李 放，閔永軍，張 涌

（南京林業(yè)大學汽車與交通工程學院，江蘇 南京 210037）

為緩解化石燃料資源的日益稀缺和環(huán)境污染的加劇，汽車電動化是其有效途徑之一，現(xiàn)今電動汽車產(chǎn)業(yè)逐漸成為全球競爭和發(fā)展的焦點[1]。電動汽車的推廣是實現(xiàn)綠色低碳交通和可持續(xù)發(fā)展的必經(jīng)之路，是確保如期實現(xiàn)“碳達峰、碳中和”目標的重要途徑之一，而鋰離子電池因其高能量密度、低自放電率、循環(huán)壽命長等優(yōu)點已逐步發(fā)展為電動汽車主流儲能元件[2]。作為電動汽車的核心部件，動力鋰電池可靠性是指電池在規(guī)定條件下和規(guī)定的時間內(nèi)完成規(guī)定功能的能力，包括其適用性、安全性和耐久性，其中電池故障診斷和電池健康狀態(tài)(state of health，SOH)預估均為保障電池可靠性的關鍵技術并且是當前研究的熱點[3-4]。

由于車載動力鋰電池面臨不斷變化的外界環(huán)境以及行車過程中振動與沖擊的影響，并且不同的駕駛行為也會對電池可靠性產(chǎn)生影響，而電池可靠性下降將導致電動汽車性能異常退化，如單體不一致性差引發(fā)“木桶效應”，加重均衡系統(tǒng)負擔的同時導致電動汽車動力性與續(xù)駛里程快速下降，無法滿足駕駛員需求，或因故障引發(fā)熱失控[5]。隨著車聯(lián)網(wǎng)、云平臺技術的發(fā)展，新能源汽車大數(shù)據(jù)監(jiān)督與管理平臺的出現(xiàn)為電池可靠性關鍵技術研究提供了全新的思路與方向[6]。基于大數(shù)據(jù)可對海量實車故障案例進行數(shù)據(jù)挖掘以改進電動汽車故障預報警策略，防止熱失控等安全事件的發(fā)生；基于車輛全壽命大數(shù)據(jù)，實現(xiàn)SOH 的準確預估，改善消費者駕駛體驗并推進電池批次回收利用[7]。

目前國內(nèi)外對電池可靠性關鍵技術的研究大多數(shù)停留在實驗室環(huán)境或仿真得出的故障診斷與SOH 預估模型，然而將實驗室或仿真中建立的模型應用到實際則難以達到預期效果，因此基于實車大數(shù)據(jù)開展研究對提高電池可靠性更具實際意義[8]。本文介紹了新能源大數(shù)據(jù)平臺與采集數(shù)據(jù)特點以及當前數(shù)據(jù)清洗的研究現(xiàn)狀，整理分析了國內(nèi)外基于大數(shù)據(jù)在電池故障診斷和電池SOH 預估領域的不同研究方法，指出了現(xiàn)有研究的不足與所面臨的挑戰(zhàn)，并展望未來發(fā)展方向。

1 大數(shù)據(jù)及數(shù)據(jù)平臺

1.1 大數(shù)據(jù)與數(shù)據(jù)平臺介紹

大數(shù)據(jù)具有數(shù)據(jù)體量大(volume)、種類多(variety)、時效性(velocity)、準確性(veracity)和具備價值深度(value)的“5V”特點，由于以汽油機和柴油機為主的傳統(tǒng)汽車行業(yè)發(fā)展逐漸飽和，借助大數(shù)據(jù)是推動電動汽車產(chǎn)業(yè)發(fā)展和變革，實現(xiàn)新能源汽車產(chǎn)業(yè)“彎道超車”的關鍵一步[9-10]。在電動汽車產(chǎn)業(yè)與大數(shù)據(jù)技術結(jié)合的發(fā)展中，高質(zhì)量的數(shù)據(jù)資源是分析算法的基礎，大數(shù)據(jù)平臺是創(chuàng)造應用效益的根本支撐[11]。

為實現(xiàn)新能源汽車里程核算、預警監(jiān)管和風險管理，中國2016年于北京建立了新能源汽車監(jiān)控與管理國家平臺(national monitoring and management platform for new energy vehicles，NMMP-NEV)，截止到2022年7月1日，新能源汽車國家監(jiān)測與管理平臺累計接入新能源汽車車輛數(shù)突破900萬輛?！峨妱悠囘h程服務與管理系統(tǒng)技術規(guī)范》(GB/T 32960)中，規(guī)定了采集數(shù)據(jù)的格式、范圍、頻率等，并按照企業(yè)為第一責任主體的思路，所有數(shù)據(jù)由車載終端按照GB/T 32960 采集并基于通用分組無線業(yè)務(general packet radio service，GPRS)實時傳輸至企業(yè)監(jiān)管平臺，企業(yè)監(jiān)管平臺按照規(guī)定和要求上報各級平臺，現(xiàn)已形成了企業(yè)—地方—國家監(jiān)管平臺的三級架構(gòu)，如圖1所示[7]。

圖1 新能源汽車數(shù)據(jù)平臺三級架構(gòu)Fig.1 New energy vehicle data platform three-level architecture

1.2 采集數(shù)據(jù)特點

表1為某電動汽車企業(yè)監(jiān)管平臺某電動公交車的一條行駛片段，每條片段的采樣頻率為0.1 Hz，即10 s/次。

表1 數(shù)據(jù)平臺所采集的某電動公交車的一條行駛片段Table 1 A driving segment of an electric bus collected by data platform

由表1可知該電動公交電池組的總電壓和總電流的采樣精度為0.1 V，共336個單體串并聯(lián)組成，單體的電壓采樣精度高達0.001 V，但單體的電流、內(nèi)阻無法獲取，僅有單體電壓作為單體電池的監(jiān)測參數(shù)，一定數(shù)量的單體封裝在電池箱中，電池箱安裝在車身的側(cè)面和后面；探針數(shù)量為64 個，這說明無法監(jiān)測每個電池單體的具體溫度，這為分析由電池單體引發(fā)的熱失控事件溯源帶來阻礙；電池荷電狀態(tài)(state of charge，SOC)的采樣精度為0.01，電池的SOC 估計算法更依賴于本身電池管理系統(tǒng)(battery management system，BMS)的內(nèi)置算法，而SOC估計的準確度對預估電池SOH的影響較為明顯[12]。

GB/T 32960 要求傳輸頻次最低為30 s/次，故障時1 s/次并回溯故障點前后的30 s[13]。企業(yè)平臺現(xiàn)已有能力實現(xiàn)1 s/次的采樣，在數(shù)據(jù)傳輸與上報或后續(xù)研究時通常選擇10 s/次的采樣頻率，雖然10 s/次的采樣頻率可以基本完整地描述車輛運行狀態(tài)，但故障即將發(fā)生或電池退化研究時，10 s間隔中速度、電壓、電流等參數(shù)可能因波動較大導致未能準確記錄其變化過程，或計算當前電池容量等參數(shù)時產(chǎn)生較大誤差，上述因素均對最終建立的故障診斷與SOH預估模型精度有不可忽視的影響。

1.3 數(shù)據(jù)清洗研究現(xiàn)狀

由于建筑物遮擋、傳感器故障或信號丟失以及傳輸時受其他信號影響，數(shù)據(jù)中存在一定規(guī)模的異常值與缺失值，因此數(shù)據(jù)清洗的工作主要為異常值篩選與缺失值填充。Wu等[14]提出對電壓、電流或溫度傳感器故障引起的數(shù)據(jù)缺失，采用均值插補法填充。Sun等[15]提出一種平均濾波器(moving average filter，MAF)法去除采集信號如電壓中的噪聲。Hou等[16]提出基于箱線圖的方法篩選異常值，箱線圖的不足在于清除異常數(shù)據(jù)時也易將故障數(shù)據(jù)去除，不利于后續(xù)故障診斷的深入研究，針對這一問題，王安晨[17]通過設定箱線圖的上下邊緣，將異常值分為溫和異常值和極度異常值，只清除極度異常值。梁丹陽等[18]對提取的動力電池特征參數(shù)進行小波分解，設定小波系數(shù)閾值以剔除歷史運行數(shù)據(jù)中的高頻干擾信號后重構(gòu)還原特征參數(shù)。Huo等[19]通過監(jiān)測速度和加速度值，刪除不符合現(xiàn)實汽車運行規(guī)律的突變速度值，使用馬爾可夫鏈填充缺失速度值，并分別以電流和電壓為輸出建立了基于徑向基函數(shù)神經(jīng)網(wǎng)絡(radius basis function neural network，RBF-NN)的缺失數(shù)據(jù)填充模型。文獻[20]提出云端大數(shù)據(jù)和機器學習結(jié)合的數(shù)據(jù)清洗策略，基于云端離線訓練不同溫度下電動汽車的工況數(shù)據(jù)，由支持向量回歸(support vector regression，SVR)在線填充缺失的電壓與電流，但SVR 處理大數(shù)據(jù)存在運行時間過長的問題。Li等[21]采用深度學習算法與特征融合方法開發(fā)了一種集成性動力電池數(shù)據(jù)清洗框架，經(jīng)驗證可檢測出93.3%的異常數(shù)據(jù)且其數(shù)據(jù)恢復誤差低于2.11%。

2 基于大數(shù)據(jù)平臺的電池故障診斷

2.1 基于大數(shù)據(jù)的電池故障診斷應用現(xiàn)狀

動力電池組的常見故障包括單體不一致、單體欠壓/過壓、傳感器故障、電池內(nèi)短路、電池外短路、溫度管理故障和連接故障等，故障種類多且故障之間相互耦合影響[22-23]。由于車載電池組由大量串聯(lián)和并聯(lián)的電池單體組成，為電動汽車提供足夠動力和所需的續(xù)航里程，而某個單體的故障或單體間的不一致性會因“木桶效應”嚴重影響整個電池系統(tǒng)的性能和壽命，并可能進一步導致熱失控的風險[24]。因此，基于實車大數(shù)據(jù)需建立考慮多單體相互影響下的故障預警與隔離機制。

基于大數(shù)據(jù)的電池故障應用現(xiàn)狀如圖2 所示，通常電池故障的第一觸發(fā)原因難以確定，可能是由于單體、單體組間、外部傳感器或BMS 控制策略故障引起，通過實車采集的溫度、電壓、電流、SOC 等信息建立機器學習、統(tǒng)計學、信號學或融合模型診斷定位故障，在電動汽車端植入合理的故障監(jiān)測模型實現(xiàn)及時無虛警的故障報警與單體不一致檢測，并建立相應的故障容錯機制應對不同級別的故障；大數(shù)據(jù)平臺端對故障分布和觸發(fā)環(huán)境進行深入分析，同時利用平臺高算力的優(yōu)勢實現(xiàn)車型安全性評估并分析潛在風險，通過數(shù)據(jù)挖掘與用戶反饋信息對故障深度溯源。

圖2 基于大數(shù)據(jù)的電池故障應用現(xiàn)狀Fig.2 Application status of battery failure based on big data

2.2 基于機器學習的故障診斷

機器學習是挖掘數(shù)據(jù)價值的有效方法之一，真實故障事件為基于機器學習的故障診斷模型提供了數(shù)據(jù)基礎。以聚類算法為代表的單體不一致篩選模型克服了傳統(tǒng)異常單體檢測中依賴單一閾值的問題，Li等[25]首先根據(jù)滑動采樣的電壓矩陣提取二維故障特征，通過基于密度聚類(density-based spatial clustering of applications with noise，DBSCAN)算法對潛在的熱失控電池單體進行定位。Liu 等[26]提出了一種將DBSCAN和角方差(variance-of-angle，VOA)算法相結(jié)合的改進聚類方法識別異常單體，算法計算復雜度顯著降低。向兆軍等[27]結(jié)合一階RC等效電路模型和二分K-means聚類算法，提出一種新的鋰電池單體SOC 不一致的估計方法。基于深度學習的模型可實現(xiàn)單體電池參數(shù)的多步預測，從而提前預警或發(fā)現(xiàn)潛在故障。Hong 等[28]基于長短期記憶網(wǎng)絡(long short-term memory，LSTM)實現(xiàn)單體多步電壓預測，實現(xiàn)異常單體的早期診斷，但其參數(shù)優(yōu)化是一項非常繁瑣和耗時的任務，很難在短時間內(nèi)獲得最優(yōu)模型。Li等[29]提出一種基于卷積神經(jīng)網(wǎng)絡(convolutional neural network，CNN)-LSTM的電池單體溫度多步預測的熱失控預警模型，并采用隨機鄰接優(yōu)化方法(random adjacent optimization method，RAOM)對超參數(shù)進行自動尋優(yōu)。Liu等[30]結(jié)合自回歸移動平均模型(autoregressive integrated moving average model，ARIMA)訓練時間較短，小范圍電壓波動時精度較高的優(yōu)勢與LSTM可集成電流、溫度信息的特點，將二者加權(quán)融合實現(xiàn)單體電壓未來預測并提前診斷故障。Gan等[31]基于極端梯度增強算法(extreme gradient boosting，Xgboost)建立回歸模型，通過實時電壓和模型預測電壓的殘差值判斷單體電壓是否過充。Wang 等[32]基于Xgboost 建立精確的充電容量預測回歸模型，通過構(gòu)造相對誤差的累積分布函數(shù)(cumulative distribution function，CDF)和誤差帶診斷電池充電過程中發(fā)生的容量異常故障，進一步提高了模型的魯棒性和故障識別率。

在基于機器學習的動力電池故障診斷研究中，聚類方法可精確定位故障單體或探針的位置，但離群規(guī)則和離群閾值的確定直接影響診斷模型的性能；深度學習的方法可實現(xiàn)多種故障類型的診斷，甚至通過LSTM、CNN等模型可實現(xiàn)電池狀態(tài)的多步預測從而達到故障預診斷的效果，其調(diào)參難度大，易陷入過擬合的問題，可通過優(yōu)化模型結(jié)構(gòu)與尋優(yōu)算法進一步改進。

2.3 基于統(tǒng)計學和信號學的故障診斷

基于統(tǒng)計學和信號學的方法無須大量訓練集且避免了復雜建模與調(diào)參問題，Qin 等[33]在篩選異常單體的研究中比較了3σ算法和局部離群因子(local outlier factor，LOF)算法，指出LOF算法在實際應用中其離群閾值的設置難以確定，而3σ算法的魯棒性更優(yōu)。針對電池單體分布未知這一問題：Yin等[34]提出基于箱形圖和基尼系數(shù)的異常單體篩選策略，適用不同分布的單體參數(shù)預警；Liu等[35]對電池的分布進行驗證后提出基于香農(nóng)熵的故障單體定位策略，并提出單體故障程度的量化模型。文獻[36]提出了組間相關系數(shù)(interclass correlation coefficient，ICC)的方法，通過比較不同單體的電壓信號從而檢測潛在異常單體?；陟乩碚摰漠惓误w篩選模型通過計算單體參數(shù)隨時間變化的熵值確定異常單體，Hong 等[37]提出了基于改進多尺度熵的電池單體熱失控實時監(jiān)測方案，經(jīng)驗證能有效提前檢測異常單體；Wang 等[38]基于改進香農(nóng)熵實現(xiàn)異常單體的識別，并基于Z-score 量化故障并設置異常系數(shù)來實時評估故障等級，樣本熵[39]、相對熵[15]等也取得了較好的診斷效果；文獻[40]等提出基于歸一化離散小波分解的多級故障預測策略，經(jīng)驗證該策略在熱失控觸發(fā)前可有效地檢測和定位故障單體。Jiang 等[41]首次將控制理論中的狀態(tài)表示法(state representation methodology，SRM)應用于單體故障診斷監(jiān)測，比較不同溫度、電流和電壓輸入下的狀態(tài)確定異常單體，從而預防熱失控事件的發(fā)生。

在基于統(tǒng)計學和信號學的動力電池故障診斷研究中，基于3σ等統(tǒng)計學指標可快速定位故障單體或探針，但需考慮電池單體的分布情況；基于熵理論的故障診斷對于在一定范圍內(nèi)波動的數(shù)據(jù)有良好的診斷效果，但往往在故障觸發(fā)達到一定水平后才能有效報警，且其窗口和數(shù)據(jù)長度的選取對熵值影響較大；相關系數(shù)法可捕捉不同數(shù)據(jù)間的差異性，但易受噪聲和電池均衡系統(tǒng)的影響；基于信號分解的方法可實現(xiàn)故障的細化分析，但在線應用的難度較大。

2.4 基于融合模型的故障診斷

結(jié)合統(tǒng)計學、信號學與機器學習等方法建立融合模型，將統(tǒng)計學和信號學占用內(nèi)存小、報警響應快和移植性好的特點應用于BMS，而故障溯源與風險評估算法由數(shù)據(jù)平臺實現(xiàn)，可制定出更具應用潛力的多級故障診斷模型。Zhao等[42]提出基于BP神經(jīng)網(wǎng)絡與3σ算法的單體故障多級篩選策略，定位異常單體的同時分析了單體故障頻率在不同季節(jié)的變化特征。Sun等[43]采用Box-Cox變換對數(shù)據(jù)進行歸一化并提出一種多級故障診斷策略，即第一級通過監(jiān)測截止電壓以預防電池組的過充與過放，第二級基于單體電壓的置信區(qū)間確定異常單體，第三級引入Pearson 系數(shù)和去趨勢電壓(detrended voltage，DV)作為指標，基于K-means識別特定時間段內(nèi)的單體異常電壓波動。Li 等[44]將信號學中的峭度應用于單體故障的診斷，只有當基于峭度的預報警觸發(fā)后，結(jié)合多維標度法與DBSCAN的故障單體定位策略才被執(zhí)行。Cong等[45]通過變分模式分解(variational mode decomposition，VMD)方法分解電壓信號并構(gòu)造廣義無量綱指標信號特征，基于稀疏聚類檢測異常單體。Jiang 等[46]首先對原始電壓數(shù)據(jù)進行VMD 分解，將靜態(tài)分量與動態(tài)分量的特征輸入孤立森林(isolated forest，IF)算法中檢測異常單體。Sun 等[47]提出計算單體電壓/溫度曲線與中值電壓/溫度曲線之間的離散Fréchet距離(discrete Fréchet distance，DFD)，濾波后提取DFD 和時間序列中各單體電壓與模塊溫度的標準差，通過LOF方法在電池系統(tǒng)發(fā)生熱失控之前更早地檢測到異常單體。

融合模型在故障診斷中有較好的應用前景，將易移植、計算復雜度低的診斷算法應用于BMS中，實現(xiàn)故障預報警并建立觸發(fā)故障后的分級容錯機制；利用數(shù)據(jù)平臺或云端建立計算復雜度較高、可定位故障的診斷模型，實現(xiàn)故障深度溯源與安全量化。

2.5 基于大數(shù)據(jù)的動力電池故障診斷方法對比

對上述故障診斷方法進行歸納整理，對比文獻中不同算法的優(yōu)缺點，如表2所示。

表2 故障診斷方法總結(jié)與對比Table 2 Summary and comparison of fault diagnosis methods

3 基于大數(shù)據(jù)的電池健康狀態(tài)預估

3.1 基于大數(shù)據(jù)的電池健康狀態(tài)預估應用現(xiàn)狀

電池SOH 是量化動力電池退化程度的一個關鍵指標，不僅直接決定電動汽車的動力性能和續(xù)駛里程，還反映了電池的剩余價值[24]。當電池使用過程中容量降至額定容量的80%或內(nèi)阻升高一倍時，認為電池使用達到終止壽命(end of life，EOL)[48-49]?；谌萘拷嵌榷xSOH[50]:

式中，Qact為電池當前實際容量；Qnom為電池額定容量。

基于內(nèi)阻角度定義SOH[50]：

式中，Reol為電池到達EOL 時的內(nèi)阻；Ract為電池當前實際內(nèi)阻；Rnom為電池初始內(nèi)阻。

基于大數(shù)據(jù)的電池SOH 應用現(xiàn)狀如圖3 所示，動力電池隨著充放電循環(huán)次數(shù)的增加，電池內(nèi)部發(fā)生固體電解質(zhì)界面膜(solid electrolyte interface，SEI)的增長與分解、電解液與隔膜分解、集流器腐蝕和電極老化等多種復雜的化學反應，但最終表現(xiàn)形式為電池可用容量降低、內(nèi)阻增大，導致電池SOH逐漸下降?，F(xiàn)有基于實車大數(shù)據(jù)建立的電池SOH預估模型包括：基于用戶歷史數(shù)據(jù)如駕駛風格、充電習慣等信息建立以時間維度變化的SOH 退化模型；以及基于增量容量分析法(incremental capacity analysis，ICA)提取IC曲線特征以計算電池退化程度，最終由車載系統(tǒng)提供電池SOH 的實時估計以及電池維護的個性化提醒，并由大數(shù)據(jù)平臺實現(xiàn)電池未來SOH 衰減的預測，檢測異常退化電池并及時告知駕駛員，同時統(tǒng)計不同型號電池全生命周期內(nèi)的數(shù)據(jù)以提供給上游制造廠進行電池升級和批次回收。

圖3 基于大數(shù)據(jù)的電池健康應用現(xiàn)狀Fig.3 Application status of battery health based on big data

3.2 基于運行數(shù)據(jù)的電池健康狀態(tài)預估

Song 等[51]提取累計里程、充放電速率、放電深度和電池溫度作為特征輸入BP 神經(jīng)網(wǎng)絡實現(xiàn)SOH估計，最大相對誤差為4.5%。Hong等[52]綜合環(huán)境溫度和駕駛員行為，基于LSTM網(wǎng)絡提出了一種動力電池SOH 估計模型，并得出所研究車輛每個行駛/充電循環(huán)內(nèi)的容量退化曲線。Huo等[19]為電壓、電流、溫度、功率等多元信息選擇適當?shù)姆植碱愋秃?，將其輸入貝葉斯網(wǎng)絡(bayesian network，BN)實現(xiàn)SOH 的估計。He 等[53]利用局部加權(quán)線性回歸(locally weighted linear regression，LWLR)擬合容量和里程的關系，在區(qū)分用戶行為異質(zhì)性的前提下，采用貝葉斯優(yōu)化算法的LSTM網(wǎng)絡估算動力電池組的SOH。Liang等[54]通過Thevenin等效電路模型與改進的動態(tài)開路電壓-遞推最小二乘算法獲取歐姆內(nèi)阻作為電池SOH 的表征參數(shù)，通過Xgboost實現(xiàn)電池SOH估計。Huang等[55]利用嶺回歸(linear ridge regression，LRR)建立里程與SOH的關系，通過L2 范數(shù)防止回歸中過擬合并保持泛化能力。周頔等[56]基于擴展卡爾曼濾波-高斯過程回歸(gaussian process regression，GPR)提出一種利用片段數(shù)據(jù)估算電池全充時間的模型，可根據(jù)動力電池的日常片段數(shù)據(jù)評估監(jiān)測鋰電池SOH。文獻[57]利用斜率-截距校正(slope-bias correction，SBR)與RBF-NN 構(gòu)建離線訓練模型，并建立改進的隨機森林模型，實現(xiàn)在線SOH 預測。Tian 等[58]選擇兩個連續(xù)充電事件之間的行駛距離作為指標，提出一種基于箱線圖的統(tǒng)計方法來分析電池退化。Hou 等[16]以2017—2019 年電動公交車運行數(shù)據(jù)為基礎，以等效電路法計算的電池組內(nèi)阻作為電池SOH 退化指標，并測試多種數(shù)據(jù)驅(qū)動模型，其中以決策樹為基礎的集成學習模型效果優(yōu)于SVR、RBF-NN、K最近鄰算法(k-nearest neighbor，KNN)和線性回歸模型。

在基于大數(shù)據(jù)的動力電池SOH 預估研究中，選取影響電池SOH 的特征是未來研究的難點，選取多維度、高相關性的健康特征可提高模型的精度，而電池充電時的參數(shù)與特征提取仍受傳感器精度的限制；現(xiàn)基于實車大數(shù)據(jù)所建立的SOH 預估模型主要以機器學習或統(tǒng)計學等回歸模型為主，未來與等效電路法、卡爾曼濾波或粒子濾波等方法結(jié)合實現(xiàn)參數(shù)更新，建立高精度且實時更新的電池SOH預估模型。

3.3 基于增量容量分析法的電池健康狀態(tài)估計

增量容量分析法可在恒流充電條件下，將充電容量與電流、電壓建立聯(lián)系，將變化緩慢且不易于觀察分析的電壓平臺轉(zhuǎn)換為相應IC曲線上可識別的峰值，且每個IC曲線隨電壓增加的變化與鋰離子嵌入與脫出過程的相變過程很好地對應[59]。文獻[60]基于充電過程繪制IC 曲線，通過第二個IC 波峰位置變化量與容量下降具有一致趨勢的特點建立電池SOH估計模型，如圖4所示。

圖4 基于增量容量分析法繪制的IC曲線Fig.4 Incremental capacity lines based on incremental capacity analysis

盡管已有大量研究在實驗室環(huán)境下對電池進行充放電循環(huán)測試，提取不同循環(huán)下IC 曲線的峰值位置、振幅或包絡面積預測電池SOH，但ICA 與實車充電數(shù)據(jù)結(jié)合，實現(xiàn)在用動力電池的精確SOH估計仍需從多方面繼續(xù)探索[49]。文獻[61]通過實驗對比發(fā)現(xiàn)，基于ICA方法在單體與電池組中得出的IC曲線波峰和波谷基本匹配，證明ICA在實車SOH估計中具備可行性。Xu等[62]基于采樣數(shù)據(jù)不連續(xù)的特點，提出一種離散化的增量容量分析法實現(xiàn)SOH估計，能夠評估不同充電策略下各種類型電動汽車的SOH，但未考慮溫度等因素的影響。Li等[63]基于增量容量分析法ICA 結(jié)合一階RC 等效電路實現(xiàn)SOH 的預測，并將溫度修正系數(shù)加入電池SOH預估模型中。She 等[64]考慮單體不一致影響的情況，基于ICA實現(xiàn)了高精度的實時電動汽車電池組SOH 估計，實車驗證中SOH 估計的均方根誤差(root mean square error，RMSE)僅 為0.0204。Zhou 等[12]提出了將歐姆電阻相對變化率與IC 峰值作為特征，一次充電過程即可實現(xiàn)SOH在線估計，并通過線性回歸消除溫度對IC峰值的影響。

由于大多數(shù)駕駛員不會在電量較低時充電，因此無法在每次充電時獲取完整的電壓平臺曲線，文獻[65]提出基于已有的全過程充電樣本將片段充電的電壓曲線補全；Chang等[66]提出平移縮放法消除剩余容量對電壓-容量曲線的影響；Liu等[67]針對不完全充電過程提出一種基于Hermite插值的IC曲線提取方法，該方法對采樣頻率要求較低，更適用于實車數(shù)據(jù)。

但ICA的方法仍有一些問題需要解決，在繪制IC曲線即容量增量與電壓的關系時，文獻[68]指出曲線擬合的方法會在BMS 產(chǎn)生高額計算量并引入了階數(shù)選擇等新問題，因此IC 的計算通常使用差分的形式：

式中，Qk與Vk分別為電池k時刻的容量與電壓。

ICA 方法本身對Q、V的采樣精度要求較高，由表1 可知電池總電壓的精度為0.1 V，為解決由總電壓精度較低引起求解IC時出現(xiàn)dV為0的問題，She等[69]提出基于SVR建立回歸關系提高采集數(shù)據(jù)精度。文獻[70]提出，電流過大會強烈影響電池中的化學反應，因此使用ICA時應盡可能以小電流充電，否則會導致IC 峰值的扭曲或無法檢測，而現(xiàn)代電動汽車的充電策略更傾向于電流較大的快充模式，以節(jié)省充電時間。

在基于大數(shù)據(jù)的SOH 預估研究中，獲取電池當前容量一般使用逆安時積分法，具體計算公式如下：

式中，Q'act為當前容量，單位為Ah；SOC2為結(jié)束充電時的SOC；SOC1為開始充電時的SOC；I(t)為充電時t時刻對應的電流。

文獻[32]基于式(5)獲取電池的充電容量，其計算本質(zhì)同式(4)，均是通過計算充電時的庫侖量獲取容量。

式中，Q'charge為充電容量；Δt為采集間隔時間；ts、te分別為充電開始與充電結(jié)束時刻。

由于數(shù)據(jù)采集的稀疏性，10 s的間隔采樣會導致計容量時產(chǎn)生誤差，而IC 曲線的計算與采樣噪聲會再次放大誤差。文獻[71]為克服低溫和大電流充電片段，使用逆安時積分計算電池容量時產(chǎn)生的誤差，應用溫度修正公式與電流修正公式提高計算容量的準確度。肖偉等[72]提出由于電池的BMS 會對SOC進行修正，因此選取特定區(qū)間的SOC計算當前容量是必要的，并指出SOC 在40%～60%時，電壓上升較平緩，此時BMS通常不對SOC進行修正。而ΔSOC 的大小對容量估計也至關重要，龔賢武等[73]的研究表明：當ΔSOC選取較小時，當前容量的計算誤差較大，ΔSOC過大時存在樣本量不足的問題，通過對不同范圍的ΔSOC比較后，最終選取ΔSOC＞30%的樣本用于容量計算。對于上述ICA 研究中存在的問題已取得一些理論和成果，但還需繼續(xù)深入研究。

3.4 基于大數(shù)據(jù)的動力電池健康狀態(tài)預估方法對比

對上述電池健康狀態(tài)預估方法進行歸納整理，對比文獻中不同算法的優(yōu)缺點，如表3所示。

表3 SOH預估方法總結(jié)與對比Table 3 Summary and comparison of SOH estimation methods

4 未來挑戰(zhàn)與展望

電動汽車與大數(shù)據(jù)、人工智能、車聯(lián)網(wǎng)與云平臺等新興領域的深度融合可進一步促進動力電池可靠性關鍵技術的發(fā)展，目前在動力電池可靠性關鍵技術研究中，數(shù)據(jù)清洗、電池故障診斷、電池SOH預估方面面臨的挑戰(zhàn)與未來發(fā)展趨勢如圖5所示，具體如下：

圖5 動力電池可靠性關鍵技術研究的挑戰(zhàn)與未來發(fā)展趨勢Fig.5 Challenges and future trends of research on key technologies of power battery reliability

（1）合理的數(shù)據(jù)清洗在故障診斷研究中尤為重要，數(shù)據(jù)清洗的效果直接影響數(shù)據(jù)驅(qū)動模型的合理性與故障診斷精度，當前數(shù)據(jù)清洗方法易將行駛工況中駕駛員應對突發(fā)事件時的應急操作視為異常值，將應急操作工況與異常數(shù)據(jù)做到有效區(qū)分并清洗異常值是當前數(shù)據(jù)預處理的難點；考慮數(shù)據(jù)規(guī)模、參數(shù)特點制定不同的異常值篩選策略，對部分缺失數(shù)據(jù)，充分利用其他未缺失信息建立回歸模型以提高填充精度。

（2）電池故障診斷方面：目前故障診斷研究主要依靠傳感器采集的數(shù)據(jù)實現(xiàn)故障診斷，傳感器精度是確保原始數(shù)據(jù)質(zhì)量的根本，設計傳感器應考慮老化和惡劣工作環(huán)境的影響，避免傳感器工作中出現(xiàn)信號偏置、精度下降和數(shù)值凍結(jié)的情況。

融合模型在故障診斷中具有更好的應用前景，將簡單的統(tǒng)計學或信號學模型植入BMS 中以實現(xiàn)故障早期預警，確保駕駛員有充足時間采取逃生措施，而后續(xù)故障的精確定位與溯源可由平臺高算力模型通過實時上傳的數(shù)據(jù)實現(xiàn)遠程診斷，同時也需對平臺端故障診斷模型的運算復雜度和其故障識別正確率進行權(quán)衡，確保故障診斷模型在實際中高效、準確應用。

此外，通過數(shù)據(jù)平臺所采集的數(shù)據(jù)表現(xiàn)出故障征兆可能對應多種原因，例如某動力電池可靠性下降可能由電池組單體、內(nèi)部連接、BMS 的多種故障引起，且電池發(fā)生熱失控的觸發(fā)條件較為復雜，難以確定引起事故的第一故障源，故障間的耦合性增加了確定具體故障類型的難度，未來通過平臺大數(shù)據(jù)實現(xiàn)故障溯源分析，深入故障耦合效應的研究和未知故障類型診斷。

（3）電池SOH 預估方面：對部分示范或測試車型，提高數(shù)據(jù)采集精度，如總電壓、總電流、SOC的采樣精度，并選取比GB/T 32960采集頻率更高的采樣模式，如1 s/幀的數(shù)據(jù)采集應用于SOH預估研究，提高逆安時積分法的容量估算準確度的同時，高頻率與高精度的數(shù)據(jù)采樣也為繪制IC 曲線提供了更準確的數(shù)據(jù)基礎，未來以此實現(xiàn)對某車型動力電池SOH更精確的全壽命描述。

未來基于運行數(shù)據(jù)的電池SOH 預估研究可結(jié)合電池退化機理等知識，以提取高相關性的健康特征作為SOH 預估模型的輸入指標，并根據(jù)電池退化情況實現(xiàn)模型參數(shù)自動更新；其他高性能模型如強化學習等也有望應用于SOH 預估。增量容量分析法應基于實車大數(shù)據(jù)的采集特點，針對IC 曲線的提取方法與降噪處理開展研究。通過結(jié)合云端數(shù)據(jù)庫與大數(shù)據(jù)處理技術，基于上述方法全面評估電池SOH，推進電池批次回收利用。

現(xiàn)有對SOH的定義主要分為容量和內(nèi)阻兩種，由于二者的特殊性和當前技術的限制，通過行車大數(shù)據(jù)并不能實時采集或較高精度地計算，而現(xiàn)有方法為逆安時積分法求解容量和等效電路法計算內(nèi)阻，未來可通過對實車大數(shù)據(jù)的探索選取新的SOH指標或特征，這類研究仍處于起步階段。

數(shù)據(jù)平臺中可采集到速度、電機數(shù)據(jù)等，可對某類型動力電池全生命周期的老化情況與駕駛員不同的駕駛風格、使用習慣結(jié)合分析，便于企業(yè)對駕駛員提出更詳細、個性化的使用建議。

5 結(jié) 論

本文綜述了大數(shù)據(jù)背景下動力鋰電池可靠性關鍵技術中電池故障診斷和健康狀態(tài)預估的研究現(xiàn)狀與技術方案，介紹了當前實車大數(shù)據(jù)的采集特點以及預處理方法，針對大數(shù)據(jù)背景下動力電池故障診斷的研究，整理分類為基于機器學習、統(tǒng)計學、信號學、融合模型的診斷方法，并分析了不同方法的特點與不足；將動力電池健康狀態(tài)研究方法歸納為基于運行數(shù)據(jù)和基于容量增量分析兩類，綜述兩類方法的理論基礎與電池健康預估方法。通過總結(jié)分析當前數(shù)據(jù)清洗、電池故障診斷和健康狀態(tài)預估中不同方法的優(yōu)勢與局限性，提出當前研究面臨的挑戰(zhàn)，展望未來研究方向與研究重點，為進一步提升動力鋰電池可靠性關鍵技術提供參考。