第一作者：卢陆

通讯作者：熊斌宇&王少晋

通讯单位：武汉理工大学

工作简介

全钒液流电池（VRB）具有高安全性、长循环寿命和容量设计灵活等优势，是大规模储能领域的重要技术选择。然而，循环泵故障会扰乱电解液流动与物质传输，引起端电压异常和电化学不稳定，而传感器信号与运行工况之间又存在显著的非线性耦合，使泵故障的准确识别面临挑战。针对上述问题，研究团队提出了TCN-LSTM-MATT混合深度学习模型：利用时域卷积网络提取局部动态特征，借助长短期记忆网络表征故障演化的长期依赖关系，并通过多头自注意力机制自适应突出关键时间位置。基于专门搭建的VRB泵故障实验平台，研究在500 mA、1000 mA和1500 mA等不同电流条件下开展验证。结果表明，模型的总体诊断准确率达到99.25%，三类泵故障的诊断精度均超过90%，表现出良好的识别能力与稳定性。

感谢武汉理工大学熊斌宇团队（王少晋博士）供稿！

本文所用VRB单电池测试实验平台

由武汉之升新能源有限公司提供

研究背景

与密封型锂离子电池不同，全钒液流电池在运行过程中依赖正、负极电解液的持续循环。循环泵一旦发生流量下降、堵塞或停转，会导致反应物供应不足和质量传输失衡，进而表现为电压波动、局部电位异常及运行性能下降。因此，泵故障是VRB特有且直接影响系统安全与可靠性的关键故障模式。

一般来说，电池故障诊断方法主要包括基于物理模型、基于信息论以及数据驱动的方法。基于物理模型的方法具有较强的可解释性，但在动态工况和多故障耦合条件下往往面临建模复杂、参数难以准确获取等问题；基于信息论的方法计算量较小、易于部署，但故障指标与内部机理之间的联系相对有限。数据驱动方法能够从运行数据中学习复杂的非线性映射关系，已成为智能故障诊断的重要发展方向。然而，单一神经网络通常难以同时提取局部瞬态特征与长期时序依赖，也难以明确区分滑动窗口内不同时间位置对诊断结果的重要程度。

核心内容

1. 提出的TCN-LSTM-MATT泵故障诊断框架

图4：用于VRB泵故障诊断的TCN-LSTM-MATT模型工作流程

所提出的诊断框架围绕“数据处理—混合时序特征提取—注意力加权—故障分类”展开，主要包含以下关键阶段。

步骤1：识别具有相同运行标签的连续原始时序数据段，并按照17:3的目标比例，以完整数据段为单位划分训练集和测试集，从源头上避免相邻或重叠样本跨集合分布。

步骤2：在训练集和测试集内部独立执行滑动窗口分割，窗口长度设为5、步长设为1，并以窗口最后一个时间步的标签作为样本标签。

步骤3：构建包含电流I、端电压U、SOC、ΔR和dU/dt的多维输入特征，以同时描述电池静态运行状态和泵故障引起的动态电压变化。

步骤4：利用扩张因果卷积提取故障信号中的局部变化模式和多尺度短期依赖，使模型能够识别泵停转前后出现的突变与局部波动。

步骤5：将TCN输出输入LSTM，通过门控记忆机制进一步捕捉泵故障演化过程中的长期时序依赖与状态变化趋势。

步骤6：采用多头自注意力机制计算滑动窗口内不同时间位置之间的关联，并对与故障诊断更相关的关键时刻赋予更高权重。

步骤7：通过全连接层和Softmax分类器输出正常状态、双侧泵故障、正极泵故障及负极泵故障四种运行状态的分类概率。

该框架并非简单叠加三种网络，而是利用TCN擅长局部时序模式提取、LSTM擅长长期依赖建模以及MATT擅长关键时间信息筛选的特点，实现多层次时序特征融合。

2. VRB泵故障实验与数据采集

图5：VRB泵故障数据采集实验平台

为获取可控、可重复的泵故障数据，研究团队搭建了由单电池系统、高精度电池性能测试系统和上位机监控系统组成的实验平台（VRB单电池测试实验平台由武汉之升新能源有限公司提供）。单电池系统配备Nafion N117质子交换膜、3 cm×3 cm石墨毡多孔电极、蛇形流道、两个200 mL电解液储罐及两台蠕动泵；正常运行流量设置为60 mL/min，电压数据采样频率为1 Hz。

实验考虑了正极泵故障、负极泵故障和双侧泵故障三种典型工况。为保证实验可控性，研究采用关闭对应循环泵30 s的方式模拟电解液供应完全中断的严重可恢复故障，并分别在500 mA、1000 mA和1500 mA恒流充放电条件下重复采集数据。

图6：不同电流条件下人工诱发VRB泵故障的实验流程

实验开始前，先将电池充电或放电至截止电压，使SOC处于明确的初始状态。随后，在不同电流下运行240 s，并依次关闭正极泵、负极泵或双侧泵30 s。充放电电压范围保持在1.0～1.7 V之间，实验准备阶段、人工调节阶段和过渡阶段的数据不参与模型训练与测试。

图7：VRB单电池端电压变化：（a）充电；（b）放电

实验结果显示，泵停转会在端电压曲线上形成明显的异常突变。故障侧电解液供应中断后，钒离子浓度分布和局部反应状态发生变化，从而使端电压出现快速升高或下降。不同泵故障在充电和放电阶段呈现出相似但并不完全一致的动态响应，为后续特征构建和故障识别提供了数据基础。

3. 数据预处理与泵故障敏感特征构建

在数据预处理阶段，研究首先剔除空闲、人工流量调节及过渡期间的数据，再以连续工况片段为基本单位划分训练集与测试集。滑动窗口仅在各自集合内部生成，归一化参数也只利用训练数据计算后再应用于测试集，从而避免测试信息提前进入模型。

在输入特征方面，端电压U反映电池的整体运行状态，电流I表征外部负载条件，SOC用于描述当前充放电阶段。为降低电流变化对电压响应的影响，研究构造动态电阻变化量ΔR：ΔR=(Uₜ-Uₜ₋₁)/Iₜ；同时引入电压变化率dU/dt，以增强泵故障发生时的瞬态变化特征。

图8：输入特征的相关性与重要性分析：（a）Pearson相关系数矩阵；（b）特征重要性

Pearson分析表明，ΔR与dU/dt的相关系数为0.976，二者均来源于端电压动态变化，因此具有较高相关性；U与SOC同样高度相关。然而，U与ΔR、U与dU/dt之间的相关系数仅为0.309和0.330，说明静态电压水平与动态变化信息仍具有互补作用。

特征重要性结果显示，ΔR和dU/dt的重要性分别达到0.4406和0.2694，明显高于U与SOC。消融实验进一步表明，使用全部特征时宏平均F1值为0.8612；同时去除ΔR和dU/dt后，该指标下降至0.2874。由此可见，虽然两项动态特征具有较强相关性，但它们共同承载了泵故障识别所需的关键信息，并非无效冗余。

4. 泵故障诊断结果与误判特征分析

图9：TCN-LSTM-MATT模型的VRB泵故障诊断混淆矩阵

表1：TCN-LSTM-MATT模型的主要诊断结果

论文将F₀定义为正常状态，F₁、F₂和F₃分别表示双侧泵故障、正极泵故障和负极泵故障。模型总体准确率达到99.25%；三类泵故障的阳性预测值分别为94.23%、90.20%和91.84%，均超过90%，说明该模型能够有效区分正常状态与不同泵故障类型。

图10：正常状态及三类泵故障的预测结果分布

从预测结果可以看出，正确分类样本主要集中在对应类别位置，误判样本数量较少。主要混淆发生在正极泵故障F₂与负极泵故障F₃之间。其原因在于当前实验基于小型单电池平台，所选特征主要反映全电池端电压及其动态变化；在短时泵停转条件下，正负极故障均会造成反应物供应不足、传质能力下降和电压突变，因此可能产生相近的外部动态模式。

这一现象也说明，当前特征集合对正、负半电池的不对称电化学行为表征仍有限。后续可引入参考电极测得的正、负半电池电位、进出口压力与流量等信号，进一步提高两类单侧泵故障之间的可分性。

5. 多头自注意力作用及模型对比

图11：训练后多头自注意力层在五个窗口时间位置上的平均注意力得分

由于滑动窗口长度设为5，图中的横轴对应每个输入窗口内的五个相对时间位置。模型对不同位置分配了不同的注意力权重，中后部时间位置通常获得更高得分，表明MATT模块能够更关注接近故障判定时刻的时序信息。这与采用窗口最后一个时间步作为样本标签的策略相一致，也增强了模型的可解释性。

图12：LSTM、TCN、TCN-LSTM与TCN-LSTM-MATT的诊断精度对比

消融对比结果显示，单独使用LSTM时，对三类故障的诊断精度相对较低；TCN能够通过扩张因果卷积更有效地捕捉局部及长程时序变化；TCN-LSTM进一步融合局部特征与序列依赖；加入MATT后，三类泵故障的诊断精度提升至94.23%、90.20%和91.84%，表明关键时间位置的自适应加权能够显著增强故障相关信息的表达。

核心结论

该研究针对传统单一神经网络难以兼顾局部动态模式、长期依赖关系与关键时间位置差异的问题，提出了TCN-LSTM-MATT泵故障诊断模型。实验结果表明，该模型能够从多维运行信号中提取互补的时序特征，并对三类典型泵故障实现较高精度识别，为VRB智能运行监测和泵故障早期诊断提供了可行的数据驱动方案。

从工程应用角度看，当前研究主要在小型单电池平台上模拟完全中断流量的严重泵故障。对于kW级电堆，管路压降、电解液传输延迟、旁路电流及流量分布不均可能改变信号幅值、延迟和耦合关系。因此，未来还需引入电堆电压、单体电压分布、进出口压力、流量和温度等多源信号，并进一步研究流量渐降、泵速间歇波动、局部堵塞和长期性能衰减等更符合实际的渐进故障模式。与此同时，还应评估模型在电池管理系统中的推理速度、存储需求和嵌入式部署性能。

文献信息

Lu L, Zheng X, Wang S, Xiong B, Feng J, Tang J, Dong F, Liu C. Intelligent Pump Fault Diagnosis for Vanadium Redox Flow Battery Using Deep Learning with Multi-Head Self-Attention. Batteries, 2026, 12(7): 246. DOI: 10.3390/batteries12070246