新能源汽车安全事故主要由动力电池热失控引起，但热失控的原因错综复杂，事故源头难以明确。目前，我国动力电池行业经过十多年积累已经有了很大提升，特别是在对动力电池的理解和认识方面，应对目前电动汽车的电池使用是能胜任的。
当环境温度高或发生某些内部故障时，锂电池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。
不过，王子冬还表示，需要认识到动力电池的开发需要多学科协调推进，需要整车企业、电池企业、材料企业增强沟通和合作，在多个层面上提高动力电池的整体安全性。如果说动力电池将着火放在安全考量的首位，那么消费类软包电池的漏液和腐蚀问题，则是业界较难克服的顽疾。
深圳前海久禾科技的电池安全监测设备服务于华为、三星等终端用户，负责人李永刚介绍说，利用先进的光离子化技术传感器，来捕捉电解液中的有机分子，进而判断电解液是否泄漏，这一过程可信赖度高，更容易追踪测试数据，也有利于测试结果的分类处理。因此，对电池微短路、漏液和腐蚀问题的管控不仅要从电池配方和工艺上入手，还要借助先进的探测技术来确保隐患电池不流入市场。
对此，目前，美国堪萨斯大学的研究人员正在开展一项新的技术：开发机器学习技术，以监测和防止锂离子电池过热。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。
项目负责人表示，计算机学习技术可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。
