大數(shù)據(jù)在電動(dòng)汽車(chē)電池管理的應(yīng)用研究綜述

李放，張營(yíng)，閔永軍

（210037 江蘇省 南京市 南京林業(yè)大學(xué) 汽車(chē)與交通工程學(xué)院）

0 引言

電動(dòng)汽車(chē)產(chǎn)業(yè)是我國(guó)重點(diǎn)發(fā)展的戰(zhàn)略性新興產(chǎn)業(yè)之一，因其噪音污染小、綠色環(huán)保等優(yōu)點(diǎn)備受消費(fèi)者青睞[1]。近年來(lái)，電池系統(tǒng)在極端工況和惡劣環(huán)境下故障引發(fā)的火災(zāi)事故不斷發(fā)生，其安全性備受關(guān)注。隨著電動(dòng)汽車(chē)使用時(shí)間的增加，電池狀態(tài)估計(jì)不準(zhǔn)確、續(xù)駛里程預(yù)測(cè)失準(zhǔn)同樣讓人擔(dān)憂。建立高性能、安全可靠的電池管理系統(tǒng)是推動(dòng)電動(dòng)汽車(chē)發(fā)展的重要舉措。本文簡(jiǎn)介電動(dòng)汽車(chē)大數(shù)據(jù)基礎(chǔ)，綜述大數(shù)據(jù)背景下國(guó)內(nèi)外優(yōu)化電池管理系統(tǒng)的研究并展開(kāi)分析。

1 電動(dòng)汽車(chē)大數(shù)據(jù)基礎(chǔ)

大數(shù)據(jù)是2008 年Google 成立10 周年，在《Nature》特刊中第一次提出的[2]，至今學(xué)術(shù)界對(duì)大數(shù)據(jù)無(wú)統(tǒng)一定義。2015 年8 月國(guó)務(wù)院《促進(jìn)大數(shù)據(jù)發(fā)展行動(dòng)綱要》指出：大數(shù)據(jù)是以容量大、類(lèi)型多、存取數(shù)據(jù)快、應(yīng)用價(jià)值高為主要特征的數(shù)據(jù)集合，正快速發(fā)展為對(duì)數(shù)量巨大、來(lái)源分散、格式多樣的數(shù)據(jù)進(jìn)行采集、存儲(chǔ)和分析，從中發(fā)現(xiàn)新知識(shí)，創(chuàng)造新價(jià)值，提升新能力的新一代信息技術(shù)和服務(wù)業(yè)態(tài)。

1.1 大數(shù)據(jù)的特點(diǎn)

無(wú)論對(duì)大數(shù)據(jù)有何種定義，相比其他小數(shù)據(jù)，大數(shù)據(jù)有“5V”的特點(diǎn)[3]：體量大（Volume）：“大”是其主要特征，數(shù)據(jù)量以TB、PB 甚至EB 為單位計(jì)量；種類(lèi)多（Variety）：同傳統(tǒng)數(shù)據(jù)比，維度多、類(lèi)型雜、來(lái)源廣且不僅限于數(shù)字符號(hào)，包括音頻、圖片、日志等類(lèi)型；數(shù)據(jù)處理快（Velocity）：要求數(shù)據(jù)響應(yīng)快，處理及時(shí)；準(zhǔn)確性（Veracity）：數(shù)據(jù)收集準(zhǔn)確可靠；價(jià)值（Value）：數(shù)據(jù)具有進(jìn)行挖掘分析的深度價(jià)值。

1.2 大數(shù)據(jù)技術(shù)

Mapreduce 模式為大數(shù)據(jù)提供了并行運(yùn)算，可在數(shù)千臺(tái)機(jī)器上處理數(shù)萬(wàn)億字節(jié)的數(shù)據(jù)[4]。Hadoop作為開(kāi)源項(xiàng)目，在其框架上可以采取Mapreduce 的模式處理海量數(shù)據(jù)。Hadoop 和Mapreduce 成為了目前主流的大數(shù)據(jù)處理技術(shù)，普遍應(yīng)用于醫(yī)療、交通等領(lǐng)域[5-7]。Alteryx 可將Hadoop 或其他異類(lèi)數(shù)據(jù)結(jié)合在一起處理，Pentaho 允許Hadoop 在內(nèi)的多個(gè)數(shù)據(jù)庫(kù)導(dǎo)入，具有強(qiáng)大算法和優(yōu)秀的內(nèi)置工具[8]。Flink 將MapReduce 的可擴(kuò)展性與并行數(shù)據(jù)庫(kù)中的查詢(xún)優(yōu)化等能力相結(jié)合，支持多種編程語(yǔ)言接口[9]。Spark 為大數(shù)據(jù)應(yīng)用引入了統(tǒng)一的編程模式和引擎，合并處理任務(wù)且效率更高，Spark 已經(jīng)發(fā)展成為最活躍的開(kāi)源項(xiàng)目之一[10]。

1.3 大數(shù)據(jù)管控平臺(tái)

為了更好地對(duì)電動(dòng)汽車(chē)數(shù)據(jù)實(shí)時(shí)監(jiān)控和管理，各國(guó)都建立了新能源汽車(chē)大數(shù)據(jù)管控平臺(tái)，由車(chē)載終端將運(yùn)行的各種數(shù)據(jù)上傳至平臺(tái)，伴隨出現(xiàn)的云儲(chǔ)存降低了數(shù)據(jù)儲(chǔ)存和管理成本。我國(guó)2016 年建立了新能源汽車(chē)國(guó)家監(jiān)測(cè)與管理平臺(tái)，2020 年接入量已突破300 萬(wàn)輛，國(guó)家平臺(tái)架構(gòu)主要基于Linux 系統(tǒng)和Java 編程語(yǔ)言，采用Hadoop 框架，地方或企業(yè)也有數(shù)據(jù)監(jiān)管平臺(tái)或云平臺(tái)，我國(guó)以企業(yè)為第一責(zé)任主體的思路，形成了新能源汽車(chē)大數(shù)據(jù)三級(jí)架構(gòu)，如圖1 所示[11]。GB/T 32960-《電動(dòng)汽車(chē)遠(yuǎn)程服務(wù)與管理系統(tǒng)技術(shù)規(guī)范》對(duì)數(shù)據(jù)平臺(tái)間通訊連接方式、采集內(nèi)容、采集時(shí)間間隔、故障上報(bào)時(shí)間等提出明確要求，實(shí)現(xiàn)了對(duì)電動(dòng)汽車(chē)的實(shí)時(shí)監(jiān)控、數(shù)據(jù)采集和分析。但平臺(tái)收集的數(shù)據(jù)只有進(jìn)一步挖掘，才能開(kāi)發(fā)其最大價(jià)值以改進(jìn)電動(dòng)汽車(chē)的性能。

2 電池管理系統(tǒng)與電池模型

2.1 BMS 結(jié)構(gòu)與功能

電池管理系統(tǒng)是電動(dòng)汽車(chē)動(dòng)力系統(tǒng)中的核心部分，以電池組中的單節(jié)電池作為最小管理單元，通過(guò)對(duì)電池組內(nèi)電流、終端電壓、溫度、單體電壓等物理量的測(cè)量，實(shí)現(xiàn)對(duì)電池狀態(tài)的實(shí)時(shí)評(píng)估、管理，并保障電池的安全，又被形象地稱(chēng)為 “電池管家”[12]。作為銜接電池組、整車(chē)系統(tǒng)和電機(jī)的紐帶，完善高效的BMS 對(duì)電動(dòng)汽車(chē)的性能至關(guān)重要。其基本結(jié)構(gòu)如圖2 所示，主要功能包括溫度管理、充放電控制、電池狀態(tài)估計(jì)、電池平衡監(jiān)控、故障診斷與報(bào)警等。

2.2 電池模型

由于電池的SOC、SOH 等狀態(tài)參數(shù)無(wú)法通過(guò)BMS 中的傳感器直接測(cè)量，因此基于BMS 可測(cè)量的數(shù)據(jù)如電壓、電流、溫度等信息建立準(zhǔn)確高效的電池模型，對(duì)電池狀態(tài)估計(jì)、故障診斷、續(xù)行駛里程預(yù)測(cè)具有重大意義。目前的電池模型分為電化學(xué)模型、等效電路模型以及數(shù)據(jù)驅(qū)動(dòng)模型[13]。

基于物理的電化學(xué)模型對(duì)于描述電池內(nèi)部的化學(xué)反應(yīng)機(jī)理準(zhǔn)確度高，適用于觀察電池內(nèi)部微觀反應(yīng)，但許多參數(shù)難以獲取，如導(dǎo)電率或某些化學(xué)材料的性質(zhì)，并且需要使用一系列的偏微分方程來(lái)進(jìn)行表述，造成求解難度大，難以應(yīng)用于BMS 中。

等效電路模型由于直觀性強(qiáng)，能與控制算法結(jié)合，也是當(dāng)前研究的熱點(diǎn)之一，可分為整數(shù)階模型和分?jǐn)?shù)階模型，優(yōu)缺點(diǎn)如表1 所示。分?jǐn)?shù)階等效電路模型近年被大量改進(jìn)研究，但精度的提高不可避免的帶來(lái)模型結(jié)構(gòu)復(fù)雜和計(jì)算量增大，仿真速度較慢[13]。文獻(xiàn)[14]認(rèn)為等效電路模型作為簡(jiǎn)化的電池模型，不能全面反映電池的動(dòng)態(tài)特性。

表1 2 種等效電路模型比較Tab.1 Comparison of two equivalent circuit models

由于不同類(lèi)型的電池內(nèi)電化學(xué)反應(yīng)不同，全面了解電池內(nèi)部反應(yīng)機(jī)理難度較大。而數(shù)據(jù)驅(qū)動(dòng)模型不依賴(lài)先驗(yàn)知識(shí)，僅用大量數(shù)據(jù)建立良好精度和具備泛化能力的模型，且具備一定的動(dòng)態(tài)仿真性能。大數(shù)據(jù)平臺(tái)的發(fā)展為建立數(shù)據(jù)驅(qū)動(dòng)模型提供了基礎(chǔ)，使其極具研究潛力，文獻(xiàn)[13]指出基于大數(shù)據(jù)和云平臺(tái)建立的數(shù)據(jù)驅(qū)動(dòng)BMS有望成為未來(lái)趨勢(shì)。

3 大數(shù)據(jù)在BMS 的應(yīng)用

3.1 大數(shù)據(jù)在SOC 估算中的應(yīng)用

電池荷電狀態(tài)（SOC）是電池的基本參數(shù)，是指電池中剩余電荷的可用狀態(tài)。SOC 的準(zhǔn)確估算對(duì)控制過(guò)度充放電，緩解里程焦慮，提高電池整體性能等有重要意義。相關(guān)研究中，Li[15]等提出了一種能夠在多變量環(huán)境和動(dòng)態(tài)條件下穩(wěn)定工作的大數(shù)據(jù)驅(qū)動(dòng)鋰電池模型,首次使用堆疊式降噪自動(dòng)編碼器-極限學(xué)習(xí)機(jī)（Stacked Denoising Autoencoders-Extreme Learning Machine,SDAE-ELM）建立電池模型，由SDAE 提取特征后輸入ELM，對(duì)終端電壓和SOC 估算的誤差分別在2%和3%以?xún)?nèi)；胡杰[16]等分析并篩選電池能耗影響因素，使用CAN 總線采集電動(dòng)出租車(chē)運(yùn)行數(shù)據(jù)，利用GPS 獲取車(chē)輛位置數(shù)據(jù)，通過(guò)爬蟲(chóng)技術(shù)考慮了溫度這一影響因素，使用機(jī)器學(xué)習(xí)實(shí)現(xiàn)SOC預(yù)測(cè)并提出溫度能耗模型，實(shí)現(xiàn)了能耗與汽車(chē)實(shí)際工況以及交通路網(wǎng)參數(shù)的結(jié)合；Li[17]等基于電池大數(shù)據(jù)平臺(tái)和網(wǎng)絡(luò)物理系統(tǒng)（Cyber-Physical System，CPS）技術(shù)的電池管理方法，通過(guò)廣義回歸神經(jīng)網(wǎng)絡(luò)（General Regression Neural Network，GRNN）算法和交叉驗(yàn)證技術(shù)驅(qū)動(dòng)的數(shù)據(jù)清洗，使用基于特征的電池建模方法，SOC 估算誤差控制在2.47%以?xún)?nèi)；Cui[18]等提出了一種結(jié)合離散小波變換和自適應(yīng)小波神經(jīng)網(wǎng)絡(luò)的混合小波神經(jīng)網(wǎng)絡(luò)模型用于鋰離子電池SOC 估算；鮑偉[19]等以某電動(dòng)公交車(chē)云平臺(tái)獲取的30 000 條樣本數(shù)據(jù)，采用支持向量機(jī)的方法，用貝葉斯優(yōu)化算法優(yōu)化超參數(shù)最終實(shí)現(xiàn)SOC 自主預(yù)測(cè)。有學(xué)者將數(shù)據(jù)驅(qū)動(dòng)模型與其他模型結(jié)合使用提高估計(jì)的準(zhǔn)確性和魯棒性，如Xu[20]等提出了一種減少電池測(cè)試信息的在線SOC 估算方法，通過(guò)組合1 階RC 模型并運(yùn)用遺傳算法進(jìn)行在線辨識(shí)，可被應(yīng)用于不同的工況。也有學(xué)者使用模糊推理系統(tǒng)或粒子群算法與神經(jīng)網(wǎng)絡(luò)組合模型預(yù)測(cè)SOC[21-22]。

在SOC 估計(jì)領(lǐng)域，基于大數(shù)據(jù)建立模型的方法已經(jīng)做了大量研究，但在沒(méi)有完全了解電池系統(tǒng)全部工作原理時(shí)，建立數(shù)據(jù)驅(qū)動(dòng)模型是更好的選擇。目前來(lái)看，將數(shù)據(jù)驅(qū)動(dòng)模型與其他模型結(jié)合使用會(huì)有更好的精度和穩(wěn)定性，但也增加了計(jì)算復(fù)雜度和應(yīng)用實(shí)際的難度。

3.2 大數(shù)據(jù)在SOH 評(píng)估中的應(yīng)用

電池健康狀態(tài)（SOH）直接反應(yīng)了電動(dòng)汽車(chē)的動(dòng)力性能和壽命狀態(tài)，SOH 的準(zhǔn)確評(píng)估有助于確定電池老化狀態(tài)和量化電池的健康水平。相關(guān)研究中，Xiao[23]等基于某公司電動(dòng)汽車(chē)一年的運(yùn)營(yíng)數(shù)據(jù)，提取增量容量分析（Incremental Capacity Analysis，ICA）的特征，使用粒子群算法優(yōu)化超參數(shù)，實(shí)現(xiàn)了基于高斯過(guò)程回歸的SOH 評(píng)估；賈俊[24]等提出一種鋰離子電池健康狀態(tài)綜合評(píng)分及異常電池篩選的模型，無(wú)需進(jìn)行模型訓(xùn)練和復(fù)雜的超參數(shù)調(diào)整，達(dá)到92%以上的準(zhǔn)確率。對(duì)于數(shù)據(jù)驅(qū)動(dòng)模型不能建立概率模型的問(wèn)題，王萍[25]等使用如高斯回歸給出其置信區(qū)間來(lái)彌補(bǔ)；Frisk[26]等利用來(lái)自5 個(gè)歐洲市場(chǎng)的33 603 輛車(chē)的291 個(gè)變量，使用隨機(jī)森林算法實(shí)現(xiàn)了SOH 評(píng)估并研究了不同變量對(duì)電池退化的影響；Wang[27]等采用ICA 方法提取恒流充電過(guò)程的特征參數(shù)作為健康因子（Health Factors，HFs），利用高斯過(guò)程回歸處理SOH 和HFs 的關(guān)系并建立模型，采用多島遺傳算法和共軛梯度法對(duì)超參數(shù)優(yōu)化，通過(guò)加速電池壽命試驗(yàn)驗(yàn)證了所提出的SOH 評(píng)估方案的有效性。但Cai[28]等認(rèn)為，過(guò)多的特征提取可能會(huì)降低估計(jì)精度，也會(huì)增加建模難度，通過(guò)提出一種非支配排序遺傳算法，利用支持向量機(jī)和由脈沖測(cè)試得到的特征建立了SOH 評(píng)估方法。Song[29]等為了擺脫實(shí)驗(yàn)室實(shí)驗(yàn)充放電循環(huán)，考慮不同的駕駛環(huán)境和駕駛員行為，基于上海市電動(dòng)汽車(chē)公共數(shù)據(jù)收集監(jiān)測(cè)研究中心采集的電動(dòng)汽車(chē)真實(shí)數(shù)據(jù)，提出了模糊神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)SOH 評(píng)估，通過(guò)對(duì)一年700 輛電動(dòng)汽車(chē)的監(jiān)測(cè)數(shù)據(jù)驗(yàn)證其有效性，最大相對(duì)誤差為4.5%，并能描述電池組老化趨勢(shì)。

由于電池老化受到多種因素影響，未來(lái)的研究可以進(jìn)一步考慮多因素對(duì)SOH 的影響，采用溫度、放電深度、充電速率等其他影響因素作為參數(shù)建立電池SOH 評(píng)估模型，并測(cè)試所提出的模型在不同環(huán)境下的SOH 評(píng)估是否準(zhǔn)確。此外，可以發(fā)展在線學(xué)習(xí)或參數(shù)自動(dòng)優(yōu)化等方法，使在有新數(shù)據(jù)時(shí)能夠自適應(yīng)地在線學(xué)習(xí)。

3.3 大數(shù)據(jù)在故障診斷中的應(yīng)用

電池故障診斷系統(tǒng)通過(guò)監(jiān)測(cè)電池電壓、充放電電流、溫度等數(shù)據(jù)判斷電池系統(tǒng)可能存在的故障，保證電動(dòng)汽車(chē)安全性和穩(wěn)定性。對(duì)于數(shù)據(jù)驅(qū)動(dòng)的故障診斷模型，若樣本容量較小則無(wú)法全面、準(zhǔn)確地反映某些故障深層特征和類(lèi)型，因此可通過(guò)大數(shù)據(jù)檢測(cè)比對(duì)數(shù)據(jù)異常，建立全面、高性能的在線診斷模型。相關(guān)研究中，Liu[30]等借助云端存儲(chǔ)的大數(shù)據(jù)，使用基于密度的噪聲應(yīng)用空間聚類(lèi)（Density-based spatial clustering of applications with noise，DBSCAN）和角方差聯(lián)合檢測(cè)異常電池單體；Schmid[31]等提出了一種基于單電池電壓比較的數(shù)據(jù)驅(qū)動(dòng)故障診斷模型，使用主成分分析法統(tǒng)計(jì)評(píng)估數(shù)據(jù)，通過(guò)分析每個(gè)單元對(duì)故障信號(hào)的貢獻(xiàn)度來(lái)檢測(cè)和定位故障，在BMS 中有較大的應(yīng)用前景；Zhao[32]等基于北京電動(dòng)汽車(chē)監(jiān)控服務(wù)中心的大數(shù)據(jù)，使用機(jī)器學(xué)習(xí)算法和3σ多級(jí)篩選策略，以概率形式檢測(cè)端電壓的異常變化，定義了異常電壓的兩種故障類(lèi)型，準(zhǔn)確確定其位置。基于國(guó)家電動(dòng)汽車(chē)服務(wù)和管理中心提供的大量實(shí)時(shí)數(shù)據(jù)，Hong[33]等實(shí)現(xiàn)對(duì)溫度故障引起的熱失控的診斷和預(yù)測(cè)，提出了一種基于Z 評(píng)分（Z-score）的熱失控?zé)岚踩芾聿呗裕瑧?yīng)用香農(nóng)熵對(duì)監(jiān)測(cè)數(shù)據(jù)進(jìn)行分析，引入溫度異常系數(shù)，實(shí)現(xiàn)溫度異常的實(shí)時(shí)診斷預(yù)警；彭運(yùn)賽[34]等提出了一種改進(jìn)CNN 和信息融合的電池組故障診斷方法，基于美國(guó)城市循環(huán)工況（Urban Dynamometer Driving Schedule，UDDS）下采集電池組數(shù)據(jù)，實(shí)現(xiàn)對(duì)SOC 偏低、容量偏小、內(nèi)阻偏大3 種故障的識(shí)別；Li[35]等基于國(guó)家新能源汽車(chē)監(jiān)測(cè)管理中心的實(shí)際運(yùn)行數(shù)據(jù)，將長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)和等效電路模型相結(jié)合建立一種新的電池故障診斷模型，實(shí)現(xiàn)潛在故障的準(zhǔn)確診斷和單體電池?zé)崾Э氐木_定位。

由于電池故障診斷的復(fù)雜性，不同故障之間的耦合關(guān)系尚不明確，大多數(shù)故障診斷模型定位和檢測(cè)的故障類(lèi)型相當(dāng)有限，建立全面的故障診斷仍具有挑戰(zhàn)性。也應(yīng)該考慮模型的可靠性和實(shí)時(shí)性問(wèn)題，進(jìn)一步提高模型的診斷能力和實(shí)際應(yīng)用能力是下一步研究的重點(diǎn)。

3.4 大數(shù)據(jù)在續(xù)行駛里程預(yù)測(cè)的應(yīng)用

里程焦慮是阻礙電動(dòng)汽車(chē)發(fā)展的主要問(wèn)題之一，司機(jī)需關(guān)注可行駛距離，并確保汽車(chē)在斷電前能到達(dá)充電站，最直接的解決辦法是增加充電站點(diǎn)數(shù)量和提高電池容量，但成本較高且難度較大。由于電動(dòng)汽車(chē)的大量運(yùn)行數(shù)據(jù)上傳至數(shù)據(jù)平臺(tái)，一些研究根據(jù)車(chē)輛出行和地圖信息大數(shù)據(jù)建立模型，實(shí)現(xiàn)續(xù)行駛里程準(zhǔn)確預(yù)測(cè)以消除里程焦慮。相關(guān)研究中，Lee[36]等人提出了一種估計(jì)電動(dòng)汽車(chē)行駛里程的大數(shù)據(jù)分析方法，考慮了電池的內(nèi)阻變化和健康狀態(tài)，利用一種無(wú)監(jiān)督聚類(lèi)增長(zhǎng)的分層自組織映 射（Growing Hierarchical Self-organizing Maps，GHSOM）對(duì)云平臺(tái)收集的駕駛模式進(jìn)行聚類(lèi)，分析車(chē)輛的駕駛行為。每一次駕駛員出行時(shí)，云計(jì)算系統(tǒng)都可以結(jié)合駕駛員的駕駛模式和已建立的SOH 老化模型來(lái)估算行駛里程；胡杰[37]等提出融合片段回歸與單點(diǎn)分類(lèi)的機(jī)器學(xué)習(xí)方法對(duì)行駛里程進(jìn)行預(yù)測(cè)，采集了5 輛同型號(hào)純電動(dòng)汽車(chē)在行駛過(guò)程中產(chǎn)生的數(shù)據(jù)，將154 萬(wàn)個(gè)樣本組成數(shù)據(jù)集，通過(guò)提取最優(yōu)特征集合和多模型融合的方式實(shí)現(xiàn)行駛里程預(yù)測(cè)，經(jīng)測(cè)試集驗(yàn)證，平均相對(duì)誤差為1.71%；Zhong[38]等基于電動(dòng)汽車(chē)的真實(shí)數(shù)據(jù)，利用BP 神經(jīng)網(wǎng)絡(luò)建立了剩余行駛里程的估計(jì)模型，考慮能量回收率、SOC 等9 個(gè)因素，最終模型精度良好，但沒(méi)有將溫度這一因素考慮在內(nèi)；Fetene[39]等2 年間從741名司機(jī)收集大量車(chē)輛出行次數(shù)(超過(guò)23萬(wàn)次)和行駛里程(約230 萬(wàn)km)，以及有關(guān)車(chē)輛、道路、天氣和季節(jié)的信息，計(jì)算了雪鐵龍某款車(chē)型的能源消耗率（Energy Consumption Rate，ECR），得出了最優(yōu)ECR 對(duì)應(yīng)的溫度和車(chē)速，對(duì)行駛里程預(yù)測(cè)有一定參考意義；田慧欣[40]等提出了一種基于地圖信息和循環(huán)支持向量回歸模型的方法，并借助地圖信息提高了純電動(dòng)汽車(chē)?yán)m(xù)駛里程的預(yù)測(cè)精度。

空間大數(shù)據(jù)和駕駛員特征提取，為里程估算帶來(lái)了不同的研究視角，但一些模型將環(huán)境等其他因素進(jìn)行了理想化，距離實(shí)際應(yīng)用還需繼續(xù)進(jìn)行更多測(cè)試，如國(guó)慶節(jié)、春節(jié)時(shí)的汽車(chē)大規(guī)模高密度的出行數(shù)據(jù)會(huì)對(duì)數(shù)據(jù)驅(qū)動(dòng)模型預(yù)測(cè)精度造成影響，增強(qiáng)模型的實(shí)用性和魯棒性還需要進(jìn)一步測(cè)試改進(jìn)。

4 總結(jié)與展望

大數(shù)據(jù)和機(jī)器學(xué)習(xí)的發(fā)展為完善電池管理系統(tǒng)提供了全新的思路。本文總結(jié)了基于大數(shù)據(jù)對(duì)電池管理系統(tǒng)SOC 估計(jì)、SOH 評(píng)估、故障診斷、續(xù)行駛里程預(yù)測(cè)4 方面的研究方法，從研究成果看，數(shù)據(jù)驅(qū)動(dòng)模型具有巨大的應(yīng)用潛力和研究?jī)r(jià)值，未來(lái)的工作可從以下幾方面進(jìn)行：

（1）SOC估計(jì)方面，對(duì)比各種方法與研究結(jié)果，數(shù)據(jù)驅(qū)動(dòng)模型同其他模型結(jié)合后性能最好，但計(jì)算量偏大，需要在復(fù)雜性和預(yù)測(cè)精度之間權(quán)衡，因此高效、精確的SOC 估計(jì)方法亟待深入研究；

（2）SOH 評(píng)估方面，進(jìn)一步考慮多因素對(duì)SOH 的影響，并在不同環(huán)境下測(cè)試評(píng)估效果，從而建立實(shí)用性更強(qiáng)的模型。由于SOH 評(píng)估具有長(zhǎng)期性，開(kāi)發(fā)在線學(xué)習(xí)和參數(shù)自動(dòng)優(yōu)化是下一步模型改進(jìn)的重點(diǎn)；

（3）故障診斷方面，通過(guò)尋找故障早期的異常規(guī)律和參數(shù)，提高第一時(shí)間發(fā)現(xiàn)故障的能力，以避免安全事故，同時(shí)建立在線識(shí)別多種故障且能準(zhǔn)確定位的故障診斷模型極具研究?jī)r(jià)值；

（4）續(xù)行駛里程預(yù)測(cè)方面，基于駕駛員出行信息和地圖信息建立的里程預(yù)測(cè)模型需要增加其魯棒性，可應(yīng)用數(shù)據(jù)清洗、聚類(lèi)分析或更大規(guī)模的數(shù)據(jù)集來(lái)改進(jìn)模型。

上述研究中對(duì)獲取的大數(shù)據(jù)無(wú)一例外都進(jìn)行了數(shù)據(jù)清洗，未來(lái)需提高大數(shù)據(jù)平臺(tái)的數(shù)據(jù)質(zhì)量并選擇更合理的數(shù)據(jù)清洗方法，也需提高電池內(nèi)傳感器精度以確保測(cè)量參數(shù)的準(zhǔn)確性，高質(zhì)量的數(shù)據(jù)是精確估計(jì)參數(shù)和提高模型精度的關(guān)鍵。