Актуальность. В настоящее время человечество сталкивается с рядом экологических вызовов, среди которых наибольшее значение имеет изменение климата. Основным фактором климатических изменений является глобальное потепление, вызванное значительными выбросами парниковых газов. Одним из ключевых направлений решения данной проблемы является внедрение возобновляемых источников энергии. Однако нестабильность их работы обуславливает необходимость использования систем накопления электроэнергии для обеспечения бесперебойного электропитания потребителей. В этом контексте литий-ионные аккумуляторы являются одними из наиболее перспективных устройств накопления электроэнергии благодаря высокой удельной энергии, ресурсу и эффективности. Однако в процессе эксплуатации литий-ионные аккумуляторы подвержены риску теплового разгона – трудно предсказуемого явления, способного привести к аварийным последствиям. Поэтому задача своевременного прогнозирования предаварийного состояния литий-ионных аккумуляторов становится крайне актуальной с точки зрения обеспечения безопасности. Прямые экспериментальные исследования аварийных состояний сопряжены с высокими затратами и техническими сложностями, поскольку аккумуляторы после теплового разгона, как правило, становятся непригодными для дальнейшей эксплуатации. Это определяет практическую значимость разработки модели напряжения аккумулятора для оценки его предаварийного состояния. Цель данной работы заключается в разработке модели напряжения литий-ионных аккумуляторов в предаварийном состоянии, возникающем, например, при режиме перезаряда. Методы. Опубликованные данные напряжения аккумулятора в предаварийном режиме, математические методы для аппроксимации характеристик и построения соответствующей динамической модели напряжения литий-ионных аккумуляторов. Результаты и выводы. Разработанная модель достаточно адекватно характеризует динамику изменения напряжения аккумулятора в режиме перезаряда. При сравнении с эталонной моделью максимальная погрешность уточненной модели составляет примерно 6,5 %, а средняя относительная погрешность – 0,6 %, что подтверждает эффективность предложенного подхода для использования в задаче прогнозирования.