基于电池内部压力-温度融合的锂离子电池热失控多级智能预警方法研究

《Green Energy and Intelligent Transportation》：Multi-level early warning of thermal runaway based on internal pressure-temperature fusion for lithium-ion batteries

为解决锂离子电池热失控(TR)预警时间短、精度低的问题，研究人员开展了基于内部压力-温度信号融合的智能分级预警研究。通过植入微型传感器精准捕获电池内部压力与温度数据，构建GRU-Attention网络模型，实现了98.2%的分类准确率和1.51小时的平均预警时间，为电池主动安全防护提供了创新方案。

　　

随着全球能源结构向清洁化转型，锂离子电池(Lithium-ion Batteries, LIBs)作为电动汽车和储能系统的核心能源载体，其安全性问题日益凸显。其中，热失控(Thermal Runaway, TR)是制约锂离子电池进一步发展的关键瓶颈。热失控通常由过充过放、高温或机械损伤等滥用条件触发，是指链式放热过程自加速的现象，常伴随温度急剧上升，最终导致起火或爆炸。研究表明，从热失控发生到起火可能仅需60-90秒，一旦引发通常迅速且难以控制。因此，实现准确及时的热失控预警被认为是预防安全事故的重要主动措施。

然而，实现精准及时的热失控预警仍面临巨大挑战。传统预警方法主要依赖监测电池电压和温度，当这些参数超过预设值时触发警报。但这些信号通常在热失控发生后才出现显著变化，导致预警时效性差、滞后性强。近年来，研究人员探索了采用气体排放、应力变化和声学响应等非电信号作为热失控指标。这些信号通常在分解反应或内部故障事件的早期阶段产生，对于先发制人的诊断或预警具有潜在价值。然而，气体产生机制尚不明确，气体演化特性随SOC（荷电状态）变化导致适用性差；应力信号难以区分即将发生的热失控、轻微老化效应和环境干扰；声学信号监测面临环境噪声干扰和计算资源要求的挑战。

为解决这些问题，本研究提出了一种基于内部气体和热信号融合的智能分层热失控预警方法，通过检测微小变化来延长预警时间。具体而言，将毫米级传感器植入电池内部，尽可能减少损伤，以获取压力和温度信息。通过正常和不同微过充循环测试，详细分析了电（电压）-热（温度）-气（压力）耦合演化规律，以验证相应参数作为预警特征的可行性。将内部压力和温度作为输入，不同热失控风险等级作为输出，用于训练门控循环单元(Gated Recurrent Unit, GRU)网络。通过将注意力机制(Attention Mechanism, AM)引入网络，自适应学习不同变量的重要性，提高预警结果的适应性和可解释性。

本研究的主要贡献包括：成功有效集成微型化传感器，以最小侵入度精确获取内部压力和温度数据；详细阐明了电-热-气特性耦合变化机制，证明了内部温度和压力融合作为预警特征的可行性和优越性；基于开发的GRU-Attention网络实现了智能多级热失控预警，达到了98.2%的高准确率和1.51小时的平均预警时间。

研究人员为开展此项研究，主要应用了以下几个关键技术方法：首先，将毫米级BMP280传感器植入电池内部，实现内部压力和温度的精准监测；其次，通过正常循环和微过充循环测试（120%、125%、130% SOC），系统分析电-热-气耦合演化规律；最后，构建GRU-Attention分类模型，以标准化后的压力和温度数据为输入，实现热失控风险等级（0-正常，1-轻微风险，2-严重风险，3-热失控）的智能分类预警。

压力-温度变化机制分析

通过正常充放电循环实验发现，内部压力通常呈现先下降后上升的趋势，这归因于气体溶解-析出行为。最小压力的渐进性降低是由副反应中某些气体消耗以及SEI（固体电解质界面）膜的反复破裂和修复所致。在微过充实验中，不同程度的研究表明，在热失控前，压力通常随着循环次数的增加而逐步降低。过充程度越大，分解反应的加速效应越明显，导致发生热失控的循环次数越少。

不同微过充程度的预警结果

在130%SOC微过充条件下，压力在首次过充时从10×10⁴Pa急剧下降至9.1×10⁴Pa，随着循环进行，电池出现肿胀和轻微破裂，导致气体泄漏和压力进一步下降。在125%SOC条件下，压力波动更加剧烈，首次过充时压力先上升后下降，电池内部结构随着过充次数增加而严重受损。120%SOC条件下的热失控过程比130%SOC长约17000秒，压力变化模式与其他过充条件相似，但触发温度略低（93°C）。通过GRU-Attention模型成功实现了风险等级的分类预警，在不同过充程度下均表现出良好的预警性能。

与不同方法的比较

与温度基、气体基和应力基方法相比，本文提出的压力基方法在预警时间（平均1.51小时）和分类准确率（98.2%）方面均表现出显著优势。温度基方法预警时间短或准确率低；气体基方法虽然准确率较高（约95%），但预警时间仅约10分钟，且成本高、适用性差；应力基方法预警时间较长（1357秒），但准确率未见报道且受环境影响大。本方法的压力信号不易受环境干扰，成本适中，具有更高的实用性。

温度波动或机械振动的影响分析

实际应用中，锂离子电池常暴露于外部干扰如温度波动和机械振动。研究表明，正常范围内的环境温度波动对内部气体压力变化信号作为特征指标的有效性影响不大。机械振动会引入高频噪声，但压力增加是一个相对缓慢的过程，与振动噪声在频域上有明显区别，可通过标准信号处理技术有效抑制。GRU-Attention模型通过分析时间序列数据，本质上适合捕捉依赖模式而非受短时脉冲影响，因此正常范围内的机械振动不会显著影响安全性，该方法仍能准确预测热失控风险。

本研究提出的基于内部压力-温度融合的分级预警框架，为锂离子电池热失控预警提供了创新解决方案。通过微型传感器的成功植入，实现了内部状态参数的精准获取；基于电-热-气耦合机制的详细分析，验证了预警特征的可行性；利用GRU-Attention智能算法，实现了高精度、长预警时间的多级预警。该方法在预警准确率方面比对比方法提高了3.2%，在预警时间方面延长了157%，为电池主动安全防护提供了有力支持。未来工作需要更全面系统地分析传感器植入对电池完整性的影响，并加快多信息融合预警方法的商业化进程，以满足各种应用需求。

该研究成果发表在《Green Energy and Intelligent Transportation》期刊上，为锂离子电池安全领域提供了重要的技术支撑和方法创新，对促进电动汽车和储能系统的安全应用具有积极意义。