近日，南都电源（300068）联合浙江大学、国网山东信通公司，在锂离子储能领域国际顶级期刊《Journal of Energy Storage》发表最新研究成果，提出了一种基于麦克风阵列声学信号和AI深度学习算法的锂离子电池热失控早期检测定位新方法。
该系统通过捕捉锂离子电池安全阀在热失控前产生的微弱高频异常声学信号，采用新型时间序列深度学习算法，实现了热失控的提前791s预警，并具备厘米级精度的声源定位，为储能电站的安全监测提供了全新的技术路径。
随着新能源电网与储能技术的快速发展，大规模储能系统中锂离子电池的安全问题日益突出。热失控是电池运行中最危险的失效模式之一，往往伴随高温、起火甚至爆炸，对电站和人身安全造成严重威胁。
传统监测手段多依赖温度、电压、电流或气体检测，但这些参数的变化通常出现在热失控的中后期，难以及时实现早期预警。
以国网山东信通公司在储能电池领域的应用需求为牵引，南都电源研发了314Ah锂离子储能电池，并联合浙江大学开发锂离子热失控智能预警系统。
团队在实验研究中发现，电池在进入热失控的早期阶段，其顶部安全阀会因内部压力上升发生微小振动，从而产生频率高于10 kHz的高频异常声。
这些声波信号由安全阀受压产生，记录了热化学反应初期的压力扰动信息。研发团队据此提出热失控早期声学前兆检测机制，实现了对热失控的超前识别。
图1 锂离子电池在热失控前的声学特征对比图。上方为热失控早期安全阀异常声音与背景噪声的时频分布，下方为热失控发生时声波信号。
在系统设计中，研究团队构建了由四个高灵敏度麦克风组成的阵列，布置在电池包的四角。系统可捕捉到微弱高频声信号。每一路信号经过前端滤波与放大后，被输入到深度学习识别模块。
算法部分采用双向门控循环单元神经网络，结合声学特征，能自动识别出热失控早期安全阀异常声音特征的声学片段。
图2 声学监测系统实验现场。展示了麦克风阵列布置、数据采集单元及实时监测软件界面。
图3 系统算法流程示意图。BiGRU模型用于异常声识别，AFW-GCC算法实现高精度声源定位。
为进一步确定异常声的来源位置，团队通过分析多通道声信号的时间差，结合几何三角定位模型，实现声源的空间定位。算法在低信噪比条件下仍保持较高稳定性，可在复杂电池舱环境中精确定位至5厘米内。
图4 热失控实验中物理量变化曲线。红线表示声学异常时刻，显著早于温度与电压变化。
在实验验证中，研究团队搭建了可控加热环境，通过单体电芯诱发热失控过程并同步采集声学、热学、电学数据。
实验结果表明，声学预警系统在安全阀开启前101秒即可识别到早期异常信号，在热失控爆发前791 s发出可靠预警，检测准确率超过90%，显著领先于传统传感预测手段。
声学监测技术以其非接触、低成本和高灵敏度的优势，为锂电池热失控预警提供了新的解决思路。该方法可与电池管理系统（BMS）深度融合，实现储能电站和电动汽车的实时声学健康监测。目前研发团队已启动多中心实验和工业化验证，为该技术的工程应用奠定基础。
配配查提示：文章来自网络，不代表本站观点。
