一种基于LSTM-AE与可解释性分析的沉积型液流电池早期异常检测方法

本发明公开一种基于LSTM‑AE与可解释性分析的沉积型液流电池早期异常检测方法，属于电化学储能技术领域。针对现有检测方法中存在的响应滞后、误报率高、缺乏成因诊断等问题，提出三级协同分析框架：1)通过LSTM网络建立电压时序预测模型，捕捉枝晶生长引发的电压动态偏移特征，实现提前趋势预警；2)构建深度自编码器对电压数据进行重构，利用异常重构误差识别枝晶沉积现象；3)采用随机森林‑SHAP可解释性分析模块，可以帮助快速定位异常电芯，便于之后调控测策略的实施。本发明方法从沉积型液流电池异常检测与成因追溯的协同优化角度出发，最大化的提升沉积型液流电池异常检测的时效性与可靠性，有效延长电池系统的安全稳定运行时间。