如何实现动力电池的热失控预测及预警

■文/张 希

近年来，电动汽车的自燃事故频繁发生，究其原因是由锂离子动力电池热失控引起的。因此，如何提升动力电池的安全性以及实现其热失控提前预测成为亟待解决的痛点问题。

近年来，由于政府政策支持力度和消费者认可度的提高，我国的电动汽车产业迎来井喷式发展，2021年销量超过300 万台，已稳居全球第一。根据《中国制造2025》计划内容可以看出，电动汽车发展将作为我国未来工业转型升级的重要支柱，其核心零部件的技术革新将提高我国汽车工业的战略性竞争力，推动整个国民经济的可持续健康发展。

动力电池作为电动汽车的动力来源，对电动汽车的续航里程、动力性能及安全性能等起着决定性作用。锂离子电池因其单体电压高、比能量高、自放电率小、循环寿命长等优越性能被广泛应用于电动汽车的储能系统中。然而，随着锂离子电池能量密度的不断提高，电池的安全性也随之下降，由锂离子电池热失控引起的电动汽车自燃事故近年来频频发生，严重阻碍了电动汽车的发展。

锂离子电池热失控原因比较复杂，许多学者对锂离子电池热失控的诱发机理和内部过程进行了基本探索。目前，公认的锂离子电池热失控原因主要分为机械滥用、电气滥用和热滥用。在这3 种滥用条件引起的热失控过程中，一系列不可控的放热反应是引起热失控的关键，包括固体电解质界面（SEI）的分解、阳极与电解液的反应、阴极与电解液的反应、电解液的分解等。热失控一旦发生，消防手段暂时无法真正触及正在进行的反应物质，其终止只能是反应物全部燃尽。为了提高动力电池的安全性，进一步保障电动汽车产业健康发展，构建精准、广泛适用的动力电池热失控预测和预警方法具有重要意义。

“锂离子电池的热失控预测和预警主要是通过将传感器采集的实时数据输入到既定的算法中，并与热失控边界进行比较来实现的。”

锂离子电池的热失控预测和预警主要是通过将传感器采集的实时数据输入到既定的算法中，并与热失控边界进行比较来实现的。传感器收集的数据包括电压、电流、温度、气体浓度和膨胀力等。目前，锂离子电池的热失控预测方法可以分为两类：一类是基于电池内部电化学机理建立的；另一类则是基于电池大数据的人工智能算法。

在基于电池电化学机理建立的热失控预测和预警方面，一般通过电化学-热耦合模型计算电池发热量，并根据电池工作条件确定电池热失控边界。通过测量电池在热失控初期的气体生成量，包括一氧化碳、二氧化碳等，可以实现基于气体浓度监测的锂离子电池片和电池组的热失控预警。此外，根据锂离子电池的电化学阻抗谱特征进行热失控预警，包括以阻抗相角、零穿越频率等参数估计电池内部的实时温度，以动态阻抗斜率在特定频率范围内由负变正的特征检测电池过充情况，从而防止电池热失控事故的发生。这些方法具有很强的可解释性，但由于热失控事件的随机性和复杂机制，建立精准的机理预测模型较为困难。

在基于电池大数据的人工智能热失控预测方法方面，从算法的先进性来看，经历了阈值边界确定方法、信息统计确定、机器学习到元学习方法的发展。从直接分析电压、电流、温度等参数到多模态数据的小样本学习，算法效果进步神速。人工智能方法获取热失控数据的途径也多种多样，如实车数据、热失控实验数据、故障注入模拟数据等。然而，基于大数据的动力电池热失控预测算法同样面临诸多挑战。电池是一个复杂的时变系统，阈值参数边界会随着电池的类型和老化而变化，模型的可迁移性能值得探讨。基于实验性热失控数据的研究在一定程度上揭示了热失控的原因，但这种理想的数据与真实的车辆数据之间存在很大的差距。因此，目前业界还未形成稳定可靠的算法来预测基于真实车辆数据的热失控。

为了建立准确的、广泛适用的锂离子电池热失控预测和预警方法，应建立一种结合外部特征（温度、电压、电流）和内部机制（电化学反应和材料变化）的多尺度方法，分析锂离子电池在热失控演化过程中的电化学-热耦合特性。此外，应构建电化学参数的逐渐变化与热失控风险之间的定量规律，以此为依据构建动力电池安全运行边界，从而实现对锂离子电池热失控风险的定量评估和预测。

近年来，虽然锂离子电池安全研究取得了一些成绩，但是锂离子电池热失控预测和预警研究还有很长的路要走，需要整合材料学、电化学、热力学、人工智能等学科，从而建立准确、广泛适用的锂离子电池热失控预测和预警方法。这些方法将降低电动汽车自燃事故的发生概率，提高电动汽车的市场接受度，促进电动汽车产业的发展。