随着动力电池技术的迅速发展，高比能量的锂电池在电动汽车和储能等领域得到广泛应用。然而，锂电池在使用过程中受到焦耳热、反应热和副反应热等因素的影响，大量热量积聚，使得电池温度不断上升。温度异常会影响锂电池的寿命和循环效率，甚至在极端情况下可能引发爆炸事故^[1]。因此，对锂电池的热失控进行预警研究具有重要意义，可以有效保障锂电池的安全运行^[2-3]。

在电池热失控前期，由于化学反应，电池内部会产生大量气体，从而导致内部压力增加。为了防止内部压力不断上升而引发爆炸，锂电池通常配备有安全阀。安全阀的作用是在必要时切断电流并迅速释放电池内部的气体。然而，研究表明，即使安全阀开启，仍存在一定概率发生热失控。即使未发生热失控，由锂电池化学反应产生的易燃易爆气体也会对系统安全构成潜在威胁^[4]。因此，及时准确地发现锂电池安全阀的开启时间和位置，对于锂电池热失控预警至关重要^[5-7]。

目前已有相关预警方法，例如有研究提出监测电池热失控特征气体的预警方法，但气体难以扩散到密闭的电池模组外，且气体扩散过程中易受复杂的气流干扰^[8]；有研究探索了特征声音预警方法，该方法基于电池安全阀开启时产生的特定频率声音。然而，由于电池模组外壳的阻尼作用，声音传播受到限制，导致该预警方法在实际应用中面临一定的局限性^[9]；另外，还有基于固定温度阈值和温升速率的热失控预警方法，但不同锂电池热失控前的温度和温升速率存在差异，可能出现误报或者延迟预警的问题^[10]。

针对上述问题，文章提出基于温升速率异常和安全阀开启后温度下降的多特征融合锂电池热失控预警方法，可以及时准确地发现锂电池安全阀开启时间和位置。

锂离子电池的产热主要源自3个方面：反应热、焦耳热及电池自放电或副反应热。反应热在充电过程中吸收热量，放电时释放热量；焦耳热则主要由电池内阻产生。自放电或副反应热通常源于SEI膜分解、内部短路等，其产热在正常工况下占比不到总热量的1%。然而，在热失控情况下，随着电池温度攀升，副反应热急剧增加，可能超越反应热成为主导热源，引发温度骤升^[11]。

另根据GB 38031－2020《电动汽车用动力蓄电池安全要求》可知，锂电池热失控的判定条件有温升速率dT/dt≥1 ℃/s，且持续3 s以上，表明锂电池状态异常时的温升速率高于正常锂电池。

赵春朋等^[12]采用扩展容积加速量热仪和耐压罐，在密闭空间中对不同荷电状态（SOC）下的18650型锂离子电池进行了热爆炸实验。研究表明，安全阀开启后锂电池表面温度会出现下降的情况。此外，多篇文献^[13-15]中对不同形状和材料的锂电池进行过充或过热实验，也观察到了安全阀开启后表面温度下降的现象^[16-18]。

DTW（Dynamic Time Warping，动态时间规划）算法可求解不相等序列特征之间的距离，来衡量两段序列的相似性。对序列X和Y构造矩阵，矩阵元素分别表示X_i和Y_j ，以欧氏距离作为矩阵中对应的元素的量^[19-21]。

根据动态规划的最终目标，寻找一条通过此矩阵网络中若干点的路径，现将此路径用W来表示，W的第q个元素定义为W_q=(i,j)，W应满足以下条件：

（1）边界条件：基于时间的规划要求明确界定每个序列的起始与终止时间点（起点为矩阵左下角，终点为右上角），各序列间的长度可以有所不同。

（2）连续性：X和Y中所有元素都不可缺少，并且只能与其相邻的点对齐。不会出现遗漏和跨越对齐情况。

（3）单调性：X和Y中的元素必须是随着步长的增加而单调变化。

依据DTW，从(0,0)起每到一个点都对之前所有点的距离进行累加，累加距离D (i,j)为：

当前格点距离d(X_i, Y_j)，而DTW所研究的就是使得累加距离最小。

P ——对不同长度的规划路径进行的补偿。

Kmeans聚类算法，作为一种经典的基于距离的无监督学习算法，依据样本间距离的度量标准，将样本集划分为某种规则下的性质相近的数据子集，这一过程旨在揭示数据间潜在的内在关联和区别，可以深入理解数据的物理或逻辑分组特性^[22-23]。Kmeans聚类算法中的k代表聚类个数，means代表取每一个聚类中数值的平均值作为该簇的中心，即每一个簇都用这个类的中心描述。这种聚类算法容易实现，其具体实现流程如下：

（1）根据实际情况确定簇的个数k。

（2）计算各个采样点到簇中心的距离，一般用欧氏距离表示。

（3）该采样点归类至最近中心点代表的簇中。根据新划分的簇，更新“簇中心”。

（4）重复步骤（2）和步骤（3），直到“簇中心”不再移动。

异常锂电池的温升斜率会高于正常锂电池，因此会出现异常电池的温升曲线偏离正常温升曲线的现象，利用DTW算法可以将每一个锂电池温度序列与其他锂电池温度序列进行相似性匹配，再将每一次匹配后的相似度求和，这样每个温度序列都有一个相似度值，然后利用Kmeans聚类算法将所有相似度值分为两类，异常温度序列将被分为单独一类，这样可将异常温度曲线识别出来；再根据异常锂电池安全阀开启后表面温度下降的物理现象，通过识别异常温度序列温升速率是否出现由正到负的转变，判断异常锂电池的安全阀开启时间和位置。

文章所述算法的总体流程如图1所示。算法主要包括以下3个部分：

图  1  锂电池热失控预警算法流程图

Figure 1.  Flow chart of lithium battery thermal runaway warning method

（1） 数据预处理：当有锂电池的温度超过40 ℃时，开始对所有锂电池温度数据进行采集，每组采集1 min的数据。随后，将采集的温度数据转换成温升斜率。在文章中，对10个数据点进行1次斜率计算，这样既能有效过滤掉部分噪声，又能够保留安全阀开启后温升速率由正到负的情况。

（2） 基于DTW-Kmeans的异常温升速率划分算法：首先利用DTW算法构建各个锂电池温度序列之间的相似度值，然后利用Kmeans聚类算法将所有相似度值分为两类，异常温度序列将被分为独立的异常类。

（3） 基于表面温度下降的安全阀开启判断方法：通过异常类温升速率出现由正到负的突变，正常类温升速率没有由正到负，判断异常锂电池的安全阀已开启。

为获取实验数据集，文章进行4组锂电池过充热失控实验，采集数据包括温度及电压数据。算法测试硬件环境为Intel Core i5-12500H CPU@2.50 GHz，操作系统为Windows 11，编程环境为Matlab2021b。

实验在防爆箱中进行，以18650锂离子电池为研究对象，在1 C、1/2 C、1/3 C及1/5 C充电倍率下对锂离子动力电池进行过充电实验。

实验平台和实验图如图2、图3所示。实验步骤如下：

图  2  过充实验平台

Figure 2.  Overcharge experimental platform

图  3  锂电池过充实验图

Figure 3.  Lithium battery overcharge experiment diagram

（1）每组实验有4节锂电池，1节锂电池预先充电20 min，静置1 h，之后4节锂电池串联进行过充实验。

（2）将热电阻探头贴于锂电池表面，温度采集电路连接计算机USB接口以传输温度数据。

（3）实验在室温下进行，实验时打开高清摄影机进行实验记录。

（4）热失控结束后，待电池表面温度降至室温停止数据采集。

使用DTW-Kmeans算法对温度数据进行测试，每组数据测试20次。实验结果如图4所示，预警算法的准确率如表1所示。

图  4  预警算法实验结果

Figure 4.  Experimental results of early warning algorithm

通过观察图4中曲线的红色区域，可以清晰地看出预警算法在区分异常锂电池的温升速率与其他正常锂电池方面的有效性。特别是在异常锂电池温升速率由正向负的突变出现时，数据截止。4组数据的截止时间与安全阀开启相差在10 s内。这证实了预警算法能够准确识别出发生异常热反应的锂电池，并且对安全阀开启时间和位置的监测具有高效性。

此外，从表1的数据可以看出，4组数据的测试准确率均超过90%，说明预警算法在发现锂电池安全阀开启时间和位置方面具有可靠性。

尽管锂电池的发展势头强劲，但对于锂电池热失控安全管理的研究仍然存在不足之处，该领域的安全管理依然备受关注。根据文章的实验结果可知，文章所提出的基于多特征融合的锂电池热失控预警算法是有效的。通过采用DTW-Kmeans算法区分异常锂电池的温升速率，从而识别温升异常的锂电池，随后结合了锂电池安全阀开启后表面温度下降的物理特征，有效检测到了锂电池安全阀开启时间和位置，为锂电池热失控提供预警。未来的研究可探索更新的相似性匹配和聚类算法，深入研究更多热失控前期特征，并进行多特征融合，以提升系统的实际应用性能和可靠性。