截至2018年9月份，中國新能源汽車保有量已經突破200萬輛，位居全球第一。

在新能源汽車保有量快速增長的同時，新能源汽車電池安全的問題也開始引發越來越人的關注。

今年以來，我國已經陸續出現了多起電池的安全事故，行業意識到需要把電池安全提升到一個非常高的程度。目前國內的公交車、乘用車都出現一些冒煙起火的事故，國外的特斯拉汽車也因起火處在風口浪尖。

在近日召開的新能源汽車國家大數據聯盟2018年會上，湖南中車時代電動汽車股份有限公司（以簡稱“中車電動”）副總經理汪偉表示，針對電池安全，中車電動主要做了兩項探索：首先是針對電池安全的一些監控，包括故障的精準定位和故障的閉環處理，第二個層面針對故障和壽命的預測做這方面的探索。

今年以來，中車電動已經成功處理了106起電池的安全隱患，沒有出現安全事故。

如何對電池安全有效監控

早在2015年，中車電動建立了一個智能網聯平臺——云智通。

截止到目前為止，接入云智通平臺的車輛總數是17000萬輛，整個存儲數據量達到100TB，其中監控的數據項目有469項，其中電池數據占了165項，全面覆蓋了整車和關鍵零部件的全部信息。

汪偉表示，不管是國家層面，還是中車公司層面，大家對于電池的安全都非常重視。中車電動已經成立了專門的網聯中心，在后臺對電池安全進行24小時不間斷地監控。

根據海恩法則，每一期嚴重事故的背后必然都有29次輕微的事故和300起未遂先兆以及1000起事故的隱患。

目前中車公司對于電池的安全監控是怎么做的呢？“初步的層次是，車輛儀表上面會通過BMS推送故障碼，司機會收到故障碼對車輛進行檢查看故障率怎么樣。第一個層次報完故障以后，有些故障報一次之后現象就消失了，不再出現。”汪偉介紹。

第二個層次就利用云智通后臺的數據，在后臺檢測到有故障之后，比如某一臺車報了絕緣故障，這時在后臺對這個車的歷史數據，觀察它一周和一個月的變化，或者它的報警頻率來分析這個車是否是真的發生了絕緣故障，它的絕緣等級下降的嚴重程度是怎么樣。

“先是通過人工對數據的處理和分析，對嚴重等級相對比較高的，比較緊急的我們會要求現場的人員對車輛進行開箱檢查，實現故障精準地判斷和處理，讓我們的安全隱患消除在萌芽狀態，同時減輕一定的工作量?！蓖魝ソ榻B。

第三，建立智能預警的模型，基于故障的歷史數據和售后實際到現場去檢查之后是否真實有效的故障進行一個比照對比，這樣來反饋回來，對故障需求分析和挖掘的方法不斷地改進和優化進行迭代，以此來建立信息化智能預警的模型，進一步提高我們故障判斷的準確率。

為了確保電池的安全，中車電動在預防機制上主要做了三項工作。第一，全面監控所有車輛的電池故障?！拔覀兂鋈サ能囉懈骷业碾姵亍⒏鞣N類型的電池，不同的區域、不同的應用場景。當運行的數據出現異?；蛘連MS報出故障時，及時分析，不留下任何安全隱患?！蓖魝ソ榻B。

第二，重點監控隱患電池高發故障。對電池歷史故障數據進行統計分析，發現不同電池的高發故障類型，針對國內某品牌電池易發生單體過壓故障，對該電池單體電壓進行重點監控和分析、提醒。

第三，故障分級，降低售后工作強度。對于系統報出的電池故障，結合歷史數據的參照，特別緊急、特別嚴重的車輛要發生事故的，馬上車輛靠邊停運。第二種情況處于有這種隱患，但是車輛還能夠行駛，這時對車輛進行限制功率，停止載客運行，讓車輛能夠回到車庫進行當天的維修。這種分級處理的方式最大的好處解放了售后的資源，不用說一接到報警，馬上就去處理要去開箱，原來的方式至少有50%、60%的工作基本上是白做。

“基于電池的故障預警信息化，主要是這樣一個模式，首先是實時不間斷地自動采集電池的狀態，主要的數據包括電池總電壓、總電流、單體電壓、單體溫度、絕緣電阻，最后根據智能預警模型，檢測到狀態異常推送到用戶和售后人員。經過今年的探索和研究，發現單體電壓和絕緣電阻這兩個值是引起對這個電池故障，這兩個參數是最重要、最核心的參數?！蓖魝ソ榻B。

汪偉以某個品牌的電池為例。“通過對單體過壓故障相關的電壓數據進行聚類分析，會發現其中有部分故障電壓雖然我們是報過壓故障，但是過壓已經超出了原則上合理的范圍，這些不是真正的電池單體的過壓，它引起的有傳感器、軟連接，甚至有BMS采量的問題，這會屏蔽掉一部分的問題?！?

汪偉分析，對電池單體過壓的故障進一步進行準確分析的話，有效區分單體和非單體問題，同時有些廠家電池在分布電壓傳感器、溫度傳感器、絕緣采樣這塊是不夠精細的，比較粗放的，這塊對我們整車廠和電池監控造成了一些不準確的因素，我們也是通過大數據的分析和對比挖掘精準的去定位這個故障。

如何對電池故障進行科學預測

在電池安全的有效監控之外，中車電動還在探索針對電池故障的預測。

所謂電池故障的預測就是電池還沒有發生故障，甚至還沒有報警，還沒有發生絕緣，也還沒有發生單體過壓之前，根據大數據的分析和自學習，可以提前推斷出這個電池可能還有一個星期，或者兩個星期即將發生這樣的過壓，或者絕緣的問題。

為此，中車電動建立故障的基礎大數據庫，基于BMS報警數據以及歷史故障的分析數據，結合售后反饋情況，找到故障樣本，對故障樣本建立基礎大數據庫，涵蓋影響電池安全的關鍵故障和相關的參數，為真正的故障數據打上標簽。

“我們可以提供豐富的數據樣本，將故障預測可以從無監督的學習轉化為半監督，最后到有監督的學習，這樣提高了建模預測的準確率，也為基于大數據的電池故障預測奠定數據的基礎?！蓖魝ソ榻B。

汪偉解釋，基于大數據對故障隱患單體定位，是在整個電池生命周期內，每個單體出現最高電壓的次數越多，或者越頻繁，過壓的峰值有一個趨勢，我們能夠根據這一些數據的分析和對比，能夠大概預測出它即將發生過壓故障的概率，就會對這些單體進行重點關注，這些車輛、這些線路，依此類推，同廠家、同線路、同工況的電池提前進行重點關注。

同時，對于電池的健康預測，主要是根據電池歷史的運行狀況和信息來識別電池性能退化情況，挖掘電池的退化規律。在這個基礎上，結合智能算法，預測電池狀態的演化趨勢，預測性能失效時間。

傳統的方法去預測單體電壓和預測這個電池故障的話，需要對電池非常專業的了解，比如基于它退化的機理模型和等效電路模型。

“整車廠用了不同廠家的電池模型，不可能對每一家廠家電池模型進行了解，基于數據驅動的方法整車廠做這種預測是有基礎和有優勢的，首先不用太過深入了解電池單體本身的機理，而主機廠又存儲了豐富的運營數據，不同電池廠、不同運用場景的數據，為這種驅動建模有這樣的基礎，對整車廠來說，用大數據進行電池故障的預測和分析是最有效，而且應該說是最直接的?！蓖魝シ治觥?

對于電池健康的問題，實際上最后聚焦還是在電池的不均衡，就基于大數據的單體進行了不均衡故障預測建模，引入不均衡度這樣一個參數，進行從實時的不均衡事件，最后細化分布到不均衡程度天的情況。

汪偉介紹，最終通過這樣的手段解決了幾個問題：對主機廠對電池機理了解不深的問題，可以通過大數據分析的方式可以解決，同時解決模型適用性的問題，提出不均衡程度的指標，可以從很大程度上來說，有效地排除了不同電池種類之間的差異，不同廠家電池的差異，提高模型的通用度，也解決了預測精度不高的問題，基于故障的基礎大數據庫，把故障預測從無監督的學習轉化為有監督的學習，提高模型的準確性。

“最后我們得到的效果是這種模型的通用性比較好，準確率比較高，最終理想可以達到80%左右的精度。”汪偉提出。

對于電池健康度的管理和運用，中車電動后續還將做這新一步，下一步正在采用邊緣計算+云計算的架構模式，在我的服務器、云端分析模型和分析參數在云端，具體的數據分析和計算是在我的整車終端上進行計算，再把結果傳回云端。這樣的好處就是數據不需要遠距離的傳輸，在邊緣就可以了，具體的業務應用在邊緣模型管理就可以運行，避開了網絡通信瓶頸限制，提高了模型的運行效率，同時提高了數據的事實時性和維護處理能力。