电动车辆动力电池安全预警策略研究综述*

李 达，邓钧君，张照生，刘 鹏，王震坡

（1.北京理工大学机械与车辆学院，电动车辆国家工程研究中心，北京 100081；2.北京电动车辆协同创新中心，北京 100081）

前言

为了应对能源枯竭和环境污染问题，世界各国纷纷出台政策推动电动车辆产业的发展。我国在《新能源汽车产业发展规划（2021—2035 年）》中提出把“新能源汽车”作为重点发展领域。2021 年8月，美国总统签署了“加强美国在清洁汽车领域领导地位”行政命令，设定了美国到2030 年零碳排放汽车销量达50%的重大目标。2021 年8 月，日本经济产业省宣布2022 年将进一步加大电动车辆、插电式混合动力汽车和燃料电池汽车购买补贴［1］。截止2021 年底，世界电动车辆保有量已达到1 600 万辆以上［2］。相比于传统燃油汽车，电动车辆是综合机械、电子、电力、控制和自动化等多学科的新型车辆［3］。作为“三电”重要组成部分的电池系统决定了电动车辆的续驶里程、驾驶行为和安全性［4］。锂离子电池由于其高比能量、无记忆性、长循环寿命等优点被广泛用于电动车辆，其中磷酸铁锂和三元锂电池成为动力电池的主流［5-6］。尽管锂离子电池在能量密度和使用寿命方面有了实质性的改善，但电池安全问题仍未解决［7-8］。近年来国内外共发生百余起电动车辆起火事故，其中90%以上的原因是动力电池热失控［9-10］。电池安全问题已成为社会关注焦点，严重影响了电动车辆产业的健康发展和消费者的信心［11］。在电动车辆的实际运行过程中，电池系统受到使用行为、各种滥用和天气的影响，这使得热失控的原因错综复杂。准确及时的电池安全预警一方面可以及时发现动力电池的潜在安全风险，为电池系统的定期维护提供依据，另一方面可以实现热失控预测，进而避免乘员生命财产的损失。

文中以电动车辆动力电池安全预警策略为主线展开。首先，介绍电池安全相关状态定义与概述，并提出了本文框架。之后分别对电池安全特征及影响因素分析、电池建模方法、电池安全风险评估/预测方法3 个方面进行了综述。最后，总结了现有研究的进展与不足，提出了电池安全预警技术的发展趋势。本文主要实现如下目标：（1）使从事电池和电池安全预警的研究者和从业者快速了解相关内容；（2）基于现有的研究情况，为后续的研究以及工程项目提供参考方向；（3）在文献综述的过程中，总结各类方法的优缺点，便于相关研究人员在解决电池安全问题时能快速了解各类方法优势和弊端。

1 电池安全预警相关定义与概述

1.1 电池安全状态定义

为了更好地对电池的性能进行量化，国内外学者定义了各种电池状态，包括电池健康状态［12］、电池荷电状态（state-of-charge，SOC）［13］、电池功率状态［14］等。但是由于电池各种安全问题错综复杂，目前行业内尚未形成统一的电池安全状态定义。一些学者尝试定性地定义电池安全［15-17］：文献［15］中将电池安全问题的严重程度分为7 个等级，如表1 所示，由低到高依次为正常、可逆的功能性损伤、不可逆损伤、泄漏、产气、着火或火焰、破裂、爆炸。

表1 电池安全等级

基于划分的安全等级，文献［15］中将电池安全定义为

式中：S代表表1中电池安全问题的严重性；L为安全问题发生的可能性；HCN为风险控制程度。

类似地，文献［16］中基于电池针刺条件下的冲击角度、冲击速度和冲击质量，定义了电池安全包络面。为了定量估计电池安全状态，文献［17］中将电池安全状态定义为

式中：fabuse为滥用状态；fsafety为安全状态；x代表各种描述电池的行为状态和控制变量，例如电压、温度、充放电电流、内部阻抗、电池膨胀、电池变形。

该定义认为电池安全与电池滥用呈负相关关系。同时文献中给出了滥用状态函数fabuse的定义方式，并分析了各参数和各种故障对电池安全的影响。

1.2 本文框架

一些学者［18-19］构建了电池安全预警方法，主要针对电池出现安全问题的临界条件对电池进行监控和预警。电池在出现安全问题的过程中，其电压、电流温度等参数会出现明显的变化，且产生特征气体。通过对其中一种或几种特征参数及特征气体的监测可以对电池安全问题进行预警，从而避免经济损失［20］。

本文对电池安全预警策略现有研究进行综述，整体框架图如图1 所示，首先，基于实验室和实车传感器采集的电池外部和内部参数，综述了电池安全特征提取方法，总结了主要的安全影响因素，包括滥用、电池材料、制造工艺、循化老化，并详细综述了电池使用过程中安全影响因素的研究，作为后续电池建模与安全风险评估/预测方法的基础；基于安全影响因素分析的结论以及提取的安全特征，综述了3类电池模型，包括等效电路模型、电化学模型和数据驱动模型，并总结了电池混合建模方法；在安全特征和电池模型的基础上，综述了电池安全风险评估/预测方法，其中安全风险评估方法包括阈值法、机理模型和数据驱动方法，安全风险预测部分讨论了异常温升预测、异常生热预测、异常压降预测和热失控预测方面的研究；最后，总结各部分现有研究现状，并提出未来发展趋势。

图1 本综述框架图

2 电池安全特征与安全影响因素分析

在电池发生安全问题时，电池的外部和内部参数会表现出来异常［21］。为了建立电池安全模型与安全风险评估/预测方法，首先要分析电池安全特征，即不同安全问题、不同工况对应特征参数的变化规律，同时分析电池安全影响因素。

2.1 电池安全特征

电池的主要电热特征参数如表2 所示，在电池安全特征方面，一些学者通过实验模拟电池不同工况下的各种安全问题，观测并分析特征参数的规律［22-33］；另一些学者通过实车采集的电池参数历史时间序列，采用数据驱动方法提取安全特征［34-38］。

实验室方法主要通过电池充放电设备和自定义电流工况对电池进行充放电，同时采用测试仪和传感器测量电池外部和内部特征参数的变化规律，进而分析电池安全特征［22-23］。外在特征参数（温度、电流、电压）方面，文献［24］中从电池材料、电池单体、电池系统等多尺度条件下分析了动力电池电压、温度等参数的变化规律。文献［25］中通过人为设置过充电热失控触发条件，分析电池热失控过程中电压、内阻和温度等参数的变化。文献［26］中通过分析锂离子电池的温度变化，提出了3 个特征温度作为安全特征。文献［27］中研究锂离子电池热失控边界条件，基于电池生热机理建立热模型，并提出“热失控数”作为安全特征。一些学者提出了新的传感器拓扑结构来更全面地监测电池安全特征参数［28-29］：文献［28］中根据热管理要求，分析了锂离子电池模块在充放电条件下的温度传感器位置。然后，研究了考虑热失控的电池模块温度分布，并给出了温度传感器布置的优化结果。文献［29］中开发了光纤传感器网络，以全方位监控锂离子电池的表面温度分布。另有部分学者基于电池内部参数（开路电压、内阻）分析动力电池安全特性［30-31］。文献［32］中通过测量信号同步处理后的电压电流参数，估算电池的内阻，进而建立电池安全特性演变规律。文献［33］中开展电池恒流实验，并将估计的电池开路电压与内阻作为安全特征参数。实验室方法可以精确地测量电池各种外部和内部参数，进而提取电池安全特征。但目前也受到如下难题制约。（1）实验成本和规模：不同类型、不同材料、不同封装方式电池安全问题与特征参数之间的关系不同，为了构建它们之间的关系，需要开展大量实验，这些实验会耗费大量的人力物力。（2）实验场景的适应性：现有实验主要针对电池单体，实际电动车辆中，电池包往往由多个电池单体并联/串联组成，由于电池不一致性和“木桶效应”等因素影响，整包电池的安全特性需要综合考虑各个单体的安全性［6］。（3）实验场景的逼真性：现有实验主要基于人为自定义工况分析电池安全特性，实车实际情况下的随机电流激励和外界多变气候使得实验室方法难以直接应用于实车。

为解决这些问题，部分研究学者提出了基于数据驱动的安全特征提取方法［34-35］，文献［36］中提出一种基于单个电池电压比较的数据驱动电池安全特征，文献［37］中提取各探针温度变化曲线的熵值作为安全特征，并采用箱型图方法分析各个探针温度的变化规律。文献［38］中基于单体电压的时间序列曲线，定义稳态电压偏移增量与动态偏差累积次数两个指标作为电池安全特征，并采用滑动窗口进行特征提取，其流程如图2所示。

图2 文献［38］中提取的电池安全特征

2.2 电池安全影响因素

各种滥用包括机械滥用、电气滥用和热滥用会引发电池安全问题［39］。此外，电池材料［40］、制造工艺［41］、循环老化［42］也会影响电池的安全性。本章节主要综述电池在使用过程中安全影响因素的研究，作为后续电池建模与安全风险评估/预测方法的基础。

各种滥用与安全之间的关系如图3 所示［43］。机械滥用由电池受力发生机械变形造成，主要包括针刺、撞击、碰撞等，这些变形会导致电池隔膜撕裂，进而造成内部短路，影响安全性，同时，内部短路也会引发电气滥用。电气滥用由电压管理不当、电器元件故障或制造不良等引起，主要包括外部短路、过放电、过充电等，电气滥用会促进锂枝晶的生长，进而导致隔膜穿刺，引发内短路。同时，电气滥用时电池生热速率增加，引发热滥用。热滥用由温度管理不当导致的过热引起，发生热滥用时，电池内部的高温会使隔膜瓦解并引发内短路，电池温度进一步增加，一旦电池生热速率与散热速率达到临界条件，则热失控不可避免［44］。

图3 各种滥用与安全之间的关系

一些学者通过实验模拟各种滥用条件下电池特征参数的变化规律，研究它们对电池安全的影响［45-49］。机械滥用方面，文献［45］中通过X 射线计算机断层扫描技术的非原位观测研究了电池在压痕实验条件下内部短路的演变过程，以及相应的电池电压与温度演变规律。文献［46］中构建三维双向力学-电化学-热耦合模型，并设计了机械碰撞和针刺实验，研究复杂机械滥用环境下电池从短路到热失控的演变过程。电气滥用方面，文献［47］中通过扫描电镜、能谱、X 射线衍射和X 射线光电子能谱等多种表征分析方法，研究了微过充和微过放电过程中热特性变化的机理，分析了阳极和阴极的形貌、晶体结构和成分演变。热滥用方面，文献［48］中采用数值模拟和实验相结合的方法，研究了21700 圆柱形大容量锂离子电池在不同热滥用条件下的热失控现象。文献［49］中考虑等效电路、热滥用和流体动力学模型的多物理场模型，分析了不同热滥用情况下的电池热安全边界。另外一些学者综合分析了各种滥用与电池安全的关系［50］。文献［50］中以温度为耦合因子，建立了热电耦合滥用下的锂离子电池热失控模型。通过比较锂离子电池的热源位置、充电速率和放电速率，分析了不同工况对锂离子电池内部参数和热失控特性的影响。

另外一些学者认为电池的循环老化也会降低电池的安全性［51-52］，但是尚未定量分析它们之间的关系。文献［53］中采用10%容量损失、30%容量损失的老化电池和新电池进行高温环境热滥用实验，发现日历老化会使电池热失控从更低的温度开始。文献［54］中将电池安全问题分为3 类：电解质耗尽、锂库存损失和电池阻抗增加。并将库仑效率和寿命预测相结合，提出了一种考虑电池SOH 的安全风险评估方法。

3 电池建模方法

电池是一个非线性复杂系统。电池建模是电池状态估计、参数预测、安全风险评估的基础［55］。基于上述安全特征与影响因素，国内外学者建立了各种电池模型，并估计安全相关参数［56-93］，主要包括电化学模型、等效电路模型、数据驱动模型。为了结合各种电模型的优势，一些学者提出了电池混合模型［94-96］。

3.1 电化学模型

电化学模型是利用电池电化学原理综合表征锂离子电池充放电过程中的电化学反应、锂离子在电极/电解质中的扩散和浓度变化以及各种相关过程的电池模型［57］。20 世纪90 年代，M.Doyle、T.F.Fuller 和J.Newman 以多孔电极和浓溶液理论建立了伪二维模型（pseudo-two-dimensional model，P2D）［58］，是后续电池电化学模型发展的基础，P2D模型的结构如图4 所示［59］，模型将电池的阳极和阴极视为由许多球形颗粒组成的多孔电极，颗粒之间的空间充满了电解质。锂离子在电极材料颗粒的电解质液相和固相中的浓度分布和电位分布由耦合偏微分方程描述。

图4 电池伪二维电化学模型

由于P2D模型中偏微分方程的高复杂度和高计算量，实际应用时一些学者提出了简化的P2D模型，最常见的单粒子模型（single particle model，SPM）将每个电极表示为球形粒子，并描绘了锂离子在粒子中的嵌入和扩散［60］。另外一些学者对SPM 进行改进，以满足不同的要求［61-63］。文献［64］中建立了7阶线性电解质增强SPM 进行电池SOC 估计，并验证了该模型在不同电流倍率和温度下的准确性。文献［65］中将溶液相电荷和物质平衡结合到SPM 中，提高SPM 在高倍率电流下的准确性，经验证，该模型在最高为5C 的不同充放电速率下电池电压相对误差均小于1%。文献［66］中将应力增强扩散和电解质浓度分布整合到修正的SPM 中，兼顾模型的准确性和计算效率。经验证，该模型相比于计算时间是P2D 的3 倍，同时平均电压误差相比SPM 减小了33.8%。此外，一些学者将数值模型降阶方法应用于P2D 或其他电化学模型，以简化计算［67-69］。文献［70］中基于控制偏微分方程的空间和时间离散化，以及阻尼牛顿法求解P2D中的离散模型方程。文献［71］中提出了一种基于绝对节点坐标法的模型，该模型包含了固态电极和电解液在不同空间位置的状态浓度水平，经仿真验证，所建立的模型在3C 电流倍率下的均方根误差为2.37e-2。

3.2 等效电路模型

等效电路模型是指通过理想电压源、欧姆内阻、极化内阻、电容等元器件组成的电路网络来近似代替电池内部结构，进而描述电池特性的电池模型［72］。常见的等效电路模型如图5 所示［73］，其中Rint 模型、Thevenin 模型和双极化模型分别对应极化内阻-电容环（resistance-capacity，RC）为0、1、2 的情况。Rint 模型由一个理想电压源和一个电阻串联而成［74］，结构简单，没有考虑极化和扩散现象。随着RC 环的增加，模型精度不断提高：在文献［73］中的动态应力试验工况下，Thevenin 模型电压误差绝对值的均值比Rint 模型降低了88.4%，双极化模型电压误差绝对值的均值比Thevenin 模型降低了5.7%。

图5 常见的等效电路模型

文献［75］中使用1 阶RC 等效电路模型来模拟锂离子电池的充放电行为。文献［76］中利用2 阶RC 等效电路模型逼近电池动态性能，经验证电压误差小于40 mV。文献［77］和文献［78］中给出了锂离子电池的理想阻抗谱，并提出了具有3 个RC 网络的等效电路模型。基于等效电路模型，一些学者提出了电池内部参数和状态估计方法：内部参数包括欧姆内阻和开路电压［79-80］，状态估计包括健康状态、SOC 等［81］。文献［82］中基于Thevenin 模型，提出了一种利用开关电容均衡器产生的信号估计磷酸铁锂电池内阻的方法。文献［83］中提出了一种估计等效电路模型中多个RC并联支路模型参数的方法，通过设置搜索范围限制和移动窗口，设计了马尔可夫链蒙特卡罗算法，实现了对不同时间常数的并行分支模型参数的估计。

3.3 数据驱动模型

数据驱动模型是指通过数据训练得到模型内部参数，进而建立电池输入与输出响应之间的非线性关系的电池模型［84-85］。近年来学者们主要采用机器学习与深度学习模型来构建电池非线性特性［86-93］。

机器学习是指机器通过统计学算法，对大量历史数据进行学习，进而利用生成的经验模型指导业务。一些学者将其中的前馈神经网络和支持向量机运用到电池建模中［86-87］，前馈神经网络结构如图6所示。前馈神经网络［86］是一种最简单的神经网络，它由输入层、输出层和多个隐藏层构成，各神经元分层排列，每个神经元只与前一层的神经元相连。接收前一层的输出，并输出给下一层，各层间没有反馈。文献［87］中采用由外源输入的非线性自回归模型构建电池输入电流、温度、SOC 与输出电压之间的关系。同时采用前馈神经网络构建输入电流、电压、温度与输出SOC之间的关系，最后，采用反馈策略对两个电池模型进行耦合。支持向量机是一类按监督学习方式对数据进行二元分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。文献［88］中通过“双步策略”构建了数据驱动电池模型，该模型以电池电流、温度、SOC 和历史电压为输入，通过多个支持向量机联合估算电池输出电压。类似地，文献［89］中采用支持向量机建立电池模型，并估算电池电压。

图6 全连接神经网络

深度学习是机器学习领域中一个新的研究方向，通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。一些学者将其中的卷积神经网络（convolutional neural network，CNN）和循环神经网络运用到电池建模中［90-91］：循环神经网络是一类以序列数据为输入、在序列的演进方向进行递归且所有节点按链式连接的递归神经网络［90］。文献［91］中通过压缩海量的汽车时间序列数据来创建一个新数据集，并采用长短时记忆循环神经网络（long short-term memory，LSTM）进行电池建模。CNN包含了一个由卷积层和子采样层构成的特征抽取器。在CNN 的卷积层中，一个神经元只与部分邻层神经元相连接［92］。文献［93］中结合CNN 和LSTM，建立锂离子电池剩余寿命预测模型，并通过自动编码器来增大数据的维数，以便更有效地训练CNN和LSTM。

3.4 混合模型

基于3.1 节～3.3 节的分析，表3 中总结了上述3类电化学模型、等效电路模型、数据驱动模型电池模型的优缺点。为了利用各种模型的优势，一些学者将电化学模型与数据驱动模型进行结合，进而构建电池混合模型［94-96］。文献［94］中提出了两种电化学-机器学习混合架构，将SPM 与热动力学模型和前馈神经网络相结合，提高大电流倍率下模型的精度。经验证，架构1和架构2在10C 电流倍率下的电压均方根误差分别为10.67和13.03 mV。文献［95］中提出了一种基于电池机理和数据驱动混合模型的剩余容量估计方法，首先利用麦夸特法和斯皮尔曼相关性，从预测和机理模型中推导出3 个与剩余容量损失机制直接相关的新的健康指标。其次，对1 000 节废旧磷酸铁锂电池进行了剩余容量测试，基于所提出的健康指标建立了数据驱动的剩余容量估计模型。文献［96］中提出了一种电池健康状态估计和剩余有用寿命预测的模型-数据融合方法，首先，结合代谢灰色模型和多输出高斯过程回归，建立动态数据驱动的电池退化模型，模拟电池复杂的退化行为，其次，为了抑制在线电池信息的测量噪声，利用粒子滤波器跟踪电池容量退化进行健康状态估计，并外推退化轨迹进行剩余有用寿命预测。

表3 电池模型优缺点

4 动力电池安全风险评估/预测方法

近年来，国内外学者提出了电池安全风险评估/预测方法，旨在安全问题发生之前及时地进行预测与预警，防止电池安全问题的发生［97-151］。

4.1 动力电池安全风险评估方法

现有的动力电池安全风险评估方法主要分为基于阈值、基于机理模型和基于数据驱动3 大类。基于阈值的方法也称基于知识方法，常被用于监测电池过压/过温、低压故障和一致性差等问题。文献［97］中根据信息熵计算所选指标的标准差，并设置阈值来评估电池单体的不一致性。文献［98］中提出电池管理系统应该通过监测电池的电压和温度，使电池在安全窗口内运行。阈值法计算简单，适用于快速监测电池安全问题，但无法对电池安全问题进行预警，一旦电池参数超出了阈值，安全问题往往已经无法避免，此外，不同应用场景很难确定合适的阈值。基于机理模型的方法可以准确描述电池正常和/或异常状态下的规律［99-102］。文献［103］中提出了一种基于模型的安全风险评估方法来评估电池组绝缘状态。类似地，文献［104］中提出了一种基于模型的串联电池组传感器故障检测与分类方法。文献［105］中通过分析锂离子电池的电化学阻抗谱，提出了一种基于电化学阻抗的截获频率估算锂离子电池内部温度的方法。文献［106］中提出了一种基于阻抗的锂离子电池温度估算方法。机理模型来源于电池电化学机理，因此能真实地表示电池内部反应过程，但其复杂性也决定了机理模型往往只能针对特定的安全风险类型和特定的工况，而无法适应电动车辆运行过程中随机多变的工况与安全问题。另外，机理模型的高计算量也限制了其在电池管理系统中的应用。为了建立电池安全问题与其特征参数之间的非线性关系，数据驱动方法也得到了广泛的应用［107-109］。在这方面，文献［110］中提出了一种基于交错电压测量拓扑的串联电池组多安全问题评估方法。文献［111］中提出了一种基于改进的样本熵的电池早期多安全问题评估方法。文献［112］中利用威布尔分布拟合电池数据，基于统计分析和聚类方法进行电池安全风险评估。文献［113］中将通用生成函数方法进行了扩展，以估计电池的风险和可靠性。数据驱动方法精度依赖于数据，但是高质量数据的获取和数据预处理本身也是亟待解决的问题，此外，上述研究中基于阈值、基于机理模型法和基于数据驱动的方法主要基于仿真或实验室实验，在实际电动车辆中没有得到验证。

在电动车辆实际运行过程中，由于各种随机因素包括随机驾驶行为、不确定的外界环境影响，电池系统会发生各种常见的安全问题，包括外短路、内短路、过充电等。为了实现统一的安全风险评估，国内外一些学者利用现有实车传感器采集的参数，提出了基于实际运行数据驱动的安全风险评估方法［114］。文献［115］中提出了一种基于熵值的安全风险评估方法，对由96 个串联电池单体组成的电池组进行安全监测。类似地，文献［116］～文献［118］中也基于各串联电池单体电压的一致性识别异常单体，进而进行电池安全风险评估。另外一些学者开发新的传感器并优化现有传感器的拓扑结构，以全面地监测电池安全状态，并进行安全风险评估［119-122］：其中一些研究集中于全面监测电池表面温度［119-120］。文献［119］中使用光纤布拉格光栅光学传感器和K 型热电偶来检测锂离子电池顶部、中部和底部的表面温度。文献［120］中开发了一个光纤传感器网络，用于实时、现场和多点操作，以监控锂离子电池上的表面温度分布。另外一些学者使用嵌入式传感器来监视锂离子电池的内部核心温度［121-122］：文献［121］和文献［122］中实现了一种基于嵌入式光纤布拉格光栅光学传感器的内部状态监视设备。这些传感器可以全面地监测电池安全状态，但其昂贵的成本限制了在实车上的应用。

4.2 动力电池安全风险预测方法

人工智能的发展为电池安全问题的分析与建模提供了新的契机。一些学者利用深度学习神经网络结合电池实验测试实现电池安全风险的预测［123-124］。文献［125］中引入与电池电压演化相关的外部变量，并采用神经网络模型预测电池安全风险。文献［126］中提出了一种将锂离子电池模型与循环神经网络相结合的安全风险预测方法。另外一些学者基于电池机理，建立安全风险预测模型［127-128］，文献［127］中研究了外短路引起的锂离子电池温升特性，并提出了最大温升的在线预测方法。文献［128］中提出了一种基于内部简化温度模型的在线内部温度估算方法，并定量分析了熵变和超电势对热量产生的影响。这些研究基于电池实验数据训练/建立模型，可以在特定的实验室环境下和自定义工况下实现电池安全风险的短期预测。

电池热失控是最严重的电池安全问题，随着电动车辆热失控事故的增多，热失控机理与预测方法已成为研究的热点。一些学者致力于通过实验测试探索热失控过程中电池内部反应机理和外部特性，包括温度、电压和气体成分的变化［129-132］。文献［129］中研究了在指定工作条件下考虑不同热源的电池内部温度升高过程，并找出了热失控的触发条件。同样，文献［130］中分析了51 个电池在热失控过程中产生的7 种气体的成分和数量，包括CO2、CO、H2、C2H4、CH4、C2H6和C3H6。其他研究人员分析了在过度充电和过度放电条件下的热失控现象。文献［131］和文献［132］中研究了锂离子电池在过充电和过放电期间的热行为，发现热失控发生之前的峰值电压为5.4 V。这些研究侧重于发现热失控的外部特征，另外一些学者建立模型来描述热失控行为［133-138］。文献［133］中建立了一个电化学-热耦合模型来描述过充电引起的热失控。类似地，文献［134］中建立了一个数学模型来描述过充电期间锂离子电池的电压和温度变化。文献［135］中使用有限元方法开发了一个耦合的电热失控模型。文献［136］中提出了一种基于模型的开关模型方法来检测锂离子电池中的短路。在成组、整包电池热失控机制研究方面，文献［137］中针对6节25 A·h三元锂离子动力电池组成的串联模块，进行了针刺触发的热失控实验，进而对热失控蔓延机理做了分析。文献［138］中的研究表明，并联状态下的动力电池发生热失控后产生的温升高于没有电连接或串联的动力电池组。基于上述热失控的分析与建模，另外一些学者提出热失控预测方法［139-143］，文献［139］中以动力电池系统在不同振动频率情况下的电压波动为输入量，采用整体香农熵算法实现了实时锂离子动力电池连接方式失效预测。文献［140］和文献［141］中建立了热失控蔓延的集总参数模型和三维模型。文献［142］和文献［143］中提出了一种基于分频模型和扩展卡尔曼滤波器的微短路量化方法，用于预测动力电池热失控状态的发生几率。上述方法主要基于实验室自定义工况和理想条件构建电池安全风险/热失控预测方法，而实车随机工况、外部噪声的影响使这些方法很难应用于实际车辆。

为了进一步提高在实车上的可应用性，一些学者提出基于实车数据驱动的安全风险预测方法［144-146］，文献［147］中基于实车廉价传感器采集的稀疏探针温度数据，提出了一种两步的热失控预测方法，首先通过极限梯度提升学习方法实现探针温度的多步预测，之后基于预测的温度，采用基于密度空间的聚类算法预测电池包内的热失控位置。文献［148］中提出了一种基于实车历史数据和LSTM 的多步电压预测方法，并通过设定过压与欠压阈值实现安全风险预测。该方法电压预测窗口步长为6，安全预警时间有待提高。文献［149］中使用LSTM 对电池系统进行准确的同步多参数预测包括电压、温度、SOC。文献［150］中将电池等效电路模型与LSTM 进行自适应耦合，考虑电池的电特性以及数据异常特征，从而进行长时间尺度的安全风险预测与短期的热失控预警。文献［151］中将深度学习温度预测模型与电池生热/散热方程相结合，可以提前27 h 预测热失控。文献［150］和文献［151］中的方法框架如图7 所示。这些方法采用实车数据构建模型，可以应用于实车电池安全预警，但计算时间较长，例如文献［151］中的方法在处理器为Intel（R）i5-7300HQ、运行内存为16 GB、显存为4 GHz 的笔记本电脑上平均运行时间为0.758 s。这导致这些方法目前很难应用于电池管理系统，但可以部署在云端大数据平台对电池进行监控。

图7 基于实车数据的电池安全风险预测方法［150-151］

5 电动车辆动力电池安全预警技术现状总结与发展趋势

及时准确的电池安全预警对于电动车辆的正常运行和乘员的安全至关重要。随着电动汽车保有量的增加以及数据采集技术、人工智能技术的发展，电池安全预警技术不断与前沿学科进行融合，数据驱动方法也在电池领域得到了应用与发展。在这个过程中，大量软件也被运用于模型构建与方法建立：数学软件Matlab/Simulink 被用于构建电池等效电路模型与分析实验数据［73，76］；数据分析软件Python 被用于分析实车电池历史数据和构建深度学习模型［147，150-151］；流体动力学软件OpenFOAM 被用于模拟电池生热/散热过程［152］；多物理场仿真软件Comsol［66］和AutoLion-ST［153］被用于研究电池电化学机理并构建电化学模型。

本文以电池安全预警策略为主线，详细梳理了电池安全特征与安全影响因素分析、电池建模方法、电池安全风险评估/预测方法。各方面的进展和不足总结如下。

在安全特征提取与影响因素分析方面，现有的研究通过开展电池充放电和安全实验，测得不同条件下电池外部/内部参数的规律，进而结合电池机理构建安全特征，并分析不同滥用条件对安全性的影响。也有一些学者基于实车条件下测得的电池外部参数，通过数据驱动方法提取安全特征和因素。这些安全特征可以充分表征电池在某种工况或某种安全问题下的安全性，同时也构建了各种滥用与安全性的定量关系。但是缺乏一些可以应用于更多场景的安全特征。同时各种安全特征的有效性和鲁棒性缺乏统一的比较。

在电池建模方面，现有研究从电池电化学机理、内部电路等效和数据表征的角度，分别构建了电化学模型、等效电路模型和数据驱动模型。电化学模型优点是精度高［154］，但所涉及的电化学参数难以获得，且只适用于低电流倍率工况；等效电路模型输入参数易于获取，但精度低于电化学模型且参数估计精度受限于固定的脉冲循环工况和动态应力试验工况；数据驱动模型精度依赖于数据质量。一些学者将电化学模型与数据驱动模型进行融合，建立了电池混合模型。

在电池安全风险评估/预测方面，现有研究基于安全阈值、机理模型和数据驱动构建了大量安全风险评估/预测方法，另外一些学者基于实车运行数据，考虑实车运行过程中外界环境、随机工况等影响，提出长时间尺度的安全风险评估/预测方法。这些方法主要面向特定故障类型或工况进行电池安全预警，目前面临如下挑战：（1）不同类型、不同材料、不同封装方式、不同成组方式电池的特性和热稳定性不同，而实车可采集的参数有限，这对电池安全预警方法的鲁棒性提出了挑战。（2）不同故障类型导致的电池参数特性差异大，例如内/外短路时电池电压急剧下降；过充电时电池电压高于截止电压；热滥用时温度急剧上升。这要求安全预警方法与系统能识别各种常见安全问题。（3）突发安全问题预警时间窗口短，这要求电池安全预警与系统不仅能准确监测安全问题，还能及时进行安全预警，从而给乘员预留充足的反应时间。（4）实车运行条件下，电池状态受到随机噪声、驾驶行为、外界环境等多方面因素的影响，电池安全与这些影响因素之间的定量关系尚缺乏研究。

基于上述的分析，电动车辆动力电池安全预警技术发展趋势可总结为如下几个方面。

（1）新型传感器的研发与应用

现有的电动车辆实车传感器具有可采集的电池参数少（电压、电流和温度）、采样频率慢（1 Hz）和精度低（温度传感器0.5 ℃）的特点，这导致实验室所建立的精准的电池模型因缺少输入参数无法应用于实车。随着光纤和纳米技术的不断发展，通过光纤传感器等高精度新型传感器监测电池的内部温度，可以为安全预警方法提供更准确的输入。另一方面，为了实现批量化的产业应用，如何降低新型传感器的成本也是一个需要研究的课题。

（2）多因素融合的电池安全预警方法

我国幅员辽阔，经纬度跨度大，不同地域气候差异大。电动车辆实车运行环境复杂，受温度、湿度、路况等多方面影响。电池安全性也受到外界环境、滥用行为等多因素耦合影响。研究电池安全与各影响因素之间的耦合机制，构建实车环境下多因素融合的强鲁棒性、高准确性的电池安全预警方法是一个需要研究的方向。

（3）“端-边-云”融合的电池安全预警体系

电动车辆保有量的提升增加了线下车辆检测和维护的成本与压力。因此，基于实车运行过程中车载传感器采集的和电池管理系统估计的电池参数（包括电压、温度、SOC、电流），提取海量实车运行数据特征，挖掘与安全相关的特征参数演变规律，建立动力电池安全风险评估/预测方法，进而构建“端（电池管理系统）-边（智能数据终端）-云（云平台）”融合的动力电池安全多层主动管控体系，筛选高风险车辆与电池进行进一步线下安全检测，有利于实现从海量筛查到精确监测防控、从安全报警到安全预警，从被动防护到“端-边-云”融合主动管控的跨越式发展。