第一作者：王少晋
通讯作者：唐金锐&熊斌宇&李旸
通讯单位：武汉理工大学&武汉大学
成果简介
全钒液流电池（VRB）在大规模能源存储方面具有巨大潜力，但可靠的泵故障诊断仍面临挑战，原因在于其复杂的多变量耦合以及有限的标注数据。图卷积网络（GCN）为模型变量关系的建模提供了有效方法，但其性能从根本上受到过度平滑问题的限制，这会导致深度架构中特征可区分性的丧失。为解决这一问题，提出了一种优化平滑的图卷积网络（OS-GCN）框架。引入了一个平滑因子（SF）来调节特征传播，并采用粒子群优化算法来确定其最优值，从而在信息聚合和特征保留之间实现平衡。基于欧几里得距离（ED）关系构建了用于图卷积网络的数据关联图，以捕捉系统动态。在控制条件和实际条件下收集了泵故障数据，为深入分析运行温度效应、对噪声的鲁棒性以及所提出模型的适用性提供了基础。实验结果表明，在受控环境和实际条件下，OS-GCN 方法的性能均显著优于现有的故障诊断方法。这些发现证实了所提出的框架能够有效避免过度平滑现象，并提高了 VRB 泵故障诊断的准确性和可靠性。
相关成果以“Pump fault diagnosis for vanadium redox flow batteries using an optimized smoothing-based graph convolutional network”为题发表在Reliability Engineering & System Safety期刊上。
感谢武汉理工大学熊斌宇团队（第一作者：王少晋）供稿！
本文所用
分散式液流单电池测试系统（FSS-1）
由武汉之升新能源有限公司提供
背景分析
与锂离子电池相比，全钒液流电池（VRB）由于电解液的持续循环而表现出独特的电化学–液压耦合特性。这一特性增加了系统的复杂性，使得故障行为更加动态且更难以描述。特别是，泵故障通常通过涉及电压、电流和流量的多变量相互作用表现出来，这些相互作用高度耦合且是非线性的。这些特性给传统的故障诊断方法带来了巨大挑战。关于VRB故障诊断的专门研究在文献中相对较少。现有的方法发展大多来自更广泛的电池系统，特别是锂离子电池，这些电池已得到了广泛的研究。这里将这些研究作为代表性的方法进行回顾，为VRB故障诊断提供了可迁移的方法学见解。
一般来说，电池故障诊断方法可以分为基于信号的、基于知识的、基于模型的和基于数据的方法。其中，基于数据的方法，尤其是诸如深度信念网络（DBN）、生成对抗网络（GAN）以及深度强化学习（DRL）框架等深度学习技术，展现出了强大的捕捉复杂非线性关系的能力，并且近年来变得越来越受欢迎。然而，这些方法大多最初是在假设输入特征位于具有固定网格结构的欧几里得空间中开发的，其中变量之间的关系通过向量拼接或在规则域上进行卷积来隐式地编码。在这些表述中，变量之间的相互作用通常被视为独立或局部结构化的，这限制了明确表示复杂相互依赖关系的能力。
为应对这些挑战，武汉理工大学熊斌宇团队提出了一种优化的平滑图卷积网络（OS-GCN）用于解决 VRB 泵故障问题。与传统基于固定拉普拉斯平滑方法在所有节点和层上进行平滑处理的图卷积网络不同，所提出的这种方法引入了一个平滑因子（SF），用于控制特征传播的范围。这种机制能够灵活地平衡邻域信息的聚合与对具有区分性的节点特定特征的保留。在构建的关联图中，每个节点代表特定运行条件下的一组电压样本，而边则编码来自欧几里得距离（ED）的相似性关系。在消息传递过程中，所提出的OS-GCN允许每个节点从其邻居处获取信息，同时保留对区分泵故障类型至关重要的细微边界特征。通过调整 SF，可以有效减少过度邻域平均的影响，从而减轻过度平滑效应。除了算法设计之外，这项工作还表明基于图的表示学习非常适合VRB系统。所提出的基于ED的关联图提供了一种简单而有效的方法，能够捕捉在不同运行条件下电压信号之间的潜在关联，即便在数据有限的情况下也是如此。
图文解析
1.提出的基于OS-GCN的泵故障诊断框架
图2:基于OS-GCN的泵故障诊断框架
所提出的OS-GCN框架包含以下关键阶段。
步骤1：从VRB测试平台收集的原始电压信号使用滑动窗口策略分割成重叠样本。这将时间序列数据转换为适合图构建的结构化输入矩阵X。
步骤2：基于ED构建关联图G，以捕捉不同故障条件下电压样本之间的相似关系。图2的“图构建”部分给出了一个示例。具体而言，每个节点代表一个电压样本，边表示 ED。
步骤3：通过引入SF来缓解过度平滑问题并保留与故障相关的具有区分性的特征来构建OS-GCN。
步骤4：初始化模型参数并根据不同的SF值评估预测性能。
步骤5：使用PSO通过最小化LOSS来优化SF。
步骤6：将数据集X和G输入到OS-GCN模型中。
步骤7：执行图卷积操作以获得节点表示，并输出最终的故障分类概率。
在构建图的过程中，每个节点对应于在不同运行条件下（包括正常运行状态和各种泵故障状态）的电压样本。边的定义基于样本之间的相似性关系。边是基于电压的相似性来定义的。在多传感器系统中，每个传感器或变量都可以被建模为一个节点，而边通常基于相似性度量（例如ED或相关性）、物理连接或先验知识来定义。对于时间相关的数据，图的构建可以扩展为时态空间图，它能够捕捉变量之间的相互关系和时间动态。基于上述考虑，选择基于ED的方法来构建边，这提供了一种简单且基于数据的方式来表征样本的相似性。这种样本级别的图使模型能够捕捉不同运行条件之间的内在关系，从而用于故障诊断。
2.实验研究
为了验证所提出模型的准确性，构建了一个VRB实验测试平台，如图 5 所示。该平台由三个主要组件构成：电池测试系统、上位机和单电池VRB系统。上位机提供控制指令并可视化收集到的数据。电池测试系统（Neware BTS 7.6X）将接收到的控制指令转换为电信号，并将其传输到电池，同时收集电压和电流数据。它们通过局域网（LAN）连接。单电池VRB系统（由武汉之升新能源有限公司提供）由 VRB 电堆（Nafion 115膜、3 cm×3 cm的碳毡电极）、两个储液罐、两个蠕动泵和一个恒温水浴组成。电解液的运行温度通过恒温水浴进行控制。VRB系统采用纳Nafion 115膜，其扩散系数假定为恒定的。正负两个储液罐的尺寸完全相同，总体积约为100毫升。每个储液罐中的初始液位约为20毫米，这意味着每个储罐中的初始电解液体积约为20毫升。储罐与电堆之间的电解液循环由蠕动泵驱动。在无故障情况下流速设置为60毫升/分钟，在模拟泵故障的情况下流速为0毫升/分钟。总钒离子浓度为1.5摩尔/升。电解液的平均价态为 3.5。电解液成分包含1.5摩尔的钒和3摩尔的硫酸。电池的工作电压范围限定在 1.0 – 1.7伏之间。
如图5所示，电解液通过泵在外部储液罐和电堆之间循环。流速直接影响活性物质的物质传输，从而影响运行过程中的电化学反应。在本研究中，电压信号用于故障诊断。当泵出现故障时，例如流量不足或堵塞等情况发生，电解液的循环就会被打乱，从而导致电压出现异常表现，尤其是在充电和放电过程中尤为明显地表现出波动或失真现象。因此，电压信号包含了反映泵运行状况的关键信息，这为所提出的基于数据的故障诊断方法提供了物理依据。
图5:实验平台
在本研究中，考虑了三种与泵相关的故障类型，包括正泵故障、负泵故障和双侧泵故障。这些故障类型对应于VRB电解液循环系统的异常运行状况。具体而言，正泵故障指的是正电解液侧的泵出现故障，导致流速不足，并影响正极的电化学反应。同样，负泵故障发生在负电解液侧。双侧泵故障表示两个泵同时受到影响。这些故障会扰乱物质传输过程，并导致充电和放电过程中的电压行为异常，例如波动或畸变。简单来说，这些故障可以理解为电池系统一侧或两侧的电解液供应不足。
为了评估所提出的故障诊断方法的适用性和有效性，我们进行了故障实验，并在相同的流量条件下获得了两种不同运行场景下的数据。第一种场景是受控运行条件，其中在三种不同的恒定电流下进行了循环测试。第二种场景代表了实际运行条件，即一个风力发电系统与一个 VRB 能量存储系统耦合，并在变化的风况下进行了测试。在两种场景中，都人为引入了在 VRB 运行中经常出现的可恢复故障，包括正向、负向和双向泵故障。
为了评估泵故障对VRB外部特性的影响，在可控运行条件下进行了实验测试。为避免后续实验中出现过早的电压切断情况（这可能会导致数据采集不足），电池首先被充至或放至1.0 V或1.7 V的截止电压，分别对应0%或100%的荷电状态（SOC）。正、负或双向泵的流量均设置为0 mL/min，以模拟三种类型的泵故障。为了获得全面的故障数据集，采用了三种不同的充电/放电策略。在500 mA、1000 mA和1500 mA的恒流充电和放电循环中检查VRB泵故障。在一种策略下的故障模拟完成后，使用下一个策略对电池进行240秒的充电或放电，从而避免前一种策略的干扰，并保持故障数据的多样性和完整性。在5℃、25℃和45℃下重复实验，以在不同温度水平下收集故障和正常数据。实验流程如图 6 所示。
图6:受控条件下的泵故障实验流程图
与实验室中的恒流充放电测试不同，大规模储能系统通常以恒定或可变功率进行充电和放电，以满足各种功率控制需求，这使得储能系统的可靠性要求更高。为了评估所提出模型在这些条件下的性能，本节对VRB系统在现实且复杂的运行条件下的泵故障状态进行了详细研究。一个与VRB储能系统集成的风力发电系统被模拟，结果如图7所示。对于本研究，选择了两个高峰用电需求时段，即上午7点至8点和下午7点至8点，作为具有代表性的运行条件。
图7:与VRB储能系统集成的风力发电机的实际运行功率曲线
3.结果与讨论
在运行过程中，介绍了三种常见的VRB泵故障类型，包括正向故障、负向故障和双侧故障。在可控条件和实际条件下收集了超过45000个原始数据点，并在表2中提供了每种故障类型的数据点数量详细描述。
表2：在两种运行条件下，不同类型泵故障的数据点数量
图 11 展示了在控制条件和实际条件下进行故障诊断时的混淆矩阵。每列对应一种实际条件，而每行则代表预测的故障结果。结果表明，所提出的方法具有较高的诊断准确率。在实际条件下的平均故障诊断率为97.48%，比在控制条件下观察到的97.66%低 0.18%。这种微小的差异表明，在实际条件下诊断准确率略低，但仍在可接受的范围内，这反映了实际运行情况。检测负泵故障时的诊断准确率最低，这一观察结果归因于负泵故障相对较小的电压变化和较低的故障严重程度，与其他故障类型相比有所不同。
与控制条件相比，实际条件通常会面临更复杂的动态挑战，包括快速波动、状态变化和重叠信号。这种复杂的动态变化会降低基于阈值或顺序模型的传统诊断方法的可靠性，这些方法通常假定系统处于稳定状态或具有固定的运行模式。相比之下，OS-GCN 则将信号划分为时间段，并将每个时间段视为一个图节点，边则反映不同时间段之间的相似性。通过消息传递，该模型整合了上下文信息并学习了关系异常，同时过滤掉了短暂的噪声。我们通过实验验证了 OS-GCN 能保持高精度，证实了其稳健性，尤其是在实际环境中。
图11:常温时在两种情况下的故障诊断矩阵
在实际部署过程中，VRB 的工作温度会在一定范围内波动，这直接影响其内部的电化学行为，并在传感器测量中有所体现。这种波动性对不同工作温度下诊断模型的适用性提出了严格要求。为了展示所提出的故障诊断模型在不同热条件下的稳健性，我们不仅在室温（25℃）下进行了重复实验，还在两个极端条件（5℃和45℃）下进行了实验。
以图13为例，展示了双泵故障的电压响应。该比较包括500毫安的控制条件，以及7点40分的现实条件。在两种条件下，温度都会影响正常和故障情况下的电压响应，其大小顺序一致为5℃>25℃>45℃。这种行为与能斯特定律相符，该定律预测了电池电位随温度的变化。在极端温度与室温之间，诊断准确性的最大偏差不超过 0.05%。在5℃至45℃的温度范围内，所提出的模型实现了平均诊断准确率97.58%。这一结果表明了该模型在不同温度下的热稳定性及适用性。
图13:三种温度下在两种情况的双侧泵故障电压曲线变化
为了进一步验证所提出的方法，我们将其与时间序列、图学习和深度学习视角下的代表性模型进行了比较，这些模型包括PatchTST、GAT、GraphSage和ReDBN。表7展示了所有算法的超参数设置。超参数是根据初步实验选定的，以确保不同模型之间的公平比较。实验在不同的训练比例下进行，以评估对数据可用性的鲁棒性，如图16所示。每个训练集分别占整个数据集的13.33%、16.67%、20%、23.33%和26.67%。每个算法的故障诊断准确率通过两种运行条件下的平均诊断率来表示。所有方法随着训练数据的增加而提高。基于图的模型通常优于非图模型，尤其是在数据有限的情况下。所提出的方法表现最佳，这归功于优化的平滑机制。当所提出模型的训练集大小超过23.33%时，准确率的提升幅度显著降低。因此，在兼顾模型准确性和计算负荷的情况下，达到最佳整体性能的比率在此处被确定，并在后续的所有实验中均采用此比率。
在训练比率降低的情况下观察到的性能变化反映了模型在数据相对有限条件下的表现。尽管所提出的方法相较于基线模型提高了诊断性能，但其准确性仍取决于是否有足够的标记数据。这也表明，在数据量极低的场景下，还需要进一步改进以增强鲁棒性。
表7：不同算法的超参数表
图16:每种算法在不同训练集大小下的估计精度
为减少实验的随机性，每个实验均重复进行10次，并以平均值作为最终结果。表8汇总了在两种运行条件下所有算法的性能表现，包括最大值、最小值和平均准确率。图17展示了不同模型的故障诊断准确率的箱线图。它显示了最大值、最小值、四分位范围（第25百分位数至第75百分位数）、中位数和平均准确率。所提出的模型表现出更强的鲁棒性，这体现在更小的四分位距范围内。总体而言，这些结果突显了所提出模型在不同场景下的性能的一致性和稳定性。
表8：不同模型故障诊断精度比较
图17:不同模型的故障诊断精度箱型图