引言
随着可再生能源的发展，锂电池储能在电力系统中的应用日益广泛。然而，锂电池储能电站（Lithium Battery Energy Storage Power Station，LBESPS）的安全问题也随之凸显。锂电池具有高能量密度、长寿命、高效率和快速响应等优点，但在高温、过充或短路等极端条件下，可能会发生热失控现象，从而引发火灾或爆炸。这些安全隐患使得锂离子电池在储能系统中面临较高的风险。据统计，在2017年11月-2024年9月期间，全球范围内发生了90起锂电池储能电站起火或爆炸事故，且呈逐年上升趋势。例如，2021年4月北京市丰台区大红门国轩福威斯光储充技术有限公司储能电站在调试过程中发生火灾，随后突发无征兆剧烈爆炸，造成1名电工遇难、2名消防员牺牲，直接财产损失超过1600万元，经调查事故起因为南区磷酸铁锂电池内短路时缺乏有效预警而引发热失控，报警信号缺失的易燃气体经电缆沟扩散至北区遇电气火花爆炸。2024年5月的美国加州Gateway储能电站发生火灾，次日大火几乎被扑灭后电站电池又重新复燃，燃烧反复持续近两周，其主要原因为电池老化后安全风险急剧升高，但未能对电站故障进行有效预警和处理。这些事故不仅造成了财产损失，还可能危及人员安全，引发了对锂电池储能电站安全风险的广泛关注和研究。
锂电池储能电站发生起火事故后，高温导致的电池内部化学反应难以通过传统灭火手段抑制，加之储能电站内的空间布局复杂、火灾传播速度快，使消防扑救更加困难。更特殊的是，由于残余电能的释放和未被根除的化学反应，储能电站火情被控制后极易出现复燃现象，这使得消防救援的效果大打折扣。因此，基于事故后的消防手段无法彻底解决储能电站的安全问题，迫切需要转变思路，从运行过程中的安全风险预警入手，实时监测储能系统的潜在隐患，在事故发生之前采取有效措施，从根本上降低事故发生率。
我国政府已逐渐意识到储能电站安全运行的重要性，发布了一系列指导意见和技术标准，强调风险监测与预警的重要作用。国家能源局于2023年11月7日印发了《国家能源局综合司关于加强发电侧电网侧电化学储能电站安全运行风险监测的通知》（国能综通安全〔2023〕131 号），明确提出要增强运行风险监测及分析预警能力，又于2024年9月份先后印发《国家能源局综合司关于开展电化学储能电站安全生产情况摸底调查的通知》（国能综通安全〔2024〕128 号）文件和《国家能源局综合司关于开展电化学储能电站安全安全自查工作的通知》（国能综通安全〔2024〕134 号）文件，加强储能安全运行监管力度。近期，由国家工业和信息化部组织编制的《新型储能制造业高质量发展行动方案》（征求意见稿）也提到要把储能主动安全预警作为一个技术专项。正在编辑修订的新版《电化学储能电站设计标准》已经把储能主动安全预警写入标准中。
落实到具体区域，2023年11月，北京市经济和信息化局印发《北京市关于支持新型储能产业发展的若干政策措施》（京经信发〔2023〕94 号），山东省住建厅消防中心、山东电力工程咨询院主编《山东省建设工程消防设计审查验收技术指南（电化学储能电站）》同月发布。储能电站安全预警开始在山东省、内蒙古自治区、宁夏回族自治区等多个省份试点应用。各能源侧企业也发布了一系列强化文件，本着先行先试方针，三峡集团、华电集团、电建新能源集团、国家电投集团、龙源电力等企业纷纷建立子站储能主动安全预警模块或集团＋子站协同储能主动安全预警模块，后者以清华四川能源互联网研究院联合龙源电力等开展的鄂尔多斯电化学储能电站安全监测及管控平台建设项目为典型，预计项目建成后将成为鄂尔多斯市电化学储能安全监测及管控平台，实现区域储能电站的集约化安全监测和管理，填补政府在储能设施安全监管方面的手段空白，有效提升区域储能安全水平，降低储能安全风险。此外，山东省能源局委托国网山东省电力公司电力科学研究院建立储能评价平台，形成统一的电站三级评价体系，对拟接入的36个储能子站形成统一的监督管理。
尽管政策和行业均对锂电池储能电站安全问题和预警技术高度重视，但当前安全预警技术的应用与发展仍面临诸多挑战。首先是行业内对“预警”与“报警”的概念差异性未形成统一认知。预警技术应当能够在隐患初现时发出警示，以便采取措施排除风险；而报警技术通常在事故进入不可逆阶段时启动，主要用于紧急响应。当前许多锂电池储能电站将报警系统作为主要防护手段，忽视了预警的主动性和前瞻性，导致事故防控效率较低。市场上也有许多号称能够实现“预警”的技术产品，以专业性极强的理论原理迷惑储能电站投资方，但其产品实际上仅能实现“报警”的功能，这也引起了市场对“预警”技术的认可度下降。其次，行业内尚无对预警技术预警能力的准确厘定方式，也缺乏对安全风险预警的相关标准，导致不同预警技术在应用场景和工程实现上的差异性无法明确区分，产生对预警技术有效性和适用性的混淆。最后，市场上已出现多种锂电池储能电站安全预警技术，这些技术针对储能电站安全风险的预警各有侧重，但对这些技术在不同事故各发展阶段的应用效果缺乏系统研究，不同技术的优劣也尚未被行业充分理解。
从行业实践来看，少数企业开始了为锂电池储能电站安全风险预警作出尝试，如华为、天合储能等企业已在实际工程中部署预警技术，包括云BMS、多传感器融合以及机器学习算法等，对电芯电压、电流、温度等关键参数进行实时监测与早期风险识别，尽可能提升在事故全发展阶段预警的能力。在标准化与功能规范方面，行业也推动多项安全标准（如 UL、IEC、GB 系列）落地，部分企业也采取通过 TÜV、UL 等第三方认证的方式来增强产品可信度，但市场存在的技术宣传口径不一、功能界定不清等问题仍未得到解决。
基于上述背景，本文拟通过对锂电池储能电站不同安全风险源的分析，构建事故发展图谱，从中梳理现有锂电池储能电站安全风险预警的不同技术路线，系统比较各技术的优缺点及适用场景，为锂电池储能电站安全风险预警技术的市场选择提供科学依据。因此，本文第2节将详细探讨锂电池储能电站的不同安全风险源，从中构建安全事故发展图谱，并指出对应的信号特征和监测方式，在此基础上对事故发展不同阶段对应的警情通告概念加以剖析。第3节对市场上常见的安全风险预警技术进行介绍，并结合安全事故发展图谱对比不同技术的适用阶段和有效范围，确定各技术的优缺点。第4节统计分析预警技术在实际工程中的应用，结合实践情况说明安全风险预警技术的应用效果。第5节对本文内容进行总结，并在此基础上提出对锂电池储能电站安全风险预警的行业建议。
1 锂电池储能安全防护及事故发展图谱
锂电池储能电站安全风险预警技术立足于对储能电站事故发展过程中特征信号的监测和分析，而对事故发展的研究应当从安全风险源开始。本节首先分析了LBESPS安全防护的内涵，并总结了锂电池储能电站安全事故的风险源，然后从风险源出发提出了安全事故发展路径图谱，从中提取了不同事故发展阶段的信号特征，最后基于该图谱对“预警”、“报警”等警情通告概念进行了剖析和分辨。
1.1 锂电池储能电站安全防护内涵及风险源
LBESPS的安全性涉及整个系统，通常在多重风险源共同作用下引发缺陷，并逐步演化发展，最终导致热失控，形成火灾、爆炸等安全事故。因此，安全防护作为系统性工程，需要考虑本征安全、主动安全和被动安全三个层面（如图1所示）。
图 1 锂电池储能电站安全防护的内涵
Fig. 1 Connotation of safety protection for LBESPS
美国电科院在2024年的白皮书中建立了双轴分析（Biaxial Analysis）框架[24]，从事故根因和失效元素两个方面对电池储能系统的事故风险源进行了组合、比较和分析。该白皮书认为，电池储能系统的事故根因有四大类，分别是储能器件或系统的预定架构布局或功能的设计缺陷、储能系统器件的制造缺陷、储能系统器件集成和建设中的不当、储能器件或系统的超限运行；而失效元素可归结为三类，分别是电芯或模块等电池组件、电池管理系统（Battery Management System，BMS）或能量管理系统（Energy Management System，EMS）等控制系统、电池储能系统中除了电池组件和控制系统外的其他用于系统平衡（Balance of System，BOS）的设备。经过对提供的26起公开事故的风险源开展双轴分析，发现72%的故障发生在建设、调试或运营的前两年，集成和建设中的不当是最常见的事故根因，BOS和控制系统的故障占绝大多数，BOS的集成和建设不当则是出现概率最高的安全事故风险源组合。
双轴分析框架具有较高的分析能力，但对于事故发展路线研究而言，风险源组合偏多。本文对其进一步提炼，将锂电池储能电站安全事故风险源划分为四大类：电池本体缺陷、外部剧烈冲击、运行环境恶化以及管控系统失效。
电池本体缺陷：电池本体作为储能系统的核心部件，其自身的安全性直接关系到整个系统的可靠运行。电池制造过程中的瑕疵，如金属异物杂质、隔膜与极片对齐不良、极片损伤导致的毛刺等，极易导致电池内部短路。此外，电池制造中的某些缺陷会引发异常衰竭，容易诱发过充、过放等过程，也增加了热失控的风险。
外部剧烈冲击：包括绝缘失效和外部短路等造成的电流冲击、在运行前后受到机械冲击、受周边设备起火产生的热冲击等。电流冲击将直接导致电池局部迅速升温，并造成电池保护装置损坏甚至爆炸，进而引发保护装置附近的二次事故发生。机械冲击会破坏电池结构和外壳，或挤压引起隔膜破裂，引起电池异常衰竭、电解液渗漏或内短路（InternalShort Circuit，ISC）等故障。热冲击则直接诱发电池不可控温升，触发热失控导致火灾事故。
运行环境恶化：储能系统的安全运行环境包括合适的温度、湿度、盐度、粉尘度等。高温环境会加速电池老化，甚至直接引发热失控，而低温环境会大幅度增加电池析锂的风险，导致ISC发生。高湿高盐和粉尘环境都会降低电池系统的外部绝缘性能，加大漏电和外短路风险。
管控系统失效：BMS、EMS和储能变流器（Power Conversion System，PCS）是储能电站的核心管控系统，BMS负责电池的监测、评估、保护以及均衡等，对电池状态进行感知，EMS负责数据分析、网络监控和能量调度，起到决策作用，PCS担任执行角色，控制储能电池的充、放电过程，进行交直流的变换等。三者的可靠性直接关乎系统的安全运行。若 BMS关联的传感器失效，或三者本体发生故障，或三者以及电池之间信号传输失效，将导致电池的异常无法及时发现或处理，电池的运行可能出现过充或过放，均会增加安全风险。此外，冷却系统、消防系统等 BOS失效，也会在很大程度上加剧安全风险。
1.2 锂电池储能电站安全事故发展图谱及信号特征
图2是本文提出的锂电池储能电站安全事故发展图谱，其中展示了从各种安全风险源出发，经过不同路径逐步发展至内短路乃至热失控的过程，并给出了各步骤中电池状态的变化和可检测的特征信号。从图2可以看出，在储能电站安全风险发展的早期，通常是电池本体缺陷或管控系统失效带来安全隐患，如电池生产过程引入的金属异物导致的内短路风险、BMS信号采集缺失引起的过充风险等。在此阶段中，电池没有经过长期的运行，也没有其他的显著异常，难以对安全风险进行有效识别，但可以基于对运行数据的统计分析监测到管控系统失效。随着电池的长时间运行，伴随着可能出现的外部剧烈冲击或运行环境恶化，导致电池出现滥用，出现早期故障。在此阶段中，电池内部发生明显变化，可能出现产气、膨胀、开裂、析锂、微短路等现象，这些现象对电池的机械性能、电化学性能产生影响，可以被超声波、力传感器等检测到，在运行数据中也潜藏着风险信息。当这些滥用过程持续发展至严重内短路后，电池状态开始向热失控迈进，进入热失控早期阶段。此时电池内部剧烈产气，高气压引发电池开阀放气并发出响声，同时释放的还有反应生成的微粒子，这些过程产物能够被气体传感器、微粒子传感器、声信号传感器接收，运行数据也出现明显的波动。在此阶段末期，电压开始迅速下降，温度开始急剧上升，温度传感器能够感知到相关变化。等到温度上升过程变得不可控，电池正式进入热失控阶段，高温引起电解液蒸汽和产生的H2发生燃烧，进一步点燃电池的其他部件，生成浓郁的烟雾，甚至产生爆炸，烟雾传感器、火焰传感器等设备可以检测到这些信号。
图 2 锂电池储能电站安全事故发展图谱
Fig. 2 Safety accident development map of LBESPS
1.3 基于安全事故发展图谱的警情通告概念剖析
从安全事故发展图谱可以看出，安全隐患阶段和早期故障阶段的电池仅出现微小的性能波动，且所有特征信号变化缓慢，距离热失控尚有天级以上时间尺度的有效时间，在这两个阶段进行安全风险警情通告可实现对安全隐患进行有效的控制乃至消除，在此时使用的预警技术可称之为“安全风险预警技术”。如果在安全隐患阶段和早期故障阶段并未对潜在安全隐患进行有效管控，则安全风险进一步发展，进入热失控前期阶段。该阶段持续时间较短，通常在数分钟至数小时之间，在此阶段仅少量特征信号发生较大变化，利用这些特征信号可以发出警情通告，在安全事故发展到热失控阶段前对其进行遏制，在此阶段使用的预警技术可称之为“热失控预警技术”。若安全风险未能得到有效控制，任由其发展至热失控阶段，极短时间内立即起火冒烟乃至爆炸，此时仅能通过消防装置进行灭火除烟等善后工作，热失控造成的损失已无法挽救，在此阶段使用的预警技术事实上是“消防报警技术”。
2 锂电池储能安全风险预警技术对比
基于锂电池储能电站安全事故发展中各个阶段的信号特征，可以对安全风险进行预警。从信号来源上可以将预警技术分为舱体信号传感预警技术、电池信号传感预警技术、运行数据分析预警技术三大类。
2.1 舱体信号传感预警技术
在锂电池故障演化过程中，产生的微粒子和气体将释放至电池外部进入电池舱内，通过舱体内的传感器可以对微粒子和气体进行监测，因此基于气体和微粒子传感进行电池储能安全风险预警的技术是舱体信号传感预警技术。
2.1.1 微粒子信号预警技术
微粒子信号预警技术是对储能电池在运行过程中出现异常或故障时所释放的微小颗粒物（如金属粒子、电解液分解产物、气溶胶等）进行监测的一种预警技术。微粒子通常具有亚微米级的粒径，其信号能够反映储能电池的内部故障，是储能电池预警的重要信号之一。
根据锂电池储能安全事故发展图谱，微粒子信号主要发生在热失控早期，此时电池电极材料和电解液分解产生微颗粒和气溶胶，开始大量释放到电池外部，从而能够被外部微粒子传感器检测。一般而言，微粒子传感器常采用光散射技术或电阻式检测技术进行微粒子信号采集，前者监测微粒子对光的散射强度和分布，该结果与微粒子的浓度和尺寸密切相关，后者通过微粒子在气体中运动时的电阻变化来测量其浓度和尺寸。因此，微粒子信号预警技术与传统热失控监测采用的烟雾信号报警相比响应更快。
但从工程应用角度考虑，一方面微粒子信号受到湿度、粉尘等背景信号干扰严重，预警技术环境适应能力较差，另一方面产生微粒子时已是热失控早期，且微粒子从热失控电池释放到被传感器检测到尚需要一定的时间，此时电池事故已基本进入最后阶段，难以得到有效的控制。因此根据此前对警情通告概念的定义，微粒子信号预警技术最终仅能起到报警的效果。
2.1.2 气体信号预警技术
在锂离子电池热失控的早期阶段，电压、电流等参数的变化较为缓慢，电池温度的升高也并不显著，但当电池温度开始超过一定限度时，电池内部的化学反应会产生大量的气体，累积气压超过电池壳体阀门承压阈值后阀门打开，气体释放至外部环境中，如图3所示[28]。气体的释放通常在热失控前几十乃至数百秒发生，且气体的种类和浓度反映了热失控的演变过程，因此基于气体信号可以进行较精确和灵敏的热失控预警。
图 3 基于气体传感器、电压传感器和温度传感器的热失控监测结果
Fig. 3 Thermal runaway monitoring results based on gas,voltage and temperature sensors[28]
研究表明，电池热失控过程中产生的多种气体中，H2是最早被检测的气体。电池在老化过程中析出的锂会与电解液反应生成 H2，故而在电池开阀前其内部就以积聚了一定量的 H2。市场上常见的 H2传感器有电化学传感器和半导体传感器两种。电化学传感器通过化学电极上吸附 H2发生电化学反应产生电流来检测气体浓度，具有很高的选择性和精度，但电极吸附位点可能会被其他气体占据，从而导致传感能力下降，俗称“电极毒化”，因此电化学传感器寿命较短。半导体传感器利用气体在传感器表面发生化学反应来改变传感器电阻，以此检测气体浓度，该传感器对气体选择性较低，且对环境温度和湿度变化较为敏感，但寿命相对较长。此外，还有通过气体吸收特定波长的红外光来识别气体种类和浓度的红外线传感器和利用超声波穿过气体发生衰减来分辨气体浓度的超声波传感器，但前者成本较高，且仅适用于气体浓度较高的场景，后者对超声波衰减数据的分析需要强力的算法支持。
从工程应用角度来看，虽然气体信号预警技术是一种快速、简便、经济、有效的热失控预警方案，但仍有部分问题需要重视。首先是对气体传感器的选择，传统的气体传感器往往受到温度、湿度等环境的影响，对气体检测精度和传感器自身寿命也有一定的局限性，因此采用和开发新的气敏材料或技术，构建能够在室温下稳定运行、精确测量、快速响应的气体传感器，是提升气体信号预警技术能力的关键。其次是气体的扩散速度对预警时间的影响。与微粒子信号预警技术类似，气体从开阀释放到被检测到需要经过一定的时间，但气体（尤其是 H2）分子远小于微粒子，其扩散速度较快，故预警效果更为可靠。Shi等 通过对气体扩散行为的实验和仿真，确认安装在储能舱顶部的传感器可以在热失控前145s发出预警，且三个传感器的检测时间比单个传感器提前了116.43s。甄箫斐等的仿真结果也给出了类似的结论。即使如此，气体信号预警技术仍然只能在热失控前期发出预警，预警效果有限。
2.2 电池信号传感预警技术
BMS系统能够通过电池表面传感器感知电池表面温度、端电压和端电流等内部信号，然而在锂电池安全事故发展过程中还会存在电池膨胀、内部产气、开阀喷气等过程，可以通过力和声等信号进行灵敏的检测。因此，在电池表面嵌入相关信号传感器，原位监测电池内部信号，是市场上进行电池安全风险预警的重要方向。
2.2.1 热信号预警技术
电池温度是衡量其安全性最直接有效的指标。当温度过高时，电池存在加速老化、热膨胀、热失控等安全隐患，因此通过温度传感器直接监测电池表面温度，实时观测电池是否过热，是一种行之有效的预警方式。一般而言，热信号预警技术主要对温度传感器采集的温度数据作以下判断：（1）温度是否超出阈值上限，此为热失控的重要指标之一；（2）温升速率是否超出阈值上限，此为热失控的直接表现特征；（3）不同电池单体之间温差是否超出阈值上限，此为电池模块冷却系统失效的主要表现，也是部分电池异常衰竭的重要诱因。热信号预警技术已经广泛应用于锂电池储能系统中。常见的温度传感器有热电偶、电阻温度探测器（Resistance Temperature Detector，RTD）和热敏电阻（分为 Positive Temperature Coefficient，PTC和Negative Temperature Coefficient，NTC 两类）。热电偶是一种通过测量不同金属接点之间的电压差来判断温度变化的温度传感器，响应速度快、量程宽，适用于检测极端温度范围。RTD是一种利用金属（通常是铂）的电阻随温度变化而变化的特性来测量温度的传感器，精度高、线性好，适用于对温度要求较高的储能系统。热敏电阻根据温度变化改变其电阻值，通常用于监测较小范围的温度变化。
在实际应用中，热信号预警技术所依赖的温度传感器在长时间使用或温度波动较大时会出现漂移或失效，因此使用寿命较短。同时，当温度和温升速率超限时，电池已经基本进入热失控阶段，热信号预警技术无法提供足够的反应时间用于消除安全风险，因此该技术仅能起到报警作用。
2.2.2 声信号预警技术
声信号预警技术主要分为两类，一类是通过检测电池开阀放气时排气声进行预警，另一类是在电池表面安装超声探测器来进行预警。前者应当归属于舱体信号传感预警技术，在舱体中安装声音传感器，利用空气中340m/s的声速来即时获取电池开阀信号，响应速度远超微粒子信号和气体信号。但该技术的弊端也很明显，受到环境噪声的干扰十分严重，且声信号的穿透能力较弱，难以穿过层层堆叠的电池模块，故而该技术应用较少。
使用超声探测电池内部变化是一种新兴的检测技术。一般而言，该技术需要在电池表面安装两个压电圆盘传感器，分别用作激发器和接收器，前者产生超声波信号，后者接收穿过电池内部并反射回的信号，如图4所示。因为超声波在固体和液体中衰减较低，但在气体中衰减速度非常快，且对微小形变十分敏感，因此当电池发生膨胀，或内部出现气泡或裂缝时，能够通过超声波的变化迅速识别故障。但显而易见，对复杂变化的超声波信号的分析能力决定了该技术的检测效果。超声波可以在安全隐患阶段和早期故障阶段就探测到电池的异常，提前感知安全风险，因此是一种非常有效的安全风险预警技术。
考虑工程实际，两个主要的困难限制了超声波预警技术在锂电池储能电站中的应用推广。一是技术成本，超声波传感器需要发射和接收超声波，内部结构十分精密，复杂的超声波信号分析也需要更强大的信号处理系统，这些都增加了该技术的应用成本；二是传感器安装难度较大，不同于其他电池表面传感器安装于任意位置差别不大，超声波传感器有两个装置，二者的安装位置相当讲究，通常与信号分析算法相适应，传感器安装位置不当会对检测结果产生影响，这也严重影响了该技术的大规模应用。
图 4 锂电池超声波检测装置原理图与信号图
Fig. 4 Schematic and signal diagram of the lithium battery ultrasonic detection device
2.2.3 力信号预警技术
在电池内部发生机械损伤、产气膨胀、开阀放气等过程时，电池表面的机械力也随之异常变化，因此可以采用力信号进行安全风险预警。通过在电池的关键部位（如电池外壳、电池组装体、端子等）安装力传感器，实时监测电池所承受的力学参数，与正常运行时的力信号进行对比，信号异常变化时表明电池存在安全风险。
力信号传感器一般分为两类，一类是压电或压阻传感器，采用压电材料将外部压力转换为电信号进行采集；另一类是应变式传感器，感应电池外壳或其他结构的微小形变。前者适合检测较大的力变化或力冲击，后者则对微小力响应敏感。
力信号传感预警技术可以准确探测电池产气膨胀、外部力冲击、开阀放气、模块力均衡等过程，在早期对电池的安全风险进行预警，且具有较高的精度，是一种强大的安全风险预警技术。但同样的，复杂的力信号需要更先进的信号处理系统才能更准确的进行故障识别。
在工程应用上，力信号传感器受到温度、湿度、振动等环境因素的影响非常严重，高精度、高灵敏度的力信号传感器成本也较高，因此难以进行推广应用。
2.3 运行数据分析预警技术
锂电池储能电站在运行过程中产生了大量的时序电压和电流数据，通过这些数据挖掘储能电站内部的安全风险，及时发现电池运行中的异常或潜在故障并提出预警，可以有效避免电池和系统的故障乃至安全事故。利用运行数据分析进行安全风险预警的技术是当前锂电池储能电站中使用最广泛、前景最广大的预警技术。结合历史运行和实时运行数据，该预警技术可分为基于模型的算法、基于统计分析的算法和基于机器学习的算法三大类。
2.3.1 模型算法
最早的安全风险预警方法是基于知识的方法，通过专家经验、规则库或故障树等先验知识进行风险评估。后续逐渐将这些知识转化为基于数学和物理的电池模型，基于对电池运行机理、经验、特征的理解，构建能够反映电池运行过程中安全风险相关的模型，由模型的参数和状态来反映风险和故障。根据物理场的不同，用于电池故障诊断和安全风险预警的模型包括经验模型、等效电路模型（Equiva-lent Circuit Model，ECM）、热模型、电化学模型以及多物理场耦合模型等，其中ECM因其精度可接受、计算简单、方便快捷而广泛应用于现有的锂电池储能电站中。
ECM 通常由代表开路电压（Open Circuit Volt-age，OCV）的理想电压源、代表电池动态特性的电阻-电容（Resistance-Capacitance，RC）回路和代表内阻的电阻组成，以电流为输入，端电压作为输出。ECM可以根据电池运行数据计算电池SOC、SOH、直流内阻等重要参数，从而判断电池是否存在异常衰竭等安全风险。在此基础上，可进一步建立ISC故障模型，确定ISC电流、ISC电阻等参数作为ISC的量化指标。此外，采用结构分析方法计算ECM残差，可以检测各种传感器和冷却系统的故障。
模型算法的精度严重依赖于模型本身对复杂电池体系的吻合程度。模型与电池体系约相似，模型复杂度越高，则模型精度越高，但同时模型计算量也越大，响应时间也越长。因此在当前的工程实践中，仍折衷选用ECM来对电池状态进行模拟。在安全风险预警中，ECM能够对内短路、容量异常衰竭等故障进行快速识别，但受到模型本身复杂度的影响，对其他风险的预警能力略有不足，需要结合其他算法共同进行。
2.3.2 统计分析算法
统计分析算法是对电池运行中的大量数据进行统计分析，利用各种统计方法诊断出电池中的故障和风险状态，从而进行预警的方法。常用的统计分析算法包括相关系数法、经验模态分析（EmpiricalMode Decomposition，EMD）、局部离群因子（Local Outlier Factor，LOF）和信息熵方法等。
相关系数法可用于判断两条曲线的趋势是否匹配，因此可以根据相关系数和运行数据差的变化来检测传感器故障、连接故障和短路故障等。EMD将运行数据分解为不同频率的固有模态函数，当产生安全风险时，电池的相频特性也会发生变化，通过分析相应的频带可以识别出风险单元。离群点检测是通过距离或密度测量发现与预期模式不一致的异常行为，它不需要数据的具体分布就可以量化每个数据点的离群程度，可以检测出如管控系统失效、电池单体状态显著异常等风险。信息熵方法可以衡量时间序列数据的随机性或无序程度，以捕捉异常波动，Mao等就采用样品熵建立了基于运行数据极值的内短路和外短路风险诊断方法，Shang等人也通过使用移动窗口评估电池运行数据序列的修正样本熵来诊断和预测不同的早期电池故障。
通常，统计分析算法仅从电池运行数据中提取有用的特征用于安全风险监测，而不需要建立精确的电池分析模型，因此该方法适合多重安全风险的诊断，提高预警技术的整体性能。但是，对于某些具有相似的响应的安全风险和微小故障问题，统计分析算法的识别精度大幅度下降。
2.3.3 机器学习算法
机器学习算法是通过在线训练和改进来更准确地实现潜在的安全风险预警的方法。从广义上来说，机器学习算法是一种通过利用数据进行训练，赋予计算机学习能力并以此让它完成直接编程无法完成的预测任务的方法。参与训练的数据量越大，机器学习的效果越好，预测也就越精确。因此机器学习算法往往和大数据相关联。大数据是指无法在一定时间范围内用常规程序进行管理和处理的数据集合，其核心是利用海量数据的价值，机器学习算法就是大数据分析的关键技术。
常用的安全风险预警机器学习算法有人工神经网络（Artificial Neural Network，ANN）、长短期记忆（Long Short-Term Memory，LSTM）、支持向量机（Support Vector Machine，SVM）等。这些算法能够揭示运行数据中潜在的相关性和因果关系，从看似波澜不惊的数据中挖掘出潜藏在深处的风险隐患，并据此对安全风险进行预警。当然，这些算法提高了安全预警技术的准确性、预测效率和持久性，但仍依赖于最合适的超参数、训练算法和激活函数，以降低计算复杂度。
机器学习算法能够提供精确的安全风险预警，但是需要大量的故障和风险运行数据进行提前学习。而在实际工程应用中，往往难以收集到的大规模的高质量电池风险数据，且复杂的机器学习算法通常也需要较大的计算资源，因此需要对所提供的机器学习算法进行仔细甄别，确认其功能与效果。
2.4 各预警技术的比较
上述的各种预警技术在锂电池储能电站安全风险发展过程中的不同阶段进行监测和预警。在工程应用上，需要综合考虑各预警技术的寿命、经济性、装配容易度、预警效果和技术容易度，不同预警技术的对比结果如图5所示。
图 5 不同预警技术的工程对比
Fig. 5 Comparison of different early warning technologies in engineering applications
由图5可以看出，在上述预警技术中，基于运行数据的预警技术具有最大的工程优势，同时也伴随着极高的技术门槛。因此，当前市场上出现了一些乱象，许多预警技术供应商通过对“大数据”、“机器学习”、“人工智能”等概念进行过度宣传和混淆，使得行业内出现信息不对称，给储能电站投资方带来困扰。
很多供应商号称使用了“大数据”或“机器学习”，但技术和产品并没有真正达到相应的水平，仅能对传感器采集的数据进行收集和展示，无法对大规模、多样化、高速增长的数据集进行深度存储、处理、分析和应用。由于缺乏统一的数据采集标准和规范，许多供应商在强调“大数据”、“机器学习”时，忽略了数据的质量保障和标准化，也使得所谓的“机器学习”预警技术难以发挥应有的效果。更有甚者，有些供应商可能仅仅具备设定几个阈值来检测电池异常的能力，并没有真正采用机器学习算法，却声称其拥有“大数据分析能力”，在推广时过度包装产品，扰乱市场。而由于技术壁垒的存在，以及机器学习算法的“黑箱性”，预警技术供应商也以此为借口拒绝解释预警功能的实现方式，进一步降低了投资方的信任，还可能导致人工误判，影响实际操作中的决策。因此，为了确保锂电池储能电站在实际运行中能有效应对各种潜在风险，提升电站的可靠性和安全性，本文建议对基于大数据的机器学习预警算法制定详细的功能规范，包括训练数据来源与质量的相关规定、算法预警的对象和有效性论证、第三方检测报告等，提高相关技术的数据质量和标准化水平，帮助投资方深入了解技术供应商的实际能力，增强投资方对相关技术的信任，规范市场环境。
3 锂电池储能安全风险预警技术工程应用
当前，多种锂电池储能安全风险预警技术各具特色，其优缺点并存。因此，在工程实践中，通常会综合考量，选择一种或多种预警技术进行应用。本部分将对锂电池储能安全风险预警技术在工程应用中应遵循的标准规范进行探讨，并对已知的锂电池储能电站工程中所采用的安全风险预警技术进行统计分析。最终，本研究团队将展示其研发的基于运行数据分析的预警技术在多年实际应用中的检测结果。
3.1 锂电池储能安全风险预警在工程应用中的标准规范
在工程应用中，锂电池储能安全风险预警的标准规范是确保预警技术科学性、有效性和可操作性的基础和重要依据。目前，国内外关于锂电池储能安全风险的标准主要包括UL标准、IEC标准以及我国国家及行业相关标准等，这些标准规范为安全风险预警技术的实施提供了指导框架。
国际标准对锂电池储能安全的要求主要集中在电池本体、管控系统的长期有效性和消防措施的及时应对上。北美采用的功能安全标准主要有《UL1973: 2022 Batteries for Use in Stationary and MotiveAuxiliary Power Applications》和《UL 9540: 2020 Standard for Energy Storage Systems and Equipment》，对系统安全作出了危害等级划分。欧盟则主要采用《IEC 62619: 2022 Secondary cells and batteries containing alkaline or other non-acid electrolytes-Safety requirements for secondary lithium cells and batteries, for use in industrial applications》 和《IEC62933-5-2: 2020 Electrical energy storage(EES) systems- Part5-2:Safety requirements for grid-integrated EES systems- Electrochemical-based systems》对电池系统和储能电站的安全风险进行综合评估与衡量。
我国的国家标准首先参考了国际标准，在锂电池储能电站的本质安全和消防安全上进行了严格的管理。《电力储能用锂离子电池》（GB/T36276-2023）《电力储能用电池管理系统》（ GB/T34131-2023）《电化学储能电站危险源辨识技术导则》（GB/T 42314-2023）《电力储能用锂离子电池监造导则》（GB/T 43522-2023）《电化学储能电站安全规程》（GB/T 42288－2022）等推荐性国家标准提出了重要的指导建议，《原电池第4部分：锂电池的安全要求》（GB 8897.4-2008）《电化学储能电站设计规范》（GB 51048-2014） 和《电能存储系统用锂蓄电池和电池组安全要求》（GB 44240-2024）等强制性国家标准更对锂电池储能电站中重要的安全风险源进行了强制规定。除此以外，我国基于工程实践的经验，开始重视锂电池储能电站的运行过程监控安全，相继发布并实施了《电化学储能电站监控系统技术规范》（GB/T 42726-2023）《智能电化学储能电站技术导则》（GB/T 44133-2024）《电化学储能电站安全监测信息系统技术导则》（GB/T 44767-2024），明确电化学储能电站安全监测信息系统应当具备的基本功能，包括数据采集与分析、异常诊断和故障报警等，给出不同信息报送的时间频次要求，加强对锂电池储能电站主动安全的引导和管理。
在具体的工程实践中，需要根据储能电站的实际情况落实上述标准规范，确保工程中采取的预警技术符合相关规定，特别注意根据工程的具体要求选择合适的传感器、预警系统和数据平台，制定详细的实施方案，确保风险预警技术在实际应用中发挥有效作用。
3.2 锂电池储能安全风险预警技术在工程应用中的统计分析
随着我国锂电池储能电站的迅猛发展，安全风险逐渐成为储能电站的关键控制因素，安全风险预警技术亦在储能电站中获得了广泛应用。为确保消防安全，所有储能电站均无一例外地采用了热信号和气体信号预警技术。此外，国家电投海阳100MW/200MWh储能电站采纳了微粒子信号预警技术以进行安全风险预警，大唐东营广饶盐化120MW/240MWh电化学储能项目综合运用了开阀声信号、阻抗谱分析以及机器学习算法的运行数据分析预警技术，而三峡能源乌兰察布550MW/1100MWh风光配储场站则配置了融合模型、统计分析、机器学习等多元分析方法的运行数据分析预警技术。根据对合作伙伴的数据统计，目前在运行和已规划的部分锂电池储能电站中，各类预警技术的应用比例如图6所示。
图 6 不同安全风险预警技术在锂电池储能电站中的应用占比
Fig. 6 Application proportion of different safety risk early warning technologies in LBESPS
统计分析揭示，热信号与气体信号预警技术的采纳率达到了100%。这一现象可归因于温度与特征气体作为电池热失控的直接指标，它们能够在一定程度上提供有效的热失控预警，或作为热失控信息的报警信号。相对地，超声信号与力信号预警技术的采纳率为0%，这表明这两种预警技术的成熟度及预警效能尚未达到可忽略其附加信号传感器高昂成本的水平。少数储能电站采用了开阀声信号预警技术，原因在于在电池舱体内安装少量声信号接收器的成本较低，且能在电池开阀时提供一次预警，从而增加一层安全风险防护，因此该技术也获得了相当程度的青睐。大多数储能电站声称采用了运行数据分析预警技术，特别是大数据机器学习算法，然而由于市场上相关产品的质量参差不齐，其真实性和有效性仍存疑。值得注意的是，微粒子信号预警技术的高采纳比例，这反映出众多储能电站已经认识到传统消防措施的局限性，并愿意采用新技术对热失控进行早期预警。然而，这也表明市场对微粒子信号预警技术的理解仍停留在宣传层面，易受产品营销影响，尚未形成对安全风险预警技术的深刻理解，在选择预警技术时存在一定程度的盲目性。
3.3 运行数据分析预警技术在实际工程案例中的应用结果
主动安全位于本征安全和被动安全之间，通过在线监测实时数据来识别潜在风险和早期故障并发出预警，是最重要的安全防护措施。本研究团队首次提出了LBESPS三级主动防控体系，涵盖风险源识别、电池故障监测和热失控预警，逐步降低事故发生的可能性。在风险源识别方面，重点关注电池内部析锂、隔膜损伤、内短路等电芯级别隐患，以及BMS通信异常、传感器失效等系统级故障。电池故障监测的核心参数则包括单体和簇电压、温度梯度、SOC估算偏差、内阻偏差、参数不一致性等，并设定多级阈值触发预警。热失控预警则是通过特征气体浓度、温度增长率等多维度判据，实时触发声光报警并推送处置指令至运维人员。同时，团队开发了100%自主知识产权的基于运行数据分析的风险预警算法，构建“预警-控制-运维”的闭环防控体系，基于评估预警信息提供智能运维策略，及时消除安全风险，降低严重事故的风险，如图7所示。
本研究团队运用运行数据分析预警技术，与超过4GWh的锂电池储能电站合作，开展安全风险预警工作。监测范围包括电池本体、BMS以及冷却系统。截至2024年12月，共识别出1178次安全风险事件，其中主要风险包括BMS失效、制冷设备故障、设备连接松动以及电池异常。相关数据及分析结果如图8所示。统计分析结果显示，在锂电池储能电站中，BMS的失效构成了主要的安全风险，其数量显著高于其他类别。特别是NTC传感器失效和电池均衡功能失效的风险概率尤为突出，成为锂电池储能电站中最为关键的安全隐患。
图 7 全站级主动安全三级防控体系
Fig. 7 A station-level three-tiered proactive safety protection system
图 8 检出安全风险统计
Fig. 8 Statistics of detected safety risks
通过审视锂电池储能电站安全事故的发展历程（图 2），可以发现，管控系统的失效将导致电池持续的过充和过放现象，进而逐步引发包括析锂、膨胀、产气、微短路等在内的安全问题。这些安全问题最终会表现为电池的异常衰竭和内部短路等现象。然而，在图8的统计数据中，电池异常仅占极小比例。这一现象表明，本研究团队开发的运行数据分析预警技术能够在 BMS 失效这一安全风险的源头进行有效的监控和预警，避免了风险进一步发展至电池异常阶段才发出预警信号。这进一步证实了该技术在预警方面的高效性和提前量的显著性。
以山东省某100MW/200MWh集中式储能电站为例，本研究团队开发的运行数据分析预警技术在电池舱中检出了多次故障，如图9所示。比如监测到某电池簇电压与其他电池簇相比存在显著差异，偏离了正常范围，进一步数据分析发现，BMS未能有效均衡电池单体之间的电压差异，才导致了簇电压异常变化，于是发出预警信号。随后的现场检修记录也确认了BMS均衡失效故障，证明了故障诊断的准确性。在该储能电站中还检出了电压和温度异常的故障。从数据上看，某电池簇采集过程中出现了65535通讯异常，部分单体电压采集结果也存在明显偏离电池电压合理值的趋势。部分电池簇的温度数据也发生异常波动，系统温度控制出现了失效风险。在发生预警信号后，现场工作人员进行了即时检修，确定电压异常的原因是控制设备更换后接线松动所导致，温度异常则是由NTC传感器故障引发。
图 9 山东省某电站故障统计
Fig. 9 Fault statistics for an LBESPS in Shandong Province
总体而言，通过及时检测和诊断储能电站系统故障与潜在风险，及时发出预警并采取检修措施，能够极大程度确保储能系统的稳定和安全运行。
4 结论与建议
本文围绕锂电池储能电站安全风险预警技术，对安全事故风险源进行了分析，构建了安全事故发展图谱，介绍了不同安全风险预警技术并对比了优缺点，分析了工程应用中使用安全风险预警技术的标准规范和统计结果，为市场选择锂电池储能电站安全风险预警技术提供了技术和样本支持。
根据本文的研究发现，锂电池储能电站的安全事故往往呈现出多阶段的演变过程，每一阶段的特征信号特征有所不同，因此为了确保全面的安全，可以采用多种预警技术的互补，覆盖锂电池储能电站的不同安全风险。同时，运行数据分析预警技术，尤其是机器学习算法在储能电站预警中具有巨大的潜力，需进一步推广和提升该技术的应用能力，但也要注意到这些技术在实际工程中的有效性和可操作性，如面临数据不完整、迁移能力差等实际问题，因此在应用时需更加注重预警技术与工程实践的结合，考虑多重影响因素，增强预警技术的鲁棒性与容错能力。此外，面对市场上对基于大数据的机器学习预警算法的宣传乱象，必须制定详细的功能规范进行标准化管理，行业协同制定统一的技术标准和评估体系，确保算法的可解释性、透明性和实际应用效果，提升有效的安全预警技术的市场竞争力。
作者简介
第一作者：王黎明，1963-，男，教授，博士生导师，研究方向为高电压外绝缘、特高压输电、电磁环境及电工新技术等。
第二作者：史梓男，1978-，男，正高级工程师，清华大学电机系硕士，研究方向为电力系统储能主动安全。
第三作者：李棉刚，1988-，男，工程师，厦门大学电化学博士，研究方向为电化学储能机理、运行机制与安 全管理。
声明：本文摘录整理自《南方能源建设》学术期刊刊发的论文《锂电池储能电站安全风险预警技术及工程应用综述》，未经授权，不得转载。
参考文献：原文链接
碳索储能网 https://cn.solarbe.com/news/20251022/50010741.html
