HAWKER蓄电池基于电-热-力-燃料费耦合的大容量储能电池热失控预警阈值与机器学习模型研究

跟着全球动力结构向清洁低碳解决计划转型，风能和太阳能发生的可再生动力电力已得到广泛应用。但是，这些动力对自然条件的固有依靠导致其具有明显的间歇性和波动性，为实现安稳继续的电力供应带来了巨大应战。在此布景下，储能技能已成为缓解可再生动力波动的关键东西，在现代动力体系中扮演着日益重要的角色。在各种技能中，电化学储能因其能量转化功率高、呼应速度快和布局灵敏等特色锋芒毕露。其间磷酸铁锂电池（LIBs）凭借优异的热安稳性和本钱效益，已成为新型储能体系的首选技能计划。但是，当选用大容量装备时，锂离子电池（LIBs）仍易在乱用条件下呈现功能衰减和潜在的维护失效问题，这类问题极易晋级为热失控等严重安全事故，然后危及整个储能体系的运转完整性（Huang et al., 2024; Hunter et al., 2021; Lv et al., 2023; Wu et al., 2019; Ouyang et al., 2024; Han et al., 2025; Liu et al., 2023）。
当时关于锂离子电池热失控的研究普遍选用电压、电流和温度等物理参数进行状况监测与反常辨认（Lai et al., 2025）。依靠单一参数的现有监测体系存在明显局限性。作为核心热力学指标，温度虽能反映内部反应进程且其非线性突增特性可辨认临界点，但其呼应迟滞会阻止前期预警（Jia et al., 2025）。电压参数在热激起条件下保持安稳，但在临界前相阶段呈现急剧下降。虽然这种由隔膜失效引发内部短路导致的骤降现象标志着安全阈值的突破，但其与不可逆损伤点的临近性影响了时效性（Liu et al., 2025）。值得注意的是，作为结构呼应参数的扩展力，经过壳体变形监测供给了独特的预警维度。其预防性倍增增加体现出明显的前兆特征，物理信号鲁棒性可有用区别副反应与环境噪声（Song et al., 2025）。与此同时，H2等燃料费开释物2与CO2在热失控初期阶段体现出高灵敏度，此刻传感器阵列捕获的浓度变化趋势构成了最早可检测的前兆信号（Ali等，2025；Goswami等，2024；Li等，2024）。传统热失控预警体系通常将温度阈值设定在80°C至100°C范围内，而扩展力增幅超越基线值50%时即可作为预警扳机标准（Han等，2025；Han等，2024；Appleberry等，2022；Ouyang等，2024；Jia等，2023；Wang等）。2025）。多数预警办法依靠于阈值判别或趋势剖析（Li等，2024；Lin等，2024；Wang等，2022；Wei等，2025；Chen等，2021；Wang等，2024；Ouyang等，2022；Zhang等，2021）。但是，这些办法难以准确表征杂乱工况下的电池行为（Wang和Decamps，2024；Han等，2025；Ji等，2023）。例如，Shao等（Shao等，2025）选用多传感器检测电池过充进程，成果表明排气信号可先于短路信号被捕获。孙等学者(Sun et al., 2022)经过离散弗雷歇间隔剖析电压-温度曲线，结合局部离群因子(LOF)算法，成功实现了约660秒的预警提前量。%%江等研究者(Jiang et al., 2022)则选用孤立森林算法对电压数据进行特征提取与分类，报告了260秒的预警时刻。虽然这些办法在特定参数-算法组合下取得了必定预警作用，但仅依靠单一参数输入时，猜测准确性仍存在缺少。此外，猜测模型的可解释性与泛化能力亟待提高，在杂乱动态工况下容易发生误判或漏检问题。
为提高热失控前期预警的准确性与适应性，近期研究引入了根据机器学习的多参数交融建模技能，用于热失控进程的猜测剖析（Choi和Park，2024；Hemakumar等，2024；Kim和Yoon，2023；Liu和Li，2024；Petersen，2024）。相较于仅依靠电学或热学参数的传统模型，多参数模型能够提高热失控时刻猜测的精度，尤其在动态工况下体现更为杰出。作为一种具有良好时刻序列记忆能力的循环神经网络结构，LSTM已应用于锂离子电池猜测、充电行为建模等范畴。Deng等(2022)提出了一种改进的根据LSTM的退化状况辨认模型，用于猜测电池容量变化趋势。Shen等(2024)构建了交融注意力机制的LSTM健康状况评价结构，能够准确评价多循环工况下的电池状况。但是，现在在热失控猜测使命中仍缺少对不同神经网络结构的体系比较，特别是BP神经网络、标准LSTM与Bi-LSTM模型在处理短期与长期动态信息方面的差异。不过，LSTM拿手经过次序处理信息来处理时刻序列数据，这使其适用于时序问题。但其计算进程相对密布且功率较低。Transformer经过自注意力机制捕捉大局依靠联系，避免了递归结构导致的梯度消失问题（Huang et al., 2025）。CNN-Transformer算法将卷积神经网络与Transformer架构相交融，在处理杂乱时刻序列数据时展现出明显优势。相较于单一网络架构，该混合模型在处理高噪声数据集时体现出更强的安稳性，并在前期反常信号检测方面具有更高的灵敏度。因此，针对大容量锂电池热失控进程中混合神经网络猜测特性的研究具有火急需求。
本研究针对锂离子电池热失控预警的火急需求，经过表征热失控演进进程中多特征参数的演变规则，剖析不同Trigger条件下的阈值动力学特性，构建了根据混合神经网络的预警结构。依托统一数据平台，体系化的对比剖析评价了可变输入特征与时序窗口下的猜测功能，为实际场景中的模型选型与部署供给了定量依据。经过整合荷电状况（SOC）水平、机械预载荷与加热办法的严厉热乱用试验，我们证明热失控进程具有明显的参数耦合多阶段特征。此外，根据多个神经网络模型对核心参数（包括温度、扩展包力、电压及燃料费浓度）的猜测成果，展现出优异的拟合功能与跨工况泛化能力。这些研究发现确立了所提结构作为智能预警体系的关键使能技能，为储能应用中的数据驱动安全管理供给了强有力支撑。