LiFePO?电池在热滥用条件下的多维信号演变及滥用状态识别

《Process Safety and Environmental Protection》：Multidimensional Signal Evolution and Abuse Condition Identification of LiFePO? Batteries under Thermal Abuse

本文通过设计不同加热功率（200W和400W）和SOC水平（25%、50%、100%）的可控热滥用实验，结合膨胀力、电压、温度信号的动态演变分析，提出了一种基于随机森林分类器与数据增强的电池热滥用故障识别方法。实验表明，通过拟合信号生成增强数据（JSD=0.0023，CS=0.9995），并利用多维信号融合策略，当窗口长度增至60秒时分类准确率达97.8%，显著提升了电池热滥用场景下的安全诊断能力。

　　

关章磊|李涛涛|曾晓琪|吴伟雄

济南大学能源与电力研究中心，中国珠海

摘要

在热滥用条件下，热失控仍然是锂离子电池面临的关键安全问题。然而，不同滥用条件下多维信号的高度相似性使得故障识别变得尤为困难。本研究在两种加热功率（200W和400W）和三种电池状态（25%、50%和100%）下进行了受控热滥用实验，以研究膨胀力、电压和温度信号的动态演变。通过分析它们的特征演变行为，提取了多维信号特征，并将其输入随机森林分类器中进行故障条件识别。为缓解数据稀缺问题，提出了一种基于拟合的数据增强方法，生成的样本与原始数据高度一致，Jensen–Shannon散度（JSD）为0.0023，余弦相似度（CS）为0.9995。使用增强后的数据集训练了一个分类器，用于识别六种热滥用场景。整合多种物理信号进一步提高了分类性能；随着窗口长度的增加，准确率提升至97.8%。所提出的方法能够准确识别滥用条件，支持基于条件的电池安全诊断。

引言

随着交通系统的持续电气化以及可再生能源在电网中的大规模整合，对可扩展且可靠的电化学储能的需求急剧增加（J. Liu等人，2025；Ma等人，2025；Zeng等人，2025）。在这种情况下，锂离子电池（LIBs）由于其高能量密度、长循环寿命和低自放电率而被广泛应用于电动汽车和电网级储能系统（Hasan等人，2025；Kim等人，2019；Lisbona和Snee，2011；Scrosati等人，2011）。然而，在极端条件（如热滥用）下，锂离子电池容易发生内部短路并随后引发热失控（Gao等人，2024；J. Li等人，2025；Xu等人，2024）。这些事件对人类安全和环境构成严重威胁（Chen等人，2025；Guan等人，2026；Yuan等人，2020）。

为了解决由热滥用引起的锂离子电池热失控相关的安全问题，现有研究主要集中在探究热失控的内部触发机制以及基于多维信号演变开发早期预警策略。关于内部触发机制，Zhou等人（Zhou等人，2024）分析了不同的热滥用条件，并证明与正面加热相比，底部加热更有可能引发更严重的热失控。此外，在不同的加热模式下，内部热量生成占总热释放量的27%以上。Ren等人（Ren等人，2021）研究了热滥用条件下的内部短路，发现阳极与电解质之间的反应是引发热失控的关键因素。关于早期预警策略，Lee等人（Lee等人，2025）结合了超声波传感、膨胀力和温度测量来研究不同加热功率下的电池热失控。结果表明，超声波信号可以在早期检测到内部变化，提供有效的早期预警能力。Li等人（Li等人，2024）在不同充电状态（SOC）下进行了热滥用实验，揭示了膨胀力随SOC变化的演变模式。他们进一步提出了一种基于膨胀力信号的早期预警策略，实现了最大642秒的提前预警时间。Li等人（Z. Li等人，2025）研究了不同加热位置对锂离子电池模块热失控行为的影响，结果表明将触发位置从模块角落移到中心会增加热失控传播的危险。然而，现有研究主要集中在机制分析和基于信号演变的早期预警上，而针对热滥用的数据驱动研究仍然有限。因此，将热滥用信号与机器学习方法相结合对于提高热滥用条件下的安全性是必要的。

随着对电池故障机制的深入了解和多维数据的获取，电池系统故障诊断已成为电池安全研究的关键焦点，涵盖了电池单元级和模块级分析。在电池单元级别，Cui等人（Cui等人，2023）提出了一种基于电化学阻抗谱（EIS）的深度学习检测方法，在NCM523数据集上实现了93.75%的准确率来识别内部短路。Choi和Park（Choi和Park，2024）构建了一个决策树集成模型，用于诊断多种故障类型，包括热失控、内部短路和钉子穿透，预测准确率提高了11.87–26.93%。Liu等人（Liu等人，2024）提出了一种基于视觉变换器的迁移学习方法，用于检测典型故障，如内部短路、容量异常和SOC偏差，实现了100%的识别率。在模块级别，Jiang等人（Jiang等人，2022）引入了一种基于隔离森林的方法来检测电池模块中的异常电池，该方法在识别电动汽车中的渐进性和突发性故障方面有效。Shen等人（Shen等人，2024）开发了一种基于双重故障窗口定位的GWO-LSSVM算法，用于解决外部和内部短路以及连接异常问题，准确率为94.67%。Zhao等人（Zhao等人，2025）提出了一种结合RNN和CNN架构的混合神经网络，用于串联电池系统的容量退化和短路故障的准确分类。尽管在一般故障诊断方面取得了显著进展，但针对热滥用条件下特定滥用条件的研究仍然有限。

由于热滥用实验的成本高昂、数据需求量大和泛化能力有限，数据驱动方法在电池故障诊断中的应用受到数据稀缺的阻碍。为了解决这一挑战，已经开发了三种主要方法来扩展可用数据集：（1）使用算法模型生成合成数据；（2）通过物理建模生成模拟数据；（3）利用公开可用的数据集进行训练和验证。关于合成数据生成，Aery等人（Aery等人，2025）使用CTGAN生成合成样本以增强数据集，并使用核密度估计验证了其分布，最终基于气体信号实现了准确的火灾预测。H. Liu等人（H. Liu等人，2025）提出了一种基于EPCOKC的方法来识别热失控过程中的声学特征，并使用GAN生成的数据验证了97%的诊断准确率。关于通过物理建模生成模拟数据，Zhang等人（Zhang等人，2022）引入了一个神经网络模型来预测热失控传播，并构建了一个电热耦合模拟模型来增强训练数据集。关于利用公开可用的数据集，Qi等人（Qi等人，2024）使用了一个公共数据集并提出了EMD-LSTM-AM算法来预测锂离子电池的表面温度。然而，现有研究仍面临几个关键限制：生成数据的真实性和物理一致性难以保证，与实验数据的偏差仍然存在。

为了解决上述问题，开发了一个用于锂离子电池在热滥用条件下的多维监测平台，覆盖了不同的SOC水平和加热功率条件，同时测量膨胀力、温度和电压。基于收集的实验数据进行了多维信号分析，并通过拟合实验信号演变函数和生成与测量数据偏差较小的额外样本来进行数据增强。为了确保物理合理性，在数据生成过程中加入了单调性约束。然后从增强后的数据集中提取关键特征，并使用它们训练随机森林分类器来准确识别不同的热滥用条件，从而提高电池系统的安全性。

部分摘录

电池样本

在本研究中，选择了棱柱形铝壳锂铁磷酸盐（LiFePO?）电池作为研究对象。这些电池使用LFP作为正极，石墨作为负极，上下截止电压分别为3.65V和2.50V。实验前，所有电池均采用恒流-恒压（CC–CV）协议充电，并在恒流条件下放电以完成电池激活。具体来说，电池首先以CC

热滥用过程中的TR过程分析

图2展示了在200W加热功率和50% SOC条件下电池故障过程中多维信号（膨胀力、电压和温度）的演变。根据这些信号的变化，定义了两个关键时间点：阀门开启时间（t_v）和热失控开始时间（t_TR），如（1）、（2）中所述。基于这些时间点，整个故障过程分为三个阶段：第一阶段，从加热开始到t_v；第二阶段

结论

本研究在不同SOC和加热功率条件下对锂离子电池进行了热失控实验。基于实验数据，采用了一种数据增强方法来扩展数据集，然后使用该数据集训练了一个分类器来识别热滥用条件。主要发现总结如下：

• (1)
  在不同滥用条件下，增加加热功率导致膨胀力峰值、温度峰值和电压降峰值出现得更早

未引用的参考文献

(Li等人，2025；Liu等人，2025)

CRediT作者贡献声明

吴伟雄：撰写 – 审稿与编辑、监督、资源管理、项目管理、资金获取、概念构思。曾晓琪：撰写 – 审稿与编辑、数据可视化、数据管理。李涛涛：撰写 – 审稿与编辑、数据可视化、验证。关章磊：撰写 – 原始草稿、数据可视化、方法论研究、调查、数据分析、概念构思。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。

致谢

本研究得到了中国国家自然科学基金（52476200）、广东省基础与应用基础研究基金（2024A1515030124）、中国南方电网科技项目（GDKJXM20230246（030100KC23020017）以及中央高校基本科研业务费的支持。