云端數據驅動的鋰電池故障分級預警研究 *

郭文超，楊 林，鄧忠偉，李濟霖，范志先

（1. 上海交通大學機械與工程學院，上海 200240；2. 電子科技大學機械與電氣工程學院，成都 611731；3. 中通客車股份有限公司，聊城 252000）

前言

鑒于其能量密度高、使用壽命長、環保等優點［1］，鋰電池被廣泛采用成為電動汽車的動力系統。電動汽車鋰離子電池系統故障模式通常包括4 種情況：電池故障、組件故障、傳感器故障和執行器故障［2］。作為最常見的故障，電池故障主要包括內短路、外短路、過充過放和不均一性故障。這些故障在長期運行過程中不可避免地發生和積累，最終表現為電池組的不一致性故障和熱失控故障［3］。然而，這些故障的電氣和熱特性在初始階段并不明顯，使得電池管理系統（battery management system，BMS）難以檢測［4］。因此，研究準確有效的電池故障診斷和預警方法對避免熱失控等嚴重安全事故和及時啟動維護方案、降低維護成本具有重要意義。

故障診斷的關鍵是基于采集的傳感器數據通過故障診斷策略判斷電池系統是否存在異常。與其他動態系統故障診斷方法相似，動力電池系統故障診斷方法可分為4 類［5］：基于模型的方法、基于信號處理的方法、基于知識的方法和數據驅動的方法。前3 種類型方法可以準確實現單個電池的故障診斷，但對于每一個單體復雜的建模過程使得其在實踐中難以被算力有限的BMS 所承受，因而基于數據驅動的方法被越來越多的研究者用于電池故障診斷領域。基于數據驅動的方法核心主要分為4 種診斷思想：概率分布思想、相關性思想、分類思想和熵思想。例如，Qiu 等［6］提出了一種局部離群因子用于故障電池的內短路診斷。Shang 等［7］提出了一種改進樣本熵方法用于電池早期故障診斷。Lin 等［8］提出了一種電壓差相關性方法提高診斷速度。然而，這些方法通常是在實驗室或仿真環境下進行驗證。隨著越來越多車輛被接入云端大數據平臺，在云端直接進行算法的驗證越來越為方便。當前大多數公司以大于10 s 的稀疏形式將車輛運行數據傳輸到云平臺［9］，但少有基于實車云端數據進行電池故障診斷的研究。

由于真實車輛的工況復雜多變，故障類型未知，且以稀疏方式傳輸至云端，因而有必要研究基于云端數據的電池故障及預警方法。Zhao等［10］采用多重篩選策略實現實車大數據中異常電壓單體診斷。Jiang 等［11］采用SRM 方法對實車所有單體的電壓進行分析，捕捉細微變化從而實現故障單體的準確識別。Fan 等［12］構建一個廣義無量綱指標表示電壓異常演變并實現內短路故障車輛的早期診斷。這些算法能實現數十分鐘級別的早期預警［13］，但僅適用于指定故障類型的診斷，未對故障類型和故障程度進行識別；此外，部分研究基于有監督學習方式進行故障診斷，要求較高的數據質量，通用性較差。

為此，本文進行云端數據驅動的鋰電池故障分級預警研究。分析選取適用于云端數據特性的特征，構建特征集并進行多次混合聚類實現對電池健康度打分評價，通過引入溫度信息區分熱相關故障并構建預警等級劃分準則判斷電池故障狀態。最后，利用5 種現場故障案例進行分析，結果表明所提方法準確可靠，在故障類型區分、故障程度判斷、超前識別和對實際云端數據質量的適應性方面具有明顯優勢。

1 云端數據獲取與預處理

1.1 云計算系統

與板載系統相比，云計算系統具有高計算能力和存儲容量，在BMS 中能發揮重大作用。通過將模型算法部署在云端，不僅可以更方便地修改模型結構和更新參數，還能收集大量電池數據供進一步分析和利用。

本文中搭建的云計算系統如圖1 所示。BMS 與車規級4G模塊連接，并按GB/T 32960規定的通信要求將數據流傳送至阿里云服務器。云平臺主要包括3 大功能模塊：對數據接收、整理、存儲的數據庫部分；提供數據展示和方便人機交互的網頁端部分；布置調用模型算法的云計算部分。該云計算部分作為一個應用程序接口可涵蓋電池管理的各類應用，包括健康評估、剩余壽命評估、故障診斷等，本文工作僅關注故障預警算法的部署。

圖1 本課題組搭建的云計算系統

將開發好的適用于電動汽車云數據的模型算法部署在云端服務器上，輸入云端采集的真實車輛數據并調用計算模型，將計算結果推送至終端用戶或者上傳至大數據監控平臺，以便對電動汽車動力系統進行及時維護，降低維護成本。

1.2 數據來源與預處理

本文研究的車輛數據來自國家新能源汽車監測管理中心西南分中心（CSB-NMMC-NEV），該中心是由國家新能源汽車大數據聯盟（NBDA-NEV）和中國汽車工程研究院股份有限公司聯合建立的大數據平臺［11］，負責西南地區新能源汽車的監控。基于該平臺，可以監控車輛的運行數據，包括電池狀態信息、溫度信息等。該平臺上各電動汽車的數據相互獨立，其中故障電池在BMS 報警后會被維護記錄為熱失控故障和潛在故障。當該車輛發生熱失控或無法運行時，專業人員會現場調查并進行故障電池定位，進而為算法驗證提供基礎。

終端上傳至云端的車輛運行數據存在工況隨機動態和高稀疏特性，并且在傳輸過程中可能出現大量錯誤缺失，因而有必要對數據進行規范化預處理以保證容錯度和保真度。具體預處理過程如下：（1）剔除明顯偏離電壓或SOC 理化特性范圍的異常數據；（2）剔除停車未充電狀態的無效數據［14］；（3）根據充電狀態標志位與SOC 信息對充放電片段進行依次劃分；（4）剔除采樣數據缺失過多的片段（小于10 幀）；（5）相鄰充放電片段合并作為一個有效循環。

對云端獲取的長時間序列車輛運行數據，直接進行上述預處理而無須對原數據進行缺失值填充、異常值矯正或插值處理。該預處理方案能大幅提高對原數據的容錯度和保真度，使得算法具有較高適應性并可快速在云端布置。具體算法的適應性內容將在3.1節中總結。

2 電池故障分級預警的算法框架

“健康狀態（state of health， SOH）”通常用來描述電池的老化程度，而本文研究對象還包括故障程度，如微短路故障（micro-short circuit， MSC）等。為了與SOH 區分，本文用“健康度”來描述單體或模組的老化程度和故障程度。本文所提的電池故障分級預警的算法框架如圖2 所示，該算法部署于云端，當檢測出當前電池系統存在故障（如熱失控故障、不一致性故障）時，及時向車輛或控制中心發出相應的警示信號或維護信息，以指導電池系統的及時維護。

圖2 電池故障分級預警的算法框架

2.1 特征提取方案

2.1.1 特征選取

針對云端數據具有高稀疏性和隨機動態性的特點，所提特征需滿足以下要求：（1）能基于稀疏數據進行提取；（2）提取不受工況條件的限制。當前有關電池健康特征提取的研究大多集中在電壓及其計算數據的處理上，包括電壓曲線、充電或放電容量、充電或放電時間和差分電壓曲線等［2，15］。而這些特征均無法適用于精度較低、采樣間隔較長、工況隨機動態的真實云端數據。

電池老化主要機制在于鋰離子庫存損失（loss of lithium inventory， LLI）和活性材料損失（loss of active material， LAM）［16］。電池組中較差單體往往擁有更少的活性鋰離子數量和更大的歐姆內阻，在相同的電流激勵下，溶液中活性鋰離子消耗或產生的比例更快［16］，因而體現在外特性上有更大的極值變化且與系統的平均值有更大的偏離度；電池MSC的產生原因有制造缺陷、電極材料溶解、鍍鋰和鋰枝晶的形成等［17］。MSC 反應機制復雜不易觀察，但由于其通常被等效為電池內部并聯內阻而產生不同熱量，從而很容易導致單體溫度升高［17］，并被溫度傳感器捕捉。

基于上述機理分析，可以很好地用自身差值特征和平均偏差值特征來描述這種極值變化與系統非均勻性，這兩類特征的可提取性和優勢如下：它們的提取均不受采樣周期和工況隨機的影響，也不要求相同數據片段；自身差值特征通過縱向比較某次充放電過程中的電池外特性的極值變化，在極端工況下能將這種差異放大從而被更好地捕捉；平均偏差值特征通過橫向比較各單體與系統平均狀態的差異來反映系統的非均勻性，該值對極端工況具有低敏感度從而與自身差值特征形成互補。

進而，它們與電池健康度的相關性方向分析如下：對兩特征分別描述，在某一充放電過程下，單體自身的極值偏差和單體相對于整個電池組平均狀態的偏離度。與新電芯相比，健康度差的電芯自身差值越大意味著內阻較大或產熱量較高，故自身差值特征與電池健康度呈負相關；同樣，平均偏差值越大意味著單體與系統平均狀態存在更明顯的偏離度，因此該特征也與電池健康度呈負相關。這些特征與電池老化狀態或MSC狀態的相關性已有文獻證明［17-18］。

除此之外，上述特征無法反映系統在時間序列上的信號波動或無序信息，而熵已被證明能有效用于電池組故障診斷［7，19-20］，如檢測MSC故障單體早期信號的微小變化、利用故障單體與正常單體相關性評估不一致程度以及檢測連接故障等。樣本熵的提取不依賴于數據長度，抗噪聲干擾能力更強，同時對隱藏數據具有較強的診斷能力。樣本熵能定量評價信號的波動程度且熵值越大意味著波形中頻率越多，由于低容量單體更容易優先滿充或滿放導致其電壓和溫度波動更加劇烈［21］，故該特征也與電池健康度呈負相關。

同時，由于電池本身具有容性特征，電流激勵下電壓響應特性極快，而熱慣性大故溫度和熵響應慢。由于車輛工況隨機性導致電池工況隨機，使得在時間尺度上這些特征的響應也不同。因而所選特征耦合起來能更互補地描述電池的正常或異常狀態從而實現對電池健康度的覆蓋刻畫。綜上分析，基于電壓和溫度的自身差值特征、平均偏差值特征和熵值特征被用以構建特征集。

2.1.2 特征集構建

云端數據采集中常出現充電數據丟失或采樣點過少的現象，且充電工況與放電工況具有較大差異性［9，22］，因而有必要對充放電工況進行劃分。基于電壓和溫度信息，從充電過程和放電過程中分別提取適用于云端數據特點的自身差值特征、平均偏差值特征與熵值特征，組合成6 類差熵特征集，用于描述電池各單體間的差異性。

以一個充電（或放電）過程為例，對于電池系統中第i個電芯的數據M（為電壓V或溫度T），自身差值特征Mdi、平均偏差值特征aveMdi與熵值特征MEni分別定義如下：

式中：Mimax、Mimin和Miave分別為該次充電（或放電）過程中單體i的電壓（或溫度）序列的最大值、最小值和平均值；n為該電池組中單體的總個數；m為運行長度；r為原始數據的度量窗口；Am(r)和Bm(r)分別表示兩個序列分別匹配m或m+1個點的概率［7］。

需要說明的是，系統噪聲或采樣精度導致的數據小范圍偏差對樣本熵的計算存在一定干擾，因此在熵計算前須去掉采樣數據中的低頻部分，保留的數據仍能反映電壓或溫度的真實特性。本文選用離散余弦變換（discrete cosine transform， DCT）方法［20］進行濾波。針對不同數據集調節濾波系數使得樣本熵保持在［0， 2］范圍，本文中電壓和溫度濾波系數分別取在0.4～0.8 和1～3 范圍，均能取得較好的熵特征提取效果。

綜上，在云端數據應用中，對于電壓（溫度）信息重復充放電過程可以提取6類差熵特征集，如表1所示。充分考慮盡可能多的特征能夠提高算法的適應性。以Vddis為例，該序列表示如下：

表1 6類差熵特征集

式中：Vdjdis為基于第j循環放電數據提取的所有單體Vdi特征組成的向量；λ為最大循環數。

2.2 電池個體健康度評價

基于2.1節提取的6類差熵特征集，對每個單體進行遍歷式混合聚類進而評價健康度，流程如圖3所示。首先，由于不同特征幅值不同，須對特征進行歸一化使其在0～1 區間，調節各特征符號使其與電池壽命的相關性為負。其次，對上述s個特征（記為F1～Fs）劃分為任意維度的特征子集，排列組合共有h=（2s-1）種劃分方法。

圖3 電池個體健康度評價流程圖

考慮到工程應用的通用性，需要從不同的特征組合尺度對電池健康進行多次評價，并將所有評價得分的累積平均值作為最終分值。具體地，為從多角度進行類別劃分本文聚類算法選用K-means 聚類、高斯混合聚類和模糊C-means 聚類［6，23］；綜合文獻［10］和文獻［24］中不同分類思想下的類別結果，本文聚類類別選用2～5。基于不同子特征使用不同聚類方法將所有單體劃分為不同類別，則可計算獲得在該子特征下任一類別任一聚類方法下的該類所有單體的特征平均值。以含有s個特征的所有單體被劃分為3類為例：

式中：celli為當前類別中的第i個單體；a、b、c分別為Y1、Y2、Y3類別含有的單體數量。

每一類中所有單體的特征平均值計算如下：

式中：Rip為第i個單體的第p個特征值；x為當前聚類過程中子特征集合含有的特征數量；分別為Y1、Y2、Y3類的特征平均值。

將特征平均值最大的類中的所有單體健康度設置為0，其余類別的單體健康度設置為1，即為單次聚類過程的結果。設所有子特征下單體i狀態為1的次數為Fi，遍歷σ次聚類方法及λ個循環，即可得到單體i的健康度Xi：

式中：i和s分別為電池單體數量和特征數量；σ和λ分別為最大聚類次數和最大循環次數。

綜上所述，電池組的故障診斷問題基于多次混合聚類方式被轉化為量化打分問題，通過對所有電池個體健康度評價可快速識別電池系統中的低分個體，進而實現異常識別。

2.3 預警等級劃分準則

由文獻［3］可知，電動汽車動力系統的故障主要外在表現為電池系統的加速老化及電池組的熱失控。目前大多數已有故障診斷研究僅通過電壓信息很難實現熱失控早期特征的捕捉，也無法對故障類型進行判斷。MSC是引起鋰離子電池自誘發性熱失控最常見的故障模式，在電池運行過程中會導致不同的產熱速率和產熱量，從而表現為電池溫度變化的不同［17］。為了能以無監督方式區分出熱相關故障，將溫度信息、電壓與溫度信息分別作為兩類指標進行評價；另外，考慮到GB/T 38031 中對電動汽車動力電池熱失控的高安全性要求［12］，故而相對于均一性故障，熱失控故障往往具有更高的預警等級。

對于單體i，分別基于溫度信息、電壓與溫度信息進行健康度評價，得到健康度Xi1和Xi2。當單體i存在熱失控故障或單體i的均一性故障非常嚴重時，此時的電池系統存在嚴重故障，即“緊急狀態”；當單體i不存在熱失控故障且單體i的均一性故障較為輕微時，認為此時的電池系統存在一般故障，即“非緊急狀態”。進而，提出3 類故障閾值用于故障等級劃分：溫度故障分數閾值J1、綜合一級故障分數閾值J2、綜合二級故障分數閾值J′2。結合上述得到的健康度分數及分數閾值，即可獲得單體i當前狀態下最終劃分的故障等級，具體分為以下5種情況：

①當Xi1和Xi2均觸發故障時，單體存在微短路或外短路故障，判定為嚴重故障；

②當Xi1未觸發而Xi2觸發二級故障時，單體一致性偏離程度較高，判定為嚴重故障；

③當Xi1未觸發而Xi2觸發一級故障時，單體一致性偏離程度較低，判定為一般故障；

④當Xi1觸發故障而Xi2未觸發時，由于緩慢熱失控故障通常伴隨著一致性故障［3］，故溫度異常一般由周圍熱失控單體傳導或熱管理系統異常引起而與當前單體無關，判定為無故障；

⑤當Xi1和Xi2均未觸發故障時，系統運行良好，判定為無故障。

將上述情況整理為如下表達式：

式中Pi1、Pi2和Pi分別為單體i的溫度故障等級、綜合故障等級和最終劃分的故障等級。Pi的取值2、1、0分別代表當前單體存在嚴重（或二級）故障、一般（或一級）故障或無故障狀態。

綜上所述，本文提出的電池故障預警等級劃分方法如圖4 所示。分級預警為3 個層次：存在嚴重（或二級）故障、存在一般（或一級）故障、不存在故障。在實車運行過程中，當云端檢測到當前循環下某一或某些單體（模組）觸發故障時，即可判定當前的故障等級并及時進行預警。

圖4 電池故障預警等級劃分

3 面向不同現場故障案例的驗證

3.1 故障預警驗證及適應性分析

基于上述提出的算法，利用目前云端獲取的5種故障對象現場數據進行驗證。這些對象均在真實世界中已發生故障，在BMS 報警后被維護記錄為熱失控故障和潛在故障，且具體故障原因也已被現場調查記錄。該5 種現場故障案例的具體參數如表2 所示，涵蓋多種使用場景、電池類型和成組方式，同時在采樣間隔、采樣精度和保幀率等數據質量上均有所差異。在本文中“保幀率”定義為有效數據幀數與充放電階段下的理想完整數據幀數的比值。

表2 5種現場故障案例的具體參數

將各故障對象在故障發生前的歷史數據預處理后輸入至圖2 電池故障分級預警算法，最終的診斷結果及維護建議如表3 所示。驗證結果表明，電池系統中的各異常單體或模組均能被以100%的準確度診斷出來，同時未產生誤報；對象No.1 中的熱失控風險也能被有效區分識別；同時給出的維護建議除故障定位信息外還包括時效性判斷。由于篇幅限制，本文對兩類典型故障各選取一個案例（No. 1 與No.2）在3.2與3.3節中詳細分析其具體診斷過程。

表3 故障診斷結果及維護建議

文獻［25］中綜述了當前現場數據用于電池狀態評估或診斷的3 大主要挑戰：隨機不受控制的使用場景、數據質量問題、缺乏明確的驗證數據。本文案例中含有多種場景及隨機工況，數據質量也較低，而在該情況下仍能取得準確有效的驗證結果，表明本文所提算法具有較高適應性。同時，適應性還體現在算法無須要求大量訓練數據即可快速布置使用。

需要說明的是，與已有絕大部分故障診斷研究的閾值獲取方式相似［6-8，11-14］，本文通過對電池歷史運行數據的綜合評分進行統計分析，確定不同故障等級的閾值（J1、J2和J′2的取值分別為 50、50 和30分）。

3.2 代表案例1：熱失控故障車輛

該實車為熱失控事故車輛，經專業人員調查已發現導致熱失控的故障電池。該車輛電池系統共有92 路電壓和32 路溫度采樣，數據采樣時間為2019年12 月6 日-2020 年8 月12 日，采樣間隔為10 s，在云端預處理后的電壓和溫度數據如圖5所示。

圖5 案例1中預處理后的電壓溫度數據圖

由于溫度采樣精度較低且充放電過程中各傳感器間的溫度差異在較小范圍內波動，導致圖5（b）中的多路溫度曲線疊加難以清晰分辨其差異性，同時圖5（a）中的電壓數據幾乎重疊看不出任何異常。在實際中，電池之間通過導體BUSbar 連接，溫度傳感器直接布置在BUSbar 上，每間隔幾個單體便會布置一個溫度傳感器，整個電池系統趨于熱平衡，因而文中未采樣單體的估計溫度是根據相鄰兩個溫度傳感器的采樣值插值得到。

對每個單體的每次充電和放電循環分別提取表1所示的特征集，并按圖3步驟依次進行基于溫度信息、基于溫度和電壓信息的健康度評價，即可獲得每個電池在不同循環下的健康度，如圖6所示。

圖6 案例1中各單體的健康度評價

圖6（a）與圖6（c）中每一條曲線代表一個單體或溫度傳感器，顏色越接近粉色意味著該單體或溫度傳感器附近單體的健康度相對越差。圖6（a）中下方的兩條曲線能夠較為明顯地與上方曲線分離開來，說明這兩條曲線相對應的溫度傳感器附近的單體存在異常，很可能是由于熱相關故障引起的溫度異常偏高。圖6（b）分析基于溫度信息計算的健康分數在真實時間上的橫向演變。可以看出，#24 和#25 溫度傳感器對應的兩條曲線始終在預警線以下；同理，圖6（d）中識別出#7和#67單體對應的曲線分別在一般和嚴重預警線以下。結合電池系統傳感器布置圖［11］，可知#67 號單體與溫度傳感器#24 和#25相鄰，結合圖4得出以下結論。

（1）#67 單體被識別存在嚴重故障且該故障與熱故障相關，是熱失控的直接源頭；#7 單體被識別存在一般故障，雖未觸發溫度預警但有向熱失控演變的隱患。建議對#67 號單體進行緊急更換，對#7號單體進行非緊急更換。

（2）與BMS 在2020 年8月12日車輛發生熱失控時刻的前幾秒報警不同，本文提出的算法在2020 年5月4號即可識別具有潛在風險的單體，實現電池故障超前識別并及時分級預警從而保障車輛和乘客安全。

實際事后調查結果表明，該次熱失控事故源頭為#67 單體引起且該單體在熱失控前已存在嚴重故障，驗證了本文所提算法故障預警結果的準確性。需要說明的是，對于由外界引起的突發性熱失控，該算法不再適用。本文主要是針對自誘發性的熱失控故障實現早期預警，該驗證結果也表明1.2 節中剔除臨時性停車數據是合理的，熱失控故障在停車之前就已存在且能被準確識別。

3.3 代表案例2：不一致性故障車輛

與案例1發生熱失控的實車不同，案例2中的實車仍在運行。該車輛電池系統共有144路電壓和24路溫度采樣，數據采樣時間為2021年6月1日- 2021年6 月30 日，采樣間隔為10 s，在云端預處理前后各自的電壓數據如圖7所示。

圖7 案例2中預處理前后電壓數據對比圖

圖7（a）為該車輛在6 月份的云端實車運行數據（共包含41 191 幀數據），圖7（b）是預處理后得到的完整數據，包含34 個有效充放電循環。如局部放大圖所示，在6 月30 號充電開始后的一段時間，#109單體和#111 單體的電壓發生突變，并與其他單體的電壓曲線發生顯著偏離，之后又都快速恢復正常，初步猜測這兩個單體均存在嚴重的不一致性故障。與案例1 車輛不同，該車輛的整體SOC 運行區間偏高，這是由于該車輛為客車，運行工況較為穩定。對案例2車輛的各單體進行健康度評價，如圖8所示。

圖8（a）中所有曲線均在預警線上方運行，說明該車輛不存在熱相關故障。同時圖8（b）中下方曲線對應#109 ～ #119 單體，剛好這些單體位于10 號模組中，說明10 號模組存在不一致性故障，且隨著時間的推進，該模組內的大部分單體由一般故障逐漸演變至嚴重故障。對比圖6，可以得出以下結論。

（1）#109 ～ #119單體所在的10號模組存在不一致性故障，且6月9日后其中半數單體被識別為嚴重故障，故而6 月9 日后建議對該模組進行緊急更換，以免后續影響車輛的續航里程同時掐斷進一步的熱失控演化可能。

（2）與圖6（b）相比，圖9（a）中未識別出可能存在熱失控故障的單體，進一步說明本文提出的方法可為故障類型的判斷提供指導。

圖9 案例2中車輛各月份的BMS故障報警信息

在后續運行過程中，BMS 開始逐步上報動力系統故障信息，其中該車輛在2021 年6-9 月份上報的BMS故障報警信息如圖9所示。第1次“電池單體一致性差報警”信息在6月30日上報，隨后的月份上報頻率越來越高。對每月“電池單體一致性差報警”的頻率和頻次統計如圖10 所示，圖中可見6-9 月的報警信息越來越頻繁，且在9 月份顯著爆發。因此，本案例也有效驗證所提算法能實現準確的電池故障分級預警，且相較于實車BMS 提前20天左右預警。與當前行業中提前數十分鐘級別的故障預警水平相比［13-14］，本文算法具有明顯的先進性及故障預警的超前性。

圖10 案例2中一致性差故障上報頻率統計圖

4 結論

現實中各大整車企業或政府機構在云端收集了大量實車運行數據，但由于云端數據的質量限制使得這些數據未能被有效利用，尤其是基于此數據進行及時的熱失控和均一性故障診斷對保障實車的安全穩定運行具有重要意義。為此，本文提出了無監督式的電池故障分級預警算法，并與企業合作進行了各類場景下的實車驗證，實例數據識別結果表明：

（1）針對故障類型未知、運行工況隨機且數據質量較低的云端數據，本文提出的故障分級預警算法具有較高的適應性和通用性，且無須大量歷史數據訓練即可快速布置在云端使用；

（2）針對當前電池故障類型難以區分的痛點，通過引入溫度信息并進行單獨評價從而準確判斷是否為熱相關故障，案例驗證結果表明本文算法能準確識別具有熱失控風險的單體；

（3）針對不同的故障程度和緊迫性，對電池故障預警等級進行劃分并提供“緊急”或“非緊急”的定點預警信息，與當前行業中提前數十分鐘級別的故障預警水平相比，本文算法具有明顯的先進性及故障預警的超前性。

未來將結合更多實際故障案例及調查信息，進一步驗證和優化本文提出的閾值劃分方法，并對相應指標（誤報率和檢出率等）給出更準確的統計結果。