在过去十年中，锂电池已成为最受欢迎的储能电池。但他们很容易受到热失控的影响。当环境温度高或发生某些内部故障时，很容易着火或发生热爆炸。
这是因为锂金属具有高反应性，常用的电解质是易燃的。目前，大多数跟踪锂离子电池温度的技术都不充分，因为传感器只能读取电池的外表面温度，但是，表面温度不足以告诉电芯的内在状态。内部温度会提供更多关于热力学的信息。
但是，目前很少有方法将传感器放在电池内。通过使用人工智能和机器学习，就可以预测细胞内的温度，从而能够检测其行为。内部温度将提供丰富的数据，供给机器学习方法，并结合数学模型来预测细胞内部正在发生的事情。
堪萨斯大学的一项研究人员正在开展一项新的研发：开发机器学习技术，以监测和防止锂离子电池过热。
该研究将开发一个基础框架，用于表征和监控锂电池系统的空间和时间分布的热行为，建立在第一原理建模，机器学习，分布式估计和网络系统的多学科综合思想的基础上。
这项工作旨在推动以下方面的进步：
?一种混合建模方法，集成了基于第一原理和数据驱动的机器学习模型;
?基于混合模型的最优估计和机器学习理论;
?基于混合模型的原理，算法和工具，用于温度场重建和热失控检测。
高工锂电技术与应用获悉，其将使用完全仪表化的PECSBT4050电池测试仪，通过理论分析，基于软件的仿真和实验验证的混合，对模型和算法进行严格评估。
该项目负责人表示，计算机学习技术可以预测电池内部温度的变化，而不是在整个电池中假设温度均匀，就像现在的建模方法“集总参数模型”一样，从而更加准确和真实意味着计算电池发生热失控的可能性。
当充电或放电时，温度分布不均匀，通常在电极附近内部较高，但是表面外的温度较低。集总模型仅考虑均匀的温度分布，但通过机器学习和模型的方法可以提供温度的时空重建。
锂电池输入人工智能以推断内部温度的数据可以在由电池供电的设备中处理，或者与云计算相关联。如果电池经历热失控，则设备将被编程为在电池变得足够热以引起火灾或引发爆炸之前关闭或断开电池。
通过这些创新，锂电池可以通过将数百个电池捆绑在一起的电池扩大到更高的工业水平。据介绍，锂电池技术越来越多地用于大规模电网，以储存和释放太阳能和风能等可持续技术产生的电力。
对于大型储能系统来说，问题更加迫切，因为它们面临更高的漏洞。在大型系统中，如果一个小区发生火灾，那么多米诺骨牌效应将破坏整个系统。如今，整个行业都在考虑开发基于锂电池系统的大规模储能。但热安全问题可能会减缓锂电池在未来电网能源系统中的使用速度。如果成功完成，这个项目可以帮助应对这一挑战。
