图1 电池温度场测量、感知与重构技术框架
Fig.1 Technical framework for battery temperature field measurement, sensing, and reconstruction
摘要 近年来，锂离子电池凭借其高能量密度、快速响应和长循环寿命等优势，逐渐成为新能源汽车和规模化储能领域的核心能量载体。然而，应用场景和运行工况的复杂且恶劣，使得电池温度监测和感知能力不足，严重制约了新能源汽车及储能系统电池的热安全性和稳定性。温度场重构技术作为一种通过融合多源温度测量、高精机理模型与深度智能算法，对目标域内温度场分布特性进行高精反演与动态建模的全域时空感知关键技术，能够实时获取复杂场景下电池温度场的时空分布形态及演变规律，为实现电池热安全主动防控提供了解决方案。因此，该文系统地综述了电池温度场测量、感知与重构技术研究进展，围绕温度测量，对比分析了接触式与非接触式温度监测技术优势及适用场景；围绕温度感知，重点探讨了电池电化学-热耦合模型、电热耦合模型及电化学阻抗法的建模机制与优化策略；围绕温度场重构，总结分析了基于数据驱动和模型-数据联合驱动两类算法的重构机制与效果，并凝练了待解决的关键问题与未来发展方向。
关键词：锂离子电池 温度测量 温度感知 温度场重构
随着全球能源结构转型，以电化学电池为核心的新型储能技术正面临重要发展机遇与挑战[1-2]。其中，锂离子电池凭借其高功率密度、长循环寿命和快速能量响应等优势，已成为新能源汽车及规模化储能电站的主流能量载体[3]。然而，随着电池应用场景的不断拓展以及运行工况条件日趋复杂，锂离子电池热性能逐渐成为影响新能源汽车及储能系统高效和安全的关键因素[4]。例如，当新能源汽车电池处于高倍率运行或高环境温度工况时，其自身产热量急剧增长，同时与外界的换热能力受限，导致温度迅速升高，综合性能下降，甚至可能诱发热失控等安全事故[5-6]；而当处于低倍率或极端低温工况时，电极电化学反应速率和离子电导率显著降低，加剧电池极化，造成内阻增大，端电压与可用容量大幅衰减[7-8]。在此类动态多变的热-电耦合环境下，仅依靠局部关键发热处（如极耳）的测温手段易造成热管理响应滞后[9]。此外，在规模化储能电站中，大量电池簇密集排列，内部热积累与传播路径更为复杂，现有离散化监测方式难以全面覆盖全域温度变化，进一步增加了系统热失控蔓延的风险[10]。长此以往，锂离子电池性能、寿命及安全将很难符合现有新能源汽车和储能电站服役标准，使用年限也远低于美国先进电池联盟[11]（United States Advanced Battery Consortium, USABC）预期的10年服役寿命。为此，国家发改委联合国家能源局于2024年3月正式发布《“十四五”新型储能发展实施方案》，明确将储能电池热管理列为关键技术攻关方向[12]。
锂离子电池高效热管理的前提是电池温度精准测量与感知。当前，电池温度测量方法主要分为两类。第一类是非接触式间接测温技术，例如红外测温仪[13]、红外热成像及光纤测温[14]（非接触模式）等。非接触式温度测量技术通过建立物体温度和待测变量（如红外辐射强度、光波长等）间映射关系，从而实现对物体温度的间接测量，适用于快速、远距离及恶劣环境下的温度检测需求，但极易受环境辐射及表面发射率等外界因素干扰。第二类是接触式直接测温技术，例如热电偶[15]、热电阻[16]、光纤及声表面波传感器[17]等。接触式温度测量技术通过传感器与被测物体直接接触，基于热传导或热平衡原理实现物体测温，适用于高精度、静态或近距离测试场景。然而，随着电池复杂工业和科研场景的不断拓展，传统基于单点、局部检测的温度测量技术逐渐无法满足多维度、高动态的场景测温需求，无法为电池温度感知提供足够数据。温度场重构技术作为连接“局部离散测温”与“全局连续感知”的桥梁，正逐渐成为电池热管理领域的研究热点和技术难题。
电池温度场重构作为锂离子电池热管理系统的关键技术，其核心在于通过有限测点的温度信息输入，结合先进反演算法与热力学模型，实现电池全域温度场的可视化表征与动态重构[18]。该技术通过融合多源温度测量数据与高精度计算模型，能够突破传统点式测温的空间局限性，为电池热安全预警提供全域温度分布信息。目前，国内外学者在温度场重构领域已取得系列研究进展，研究成果主要聚焦于温度场重构精度、测点配置优化以及误差补偿等方面。例如，Liu Zeyu等[19]引入了Transformer-GPR(Gaussian process regressor)计算框架，实现了对电池温度场的准确模拟，温度序列的预测误差低至0.037℃。Zhou Yu等[20]基于数据驱动式极简传感方法，通过优化单个传感器位置实现了对软包电池温度场的整体重构与预测。Wang Xin等[21]将遗传算法引入到间隙本征正交分解（Proper Orthogonal Decomposition, POD）方法中，实现对温度传感器数量的优化。进一步，Wang Yong等[22]提出一种以最小化时空建模误差为目标的差分进化算法，兼顾传感器全局探索和局部开发能力，实现了传感器位置布局优化。相较于遗传算法，该算法将温度场重构精度显著提升约50%。
由此可见，温度场感知与重构技术正成为电池热安全管理领域核心与研究热点。鉴于此，本文聚焦锂离子电池温度场测量、感知与重构技术，系统梳理了当前主流电池温度场测量方法及其优劣势，对比分析了电池温度场感知方法与精度，重点论述了电池温度场重构模型和算法方面研究进展，讨论分析了温度场重构方面技术瓶颈及关键问题。具体综述框架如图1所示。图1中，“测量”过程是为了获取电池离散温度点数据，是感知的基础；“感知”过程根据有限测点数据和机理模型实现对数据有效性校验、异常识别及关键特征提取，构建对电池温度状态的初步认知；“重构”则在感知结果基础上，借助机理模型与温度场重构算法，将离散温度点数据演变为连续温度场分布结果，最终实现从“点”到“场”的空间扩展；进一步地，在重构温度场基础上，提取与热安全相关的衍生信息，实现温度场的应用延伸。通过对上述问题系统综述，有望为新能源汽车及储能行业相关研究人员提供电池热安全管理领域全面参考和经验总结。
图1 电池温度场测量、感知与重构技术框架
Fig.1 Technical framework for battery temperature field measurement, sensing, and reconstruction
准确的温度测量结果可以为电池温度场重构提供关键的局部数据基础，而后结合场重构算法可实现装备全局温度场的连续感知。当前，电池温度测量主要分为非接触和接触监测两种方法。本节主要围绕多源传感式温度测量方法，聚焦不同原理的测量方式，从各类传感技术的原理特性、技术特点及在电池热管理中的实际应用场景开展论述工作。
当前，相比于其他类型非接触式温度测量方法，红外测温技术相对成熟，应用较为广泛。红外测温技术基于黑体辐射理论，通过将物体表面发射的红外辐射能转化为电信号，从而实现温度测量[23]。同时，也因为其无需破坏电池结构且适用于难以直接接触测量的特殊场景，在电池温度测量领域展现出较强的工程应用价值。
围绕红外测温技术的基础应用方面，H. Dileep等[24]利用红外热成像技术对比研究了20A·h软包电池在不同放电倍率和环境温度下的热分布特性，发现除温度数值差异外，电池表面温度分布规律、趋势及温度极值所处位置与环境温度无关。A. Stoynova等[25]利用红外测温技术研究了锂离子电池循环过程中温度演变规律及其与电池老化间的关系，发现随着循环次数的增加，电池表面温度分布不均匀性显著增强，且局部老化程度与该部分对应温度成正比。张凯等[26]基于红外测温技术，开发了适用于电动汽车电池组的温度监测系统。该系统可用来记录分析电池组的温度状况，控制电池冷却系统运行状态，在极端情况下及时切断电源并报警，为电池热管理系统正常运行提供了重要保障。此外，刘婕等[27]针对消防用锂电池温度检测需求，提出采用嵌入式芯片对红外测温技术进行改进，从而避免环境温度对测温精度干扰，保证消防用电的可靠性。
围绕红外测温误差方面，Li Yitian等[28]针对测量距离和观测视角对红外测温精度的耦合干扰问题，提出基于三维热成像的红外测温误差自适应补偿方法。通过量化全域像素的实际测量距离与视角，并结合多项式回归与红外辐射原理建立自适应温度补偿模型。在60°视角与0.8 m测距的联合干扰下，测量误差由9.21℃降至1.72℃。王黎明等[29]针对复合绝缘子红外测温问题，系统考察了环境湿度对测量精度的影响。研究发现，环境湿度增加会导致介电损耗增加和电场分布变化而降低测温精度，当环境相对湿度控制在67.5%以下时，可显著提升红外测温结果准确性。
围绕红外测温可视化表达与图像处理，郑涛等[30]对比研究了不同滤波算法对全钒液流电池红外图像的降噪效果，发现相较于均值滤波算法，中值滤波算法由于可以对图像信号有序排列，将含有噪声信号的亮点或暗点排列在信号序列的两侧，故而能够显著降低图片数据噪声。针对钒液、控制箱等关键部件的温度监测数据，采用中值滤波算法处理后，其温度计算值与实测值之间的误差较传统均值滤波方法显著降低，优化幅度达1℃。N. Giulietti等[31]对比研究了不同目标跟踪算法对红外测温精度的影响，发现相较于传统机器视觉跟踪算法，基于深度学习的语义分割模型由于可以对热图像中的目标部件进行像素级精准定位与跟踪，故而能够有效克服相机与目标间相对运动、图像对比度剧烈变化等复杂工况带来的干扰，测量误差较传统方法显著降低，优化幅度达8.3℃，误差小于0.5℃。Pan Dong等[32]采用基于加权集成堆叠去噪自编码器对复杂工况下的红外测温误差进行补偿，将受干扰的测温值、测量距离和灰尘透射率作为输入，通过深度学习模型直接估计出测温误差，进而补偿原始测量值。该方法能有效克服多项式拟合等传统方法在复杂非线性场景下的局限性，为红外热像仪在恶劣工业环境中的高精度温度测量提供了解决方案。此外，Wang Jianguo等[33]提出了一种基于红外图像温度数据可视化处理的电气设备在线状态检测方法，根据参考图像自动提取整幅图像中的目标设备，对每个目标设备进行分类，并提取不同类型设备的温度信息，实现温度可视化处理。
综合而言，尽管红外测温技术相对成熟，但在电池温度场测量应用中仍面临如下挑战：首先，电池表面发射率特性受材料老化和表面状态影响显著，从而导致红外测温结果出现偏差；其次，难以完全消除诸如湿度、灰尘等环境因素对红外测温精度的干扰。此外，电池表面温度分布不均导致红外图像在不同温度区域分界处存在像素误差，需要开展更深入的理论研究。
接触式温度测量方法可分为有线有源测温和无线无源测温两大类，二者在测量原理、适用场景及技术特点上存在显著差异。有线有源测温技术通常基于热电偶、热电阻及光纤等传感器，通过物理连接线将温度信号传输至数据采集系统，并依赖外部电源供电。该技术的优势在于测量精度高、响应速度快、抗干扰能力强，能够实现电池单体或模组的高精度实时监测。无线无源测温技术通过无线通信或被动传感方式获取温度信息，且传感单元无需外部供电，如声表面波（Surface Acoustic Wave, SAW）、LC无线无源传感器等。该技术的核心优势在于无物理连接、免维护、适应性强，尤其适用于复杂结构或运动部件中的电池温度监测，避免了复杂的布线问题。
1.2.1 有线有源接触式测温
1）光纤传感
光纤传感是一种基于光特性（如光强、波长等）随外界环境（温度、压力、振动等）变化而发生改变的原理，实现对各种物理量、化学量或生物量的测量技术，具有抗电磁干扰、体积小、质量轻、传输距离远、可实现分布式测量等独特优势[34]。光纤温度传感器的发展经历了从点式、准分布式到分布式测量的技术演进过程。
围绕点式测量，Huang Jiaqiang等[35]用单根植入式光纤布拉格光栅（Fiber Bragg Grating, FBG）传感器测量电池局部温度和压力，且在不诉诸微量热法的情况下量化了电池的发热量。进一步，Huang Jiaqiang等[36]还开发了一种基于倾斜光纤布拉格光栅（Tilted Fiber Bragg Grating , TFBG）的光纤传感技术，实现了单根TFBG对电池电解液化学动态（折射率、浊度）和温度的多参数同步测量解析。L. W. Sommer等[37]使用两个独立的FBG传感器分别测量软包电池的温度和应力。此外，为降低封装复杂性，Mei Wenxin等[38]设计了单根FBG-FPI(Fabry-Perot Interferometer)复合光纤传感器，通过植入电池内部实时监测温度和压力，实现了电池热失控阶段的早期预警。然而，虽然光纤点式测量技术成熟度高，但检测范围有限且存在稳定性弱、布线复杂等缺点，因此准分布式光纤温度传感技术应运而生[39-40]。
围绕准分布式测量技术，赵明富等[41]利用波分复用技术构建了准分布式光纤FBG温度传感阵列，该阵列由5根光纤组成，每根光纤上面串联了3个FBG共计15个传感单元，基于FBG中心波长和周围环境温度间线性关系，实现了对燃料电池系统的多点温度测量。M. Nascimento等[42]基于波分复用技术利用5个FBG传感器实现了电池热点区域的准分布式温度监测，为热管理系统高效优化提供了技术支撑。然而，传统FBG传感器机械强度不足，需要复杂的封装结构以保证安全性，这不仅增加了材料消耗，还影响测温响应速度。为此，Xia Xudong等[43]设计了一种由单模光纤和细径光纤构成的紧凑型双直径光纤布拉格光栅传感器，在保证电池温度和应变测量精度的同时，有效提升了机械强度，并且相较于需嵌入电池内部的传统FBG传感器，其在封装复杂性和安全性方面也有所改善。准分布式光纤传感技术虽然通过复用点式传感器实现了多点测量，但仍受限于固定测点布局和复杂线路集成问题，难以满足长距离、高动态环境的实时监测需求，而这也推动了分布式光纤传感技术的发展[44]。例如，匡绍龙等[45]设计了一款分布式光纤温度传感器检测三级联系统。该系统由一级通道切换器（y个通道）、二级通道切换器（n个通道）以及光纤传感器（m个测点）组成，可同时监测y×m×n个温度测点，显著提高了测温效率。为对比分析分布式光纤传感器和传统热电偶测温效果，Yu Yifei等[46]搭建了如图2所示的实验平台，在电池表面布置光纤传感器实现分布式温度测量的同时设置了8个离散热电偶测点。结果显示，当环境温度为10℃时，分布式光纤所测的电池二维表面温差最大值为11.8℃，相较于传统热电偶方法测得的表面温差极值精度提升约307%。此外，针对光纤信号解调过程中的噪声干扰问题，谢良康等[47]利用降噪寻峰算法（Singular Value Decomposition, SVD）滤除噪声，通过Hankel矩阵对测温信号进行升维处理，利用SVD将含噪信号分解为多个信号子空间，通过去除子空间中的噪声向量实现有效降噪，提升了光纤信号及测温结果准确性。
图2 分布式光纤测温实验示意图[41]
Fig.2 Schematic diagram of distributed optical fiber temperature measurement experiment[41]
综合而言，尽管光纤传感器在电池温度测量领域展现出显著优势，但仍面临诸多挑战。例如，光纤传感器植入电池内部时需兼顾电池电化学性能和光纤涂层稳定性。此外，分布式光纤测温技术的空间分辨率和测温精度仍需进一步提升。
2）热电偶与热电阻
热电偶测温系统通常由热端（工作端）和冷端（参考端）组成，其中热端置于待测温度场中，冷端保持恒定参考温度。根据传感器材料差异，热电偶可分为S型、B型、E型、K型、R型、J型以及T型热电偶[48]；根据传感器器件结构，又可分为短型和长型两种形式。热电偶测温技术凭借其优异的动态响应特性和测量可靠性，已成为电池温度监测的重要手段。例如，Yang Yang等[49]通过在每个单体电池上布置5个热电偶传感器（图3），实现了电池模组温度场的多点精确监测。S. J. Lee等[50]设计了平面微型热电偶阵列，通过采集正、负极耳和铝壳表面的温度数据，实现了锂离子电池温度实时监测，测温分辨率达0.5℃。为进一步提升测温精度，研究人员提出植入式热电偶传感技术。例如，M. S. K. Mutyala等[51]将柔性聚合物嵌入式薄膜热电偶（Thin Film Thermo Couple, TFTC）集成到软包锂离子电池电芯中，与置于电池表面的热电偶测温效果进行对比发现，在放电末期TFTC和表面热电偶所测温度差为2.1℃，体现了内植入式测温技术对电芯内部温度监测的优越性。C. Forgez等[52]通过在电池内部植入热电偶，获得了电池内部温度，结合热源项温度系数与焓势分析，提出了一种电池内部温度简化估计模型。M. J. Koshkouei等[53]为保证热电偶与电池外曲面贴合度，使用卡普顿胶带将5个E型热电偶固定于21700型圆柱电池上。实验结果表明，在电池放电过程中各测点温差保持稳定，当放电终止时各测点的温差仅为0.1℃。由此可见，通过优化热电偶安装工艺，也可以有效提升传感响应速率和温度测量精度。
图3 电池模组热电偶分布式测温方案示意图[49]
Fig.3 Schematic diagram of distributed thermocouple temperature measurement scheme for battery module[49]
热电阻测温技术主要利用电阻温度探测器（Resistance Temperature Detector, RTD）实现测温，RTD基于电阻阻值会随温度变化这一原理，热电阻测温技术在电池温度监测领域也展现出重要的应用价值。例如，Guo Dengji等[54]将热电阻传感器集成于柔性薄膜中，并植入电池内部实现温度测量。结果显示，电池内部温度比表面温度高约3℃，相较于表面温度传感器，该植入式传感器可以有效地反映电池内部真实的温度变化情况。Pan Taisong等[55]设计了一种由柔性电阻温度检测器和超声波通信模块组成的传感器系统。软包电池与柔性电阻温度检测器集成结构示意图如图4所示。该系统将电阻温度检测器植入电池内部，通过采集电阻值并将其转换为二进制编码，驱动压电陶瓷发射调制超声波，终端设备解调信号后得到对应的电阻值，最终实现对电池内部温度的测量，整体温度分辨率可达0.15℃。
图4 软包电池与柔性电阻温度检测器集成结构示意图[55]
Fig.4 Schematic diagram of the integrated structure of pouch cell and flexible resistor temperature detector[55]
综上所述，虽然热电偶和热电阻在电池温度监测中应用广泛，但仍面临如下问题：热电偶在植入电池内部时需解决电化学兼容性问题；热电阻在电池内部高温区域易因材料氧化导致性能退化。此外，两种传感器均需外接电源设备，存在布线和供电难题，无法满足集成密闭空间或装备的测温场景需求。
1.2.2 无线无源接触式测温
1）声表面波传感器
声表面波（SAW）传感器是一种由压电晶体材料、叉指换能器（Interdigital Transducer, IDT）及反射栅等组成的新型无线无源传感器（图5）[56]。当外界物理量（压力、温度等）发生变化时，声表面波在压电晶体中的传播特性（速度、频率等）发生改变，利用IDT可将声波信息转换成电信号，从而通过检测电信号频率、相位等信息变化情况实现对外界物理场的测量[57]。相较于其他集成电路标签，在相同传输距离条件下SAW传感器仅需约10 mW低功率射频脉冲[58]即可实现远距离读取数据，因此是一种高效的无线无源传感器。
图5 SAW气体传感器基本原理图[56]
Fig.5 Basic principle diagram of SAW gas sensor[56]
围绕测温领域，R. Hauser等[59]搭建了基于SAW传感器的温度测量系统，可在400℃极端环境下稳定工作，能够满足电池高温工况的实时监测需求。L. Reindl等[60]结合声表面波传感原理与无线通信技术，设计了一种无线测温系统，当温度超过200℃时，测温距离可达6 m，整体测量精度高达±0.2℃。A. Stelzer等[61]设计了一种基于SAW识别标签的无线传感标记系统，具有兼容性强、体积小和稳定性高的优势，可满足400℃以上极端高温检测需求。然而，当外界温度变化时，SAW传感器的压电晶体会发生频率漂移。对此，L. M. Rodriguez等[62]提出了一种基于正交频率编码的SAW传感器系统，通过频分多址预留频率冗余，有效地提高了温度测量精度（±0.01℃）。此外，传统SAW传感器的压电材料通常由石英和铌酸锂（LiNbO₃）制成，其高温环境下的压电性能较差。为此，Qu Yuanhang等[63]提出了一种AIN/ScAIN新型复合压电薄膜，相较于纯AlN压电薄膜（-122.94 dB/Hz）和纯ScAlN压电薄膜（-132.88 dB/Hz），复合薄膜相位噪声分别降低12.24 dB和2.3 dB，有效地提高了压电材料的高温频率稳定性。Zhou Xuhang等[64]提出了一种基于AIN/Pt/Cr复合压电薄膜的SAW传感器，最高测温可达1 300℃，且可在1 100℃高温环境中稳定工作约1 h。
2）LC谐振传感器
LC谐振传感器由传感单元和数据读取单元组成（图6）[65]。其中，传感单元由电感和电容器组成，当环境参数改变时，电感和电容值随之变化使得系统谐振频率偏移。读取单元通过磁场耦合与传感单元进行无线数据交互，将频移信号经由电信号转换为对应的物理量测量值。由于传统LC谐振传感器无温度敏感性，因此在原有传感单元中增加热敏电阻实现温度检测。例如，Zhang Guangjin等[66]利用铂的热敏电阻特性设计了一种LC谐振传感器，在25～1 200℃的宽温度范围内可实现温度和压力的联合测量。A. D. De Hennis等[67]在LC传感器一次侧（读取侧）和二次侧（感应侧）之间采用硅/金双形态耦合，可实现温度、压力和湿度等物理量的联合检测。Ren Qingying等[68]提出一种集成式LC无线无源传感器，可同时远程监测温度和湿度。在10～40℃，55%～95%RH温湿度范围内，其温度测量误差为±3.1℃，湿度测量误差为±4%RH。此外，为满足高温场景检测需求，Wang Ya等[69]对传统LC传感器的传感单元进行改进，采取温度敏感陶瓷材料外刷银电极代替电容部分，最高可测温度达235℃。
图6 LC谐振传感器示意图[65]
Fig.6 Schematic diagram of LC resonant sensor[65]
3）RFID传感器
射频识别（Radio Frequency Identification，RFID）温度传感器主要由标签、读写器和天线组成，是一种低成本、紧凑型无线检测技术。RFID温度传感器原理示意图如图7所示。RFID通过射频信号实现非接触式数据交互，无需视距（Line of Sight, LOS）对准即可完成目标识别与信息采集[70]。由于RFID的标签可以集成温度传感器，因此可将其应用于温度测量领域，实现无线无源非接触式测温。例如，Zhu Wenge等[71]将温度传感器集成在RFID标签中，该标签由两种具有不同热膨胀特性的双金属电磁线圈组成，因此当温度变化时线圈发生旋转（图7），机械数字编码器将线圈旋转量编码为二进制代码，处理后得到对应温度值。D. Girbaude等[72]将电阻式温度传感器集成到RFID标签中，可满足30～130℃范围内的温度测量需求，在1m测距条件下的测温误差约为±0.4℃。为进一步提升RFID集成温度传感器测量距离和测温精度，S. Pradhan等[73]建立铜偶极子天线阻抗与温度解析关系，提出使用铜箔偶极子天线搭配Alien Higgs芯片的设计方案，最大测距达3.5 m，最小误差仅为±2.9℃。此外，Kang Along等[74]提出了一种融合SAW和RFID集成温度传感器的传感测温系统，利用反射脉冲的时间延迟信息和相位特性共同反映温度变化情况，可实现短距离（2 m）范围内的精准测温，测温精度达±0.3℃。
图7 RFID温度传感器原理示意图[71]
Fig.7 Schematic diagram of RFID temperature sensor principle[71]
综上所述，尽管SAW、LC和RFID传感器在无线测温领域各具优势，但仍存在技术瓶颈和应用限制。无线无源传感器性能对比见表1。例如，SAW传感器虽具备高精度和耐高温特性，但频率正交性易受温度漂移影响，导致解调复杂度高；LC传感器通过检测谐振频率变化情况实现测温，但电感值易受机械形变干扰，且高温下线圈存在氧化问题；RFID集成温度传感器依赖射频信号传输，在金属密集或强电磁干扰环境中可能失效。
表1 无线无源传感器性能对比表
Tab.1 Comparison of wireless passive sensors
传感器种类优点缺点精度/℃适用场景 SAW灵敏度高耐高温多径效应干扰正交频率易受温度漂移±0.1～±2[75]航空航天工业高温监测 LC结构简单低成本高温下线圈氧化灵敏度受限±1～±2[76]嵌入式工业监测中低温设备 RFID远距离测温低功耗金属环境易失效成本高±0.2～±2[77]大规模温度监测冷链物流
电池温度场感知以局部温度测量结果为基础，基于电池机理及运行数据，实现对电池内/外部不可测区域温度的客观描述，在工程实践与学术研究中得到广泛应用。因此，本节将对基于机理模型、电化学阻抗以及数据驱动方法实现温度感知的方法展开论述。
当前，用于电池温度感知的机理模型主要包括电化学-热耦合模型和电-热耦合模型。前者基于电池电化学反应机理，通过多物理场偏微分方程组描述离子传输、电荷转移等电化学行为与电池产热及热传导间耦合机制，以此揭示电池工作过程中电化学反应与热特性间动态交互关系。后者以电路理论为基础，将电池等效为电压源、电阻、极化电容等电学元件构成的等效电路，并结合热传导方程，实现电池电、热特性的耦合计算。
电化学-热耦合模型通过建立电化学过程与热力学行为的耦合关系实现锂离子电池性能精准模拟，将电化学模型求解得出的产热率传递到热模型中，并通过热模型求解得出平均温度反馈到电化学模型中，实现了发热量和温度场的双向耦合[78]。通过对电化学-热耦合模型从一维到三维耦合维度的深化，可以提升对宏观热分布以及局部反应的预测能力。例如，K. Kumaresan等[79]最早对电池的伪二维模型（Pseudo-Two-Dimensions, P2D）进行扩充，增加了热模型，构建了一维电化学-热耦合模型。为进一步提高模型精度，考虑到温度在空间中的不均匀性，Xu Meng等[80]将一维电化学-热耦合模型扩充为二维电化学-热耦合模型，将其应用于圆柱形磷酸铁锂电池，探究其轴向温度分布情况。由于电池轴向的电流密度和电压密度会随充放电过程发生变化，因此电池的温度场特性也会随之变化。在放电过程中，高电流密度区域逐渐向正极迁移，最终导致正极产热率反超负极。针对这一现象，Xu Meng等[81]建立三维电化学-热耦合模型探究其物理机制，该模型整合了质量守恒、电荷守恒、能量守恒方程及电化学动力学关系。靠近正负极处电流密度更大，远离正负极电流密度呈现降低趋势，故电池正负电极处的温度相对较高。该模型虽仅探究放电过程，但通过调整边界条件即可适用于充电过程，具有很好的通用性。
为提升电池温度计算的精度和效率，Wang Jingrong等[82]采用耦合热力学的单粒子电解质模型，该模型使计算电解质浓度的效率提升40%，并且采用改进的双尺度双粒子滤波解决传统粒子滤波算法中的粒子退化现象，从而提升计算精度，温度计算误差低至±0.14℃。Zhao Yihang等[83]提出降阶电化学-热耦合模型，其核心采用基于偏微分方程（Partial Differential Equation, PDE）的降阶方法（PDE-based ROM），通过对原始电化学-热耦合PDE方程组进行变量分离与模态截断，保留对温度场影响显著的主模态，忽略次要模态。该方法将电池参数分为静态参数和动态参数并分层计算，其中，静态参数通过离线计算确定，动态参数仅在实时求解中更新。相较于全阶模型，PDE-based ROM在保留核心物理约束的同时，降低了实时求解的计算量，使电池温度计算误差降至±0.11℃，计算时间缩短了99.92％。Pang Hui等[84]利用单粒子模型和集总参数热模型建立了重构电化学-热耦合模型（Recon-structed Electrochemical-Thermal Model, RETM），其降阶思路基于物理模型简化与关键参数辨识结合，舍弃P2D模型中复杂的电解质扩散细节，用单粒子假设简化锂离子中的传输过程，通过扫描电镜观测、实测数据和遗传算法相结合的方法获取电池特征参数。该方法侧重从物理机理层面简化模型结构，相较于P2D-3D模型，RETM在电压准确度仅降低0.04V的情况下，计算速度提高百倍，温度计算误差最低为±0.3℃。该优化模型所提出的计算参数和产热率的方法可以为先进热管理系统的开发提供帮助。此外，基于POD的降阶方法在电化学-热耦合模型中也被广泛应用。例如，Yuan Qingyang等[85]采用POD求解协方差矩阵特征值和特征向量，得到正交基函数（模态）和模态系数，从而提取主导模态，推导出热功率与模态系数变化量之间的线性关系，实现温度预测误差在±0.36℃以内。然而由于模型无法避免环境噪声的影响，Yan Xiangping等[86]利用卡尔曼滤波算法对噪声进行处理，从而提高电池温度计算精度。实验表明，温度计算误差从±0.28℃下降到±0.07℃，温度计算准确度提高61.74％。
锂离子电池的电-热耦合模型基于等效电路模型与热模型的协同求解，实现了电气特性与热行为的双向耦合。首先通过等效电路模型获得电池内阻参数和生热速率，并将其作为热模型的输入，随后热模型利用生热速率和环境温度计算电池的核心温度和表面温度，同时反馈给等效电路模型修正参数，实现双向耦合。为提升电池温度计算的准确度，Wang Yong等[87]通过遗传算法对电-热模型的散热系数进行优化，得到最佳散热系数为8.487W/ (m²·K)，温度计算误差最低为±1℃。Lin Xinfan等[88]首次将非均匀遗忘因子应用于电池热模型参数识别，电池核心温度的计算误差最低为±0.5℃。Liu Shichuang等[89]利用分数阶微分方程描述电池极化效应，提出分数阶电-热耦合模型来计算电池温度。结果表明，传统电热模型的温度计算误差最低为±0.21℃，而分数阶电热模型的温度计算误差稳定在±0.13℃以内。由于温度测量过程中有噪声干扰，Dai Haifeng等[90]通过将电-热耦合模型分别与卡尔曼滤波器和联合卡尔曼滤波器相配合，实现了对电池温度的实时计算，并提高温度计算精度。研究结果表明，基于卡尔曼滤波器的温度计算方法误差最低为±1.8℃，而基于联合卡尔曼滤波器的温度计算方法则进一步将误差降低到±1℃以下。由于荷电状态（State of Charges, SOC）影响电池电化学反应热极化效应，从而对电池温度产生影响，常小兵等[91]将基于奇异值分解的卡尔曼滤波算法和电-热耦合模型结合，实现SOC和电池温度的联合计算。该方法使用奇异值分解来因子化误差协方差矩阵，保证协方差矩阵非正定时的稳定性，温度计算误差最低为±0.4℃，平均温度误差仅为±0.2℃。Zhang Xingchen等[92]提出一种分布式电热耦合模型，突破传统集中式热模型所假设的均匀温度，该模型体现了空间维度的温度分布，并采用离散时间非线性观测器修正SOC，利用自适应卡尔曼滤波器计算电池核心温度，相较于传统电-热耦合模型计算精度提高0.5℃。随着等效电路中RC阶数增加，等效电路模型能更精确地表征电池的动态极化特性，从而提升电热耦合模型对电池温度场分布的描述能力，因此，Liu Menglin等[93]提出一种增强型电热耦合模型，将改进的二阶RC等效电路模型和双态热模型相耦合，同时采用卡尔曼滤波算法滤除环境噪声。该模型抗干扰能力强，对于内部温度计算平均误差最低为±0.8℃。
综上所述，电化学-热耦合模型以及电-热耦合模型虽然在电池温度计算领域应用广泛，但仍有诸多不足。电化学-热耦合模型深入揭示电池内部的局部反应机制和宏观热分布特性，计算精度更高，但该模型计算复杂度高，需依赖降阶算法提升效率，其中PDE-based ROM适合需保留物理约束的场景，POD适用于复杂几何结构场景，而物理模型简化法则在工程快速计算中更具优势，不同降阶方法需在精度、效率与场景适配性间权衡；电-热耦合模型具有计算速度快且工程适用性强的优点，但该模型对电池内部电化学过程的表征较为简化，难以捕捉材料层面的热生成细节。
电化学阻抗法是一种通过分析电化学阻抗谱（Electrochemical Impedance Spectroscopy, EIS）与温度的映射关系，从而实现温度计算的方法[94]。具体计算过程为：在测试电池端子上施加多频正弦电压或电流扰动信号，同步测量系统电流和电压响应，并通过傅里叶变换技术将时域的电压和电流响应转换为频域的复阻抗，最终绘制成以频率为参数的阻抗谱图[95]。因此，根据温度和阻抗的校准模型以及不同温度下阻抗谱特性参数的规律性变化，可实现对电池温度的精准计算。
为提高计算的精度和效率，对传统基于电化学阻抗的温度计算方法进行改进。由于宽频域范围测量电化学阻抗存在耗时过长的问题，难以满足实时监测要求，因此研究人员通过分析阻抗参数与温度、SOC的相关性，优选对温度变化敏感并受SOC波动影响较小的频率点。例如，Fan Wenjie等[96]忽略SOC对于阻抗参数的影响，选取10 Hz作为电池温度计算的激励频率，记录电化学阻抗虚部在不同温度条件下的数值，从而得出电化学阻抗谱的虚部与电池温度之间的函数关系，计算误差稳定在±1.5℃以内。由于Fan Wenjie等近似忽略了SOC的影响，为进一步提升计算精度和效率，Zheng Yusheng等[97]将温度敏感度以及SOC敏感度同时作为筛选频率的参考，选择0.15 Hz作为温度计算的激励频率，相较于传统宽频域扫描方法，电化学阻抗测量时间从30 min降为7 s。实验结果显示，SOC分别为0.9、0.7和0.3时，温度计算误差分别为±1.0、±0.8、±1.5℃。此外，由于寻找特定频率使阻抗和温度是强相关，同时与SOC保持弱相关性难度较大，因此李强等[98]选取34、43、55 Hz三个特征频率点获取电化学阻抗的实部、虚部以及相位数据，并基于支持向量回归算法构建温度计算模型，平均误差为±1.4℃。
综上所述，基于电化学阻抗的电池温度感知方法可以直接地反映电池内部温度并且计算精度高，但仍面临诸多挑战，例如SOC和健康状态（State of Health, SOH）对阻抗的交叉敏感性干扰以及对材料和工况依赖性过高等。
数据驱动方法核心在于直接从历史运行数据中学习电池的热行为特征，无需对电池内部复杂热机理进行精准描述。通过机器学习算法建立输入变量（例如电流、电压和环境温度等）和输出温度之间的非线性映射关系，实现对电池温度的精准计算。为提高计算精度，Fang Zheng等[99]提出了一种基于人工神经网络（Artificial Neural Network, ANN）和虚拟热传感器（Virtual Thermal Sensors,VTS）的温度场稀疏重建技术，使用测温仪获得64个测点温度，并将64个传感器进一步划分为真实热传感器（Real Thermal Sensor, RTS）和VTS，进而利用VTS验证RTS通过ANN所计算的温度准确性。相较于传统线性回归方法，ANN可利用更少的传感器数量实现温度计算，且平均误差小于±0.187 3℃。为进一步减少传感器数量实现锂离子电池温度高精度计算，Zhao Xinze等[100]提出融合时空特征与自适应滤波技术的长短期记忆网络图卷积网络算法（sparse-sensor based Long short-term memory-Graph Convolutional Network sL-GCN）算法，实现仅需单个传感器的电池组温度高精度计算。该算法采用LSTM网络处理各传感器节点的历史温度序列，并通过GCN捕获电芯间的热耦合关系，同时采用AEKF算法动态修正计算误差，有效提升鲁棒性。此外，苑清扬等[101]基于POD提出缺失POD（Gappy POD）算法，相较于BP神经网络，Gappy POD对于数据库较小时的电池核心温度计算场景适用性更强，并且在工况平稳时精度更高，在训练过程中可以将误差降到±0.1℃。Han Jiajie等[102]针对大型电池模块传感器部署成本高、结构复杂且难以实现全域覆盖的问题，提出基于Gappy POD的降阶建模方法，仅需8个表面测温点即可实现对包含48个电池单体模块的全域温度场精准感知，最大绝对误差在0.3℃以内。
综上所述，数据驱动方法在电池温度计算领域虽应用广泛，但仍面临诸多困难。例如，数据依赖性较强，需要覆盖全工况的离线训练数据，且实时性受算法复杂度制约；传感器优化布置缺乏理论指导，实际部署中可能因位置偏差导致精度下降；此外，算法对电池化学体系或极端工况的泛化能力有限，需结合在线学习机制以适应电池老化等变化。
电池温度场重构技术面临测点数量与实用性的平衡问题。虽然，依赖密集的温度传感器布置能够获得较为全面的温度数据，但不仅增加了系统复杂度，还提高了成本。因此，本节从数据驱动以及数据机理联合驱动角度，论述了有限测点条件下高维温度场重构方法与效果。
为解决电池温度场重构中测点数量与实用性的平衡问题，数据驱动方法应运而生，该方法将有限测点的温度数据和深度学习等先进算法相结合，在算法层面实现了对温度场的高精度重构。例如，徐晶等[103]采用BP神经网络重构锂离子电池的表面温度，将SOC、放电电流、环境温度三参数耦合作为输入，重构平均误差小于5％。S. Panchal等[104]以电动汽车为背景，利用ANN结合真实驾驶循环数据实现动力电池的表面温度场重构，隐含层使用8节点双曲正切非线性激活函数提取非线性特征且输出层采用线性传递函数保证回归自由度，平均误差小于±1.5℃。由于浅层神经网络难以捕捉温度的动态非线性特性，因此陈来恩等[105]提出基于深度神经网络（Deep Neural Network, DNN）的电池表面温度场重构方法，以电池的电压、电流和SOC作为DNN的主要输入参数，同时引入电池产热率作为辅助输入特征，通过DNN实现对电池温度场的精确重构，平均误差为±0.17℃。但单一网络处理复杂时间序列数据存在困难，因此Yao Qi等[106]提出利用递归神经网络（Recursive Neural Network, RNN）结合门控循环单元（Gated Recurrent Unit, GRU）实现电池表面温度场重构，实验结果表明，在固定环境温度下重构平均误差小于±0.2℃，在变化的环境温度下重构平均误差小于±0.42℃。叶石丰等[107]提出将集合经验模态分解（Ensemble Empirical Mode Decomposition, EEMD）结合门控循环单元-神经网络（Gated Recurrent Unit-Neural Network, GRU-NN），从而实现电池表面温度场重构，创新性地将温升序列分解为周期分量和趋势分量两部分，将其分别预测并叠加，表面温度重构平均误差小于±0.34℃。此外，研究人员利用迁移学习降低数据驱动的计算复杂度并减少所需的训练数据量，例如Liu Liang等[108]采用LSTM网络结合极化特性重构电池表面温度场，并配合迁移学习降低对高倍率充放电数据需求，面内最大误差仅为±1.1℃，且相较于传统LSTM网络训练时间减少32.93s。
综合而言，基于数据驱动模型的电池温度场重构无需电池的内部机理模型，可利用神经网络强大的非线性映射能力，实现利用少量温度测点数据重构整体温度场分布。然而纯数据驱动方法缺乏物理基础，且所需数据量庞大，在某些极端工况下存在数据稀缺的情况，数据驱动方法无法精准重构温度场。
数据驱动结合机理模型具有物理解释性优势，当训练数据未覆盖极端工况时，仍能保持可靠的重构能力。为提升温度场重构的精度和效率，同时减少温度传感器的数量，Wang Yuchen等[109]提出采用热传导PDE联合DeepONet框架实现8个温度传感器所测的温度数据重构电池表面温度场，该方法将PDE和边界条件作为损失函数，并通过对抗训练提取场的特征，从而提升模型的泛化能力，表面温度重构平均误差小于±0.119℃。Chen Hong等[110]在电池表面均匀布设6个温度传感器，提出一种基于映射特性的温度场直接重建算法，并联合电化学-热耦合模型以实现电池温度场的协同重构。该算法通过构建基于“映射特征向量”和“相关度矩阵”的数据驱动模型，无需在线求解复杂的物理方程，仅学习表面测量点温度与内部全域温度之间的关联规律，即可完成电池温度场的精准重构，误差低于0.5℃。Tian Ning等[111]在单体电池上布置5个温度传感器，采用三维热模型结合标准卡尔曼滤波器（Kalman Filter, KF）降低温度场重构过程的计算复杂度，提出利用分布式卡尔曼滤波器（Distributed Kalman Filter, DKF）、集中式卡尔曼滤波器（Centralized Kalman Filter, CKF）优化精度和效率。对比t =0 s, 240 s、480 s、1 200 s时间节点处电池表面温度场重构结果，两种滤波器对应的表面温度场重构平均误差均为±0.2℃，为提升效率，进一步提出稳态版分布式卡尔曼滤波器（Steady-State Distributed Kalman Filter, SS-DKF），相较于DKF和CKF，SS-DKF的计算时间减少90%。Qi Xiao等[112]提出采用电热耦合模型联合卡尔曼滤波-多层感知机（Kalman Filter-Multilayer Perceptron, KF-MLP）神经网络重构电池表面温度场，其中电热耦合模型基于一个温度传感器的温度数据可计算出电池表面多点温度数据，并将其作为数据集，同时采用双MLP子网络结构估计高低温点的温度梯度，并利用卡尔曼滤波将双子网络输出进行最优融合。结果显示，电池表面温度场重构最低平均误差仅为±0.0761℃。围绕电池组温度场重构研究，Wang Zhongyu等[113]在电池组冷却液进出口位置布设2个温度传感器，采用一种基于温度响应关联模型（Temperature Response Correlation Model, TRCM）算法，并联合电化学-热耦合模型实现电池组温度场重构。该方法将电化学-热耦合模型计算出的温度数据作为后续数据驱动模型的数据输入，通过正则化优化技术构建一个关联矩阵，从而建立冷却液温差与电池组内部全场温度之间的直接线性映射关系，有效地降低了传感器布设的复杂度，误差在±0.38℃以内。此外，针对优化电池表面布设传感器个数的研究，Zhang Tao等[114]采用一种基于正则优化技术的温度响应时空关联模型算法（Response Spatio-Temporal Correlation Model, RS-TCM）联合电化学-热耦合模型，实现单体电池温度场重构的同时优化传感器的个数。结果显示，优化后的传感器为3个，电池表面温度重构误差为±0.8℃。
表2 数据-机理联合驱动中算法对比表
Tab.2 Comparison of algorithms in data-mechanism joint driving
算法计算复杂度实时性 PDE-DeepONet高差 基于映射特性直接重建算法低优 DKF/CKF适中适中 KF-MLP适中适中 SS-DKF低优 TRCM低优 RS-TCM低优
综上所述，基于数据驱动与机理模型融合的温度场重构方法在锂离子电池热管理中展现出显著优势与一定局限性（表2）。该方法的核心优势在于通过物理约束和数据驱动模型的协同作用，既保留了机理模型的可解释性，又增强了数据模型对非线性特征的捕捉能力，并且可以通过物理先验知识弥补数据的不足。然而该方法仍面临机理模型依赖性强、计算复杂度较高等挑战，在极端工况或电池老化场景下可能因数据分布偏移导致性能退化。
综上所述，电池温度场重构技术通过融合多源温度感知数据与先进算法模型，实现了从局部离散测温到全域连续感知的技术跨越，为锂离子电池热安全管理提供技术路径。接触式与非接触式温度测量技术各具优势：红外热成像等非接触方法可以快速筛查温度异常点，并解决布线困难等问题；光纤传感、热电偶等接触式方法则展现出更高的测量精度和环境适应性；此外，无线无源传感器为密闭空间内的长期温度监测提供了创新解决方案，其无源特性和抗干扰能力显著提升了工程适用性。在重构算法方面，数据驱动方法通过神经网络强大的非线性映射能力实现了温度场的高效重构，而基于机理模型联合数据驱动的方法则通过物理机理约束保障了极端工况下的重构可靠性。
尽管温度场重构技术在电池热管理领域已取得显著进展，但仍存在如下亟待解决的关键问题：
1）温度测量方面，当前整体技术体系面临空间覆盖、环境适配、长期稳定三大核心问题，主流传感方案难以匹配复杂应用的需求。电池模组密集堆叠形成的狭小空间对传感部署提出极高要求，现有方案难以实现高密度全域覆盖，极耳、电芯边缘等关键发热区域常存在监测盲区，毫米级局部热斑的精准捕捉能力不足，无法为热失控早期预警提供精细化数据支撑；宽温域场景下的测量精度难以保障，低温环境中传感信号稳定性下降，高温区间则易出现性能漂移，无法满足极端工况需求；充放电过程中的快速温升易导致测量响应延迟，难以实时追踪温度动态变化。此外，传感器与电池内部电化学环境的兼容性不足，传统封装材料抗电解液腐蚀能力弱，长期服役后易发生化学老化，不仅导致测量精度持续降低，更可能因封装破损引发安全隐患。
2）温度感知方面，现有感知方法均存在技术短板，难以全面精准获取温度信息。机理模型方面，需构建复杂的多物理场耦合方程，涉及大量材料参数与边界条件设定，对参数敏感性极高，且参数随电池循环老化的动态变化难以实时修正，导致模型预测偏差随服役时间递增；数据驱动方法高度依赖大规模标注的训练数据，而电池在不同循环次数、充放电倍率、环境温度下的热行为差异显著，训练数据难以覆盖全工况场景，在极端未知工况下泛化能力严重不足。同时，数据采集过程中的噪声易被模型学习，导致鲁棒性较差；电化学阻抗法虽可通过阻抗谱特征关联温度变化，但在高频区间易受电极界面极化效应干扰，低频区间响应速度慢，且阻抗-温度映射关系受SOC状态交叉影响实用性受限。
3）温度场重构方面，算法的有效性与通用性不足。有效性方面，现有重构算法多基于均匀网格划分假设，对电池极耳、隔膜等异质结构区域的温度梯度刻画精度不足，难以还原热场分布的细节特征；且重构过程中未充分考虑传感器测量误差的传递效应，少量异常测量数据即会导致重构结果出现明显失真。通用性方面，多数算法针对特定电池类型或特定应用场景设计，模型结构与参数未具备可迁移性，例如，应用于圆柱形电池、固态电池或大型储能集装箱等不同场景时，需重新进行大量调试与验证，开发周期长、适配成本高；同时，算法对工况动态变化的适配性差，在充放电模式切换时，重构精度易出现大幅波动。
未来研究应聚焦三个核心方向：
1）针对温度测量传感器缺陷，未来核心发展方向为结构功能一体化的集成传感技术。突破传统传感器结构与功能分离的局限，以场景需求为导向，构建“结构设计-功能集成-场景适配”的一体化技术体系：通过微型化、柔性化结构设计，实现传感器与不同场景下电池模组的高效适配，解决狭小空间部署与关键区域覆盖问题；将温度感知、信号调理、环境适配等功能集成于一体，同步提升测量精度与环境耐受性；依托封装材料与结构的协同优化，强化传感器抗腐蚀、宽温域适应等核心性能，从根本上解决传统传感器场景适配性差、长期稳定性不足的问题，为多场景温度精准测量提供技术支撑。
2）针对温度感知方法短板，构建多源融合感知框架。机理模型层面，引入自适应参数更新机制，通过在线监测电池循环次数、SOC状态等参数，动态修正热传导系数、反应热等关键参数；结合降阶模型技术，剥离冗余计算维度，提升模型计算效率。数据驱动层面，基于少量典型工况数据训练通用基础模型，通过元学习习得快速适配能力，针对新场景仅需少量的目标工况数据即可完成微调，提升泛化能力；引入注意力机制强化有效特征提取，降低噪声干扰。电化学阻抗法方面，开发多频段阻抗分离算法，剥离SOC与温度交叉耦合的影响；结合机器学习构建阻抗-温度-SOC三维映射模型，降低全SOC区间温度反演误差，最终通过多方法数据融合实现互补，提升温度感知的精准性与鲁棒性。
3）针对温度场重构算法瓶颈，研发高精度通用化重构技术。在有效性提升上，摒弃固定网格划分模式，结合电池结构特性优化热场刻画逻辑，同时强化异常数据的鲁棒性处理，减少测量误差对重构结果的影响；在通用性升级上，构建模块化算法框架，通过参数化配置适配不同电池类型与应用场景，降低跨场景调试成本；同步提升算法对动态工况的自适应能力，实现充放电模式切换等场景下的精度稳定，为不同场景下的热场精准重构提供高效技术方案。
参考文献
[1] Abo-Khalil A G, Ali Abdelkareem M, Sayed E T, et al. Electric vehicle impact on energy industry, policy, technical barriers, and power systems[J]. International Journal of Thermofluids, 2022, 13: 100134.
[2] Olabi A G, Wilberforce T, Sayed E T, et al. Battery energy storage systems and SWOT (strengths, weakness, opportunities, and threats) analysis of batteries in power transmission[J]. Energy, 2022, 254: 123987.
[3] 徐志成, 杨达, 张闯, 等. 基于极化衰减特征与通道关注混合神经网络的锂离子电池容量在线估计[J]. 电工技术学报, 2025, 40(17): 5683-5702. Xu Zhicheng, Yang Da, Zhang Chuang, et al. Online estimation of lithium-ion battery capacity based on polarization decay feature and hybrid neural network with channel attention[J]. Transactions of China Electrotechnical Society, 2025, 40(17): 5683-5702.
[4] 徐志成, 张弘毅, 田金鑫, 等. 锂离子电池电化学-热耦合模型场域系统参数随动态工况的敏感性量化评估[J]. 电工技术学报, 2025, 40(20): 6716-6732. Xu Zhicheng, Zhang Hongyi, Tian Jinxin, et al. Quantitative assessment of the field system parameter sensitivity for lithium-ion battery electrochemical-thermal coupling model with dynamic operating conditions[J]. Transactions of China Electrotechnical Society, 2025, 40(20): 6716-6732.
[5] Hu Tong, Ma Fei, Xu Xiaoming. Analysis of thermal runaway propagation characteristics of lithium-ion battery module under local high temperature[J]. High Temperatures-High Pressures, 2022, 51(3): 195-212.
[6] Zhang Fangshu, Feng Xuning, Xu Chengshan, et al. Thermal runaway front in failure propagation of long-shape lithium-ion battery[J]. International Journal of Heat and Mass Transfer, 2022, 182: 121928.
[7] Janakiraman U, Garrick T R, Fortier M E. Review: lithium plating detection methods in Li-ion batteries[J]. Journal of the Electrochemical Society, 2020, 167(16): 160552.
[8] Lü Shuaishuai, Wang Xingxing, Lu Wenfan, et al. The influence of temperature on the capacity of lithium ion batteries with different anodes[J]. Energies, 2022, 15(1): 60.
[9] Wei Lisi, Liu Huanling, Tang Chuangeng, et al. Investigation of novel type of cylindrical lithium-ion battery heat exchangers based on topology optimization [J]. Energy, 2024, 304: 131886.
[10] Sheng Lei, Zhang Hengyun, Zhang Hua, et al. Lightweight liquid cooling based thermal management to a prismatic hard-cased lithium-ion battery[J]. International Journal of Heat and Mass Transfer, 2021, 170: 120998.
[11] Nagpure S C, Dinwiddie R, Babu S S, et al. Thermal diffusivity study of aged Li-ion batteries using flash method[J]. Journal of Power Sources, 2010, 195(3): 872-876.
[12] 钟国彬, 王羽平, 王超, 等. 大容量锂离子电池储能系统的热管理技术现状分析[J]. 储能科学与技术, 2018, 7(2): 203-210. Zhong Guobin, Wang Yuping, Wang Chao, et al. The review of thermal management technology for large-scale lithium-ion battery energy storage system[J]. Energy Storage Science and Technology, 2018, 7(2): 203-210.
[13] Goh N W, Poh J J, Yeo J Y, et al. Design and development of a low cost, non-contact infrared thermometer with range compensation[J]. Sensors, 2021, 21(11): 3817.
[14] Mikolajek M, Martinek R, Koziorek J, et al. Temperature measurement using optical fiber methods: overview and evaluation[J]. Journal of Sensors, 2020, 2020(1): 8831332.
[15] Yen Kee Y, Asako Y, Lit Ken T, et al. Uncertainty of temperature measured by thermocouple[J]. Journal of Advanced Research in Fluid Mechanics and Thermal Sciences, 2020, 68(1): 54-62.
[16] Chen Jie, Xu Xiangfan, Zhou Jun, et al. Interfacial thermal resistance: past, present, and future[J]. Reviews of Modern Physics, 2022, 94(2): 025002.
[17] Länge K, Rapp B E, Rapp M. Surface acoustic wave biosensors: a review[J]. Analytical and Bioanalytical Chemistry, 2008, 391(5): 1509-1519.
[18] 刘佳明, 陈红, 王广军, 等. 基于扩展状态空间模型的锂离子电池内热源场和温度场同时重构[J]. 工程热物理学报, 2024, 45(2): 478-487. Liu Jiaming, Chen Hong, Wang Guangjun, et al. Simultaneous reconstruction of heat source field and temperature field in lithium ion battery based on extended state space model[J]. Journal of Engineering Thermophysics, 2024, 45(2): 478-487.
[19] Liu Zeyu, Xiong Chengfeng, Du Xiaofang. Study on real-time battery temperature prediction based on coupling of multiphysics fields and temporal networks [J]. IEEE Access, 2024, 12: 105511-105526.
[20] Zhou Yu, Deng Hua, Li Hanxiong, et al. Data-driven real-time prediction of pouch cell temperature field under minimal sensing[J]. IEEE Transactions on Transportation Electrification, 2023, 9(1): 1034-1041.
[21] Wang Xin, Cao Zhiyin, Liu Yuhong, et al. Temperature reconstruction in data centers using gappy pod combined with genetic algorithm and optimization of sensor layout[J]. Energy and Buildings, 2025, 326: 115078.
[22] Wang Yong, He Shihui, Wang Bingchuan. Evolutionary sensor placement for spatiotemporal modeling of battery thermal process[J]. IEEE Transactions on Industrial Informatics, 2022, 18(4): 2223-2232.
[23] 郭杰, 张华. 非接触式红外测温仪在变电站的应用[J]. 硅谷, 2015, 8(2): 95-95, 122. Guo Jie, Zhang Hua. Application of non-contact infrared thermometer in substation[J]. Silicon Valley, 2015, 8(2): 95-95, 122.
[24] Dileep H, Jha K K, Mahapatra P S, et al. Thermal characterization of pouch cell using infrared thermography and electrochemical modelling for the design of effective battery thermal management system[J]. Applied Energy, 2024, 376: 124301.
[25] Stoynova A, Bonev B, Rizanov S. Thermographic study of thermal processes during battery charging and discharging[C]//2021 44th International Spring Seminaron Electronics Technology (ISSE), Bautzen, Germany, 2021: 1-6.
[26] 张凯, 李正国, 张强. 红外测温技术在动力电池热管理系统中的应用[J]. 汽车工业研究, 2013(4): 50-53. Zhang Kai, Li Zhengguo, Zhang Qiang. Application of infrared temperature measurement technology in thermal management system of power battery[J]. Auto Industry Research, 2013(4): 50-53.
[27] 刘婕, 路桂娟. 消防用锂电池研究与分析[J]. 电源技术, 2016, 40(8): 1588-1589. Liu Jie, Lu Guijuan. Research and analysis of lithium batteries for fire fighting apparatus[J]. Chinese Journal of Power Sources, 2016, 40(8): 1588-1589.
[28] Li Yitian, Pan Dong, Jiang Zhaohui, et al. Adaptive compensation method for the infrared temperature measurement error based on 3-D thermal imaging[J]. IEEE Sensors Journal, 2023, 23(10): 10525-10537.
[29] 王黎明, 付铠玮, 梅红伟, 等. 环境湿度对复合绝缘子红外测温的影响[J]. 高电压技术, 2019, 45(6): 1955-1961. Wang Liming, Fu Kaiwei, Mei Hongwei, et al. Influence of environmental humidity on infrared measurement temperature of composite insulators[J]. High Voltage Engineering, 2019, 45(6): 1955-1961.
[30] 郑涛, 王瑞圳, 张红. 基于图像处理的全钒液流电池红外测温方法[J]. 电源技术, 2019, 43(9): 1499-1502. Zheng Tao, Wang Ruizhen, Zhang Hong. Infrared temperature measurement of VRB system based on image processing[J]. Chinese Journal of Power Sources, 2019, 43(9): 1499-1502.
[31] Giulietti N, Chiariotti P, Zanelli F, et al. Combined use of infrared imaging and deep-learning techniques for real-time temperature measurement of train braking components[J]. IEEE Transactions on Instrumentation and Measurement, 2025, 74: 5009908.
[32] Pan Dong, Jiang Zhaohui, Li Yitian, et al. Intelligent compensation method of infrared temperature measurement for multiple interference factors[J]. IEEE Sensors Journal, 2022, 22(19): 18550-18559.
[33] Wang Jianguo, Ou Jianhua, Fan Yadong, et al. Online monitoring of electrical equipment condition based on infrared image temperature data visualization[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2022, 17(4): 583-591.
[34] Jia Shaoyu, Zhang Sa, Cai Meiyu, et al. Fiber-optic temperature sensing system with extended measurement range via Sagnac interferometer and FBG-integrated fiber ring laser[J]. Optics Communications, 2025: 132617.
[35] Huang Jiaqiang, Albero Blanquer L, Bonefacino J, et al. Operando decoding of chemical and thermal events in commercial Na(Li)-ion cells via optical sensors[J]. Nature Energy, 2020, 5(9): 674-683.
[36] Huang Jiaqiang, Han Xile, Liu Fu, et al. Monitoring battery electrolyte chemistry via in-operando tilted fiber Bragg grating sensors[J]. Energy & Environ-mental Science, 2021, 14(12): 6464-6475.
[37] Sommer L W, Raghavan A, Kiesel P, et al. Embedded fiber optic sensing for accurate state estimation in advanced battery management systems[J]. MRS Online Proceedings Library, 2014, 1681(1): 1-7.
[38] Mei Wenxin, Liu Zhi, Wang Chengdong, et al. Operando monitoring of thermal runaway in commercial lithium-ion cells via advanced lab-on-fiber technologies[J]. Nature Communications, 2023, 14: 5251.
[39] Niu Rongrong, Liu Qingwen, Deng Yuanpeng, et al. Quasi-distributed fiber-optic sensor with large measurement range for both static and dynamic signals[J]. Journal of Lightwave Technology, 2024, 43(3): 1437-1444.
[40] 梁大巍, 黄尚廉. 分布式光纤温度传感器的研究现状及发展[J]. 应用光学, 1991,12(2): 1-6. Liang Dawei, Huang Shanglian. Research status and development of distributed optical-fiber temperature sensor[J]. Journal of Applied Optics, 1991, 12(2): 1-6.
[41] 赵明富, 谭睿, 钟年丙, 等. 准分布式光纤Bragg光栅传感器在微生物燃料电池温度场测量中的应用[J]. 激光杂志, 2015,36(2): 78-80. Zhao Mingfu, Tan Rui, Zhong Nianbing, et al. Quasi-distributed optical fiber Bragg grating sensing system in the application of the measurement of the microbial fuel cell temperature field[J]. Laser Journal, 2015, 36(2): 78-80.
[42] Nascimento M, Ferreira M S, Pinto J L. Temperature fiber sensing of Li-ion batteries under different environmental and operating conditions[J]. Applied Thermal Engineering, 2019, 149: 1236-1243.
[43] Xia Xudong, Wu Wen, Li Zhencheng, et al. State of charge estimation for commercial Li-ion battery based on simultaneously strain and temperature monitoring over optical fiber sensors[J]. IEEE Transactions on Instrumentation and Measurement, 2024, 73: 2516411.
[44] Korganbayev S, De Landro M, Morra F, et al. Fiber optic sensors for distributed and quasi-distributed temperature measurement[C]//2020 IEEE SENSORS, Rotterdam, Netherlands, 2020: 1-4.
[45] 匡绍龙, 朱学斌. 分布式光纤温度传感器原理及其在变电站温度监测中的应用[J]. 电力自动化设备, 2004,24(9): 79-81. Kuang Shaolong, Zhu Xuebin. Principle of distributed optical fiber temperature sensor and its application in substation temperature monitoring[J]. Electric Power Automation Equipment, 2004, 24(9): 79-81.
[46] Yu Yifei, Vergori E, Worwood D, et al. Distributed thermal monitoring of lithium ion batteries with optical fibre sensors[J]. Journal of Energy Storage, 2021, 39: 102560.
[47] 谢良康, 马国轩, 李炜, 等. 基于SVD的BOTDA测温系统的解调算法研究[J]. 测控技术, 2023, 42(11): 13-17, 31. Xie Liangkang, Ma Guoxuan, Li Wei, et al. Research on demodulation algorithm of BOTDA temperature measurement system based on SVD[J]. Measurement & Control Technology, 2023, 42(11): 13-17, 31.
[48] 刘洋, 吴双, 赵永刚. 热电偶温度传感器的研究与发展现状[J]. 中国仪器仪表, 2003(11): 1-3. Liu Yang, Wu Shuang, Zhao Yonggang. Research and developing status on temperature sensor of thermocouple [J]. China Instrumentation, 2003(11): 1-3.
[49] Yang Yang, Raymand D, Brandell D. A cost-effective alternative to accelerating rate calorimetry: analyzing thermal runaways of lithium-ion batteries through thermocouples[J]. Journal of Power Sources, 2024, 612: 234807.
[50] Lee S J, Lee C Y, Chung M Y, et al. Lithium-ion battery module temperature monitoring by using planer home-made micro thermocouples[J]. International Journal of Electrochemical Science, 2013, 8(3): 4131-4141.
[51] Mutyala M S K, Zhao Jingzhou, Li Jianyang, et al. In-situ temperature measurement in lithium ion battery by transferable flexible thin film thermocouples[J]. Journal of Power Sources, 2014, 260: 43-49.
[52] Forgez C, Vinh Do D, Friedrich G, et al. Thermal modeling of a cylindrical LiFePO4/graphite lithium-ion battery[J]. Journal of Power Sources, 2010, 195(9): 2961-2968.
[53] Koshkouei M J, Fereshteh Saniee N, Barai A. Thermocouple selection and its influence on temperature monitoring of lithium-ion cells[J]. Journal of Energy Storage, 2024, 92: 112072.
[54] Guo Dengji, Li Weichang, Pan Taisong, et al. Implantable flexible temperature sensor for in-operando sensing of Lithium-ion batteries[C]//2023 24th International Conference on Electronic Packaging Technology (ICEPT), Shihezi City, China, 2024: 1-4.
[55] Pan Taisong, Zheng Xunbo, Guo Dengji, et al. Operando monitoring of internal temperature in lithium-ion battery enabled by wireless implantable sensor with ultrasonic communication[J]. Journal of Energy Storage, 2024, 101: 113977.
[56] Lei Liang, Dong Bo, Hu Yuxuan, et al. High-frequency surface acoustic wave resonator with diamond/AlN/IDT/AlN/diamond multilayer structure [J]. Sensors, 2022, 22(17): 6479.
[57] 崔柏乐, 杨启明, 王文. 声表面波气体传感器研究进展[J]. 压电与声光, 2024, 46(6): 827-839.Cui Baile, Yang Qiming, Wang Wen. Review of surface acoustic wave-based gas sensor[J]. Piezoelectrics & Acoustooptics, 2024, 46(6): 827-839.
[58] Plessky V P, Reindl L M. Review on SAW RFID tags[J]. IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control, 2010, 57(3): 654-668.
[59] Hauser R, Fachberger R, Bruckner G, et al. A wireless SAW-based temperature sensor for harsh environment [C]//SENSORS, 2004 IEEE, Vienna, Austria, 2005: 860-863.
[60] Reindl L, Shrena I, Kenshil S, et al. Wireless measurement of temperature using surface acoustic waves sensors[C]//IEEE International Frequency Control Symposium and PDA Exhibition Jointly with the 17th European Frequency and Time Forum, 2003, Tampa, FL, USA, 2004: 935-941.
[61] Stelzer A, Scheiblhofer S, Schuster S, et al. Wireless sensor marking and temperature measurement with SAW-identification tags[J]. Measurement, 2008, 41(5): 579-588.
[62] Rodriguez L M, Gallagher D R, Gallagher M W, et al. Wireless SAW sensor temperature extraction precision [J]. IEEE Sensors Journal, 2014, 14(11): 3830-3837.
[63] Qu Yuanhang, Chen Xiang, Liu Yan, et al. Novel AlN/ScAlN composite film SAW for achieving highly sensitive temperature sensors[J]. Sensors and Actuators A: Physical, 2025, 381: 116079.
[64] Zhou Xuhang, Tan Qiulin, Liang Xiaorui, et al. Novel multilayer SAW temperature sensor for ultra-high temperature environments[J]. Micromachines, 2021, 12(6): 643.
[65] Mustafa M, Rizwan M, Kashif M, et al. LC passive wireless sensor system based on two switches for detection of triple parameters[J]. Sensors, 2022, 22(8): 3024.
[66] Zhang Guangjin, Tan Qiulin, Lin Baimao, et al. A novel temperature and pressure measuring scheme based on LC sensor for ultra-high temperature environment[J]. IEEE Access, 2019, 7: 162747-162755.
[67] De Hennis A D, Wise K D. A wireless microsystem forthe remote sensing of pressure, temperature, and relativehumidity[J]. Journal of Microelectromechanical Systems, 2005, 14(1): 12-22.
[68] Ren Qingying, Wang Lifeng, Huang Jianqiu, et al. Simultaneous remote sensing of temperature and humidity by LC-type passive wireless sensors[J]. Journal of Microelectromechanical Systems, 2015, 24(4): 1117-1123.
[69] Wang Ya, Jia Yi, Chen Qiushui, et al. A passive wireless temperature sensor for harsh environment applications[J]. Sensors, 2008, 8(12): 7982-7995.
[70] Rida A, Vyas R, Wu T, et al. Development and implementation of novel UHF paper-based RFID designs for anti-counterfeiting and security applications[C]//2007 International Workshop on Anti-Counterfeiting, Security and Identification (ASID), Xizmen, China, 2007: 52-56.
[71] Zhu Wenge, Zhang Qi, Matlin M, et al. Passive digital sensing method and its implementation on passive RFID temperature sensors[J]. IEEE Sensors Journal, 2021, 21(4): 4793-4800.
[72] Girbau D, Ramos Á, Lazaro A, et al. Passive wireless temperature sensor based on time-coded UWB chipless RFID tags[J]. IEEE Transactions on Microwave Theory and Techniques, 2012, 60(11): 3623-3632.
[73] Pradhan S, Qiu Lili. RTSense: passive RFID based temperature sensing[C]//Proceedings of the 18th Conference on Embedded Networked Sensor Systems, Japan, 2020: 42-55.
[74] Kang Along, Zhang Chenrui, Ji Xiaojun, et al. SAW-RFID enabled temperature sensor[J]. Sensors and Actuators A: Physical, 2013, 201: 105-113.
[75] Gao Xu, Cheng Lina, Xue Xufeng, et al. Development of wireless and passive SAW temperature sensor with very high accuracy[J]. Applied Sciences, 2021, 11(16): 7422.
[76] 王雅. 面向旋转环境测试的无线无源温度-应变双参数传感器研究[D]. 太原: 中北大学, 2021. Wang Ya. Research on wireless passive temperature and strain dual-parameter sensor for rotating environment testing[D]. Taiyuan: North University of China, 2021.
[77] 田文卓. 一种适用于RFID标签的高精度温度传感器的分析与设计[J]. 计算机与数字工程, 2013, 41(4): 666-669. Tian Wenzhuo. A temperature sensor with ultra-high accuracy for RFID tags[J]. Computer & Digital Engineering, 2013, 41(4): 666-669.
[78] 刘嘉豪. 多温度工况下锂离子电池电化学热耦合模型参数辨识与产热行为研究[D]. 西安: 西安理工大学, 2024. Liu Jiahao. Parameter identification and thermal behavior research of electrochemical-thermal coupling model of Li-ion battery under multi-temperature conditions[D]. Xi’an: Xi’an University of Technology, 2024.
[79] Kumaresan K, Sikha G, White R E. Thermal model for a Li-ion cell[J]. Journal of the Electrochemical Society, 2008, 155(2): A164.
[80] Xu Meng, Zhang Zhuqian, Wang Xia, et al. Two-dimensional electrochemical–thermal coupled modeling of cylindrical LiFePO4 batteries[J]. Journal of Power Sources, 2014, 256: 233-243.
[81] Xu Meng, Zhang Zhuqian, Wang Xia, et al. A pseudo three-dimensional electrochemical–thermal model of a prismatic LiFePO4 battery during discharge process[J]. Energy, 2015, 80: 303-317.
[82] Wang Jingrong, Meng Jinhao, Peng Qiao, et al. An electrochemical-thermal coupling model for lithium-ion battery state-of-charge estimation with improve dual particle filter framework[J]. Journal of Energy Storage, 2024, 87: 111473.
[83] Zhao Yihang, Wei Mingshan, Dan Dan, et al. Enhancing battery electrochemical-thermal model accuracy through a hybrid parameter estimation framework[J]. Energy Storage Materials, 2024, 72: 103720.
[84] Pang Hui, Liu Jiahao, Yan Xiangping, et al. Parameterization and heat generation investigation of cylindrical lithium batteries based on a reconstructed electrochemical-thermal coupling model[J]. Applied Thermal Engineering, 2024, 257: 124328.
[85] Yuan Qingyang, Zhang Zhonggui, Zhang Bo. A thermal modeling approach for pouch lithium-ion batteries based on mode–thermal power mapping[J]. Applied Thermal Engineering, 2025, 280: 128296.
[86] Yan Xiangping, Chen Kaiqiang, Pang Hui, et al. State of temperature estimation for a lithium-ion battery cell using adaptive unsent Kalman filter[C]//2024 IEEE 7th International Electrical and Energy Conference (CIEEC), Harbin, China, 2024: 4141-4145.
[87] Wang Yong, Deng Yelin, Liu Weiwei, et al. Thermal analysis for lithium-ion battery pack based on parameter estimation based on genetic algorithm[J]. IOP Conference Series: Materials Science and Engineering, 2020, 793(1): 012015.
[88] Lin Xinfan, Perez H E, Siegel J B, et al. Online parameterization of lumped thermal dynamics in cylindrical lithium ion batteries for core temperature estimation and health monitoring[J]. IEEE Transactions on Control Systems Technology, 2013, 21(5): 1745-1755.
[89] Liu Shichuang, Sun Huanwu, Yu Haotong, et al. A framework for battery temperature estimation based on fractional electro-thermal coupling model[J]. Journal of Energy Storage, 2023, 63: 107042.
[90] Dai Haifeng, Zhu Letao, Zhu Jiangong, et al. Adaptive Kalman filtering based internal temperature estimation with an equivalent electrical network thermal model for hard-cased batteries[J]. Journal of Power Sources, 2015, 293: 351-365.
[91] 常小兵, 侯宗尚, 刘连起, 等. 基于电热耦合效应的锂电池荷电状态与温度状态联合估计[J]. 储能科学与技术, 2024, 13(4): 1142-1153. Chang Xiaobing, Hou Zongshang, Liu Lianqi, et al. Joint estimation of the state of charge and temperature of lithium batteries based on the electric thermal coupling effect[J]. Energy Storage Science and Technology, 2024, 13(4): 1142-1153.
[92] Zhang Xingchen, Wang Yujie, Chen Zonghai. SoC-modified core temperature estimation of lithium-ion battery based on control-oriented electro-thermal model[J]. IEEE Transactions on Power Electronics, 2023, 38(9): 11642-11651.
[93] Liu Menglin, Zhou Xiaodong, Yang Lizhong, et al. A novel Kalman-filter-based battery internal temperature estimation method based on an enhanced electro-thermal coupling model[J]. Journal of Energy Storage, 2023, 71: 108241.
[94] Ma Shuai, Jiang Modi, Tao Peng, et al. Temperature effect and thermal impact in lithium-ion batteries: a review[J]. Progress in Natural Science: Materials International, 2018, 28(6): 653-666.
[95] Juang L W, Kollmeyer P J, Zhao Ruxiu, et al. The impact of DC bias current on the modeling of lithium iron phosphate and lead-acid batteries observed using electrochemical impedance spectroscopy[C]//2014 IEEE Energy Conversion Congress and Exposition (ECCE), Pittsburgh, PA, USA, 2014: 2575-2581.
[96] Fan Wenjie, Zhang Zhibin, Dong Ming, et al. On-line estimation method for internal temperature of lithium-ion battery based on electrochemical impedance spectroscopy[C]//2021 IEEE Electrical Insulation Conference (EIC), Denver, CO, USA, 2021: 247-251.
[97] Zheng Yusheng, Weinreich N A, Kulkarni A, et al. Sensorless state of temperature estimation for smart battery based on electrochemical impedance[C]//2023 25th European Conference on Power Electronics and Applications (EPE'23 ECCE Europe), Aalborg, Denmark, 2023: 1-8.
[98] 李强, 杨林, 李超凡, 等. 基于SVR和电化学阻抗谱的锂电池内部温度在线估计[J]. 电源技术, 2024, 48(9): 1738-1746. Li Qiang, Yang Lin, Li Chaofan, et al. Online estimation of internal temperature of lithium battery based on SVR and electrochemical impedance spectroscopy[J]. Chinese Journal of Power Sources, 2024, 48(9): 1738-1746.
[99] Fang Zheng, Wang Mengyi, Hu Weifeng, et al. Temperature-field sparse-reconstruction of lithium-ion battery pack based on artificial neural network and virtual thermal sensor technology[J]. Energy Technology, 2021, 9(10): 2100258.
[100] Zhao Xinze, Sun Bingxiang, Zhang Weige, et al. Temperature field spatiotemporal modeling of lithium-ion battery pack configured sparse temperature sensors[J]. Journal of Energy Storage, 2024, 97: 113005.
[101] 苑清扬, 薛珂, 张博, 等. Gappy POD算法重构储能电池组核心温度及与BP神经网络预测能力对比[J]. 工程科学学报, 2024, 46(1): 166-177. Yuan Qingyang, Xue Ke, Zhang Bo, et al. Gappy POD algorithm for reconstructing the core temperature of energy-storage battery packs and its comparison with BP neural network prediction ability[J]. Chinese Journal of Engineering, 2024, 46(1): 166-177.
[102] Han Jiajie, Yuan Qingyang, Li Yu, et al. Real-time temperature prediction of large-scale lithium battery module driven by data based on few measurement points[J]. Chinese Journal of Engineering, 2025, 47(5): 1103-1116.
[103] 徐晶, 丁凡, 王翔, 等. 基于BP神经元网络的锂电池温度预测[J]. 南方农机, 2022, 53(9): 42-44, 53. Xu Jing, Ding Fan, Wang Xiang, et al. Temperature prediction of lithium battery based on BP neural network[J]. China Southern Agricultural Machinery, 2022, 53(9): 42-44, 53.
[104] Panchal S, Mathew M, Dincer I, et al. Thermal and electrical performance assessments of lithium-ion battery modules for an electric vehicle under actual drive cycles[J]. Electric Power Systems Research, 2018, 163: 18-27.
[105] 陈来恩, 曾小勇, 曾子豪, 等. 结合物理信息与深度神经网络的锂离子电池温度预测[J/OL]. 中国电力, 1-8[2024-11-14].http://kns.cnki.net/kcms/detail/ 11.3265.tm.20240619.1455.005.html. Chen Lai’en, Zeng Xiaoyong, Zeng Zihao, et al. Temperature prediction of lithium-ion batteries using a combination of physical information and deep neural networks [J/OL]. China Electric Power, 1-8[2024-11-14].http://kns.cnki.net/kcms/detail/11.3265.tm.20240619. 1455.005.html.
[106] Yao Qi, Lu D D, Lei Gang. A surface temperature estimation method for lithium-ion battery using enhanced GRU-RNN[J]. IEEE Transactions on Transportation Electrification, 2023, 9(1): 1103-1112.
[107] 叶石丰, 洪朝锋, 綦晓, 等. 基于EEMD-GRU-NN锂离子电池表面温度预测方法研究[J/OL]. 储能科学与技术, 1-10[2024-11-03].https://doi.org/10.19799/ j.cnki.2095-4239.2024.0571. Ye Shifeng, Hong Chaofeng, Qi Xiao, et al. research on surface temperature prediction method of EEMD-GRU-NN lithium ion battery[J/OL]. Energy Storage Science and Technology, 1-10 [2022-11-03] https:// doi.org/10.19799/j.cnki.2095-4239.2024.0571.
[108] Liu Liang, Xu Guangguang, Wang Yun, et al. Battery temperature estimation at wide C-rates using the LSTM model based on polarization characteristics[J]. Journal of Energy Storage, 2024, 101: 113941.
[109] Wang Yuchen, Xiong Can, Ju Changjiang, et al. A deep transfer operator learning method for temperature field reconstruction in a lithium-ion battery pack[J]. IEEE Transactions on Industrial Informatics, 2024, 20(6): 8089-8101.
[110] Chen Hong, Hu Yuchen, Chen Zehong, et al. Direct reconstruction of the temperature field of lithium-ion battery based on mapping characteristics[J]. Measurement, 2024, 234: 114850.
[111] Tian Ning, Fang Huazhen, Wang Yebin. 3-D temperature field reconstruction for a lithium-ion battery pack: a distributed Kalman filtering approach [J]. IEEE Transactions on Control Systems Technology, 2019, 27(2): 847-854.
[112] Qi Xiao, Hong Chaofeng, Gu Lijun, et al. Surface temperature field reconstruction of lithium-ion batteriestoward lumped thermal model-based KF-MLP estimationalgorithm[J]. IEEE Transactions on Industrial Informatics, 2025, 21(6): 4841-4851.
[113] Wang Zhongyu, Wang Guangjun, Chen Hong, et al. Temperature response correlation model between body and coolant and direct reconstruction of temperature field in lithium-ion battery pack[J]. Applied Thermal Engineering, 2025, 278: 127186.
[114] Zhang Tao, Wang Guangjun, Chen Hong, et al. Temperature response spatiotemporal correlation model of lithium-ion battery and temperature field reconstruction during charging and discharging processes[J]. Energy, 2025, 324: 135902.
Abstract Lithium-ion batteries have become the core energy carriers in new energy vehicles and large-scale energy storage systems due to their high energy density, long cycle life, and rapid response characteristics. However, inadequate temperature monitoring and sensing capabilities under complex and harsh operating conditions severely constrain system thermal safety and operational stability. Temperature field reconstruction serves as a critical link between localized discrete temperature measurements and the global continuous temperature field. By deeply integrating multi-source temperature measurement data, high-fidelity mechanistic models, and advanced intelligent algorithms, this technology enables high-precision inversion and dynamic modeling of the spatial–temporal distribution characteristics of the battery’s global temperature field, supporting accurate monitoring of thermal runaway. This paper presents a systematic review of recent advances in battery temperature monitoring technologies through a unified three-tier framework: temperature measurement, temperature perception, and temperature field reconstruction. In temperature measurement, non-contact and contact methods—the two mainstream approaches—are comparatively analyzed. Non-contact techniques, such as infrared thermometers, infrared thermal imaging, and fiber-optic non-contact thermometry, offer rapid, long-distance sensing suitable for harsh environments but are susceptible to interference from ambient radiation, surface emissivity variations, and other environmental factors. Contact-based methods are categorized into wired active sensors (e.g., fiber-optic sensors, thermocouples, and resistance temperature detectors) and wireless passive sensors (e.g., surface acoustic wave surface acoustic wave (SAW) sensors, LC resonant sensors, and radio frequency identification (RFID)-based temperature sensors). Wired active sensors provide high accuracy and fast response, whereas wireless passive types require no wiring or external power supply, making them well-suited for enclosed or structurally complex battery configurations. Both categories face challenges including limited spatial deployment density and insufficient long-term stability. In temperature perception, four representative methodologies are examined. The electrochemical–thermal coupling model integrates multi-physics equations to accurately describe the interaction between electrochemical reactions and thermal dynamics; following model order reduction—such as partial differential equation (PDE)-based reduced-order models (ROMs) and proper orthogonal decomposition (POD)—both computational efficiency and prediction accuracy are improved. The electro–thermal coupling model solves equivalent circuit networks and thermal models in a coupled manner; when enhanced with algorithms such as Kalman filtering, it achieves an average temperature estimation error as low as ±0.2℃. The electrochemical impedance spectroscopy (EIS) method estimates temperature by analyzing the mapping relationship between impedance spectra and thermal state; after characteristic frequency selection and fusion with machine learning algorithms, its error is typically controlled within ±0.8℃ to ±1.5℃. Data-driven approaches leverage the strong nonlinear mapping capability of neural networks to achieve accurate temperature estimation from a small number of measurement points, with reported average errors as low as ±0.1℃.Regarding temperature field reconstruction, two algorithmic paradigms are summarized: data-driven and data–mechanism joint-driven methods. Data-driven models—including back-propagation (BP) neural networks, gated recurrent units (GRUs), and long short-term memory (LSTM) networks—reconstruct the global temperature field using limited measurement data, yielding average errors in the range of ±0.17℃ to ±1.5℃; the incorporation of transfer learning helps reduce training time. Data–mechanism joint-driven approaches—such as PDE-informed deep operator networks (PDE-Deep ONet), Kalman filter–integrated models, and the Thermal Reconstruction via Constrained Minimization (TRCM) algorithm—combine physical constraints with data-fitting capabilities, achieving reconstruction errors as low as ±0.0761℃. By organizing existing research within the measurement–perception–reconstruction framework, this review identifies key technical bottlenecks and synthesizes core optimization pathways across diverse methodologies, offering a structured reference for advancing precision thermal management in lithium-ion battery systems.
Keywords: Lithium-ion battery, temperature measurement, temperature sensing, temperature field reconstruction
DOI: 10.19595/j.cnki.1000-6753.tces.251488
中图分类号：TM911
国家自然科学基金重点项目（52337009）、国家自然科学基金项目（52307238）、天津市自然科学基金青年科学基金项目（25JCQNJC01110）和河北省骨干人才项目（B2025005008）资助。
收稿日期 2025-08-25
改稿日期 2025-11-19
徐志成 男，1995 年生，副教授，博士生导师，研究方向为锂离子电池高精建模与状态感知、储能系统多源监测与安全管理等。E-mail：xzc@hebut.edu.cn
蒋 凯 男 1976年生，教授，博士生导师，研究方向为新能源材料和新型储能技术等。E-mail：kjiang@hust.edu.cn（通信作者）