，且颤音也变得不稳了。研究人员怀疑，这些迹象指向了诸如锂电镀（阻碍电池的金属堆积）或小组内电池之间的不平衡等问题。

2. “电阻”线索失效了

预期： 通常情况下，当电池出现问题时，其内阻会上升（电流通过变得更加困难）。这是电池的标准“故障指示灯”。
现实： 在这项研究中，生病小组的电阻看起来与健康小组完全一样。
“掩蔽”效应： 为什么会这样？因为电池是并联连接的。想象一个由 3 名歌手组成的小组。如果其中一名歌手嗓子沙哑（高电阻），另外两名健康的歌手仍然可以通过自己的麦克风大声歌唱。该小组的总体的声音（电阻）并不会发生太大变化，因为健康的电池“掩盖”了生病的那个。研究人员发现，电阻并不是识别这些特定故障的可靠方法。

结论：喜忧参半

研究结论指出，虽然他们成功构建了一个通过过滤噪音来“聆听”电池真实健康状况的框架，但结果却很复杂：

好消息： 他们可以通过容量和化学指纹来检测出“生病”的小组。
坏消息： 检测并不完美。在“生病”的小组与“健康”的小组之间仍然存在大量的重叠。这就像是在一篮苹果中寻找坏苹果；有时坏苹果看起来和好苹果如此相似，以至于你可能会漏掉它们，或者误把好苹果扔掉。

核心启示：
在寻找电池故障时，不要仅仅依赖“电阻”，尤其是在电池并联连接的实际系统中。相反，应该关注它们能储存多少能量以及电压曲线的形状。然而，即便有了这些更好的线索，在庞大的电池系统中寻找故障电池仍然是一场困难的“捉迷藏”，因为健康的电池往往会掩盖掉生病的电池。

技术摘要：基于电池储能系统现场故障数据的健康特征提取

问题陈述

监测电网连接型电池储能系统（BESS）中锂离子电池模块的健康状况对于防止灾难性故障至关重要。然而，在现场评估电池健康面临着与受控实验室环境截然不同的重大挑战：

多变的运行条件： 现实世界的系统经历波动的 C 倍率、电压窗口和温度。这些变化直接干扰了健康特征，使得难以区分是由退化引起的改变还是由运行动态引起的改变。
传感稀疏： 商用模块通常缺乏针对每个单独电池的传感器。电压和电流是在并联组层面进行测量的，且温度传感器分布稀疏。这阻碍了对单个电池状态的直接观测，从而掩盖了细微的故障特征。
未知的故障机制： 与通过诱导滥用条件进行研究的实验室研究不同，现场故障的根本原因未知，这增加了识别特定故障指标的复杂性。
数据稀缺： 故障数据非常罕见，且现有的公开数据集通常缺乏并联连接的电池配置，或仅依赖于内阻作为健康指标。

方法论

作者提出了一个框架，用于从运行数据中提取并校准健康特征，以识别故障并联电池组的判别性特征。该方法由三个阶段组成：

1. 数据处理与特征提取

利用 25 个商用 BESS 模块（每个模块包含 14 个串联并联组）的 1 Hz 运行数据，作者为每个并联组提取了三类健康特征：

容量 ( $\hat{C}$ )： 在恒功率放电事件期间通过库仑计数法进行估算。通过将弛豫端电压映射到新鲜电池的开路电压（OCV）曲线来确定荷电状态（SOC）边界。
内阻 ( $\hat{R}$ )： 从充电事件后的电压弛豫行为中进行估算。电阻在不同时间步长 ( $\tau \in \{1\text{s}, 5, 10, 15, 20, 25 \text{ min}\}$ ) 下进行计算，以捕捉欧姆电阻、电荷转移电阻和扩散电阻。
微分电压分析（DVA）特征： 从放电过程中的 $dV/dQ$ 曲线中提取。特征包括高电压区（3.7–3.9 V）和低电压区（3.45–3.65 V）峰值的高度和电压位置。使用了特定算法（基于 OCP 知情的识别和 Savitzky-Golay 滤波）来减轻传感器噪声的影响。

2. 高斯过程（GP）回归校准

为了将多变的运行条件对特征的影响与潜在的退化趋势解耦，作者采用了高斯过程回归框架。

模型结构： 每个健康特征 $y$ 被建模为两个独立高斯过程之和： $f_{op}(x)$ ，捕捉对运行条件（如 C 倍率、电压、电流）的敏感性；以及 $f_{deg}(t)$ ，捕捉随时间变化的退化轨迹。
校准： 通过隔离出 $f_{deg}(t)$ 组件，该方法生成的“校准后”特征能够代表真实的老化趋势，而不受测量时特定运行条件的影响。
归一化： 为了实现跨模块比较，校准后的特征相对于同一模块内其他 13 个组的均值和标准差进行了归一化处理。

3. 统计评估

作者评估了这些校准后的特征区分 25 个模块中单个确认故障组与 13 个非故障组的能力。

统计检验： 使用 Mann–Whitney U 检验来确定故障组与非故障组的分布是否存在显著差异（ $p < 0.05$ ）。
判别效用： 计算了受试者工作特征曲线下面积（AUC），以量化每项特征的实际检测能力。

主要结果

本研究使用了一个包含 25 个故障电池组和 325 个非故障电池组的数据集，在故障确认前 1–6 个月内收集了超过 1.83 亿行数据。

显著分离：
- 容量： 容量的中位数以及容量退化速率（斜率）在故障组与非故障组之间均表现出统计学上的显著差异（ $p < 0.05$ ）。早在故障发生前 15–30 天，故障组就表现出较低的容量和加速的退化。
- DVA 峰值高度： 故障组的高电压区和低电压区 $dV/dQ $峰值高度均显著降低（$ p < 0.05$）。
- 注： DVA 峰值位置和某些时间窗口下的容量斜率并不总是显示出显著性，但主要指标（容量和峰值高度）具有显著性。
缺乏分离：
- 内阻： 无论是欧姆电阻 ( $\tau=1\text{s}$ ) 还是电荷转移/扩散电阻 ( $\tau > 1\text{s}$ ) 均未在故障组与非故障组之间显示出统计学显著差异（ $p > 0.05$ ）。
检测性能：
- 尽管具有统计学意义，但所有特征的判别能力（AUC）都较为温和。表现最好的特征——容量退化速率，其 AUC 为 0.671。DVA 峰值高度和中值容量的 AUC 在 0.614 到 0.64 之间。
- 电阻特征的表现接近随机猜测（AUC < 0.60）。
- 作者将其归因于故障组与非故障组之间存在实质性的分布重叠，这可能是由于异质的故障机制以及并联连接的掩蔽效应所致。

假设的失效机制

根据观察到的特征签名，作者假设该数据集中的故障与以下情况一致：

电池间不平衡与不均匀性： 由 $dV/dQ$ 峰值高度降低所指示，这表明相变过程变宽且电流分布不均。
局部锂电镀现象： 由较低的容量和加速的退化速率所指示，这与不可逆的锂库存损失（LLI）一致。

缺乏电阻偏差表明，这些故障的主要特征并非显著的电阻增加（例如连接器腐蚀或内部短路），或者并联架构掩盖了单个失效电池的电阻增加。

意义与主张

本文声称其贡献和意义如下：

针对现场数据的框架： 它展示了一个稳健的框架，能够从现实世界的 BESS 运行数据中提取并校准健康特征，通过高斯过程成功地将退化趋势从多变的运行条件中解耦。
对以电阻为中心检测方法的挑战： 研究结果挑战了仅依赖内阻进行故障检测的做法。研究表明，在特定的数据集中，电阻并非主要的故障指示器，而容量和 DVA 特征则是。
理解并联故障动态： 通过分析并联连接的组，该工作填补了现有文献（通常侧重于纯串联电池）的空白，并强调了“掩蔽效应”，即并联连接可能会隐藏组级电阻测量中的单个电池退化。
现实的预期： 作者谨慎地总结道，尽管存在统计学上的显著差异，但特征分布的实质性重叠凸显了在不产生高误报率的情况下，利用个体电化学特征进行稳健现场故障检测的内在难度。这项工作推进了对故障行为的理解，但并未声称已经完全解决了检测问题。