AI赋能锂离子电池：用“冷”技术对抗“热”隐患

离子电池因其高能量密度和广泛的应用场景，已成为便携电子设备、电动汽车和电网储能的主流能源存储解决方案。然而，锂离子电池的热不稳定性可能导致热失控等安全问题，因此，先进的热监测技术对于保障电池安全至关重要。传统的单点表面温度测量方法无法准确反映电池内部的真实热状态，而分布式温度监测则能够提供更全面的热数据，有助于优化热管理策略，减少电池退化。

近期，一项关于商业（PHEV）锂离子软包电池热监测的研究取得重要进展，相关成果发表于《Journal of Power Sources》期刊。此次研究团队提出了Feature-Adapted Unsupervised Anomaly Detection（FAUAD）模型，用于锂离子电池热异常监测。

研究内容

图 1 电池热图像无监督异常检测的FAUAD简化示意图

研究团队提出的Feature-Adapted Unsupervised Anomaly Detection（FAUAD）模型，基于深度学习，能有效检测电池热异常。

如图1a为把正常图像输入深度神经网络的训练过程：图像先经特征提取器（轻量级预训练resnet18模型）提取局部特征，再通过特征适配器适配电池热图像特征。之后，伪异常生成器添加泊松噪声制造伪异常，与正常特征一起供特征分类器学习正常模式。

随后用正常和异常图像测试网络（图1b）：图像经特征提取器、特征适配器后，由特征分类器判断。正常特征输出高值，异常特征输出低值，以此检测热图像异常。

图 2 模拟图像

研究人员首先通过模拟实验验证FAUAD算法。利用COMSOL Multiphysics®软件和Matlab生成模拟软包电池图像（图2展示了模拟的正常行为、局部过热和异常分布图像），这些图像涵盖多种热场景，为算法测试提供了丰富数据。模拟实验在可控环境下进行，既节省成本又保障安全。

图 3 电池热成像实验的设置、处理过程以及异常数据的产生示意图

之后，研究进入实际测试阶段。使用市售的SPIM11309102-GL40锂离子NMC软包电池，在标准测试循环下进行充放电实验，并利用FLIR T640红外相机采集热图像。为确保图像质量，对电池表面进行处理并优化拍摄环境。如图3展示了电池热像仪的设置、涂漆电池及生成的热图像，涂漆时留下的反射斑块用于模拟异常数据。

图 4 不同模型在含异常数据和干净数据上的AUROC曲线对比

实验结果显示，FAUAD模型表现卓越。在模拟数据上，其ROC曲线下面积（AUROC）得分达0.971；在含有10%异常的实际数据中，得分0.990；在干净的实际数据中，得分更是达到满分1.0。与其他先进算法相比，FAUAD在异常检测能力上优势显著（图4），而且模型大小仅15MB，便于在边缘设备部署，为电池管理系统（BMS）等嵌入式系统提供了理想选择。

该研究的建模方法不依赖电池化学类型和具体应用场景，具有广泛适用性。未来，研究团队计划引入标记数据，进一步提升FAUAD定位异常根源的能力。这一成果为电池热监测技术开辟了新方向，有望推动整个行业的发展。

原文链接：https://doi.org/10.1016/j.jpowsour.2024.235982