電動車輛動力電池安全預警策略研究綜述*

李 達，鄧鈞君，張照生，劉 鵬，王震坡

（1.北京理工大學機械與車輛學院，電動車輛國家工程研究中心，北京 100081；2.北京電動車輛協同創新中心，北京 100081）

前言

為了應對能源枯竭和環境污染問題，世界各國紛紛出臺政策推動電動車輛產業的發展。我國在《新能源汽車產業發展規劃（2021—2035 年）》中提出把“新能源汽車”作為重點發展領域。2021 年8月，美國總統簽署了“加強美國在清潔汽車領域領導地位”行政命令，設定了美國到2030 年零碳排放汽車銷量達50%的重大目標。2021 年8 月，日本經濟產業省宣布2022 年將進一步加大電動車輛、插電式混合動力汽車和燃料電池汽車購買補貼［1］。截止2021 年底，世界電動車輛保有量已達到1 600 萬輛以上［2］。相比于傳統燃油汽車，電動車輛是綜合機械、電子、電力、控制和自動化等多學科的新型車輛［3］。作為“三電”重要組成部分的電池系統決定了電動車輛的續駛里程、駕駛行為和安全性［4］。鋰離子電池由于其高比能量、無記憶性、長循環壽命等優點被廣泛用于電動車輛，其中磷酸鐵鋰和三元鋰電池成為動力電池的主流［5-6］。盡管鋰離子電池在能量密度和使用壽命方面有了實質性的改善，但電池安全問題仍未解決［7-8］。近年來國內外共發生百余起電動車輛起火事故，其中90%以上的原因是動力電池熱失控［9-10］。電池安全問題已成為社會關注焦點，嚴重影響了電動車輛產業的健康發展和消費者的信心［11］。在電動車輛的實際運行過程中，電池系統受到使用行為、各種濫用和天氣的影響，這使得熱失控的原因錯綜復雜。準確及時的電池安全預警一方面可以及時發現動力電池的潛在安全風險，為電池系統的定期維護提供依據，另一方面可以實現熱失控預測，進而避免乘員生命財產的損失。

文中以電動車輛動力電池安全預警策略為主線展開。首先，介紹電池安全相關狀態定義與概述，并提出了本文框架。之后分別對電池安全特征及影響因素分析、電池建模方法、電池安全風險評估/預測方法3 個方面進行了綜述。最后，總結了現有研究的進展與不足，提出了電池安全預警技術的發展趨勢。本文主要實現如下目標：（1）使從事電池和電池安全預警的研究者和從業者快速了解相關內容；（2）基于現有的研究情況，為后續的研究以及工程項目提供參考方向；（3）在文獻綜述的過程中，總結各類方法的優缺點，便于相關研究人員在解決電池安全問題時能快速了解各類方法優勢和弊端。

1 電池安全預警相關定義與概述

1.1 電池安全狀態定義

為了更好地對電池的性能進行量化，國內外學者定義了各種電池狀態，包括電池健康狀態［12］、電池荷電狀態（state-of-charge，SOC）［13］、電池功率狀態［14］等。但是由于電池各種安全問題錯綜復雜，目前行業內尚未形成統一的電池安全狀態定義。一些學者嘗試定性地定義電池安全［15-17］：文獻［15］中將電池安全問題的嚴重程度分為7 個等級，如表1 所示，由低到高依次為正常、可逆的功能性損傷、不可逆損傷、泄漏、產氣、著火或火焰、破裂、爆炸。

表1 電池安全等級

基于劃分的安全等級，文獻［15］中將電池安全定義為

式中：S代表表1中電池安全問題的嚴重性；L為安全問題發生的可能性；HCN為風險控制程度。

類似地，文獻［16］中基于電池針刺條件下的沖擊角度、沖擊速度和沖擊質量，定義了電池安全包絡面。為了定量估計電池安全狀態，文獻［17］中將電池安全狀態定義為

式中：fabuse為濫用狀態；fsafety為安全狀態；x代表各種描述電池的行為狀態和控制變量，例如電壓、溫度、充放電電流、內部阻抗、電池膨脹、電池變形。

該定義認為電池安全與電池濫用呈負相關關系。同時文獻中給出了濫用狀態函數fabuse的定義方式，并分析了各參數和各種故障對電池安全的影響。

1.2 本文框架

一些學者［18-19］構建了電池安全預警方法，主要針對電池出現安全問題的臨界條件對電池進行監控和預警。電池在出現安全問題的過程中，其電壓、電流溫度等參數會出現明顯的變化，且產生特征氣體。通過對其中一種或幾種特征參數及特征氣體的監測可以對電池安全問題進行預警，從而避免經濟損失［20］。

本文對電池安全預警策略現有研究進行綜述，整體框架圖如圖1 所示，首先，基于實驗室和實車傳感器采集的電池外部和內部參數，綜述了電池安全特征提取方法，總結了主要的安全影響因素，包括濫用、電池材料、制造工藝、循化老化，并詳細綜述了電池使用過程中安全影響因素的研究，作為后續電池建模與安全風險評估/預測方法的基礎；基于安全影響因素分析的結論以及提取的安全特征，綜述了3類電池模型，包括等效電路模型、電化學模型和數據驅動模型，并總結了電池混合建模方法；在安全特征和電池模型的基礎上，綜述了電池安全風險評估/預測方法，其中安全風險評估方法包括閾值法、機理模型和數據驅動方法，安全風險預測部分討論了異常溫升預測、異常生熱預測、異常壓降預測和熱失控預測方面的研究；最后，總結各部分現有研究現狀，并提出未來發展趨勢。

圖1 本綜述框架圖

2 電池安全特征與安全影響因素分析

在電池發生安全問題時，電池的外部和內部參數會表現出來異常［21］。為了建立電池安全模型與安全風險評估/預測方法，首先要分析電池安全特征，即不同安全問題、不同工況對應特征參數的變化規律，同時分析電池安全影響因素。

2.1 電池安全特征

電池的主要電熱特征參數如表2 所示，在電池安全特征方面，一些學者通過實驗模擬電池不同工況下的各種安全問題，觀測并分析特征參數的規律［22-33］；另一些學者通過實車采集的電池參數歷史時間序列，采用數據驅動方法提取安全特征［34-38］。

實驗室方法主要通過電池充放電設備和自定義電流工況對電池進行充放電，同時采用測試儀和傳感器測量電池外部和內部特征參數的變化規律，進而分析電池安全特征［22-23］。外在特征參數（溫度、電流、電壓）方面，文獻［24］中從電池材料、電池單體、電池系統等多尺度條件下分析了動力電池電壓、溫度等參數的變化規律。文獻［25］中通過人為設置過充電熱失控觸發條件，分析電池熱失控過程中電壓、內阻和溫度等參數的變化。文獻［26］中通過分析鋰離子電池的溫度變化，提出了3 個特征溫度作為安全特征。文獻［27］中研究鋰離子電池熱失控邊界條件，基于電池生熱機理建立熱模型，并提出“熱失控數”作為安全特征。一些學者提出了新的傳感器拓撲結構來更全面地監測電池安全特征參數［28-29］：文獻［28］中根據熱管理要求，分析了鋰離子電池模塊在充放電條件下的溫度傳感器位置。然后，研究了考慮熱失控的電池模塊溫度分布，并給出了溫度傳感器布置的優化結果。文獻［29］中開發了光纖傳感器網絡，以全方位監控鋰離子電池的表面溫度分布。另有部分學者基于電池內部參數（開路電壓、內阻）分析動力電池安全特性［30-31］。文獻［32］中通過測量信號同步處理后的電壓電流參數，估算電池的內阻，進而建立電池安全特性演變規律。文獻［33］中開展電池恒流實驗，并將估計的電池開路電壓與內阻作為安全特征參數。實驗室方法可以精確地測量電池各種外部和內部參數，進而提取電池安全特征。但目前也受到如下難題制約。（1）實驗成本和規模：不同類型、不同材料、不同封裝方式電池安全問題與特征參數之間的關系不同，為了構建它們之間的關系，需要開展大量實驗，這些實驗會耗費大量的人力物力。（2）實驗場景的適應性：現有實驗主要針對電池單體，實際電動車輛中，電池包往往由多個電池單體并聯/串聯組成，由于電池不一致性和“木桶效應”等因素影響，整包電池的安全特性需要綜合考慮各個單體的安全性［6］。（3）實驗場景的逼真性：現有實驗主要基于人為自定義工況分析電池安全特性，實車實際情況下的隨機電流激勵和外界多變氣候使得實驗室方法難以直接應用于實車。

為解決這些問題，部分研究學者提出了基于數據驅動的安全特征提取方法［34-35］，文獻［36］中提出一種基于單個電池電壓比較的數據驅動電池安全特征，文獻［37］中提取各探針溫度變化曲線的熵值作為安全特征，并采用箱型圖方法分析各個探針溫度的變化規律。文獻［38］中基于單體電壓的時間序列曲線，定義穩態電壓偏移增量與動態偏差累積次數兩個指標作為電池安全特征，并采用滑動窗口進行特征提取，其流程如圖2所示。

圖2 文獻［38］中提取的電池安全特征

2.2 電池安全影響因素

各種濫用包括機械濫用、電氣濫用和熱濫用會引發電池安全問題［39］。此外，電池材料［40］、制造工藝［41］、循環老化［42］也會影響電池的安全性。本章節主要綜述電池在使用過程中安全影響因素的研究，作為后續電池建模與安全風險評估/預測方法的基礎。

各種濫用與安全之間的關系如圖3 所示［43］。機械濫用由電池受力發生機械變形造成，主要包括針刺、撞擊、碰撞等，這些變形會導致電池隔膜撕裂，進而造成內部短路，影響安全性，同時，內部短路也會引發電氣濫用。電氣濫用由電壓管理不當、電器元件故障或制造不良等引起，主要包括外部短路、過放電、過充電等，電氣濫用會促進鋰枝晶的生長，進而導致隔膜穿刺，引發內短路。同時，電氣濫用時電池生熱速率增加，引發熱濫用。熱濫用由溫度管理不當導致的過熱引起，發生熱濫用時，電池內部的高溫會使隔膜瓦解并引發內短路，電池溫度進一步增加，一旦電池生熱速率與散熱速率達到臨界條件，則熱失控不可避免［44］。

圖3 各種濫用與安全之間的關系

一些學者通過實驗模擬各種濫用條件下電池特征參數的變化規律，研究它們對電池安全的影響［45-49］。機械濫用方面，文獻［45］中通過X 射線計算機斷層掃描技術的非原位觀測研究了電池在壓痕實驗條件下內部短路的演變過程，以及相應的電池電壓與溫度演變規律。文獻［46］中構建三維雙向力學-電化學-熱耦合模型，并設計了機械碰撞和針刺實驗，研究復雜機械濫用環境下電池從短路到熱失控的演變過程。電氣濫用方面，文獻［47］中通過掃描電鏡、能譜、X 射線衍射和X 射線光電子能譜等多種表征分析方法，研究了微過充和微過放電過程中熱特性變化的機理，分析了陽極和陰極的形貌、晶體結構和成分演變。熱濫用方面，文獻［48］中采用數值模擬和實驗相結合的方法，研究了21700 圓柱形大容量鋰離子電池在不同熱濫用條件下的熱失控現象。文獻［49］中考慮等效電路、熱濫用和流體動力學模型的多物理場模型，分析了不同熱濫用情況下的電池熱安全邊界。另外一些學者綜合分析了各種濫用與電池安全的關系［50］。文獻［50］中以溫度為耦合因子，建立了熱電耦合濫用下的鋰離子電池熱失控模型。通過比較鋰離子電池的熱源位置、充電速率和放電速率，分析了不同工況對鋰離子電池內部參數和熱失控特性的影響。

另外一些學者認為電池的循環老化也會降低電池的安全性［51-52］，但是尚未定量分析它們之間的關系。文獻［53］中采用10%容量損失、30%容量損失的老化電池和新電池進行高溫環境熱濫用實驗，發現日歷老化會使電池熱失控從更低的溫度開始。文獻［54］中將電池安全問題分為3 類：電解質耗盡、鋰庫存損失和電池阻抗增加。并將庫侖效率和壽命預測相結合，提出了一種考慮電池SOH 的安全風險評估方法。

3 電池建模方法

電池是一個非線性復雜系統。電池建模是電池狀態估計、參數預測、安全風險評估的基礎［55］。基于上述安全特征與影響因素，國內外學者建立了各種電池模型，并估計安全相關參數［56-93］，主要包括電化學模型、等效電路模型、數據驅動模型。為了結合各種電模型的優勢，一些學者提出了電池混合模型［94-96］。

3.1 電化學模型

電化學模型是利用電池電化學原理綜合表征鋰離子電池充放電過程中的電化學反應、鋰離子在電極/電解質中的擴散和濃度變化以及各種相關過程的電池模型［57］。20 世紀90 年代，M.Doyle、T.F.Fuller 和J.Newman 以多孔電極和濃溶液理論建立了偽二維模型（pseudo-two-dimensional model，P2D）［58］，是后續電池電化學模型發展的基礎，P2D模型的結構如圖4 所示［59］，模型將電池的陽極和陰極視為由許多球形顆粒組成的多孔電極，顆粒之間的空間充滿了電解質。鋰離子在電極材料顆粒的電解質液相和固相中的濃度分布和電位分布由耦合偏微分方程描述。

圖4 電池偽二維電化學模型

由于P2D模型中偏微分方程的高復雜度和高計算量，實際應用時一些學者提出了簡化的P2D模型，最常見的單粒子模型（single particle model，SPM）將每個電極表示為球形粒子，并描繪了鋰離子在粒子中的嵌入和擴散［60］。另外一些學者對SPM 進行改進，以滿足不同的要求［61-63］。文獻［64］中建立了7階線性電解質增強SPM 進行電池SOC 估計，并驗證了該模型在不同電流倍率和溫度下的準確性。文獻［65］中將溶液相電荷和物質平衡結合到SPM 中，提高SPM 在高倍率電流下的準確性，經驗證，該模型在最高為5C 的不同充放電速率下電池電壓相對誤差均小于1%。文獻［66］中將應力增強擴散和電解質濃度分布整合到修正的SPM 中，兼顧模型的準確性和計算效率。經驗證，該模型相比于計算時間是P2D 的3 倍，同時平均電壓誤差相比SPM 減小了33.8%。此外，一些學者將數值模型降階方法應用于P2D 或其他電化學模型，以簡化計算［67-69］。文獻［70］中基于控制偏微分方程的空間和時間離散化，以及阻尼牛頓法求解P2D中的離散模型方程。文獻［71］中提出了一種基于絕對節點坐標法的模型，該模型包含了固態電極和電解液在不同空間位置的狀態濃度水平，經仿真驗證，所建立的模型在3C 電流倍率下的均方根誤差為2.37e-2。

3.2 等效電路模型

等效電路模型是指通過理想電壓源、歐姆內阻、極化內阻、電容等元器件組成的電路網絡來近似代替電池內部結構，進而描述電池特性的電池模型［72］。常見的等效電路模型如圖5 所示［73］，其中Rint 模型、Thevenin 模型和雙極化模型分別對應極化內阻-電容環（resistance-capacity，RC）為0、1、2 的情況。Rint 模型由一個理想電壓源和一個電阻串聯而成［74］，結構簡單，沒有考慮極化和擴散現象。隨著RC 環的增加，模型精度不斷提高：在文獻［73］中的動態應力試驗工況下，Thevenin 模型電壓誤差絕對值的均值比Rint 模型降低了88.4%，雙極化模型電壓誤差絕對值的均值比Thevenin 模型降低了5.7%。

圖5 常見的等效電路模型

文獻［75］中使用1 階RC 等效電路模型來模擬鋰離子電池的充放電行為。文獻［76］中利用2 階RC 等效電路模型逼近電池動態性能，經驗證電壓誤差小于40 mV。文獻［77］和文獻［78］中給出了鋰離子電池的理想阻抗譜，并提出了具有3 個RC 網絡的等效電路模型。基于等效電路模型，一些學者提出了電池內部參數和狀態估計方法：內部參數包括歐姆內阻和開路電壓［79-80］，狀態估計包括健康狀態、SOC 等［81］。文獻［82］中基于Thevenin 模型，提出了一種利用開關電容均衡器產生的信號估計磷酸鐵鋰電池內阻的方法。文獻［83］中提出了一種估計等效電路模型中多個RC并聯支路模型參數的方法，通過設置搜索范圍限制和移動窗口，設計了馬爾可夫鏈蒙特卡羅算法，實現了對不同時間常數的并行分支模型參數的估計。

3.3 數據驅動模型

數據驅動模型是指通過數據訓練得到模型內部參數，進而建立電池輸入與輸出響應之間的非線性關系的電池模型［84-85］。近年來學者們主要采用機器學習與深度學習模型來構建電池非線性特性［86-93］。

機器學習是指機器通過統計學算法，對大量歷史數據進行學習，進而利用生成的經驗模型指導業務。一些學者將其中的前饋神經網絡和支持向量機運用到電池建模中［86-87］，前饋神經網絡結構如圖6所示。前饋神經網絡［86］是一種最簡單的神經網絡，它由輸入層、輸出層和多個隱藏層構成，各神經元分層排列，每個神經元只與前一層的神經元相連。接收前一層的輸出，并輸出給下一層，各層間沒有反饋。文獻［87］中采用由外源輸入的非線性自回歸模型構建電池輸入電流、溫度、SOC 與輸出電壓之間的關系。同時采用前饋神經網絡構建輸入電流、電壓、溫度與輸出SOC之間的關系，最后，采用反饋策略對兩個電池模型進行耦合。支持向量機是一類按監督學習方式對數據進行二元分類的廣義線性分類器，其決策邊界是對學習樣本求解的最大邊距超平面。文獻［88］中通過“雙步策略”構建了數據驅動電池模型，該模型以電池電流、溫度、SOC 和歷史電壓為輸入，通過多個支持向量機聯合估算電池輸出電壓。類似地，文獻［89］中采用支持向量機建立電池模型，并估算電池電壓。

圖6 全連接神經網絡

深度學習是機器學習領域中一個新的研究方向，通過組合低層特征形成更加抽象的高層表示屬性類別或特征，以發現數據的分布式特征表示。一些學者將其中的卷積神經網絡（convolutional neural network，CNN）和循環神經網絡運用到電池建模中［90-91］：循環神經網絡是一類以序列數據為輸入、在序列的演進方向進行遞歸且所有節點按鏈式連接的遞歸神經網絡［90］。文獻［91］中通過壓縮海量的汽車時間序列數據來創建一個新數據集，并采用長短時記憶循環神經網絡（long short-term memory，LSTM）進行電池建模。CNN包含了一個由卷積層和子采樣層構成的特征抽取器。在CNN 的卷積層中，一個神經元只與部分鄰層神經元相連接［92］。文獻［93］中結合CNN 和LSTM，建立鋰離子電池剩余壽命預測模型，并通過自動編碼器來增大數據的維數，以便更有效地訓練CNN和LSTM。

3.4 混合模型

基于3.1 節～3.3 節的分析，表3 中總結了上述3類電化學模型、等效電路模型、數據驅動模型電池模型的優缺點。為了利用各種模型的優勢，一些學者將電化學模型與數據驅動模型進行結合，進而構建電池混合模型［94-96］。文獻［94］中提出了兩種電化學-機器學習混合架構，將SPM 與熱動力學模型和前饋神經網絡相結合，提高大電流倍率下模型的精度。經驗證，架構1和架構2在10C 電流倍率下的電壓均方根誤差分別為10.67和13.03 mV。文獻［95］中提出了一種基于電池機理和數據驅動混合模型的剩余容量估計方法，首先利用麥夸特法和斯皮爾曼相關性，從預測和機理模型中推導出3 個與剩余容量損失機制直接相關的新的健康指標。其次，對1 000 節廢舊磷酸鐵鋰電池進行了剩余容量測試，基于所提出的健康指標建立了數據驅動的剩余容量估計模型。文獻［96］中提出了一種電池健康狀態估計和剩余有用壽命預測的模型-數據融合方法，首先，結合代謝灰色模型和多輸出高斯過程回歸，建立動態數據驅動的電池退化模型，模擬電池復雜的退化行為，其次，為了抑制在線電池信息的測量噪聲，利用粒子濾波器跟蹤電池容量退化進行健康狀態估計，并外推退化軌跡進行剩余有用壽命預測。

表3 電池模型優缺點

4 動力電池安全風險評估/預測方法

近年來，國內外學者提出了電池安全風險評估/預測方法，旨在安全問題發生之前及時地進行預測與預警，防止電池安全問題的發生［97-151］。

4.1 動力電池安全風險評估方法

現有的動力電池安全風險評估方法主要分為基于閾值、基于機理模型和基于數據驅動3 大類。基于閾值的方法也稱基于知識方法，常被用于監測電池過壓/過溫、低壓故障和一致性差等問題。文獻［97］中根據信息熵計算所選指標的標準差，并設置閾值來評估電池單體的不一致性。文獻［98］中提出電池管理系統應該通過監測電池的電壓和溫度，使電池在安全窗口內運行。閾值法計算簡單，適用于快速監測電池安全問題，但無法對電池安全問題進行預警，一旦電池參數超出了閾值，安全問題往往已經無法避免，此外，不同應用場景很難確定合適的閾值。基于機理模型的方法可以準確描述電池正常和/或異常狀態下的規律［99-102］。文獻［103］中提出了一種基于模型的安全風險評估方法來評估電池組絕緣狀態。類似地，文獻［104］中提出了一種基于模型的串聯電池組傳感器故障檢測與分類方法。文獻［105］中通過分析鋰離子電池的電化學阻抗譜，提出了一種基于電化學阻抗的截獲頻率估算鋰離子電池內部溫度的方法。文獻［106］中提出了一種基于阻抗的鋰離子電池溫度估算方法。機理模型來源于電池電化學機理，因此能真實地表示電池內部反應過程，但其復雜性也決定了機理模型往往只能針對特定的安全風險類型和特定的工況，而無法適應電動車輛運行過程中隨機多變的工況與安全問題。另外，機理模型的高計算量也限制了其在電池管理系統中的應用。為了建立電池安全問題與其特征參數之間的非線性關系，數據驅動方法也得到了廣泛的應用［107-109］。在這方面，文獻［110］中提出了一種基于交錯電壓測量拓撲的串聯電池組多安全問題評估方法。文獻［111］中提出了一種基于改進的樣本熵的電池早期多安全問題評估方法。文獻［112］中利用威布爾分布擬合電池數據，基于統計分析和聚類方法進行電池安全風險評估。文獻［113］中將通用生成函數方法進行了擴展，以估計電池的風險和可靠性。數據驅動方法精度依賴于數據，但是高質量數據的獲取和數據預處理本身也是亟待解決的問題，此外，上述研究中基于閾值、基于機理模型法和基于數據驅動的方法主要基于仿真或實驗室實驗，在實際電動車輛中沒有得到驗證。

在電動車輛實際運行過程中，由于各種隨機因素包括隨機駕駛行為、不確定的外界環境影響，電池系統會發生各種常見的安全問題，包括外短路、內短路、過充電等。為了實現統一的安全風險評估，國內外一些學者利用現有實車傳感器采集的參數，提出了基于實際運行數據驅動的安全風險評估方法［114］。文獻［115］中提出了一種基于熵值的安全風險評估方法，對由96 個串聯電池單體組成的電池組進行安全監測。類似地，文獻［116］～文獻［118］中也基于各串聯電池單體電壓的一致性識別異常單體，進而進行電池安全風險評估。另外一些學者開發新的傳感器并優化現有傳感器的拓撲結構，以全面地監測電池安全狀態，并進行安全風險評估［119-122］：其中一些研究集中于全面監測電池表面溫度［119-120］。文獻［119］中使用光纖布拉格光柵光學傳感器和K 型熱電偶來檢測鋰離子電池頂部、中部和底部的表面溫度。文獻［120］中開發了一個光纖傳感器網絡，用于實時、現場和多點操作，以監控鋰離子電池上的表面溫度分布。另外一些學者使用嵌入式傳感器來監視鋰離子電池的內部核心溫度［121-122］：文獻［121］和文獻［122］中實現了一種基于嵌入式光纖布拉格光柵光學傳感器的內部狀態監視設備。這些傳感器可以全面地監測電池安全狀態，但其昂貴的成本限制了在實車上的應用。

4.2 動力電池安全風險預測方法

人工智能的發展為電池安全問題的分析與建模提供了新的契機。一些學者利用深度學習神經網絡結合電池實驗測試實現電池安全風險的預測［123-124］。文獻［125］中引入與電池電壓演化相關的外部變量，并采用神經網絡模型預測電池安全風險。文獻［126］中提出了一種將鋰離子電池模型與循環神經網絡相結合的安全風險預測方法。另外一些學者基于電池機理，建立安全風險預測模型［127-128］，文獻［127］中研究了外短路引起的鋰離子電池溫升特性，并提出了最大溫升的在線預測方法。文獻［128］中提出了一種基于內部簡化溫度模型的在線內部溫度估算方法，并定量分析了熵變和超電勢對熱量產生的影響。這些研究基于電池實驗數據訓練/建立模型，可以在特定的實驗室環境下和自定義工況下實現電池安全風險的短期預測。

電池熱失控是最嚴重的電池安全問題，隨著電動車輛熱失控事故的增多，熱失控機理與預測方法已成為研究的熱點。一些學者致力于通過實驗測試探索熱失控過程中電池內部反應機理和外部特性，包括溫度、電壓和氣體成分的變化［129-132］。文獻［129］中研究了在指定工作條件下考慮不同熱源的電池內部溫度升高過程，并找出了熱失控的觸發條件。同樣，文獻［130］中分析了51 個電池在熱失控過程中產生的7 種氣體的成分和數量，包括CO2、CO、H2、C2H4、CH4、C2H6和C3H6。其他研究人員分析了在過度充電和過度放電條件下的熱失控現象。文獻［131］和文獻［132］中研究了鋰離子電池在過充電和過放電期間的熱行為，發現熱失控發生之前的峰值電壓為5.4 V。這些研究側重于發現熱失控的外部特征，另外一些學者建立模型來描述熱失控行為［133-138］。文獻［133］中建立了一個電化學-熱耦合模型來描述過充電引起的熱失控。類似地，文獻［134］中建立了一個數學模型來描述過充電期間鋰離子電池的電壓和溫度變化。文獻［135］中使用有限元方法開發了一個耦合的電熱失控模型。文獻［136］中提出了一種基于模型的開關模型方法來檢測鋰離子電池中的短路。在成組、整包電池熱失控機制研究方面，文獻［137］中針對6節25 A·h三元鋰離子動力電池組成的串聯模塊，進行了針刺觸發的熱失控實驗，進而對熱失控蔓延機理做了分析。文獻［138］中的研究表明，并聯狀態下的動力電池發生熱失控后產生的溫升高于沒有電連接或串聯的動力電池組。基于上述熱失控的分析與建模，另外一些學者提出熱失控預測方法［139-143］，文獻［139］中以動力電池系統在不同振動頻率情況下的電壓波動為輸入量，采用整體香農熵算法實現了實時鋰離子動力電池連接方式失效預測。文獻［140］和文獻［141］中建立了熱失控蔓延的集總參數模型和三維模型。文獻［142］和文獻［143］中提出了一種基于分頻模型和擴展卡爾曼濾波器的微短路量化方法，用于預測動力電池熱失控狀態的發生幾率。上述方法主要基于實驗室自定義工況和理想條件構建電池安全風險/熱失控預測方法，而實車隨機工況、外部噪聲的影響使這些方法很難應用于實際車輛。

為了進一步提高在實車上的可應用性，一些學者提出基于實車數據驅動的安全風險預測方法［144-146］，文獻［147］中基于實車廉價傳感器采集的稀疏探針溫度數據，提出了一種兩步的熱失控預測方法，首先通過極限梯度提升學習方法實現探針溫度的多步預測，之后基于預測的溫度，采用基于密度空間的聚類算法預測電池包內的熱失控位置。文獻［148］中提出了一種基于實車歷史數據和LSTM 的多步電壓預測方法，并通過設定過壓與欠壓閾值實現安全風險預測。該方法電壓預測窗口步長為6，安全預警時間有待提高。文獻［149］中使用LSTM 對電池系統進行準確的同步多參數預測包括電壓、溫度、SOC。文獻［150］中將電池等效電路模型與LSTM 進行自適應耦合，考慮電池的電特性以及數據異常特征，從而進行長時間尺度的安全風險預測與短期的熱失控預警。文獻［151］中將深度學習溫度預測模型與電池生熱/散熱方程相結合，可以提前27 h 預測熱失控。文獻［150］和文獻［151］中的方法框架如圖7 所示。這些方法采用實車數據構建模型，可以應用于實車電池安全預警，但計算時間較長，例如文獻［151］中的方法在處理器為Intel（R）i5-7300HQ、運行內存為16 GB、顯存為4 GHz 的筆記本電腦上平均運行時間為0.758 s。這導致這些方法目前很難應用于電池管理系統，但可以部署在云端大數據平臺對電池進行監控。

圖7 基于實車數據的電池安全風險預測方法［150-151］

5 電動車輛動力電池安全預警技術現狀總結與發展趨勢

及時準確的電池安全預警對于電動車輛的正常運行和乘員的安全至關重要。隨著電動汽車保有量的增加以及數據采集技術、人工智能技術的發展，電池安全預警技術不斷與前沿學科進行融合，數據驅動方法也在電池領域得到了應用與發展。在這個過程中，大量軟件也被運用于模型構建與方法建立：數學軟件Matlab/Simulink 被用于構建電池等效電路模型與分析實驗數據［73，76］；數據分析軟件Python 被用于分析實車電池歷史數據和構建深度學習模型［147，150-151］；流體動力學軟件OpenFOAM 被用于模擬電池生熱/散熱過程［152］；多物理場仿真軟件Comsol［66］和AutoLion-ST［153］被用于研究電池電化學機理并構建電化學模型。

本文以電池安全預警策略為主線，詳細梳理了電池安全特征與安全影響因素分析、電池建模方法、電池安全風險評估/預測方法。各方面的進展和不足總結如下。

在安全特征提取與影響因素分析方面，現有的研究通過開展電池充放電和安全實驗，測得不同條件下電池外部/內部參數的規律，進而結合電池機理構建安全特征，并分析不同濫用條件對安全性的影響。也有一些學者基于實車條件下測得的電池外部參數，通過數據驅動方法提取安全特征和因素。這些安全特征可以充分表征電池在某種工況或某種安全問題下的安全性，同時也構建了各種濫用與安全性的定量關系。但是缺乏一些可以應用于更多場景的安全特征。同時各種安全特征的有效性和魯棒性缺乏統一的比較。

在電池建模方面，現有研究從電池電化學機理、內部電路等效和數據表征的角度，分別構建了電化學模型、等效電路模型和數據驅動模型。電化學模型優點是精度高［154］，但所涉及的電化學參數難以獲得，且只適用于低電流倍率工況；等效電路模型輸入參數易于獲取，但精度低于電化學模型且參數估計精度受限于固定的脈沖循環工況和動態應力試驗工況；數據驅動模型精度依賴于數據質量。一些學者將電化學模型與數據驅動模型進行融合，建立了電池混合模型。

在電池安全風險評估/預測方面，現有研究基于安全閾值、機理模型和數據驅動構建了大量安全風險評估/預測方法，另外一些學者基于實車運行數據，考慮實車運行過程中外界環境、隨機工況等影響，提出長時間尺度的安全風險評估/預測方法。這些方法主要面向特定故障類型或工況進行電池安全預警，目前面臨如下挑戰：（1）不同類型、不同材料、不同封裝方式、不同成組方式電池的特性和熱穩定性不同，而實車可采集的參數有限，這對電池安全預警方法的魯棒性提出了挑戰。（2）不同故障類型導致的電池參數特性差異大，例如內/外短路時電池電壓急劇下降；過充電時電池電壓高于截止電壓；熱濫用時溫度急劇上升。這要求安全預警方法與系統能識別各種常見安全問題。（3）突發安全問題預警時間窗口短，這要求電池安全預警與系統不僅能準確監測安全問題，還能及時進行安全預警，從而給乘員預留充足的反應時間。（4）實車運行條件下，電池狀態受到隨機噪聲、駕駛行為、外界環境等多方面因素的影響，電池安全與這些影響因素之間的定量關系尚缺乏研究。

基于上述的分析，電動車輛動力電池安全預警技術發展趨勢可總結為如下幾個方面。

（1）新型傳感器的研發與應用

現有的電動車輛實車傳感器具有可采集的電池參數少（電壓、電流和溫度）、采樣頻率慢（1 Hz）和精度低（溫度傳感器0.5 ℃）的特點，這導致實驗室所建立的精準的電池模型因缺少輸入參數無法應用于實車。隨著光纖和納米技術的不斷發展，通過光纖傳感器等高精度新型傳感器監測電池的內部溫度，可以為安全預警方法提供更準確的輸入。另一方面，為了實現批量化的產業應用，如何降低新型傳感器的成本也是一個需要研究的課題。

（2）多因素融合的電池安全預警方法

我國幅員遼闊，經緯度跨度大，不同地域氣候差異大。電動車輛實車運行環境復雜，受溫度、濕度、路況等多方面影響。電池安全性也受到外界環境、濫用行為等多因素耦合影響。研究電池安全與各影響因素之間的耦合機制，構建實車環境下多因素融合的強魯棒性、高準確性的電池安全預警方法是一個需要研究的方向。

（3）“端-邊-云”融合的電池安全預警體系

電動車輛保有量的提升增加了線下車輛檢測和維護的成本與壓力。因此，基于實車運行過程中車載傳感器采集的和電池管理系統估計的電池參數（包括電壓、溫度、SOC、電流），提取海量實車運行數據特征，挖掘與安全相關的特征參數演變規律，建立動力電池安全風險評估/預測方法，進而構建“端（電池管理系統）-邊（智能數據終端）-云（云平臺）”融合的動力電池安全多層主動管控體系，篩選高風險車輛與電池進行進一步線下安全檢測，有利于實現從海量篩查到精確監測防控、從安全報警到安全預警，從被動防護到“端-邊-云”融合主動管控的跨越式發展。