大數據驅動動力電池智能安全管理與控制方法研究*

洪吉超，梁峰偉，楊海旭，李克瑞

（1.北京科技大學機械工程學院，北京 100083；2.北京科技大學順德創新學院，佛山 528000）

前言

為了減少溫室氣體排放和緩解能源危機，新能源汽車得到了快速發展和普及［1］。如圖1所示，截至2022 年，我國新能源汽車保有量達1 310 萬輛，位居全球第一。據統計，2021 年新能源汽車火災安全事故達3 000多起，其中絕大多數都是由于動力電池故障所導致［2-3］。電池熱失控對駕乘人員的人身和財產安全造成極大危害，如何有效檢測電池故障并提前預警至關重要［4-5］。

圖1 我國新能源汽車和純電動汽車保有量近5年數據

基于動力電池系統內部結構關系，目前通常將電池故障分為電池組件故障、傳感器故障和執行器故障3 類。Tran 等［6］將電池故障分成內部故障和外部故障。該分類既包含結構關系分類，例如內短路故障、外短路故障和過充/過放電故障等，又包含故障表現分類，例如加速衰減和過熱等。表1 描述了各類故障的相互關系，不同故障各具特點但又互相耦合，從而構成復雜的故障網絡。目前動力電池故障診斷方法可以分為基于模型方法、基于信號分析方法、基于數據驅動方法和基于統計分析方法。Feng 等［7］建立了電池電化學-熱耦合模型對內短路故障展開研究，通過對比發現電池荷電狀態（state of charge，SOC）和產熱功率不同可以及時檢測到內短路。Yao等［8］對電池電壓波動信號進行處理，引入了熵理論來分析電池間機械連接故障。除此之外，常用故障診斷方法還有神經網絡、支持向量機、小波變換等［9-10］。

表1 電池系統的故障類型和相互關系

目前相關研究大多處于實驗階段，針對實車動力電池故障診斷研究較少。本文詳細總結了動力電池故障類型和診斷方法，深入分析了動力電池安全性與一致性之間的耦合關系，并針對動力電池安全狀態預測方法進行了詳細介紹，最后給出一種基于“車-云”融合的實車動力電池安全控制策略。

1 動力電池故障分類及特性

根據故障特點，動力電池的故障類型可以分為5 類，主要包括機械故障、電氣故障、熱故障、不一致故障以及老化故障。圖2 展示了各類故障相互關系和故障表現［11-13］。

圖2 動力電池故障之間的相互關系和故障表現［11-13］

1.1 機械故障

1.1.1 連接故障

由于強烈振動、雜質腐蝕等因素導致單體電池之間的連接部位出現松動的現象稱為機械連接故障。機械連接故障會使單體電池的電阻急劇增大，導致并聯電路電流差異［11］。機械連接故障具有很強的不確定性和隨機性，并且表現出的外部特性與電池內阻變化的外部特性相似，診斷較為困難。

1.1.2 機械變形

機械變形是指動力電池受到外力作用后發生結構變形，這將會影響到電池的正常使用［14］。常見的外部沖擊包括擠壓、碰撞、針刺等。在較大外部沖擊下所造成機械變形將會導致動力電池出現更嚴重的后果，主要包括電解液泄漏、電極和隔膜破壞等危險情況，并引發電池發生熱失控。Lee等［15］通過壓痕實驗觀察到了電池內部的剪切帶，隨著壓痕加深電極的顆粒涂層出現剪切偏移，金屬箔開始韌性斷裂，最終發生內短路。因此，電池出現機械變形十分危險，需要引起重視并及早處理。

1.2 電氣故障

1.2.1 短路故障

電池短路故障分為內短路故障和外短路故障。電池內部正、負極材料直接連接的現象稱為內短路故障［16］。造成內短路故障的原因大致可以分為機械濫用［17］、活性材料誘因［18］、電濫用［19］和熱濫用［20］4 類。據統計超過40%的電動汽車失火最初都是由內短路故障所引發。電池外部正、負極直接接觸的現象稱為外短路故障。誘因較為簡單，例如電池線路老化和電動汽車發生碰撞等。Yang 等［21］發現，當電池發生外短路時，電池會立即產生一個高電流，然后電流逐漸減小產生一個放電平臺，表現為連續大電流階段，這造成電池溫度持續升高。

短路故障是電池最常見的故障之一，如何有效檢測和診斷短路故障目前依然是學者們研究的重點和難點問題。

1.2.2 過充電故障

電池在充電至飽和狀態后，仍然繼續充電的現象稱為過充電故障。輕微的過充電故障在短期內不會影響電池狀態，嚴重的過充電故障則會導致過渡金屬溶解、材料相變、陰極電解液分解等現象。對于電池系統而言，傳感器故障造成的電池管理系統（battery management system，BMS）對電池狀態的誤判可能引發過充電故障。文獻［13］和文獻［22］中研究了鋰離子電池從開始過充電到引發熱失控的整個過程，過充電故障的危害程度與充電深度有著直接關系。

1.2.3 過放電故障

電池在放電時，放電電壓低于電池額定的放電截止電壓稱為過放電故障。與過充電故障相似，過放電故障的嚴重性與放電深度有著直接關系。Lai等［23］分析了電池從過放電故障向內短路故障演變過程。研究發現當放電深度低于120%時，電池本身會存在一定的自我修復能力；當放電深度超過120%后，過放電對電池產生的破壞將是永久的，產生的內短路也是不可逆的。對于這種故障，可以通過比較電壓傳感器收集的電壓信號和電池上限電壓或閾值進行檢測，檢測起來較為簡單。

1.2.4 絕緣故障

電氣系統的絕緣故障是指導體與地面或者導體與導體之間絕緣性能降低或消失的情況。對于動力電池來說，絕緣故障可以分為內部問題和外部問題［24］。內部問題主要是電解液泄漏或者外部液體進入造成絕緣層破壞，電池組內部出現導電回路。外部問題主要是外部高壓回路的絕緣性能降低。車輛行駛過程中受到的振動、沖擊和扭轉等外部因素以及運行時溫度和濕度等環境問題都可能導致電池系統的絕緣故障。目前研究中大多采用檢測絕緣電阻異常的方法來檢測動力電池的絕緣故障。

1.2.5 通信故障

（1）傳感器故障。BMS 的作用是保證電池工作的安全性和穩定性，主要功能是電流、電壓和溫度等數據的采集與處理，故障診斷和電池熱管理等。圖3展示了BMS的基礎框架及功能。

圖3 電池管理系統基本框架及功能

數據采集與處理是BMS 正常運行的基礎，若傳感器在工作時出現偏差、漂移和精度等級降低等故障則會產生數據誤差，極有可能造成BMS 對當前電池狀態的誤判，導致系統功能混亂［25］。造成傳感器故障的原因主要是環境侵蝕、老化，以及傳感器自身缺陷等。到目前為止傳感器故障仍舊是一個亟待解決的安全問題。

（2）控制器局域網（controller area network，CAN）通信故障。汽車中的電力電子器件在頻繁開關作用下會產生電磁干擾，引發BMS 通信異常。Zhu 等［26］通過測量數據傳輸信號，發現在負載不平衡的情況下逆變器高速開關產生的二次諧波、高次諧波會引起信號傳輸線上的差分信號出現10 kHz的干擾信號。除了電磁干擾，通信線的插頭松動、走線不規范等硬件因素也會造成通信不穩定。

（3）接觸器故障。在電動汽車中，接觸器是用來頻繁地接通或切斷帶有負載的主電路、輔助電路或大容量的控制電路［27］。當電池系統發生熱失控時，需要控制接觸器斷開高壓回路。然而接觸器在切斷大負載的時候可能會出現粘連故障，使得高壓回路無法斷開。目前BMS 中通常會設置主-從結構，其中主體結構不僅用于測量電池包的電流、電壓，還可檢測接觸器故障。

1.3 熱故障

1.3.1 冷卻系統故障

電池正常工作的溫度范圍通常為25～40 ℃，冷卻系統的作用就是保持動力電池的溫度在正常工作范圍內［28］。若冷卻系統由于元件損壞或溫度傳感器異常造成系統無法正常工作，最直觀的表現就是電池系統的溫度迅速升高。當電池溫度超過正常使用范圍后，輕則會造成電池容量衰減和功率損失，影響使用壽命。嚴重時會引發電池內部結構溶解，電解液分解并伴隨著其他放熱副反應，最終導致熱失控［29］。

1.3.2 溫度異常

電池溫度異常主要包含溫度過高和溫升過快［30］。短時間內的溫升過快往往是電池內部內阻增大或者冷卻系統存在問題，如果不及時采取干預措施可能造成不可逆轉的危害。除了溫度過高，電池溫度還存在另一種情況［31］，當動力電池在寒冷環境下使用時，為保證電池的正常運行需要對電池進行預加熱，若電池溫度長時間保持在較低的水平，此時加熱系統或者其他管理裝置可能存在問題，需要及早診斷并排除。

1.4 不一致故障

單體電池或者電池模組之間存在差異稱為不一致故障［32］。不一致故障直接的后果就是使某些電池性能加速衰減，主要包括電壓不一致、溫度不一致和SOC 不一致。電池的制造是一個復雜過程［33］，這就導致即使同一生產線上產出的電池也不可避免地存在不一致性問題。同時外部環境變化和侵蝕會加劇這種初始不一致特性，導致運行參數不一致［34］。不一致故障雖不如其他故障表現劇烈，但是一直存在于電池內部的安全隱患，可能會與其他故障相互影響從而造成嚴重后果。

1.5 老化故障

隨著電池服役時間增長，電池的容量和功率均會下降，同樣是電池安全性的問題［35］。圖4 展示了電池老化主要降解的機理和機制。在電池老化的相關研究中普遍認為低溫、高溫、大電流充放電、過壓欠壓等都可能加快電池的老化速率。負極材料的主要降解機制是固體電解質界面（solid electrolyte interface，SEI）的生長和金屬鋰的沉積（析鋰）。無論是SEI 生長還是析鋰都會消耗可循環鋰，導致不可逆的容量衰減［36］。此外，負極材料產生的應力膨脹等機械因素會導致負極SEI 層出現裂縫，增加了電芯的內阻?；钚晕镔|與集流體脫落分層等現象，也屬于負極材料的老化降解。正極老化的表現主要是活性材料降解。由于正極活性材料脫鋰而導致的電極結構變化和相變是不可逆容量衰減的原因。電池老化是非常復雜的過程，貫穿于電池整個生命周期，有著很大安全隱患。

圖4 電池老化降解機理-機制示意圖［35］

2 一致性與安全性耦合關系

2.1 動力電池系統不一致性分析

動力電池系統的不一致性是指同一型號的單體電池通過串/并聯組成電池組后，各個單體的電壓、溫度、SOC、內阻和自放電率等參數會隨著電池使用逐漸產生差別。根據動力電池系統不一致性在其使用過程中的擴大原因、發展規律以及對動力電池系統運行性能的影響，可以將動力電池系統的不一致性分為電壓不一致性、容量不一致性、電量不一致性和內阻不一致性。

動力電池系統電壓的不一致性通常發生于并聯電池組中，這是因為當某一節單體電池的電壓較低時，其他單體將會給該電池充電，形成動力電池單體之間的互充電現象。并聯電池組中單體電壓不一致性形式如圖5 所示，假設1 號電池的端電壓U1低于2 號電池的端電壓U2，則兩個電池之間就如同形成了一個充電回路，并且2 號電池會給1號電池進行小幅度的充電。雖然這種并聯連接方式會使低電壓單體的容量小幅增加，但是與此同時高電壓單體的容量也會急劇降低，并且這個互充電的過程會產生一定的能量損耗，最終會使整個動力電池系統無法滿足對外輸出的預期效果。此外，由于電池SOC 在一定范圍內與開路電壓呈線性關系，因此電池在靜態工況下開路電壓的不一致性也能從一定程度上體現電池電量狀態的不一致性。

2.2 動力電池安全性與一致性耦合機制

2.2.1 動力電池一致性和安全性耦合關系

如圖6 所示，動力電池系統的不一致性可從電壓、容量、電量和內阻4 個角度進行展開，分析結果顯示電池不一致性直接影響電池的壽命衰減和老化速度，而在動力電池系統的老化過程中，其內部的副反應會引起內阻增加和容量衰減，進而導致動力電池系統的安全性能變差［37］。

圖6 動力電池不一致性、安全性與電池老化之間的關聯關系

現有研究發現，動力電池系統在循環老化過程中，內阻上升會使充放電過程中的焦耳熱不斷增加，動力電池系統熱穩定性和抗電濫用性逐漸降低［35］；動力電池系統在低溫循環老化過程中，負極析鋰會造成動力電池系統的熱穩定性急劇下降，被析出的鋰金屬與電解液繼續發生反應，會使動力電池系統的自產熱速率急劇上升，進而嚴重威脅動力電池系統的安全性。

綜上，動力電池系統的一致性和安全性之間通常不會直接發生關聯，而是通過電池壽命衰減間接聯系在一起，動力電池系統的安全性也會隨著電池逐漸老化而變差。因此，研究電池一致性與安全性的耦合關系，首先需要明晰電池一致性與電池老化之間的關聯關系。

2.2.2 動力電池系統不一致性改進措施

為了提高動力電池系統一致性水平，延緩電池組壽命衰減速度，基于大量工程應用經驗和實驗研究，可采取分選、均衡、熱處理和使用維護等措施。開展電池分選的目的是把參數相同或鄰近的單體電池選擇出來。不同批次單體電池不應該被放在一起使用，即便是相同批次單體電池，也需要通過選擇把參數比較集中的單體電池放在同一個電池包里。為了應對動力電池系統的不一致性問題，BMS 通常都會集成電池均衡的功能。例如，當某些單體電池領先于其他單體電池率先到達充電截止電壓時，BMS便會啟動充電均衡功能，通過接入電阻放掉電壓較高單體的部分電量，或者通過能量轉移將能量轉移至電壓較低的單體電池。當充電截止條件被免除時，充電進程再重新開始會使動力電池系統充入更多電量。

因此，為了提高電池系統的安全性，需要綜合考慮以上各個因素，建立動力電池組的故障診斷和安全預警系統，實現對動力電池組及其單體電池的實時監測和管理，提高動力電池組的安全性能和可靠性。

3 動力電池安全狀態預測方法

3.1 基于數據驅動的動力電池SOC預測

在電動汽車的研究與開發中，準確地預測電池SOC對發揮電動汽車最佳性能和預測電動汽車續駛里程有著至關重要的作用。動力電池SOC的定義如式（1）所示：

式中：Qc指的是某時刻電池的剩余可用電量；Qn指的是電池的額定電量。電池系統的SOC取值范圍為0～100%之間。胡杰等［38］提出了一種數據驅動的SOC預測模型，分析了電動汽車能耗構成并提取了能耗構成的關鍵因素。Wang 等［39］提出了一種基于改進的前饋長短期記憶（long short term memory，LSTM）神經網絡建模方法，考慮了電流、電壓和溫度的變化，實現了動力電池全壽命周期的電池SOC預測。除了前饋LSTM 神經網絡之外，LSTM 神經網絡和遷移學習結合也能夠實現鋰離子電池SOC精確預測［40］。為了優化LSTM 神經網絡從而實現對動力電池SOC長時預測，Li 等［41］提出了一種基 于“雙dropout 層”的LSTM 神經網絡SOC長時預測的方法，用來防止神經網絡過擬合的同時優化訓練效率。結果表明該方法可以實現5 min 的SOC預測?；跀祿寗拥腟OC預測，可以提前對電池的安全狀態進行預測，實現電池安全狀態的可控。

3.2 基于數據驅動的動力電池SOH估計

動力電池SOH的標準定義是放電容量與標稱容量的比值，從剩余容量的角度定義如式（2）所示：

式中：C實際表示電池的實際容量；C標稱是標稱容量；C終止表示電池失效時的終止容量，通常為C標稱的80%。因此，SOH值越大，表示電池健康狀況越好。在實際電池SOH估計過程中，結果精度很大部分取決于評價電池退化的健康指標，現有的SOH估計方法通常忽略容量衰退過程中能夠表征電池老化的溫度信息。王萍等［42］提出了一種滑動平均卡爾曼濾波方法以提取健康特征。利用組合核函數改進了傳統高斯回歸算法以擬合電池容量全局衰退和局部波動兩種趨勢。為了探究適用于實車SOH估計的算法，如圖7 所示，Hong 等［43］提出了一種新型深度學習方法，以對實車電池系統進行準確的SOH估計。通過擬合電池退化因素與各種車輛運行參數之間的相關性，建立了一個面向實際應用場景的近似電池退化模型。Lei 等［44］基于支持向量回歸和脈沖測試的短期特征建立了一個有效的動力電池SOH估計方法，該研究利用非支配排序遺傳算法來優化所建立的SOH估計過程。未來，需要探索更多結合實車SOH健康特征參數提取算法，利用實車數據去指導實車SOH估計。

圖7 基于數據驅動的動力電池在線健康狀態估計

3.3 基于數據驅動的動力電池電壓預測

當前許多研究表明［45-47］，電壓異?？梢砸鸶黝愲姵毓收?。典型的電壓異?？梢詺w納為4 類：過電壓、欠電壓、過電壓變化率和電池電壓一致性差。Hong 等［48］利用LSTM 神經網絡，研究了一種新型深度學習方法來對電池系統進行準確的多步前向電壓預測。Cwh 等［49］開發的具有特殊卷積訓練策略的深度學習神經網絡，只須利用一個周期的電池測試數據就可準確預測電池的電壓。王攀等［50］則針對電動汽車補電系統故障而導致低壓系統異常耗電問題，提出了結合電池溫度模型和3 階阻容等效電路模型實時對低壓鋰電池工作電壓進行提前預測與預警。Tran等［51］研究了機器學習回歸模型、k-近鄰、隨機森林和決策樹4 個機器學習方法對鋰離子電池電壓預測的最佳模型。Lin 等［52］建立了一個基于電流和時間改進的新型極化電壓模型，僅用小批量的原始數據就可以確定新型極化電壓模型的參數。Li等［53］基于LSTM 神經網絡和等效電路耦合模型對動力電池系統電壓進行了在線預測，選取4 個季節的數據進行了驗證。目前基于數據驅動的電壓預測已經進行了大量的實驗和仿真驗證，但是大多數并未考慮駕駛員和實車行駛天氣等因素的影響。

3.4 基于數據驅動的動力電池溫度預測

為了準確預測電池組溫度以減輕潛在的危險，Zhang 等［54］建立了一個鋰離子電池溫度預測模型。研究詳細分析了不同冷卻條件下不同放電倍率的電池溫度變化特征，此處，放電倍率是指電池在規定的時間放出其額定容量時所需要的電流強度。最后，研究結果表明電池內部溫度預測模型具有較高的預測精度。Yang 等［55］基于極端學習機的熱學模型來描述外短路條件下的電池溫度行為，使用實驗數據將極端學習機熱模型與集總熱模型進行了比較。其他研究也開展了基于神經網絡預測動力電池溫度，Fja 等［56］提出了一種人工神經網絡模型來預測裝有電池熱管理系統的鋰離子電池溫度。研究結果發現該模型的R2和均方根誤差分別是0.99 和0.017 3。Kleiner等［57］提出了一種新型的非線性自動回歸神經網絡對棱柱電池進行溫度預測，顯示了非常好的預測準確度，其均方根誤差遠低于0.5 K。Jiang 等［58］結合遺傳算法和雙向LSTM 神經網絡來提供精確的電池溫度預測。遺傳算法用于獲得時間序列數據的最佳分割策略，雙向LSTM 神經網絡被用來預測儲能電站內電池組的最低和最高溫度。與傳統的LSTM和輕量梯度提升機方法相比，研究所提出的方法分別顯著降低12%和26%的預測誤差。但是實車工況是十分復雜多變的，基于實車多工況的動力電池溫度預測具有十分重要的研究意義。

4 動力電池故障診斷及預警技術

目前常用的故障診斷方法可以分為基于解析模型方法、基于數據驅動方法和基于知識方法。不同故障診斷技術具有不同特點，本部分將詳細分析各類故障的特性并重點講述基于數據驅動和大數據的故障診斷與預警技術。

4.1 基于解析模型方法

基于解析模型的故障診斷方法是最早也是最常用的故障診斷技術，它主要依賴于所建立的電池數學模型來檢測、評估和診斷系統故障［59］。如圖8 所示，基于解析模型的故障診斷方法整個過程包括殘差生成和殘差評價。Yu 等［60］提出了一種基于最小二乘法與無痕卡爾曼濾波相結合的方法來進行電池系統電流傳感器故障診斷。Wei 等［61］提出了一種基于模型的電池系統故障診斷方法，該方法基于多個等效電路模型和強跟蹤擴展卡爾曼濾波器實現。Jiang 等［62］提出了一種在線識別和多模型自適應估計的電池系統充電器故障診斷方法，該方法通過仿真研究對比了不同濾波器（卡爾曼濾波器、強跟蹤卡爾曼濾波器和H-∞濾波器）對充電器故障診斷的影響。綜上所述，基于解析模型的方法主要集中于模型的改進與濾波器的設計來提升故障診斷方法的性能。

圖8 動力電池故障診斷及預警方法

4.2 數據驅動方法

當無法確定數學模型或者模型無法精確描述電池狀態時，可通過數據驅動方法利用大量的監測數據對故障進行診斷?；跀祿寗拥姆椒梢苑譃闄C器學習、信號處理和信息融合，如表2所示。

表2 基于數據驅動的故障診斷方法分類與特點

當前故障診斷的研究熱點主要為基于機器學習的故障診斷方法，人工神經網絡和支持向量機是兩種典型的機器學習算法［63］。人工神經網絡如圖8 所示，在進行離線訓練時，從給定的輸入和輸出數據中學習到隱含規則，形成非線性黑盒模型。Wang等［64］提出了一種基于改進徑向基函數神經網絡對鋰離子電池組故障進行識別?；谥С窒蛄繖C的故障診斷方法主要適用于小樣本情況，該方法具有良好泛化能力，但最優化函數選取過程較為困難［65］。為了解決最優化函數的選取問題，Yao 等［66］提出了基于網格搜索的方法，經過優化后的支持向量機在故障診斷上具有較高的準確性和時效性。申東旭等［67］為了解決鋰電池組連接故障，提出了一種基于機械振動信號的鋰電池組連接故障診斷方法。利用壓電陶瓷傳感器實現電壓信號和振動信號的相互轉換，并在每種故障模式下采集振動信號。在數據時代，數據驅動與故障診斷的結合是必然的結果，在安全管理方面掀起一場時代的浪潮。

當電池發生故障時，故障數據的幅頻和相頻特性會在一定程度上改變，可以通過在頻域中對故障數據進行頻譜分析，進行故障診斷。劉鵬等［68］提出了一種基于快速傅里葉變換和異常系數評估電池電壓不一致性故障診斷方法。傅里葉變換并不能滿足非穩態信號變化的需求，而小波變換可以克服窗口大小不隨頻率變化的缺點，可以對非穩態信號進行多尺度的詳細分析。Yao 等［69］提出了一種基于小波神經網絡的新型電壓故障檢測方法，既可以檢測和定位電池故障，還可以反映故障的程度。Hong 等［70］提出了一種基于離散小波變換的實車電池故障診斷和隔離方案，實施過程如圖9 所示?；谛盘柼幚淼墓收显\斷方法已經進行了很多研究，未來該故障診斷方法也會更多地應用于實車。

圖9 基于離散小波變換的電池故障診斷與預警

信息融合又稱為多傳感器信息融合，是對從單個和多個信息源獲取的數據和信息進行關聯、相關和綜合，以獲得精確的位置和狀態估計。Li 等［71］基于多源信息融合理論，結合修正相關系數、樣本熵和修正閾值方法對電池系統進行聯合故障診斷。根據作者的假設，故障診斷的方式如式（3）所示：

式中：out（i）是在時間i的診斷結果，值為0或1，代表有故障或無故障；sgn 是符號函數，當輸入大于0 時，值為1，反之為0；SamEn（i）是樣本熵在時間i的序列；TSE表示樣本熵的閾值，TCC表示相關系數的閾值；Corecoef（i，j）是電池j的電壓和平均電壓在時間i的相關系數；Thres（i）表示時間i的閾值診斷結果，值為0 或1，表示有故障或無故障。該方法經過城市道路循環工況數據驗證，具有精確的故障診斷效果，并且至少提前5 min 能夠檢測到電池系統故障。彭運賽等［72］提出了一種基于改進的卷積神經網絡和信息融合的鋰電池組故障診斷方法，對不符合診斷條件的結果進一步采用卷積神經網絡進行輔助診斷。除此之外，Shang 等［73］提出了一種基于修正樣本熵的多故障診斷方法，通過檢測電池電壓的樣本熵可以有效地預測故障發生的時間以診斷電池的早期故障。Wang 等［74］提出了一種基于熵理論的電壓故障診斷檢測機制，研究過程借助了典型實車數據，在一定程度上更具有實用性。針對動力電池多故障診斷，可以采用基于“熵”理論算法進行研究，這對于實車動力電池多故障診斷研究具有重要的意義。

4.3 基于知識方法

基于知識的故障診斷方法可利用人工智能技術對歷史數據進行分析，圖8 展示了基于知識方法的應用過程。但是該方法需要大量的歷史數據，因此有些學者也將其歸類為數據驅動的故障診斷方法?；谥R的故障診斷方法中應用最廣泛的主要包括向量圖法、專家系統和模糊邏輯［75］。

王一卉等［76］提出了一種基于模糊神經網絡的故障診斷專家系統，該方法結合了模糊數學的對故障的隸屬度判別、神經網絡的自學習能力和專家系統的推理能力。Ma 等［77］提出了一種基于圖形的自動編碼器，研究將電壓重建誤差與特定的監測策略相結合，以識別電池系統中3 種常見的故障類型及其位置。Hu 等［78］提出了一種結合電池測試和鋰電池故障演變的分析流程圖，通過故障樹分析法分析了電動汽車起火的根本原因，結果表明，低熱穩定性材料和BMS 未能及時預警是導致電動汽車起火的最重要因素。當前受限于豐富的專家經驗，基于知識的方法研究較少，在未來，基于知識的故障診斷方法應該要著重研究。

4.4 大數據驅動的實車動力電池故障診斷

大數據時代的到來帶來了海量的數據資源，然而由于數據獲取的難度和敏感性，實車動力電池故障診斷研究較少［87］。新能源汽車國家監測與管理平臺可以實時監測汽車運行數據和離線存儲歷史數據，基于此平臺學者們展開了一些面向實車大數據的動力電池故障診斷研究。

4.4.1 故障診斷與預警

在故障診斷與預警的研究中，Wang 等［88］基于新能源汽車國家監測與管理平臺收集的實時電壓監控數據，提出了一種電壓故障診斷與預警方法，具體實施過程如圖10 所示?；谛拚戕r熵建立了動力電池系統故障診斷模型，并利用Z 評分法制定了預警和安全管理策略，其中設置的異常系數，可以對故障級別進行實時評估。

圖10 基于修正香農熵的電壓故障診斷與預警

4.4.2 多故障協同預警

在多故障協同預警的研究中，Hong 等［89］提出了一種基于改進多尺度熵的電池故障協同診斷方案。如圖11 所示，改進多尺度熵可以有效地提取電池故障的多尺度特征，結合定義的敏感度因子可以高效、穩定地對電池異常進行實時評估。同時，開發的“變量-計算-窗口”診斷方案可以實時同步檢測和定位不同故障類型。

圖11 基于改進多尺度熵的電池故障協同診斷方案

除了上述研究之外，Hong 等［90］提出了一種面向實車大數據的深度學習方法，具體實施過程如圖12 所示。該研究利用長達一年的電動出租車數據集對LSTM 神經網絡模型進行訓練，可以實現準確的電壓預測和同步多參數預測。此外，針對汽車在充電和行駛時兩種不同的運行狀態，研究建立了雙模型協同預測策略可以自適應切換兩種預測模式。

圖12 基于LSTM的電池多參數預測方案

5 動力電池系統安全控制策略

動力電池系統安全控制對電動汽車的安全可靠運行具有重要意義。為了實現實車電池系統的高效安全管控，各種電池故障診斷及風險預警模型需要實現與BMS 的高效集成。本部分將系統總結和分析電池系統常見的安全問題及解決思路，研究電池系統多故障早期協同預警的多模型融合理論和方法，提出面向實車動力電池系統全壽命運行周期的安全控制策略。

5.1 動力電池系統安全問題及解決方案

動力電池系統在實際運行過程中會面臨各種安全問題，本文針對這些問題提出一些解決思路。如圖13 所示，針對電芯安全問題，通過電芯、電池模塊標準化既可以大大減少低層次重復勞動，又可以對電芯安全性的提升起到積極推動作用。對于動力電池系統成組安全問題，重點是從合理的電管理、熱管理設計，以及提高電池焊接工藝這幾個維度來提升動力電池系統的成組安全性。

圖13 動力電池系統常見安全問題及解決方案

針對動力電池系統設計安全問題，重點是開展科學的電池設計與制造。針對充電安全問題，目前最有效的方法之一是在充電初期對動力電池系統進行電流脈沖監測，此方法可以盡早發現動力電池系統的不一致性問題，并發出安全警報。對于動力電池系統安全預警問題，可以通過整車域控制器（vehicle control unit，VCU）對動力電池系統出現的問題做出快速響應。針對動力電池系統的日常維護問題，對相關的日常維護標準及相關法律規定的完善是非常緊急和必要的。對于動力電池系統的安全保護問題，重點是對過充、過熱、連接安全風險等進行安全防護。針對動力電池系統的安全級別劃分問題，需要整車廠和零配件企業加快實施產業鏈合作，形成專業化的分工協作體系。

5.2 基于“車-云”融合的動力電池安全控制策略

為了實現實車動力電池系統的安全控制管理，本文提出了一種基于“車-云”融合的實車動力電池安全控制策略。如圖14 所示，從車端和云端兩個方面對電池系統安全控制策略開展持續的優化和拓展。在車端，通過BMS 實現數據的短時采集、邊緣計算、故障快速診斷。在車載診斷系統上，通過統計學、熵算法、機器學習和其他模型等多模型融合算法，可以實現“機-電-熱”不同類型動力電池系統故障早期協同預警及SOH實時評估，并得到面向實車動力電池系統全壽命周期運行的高安全性、高可靠性和高穩定性的動力電池系統安全控制策略。其次，通過車載T-Box 將車端采集的數據和處理的信息，通過信息傳輸技術在云端實現故障診斷模型的實時更新、有效數據的長時儲存，以及車輛安全狀態的輔助監管，通過云端大數據庫實現海量實車運行狀態的參數存儲，結合大數據平臺資源優化與遷移、海量高負載均衡等技術，為后續企業和科研工作者提供有效的數據支撐。

圖14 基于“車-云”融合的動力電池系統故障診斷策略

6 結論

本文基于以上研究內容，總結了國內外最先進的動力電池系統安全控制技術，以期為我國新能源汽車安全風險管控發展提供借鑒方案，促進新能源汽車安全風險管控的產業發展。

（1）動力電池的不一致性從生產時就已經存在，隨著電池使用時間和車輛行駛里程的增加而逐漸擴大。動力電池不一致性參數之間并非相互獨立，而是相互影響、互為因果。例如電壓的不一致性可以從一定程度上反映動力電池系統其他各種參數的不一致性。通過大數據分析不同行駛工況下單體電壓和概率分布能夠有效地挖掘動力電池不一致性程度，指導實際生產和制造，降低電池初始的不一致性。

（2）動力電池系統各種狀態的精確預測對電動汽車的安全可靠性運行至關重要。電池系統的SOC、SOH、電壓和電流等狀態參數能夠實時反映電池系統的安全狀態，對于汽車安全行駛至關重要。當前，基于數據驅動的形式，通過神經網絡和機器學習的方法對動力電池各類參數進行實時監控與預測，能夠在故障發生前提前預警，實現動力電池安全風險管控的目的。未來，要探索更多基于實車數據的動力電池安全狀態預測研究。

（3）動力電池系統故障在線診斷是電動汽車安全管控的重要內容之一。目前基于各種觀測器、濾波以及機器學習方法已經開展了廣泛研究，但計算量較大、實時診斷精度低、魯棒特性差?；趯嵻嚧髷祿钊胙芯縿恿﹄姵氐湫凸收蠙C理及故障診斷方法，實現動力電池故障特征定性分類和故障等級定量評估。研究基于修正香農熵和改進多尺度熵算法，提取早期風險信號的多時間尺度和時頻特征，制定實車動力電池系統的多級風險預警策略，實現新能源汽車安全運行。

（4）高質量防控和決策的安全控制策略可以有效保障動力電池使用安全?；凇败?云”融合的動力電池安全控制策略，通過車端數據采集和多模型融合策略，可以實現動力電池系統安全風險狀態在線定量評估。通過云端大數據監控與分析，實現動力電池系統狀態長短期預測。通過“車-云”融合的安全控制策略，實現了動力電池系統全壽命周期內的安全狀態可監控、可追溯，具有重要的工程應用價值。