新能源汽车安全预警技术现状及未来展望

郝雄博 蔡君同

摘 要：随着中国新能源汽车国内保有量的持续提升，电池安全问题愈加突显。新能源汽车电池自燃起火事故频繁发生，极大阻碍了新能源汽车进一步向前发展。提升电池安全性成为亟需行业解决的共性问题。本文对目前行业内安全技术应用情况，介绍目前主流的电池安全提升路径及常见解决方案。并详细对基于大数据的电池安全预警技术进行详细论述。总结三类主要预警分析方法，并对未来预警技术的发展研究方向进行总结展望。

关键词：安全技术 预警分析 大数据 未来发展

Current Status and Future Prospect of New Energy Vehicle Safety Early Warning Technology

Hao Xiongbo Cai Juntong

Abstract：With the continuous improvement of the domestic ownership of new energy vehicles in China， the battery safety problem has become more and more prominent. Spontaneous combustion and fire accidents of new energy vehicle batteries occur frequently， which greatly hinders the further development of new energy vehicles. Improving battery safety has become a common problem that needs to be solved by the industry. This article introduces the current mainstream battery safety improvement paths and common solutions for the current application of safety technology in the industry. The battery safety early warning technology based on big data is discussed in detail. The three main early warning analysis methods are summarized， and the development and research direction of early warning technology in the future are summarized and prospected.

Key words：security technology， early warning analysis， big data， future development

1 前言

近年来，在政府的大力支持下，伴随着新技术的进步，我国新能源汽车产销量逐年快速增长。根据公安部交通管理局发布的最新统计数据，截止2022年底，中国国内新能源汽车保有量达到1310万辆，其中纯电动汽车占比79.78%，为1045万辆[1]。目前电动汽车主要采用锂离子电池系统作为储能介质，并通过驱动电机为车辆提供动力。动力电池的制造成本随着电池技术的发展已逐年降低，但仍占据整车生产成本较大比例。动力电池作为电动汽车核心储能单元，其性能对车辆的使用安全性、续航里程、使用寿命等存在决定性影响。

随着技术的进步，虽然电池在设计及生产制造方面取得很大发展，但电池安全问题仍没有从根本上得到解决。随着电动汽车的快速普及，因为电池故障导致车辆燃烧爆炸的火灾事故大幅增多，这也使得电池安全性成为了行业关注的焦点。根据事故调查分析，电动汽车火灾基本是由动力电池热失控问题引发的。当单体电池发生内短路或受到外部异常加热，造成电池内部产热远大于电池系统散热，就会引起内部热量逐渐累积，温度快速升高，进而触发热失控。

为提升电动汽车安全性，近些年来，国家、地方政府及整车或电池企业新能源汽车大数据平台建设日趋完善，越来越多的企业和科研机构都已开展利用汽车的监控大数据进行电池故障诊断及车辆安全预警的研究工作。车辆监控数据平台通过无线传输方式，获取车辆T-Box采集的各类运行过程数据，包括整车状态数据、电池数据、电机数据、报警信息等。通过对以上数据的计算挖掘，结合动力电池化学原理分析及特征参数总结，可直接利用电池特征参数的变化规律识别电池故障，并实现故障问题的定位，也可利用机器学习算法，构建电池状态评估及故障预测模型，提前发现电动汽车安全隐患并维修，提升电动汽车使用安全性能。

本文通过分析现有电池安全技术路线，总结目前新能源汽车电池安全预警主要方法及原理，并对新能源汽车电池安全预警技术未来发展进行展望。

2 新能源汽车电池安全技术

目前車载动力电池以锂离子电池为主，电池对车辆安全的影响主要来源于其燃烧或爆炸的风险，动力电池系统通常由几十甚至几百个单体电芯组成，电池燃烧或爆炸一般情况下是由一个或几个电芯发生故障导致异常生热，致使触发热失控并逐步扩展到整个电池系统。为解决动力电池系统的安全问题，提升电池使用安全性，主要可从三个层面进行探索，包括电池系统内部设计优化、电池管理系统性能提升以及开展电池主动安全监测。

电池系统的设计优化，也可以说就是要提升电池系统的本质安全性，即通过改进电池的设计方案，使其即使处于滥用工况下或出现故障时也能避免事故的发生，具体包括电芯材料改进及设计优化和电池系统安全防护设计。电芯安全性的提升主要依赖电芯材料的性能提升，包括正负极材料的改性、材料纳米化、复合材料研发应用、电解液固态化等方式。同时，加强电芯整体安全性设计及生产工艺管控，采用更先进的结构模式，如大圆柱、长电芯等，应用规范化和标准化的生产流程，做好工艺控制，降低单品间的差异，也能减弱生产环节对安全性的影响。电池系统的设计优化，主要从电池包层级对热管理系统、壳体空间设计、隔热阻燃设计等方面进行提升。优化热管理流道设计，增大电芯散热效率；改进电池包排气通道设计，控制热源传导方向，减少对电池区块整体的冲击；应用先进的隔热材料，隔绝电芯之间热失控的影响；采用更高强度的电池包壳体材料及弹性缓冲设计，减弱车辆碰撞对电芯带来的影响。

电池管理系统的性能提升主要围绕BMS管理系统功能安全开发展开。BMS主要功能就是对电池状态进行监控，合理控制充放电过程，并维护各电池单元的均衡，避免电池滥用，保障电池安全使用，延长其寿命。BMS可以认为是电池安全最前端的最直接管理者。BMS系统的功能安全开发，主要针对其功能异常失效行为进行分析，并采取对应的设计变更或增加安全机制，把系统失效控制在合理范围内，避免出现不合理的风险。BMS功能安全开发是一个系统性的流程，需严格按照标准规范完成各个阶段开发工作，从危害分析和风险识别到安全目标定义、系统需求确认、软硬件需求分解以及之后安全测试等环节，根据功能安全通用方法论结合BMS系统特殊功能需求完成系统的设计验证。此外，通过BMS系统硬件性能提升，如使用性能算力更高的芯片及更多样或精度更高的传感器技术等，都有助于提升BMS性能，进而提升电池使用安全性。

电池主动安全监测是指，基于电池数据监控识别潜在的风险问题，并提前采取措施进行问题排查及处置，避免危害的发生。利用企业车辆监控平台，实现数据的实时采集、传输及分析，监测电池电压、电流、温度、SOC等指标的变化，并结合电池全周期数据分析，进行电池健康状态评估及安全风险的识别，对异常情形进行的预警或报警，同时在平台内建立预警处理、审核、推送流程，进行预警结果的分析及危害程度评估，主动推送关联用户并能与处置结果形成闭环管理。电池的主动安全防护，最关键的就是电池安全预警技术，即基于建立的预警模型对车辆数据进行分析，实现电池潜在故障的识别，在故障发生前进行预警提示。虽然电池预警技术实现难度相对较大，但其实现能够辅助电池故障的提前发现、提早维修，极大降低电池维修成本，大幅度提高运维效率，提升电池使用安全性及用户满意度。

3 动力电池安全预警技术

依据上节内容，电池安全预警即通过对电池运行监测数据的挖掘，结合电池失效的机理分析，构建预警模型，实现对电池故障的提前诊断和识别。根据预警模型实现原理，电池安全预警算法主要分为经验知识诊断、失效识别以及数据驱动分析三类。基于经验知识的诊断预警主要依据专业人员的主观经验判断，结合电池参数变化分析及故障推理分析确定特征参数的安全阈值，利用规则分析确定电池失效风险程度。基于失效识别的预警分析方法是通过建立电池失效过程与电池特征参数异常表现的关联关系，利用各类统计分析方法、离群分析方法等进行失效行为识别。基于数据驱动的方法无需建立高度精准的理论模型，主要是借助人工智能算法，利用大量的实际监测数据进行特征选取及数据标签分类，组成模型训练测试集合对机器学习模型进行训练，或利用其他相关数据分析手段对运行监测数据进行分析，实现对电池异常的识别预警。

1）基于经验知识的预警分析。基于人工经验知识的预警方法，其核心是结合专业人员的有效知识与电池失效过程分析确定的参数阈值进行诊断规则定义，完成安全风险推理判断。当前行业内企业已普遍建立起车辆运行监测平台，并根据GB/T32960《电动汽车远程服务与管理系统技术规范》标准要求[2]，在其企业自建平台上基本实现了基于阈值规则的电池异常行为报警，包括电池高温报警、温差报警、过压报警、欠压报警等。通常随着电池使用，其性能衰退是一个缓慢变化的过程，随着性能的衰退其发生故障问题的概率逐渐增大，因此可以通过对故障案例数据的分析，对电池性能衰减过程进行阶段划分，确定各阶段参数阈值范围，通过不同阶段的参数阈值分析实现故障预警。当然为进一步提升判定的准确性，可在国标规定的电压、温度、电流等数据之外，利用上述字段信息进行衍生参数的计算，如电压降速率、内阻变化率、温度变化率等。进一步还可以利用上述参数组合的方式进行综合判断，如通过建立专家系统，利用各参数确定诊断规则，结合专家经验设计推理机，实现故障预警诊断。

2）基于失效识别的预警分析。基于失效识别的预警方法需借助对电池失效过程的理论剖析，结合实际电池安全测试试验数据以及实车监测数据进行挖掘分析，识别数据异常现象与失效问题间的关联属性，构建失效预警模型。也可通过构建电池模型，利用理论模型模拟电池充放电过程行为，分析实际数据变化与模型预测值间的差异，实现对突发性或随机性失效行为的识别告警。以内短路故障识别为例，可以通过识别电压异常跳变现象识别内短路，通过试验测试发现，使用特殊材料隔膜电池在发生内短路时会出现电压突然下降后迅速回升的现象，针对此类电池通过该特殊现象识别可进行内短路的识别[3]。通过发生内短路问题电芯的异常推理，内短路电芯在电池使用过程中，必然存在相较其他正常电芯更明显的自放电过程，可通过对静置过程或稳定充放电过程前后电芯之间电压的比较识别异常自放电行为，判断电池是否发生内短路[4]。通过构建模型的方式进行电池内短路的识别，即利用各类电芯试验数据，建立电池电化学模型、电路模型、热电耦合模型等，通过模型对电池状态进行预测，若出现明显的预测值与电池实际值偏差情况，可结合电池模型分析，确定是否发生异常内短路问题。

3）基于数据驱动的预警分析。随着人工智能的兴起与发展，基于数据驱动的分析方法逐渐被人们熟悉并应用。数据驱动方法可以认为是一套标准的算法开发训练过程，包括数据采集、数据清洗、数据挑选分类、数据验收、模型训练以及最终的模型部署。不需要建立复杂的理论模型，只需获取大量的运行监测数据，通过数据特征工程分析及数据标签分类并选择合适的机器学习类算法建立训练模型，即可完成相应预测或诊断分析的目的。如刘志宾等提出一种利用神经网络模型进行电池充电安全预警的方法，通过不同车辆型号的实时充电参数和标准充电参数，基于人工神经网络预先训练出车辆充电故障分析模型。在需要分析时，将车辆实时充电参数与标准充电参数输入该充电故障分析模型，即可得到车辆充电故障分析结果，通过显示器提醒电动汽车用户，以便其采取相关措施以解决车辆充电故障分析结果中的问题[5]。机器学习算法包含丰富的学习算法，可分为传统机器学习及深度学习，两种分类还可以再进一步分类，每种算法均可通过训练达到理想的学习效果。在实际使用过程中，应根据分析需求，选择合适的算法原理。目前通过机器学习算法进行预警分析已在行业得到初步实践及应用，未来相关研究还将持续发展及深入。

4 总结和展望

随着新能源汽车保有量逐年增大，电池安全问题也愈发受到行业和消费者的关注。电池安全性能的提升涉及电池系统各个层级，主流整车或电池企业均提出了各自的电池安全解决方案，基本都是围绕电池包结构、热管理系统设计、电芯安全材料、高性能管理系统以及全周期的电池监控防护等方面展开，且都可实现较好的效果，可以完全满足目前国标“5分钟不起火”的技术要求，甚至已经远超了目前的国标要求。

在预警技术方面，各大企业依托车辆运行监测平台，通过先进的预警模型进行电池异常分析，并取得了一定的效果。未来随着人工智能以及大数据技术的逐渐渗透，动力电池预警技术将智能算法、大数据挖掘技术融入到电池失效过程分析，促进提升预警准确性及智能化。

深入探究电池失效机理，分析获取电池系统在尺度结构、多层级要素、多场耦合过程的表征参量，分析电池材料衰变、内阻演化及模量变化机理过程，建立电池系统复杂耦合机理以及失效机制与表征参数的映射关系，为提升电池预警诊断提供理论基础。充分利用大数据技术手段，通过对电池研发、设计、生产、使用、回收等全过程数据的挖掘分析，提取真实电池监控数据变化规律，并结合智能算法实现构建自学习预警模型，实现预警算法的持续训练及优化。

参考文献：

[1]中国新闻网. 2022年中国新能源汽车保有量达1310万辆 同比增长67.13%[EB/OL].（2023-01-11）[2023-02-06].http：//www.chinanews.com.cn/cj/2023/01-11/9932596.shtml

[2]GB/T 32960.3-2016. 电动汽车远程服务与管理系统技术规范 第3部分：通信協议及数据格式[S].

[3]高文凯. 锂离子动力电池的短路故障诊断研究[D].上海：上海理工大学，2020.

[4]陈佳纯. 基于数据分析的锂离子动力电池热失控故障诊断研究[D]. 北京：北京交通大学，2020.

[5]刘志宾，赵逸志，刘亚晶，等.一种基于大数据的充电安全预警方法和充电桩：， CN112193111A[P]. 2021.