基于贝叶斯故障传播网络的锂离子SSB蓄电池储能系统实时知识与数据驱动可靠性分析

2026-06-08 21:25:28

跟着锂离子电池（LIB）电化学储能体系（BESS）在杂乱工况下的广泛应用，相关灾害事端频发并形成巨大损失。BESS的安全性已成为关键问题，而可靠性剖析对保障其安全运转具有重要作用。但是，现有办法大多无法实时更新失效概率并追寻毛病传达途径，导致BESS中的潜在危险难以被及时捕捉。此外，消防体系和隔热材料作为毛病区块条件被广泛应用于电池储能体系（BESS）中以阻止毛病扩散，但现有办法在进行BESS可靠性剖析时并未考虑其对毛病概率核算的影响。为添补这一空白，本文提出了一种名为贝叶斯毛病传达网络（BFPN）的新式可靠性剖析结构。该结构运用贝叶斯网络确认BESS中的毛病概率，并剖析毛病传达途径。为了实时动态更新失效概率，本研讨经过整合毛病猜测与健康办理（PHM）、FIDES及含糊逻辑，提出了一种体系的常识与数据双驱动算法。该结构特别考虑了毛病区块条件，以完结定量化且靠近实践的毛病传达模拟，然后使所提办法能适配实在场景。其首要奉献在于：该办法为考虑毛病区块条件的电池储能体系（BESS）全体动态可靠性剖析供给了实用东西。实验在包含12个电池组、共计216个电池单体（每组配置18个单体）的电池储能体系（BESS）中进行。结果表明，所提出的结构可以实时评价BESS可靠性，并供给体系安全性的毛病概率。实验验证了该结构作为评价BESS失效危险的有用东西，可全面揭示体系内部毛病耦合与传达机制。

引言

近年来，清洁可再生能源存储（RES）技能快速发展，有用缓解了传统能源体系带来的诸多问题，包含化石燃料成本上升、负面的环境影响以及不行再生资源有限性等[1]。锂离子电池（LIB）电化学储能体系（BESS）因其环保特性、高储能功率和长循环寿数等优势，在RES范畴发挥着重要作用[2][3]。现阶段，BESS被广泛应用于保障电网稳定性和提高电网功率[4]。截至2022年末，全球新式储能累计装机容量达45.7GW，其间BESS占比达94.4%[5]。
跟着电池储能体系（BESS）在全球范围内的快速普及，其运转与维护的安全性已成为关键问题。多起触目惊心的重大事端相继产生，包含中国北京和美国亚利桑那州的典型案例[6]。韩国在2017至2019年间报告了近30起导致火灾或爆炸的BESS事端[7]。这些事情不只形成重大生命财产损失，更阻止了电池储能在电网体系中的推广应用。
为进步BESS安全性，很多研讨工作已被提出。因为多数BESS事端会引发火灾，传统火灾危险评价办法中应用的现有模型和办法被移植至该范畴，包含毛病树剖析（FTA）、失效形式与影响剖析（FMEA），以及选用多准则决策剖析（MCDA）办法（如层次剖析法（AHP）[8]）进行的危险评价。文献[9]中，作者提出了一种用于评价电池储能体系（BESS）运转安全性的危险评价办法，其间危险等级经过层次剖析法（AHP）与迫临抱负解排序法（TOPSIS）确认。文献[5]提出的概率危险评价办法（PRA）将含糊毛病树剖析（FFTA）与专家常识聚合相结合，一起考量了BESS设计变体的影响，并估算了BESS安全事情的危险产生概率。文献[10]研讨团队应用毛病树剖析法（FTA）追溯电动汽车火灾的根本原因，包含锂离子电池（LIBs）的失效问题。此外，应用层次剖析法（AHP）对这些成因的重要性进行排序。文献[11]中，作者经过毛病树剖析（FTA）推导出锂离子电池失效的八条或许毛病途径和九个基本事情，并提出一种根据含糊逻辑的办法用于评价运输和储存过程中锂离子电池的火灾危险。文献[12]中，作者选用失效形式与效应剖析（FMEA）在电芯、模组和电池包三个层级评价锂离子电池的安全性。文献[13]中，作者经过引进失效机理剖析（FMMEA）对传统FMEA进行扩展，并运用该新办法界定锂离子电池失效形式。文献[14]进一步将危险缓解措施（RMM）归入考量对FMEA进行扩展，并将其应用于电池储能体系（BESS）的安全评价[15]。文献[16]在完结锂离子电池失效的FMMEA剖析后，引进猜测性维护机制来辨认潜在危险。
与上述传统办法比较，贝叶斯网络（BN）具有若干显著优势。例如，BN经过其图结构可以定量表征多耦合影响要素间的概率联系[17]。此外，经过供给多状态及相关条件概率，BN较毛病树（FT）更具灵活性与功能性[15]。因而，对于触及多要素影响的杂乱体系——电池储能体系（BESS）的安全剖析而言，BN是一种有用东西。文献[18]中，作者建立了根据贝叶斯网络(Bayesian Network, BN)的锂离子电池驱动配对火灾危险评价模型，该模型可辨认船上电池热失控的关键影响要素，并供给火灾或爆炸失效的概率。文献[17]提出了一种交融毛病树、动态贝叶斯网络(Dynamic Bayesian Network, DBN)与支持向量回归(Support Vector Regression, SVR)的动态危险猜测结构。文献[8]则构建了归纳考虑多影响要素的锂离子电池库房火灾危险评价结构，该结构结合了BN与专家评价办法。文献[19]提出了一种考虑电池自热效应的锂离子电池危险评价动态贝叶斯评价模型。文献[20]作者针对归纳能源体系，构建了考虑BESS连锁毛病及不同运转工况下元件失功率的事情树剖析(ETA)动态可靠性评价结构。文献[21]则提出了交融物理信息贝叶斯网络(BN)、毛病树剖析(FTA)与数据驱动BN的锂离子电池危险剖析结构。
此外，利用传感器传输的流式数据，多项研讨针对电池储能体系（BESS）的实时危险监测提出了解决计划。例如，文献[22]提出了一种根据模型的全气候电动汽车（EV）锂离子电池组在线毛病确诊计划，该计划选用两步等效电路模型。文献[23]则提出了一种非冗余交叉式测量电路与改善相联系数法相结合的在线多毛病确诊办法，以保证电动汽车电池组的安全运转。作者在文献[24]中选用电热模型与卡尔曼滤波器完结了实时多毛病确诊。文献[25]提出一种根据统计剖析的多毛病确诊办法，用于检测并定位LFP电池组中的短路毛病、电气衔接毛病及电压传感器毛病。文献[26]则构建了一种结合主成分剖析(PCA)与谱残差剖析的增强型混合机器学习模型，以完结电池储能体系(BESS)的实时毛病辨认。在文献[27]中，作者提出了一种根据离散弗雷歇距离和局部离群因子的在线毛病确诊办法，该办法经过剖析实时电压与温度数据来检测电池单体热失控现象。近年来，多项研讨如[28][29][30][31]选用深度学习技能进行特征挑选与多维传感器数据交融，完结了电池单体/模组的在线毛病确诊。值得注意的是，文献[32]的作者在随机工况下完结了锂离子电池在线毛病确诊的精确功能。
但是，上述用于评价BESS安全性和监测BESS危险的办法仍存在以下局限性：

• •
  实时可靠性剖析才能不足：虽然来自传感器（如充电电流、电池组温度）的实时流数据被广泛用于BESS中单体电池/电池组的在线毛病确诊，但在现有办法如[22]-[32]中，这些数据仍难以用于整个BESS体系的实时可靠性剖析与毛病传达剖析。因为无法充分利用实时数据，这严峻削弱了对突发危险事情（如热失控与电化学失效）的应急呼应才能[33]。
• •
  缺乏体系级毛病传达量化剖析办法：现有诸多办法如文献[10][11][12][13][16]首要聚焦锂离子电池单体失效。虽然根据毛病树剖析(FTA)/失效形式与影响剖析办法(FMMEA)的文献[5][9][14][15]关注整个电池储能体系(BESS)的可靠性剖析，这些办法仍难以完结毛病传达的定量化剖析。此外，虽然部分根据贝叶斯网络(BN)的既往研讨[8][17][19][21]完结了锂离子电池失效传达的量化剖析，但鲜有能掩盖整个电池储能体系并阐明组件、子体系及体系各层级失效形式间相关性的研讨。若仅剖析单一组件毛病，将疏忽跨子体系毛病传达引发的潜在危险（例如电池办理体系(BMS)电流测量误差或许导致荷电状态(SOC)估算误差，进而触发持续过充现象）[34]。
• •
  对毛病阻断条件的忽视：在实践电池储能体系（BESS）中，毛病阻断条件（如消防体系和直流毛病阻断[35]）常被用于避免毛病扩散。但是，现有研讨办法[8][17][19][20]既未考虑这些阻断条件对BESS毛病传达的影响，也未清晰评价这些条件的有用性。这将导致核算的毛病概率值偏大，与实践BESS毛病概率不符[36]。此外，这些毛病阻断条件本身也存在失功率，值得深入研讨。

为添补上述研讨空白，本文提出一种名为贝叶斯毛病传达网络（BFPN）的新式可靠性剖析结构，以提高电池储能体系（BESS）的安全性。首要，经过整合多篇相关文献及国家标准，辨认毛病要素及其相关联系。随后，根据已辨认的毛病要素与相关联系，应用贝叶斯网络（BN）构建所提结构，然后确认毛病产生概率并剖析毛病传达途径。为实时动态更新BESS毛病概率，本文根据 prognostics and health management (PHM)、FIDES及含糊逻辑，提出体系的常识-数据双驱动算法。此外，相较于现有办法，本研讨的BN模型考虑了毛病Block条件下的毛病率，使毛病传达剖析更靠近实践工况，然后提高办法的实际适用性。本文首要立异点可归纳如下：

• •
  所提出的结构可以经过结合实时数据、经历公式与专家常识，完结电池储能体系（BESS）可靠性的实时剖析；
• •
  该结构可定量剖析组件、子体系及电池储能体系（BESS）等多层级毛病形式间的相关联系；
• •
  该结构经过考虑毛病区块条件来剖析电池储能体系（BESS）可靠性，然后迫临实在的毛病传达过程。