新能源汽車安全預警技術現狀及未來展望

郝雄博 蔡君同

摘 要：隨著中國新能源汽車國內保有量的持續提升，電池安全問題愈加突顯。新能源汽車電池自燃起火事故頻繁發生，極大阻礙了新能源汽車進一步向前發展。提升電池安全性成為亟需行業解決的共性問題。本文對目前行業內安全技術應用情況，介紹目前主流的電池安全提升路徑及常見解決方案。并詳細對基于大數據的電池安全預警技術進行詳細論述。總結三類主要預警分析方法，并對未來預警技術的發展研究方向進行總結展望。

關鍵詞：安全技術 預警分析 大數據 未來發展

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

近年來，在政府的大力支持下，伴隨著新技術的進步，我國新能源汽車產銷量逐年快速增長。根據公安部交通管理局發布的最新統計數據，截止2022年底，中國國內新能源汽車保有量達到1310萬輛，其中純電動汽車占比79.78%，為1045萬輛[1]。目前電動汽車主要采用鋰離子電池系統作為儲能介質，并通過驅動電機為車輛提供動力。動力電池的制造成本隨著電池技術的發展已逐年降低，但仍占據整車生產成本較大比例。動力電池作為電動汽車核心儲能單元，其性能對車輛的使用安全性、續航里程、使用壽命等存在決定性影響。

隨著技術的進步，雖然電池在設計及生產制造方面取得很大發展，但電池安全問題仍沒有從根本上得到解決。隨著電動汽車的快速普及，因為電池故障導致車輛燃燒爆炸的火災事故大幅增多，這也使得電池安全性成為了行業關注的焦點。根據事故調查分析，電動汽車火災基本是由動力電池熱失控問題引發的。當單體電池發生內短路或受到外部異常加熱，造成電池內部產熱遠大于電池系統散熱，就會引起內部熱量逐漸累積，溫度快速升高，進而觸發熱失控。

為提升電動汽車安全性，近些年來，國家、地方政府及整車或電池企業新能源汽車大數據平臺建設日趨完善，越來越多的企業和科研機構都已開展利用汽車的監控大數據進行電池故障診斷及車輛安全預警的研究工作。車輛監控數據平臺通過無線傳輸方式，獲取車輛T-Box采集的各類運行過程數據，包括整車狀態數據、電池數據、電機數據、報警信息等。通過對以上數據的計算挖掘，結合動力電池化學原理分析及特征參數總結，可直接利用電池特征參數的變化規律識別電池故障，并實現故障問題的定位，也可利用機器學習算法，構建電池狀態評估及故障預測模型，提前發現電動汽車安全隱患并維修，提升電動汽車使用安全性能。

本文通過分析現有電池安全技術路線，總結目前新能源汽車電池安全預警主要方法及原理，并對新能源汽車電池安全預警技術未來發展進行展望。

2 新能源汽車電池安全技術

目前車載動力電池以鋰離子電池為主，電池對車輛安全的影響主要來源于其燃燒或爆炸的風險，動力電池系統通常由幾十甚至幾百個單體電芯組成，電池燃燒或爆炸一般情況下是由一個或幾個電芯發生故障導致異常生熱，致使觸發熱失控并逐步擴展到整個電池系統。為解決動力電池系統的安全問題，提升電池使用安全性，主要可從三個層面進行探索，包括電池系統內部設計優化、電池管理系統性能提升以及開展電池主動安全監測。

電池系統的設計優化，也可以說就是要提升電池系統的本質安全性，即通過改進電池的設計方案，使其即使處于濫用工況下或出現故障時也能避免事故的發生，具體包括電芯材料改進及設計優化和電池系統安全防護設計。電芯安全性的提升主要依賴電芯材料的性能提升，包括正負極材料的改性、材料納米化、復合材料研發應用、電解液固態化等方式。同時，加強電芯整體安全性設計及生產工藝管控，采用更先進的結構模式，如大圓柱、長電芯等，應用規范化和標準化的生產流程，做好工藝控制，降低單品間的差異，也能減弱生產環節對安全性的影響。電池系統的設計優化，主要從電池包層級對熱管理系統、殼體空間設計、隔熱阻燃設計等方面進行提升。優化熱管理流道設計，增大電芯散熱效率；改進電池包排氣通道設計，控制熱源傳導方向，減少對電池區塊整體的沖擊；應用先進的隔熱材料，隔絕電芯之間熱失控的影響；采用更高強度的電池包殼體材料及彈性緩沖設計，減弱車輛碰撞對電芯帶來的影響。

電池管理系統的性能提升主要圍繞BMS管理系統功能安全開發展開。BMS主要功能就是對電池狀態進行監控，合理控制充放電過程，并維護各電池單元的均衡，避免電池濫用，保障電池安全使用，延長其壽命。BMS可以認為是電池安全最前端的最直接管理者。BMS系統的功能安全開發，主要針對其功能異常失效行為進行分析，并采取對應的設計變更或增加安全機制，把系統失效控制在合理范圍內，避免出現不合理的風險。BMS功能安全開發是一個系統性的流程，需嚴格按照標準規范完成各個階段開發工作，從危害分析和風險識別到安全目標定義、系統需求確認、軟硬件需求分解以及之后安全測試等環節，根據功能安全通用方法論結合BMS系統特殊功能需求完成系統的設計驗證。此外，通過BMS系統硬件性能提升，如使用性能算力更高的芯片及更多樣或精度更高的傳感器技術等，都有助于提升BMS性能，進而提升電池使用安全性。

電池主動安全監測是指，基于電池數據監控識別潛在的風險問題，并提前采取措施進行問題排查及處置，避免危害的發生。利用企業車輛監控平臺，實現數據的實時采集、傳輸及分析，監測電池電壓、電流、溫度、SOC等指標的變化，并結合電池全周期數據分析，進行電池健康狀態評估及安全風險的識別，對異常情形進行的預警或報警，同時在平臺內建立預警處理、審核、推送流程，進行預警結果的分析及危害程度評估，主動推送關聯用戶并能與處置結果形成閉環管理。電池的主動安全防護，最關鍵的就是電池安全預警技術，即基于建立的預警模型對車輛數據進行分析，實現電池潛在故障的識別，在故障發生前進行預警提示。雖然電池預警技術實現難度相對較大，但其實現能夠輔助電池故障的提前發現、提早維修，極大降低電池維修成本，大幅度提高運維效率，提升電池使用安全性及用戶滿意度。

3 動力電池安全預警技術

依據上節內容，電池安全預警即通過對電池運行監測數據的挖掘，結合電池失效的機理分析，構建預警模型，實現對電池故障的提前診斷和識別。根據預警模型實現原理，電池安全預警算法主要分為經驗知識診斷、失效識別以及數據驅動分析三類。基于經驗知識的診斷預警主要依據專業人員的主觀經驗判斷，結合電池參數變化分析及故障推理分析確定特征參數的安全閾值，利用規則分析確定電池失效風險程度。基于失效識別的預警分析方法是通過建立電池失效過程與電池特征參數異常表現的關聯關系，利用各類統計分析方法、離群分析方法等進行失效行為識別。基于數據驅動的方法無需建立高度精準的理論模型，主要是借助人工智能算法，利用大量的實際監測數據進行特征選取及數據標簽分類，組成模型訓練測試集合對機器學習模型進行訓練，或利用其他相關數據分析手段對運行監測數據進行分析，實現對電池異常的識別預警。

1）基于經驗知識的預警分析。基于人工經驗知識的預警方法，其核心是結合專業人員的有效知識與電池失效過程分析確定的參數閾值進行診斷規則定義，完成安全風險推理判斷。當前行業內企業已普遍建立起車輛運行監測平臺，并根據GB/T32960《電動汽車遠程服務與管理系統技術規范》標準要求[2]，在其企業自建平臺上基本實現了基于閾值規則的電池異常行為報警，包括電池高溫報警、溫差報警、過壓報警、欠壓報警等。通常隨著電池使用，其性能衰退是一個緩慢變化的過程，隨著性能的衰退其發生故障問題的概率逐漸增大，因此可以通過對故障案例數據的分析，對電池性能衰減過程進行階段劃分，確定各階段參數閾值范圍，通過不同階段的參數閾值分析實現故障預警。當然為進一步提升判定的準確性，可在國標規定的電壓、溫度、電流等數據之外，利用上述字段信息進行衍生參數的計算，如電壓降速率、內阻變化率、溫度變化率等。進一步還可以利用上述參數組合的方式進行綜合判斷，如通過建立專家系統，利用各參數確定診斷規則，結合專家經驗設計推理機，實現故障預警診斷。

2）基于失效識別的預警分析。基于失效識別的預警方法需借助對電池失效過程的理論剖析，結合實際電池安全測試試驗數據以及實車監測數據進行挖掘分析，識別數據異常現象與失效問題間的關聯屬性，構建失效預警模型。也可通過構建電池模型，利用理論模型模擬電池充放電過程行為，分析實際數據變化與模型預測值間的差異，實現對突發性或隨機性失效行為的識別告警。以內短路故障識別為例，可以通過識別電壓異常跳變現象識別內短路，通過試驗測試發現，使用特殊材料隔膜電池在發生內短路時會出現電壓突然下降后迅速回升的現象，針對此類電池通過該特殊現象識別可進行內短路的識別[3]。通過發生內短路問題電芯的異常推理，內短路電芯在電池使用過程中，必然存在相較其他正常電芯更明顯的自放電過程，可通過對靜置過程或穩定充放電過程前后電芯之間電壓的比較識別異常自放電行為，判斷電池是否發生內短路[4]。通過構建模型的方式進行電池內短路的識別，即利用各類電芯試驗數據，建立電池電化學模型、電路模型、熱電耦合模型等，通過模型對電池狀態進行預測，若出現明顯的預測值與電池實際值偏差情況，可結合電池模型分析，確定是否發生異常內短路問題。

3）基于數據驅動的預警分析。隨著人工智能的興起與發展，基于數據驅動的分析方法逐漸被人們熟悉并應用。數據驅動方法可以認為是一套標準的算法開發訓練過程，包括數據采集、數據清洗、數據挑選分類、數據驗收、模型訓練以及最終的模型部署。不需要建立復雜的理論模型，只需獲取大量的運行監測數據，通過數據特征工程分析及數據標簽分類并選擇合適的機器學習類算法建立訓練模型，即可完成相應預測或診斷分析的目的。如劉志賓等提出一種利用神經網絡模型進行電池充電安全預警的方法，通過不同車輛型號的實時充電參數和標準充電參數，基于人工神經網絡預先訓練出車輛充電故障分析模型。在需要分析時，將車輛實時充電參數與標準充電參數輸入該充電故障分析模型，即可得到車輛充電故障分析結果，通過顯示器提醒電動汽車用戶，以便其采取相關措施以解決車輛充電故障分析結果中的問題[5]。機器學習算法包含豐富的學習算法，可分為傳統機器學習及深度學習，兩種分類還可以再進一步分類，每種算法均可通過訓練達到理想的學習效果。在實際使用過程中，應根據分析需求，選擇合適的算法原理。目前通過機器學習算法進行預警分析已在行業得到初步實踐及應用，未來相關研究還將持續發展及深入。

4 總結和展望

隨著新能源汽車保有量逐年增大，電池安全問題也愈發受到行業和消費者的關注。電池安全性能的提升涉及電池系統各個層級，主流整車或電池企業均提出了各自的電池安全解決方案，基本都是圍繞電池包結構、熱管理系統設計、電芯安全材料、高性能管理系統以及全周期的電池監控防護等方面展開，且都可實現較好的效果，可以完全滿足目前國標“5分鐘不起火”的技術要求，甚至已經遠超了目前的國標要求。

在預警技術方面，各大企業依托車輛運行監測平臺，通過先進的預警模型進行電池異常分析，并取得了一定的效果。未來隨著人工智能以及大數據技術的逐漸滲透，動力電池預警技術將智能算法、大數據挖掘技術融入到電池失效過程分析，促進提升預警準確性及智能化。

深入探究電池失效機理，分析獲取電池系統在尺度結構、多層級要素、多場耦合過程的表征參量，分析電池材料衰變、內阻演化及模量變化機理過程，建立電池系統復雜耦合機理以及失效機制與表征參數的映射關系，為提升電池預警診斷提供理論基礎。充分利用大數據技術手段，通過對電池研發、設計、生產、使用、回收等全過程數據的挖掘分析，提取真實電池監控數據變化規律，并結合智能算法實現構建自學習預警模型，實現預警算法的持續訓練及優化。

參考文獻：

[1]中國新聞網. 2022年中國新能源汽車保有量達1310萬輛 同比增長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. 電動汽車遠程服務與管理系統技術規范 第3部分：通信協議及數據格式[S].

[3]高文凱. 鋰離子動力電池的短路故障診斷研究[D].上海：上海理工大學，2020.

[4]陳佳純. 基于數據分析的鋰離子動力電池熱失控故障診斷研究[D]. 北京：北京交通大學，2020.

[5]劉志賓，趙逸志，劉亞晶，等.一種基于大數據的充電安全預警方法和充電樁：， CN112193111A[P]. 2021.