AI“聽診”提前一刻鐘預警電池熱失控風險

　　近日，南都電源動力股份有限公司聯合浙江大學信息與電子工程學院金浩團隊、國網山東信通公司，在鋰離子儲能領域國際頂級期刊《Journal of Energy Storage》發表最新研究成果，提出了一種基于麥克風陣列聲學信號和AI深度學習算法的鋰離子電池熱失控早期檢測與定位新方法。該系統通過捕捉鋰離子電池安全閥在熱失控前產生的微弱高頻異常聲學信號，采用新型時間序列深度學習算法，實現了熱失控的提前791 s預警，并具備厘米級精度的聲源定位，為儲能電站的安全監測提供了全新的技術路徑。

　　隨著新能源電網與儲能技術的快速發展，大規模儲能系統中鋰離子電池的安全問題日益突出。熱失控是電池運行中最危險的失效模式之一，往往伴隨高溫、起火甚至爆炸，對電站和人身安全造成嚴重威脅。傳統監測手段多依賴溫度、電壓、電流或氣體檢測，但這些參數的變化通常出現在熱失控的中后期，難以及時實現早期預警。

　　以國網山東信通公司在儲能電池領域的應用需求為牽引，南都電源研發了314Ah鋰離子儲能電池，并聯合浙江大學開發鋰離子熱失控智能預警系統。團隊在實驗研究中發現，電池在進入熱失控的早期階段，其頂部安全閥會因內部壓力上升發生微小振動，從而產生頻率高于10 kHz的高頻異常聲。這些聲波信號由安全閥受壓產生，記錄了熱化學反應初期的壓力擾動信息。團隊據此提出熱失控早期聲學前兆檢測機制，實現了對熱失控的超前識別。

　　圖1 鋰離子電池在熱失控前的聲學特征對比圖。上方為熱失控早期安全閥異常聲音與背景噪聲的時頻分布，下方為熱失控發生時聲波信號。

　　在系統設計中，研究團隊構建了由四個高靈敏度麥克風組成的陣列，布置在電池包的四角。系統可捕捉到微弱高頻聲信號。每一路信號經過前端濾波與放大后，被輸入到深度學習識別模塊。算法部分采用雙向門控循環單元神經網絡，結合聲學特征，能自動識別出熱失控早期安全閥異常聲音特征的聲學片段。

　　圖2 聲學監測系統實驗現場。展示了麥克風陣列布置、數據采集單元及實時監測軟件界面。

　　圖3 系統算法流程示意圖。BiGRU模型用于異常聲識別，AFW-GCC算法實現高精度聲源定位。

　　為進一步確定異常聲的來源位置，團隊通過分析多通道聲信號的時間差，結合幾何三角定位模型，實現聲源的空間定位。算法在低信噪比條件下仍保持較高穩定性，可在復雜電池艙環境中精確定位至5厘米內。

　　圖4 熱失控實驗中物理量變化曲線。紅線表示聲學異常時刻，顯著早于溫度與電壓變化。

　　在實驗驗證中，研究團隊搭建了可控加熱環境，通過單體電芯誘發熱失控過程并同步采集聲學、熱學、電學數據。實驗結果表明，聲學預警系統在安全閥開啟前101秒即可識別到早期異常信號，在熱失控爆發前791 s發出可靠預警，檢測準確率超過90%，顯著領先于傳統傳感預測手段。

　　聲學監測技術以其非接觸、低成本和高靈敏度的優勢，為鋰電池熱失控預警提供了新的解決思路。該方法可與電池管理系統（BMS）深度融合，實現儲能電站和電動汽車的實時聲學健康監測。團隊目前已啟動多中心實驗和工業化驗證，為該技術的工程應用奠定基礎。