过充电作为锂离子电池主要的滥用形式之一,是近几年研究的热点。对于过充电的研究,国内外学者大多关注于持续过充电至热失控这一阶段,受限于国标的要求,这种情况并不多见,更为常见的是微过充电。然而,目前微过充电的损伤机理尚不清晰,针对于微过充电这种微小滥用展开的故障诊断研究相对较少。因此,本文建立了锂电池的电化学-热耦合模型对正常充电至微过充电期间的电化学特性和热特性进行了研究,基于阈值法提出了电池过充多级预警策略。此外,通过实验发现电池在微过充循环过程中,电池容量衰减速率增加。因此,本文通过使用长短期记忆神经网络（Long Short-Term Memory,LSTM）构建容量加速衰减预测模型,基于微过充电电池与正常电池全生命周期容量衰减速度的差异性,提出了电池微过充故障预警算法。本文具体研究内容如下:（1）建立了锂离子电池正常充电至微过充电期间的三维电化学-热耦合模型。该模型由不同阶段的四个子模型组建而成,通过与微过充电的实验数据进行对比,验证了模型的准确性。（2）基于验证后的电化学-热耦合模型对电池的温度分布和产热源进行了分析,结合温度曲线、电压曲线以及产热的变化,提出了微过充电的多级预警方案,将正常充电至微过充电划分为三个区域,并以沉积锂与电解液开始发生反应的时刻作为预警的关键点。对电化学-热耦合模型进行了参数化分析,探究不同电池参数对电池在微过充电期间安全性的影响,发现适当减小正极厚度和固体电解质界面膜（Solid Electrolyte Interphase,SEI）电阻将有效降低电池微过充电末时刻的最大温度,减小电池的危险性。（3）以充电截止电压作为变量,开展了锂电池不同工况下的微过充电循环实验。利用增量容量分析法和电化学阻抗谱分析法对锂电池的损伤机理进行了分析,发现对于充电截至电压在4.3V-4.4V之间的微过充电电池,其主要老化模式为活性锂离子的损失。（4）搭建了两层LSTM网络模型,实现对微过充电循环工况下电池容量的准确预测。基于微过充电滥用下的电池容量衰减速度与正常电池容量衰减速度之间的差异性,计算每个预测区间的容量与正常电池对应区间离线容量之间的均方根误差值,并将其与选定阈值连续3次比较的结果作为故障诊断的依据,实现对遭受微过充电滥用电池的提前识别。