在過去十年中，鋰電池已成為最受歡迎的儲能電池。但他們很容易受到熱失控的影響。當環境溫度高或發生某些內部故障時，很容易著火或發生熱爆炸。

這是因為鋰金屬具有高反應性，常用的電解質是易燃的。目前，大多數跟蹤鋰離子電池溫度的技術都不充分，因為傳感器只能讀取電池的外表面溫度，但是，表面溫度不足以告訴電芯的內在狀態。內部溫度會提供更多關于熱力學的信息。

但是，目前很少有方法將傳感器放在電池內。通過使用人工智能和機器學習，就可以預測細胞內的溫度，從而能夠檢測其行為。內部溫度將提供豐富的數據，供給機器學習方法，并結合數學模型來預測細胞內部正在發生的事情。

堪薩斯大學的一項研究人員正在開展一項新的研發：開發機器學習技術，以監測和防止鋰離子電池過熱。

該研究將開發一個基礎框架，用于表征和監控鋰電池系統的空間和時間分布的熱行為，建立在第一原理建模，機器學習，分布式估計和網絡系統的多學科綜合思想的基礎上。

這項工作旨在推動以下方面的進步：

一種混合建模方法，集成了基于第一原理和數據驅動的機器學習模型;

基于混合模型的最優估計和機器學習理論;

基于混合模型的原理，算法和工具，用于溫度場重建和熱失控檢測。

小編獲悉，其將使用完全儀表化的PECSBT4050電池測試儀，通過理論分析，基于軟件的仿真和實驗驗證的混合，對模型和算法進行嚴格評估。

該項目負責人表示，計算機學習技術可以預測電池內部溫度的變化，而不是在整個電池中假設溫度均勻，就像現在的建模方法“集總參數模型”一樣，從而更加準確和真實意味著計算電池發生熱失控的可能性。

當充電或放電時，溫度分布不均勻，通常在電極附近內部較高，但是表面外的溫度較低。集總模型僅考慮均勻的溫度分布，但通過機器學習和模型的方法可以提供溫度的時空重建。

鋰電池輸入人工智能以推斷內部溫度的數據可以在由電池供電的設備中處理，或者與云計算相關聯。如果電池經歷熱失控，則設備將被編程為在電池變得足夠熱以引起火災或引發爆炸之前關閉或斷開電池。

通過這些創新，鋰電池可以通過將數百個電池捆綁在一起的電池擴大到更高的工業水平。據介紹，鋰電池技術越來越多地用于大規模電網，以儲存和釋放太陽能和風能等可持續技術產生的電力。

對于大型儲能系統來說，問題更加迫切，因為它們面臨更高的漏洞。在大型系統中，如果一個小區發生火災，那么多米諾骨牌效應將破壞整個系統。如今，整個行業都在考慮開發基于鋰電池系統的大規模儲能。但熱安全問題可能會減緩鋰電池在未來電網能源系統中的使用速度。如果成功完成，這個項目可以幫助應對這一挑戰。