大数据驱动动力电池智能安全管理与控制方法研究*

洪吉超，梁峰伟，杨海旭，李克瑞

（1.北京科技大学机械工程学院，北京 100083；2.北京科技大学顺德创新学院，佛山 528000）

前言

为了减少温室气体排放和缓解能源危机，新能源汽车得到了快速发展和普及［1］。如图1所示，截至2022 年，我国新能源汽车保有量达1 310 万辆，位居全球第一。据统计，2021 年新能源汽车火灾安全事故达3 000多起，其中绝大多数都是由于动力电池故障所导致［2-3］。电池热失控对驾乘人员的人身和财产安全造成极大危害，如何有效检测电池故障并提前预警至关重要［4-5］。

图1 我国新能源汽车和纯电动汽车保有量近5年数据

基于动力电池系统内部结构关系，目前通常将电池故障分为电池组件故障、传感器故障和执行器故障3 类。Tran 等［6］将电池故障分成内部故障和外部故障。该分类既包含结构关系分类，例如内短路故障、外短路故障和过充/过放电故障等，又包含故障表现分类，例如加速衰减和过热等。表1 描述了各类故障的相互关系，不同故障各具特点但又互相耦合，从而构成复杂的故障网络。目前动力电池故障诊断方法可以分为基于模型方法、基于信号分析方法、基于数据驱动方法和基于统计分析方法。Feng 等［7］建立了电池电化学-热耦合模型对内短路故障展开研究，通过对比发现电池荷电状态（state of charge，SOC）和产热功率不同可以及时检测到内短路。Yao等［8］对电池电压波动信号进行处理，引入了熵理论来分析电池间机械连接故障。除此之外，常用故障诊断方法还有神经网络、支持向量机、小波变换等［9-10］。

表1 电池系统的故障类型和相互关系

目前相关研究大多处于实验阶段，针对实车动力电池故障诊断研究较少。本文详细总结了动力电池故障类型和诊断方法，深入分析了动力电池安全性与一致性之间的耦合关系，并针对动力电池安全状态预测方法进行了详细介绍，最后给出一种基于“车-云”融合的实车动力电池安全控制策略。

1 动力电池故障分类及特性

根据故障特点，动力电池的故障类型可以分为5 类，主要包括机械故障、电气故障、热故障、不一致故障以及老化故障。图2 展示了各类故障相互关系和故障表现［11-13］。

图2 动力电池故障之间的相互关系和故障表现［11-13］

1.1 机械故障

1.1.1 连接故障

由于强烈振动、杂质腐蚀等因素导致单体电池之间的连接部位出现松动的现象称为机械连接故障。机械连接故障会使单体电池的电阻急剧增大，导致并联电路电流差异［11］。机械连接故障具有很强的不确定性和随机性，并且表现出的外部特性与电池内阻变化的外部特性相似，诊断较为困难。

1.1.2 机械变形

机械变形是指动力电池受到外力作用后发生结构变形，这将会影响到电池的正常使用［14］。常见的外部冲击包括挤压、碰撞、针刺等。在较大外部冲击下所造成机械变形将会导致动力电池出现更严重的后果，主要包括电解液泄漏、电极和隔膜破坏等危险情况，并引发电池发生热失控。Lee等［15］通过压痕实验观察到了电池内部的剪切带，随着压痕加深电极的颗粒涂层出现剪切偏移，金属箔开始韧性断裂，最终发生内短路。因此，电池出现机械变形十分危险，需要引起重视并及早处理。

1.2 电气故障

1.2.1 短路故障

电池短路故障分为内短路故障和外短路故障。电池内部正、负极材料直接连接的现象称为内短路故障［16］。造成内短路故障的原因大致可以分为机械滥用［17］、活性材料诱因［18］、电滥用［19］和热滥用［20］4 类。据统计超过40%的电动汽车失火最初都是由内短路故障所引发。电池外部正、负极直接接触的现象称为外短路故障。诱因较为简单，例如电池线路老化和电动汽车发生碰撞等。Yang 等［21］发现，当电池发生外短路时，电池会立即产生一个高电流，然后电流逐渐减小产生一个放电平台，表现为连续大电流阶段，这造成电池温度持续升高。

短路故障是电池最常见的故障之一，如何有效检测和诊断短路故障目前依然是学者们研究的重点和难点问题。

1.2.2 过充电故障

电池在充电至饱和状态后，仍然继续充电的现象称为过充电故障。轻微的过充电故障在短期内不会影响电池状态，严重的过充电故障则会导致过渡金属溶解、材料相变、阴极电解液分解等现象。对于电池系统而言，传感器故障造成的电池管理系统（battery management system，BMS）对电池状态的误判可能引发过充电故障。文献［13］和文献［22］中研究了锂离子电池从开始过充电到引发热失控的整个过程，过充电故障的危害程度与充电深度有着直接关系。

1.2.3 过放电故障

电池在放电时，放电电压低于电池额定的放电截止电压称为过放电故障。与过充电故障相似，过放电故障的严重性与放电深度有着直接关系。Lai等［23］分析了电池从过放电故障向内短路故障演变过程。研究发现当放电深度低于120%时，电池本身会存在一定的自我修复能力；当放电深度超过120%后，过放电对电池产生的破坏将是永久的，产生的内短路也是不可逆的。对于这种故障，可以通过比较电压传感器收集的电压信号和电池上限电压或阈值进行检测，检测起来较为简单。

1.2.4 绝缘故障

电气系统的绝缘故障是指导体与地面或者导体与导体之间绝缘性能降低或消失的情况。对于动力电池来说，绝缘故障可以分为内部问题和外部问题［24］。内部问题主要是电解液泄漏或者外部液体进入造成绝缘层破坏，电池组内部出现导电回路。外部问题主要是外部高压回路的绝缘性能降低。车辆行驶过程中受到的振动、冲击和扭转等外部因素以及运行时温度和湿度等环境问题都可能导致电池系统的绝缘故障。目前研究中大多采用检测绝缘电阻异常的方法来检测动力电池的绝缘故障。

1.2.5 通信故障

（1）传感器故障。BMS 的作用是保证电池工作的安全性和稳定性，主要功能是电流、电压和温度等数据的采集与处理，故障诊断和电池热管理等。图3展示了BMS的基础框架及功能。

图3 电池管理系统基本框架及功能

数据采集与处理是BMS 正常运行的基础，若传感器在工作时出现偏差、漂移和精度等级降低等故障则会产生数据误差，极有可能造成BMS 对当前电池状态的误判，导致系统功能混乱［25］。造成传感器故障的原因主要是环境侵蚀、老化，以及传感器自身缺陷等。到目前为止传感器故障仍旧是一个亟待解决的安全问题。

（2）控制器局域网（controller area network，CAN）通信故障。汽车中的电力电子器件在频繁开关作用下会产生电磁干扰，引发BMS 通信异常。Zhu 等［26］通过测量数据传输信号，发现在负载不平衡的情况下逆变器高速开关产生的二次谐波、高次谐波会引起信号传输线上的差分信号出现10 kHz的干扰信号。除了电磁干扰，通信线的插头松动、走线不规范等硬件因素也会造成通信不稳定。

（3）接触器故障。在电动汽车中，接触器是用来频繁地接通或切断带有负载的主电路、辅助电路或大容量的控制电路［27］。当电池系统发生热失控时，需要控制接触器断开高压回路。然而接触器在切断大负载的时候可能会出现粘连故障，使得高压回路无法断开。目前BMS 中通常会设置主-从结构，其中主体结构不仅用于测量电池包的电流、电压，还可检测接触器故障。

1.3 热故障

1.3.1 冷却系统故障

电池正常工作的温度范围通常为25～40 ℃，冷却系统的作用就是保持动力电池的温度在正常工作范围内［28］。若冷却系统由于元件损坏或温度传感器异常造成系统无法正常工作，最直观的表现就是电池系统的温度迅速升高。当电池温度超过正常使用范围后，轻则会造成电池容量衰减和功率损失，影响使用寿命。严重时会引发电池内部结构溶解，电解液分解并伴随着其他放热副反应，最终导致热失控［29］。

1.3.2 温度异常

电池温度异常主要包含温度过高和温升过快［30］。短时间内的温升过快往往是电池内部内阻增大或者冷却系统存在问题，如果不及时采取干预措施可能造成不可逆转的危害。除了温度过高，电池温度还存在另一种情况［31］，当动力电池在寒冷环境下使用时，为保证电池的正常运行需要对电池进行预加热，若电池温度长时间保持在较低的水平，此时加热系统或者其他管理装置可能存在问题，需要及早诊断并排除。

1.4 不一致故障

单体电池或者电池模组之间存在差异称为不一致故障［32］。不一致故障直接的后果就是使某些电池性能加速衰减，主要包括电压不一致、温度不一致和SOC 不一致。电池的制造是一个复杂过程［33］，这就导致即使同一生产线上产出的电池也不可避免地存在不一致性问题。同时外部环境变化和侵蚀会加剧这种初始不一致特性，导致运行参数不一致［34］。不一致故障虽不如其他故障表现剧烈，但是一直存在于电池内部的安全隐患，可能会与其他故障相互影响从而造成严重后果。

1.5 老化故障

随着电池服役时间增长，电池的容量和功率均会下降，同样是电池安全性的问题［35］。图4 展示了电池老化主要降解的机理和机制。在电池老化的相关研究中普遍认为低温、高温、大电流充放电、过压欠压等都可能加快电池的老化速率。负极材料的主要降解机制是固体电解质界面（solid electrolyte interface，SEI）的生长和金属锂的沉积（析锂）。无论是SEI 生长还是析锂都会消耗可循环锂，导致不可逆的容量衰减［36］。此外，负极材料产生的应力膨胀等机械因素会导致负极SEI 层出现裂缝，增加了电芯的内阻。活性物质与集流体脱落分层等现象，也属于负极材料的老化降解。正极老化的表现主要是活性材料降解。由于正极活性材料脱锂而导致的电极结构变化和相变是不可逆容量衰减的原因。电池老化是非常复杂的过程，贯穿于电池整个生命周期，有着很大安全隐患。

图4 电池老化降解机理-机制示意图［35］

2 一致性与安全性耦合关系

2.1 动力电池系统不一致性分析

动力电池系统的不一致性是指同一型号的单体电池通过串/并联组成电池组后，各个单体的电压、温度、SOC、内阻和自放电率等参数会随着电池使用逐渐产生差别。根据动力电池系统不一致性在其使用过程中的扩大原因、发展规律以及对动力电池系统运行性能的影响，可以将动力电池系统的不一致性分为电压不一致性、容量不一致性、电量不一致性和内阻不一致性。

动力电池系统电压的不一致性通常发生于并联电池组中，这是因为当某一节单体电池的电压较低时，其他单体将会给该电池充电，形成动力电池单体之间的互充电现象。并联电池组中单体电压不一致性形式如图5 所示，假设1 号电池的端电压U1低于2 号电池的端电压U2，则两个电池之间就如同形成了一个充电回路，并且2 号电池会给1号电池进行小幅度的充电。虽然这种并联连接方式会使低电压单体的容量小幅增加，但是与此同时高电压单体的容量也会急剧降低，并且这个互充电的过程会产生一定的能量损耗，最终会使整个动力电池系统无法满足对外输出的预期效果。此外，由于电池SOC 在一定范围内与开路电压呈线性关系，因此电池在静态工况下开路电压的不一致性也能从一定程度上体现电池电量状态的不一致性。

2.2 动力电池安全性与一致性耦合机制

2.2.1 动力电池一致性和安全性耦合关系

如图6 所示，动力电池系统的不一致性可从电压、容量、电量和内阻4 个角度进行展开，分析结果显示电池不一致性直接影响电池的寿命衰减和老化速度，而在动力电池系统的老化过程中，其内部的副反应会引起内阻增加和容量衰减，进而导致动力电池系统的安全性能变差［37］。

图6 动力电池不一致性、安全性与电池老化之间的关联关系

现有研究发现，动力电池系统在循环老化过程中，内阻上升会使充放电过程中的焦耳热不断增加，动力电池系统热稳定性和抗电滥用性逐渐降低［35］；动力电池系统在低温循环老化过程中，负极析锂会造成动力电池系统的热稳定性急剧下降，被析出的锂金属与电解液继续发生反应，会使动力电池系统的自产热速率急剧上升，进而严重威胁动力电池系统的安全性。

综上，动力电池系统的一致性和安全性之间通常不会直接发生关联，而是通过电池寿命衰减间接联系在一起，动力电池系统的安全性也会随着电池逐渐老化而变差。因此，研究电池一致性与安全性的耦合关系，首先需要明晰电池一致性与电池老化之间的关联关系。

2.2.2 动力电池系统不一致性改进措施

为了提高动力电池系统一致性水平，延缓电池组寿命衰减速度，基于大量工程应用经验和实验研究，可采取分选、均衡、热处理和使用维护等措施。开展电池分选的目的是把参数相同或邻近的单体电池选择出来。不同批次单体电池不应该被放在一起使用，即便是相同批次单体电池，也需要通过选择把参数比较集中的单体电池放在同一个电池包里。为了应对动力电池系统的不一致性问题，BMS 通常都会集成电池均衡的功能。例如，当某些单体电池领先于其他单体电池率先到达充电截止电压时，BMS便会启动充电均衡功能，通过接入电阻放掉电压较高单体的部分电量，或者通过能量转移将能量转移至电压较低的单体电池。当充电截止条件被免除时，充电进程再重新开始会使动力电池系统充入更多电量。

因此，为了提高电池系统的安全性，需要综合考虑以上各个因素，建立动力电池组的故障诊断和安全预警系统，实现对动力电池组及其单体电池的实时监测和管理，提高动力电池组的安全性能和可靠性。

3 动力电池安全状态预测方法

3.1 基于数据驱动的动力电池SOC预测

在电动汽车的研究与开发中，准确地预测电池SOC对发挥电动汽车最佳性能和预测电动汽车续驶里程有着至关重要的作用。动力电池SOC的定义如式（1）所示：

式中：Qc指的是某时刻电池的剩余可用电量；Qn指的是电池的额定电量。电池系统的SOC取值范围为0～100%之间。胡杰等［38］提出了一种数据驱动的SOC预测模型，分析了电动汽车能耗构成并提取了能耗构成的关键因素。Wang 等［39］提出了一种基于改进的前馈长短期记忆（long short term memory，LSTM）神经网络建模方法，考虑了电流、电压和温度的变化，实现了动力电池全寿命周期的电池SOC预测。除了前馈LSTM 神经网络之外，LSTM 神经网络和迁移学习结合也能够实现锂离子电池SOC精确预测［40］。为了优化LSTM 神经网络从而实现对动力电池SOC长时预测，Li 等［41］提出了一种基 于“双dropout 层”的LSTM 神经网络SOC长时预测的方法，用来防止神经网络过拟合的同时优化训练效率。结果表明该方法可以实现5 min 的SOC预测。基于数据驱动的SOC预测，可以提前对电池的安全状态进行预测，实现电池安全状态的可控。

3.2 基于数据驱动的动力电池SOH估计

动力电池SOH的标准定义是放电容量与标称容量的比值，从剩余容量的角度定义如式（2）所示：

式中：C实际表示电池的实际容量；C标称是标称容量；C终止表示电池失效时的终止容量，通常为C标称的80%。因此，SOH值越大，表示电池健康状况越好。在实际电池SOH估计过程中，结果精度很大部分取决于评价电池退化的健康指标，现有的SOH估计方法通常忽略容量衰退过程中能够表征电池老化的温度信息。王萍等［42］提出了一种滑动平均卡尔曼滤波方法以提取健康特征。利用组合核函数改进了传统高斯回归算法以拟合电池容量全局衰退和局部波动两种趋势。为了探究适用于实车SOH估计的算法，如图7 所示，Hong 等［43］提出了一种新型深度学习方法，以对实车电池系统进行准确的SOH估计。通过拟合电池退化因素与各种车辆运行参数之间的相关性，建立了一个面向实际应用场景的近似电池退化模型。Lei 等［44］基于支持向量回归和脉冲测试的短期特征建立了一个有效的动力电池SOH估计方法，该研究利用非支配排序遗传算法来优化所建立的SOH估计过程。未来，需要探索更多结合实车SOH健康特征参数提取算法，利用实车数据去指导实车SOH估计。

图7 基于数据驱动的动力电池在线健康状态估计

3.3 基于数据驱动的动力电池电压预测

当前许多研究表明［45-47］，电压异常可以引起各类电池故障。典型的电压异常可以归纳为4 类：过电压、欠电压、过电压变化率和电池电压一致性差。Hong 等［48］利用LSTM 神经网络，研究了一种新型深度学习方法来对电池系统进行准确的多步前向电压预测。Cwh 等［49］开发的具有特殊卷积训练策略的深度学习神经网络，只须利用一个周期的电池测试数据就可准确预测电池的电压。王攀等［50］则针对电动汽车补电系统故障而导致低压系统异常耗电问题，提出了结合电池温度模型和3 阶阻容等效电路模型实时对低压锂电池工作电压进行提前预测与预警。Tran等［51］研究了机器学习回归模型、k-近邻、随机森林和决策树4 个机器学习方法对锂离子电池电压预测的最佳模型。Lin 等［52］建立了一个基于电流和时间改进的新型极化电压模型，仅用小批量的原始数据就可以确定新型极化电压模型的参数。Li等［53］基于LSTM 神经网络和等效电路耦合模型对动力电池系统电压进行了在线预测，选取4 个季节的数据进行了验证。目前基于数据驱动的电压预测已经进行了大量的实验和仿真验证，但是大多数并未考虑驾驶员和实车行驶天气等因素的影响。

3.4 基于数据驱动的动力电池温度预测

为了准确预测电池组温度以减轻潜在的危险，Zhang 等［54］建立了一个锂离子电池温度预测模型。研究详细分析了不同冷却条件下不同放电倍率的电池温度变化特征，此处，放电倍率是指电池在规定的时间放出其额定容量时所需要的电流强度。最后，研究结果表明电池内部温度预测模型具有较高的预测精度。Yang 等［55］基于极端学习机的热学模型来描述外短路条件下的电池温度行为，使用实验数据将极端学习机热模型与集总热模型进行了比较。其他研究也开展了基于神经网络预测动力电池温度，Fja 等［56］提出了一种人工神经网络模型来预测装有电池热管理系统的锂离子电池温度。研究结果发现该模型的R2和均方根误差分别是0.99 和0.017 3。Kleiner等［57］提出了一种新型的非线性自动回归神经网络对棱柱电池进行温度预测，显示了非常好的预测准确度，其均方根误差远低于0.5 K。Jiang 等［58］结合遗传算法和双向LSTM 神经网络来提供精确的电池温度预测。遗传算法用于获得时间序列数据的最佳分割策略，双向LSTM 神经网络被用来预测储能电站内电池组的最低和最高温度。与传统的LSTM和轻量梯度提升机方法相比，研究所提出的方法分别显著降低12%和26%的预测误差。但是实车工况是十分复杂多变的，基于实车多工况的动力电池温度预测具有十分重要的研究意义。

4 动力电池故障诊断及预警技术

目前常用的故障诊断方法可以分为基于解析模型方法、基于数据驱动方法和基于知识方法。不同故障诊断技术具有不同特点，本部分将详细分析各类故障的特性并重点讲述基于数据驱动和大数据的故障诊断与预警技术。

4.1 基于解析模型方法

基于解析模型的故障诊断方法是最早也是最常用的故障诊断技术，它主要依赖于所建立的电池数学模型来检测、评估和诊断系统故障［59］。如图8 所示，基于解析模型的故障诊断方法整个过程包括残差生成和残差评价。Yu 等［60］提出了一种基于最小二乘法与无痕卡尔曼滤波相结合的方法来进行电池系统电流传感器故障诊断。Wei 等［61］提出了一种基于模型的电池系统故障诊断方法，该方法基于多个等效电路模型和强跟踪扩展卡尔曼滤波器实现。Jiang 等［62］提出了一种在线识别和多模型自适应估计的电池系统充电器故障诊断方法，该方法通过仿真研究对比了不同滤波器（卡尔曼滤波器、强跟踪卡尔曼滤波器和H-∞滤波器）对充电器故障诊断的影响。综上所述，基于解析模型的方法主要集中于模型的改进与滤波器的设计来提升故障诊断方法的性能。

图8 动力电池故障诊断及预警方法

4.2 数据驱动方法

当无法确定数学模型或者模型无法精确描述电池状态时，可通过数据驱动方法利用大量的监测数据对故障进行诊断。基于数据驱动的方法可以分为机器学习、信号处理和信息融合，如表2所示。

表2 基于数据驱动的故障诊断方法分类与特点

当前故障诊断的研究热点主要为基于机器学习的故障诊断方法，人工神经网络和支持向量机是两种典型的机器学习算法［63］。人工神经网络如图8 所示，在进行离线训练时，从给定的输入和输出数据中学习到隐含规则，形成非线性黑盒模型。Wang等［64］提出了一种基于改进径向基函数神经网络对锂离子电池组故障进行识别。基于支持向量机的故障诊断方法主要适用于小样本情况，该方法具有良好泛化能力，但最优化函数选取过程较为困难［65］。为了解决最优化函数的选取问题，Yao 等［66］提出了基于网格搜索的方法，经过优化后的支持向量机在故障诊断上具有较高的准确性和时效性。申东旭等［67］为了解决锂电池组连接故障，提出了一种基于机械振动信号的锂电池组连接故障诊断方法。利用压电陶瓷传感器实现电压信号和振动信号的相互转换，并在每种故障模式下采集振动信号。在数据时代，数据驱动与故障诊断的结合是必然的结果，在安全管理方面掀起一场时代的浪潮。

当电池发生故障时，故障数据的幅频和相频特性会在一定程度上改变，可以通过在频域中对故障数据进行频谱分析，进行故障诊断。刘鹏等［68］提出了一种基于快速傅里叶变换和异常系数评估电池电压不一致性故障诊断方法。傅里叶变换并不能满足非稳态信号变化的需求，而小波变换可以克服窗口大小不随频率变化的缺点，可以对非稳态信号进行多尺度的详细分析。Yao 等［69］提出了一种基于小波神经网络的新型电压故障检测方法，既可以检测和定位电池故障，还可以反映故障的程度。Hong 等［70］提出了一种基于离散小波变换的实车电池故障诊断和隔离方案，实施过程如图9 所示。基于信号处理的故障诊断方法已经进行了很多研究，未来该故障诊断方法也会更多地应用于实车。

图9 基于离散小波变换的电池故障诊断与预警

信息融合又称为多传感器信息融合，是对从单个和多个信息源获取的数据和信息进行关联、相关和综合，以获得精确的位置和状态估计。Li 等［71］基于多源信息融合理论，结合修正相关系数、样本熵和修正阈值方法对电池系统进行联合故障诊断。根据作者的假设，故障诊断的方式如式（3）所示：

式中：out（i）是在时间i的诊断结果，值为0或1，代表有故障或无故障；sgn 是符号函数，当输入大于0 时，值为1，反之为0；SamEn（i）是样本熵在时间i的序列；TSE表示样本熵的阈值，TCC表示相关系数的阈值；Corecoef（i，j）是电池j的电压和平均电压在时间i的相关系数；Thres（i）表示时间i的阈值诊断结果，值为0 或1，表示有故障或无故障。该方法经过城市道路循环工况数据验证，具有精确的故障诊断效果，并且至少提前5 min 能够检测到电池系统故障。彭运赛等［72］提出了一种基于改进的卷积神经网络和信息融合的锂电池组故障诊断方法，对不符合诊断条件的结果进一步采用卷积神经网络进行辅助诊断。除此之外，Shang 等［73］提出了一种基于修正样本熵的多故障诊断方法，通过检测电池电压的样本熵可以有效地预测故障发生的时间以诊断电池的早期故障。Wang 等［74］提出了一种基于熵理论的电压故障诊断检测机制，研究过程借助了典型实车数据，在一定程度上更具有实用性。针对动力电池多故障诊断，可以采用基于“熵”理论算法进行研究，这对于实车动力电池多故障诊断研究具有重要的意义。

4.3 基于知识方法

基于知识的故障诊断方法可利用人工智能技术对历史数据进行分析，图8 展示了基于知识方法的应用过程。但是该方法需要大量的历史数据，因此有些学者也将其归类为数据驱动的故障诊断方法。基于知识的故障诊断方法中应用最广泛的主要包括向量图法、专家系统和模糊逻辑［75］。

王一卉等［76］提出了一种基于模糊神经网络的故障诊断专家系统，该方法结合了模糊数学的对故障的隶属度判别、神经网络的自学习能力和专家系统的推理能力。Ma 等［77］提出了一种基于图形的自动编码器，研究将电压重建误差与特定的监测策略相结合，以识别电池系统中3 种常见的故障类型及其位置。Hu 等［78］提出了一种结合电池测试和锂电池故障演变的分析流程图，通过故障树分析法分析了电动汽车起火的根本原因，结果表明，低热稳定性材料和BMS 未能及时预警是导致电动汽车起火的最重要因素。当前受限于丰富的专家经验，基于知识的方法研究较少，在未来，基于知识的故障诊断方法应该要着重研究。

4.4 大数据驱动的实车动力电池故障诊断

大数据时代的到来带来了海量的数据资源，然而由于数据获取的难度和敏感性，实车动力电池故障诊断研究较少［87］。新能源汽车国家监测与管理平台可以实时监测汽车运行数据和离线存储历史数据，基于此平台学者们展开了一些面向实车大数据的动力电池故障诊断研究。

4.4.1 故障诊断与预警

在故障诊断与预警的研究中，Wang 等［88］基于新能源汽车国家监测与管理平台收集的实时电压监控数据，提出了一种电压故障诊断与预警方法，具体实施过程如图10 所示。基于修正香农熵建立了动力电池系统故障诊断模型，并利用Z 评分法制定了预警和安全管理策略，其中设置的异常系数，可以对故障级别进行实时评估。

图10 基于修正香农熵的电压故障诊断与预警

4.4.2 多故障协同预警

在多故障协同预警的研究中，Hong 等［89］提出了一种基于改进多尺度熵的电池故障协同诊断方案。如图11 所示，改进多尺度熵可以有效地提取电池故障的多尺度特征，结合定义的敏感度因子可以高效、稳定地对电池异常进行实时评估。同时，开发的“变量-计算-窗口”诊断方案可以实时同步检测和定位不同故障类型。

图11 基于改进多尺度熵的电池故障协同诊断方案

除了上述研究之外，Hong 等［90］提出了一种面向实车大数据的深度学习方法，具体实施过程如图12 所示。该研究利用长达一年的电动出租车数据集对LSTM 神经网络模型进行训练，可以实现准确的电压预测和同步多参数预测。此外，针对汽车在充电和行驶时两种不同的运行状态，研究建立了双模型协同预测策略可以自适应切换两种预测模式。

图12 基于LSTM的电池多参数预测方案

5 动力电池系统安全控制策略

动力电池系统安全控制对电动汽车的安全可靠运行具有重要意义。为了实现实车电池系统的高效安全管控，各种电池故障诊断及风险预警模型需要实现与BMS 的高效集成。本部分将系统总结和分析电池系统常见的安全问题及解决思路，研究电池系统多故障早期协同预警的多模型融合理论和方法，提出面向实车动力电池系统全寿命运行周期的安全控制策略。

5.1 动力电池系统安全问题及解决方案

动力电池系统在实际运行过程中会面临各种安全问题，本文针对这些问题提出一些解决思路。如图13 所示，针对电芯安全问题，通过电芯、电池模块标准化既可以大大减少低层次重复劳动，又可以对电芯安全性的提升起到积极推动作用。对于动力电池系统成组安全问题，重点是从合理的电管理、热管理设计，以及提高电池焊接工艺这几个维度来提升动力电池系统的成组安全性。

图13 动力电池系统常见安全问题及解决方案

针对动力电池系统设计安全问题，重点是开展科学的电池设计与制造。针对充电安全问题，目前最有效的方法之一是在充电初期对动力电池系统进行电流脉冲监测，此方法可以尽早发现动力电池系统的不一致性问题，并发出安全警报。对于动力电池系统安全预警问题，可以通过整车域控制器（vehicle control unit，VCU）对动力电池系统出现的问题做出快速响应。针对动力电池系统的日常维护问题，对相关的日常维护标准及相关法律规定的完善是非常紧急和必要的。对于动力电池系统的安全保护问题，重点是对过充、过热、连接安全风险等进行安全防护。针对动力电池系统的安全级别划分问题，需要整车厂和零配件企业加快实施产业链合作，形成专业化的分工协作体系。

5.2 基于“车-云”融合的动力电池安全控制策略

为了实现实车动力电池系统的安全控制管理，本文提出了一种基于“车-云”融合的实车动力电池安全控制策略。如图14 所示，从车端和云端两个方面对电池系统安全控制策略开展持续的优化和拓展。在车端，通过BMS 实现数据的短时采集、边缘计算、故障快速诊断。在车载诊断系统上，通过统计学、熵算法、机器学习和其他模型等多模型融合算法，可以实现“机-电-热”不同类型动力电池系统故障早期协同预警及SOH实时评估，并得到面向实车动力电池系统全寿命周期运行的高安全性、高可靠性和高稳定性的动力电池系统安全控制策略。其次，通过车载T-Box 将车端采集的数据和处理的信息，通过信息传输技术在云端实现故障诊断模型的实时更新、有效数据的长时储存，以及车辆安全状态的辅助监管，通过云端大数据库实现海量实车运行状态的参数存储，结合大数据平台资源优化与迁移、海量高负载均衡等技术，为后续企业和科研工作者提供有效的数据支撑。

图14 基于“车-云”融合的动力电池系统故障诊断策略

6 结论

本文基于以上研究内容，总结了国内外最先进的动力电池系统安全控制技术，以期为我国新能源汽车安全风险管控发展提供借鉴方案，促进新能源汽车安全风险管控的产业发展。

（1）动力电池的不一致性从生产时就已经存在，随着电池使用时间和车辆行驶里程的增加而逐渐扩大。动力电池不一致性参数之间并非相互独立，而是相互影响、互为因果。例如电压的不一致性可以从一定程度上反映动力电池系统其他各种参数的不一致性。通过大数据分析不同行驶工况下单体电压和概率分布能够有效地挖掘动力电池不一致性程度，指导实际生产和制造，降低电池初始的不一致性。

（2）动力电池系统各种状态的精确预测对电动汽车的安全可靠性运行至关重要。电池系统的SOC、SOH、电压和电流等状态参数能够实时反映电池系统的安全状态，对于汽车安全行驶至关重要。当前，基于数据驱动的形式，通过神经网络和机器学习的方法对动力电池各类参数进行实时监控与预测，能够在故障发生前提前预警，实现动力电池安全风险管控的目的。未来，要探索更多基于实车数据的动力电池安全状态预测研究。

（3）动力电池系统故障在线诊断是电动汽车安全管控的重要内容之一。目前基于各种观测器、滤波以及机器学习方法已经开展了广泛研究，但计算量较大、实时诊断精度低、鲁棒特性差。基于实车大数据深入研究动力电池典型故障机理及故障诊断方法，实现动力电池故障特征定性分类和故障等级定量评估。研究基于修正香农熵和改进多尺度熵算法，提取早期风险信号的多时间尺度和时频特征，制定实车动力电池系统的多级风险预警策略，实现新能源汽车安全运行。

（4）高质量防控和决策的安全控制策略可以有效保障动力电池使用安全。基于“车-云”融合的动力电池安全控制策略，通过车端数据采集和多模型融合策略，可以实现动力电池系统安全风险状态在线定量评估。通过云端大数据监控与分析，实现动力电池系统状态长短期预测。通过“车-云”融合的安全控制策略，实现了动力电池系统全寿命周期内的安全状态可监控、可追溯，具有重要的工程应用价值。