基于稀疏感知与专家混合的电池储能集群全局温度感知方法
2026-05-29 14:37:23 点击： 次
电池储能集群由多组大容量锂离子电池串联构成，然而稀少安置的温度传感器导致热特性感知不完整。为完成温度场的全面感知，本文提出一种根据专家混合模型（Transformer with Mixture of Experts, T-MoE）架构规划的Transformer网络，仅需两个传感器即可揣度电池集群的温度分布。在该T-MoE模型中，将传统Transformer的前馈网络替换为MoE层，用以提取多维电压、电流及温度数据的多样化特征。为处理电池舱内温度分布的多样性，本研讨选用结合动态时刻规整与K均值聚类(DTW-K)的时刻序列聚类办法，将电池划分为对应各MoE头部的不同类别。经过多门控MoE头部的多任务学习，为每种电池类型分配专用智能专家调度器，然后提高温度预算精度。模型练习中引进辅助损失函数以缓解专家利用率不平衡问题，并增强温度预算任务的练习稳定性。所提办法在电池储能集群上得到验证，仅需两个电芯级传感器即可完成全集群温度预算，均方根差错(RMSE)低于0.1924°C。该计划为大规模电池储能体系(BESSs)的归纳温度感知提供了有用处理计划。
引言
随着全球能源转型与电力体系稳定性的需求增加，电池储能体系（BESSs）的全球总装机容量已明显提高，估量到2030年将突破760 GW[[1], [2], [3]]。锂离子电池（LIBs）作为电网缓冲设备具有巨大潜力[4,5]。大规模BESS通常选用分层结构规划，由很多并联衔接的电池簇组成，每个电池簇则由数百个串联的锂离子电池单体构成[6]。
整个体系的充放电功能与安全性均取决于锂离子电池，而温度在极限温度与温度梯度两个维度上具有决定性影响[7]。低温条件下，锂离子在电解液及电极材料中的搬迁速率减缓，且易发生锂堆积现象，然后下降充电接受才能与容量[8,9]。高温会加速活性物质向惰性相的转化进程，导致可用能量进一步损失并引发电池容量衰减[10]，一起部分过热可能扳机热失控[11,12]。此外，单体电池间过大的温度梯度会加剧储能体系内部的参数不一致性，对全体循环寿命与安全性发生负面影响[13,14]。
电池温度丈量首要依靠热电偶、热敏电阻和光纤等触摸式传感器[15]，这些传感器面临本钱高、封装困难及电磁干扰等应战[16]。其间，高精度高灵敏度传感器的大规模布置会导致温度丈量本钱高昂。电池单体、热办理体系与均衡电路的集成规划，使得传感器在电池内部紧凑空间的封装尤为杂乱。由于电池储能体系(BESS)本身即为电磁干扰源，传感器的广泛布置会进一步加剧电磁兼容性问题并导致温度丈量失真。鉴于电池舱内传感器数量有限[17]，部分温度丈量无法准确表征舱体全体热状况[18]。因而，发展直接式电池温度估量办法具有特别重要性。
与电动汽车（EV）电池组比较，电池储能集群（以下简称"电池集群"）的温度预算面临着体系规模和热办理杂乱性带来的共同应战。首要，由于更高的产热率和有限的散热路径，电池集群表现出明显的电池间热梯度，导致电芯与模组间存在明显的温度不均匀性[7,19,20]。这种非均匀性通常超过电压、电流等电气参数的动摇起伏，然后削弱了温度与电信号之间的相关性，使得直接预算变得杂乱。其次，从数千个电池单体收集的海量秒级时刻序列数据会带来巨大的核算和存储负担，而储能电站现场控制器的核算资源有限。因而，在预算精度与推理推迟之间取得平衡已成为关键应战。开发对热非均匀性具有鲁棒性且核算高效的温度预算办法，对于电池集群的可靠运转至关重要。
为处理电池储能体系（BESS）中的稀少传感问题，研讨者深入考察了三种首要的归纳温度感知办法：根据电化学阻抗谱（EIS）的办法、电热模型以及数据驱动办法[21]。其间，EIS基办法经过利用多个特定频率下的阻抗特性来丈量电池内部温度[22]。例如选用零交越频率处的阻抗相位[23]、二次谐波频率/335 Hz处阻抗虚部[24][25]、215 Hz处阻抗实部[26]、10 Hz相位偏移[27]等参数。目前EIS基办法受限于硬件本钱与丈量时长，尚未在实践使用中取得广泛选用[28]。
电热模型根据物理方程核算电池的生热与传热进程。例如，等效电路模型可经过结合电压电流与Bernardi方程核算电池热源[29]，并选用等效热阻网络描述传热进程如文献[30]所示。此外，有限元法（FEM）被用于求解电池的三维电化学模型。该进程根据固相扩散系数、电解液电导率等参数核算电池的电化学生热，继而经过传热方程取得温度分布结果[31,32]。电热模型的温度猜测精度从根本上受限于参数不确定性[33]，这些参数不仅难以准确获取，且在工况条件下易发生变化[34]。
数据驱动办法经过前史数据学习，树立可丈量信号（电压、电流等）与温度之间的杂乱非线性映射关系[35]。Hussein等人[36]选用两个前馈人工神经网络（ANN）模块同步预算1.1Ah电池的电压与温度，而标准前馈神经网络（FNN）缺少保存先前输入信息的固有机制。Naguib等学者[37]构建了根据带外部滤波器的FNN结构和具有长短期回忆功用的循环神经网络（RNN-LSTM），用于预算2.9Ah 18650电池的表面温度。Yao等人[38]选用带门控循环单元的循环神经网络（GRU-RNN）对1.1Ah电池温度进行预算。虽然RNN可利用前史信息进行状况估量，但由于反向传播中的梯度消失/爆破问题[39]，其无法捕捉长时刻时序数据依靠性。参考文献[37][38]研讨表明，选用LSTM/GRU网络可缓解该问题，但迄今尚未完全处理。Bamati等[40]提出了一种卷积神经网络混合LSTM与深度神经网络(CNN-LSTM)的单体电池温度估量办法，在0.74Ah、2Ah和2.9Ah电池数据集上验证显示均方根差错(RMSE)低于1.30℃。虽然上述无温度传感器办法在低容量单体电池上展现出良好效果，但由于电池包层级温度与电压相关性明显减弱，且疏忽单体间相互作用[41]，其精度在电池包层面难以保证。部分学者另辟蹊径，尝试从有限传感器中提取归纳热信息[42,43]。Fang等[42]提出根据人工神经网络的电池包温度场稀少重构办法。二维平面上的64个点被划分为实在温度传感器（RTS）和虚拟传感器，其间仅需2至4个RTS即可完成平面温度估量。Xiong等[43]将环境温度、冷却剂温度与实测温度之间的温差以及发热量输入多层感知机（MLP）神经网络进行温度估量。上述文献中的模型存在才能局限性和扩展性缺乏的问题，难以驱动电池模组及以上层级的温度估量。此外，数据驱动办法依靠于练习数据集[44]，而相关研讨多选用实验室丈量数据，鲜少使用商业实践数据。
大规模电池储能体系(BESS)的温度受多重因素影响，导致温度时刻序列数据出现杂乱非线性特征。传统数据驱动办法通常依靠预定义特征提取，且受限于模型杂乱度缺乏。因而，面对稀少丈量数据时，这些办法无法充沛发掘温度与可用丈量值之间的深层非线性关联，致使温度估量的准确性与鲁棒性受限。此外，现有研讨首要选用小容量电池实验室数据，使得温度估量在实践场景中的泛化才能仍有提高空间。
为处理上述应战，本文提出一种根据改进Transformer架构的深度学习办法（T-MoE）。该模型整合了稀少专家混合范式、多门控多任务学习机制、辅助损失函数以及模块化多标准规划，旨在完成电池簇温度预算的资源高效性、可扩展性和高精度。首要贡献如下：
- (1).提出一种适用于大规模电池储能体系（BESS）温度估量的T-MoE架构。该办法从电池簇前史运转数据中提取集群级电信号的时刻特征，并将其与有限温度丈量值相融合。经过利用多专家网络和动态路由机制，该架构有效克服了稀少传感带来的应战，然后完成对电池簇温度分布的精准感知。
- (2).本文提出一种根据时刻序列聚类与多门混合专家（MMoE）的协作式多任务学习办法。针对电池集群的多样化温度分布特性，选用时刻序列聚类办法对电池进行分群。经过灵活分配MMoE内部的专家资源，可有效提高多个关联任务的一起学习功能。
- (3).本文提出了一种根据T-MoE的多标准建模计划。为习惯不同使用场景与核算需求，构建了三种不同规模的T-MoE变体（T-MoE-S/M/B）。经过选用3.42 MWh商业化储能电站实践运转数据进行验证，所提出的各标准模型均能完成较高的估量精度。