下载掌阅APP，畅读海量书库
立即打开
作为近几年最热门的研究领域之一，大数据已经得到了全世界科技界和学术界的广泛关注。大数据并不仅仅是指规模庞大的数据集合，其通常具有数据规模（Volume）、数据处理时效性（Velocity）、数据多样性（Variety）、结果准确性（Veracity）和价值深度（Value）的“5V”特征。基于各领域海量多维异构数据，利用先进的大数据分析技术挖掘海量数据特征的内在价值，可以极大地推动各个行业的发展和变革。伴随新能源汽车车载信息系统的逐渐完善和信息化程度的日益提高，大数据技术在新能源汽车领域也展现出良好的应用前景，新能源汽车和大数据的融合业已成为我国汽车行业转型升级的国家战略发展方向之一。
在新能源汽车领域，各大企业已经建立了大数据平台，通过新能源汽车大数据的采集、处理、存储和深度挖掘，充分发挥数据的价值。为保障居民日常出行安全和推动新能源汽车产业发展，工业和信息化部于2016年在北京建立新能源汽车国家监测与管理平台（National Energy Vehicle Monitoring and Management National Platform, NMMP-NEV）平台（以下简称国家平台），其监控与管理机制如图2-5所示。截至2022年7月，国家平台接入车辆突破900万辆，国家平台的建立为政府部门加强新能源企业及车辆的安全监管起到重要支撑作用。国家平台接收海量新能源汽车实时运行数据，配合车辆档案数据、气象数据、道路建设数据等形成新能源汽车多源异构数据库，并结合数据资源和大数据分析技术，挖掘数据背后蕴藏的丰富价值，以改善当前新能源汽车安全问题和促进新能源汽车产业发展。
图2-5 NMMP-NEV的监控与管理机制
目前，我国已经建立了国家、地方政府和企业的三级新能源汽车监管体系，并强调企业作为安全的第一责任人需要承担起安全监管的主体责任。为了实现动力电池系统的有效监管和安全运行，需要对动力电池系统的运行数据进行实时监控和统计分析，并对其安全性进行实时评价和风险预测。
1.运行统计特征
针对新能源汽车动力电池系统运行大数据的统计主要包括电耗统计、行驶充电分析、健康状态监控、故障与事故统计等方面。
当前，我国新能源汽车已从培育期进入了快速成长期，市场迎来爆发式增长。2021年，全国新能源汽车产销分别为354.5万辆和352.1万辆，同比分别增长1.6倍。截至2021年底，全国新能源汽车保有量784万辆，占汽车总量的2.6%。随着保有量的快速增长，新能源汽车召回及安全事故不断面临新的挑战。
2021年，我国实施新能源汽车召回59次，涉及车辆83万辆，召回次数和召回数量比2020年增长了31.1%和75.9%，52.5%的新能源汽车缺陷线索反映动力电池、电机、电控系统问题；分析近几年发生的新能源汽车着火事故发现，既有充电设施不合格、用户使用不当、维修保养不规范等外部因素，也有早期产品动力电池及高压部件老化、整车和电池质量等内部因素，同时还面临着交通事故碰撞后的电池安全问题。
为减少新能源汽车安全事故，目前国家平台全面落实了7×24小时全天值班反馈制度，向企业实时推送3级报警信息，每周定时反馈1级和2级报警信息，并定时上报工信部。另外，国家平台充分发挥技术优势，建立了动力电池系统事故预警模型并开发了相应的预警软件模块，目前已在多家整车企业开展试用。
2.安全性特征分析
动力电池大数据安全性特征分析主要包括以下几个研究方向：不一致性分析与故障诊断、热失控预警以及健康状态估计。例如，本书部分研究阐述了一种基于修正的香农熵的电压故障诊断方法，根据实际车辆运行数据，成功地诊断出了电动出租车上的电压异常单体，并实现了热故障的早期预警。在动力电池健康状态估计方面，瑞典林雪平大学Frisk Erik等人基于车载铅酸电池的更换记录，利用随机生存森林方法实现了对动力电池系统剩余使用寿命进行预估，基于欧洲5个国家的33603辆车运行数据，提取了291个变量，数据类型包括温度、压力等结构化数据，以及电流、电压概率分布直方图等非结构化数据，在大数据的应用上极具创新性。当前大数据分析技术在动力电池系统故障诊断、安全风险预测和容量衰退分析等方面得到了广泛应用，但由于实车监控数据的稀疏特征、多应力参数耦合、动力电池运行参数非线性强等问题的制约，在基于实车运行大数据的安全性风险预测及实车验证方面还需要进一步深入研究。
此外，运行大数据在车辆运行状况监控、关键零部件检测、新能源汽车用户研究、基础设施建设布局分析等方面也有一定的应用基础。例如，驾驶行为对能耗和动力电池寿命的影响分析，新能源汽车整车可靠性及故障规律统计分析，电动出租车充电站选址方法研究，以及对新能源汽车充电需求与电网负荷预测研究等。
在实验室层面的动力电池系统安全性研究通常以若干组循环充放电测得的电池运行参数作为电池安全性表征参数，例如以测得的单体电压极差、均值、方差分布等作为单体电压一致性的衡量指标。但该方法在基于实车运行大数据平台采集的海量数据场景下并不适用，原因主要可以归结为以下四点：
（1）采样精度不同
大数据平台采集的动力电池系统数据精度较实验室环境下采集得到的数据精度偏低，同时动力电池系统在实际车辆行驶条件下容易受振动、高温、雨水、极端路况等复杂环境因素的影响，系统噪声、环境噪声等实车动力电池系统鲁棒噪声分析仍不完善，因此实车动力电池系统采样数据的误差尚且难以估计。
（2）采样频率不同
相较于相对稳定且可以人为控制的实验室环境，大数据平台的采样频率更低、采样间隔更长（如NMMP-NEV平台通常为10s或者更长的采样间隔），此外采样时刻通常是不连续的，相邻时刻采样数据点对应的电池状态也是不连续的，因此无法达到如实验室条件下的稳定地对动力电池系统状态进行不间断测量。
（3）采样时间不同
相较于能够进行动力电池系统性能加速实验的实验室环境，大数据平台采集数据时间跨度较大，例如对同一动力电池系统进行全生命周期容量衰退数据进行采集，通过加速寿命实验在较大充放电倍率下最短可以在一个月之内完成，通过大数据平台的正常监控则可能需要5年以上的时间。不过，大数据平台监控下的实车运行工况的真实性也是难以通过实验手段进行复现的，动力电池系统安全性机理研究可以通过加速寿命实验完成，但是其工程应用价值仍然需要基于实车运行大数据进行验证。
（4）采样样本不同
在实验室条件下，往往只能对一组或者多组动力电池组做连续的充放电状态监控。相比之下，大数据平台覆盖的样本数量更大，由于监控对象为公共车型和市售乘用车型，因此对同一车型同一型号动力电池系统的采样样本数量众多，即便在同一时刻也可得到多组不同运行状态的动力电池系统运行数据。
为了有效地发挥实车大数据平台海量运行数据的作用，充分发掘数据的潜在应用价值，避免由于采样噪声或预处理算法缺陷而导致的采样数据质量下降，需要选择合适的统计学模型和分组理论将采集到的海量数据做整合，提取其中的有效信息，并对动力电池系统单体样本进行筛选，降低数据采集时系统噪声和环境噪声的影响。然后，可以利用自适应参数辨识方法对动力电池系统的一致性进行拟合描述，进行动力电池系统一致性和安全性分析。