锂离子电池作为便携式电子设备、电动汽车和储能系统的可充电电源得到广泛应用，但其安全性问题阻碍了进一步推广（Xu等，2023，2024；Sheng等，2022；Nasajpour-Esfahani等，2024）。包括电解液泄漏、起火或爆炸在内的安全隐患，通常由热失控、电气滥用、机械故障及其他损伤等多种原因引发（Hussain等，2024；Zhang等，2018；Jia等，2020；Feng等，2018）。除了结构和材料的改进外，电池管理系统（BMS）作为电池的"大脑"在应用中也至关重要。当前主流BMS主要专注于监测电池状态（如荷电状态SOC、健康状态SOH）、控制充放电行为、管理温度、协调通信交互、诊断故障、记录数据，其监测参数通常为电压、电流和温度（Mama等，2025；Gabbar等，2021；Dai等，2021；Nyamathulla和Dhanamjayulu，2024）。然而，即便采用BMS，电池安全事故仍时有发生。因此，迫切需要开发更可靠、更先进的BMS以提升电池安全性。 在影响电池安全性的诸多因素中，热失控现象已引发广泛关注，通常采用热电偶进行监测（Wang等，2023）。然而在某些滥用条件下（如反应产生的高内压工况），监测到的温度变化甚微，而当内压超过壳体强度时，此类压力会导致易燃电解液泄漏，进而可能引发燃烧或爆炸（Zhou等，2016）。此外，产生的热量还会造成壳体变形，进一步加剧电解液的泄漏风险。根据文献报道（Zhou et al., 2016; Deng et al., 2018; Chen et al., 2023a; Xie et al., 2023; Jia et al., 2022），当内部压力升高时，电池壳体首先发生形变，随后因壳体强度无法承受内压而导致危害产生。此外，机械滥用还会影响电池容量与阻抗特性（Yin et al., 2023）。因此，壳体形变与电池失效及安全性密切相关（Xia and Mi, 2016; Wei et al., 2023; Sun and Kainz, 2024; Cao et al., 2024）。 与危险条件直接相关的形变程度可用应变描述（Xia and Tang, 2021）。影响电池形变的关键内部因素包括电荷排斥、热变化、电极反应、副反应、锂离子迁移以及结构完整性（Zhou et al., 2016; Zhang et al., 2022a; Zhu et al., 2016, 2018; Guan et al., 2023; Chen et al., 2023b）。为实时监测应变，研究者提出了无损检测方法，并通过建立应变-应力关系来评估荷电状态（SOC）对安全性与性能的影响（Zhou et al., 2016）。Zhu等（2021）采用集成方法测量18650电池的周向内应变，并分析了应变分布对安全性的影响。电极应变是荷电状态的函数（Yu et al., 2022）。然而，电池应变与危险性的直接关联机制仍不明确，基于应变的危险预警研究仍鲜见报道。因此，快速检测与预测应变对于诊断和预防电池危害至关重要。 (F. A. 和 Rizwan, 2025) 提出了一种集成的深度集成框架和动态风险感知老化策略，以解决传统老化方法缺乏实时适应性的问题，并开发了一种先进的半马尔可夫决策过程（SMDP）模型，该模型通过协同优化老化与预测性维护策略来提升制造系统的可靠性。Chen 等人(2023c) 采用物理信息神经网络（PINN）方法预测全钒氧化还原液流电池的性能，并利用电池系统先验知识改进通用神经网络，从而使电压预测更加精确。Mohanty 等人 (2023) 提出了一种新方法，仅以本地端电流测量值作为决策树（DT）分类器的输入，用于检测晶闸管控制串联电容器（TCSC）补偿输电线路中的功率摆动期间的故障。然而，当前大多数电池管理研究集中于温度和电压、电流等电学参数，忽视了与安全性直接相关的形变特性。此外，尚未见有关形变预测的公开报道。 本文提出了一种基于改进Informer神经网络实时动态应变预测的电池危害识别策略。该神经网络通过在Informer模型中添加线性回归正则化器进行优化建立，并采用通过无损应变片获取的大量测试应变数据训练模型，以实现对未来应变的提前预测。通过将预测应变与对应时段的测试应变进行对比，可快速有效地识别被监测电池的危害。该研究提供了一种利用应变进行电池管理的关键策略，与电压、电流或温度等现有监测信号相比，能够更准确地识别危害。
