SSB蓄电池基于数据驱动的无监督学习框架用于锂离子电池安全状态评估

2026-04-02 10:02:31

锂离子电池（LIB）的安全性已成为制约其大规模应用的关键瓶颈。传统安全状态（SOS）评估方法依赖数学模型与人工校准阈值，难以适应多样化场景。为此，本研究提出基于无监督学习的LIB安全状态评估框架，采用粒子群优化算法（PSO）增强的自适应Gath-Geva聚类算法（PSO-ANGG）实现电池安全评估自动化。首先，采用基于无监督学习的运行工况分割方法，实现了复杂工况的精确划分，准确率超过96%。其次，针对恒流充电（CC）、恒压充电（CV）和恒流放电区段，开发了安全特征提取方法，并完成特征优化与分组。最后，所提出的PSO-ANGG算法通过优化初始聚类中心、聚类数目及距离度量，显著提升了聚类能力。经MIT数据验证，SOS评估结果能准确反映正常运行条件下电池老化对安全性的影响。此外，在NASA数据集上的低温工况验证成功识别出由低温引发的显著安全性能衰减。本研究为锂离子电池安全管理提供了一种数据驱动的实用解决方案，无需依赖复杂的数学建模。

引言

预计2018年至2050年间全球能源消耗量将增长近50%，如何在扩大能源获取的同时不加剧对地球的负面影响，已成为联合国可持续发展目标SDG7（经济适用的清洁能源）的核心议题[1]。为此，各国正致力于提高可再生能源（如太阳能和风能）的利用率，以减少对化石燃料的依赖。在众多储能方式中，电池储能因其灵活性和快速响应特性，被广泛应用于电力系统的各个环节[2][3]。与此同时，锂离子电池（LIBs）因其高功率密度、更高能量密度、长循环寿命及良好的循环性能，在电动汽车（EVs）领域同样获得广泛应用[4]。
然而，锂离子电池（LIB）本身存在不容忽视的安全隐患，随着LIB能量密度等指标的提升，其安全性问题愈发凸显[5]。近年来各类高能量密度LIB相继进入市场，国内外与LIB相关的安全事故频发[6]。根据中国新能源汽车评价规程（CEVE）数据显示，2019年以来国内外与动力电池相关的电动汽车安全事故统计已达40余起[7]。因此，如何实现LIB全生命周期内的系统安全运行已成为行业重大需求。目前针对LIB安全性的研究已广泛开展，其中基于阈值的方法[8]在工业领域应用尤为普遍。该方法通过判定当前电池属性是否处于预定义的安全阈值或安全区域内来评估电池安全性。此外，欧洲汽车研发理事会（EUCAR）于2009年提出了一种基于安全测试的危险等级分类方法[10]，该方法根据可观测参数对电池进行分级。然而，此方法无法实现电池安全性的预测性评估。
为数学化表征电池安全性并实现故障预测，Cabrera等[11]正式提出了SOS（安全状态）的概念。与健康状态(SOH)类似，SOS通过0至1的量程范围量化电池安全性能。该模型基于影响电池安全的关键特征构建的滥用函数建立。除常规运行参数外，SOS还涵盖极端工况下的安全评估，包括过充/过放等电气滥用[12]、高温高湿等热滥用[13]，以及挤压穿刺等机械滥用[14]。在Cabrera模型的基础上，近期研究进一步拓展了安全运行状态（SOS）的评估框架：Zou等[15]采用势场方法将电池状态变量映射至势场，并引入膜水含量作为聚合物电解质膜燃料电池（PEMFCs）的新型安全特征；Wang等[16]将热失控实验获得的热安全参数（SP）整合至循环数据中，实现了健康状态（SOH）与安全运行状态（SOS）的联合评估；Gu等[17]则通过计算安全特征与其最优/最劣值之间的加权欧氏距离，进一步探索了SOS在热失控预测中的应用。[17] further explored SOS for thermal runaway prediction by quantifying SOS using weighted Euclidean distances between safety features and their optimal/worst values.
然而，现有健康状态（SOS）估计方法依赖于数学模型，需要预先设定大量特征阈值，这导致其在实际应用中难以实施。此外，电池全生命周期中实时多特征测量会给电池管理系统（BMS）带来沉重的数据处理负担[18]。因此，亟需一种能规避复杂建模、适用于多种场景的实时SOS评估方法。为此，本研究提出一种基于无监督学习的SOS估计方法，利用电池管理系统常规采集的数据片段直接进行安全评估。本工作的主要创新点可归纳如下：

• •
  Developed hierarchical operational condition features using Findchangepts, and employed K-means for precise segmentation and extraction of charge–discharge segments.
• •
  Proposed a safety feature extraction method for CCCV charge–discharge segments, achieving comprehensive coverage of conventional features and further optimizing the SOS feature groups.
• •
  Established an unsupervised learning–based PSO-ANGG clustering framework for SOS estimation, enabling automated evaluation of individual battery safety.