基于深度学习的锂离子电池热失控风险评估与自适应预警框架

《Journal of Energy Storage》：Deep learning-based thermal runaway risk assessment and adaptive early-warning framework for lithium-ion batteries

　　

## 摘要

锂离子电池的过充引发的热失控（TR）可能导致灾难性事故，因此准确的风险评估和早期预警对于储能安全至关重要。针对早期热失控特征微弱以及固定阈值在不同工况下适应性有限的问题，本研究提出了一种基于深度学习的自适应早期预警框架，以时间残差跨尺度异常检测（TR-CrossAD）模型为核心，并融合了极值理论（EVT）中的流式超阈值峰值（SPOT）算法。利用COMSOL Multiphysics生成了一个多物理场仿真数据集，涵盖0至40°C的环境温度、多种过充C率和不同的散热边界条件。为了增强过充风险演化的表征能力，核心模型融合了多个时间尺度的信息，以同时捕捉局部动态变化和长期演化趋势。同时，输入层的物理观测量被直接引入风险概率回归头，以缓解深度特征提取过程中物理边界信息的弱化问题，并支持连续的风险量化。此外，梯度加权损失根据风险标签的时间上升变化，赋予风险快速演化阶段的样本更大的训练权重。该方法取得了0.00216的均方根误差（RMSE）和0.00125的平均绝对误差（MAE）。在12个未见测试条件下，2级（L2）预警的平均提前时间为1683.7秒，样本标准差为792.1秒，最小值为655秒。该框架为过充滥用条件下的电池安全管理提供了定量风险评估方法。

## 引言

锂离子电池（LIBs）凭借其高能量密度等优势，已成为电动汽车和储能系统的核心能源载体[1]、[2]、[3]。然而，热失控（TR）引发的安全隐患已成为制约该行业发展的关键瓶颈[4]、[5]、[6]。在热失控的诸多诱因——包括机械、热和电滥用[7]、[8]——中，过充是最为常见且破坏性最强的电滥用形式之一，通常由电池管理系统（BMS）故障或不恰当的快充引起[9]、[10]、[11]。过充不仅导致电池内部温度和压力急剧飙升[12]，还伴随复杂的电化学演化过程，如负极锂沉积和正极结构坍塌，使该过程具有隐蔽性和突发性[13]、[14]、[15]。由于其早期信号微弱，传统的单阈值安全管理策略存在显著的延迟[16]、[17]、[18]、[19]。因此，深入研究过充引发热失控的规律[20]，并开发准确的数据驱动早期预警技术[21]、[22]、[23]，对于防范此类隐患、确保电池系统安全运行具有深远的实践意义[24]。

当前热失控早期预警的研究方法大致可分为两大类别：基于物理的模型和数据驱动方法。基于物理的方法通过建立电化学-热耦合模型来模拟电池内部热失控的演化过程。此类模型基于能量守恒定律和Arrhenius方程，旨在定量分析电滥用和热滥用引发的链式副反应的热量生成动力学。基于物理的模型具有强物理可解释性，能够准确描述一系列非线性演化过程，包括固态电解质界面（SEI）的分解、负极沉积锂与电解液的反应、正极释氧以及最终隔膜熔化引发的内部短路（ISC）[25]、[26]。例如，Azuaje-Berbecí等人[27]开发了一种电化学-热耦合模型，以准确预测电池的热量生成和热失控演化。近年来，随着多物理场耦合的不断扩展，基于物理的方法已被广泛应用于评估复杂工况和先进热管理策略。例如，Chen等人[28]提出了一种基于四阶段动力学参数识别方法的集总参数机理模型，在未知荷电状态（SOC）条件下准确预测热失控演化。相比之下，Zeng等人[29]建立了一种耦合传热与反应动力学模型，在不同加热速率和SOC条件下量化了软包电池中热失控的触发和空间传播机制。此外，Feng等人[30]将建模尺度扩展到模组级别，阐明了热失控传播的机制。

然而，基于物理的模型在实际工程部署中面临重大瓶颈：其高昂的计算开销使其难以满足电池管理系统的实时性要求[31]，且对高度多变的工况十分敏感，容易导致预测偏差[32]。这些局限性经常导致早期预警出现显著延迟，可能错过热缓解的最佳窗口期[33]。因此，为克服硬件计算限制并保证卓越的实时响应能力，热失控早期预警研究正加速转向数据驱动方法，后者无需复杂的物理方程。

顺应这一趋势，以卷积神经网络（CNN）和长短期记忆网络（LSTM）为代表的时间-空间耦合架构已成为分析电池多源信号的主流方法。例如，Ouyang等人[34]采用该架构提取多个电池的电-空特征，成功实现了多步热失控识别。然而，纯数据驱动方法受其固有"黑箱"特性的限制，在面对不确定的工况时，泛化能力往往受损。为突破这一瓶颈，研究人员开始引入基于物理的先验知识和注意力机制。Li等人[35]将计算流体力学（CFD）仿真与深度网络相结合，利用基于物理的数据显著增强了早期异常检测的鲁棒性。同时，Li等人[36]引入了一种双向交叉注意力机制，自适应地对微弱的局部温升分配更高的计算权重，从而实现精确的早期温度预测。随着多维电池监测信号的增加和长期时序数据的不断积累，研究人员引入了1D残差网络（ResNet-1D）和时间卷积网络（TCN）等稳健架构来应对深度特征提取中的梯度消失问题。例如，Zhu等人[37]构建了一种ResNet-CNN模型，通过仿真数据预训练和迁移学习微调，实现了内部短路故障的精确严重度分级和早期预警。具体而言，Liu等人[38]将基于TCN的自编码器与自注意力机制相结合，通过分析重建残差快速捕捉微内部短路等热失控前兆并实现早期预警。近期，配备全局注意力机制的Transformer架构为电池状态建模提供了新的视角。与循环神经网络（RNNs）相比，Transformer能够通过对时间步动态分配权重的多头自注意力机制，高效地建立长程时序依赖关系。例如，Shu等人[39]采用了一种融合局部电压片段与Transformer架构的混合模型，提取充放电循环中的深度全局退化趋势，显著提高了健康状态（SOH）预测精度。除基于算法的状态估计外，电池退化还受材料化学和界面稳定性支配。Ma等人[40]研究了非氟化醚类电解液的位阻效应，表明减弱溶剂化能力和增强的离子对效应会影响无负极锂金属电池的容量保持率和氧化稳定性。在安全领域，Li等人[41]提出了序贯Transformer热预警系统（STTEWS），通过对多源信号动态加权，实现了对潜在热失控特征的精确捕捉。此外，Huang等人[42]开发的ConvTransformer利用混合时空特征提取，有效解决了高倍率工况下过充引发热失控预测的挑战。上述状态估计和安全预警研究分别聚焦于循环时间尺度上的长期退化表征和滥用条件下的短期风险识别，因此这两个研究方向为不同时间尺度的电池健康与安全管理提供了互补的见解。

除构建高精度预测模型外，科学可靠的早期预警触发机制对于实现可靠的热失控监控同样至关重要。针对过充引发热失控的问题，Wang等人[43]提出了一种多参数融合预警方法，通过综合分析电压、温度等特征的演化规律，有效增强了传统单参数阈值预警策略的可靠性。为进一步突破二元"正常/危险"报警范式的局限性，近期研究开始探索更细致的多级预警机制。例如，Zhu等人[44]通过整合内压和温度特征，开发了一种分层预警框架，能够定量评估安全风险的演化阶段。更广泛地，Nosrati等人[45]将基于COMSOL的电化学-热仿真与机器学习、基于SHAP的特征分析以及贝叶斯优化相结合，用于电化学/热性能预测和正极设计优化。其研究主要聚焦于性能预测和设计优化，而非热失控风险演化建模和自适应早期预警。

然而，现有的数据驱动早期预警框架在应对复杂且高度多变的工况时，仍面临两个核心挑战。首先，模型难以实现局部微突变与全局演化趋势之间的跨尺度特征融合，从而削弱了其泛化能力。其次，传统的固定阈值预警机制在环境波动情况下，难以在敏感性和低误报率之间取得最佳平衡。为应对这些挑战，本研究提出了一种针对过充引发热失控的新型深度学习早期预警框架。通过利用高保真仿真，开发了一种时间残差跨尺度异常检测（TR-CrossAD）模型，并结合自适应多级预警策略，以实现精确的风险评估和及时的早期预警。本工作的主要贡献总结如下：

（1）提出了一种新型深度学习模型TR-CrossAD，用于连续动态的风险量化。该模型利用基于COMSOL Multiphysics生成的多工况数据集进行训练，集成了多尺度嵌入、状态感知动态路由、时间注意力机制和物理保持概率残差连接。该架构自适应地融合不同运行状态下的上下文信息，增强显著的时间特征，从而在捕捉局部瞬态变化和长期演化趋势的同时，在深度特征提取过程中保留输入级的物理观测信息。

（2）开发了一种多级自适应早期预警策略，以缓解传统固定阈值方法固有的预警敏感性与误报率之间的权衡问题。通过融合极值理论中的流式超阈值峰值（SPOT）算法，该策略将连续的风险估计映射为动态预警等级，实现从早期风险关注到高置信度关键报警的渐进式响应。

（3）设计了针对快速演化风险阶段的梯度加权损失函数。根据风险标签的时间增幅构造动态样本权重，从而在模型训练过程中增大风险快速上升阶段样本的贡献。该设计增强了模型学习关键风险演化规律的能力，促进了高置信度预警的及时触发。

本文其余部分组织如下：第2节建立了过充引发热失控的电化学-热模型，分析了相关多物理场演化，并描述了数据集构建、数据预处理和风险标签设计。第3节定义了风险预测问题，并介绍了TR-CrossAD架构、混合优化目标以及结合极值理论的自适应多级早期预警策略。第4节从风险预测性能、早期预警有效性、泛化能力和实际部署可行性等方面全面评估了所提出的框架。第5节总结全文并讨论当前局限性和未来研究方向。

## 章节片段

### 热失控建模与数据集构建

基于深度学习的早期预警框架的训练过程严重依赖于涵盖多种工况的大规模数据集。鉴于物理热失控实验固有的局限性——即成本高昂、高度破坏性且无法穷尽探索极端边界条件——本节采用多物理场仿真作为获取核心数据集的主要手段。本章其余部分组织如下：

### 方法论

在第2节阐明的锂离子电池在不同工况下热失控演化机制的基础上，本节提出了一种以TR-CrossAD模型为核心的针对热失控的新型深度学习早期预警框架。该模型以多维监测物理变量作为输入特征，利用热力学演化阶段作为训练阶段的监督标签以及自适应梯度加权方案的基础，旨在准确

### 结果与讨论

为系统评估所提出的TR-CrossAD模型在锂离子电池热失控风险评估和早期预警方面的有效性、鲁棒性和泛化能力，本节进行了一系列对比实验和消融研究。首先描述实验设置，包括数据集划分策略、评估指标、基线模型和超参数设置。

随后，在四个方面进行了综合分析。
结论
针对锂离子电池过充条件下的热失控（TR）风险评估与自适应早期预警，本研究构建了一个包含多维物理特征的过充引发热失控模拟数据集，并提出了一种基于深度学习的自适应早期预警框架。该框架的核心是 TR-CrossAD，它能够实现从过充开始到热失控参考时间（??????）的连续风险评估。基于估计的风险概率，一个
CRediT 作者贡献声明
郎俊亭：撰写 – 初稿。杨向国：撰写 – 审阅与编辑，资金获取。李雪文：方法论。刘一帆：资源。赵文鑫：可视化。
利益冲突声明
作者声明不存在任何可能影响本文所述工作的已知竞争性财务利益或个人关系。
致谢
本研究得到国家自然科学基金（批准号：52271329）的支持。
郎俊亭 | 杨向国 | 李雪文 | 刘一帆 | 赵文鑫
武汉理工大学船舶与海洋工程学院能源与动力工程系，中国武汉，430063