报告：基于预测误差的锂离子电池热失控预警方法研究

一、研究作者、所属机构及发表信息

该研究的主要作者包括蒋建杰、楼平、徐国华、来骏、王瑶、曹志成、张炜鑫和曹元成。作者分别隶属于湖州电力设计院有限公司（浙江湖州）、国网浙江省湖州供电公司（浙江湖州）和华中科技大学电气与电子工程学院（湖北武汉）。该研究发表于《储能科学与技术》期刊的2024年第13卷第11期。

二、研究背景和目标

锂离子电池因其高能量密度、长使用寿命和无记忆效应等优点，在储能领域呈现出广泛应用，尤其是在城市园区储能、动力电池和消费电子产品中。然而，随着单体电池比能量的不断提升，其安全性问题，特别是在大规模储能系统中的热失控风险成为亟需解决的重要挑战。

热失控（Thermal Runaway）是锂电池安全研究的核心课题之一，通过早期预警技术可以有效降低其带来的人员及财产损失。当前的预警策略主要基于电池的温度变化、电压波动、内阻特性等，但面临一些局限性，如检测时效性不足或对环境变化过于敏感。在此背景下，本研究聚焦于锂离子电池热失控问题，设计了一种基于注意力机制（Squeeze-and-Excitation Network, SE）与残差结构（Residual Network, ResNet）相结合的长短时记忆网络（Long Short-Term Memory, LSTM）算法模型，充分利用电池膨胀压力信号的特点进行实时预警。

研究的主要目标包括：
1. 构建锂电池热失控过程数据集，全面描述电池从正常循环到过充再到热失控的全过程。
2. 提出一种基于数据驱动的膨胀压力预测算法，并验证其预测精度和鲁棒性。
3. 基于预测误差，建立更高效的热失控检测策略，提高模型的检测性能与时效性。

三、研究过程与实验设计

数据集构建

1. 实验对象
   本研究选用了280 Ah矩形铝壳磷酸铁锂（LFP）电池（规格：宽173.6 mm，厚72 mm，高200 mm，单体质量5220 g）。LFP电池因其正极材料的稳定性，具备较强的抗过充能力，是该实验的理想选择。

2. 数据采集过程
   为了详细描述电池正常循环到热失控的全程反应，研究搭建了实验采集平台，通过热电偶、应力应变片（Micro-Strain）及电池测试系统，记录了表面温度、膨胀压力及输出电压等信号。实验共计采集66,895个样本，其中正常循环阶段数据66,650个，过充热失控阶段数据245个。

3. 采样细节

• 初始化阶段：循环充放电4次以形成电池内部固体电解质界面膜（SEI膜）。每次充电采用100 A电流，以促进化学反应。
  
• 热失控诱导：在电池充满后，通过过充手段（电压逐步升至5.685 V）触发热失控，期间记录充放电过程中的温度、电压及膨胀信号变化。
  
• 数据格式化：剔除温度高于60℃的数据，以形成用于正常循环与热失控区分的完整数据标注。

实验台架设计

实验设备包括新威CT-8008电池测试系统、防爆箱（东莞贝尔BE-101-1200L）等，数据采样频率为每秒1次。通过数据采集仪将传感器信号无线传送至电脑端，实时记录实验数据。

热失控过程定量分析

1. 温度和电压变化
   实验显示，在恒流过充245秒后，电池表面温度迅速上升至达60℃的上限值，期间电压从正常的3.65 V上升到5.685 V。过充阶段电压的变化速率是正常阶段的2.4倍，反映了电池内部化学反应趋向失控。

2. 膨胀压力信号
   电池膨胀压力的增长与过充后的高温、锂与隔膜反应所释放的气体密切相关。研究发现，膨胀压力的微应变信号在过充及热失控阶段展现出三级增长趋势，最大微应变达到3989 με。这些剧烈变化能更有效地预测热失控的临界点。

提出算法模型：SE-RES-LSTM

1. 算法设计
   算法结合注意力机制和残差结构，通过卷积操作与特征加权提升模型的特征提取能力。
   

• 第一层卷积+SE模块：提取信号的全局特征，关注不同特征通道的重要性。
  
• 残差连接（ResNet）：保留原始输入信息，提升非线性特征学习能力。
  
• LSTM时序建模：捕捉多维信号在时间轴上的依赖性。
  

1. 损失函数与评估指标
   模型采用均方误差（MSE）作为损失函数，通过Adam优化器实现高效学习，学习率为0.001，训练轮次为500。评估指标包括平均绝对百分比误差（MAPE）、均方根误差（RMSE）和决定系数（R2）。

四、研究结果与讨论

预测模型精度

研究对比了经典方法（如LSTM、CNN-LSTM）与所提出的SE-RES-LSTM模型的预测效果。SE-RES-LSTM在电池膨胀压力信号预测上的表现优于其他模型： - MAPE从2.23%降至1.19%；
- RMSE从345.32降至202.32；
- R2从0.92提高到0.97。

尤其在处理过充阶段压力拐点时，模型表现出更好的稳定性和线性度。

预测误差阈值检测

通过分析过充阶段的预测误差，研究以PR曲线（Precision-Recall Curve）评估分类效果，PR曲线的AUC值达到0.97，表明检测方法具有较高精度。最终确定的最佳预测误差阈值为1560.45，对应： - 召回率（Recall）：0.9395
- 查准率（Precision）：1
- F1-Score：0.9688

时效性优势

在电池过充12秒后，模型即可检测到热失控风险，实现了较传统基于温度方法（需至60℃）提前233秒的预警。

五、研究结论与意义

1. 本研究系统设计了从实验平台构建、数据采集到模型优化的完整流程，通过基于电池膨胀信号的SE-RES-LSTM预测模型，实现了对锂电池热失控的高效预警。
   
2. 该方法在准确性与时效性上均显著优于传统基于电压或温度的检测方法，为电池储能系统的安全检测提供了新方向。
   
3. 研究成果不仅推动了锂电池预警技术的发展，还为大规模储能系统的安全性提升提供了理论支撑和应用参考。

六、创新点与研究价值

1. 数据驱动：首次在热失控检测中强调膨胀压力的优先性，补充传统温度、电压信号的不足。
2. 技术创新：提出基于SE-RES-LSTM算法的高效预测网络，大幅提升了对多维特征间复杂关系的捕捉能力。
3. 实验验证：基于真实实验数据对方法的可行性、稳健性进行了充分验证。

研究为储能锂电池的大规模工程应用提供了学术依据，并具有广泛的应用前景。