CAT蓄电池面向大型锂离子电池热失控预测的混合深度学习模型
来源：
卡特蓄电池 发布时间：2026-04-15 21:06:39 点击： 次
图文摘要
引言
锂离子电池（LIBs）因其高能量密度、长循环寿命及优异的充放电性能，已广泛应用于电动汽车（EVs）、储能系统（ESSs）和便携式电子设备[1][2][3][4][5]。然而，由TR引发的安全事故日益频发，不仅可能导致火灾或爆炸，还会造成严重的人员伤亡与财产损失[6][7][8][9]。全球能源转型与电气化进程对电池安全性提出了更高要求，使得热失控的早期预测与预警成为亟待解决的关键课题[10][11][12][13][14]。
早期研究主要集中于热失控机制与被动安全防护策略[15][16][17][18]。Yang等[19]对不同荷电状态(SOC)的LiFePO₄电池进行加热实验，识别了排气阶段释放的气体组分并阐明其潜在危害。Huang等[20][21]发现高倍率循环会加速电池内部热量积聚，从而缩短热失控扳机时间并加剧喷射火焰行为。Wang等[22]进一步研究了热滥用诱发下不同SOC与充放电倍率对小容量储能电池TR特性及机制的影响。在材料与结构层面，高性能气凝胶隔热材料[23][24]、磷掺杂MoS₂/环氧树脂复合材料[25]以及优化电池结构设计[26]等策略被证实可有效延缓TR蔓延。然而，这些方法主要依赖于外部干预或材料改性，这限制了其在运行过程中实时预测与主动控制方面的适用性。
在热失控预警研究领域，多种基于传感器的信号已被探索用于早期检测。例如Lai等[27]证实内部燃料费压力较温度或电压更早呈现异常行为，表明其作为预警指标具有更强潜力。Jia等[28]采用光纤布拉格光栅与热电偶实现多性向温度监测，并提出一种融合电压与温度变化的预警策略。Chen等[29]与Wang等[30]研究表明通过机械应变监测的电池扩展包行为可作为热失控关键前兆。Feng等[31]进一步通过建模与模拟证实，仅靠表面温度与电压不足以准确捕捉内部短路到热失控的转变过程。这些研究共同为热失控预警奠定了重要基础。然而，现有方法大多依赖单一物理参数，无法完整表征TR早期阶段复杂的多场耦合特性，导致预警信号的时效性与可靠性受限。
在预测建模领域，传统研究主要依赖于物理与统计学方法。Sadeghi等人[32]采用PyBaMM平台构建了18,650节电池的热分解动力学模型，通过整合阳极与隔膜降解过程来突显其在热失控（TR）初始阶段的作用。Jindal团队[33]则开发了融合电化学与反应动力学的三模态传热模型，用以描述热失控传播行为。然而，这类模型往往难以捕捉复杂多变量数据中的非线性动力学特性与时空依赖性，且其对参数校准的高度依赖限制了其在真实运行条件下的适用性。随着人工智能的发展，数据驱动方法已成为研究前沿。循环神经网络（RNNs）及其变体，如长短期记忆网络（LSTMs）和门控循环单元（GRUs），虽已广泛应用于时间序列预测，但其空间特征捕捉能力仍存在局限[34]。为此，Zhu等[35]提出了一种多模型融合框架，结合ResNet-CNN预训练与迁移学习来预测内部短路故障。Goswami等[36]将图神经网络与LSTM相结合以兼顾时空依赖性。Li等[37]开发的多参数数据驱动模型显著降低了TR阶段早期温度预测误差，而Zhao等[38]则采用CNN-LSTM混合网络进行TR异常检测。尽管取得这些进展，传统深度网络(DNN)在高维多参数任务中仍面临泛化能力有限、易陷局部最优等挑战。
为解决这些挑战，本文提出了一种新型TCN-Transformer混合框架用于预测热失控进程。该模型有效整合了两种架构的优势：时序卷积网络（TCN）采用膨胀因果卷积从多传感器信号（如温升速率、燃料费浓度和扩展包作用力）中提取细粒度局部动态特征，而Transformer编码器则利用多头自注意力机制捕捉长程全局依赖关系。在该架构中，热失控预测被构建为一项多变量时间序列回归任务，旨在估算剩余热失控时间（TTR）。研究建立了一个包含15种特征的统一输入空间，这些特征与热力学行为、电气特性、燃料费参数及机械性能相关。基于314Ah磷酸铁锂（LFP）电池模块开展的广泛实验表明，与包括循环神经网络（如GRU、LSTM）和混合模型在内的多种深度学习基线方法相比，所提出的TCN-Transformer模型具有更优的预测精度和鲁棒性。值得注意的是，TCN-LSTM混合架构相较于循环模型将均方根误差（RMSE）降低了50%以上，相对其他混合变体更是实现了超过60%的误差削减，其统计显著性已通过Diebold-Mariano检验验证。本研究不仅为大容量锂离子电池的实时热失控早期预警提供了一种高效且可扩展的解决方案，更为电池管理系统安全监测领域提供了整合局部与全局时间表征的方法论启示。
