[论文解读] Data-driven Thermal Anomaly Detection for Batteries using Unsupervised Shape Clustering

Xiaojun Li, Jianwei Li+2 more|arXiv (Cornell University)|Mar 15, 2021

Advanced Battery Technologies Research参考文献 14被引用 30

一句话总结

本文提出一种基于K-shape聚类的无监督、数据驱动电池热异常检测方法，通过比较温度信号的形状相似性来实现。该方法无需连续数据、标注样本或电池组配置的先验知识，即可检测传感器测量中形状模式的偏差，从而实现早期热异常检测，在真实电动汽车数据中比传统BMS提前超过90分钟识别出过温故障。

ABSTRACT

For electric vehicles (EV) and energy storage (ES) batteries, thermal runaway is a critical issue as it can lead to uncontrollable fires or even explosions. Thermal anomaly detection can identify problematic battery packs that may eventually undergo thermal runaway. However, there are common challenges like data unavailability, environment and configuration variations, and battery aging. We propose a data-driven method to detect battery thermal anomaly based on comparing shape-similarity between thermal measurements. Based on their shapes, the measurements are continuously being grouped into different clusters. Anomaly is detected by monitoring deviations within the clusters. Unlike model-based or other data-driven methods, the proposed method is robust to data loss and requires minimal reference data for different pack configurations. As the initial experimental results show, the method not only can be more accurate than the onboard BMS and but also can detect unforeseen anomalies at the early stage.

研究动机与目标

• 解决基于云的电池热异常检测面临的挑战，包括数据丢失、传感器异步、电池老化和环境变化。
• 开发一种无需模型、基于数据的方法，仅需极少参考数据且无需标注训练样本。
• 实现实时检测热异常，特别是缓慢发展的异常，早于基于阈值的系统触发报警。
• 提高对配置相关差异（如传感器位置和电池组设计差异）的鲁棒性。
• 提供一种可扩展的解决方案，适用于大规模车队和储能系统，采用无监督学习。

提出的方法

• 采用K-shape聚类算法，基于形状相似性度量（SBD）对温度测量进行分组。
• SBD度量定义为1减去两条时间序列之间最大归一化互相关，使其对缩放和时间偏移保持不变。
• 通过基于SBD的质心重估和重新分配，迭代更新聚类，并在迭代过程中监控收敛情况。
• 通过监测聚类内形状相似性的偏差来检测异常，使用结合了类内和类间变化的总距离函数。
• 通过形状偏差和聚类一致性度量的加权组合计算异常检测的置信度。
• 该方法应用于短时间段（例如4.1分钟）的温度数据，实现近实时或实时监控。

实验结果

研究问题

• RQ1 在真实电动汽车数据中，基于形状的聚类能否比传统的基于阈值的BMS更早检测出热异常？
• RQ2 该方法对间歇性或长期数据丢失以及传感器异步的鲁棒性如何？
• RQ3 该方法能否在缺乏电池配置、传感器布局或标注故障数据先验知识的情况下检测异常？
• RQ4 在电池老化和环境变化条件下，该方法的性能如何？
• RQ5 该方法能否区分正常配置引起的热差异与实际热故障？

主要发现

• 在案例I中，该方法基于传感器#13的早期形状偏差，比车载BMS提前90分钟检测到过温故障。
• 即使温度差异仍较小，该方法也能在形状偏差初现时即识别出异常，展现出早期预警能力。
• 在案例II中，该方法正确识别出对应于不同电池组的两个独立热聚类，避免了BMS因设计引起的温差而产生的误报。
• 该方法对间歇性和长期数据丢失保持鲁棒，因为形状相似性在缺失数据点的情况下仍能保持。
• 该方法无需标注数据、模型训练或传感器位置和电池组配置的先验知识即可检测异常。
• 该方法在检测真实热故障方面准确率高于BMS，同时减少了正常运行中波动引起的误报。