AI储能柜热失控预警：温升斜率与内阻漂移

储能柜的安全预警长期依赖阈值报警，问题在于阈值往往在异常已成型之后才触发。本期能源AI实验室围绕电芯级温升与内阻的早期漂移做了一组实验：将BMS已有的单体电压、温度、电流采样按10秒粒度对齐，构造三类特征——温升斜率、充电阶段内阻估计、同簇电芯间的离散度，再用轻量梯度提升模型做短时预测，判断未来15分钟是否进入异常区间。

阶段进展：在两组共42个簇的历史数据上回测，模型对提前10分钟以上的热异常召回率约0.86，误报较固定阈值方案下降约六成；模型参数量控制在边缘可部署范围内，可在BMS侧或本地网关推理，不依赖上云。

要点：
· 特征工程优先于模型复杂度：内阻漂移与温升斜率的判别力明显高于绝对温度本身；
· 下一步计划：接入空调与消防联动信号，验证从预警到处置的闭环时延，并补充低温环境样本。