基于充电堆数据的真实车辆CTM蓄电池智能安全研究
发布时间：2026-07-24 19:29:12 点击： 次
电池的安全管理是确保电动汽车可靠运行的关键。传统的车载电池管理系统在全面评估电池健康和预测潜在故障方面较为复杂，原因是工作条件覆盖有限。本研究创新地利用从充电桩收集的更高时间分辨率数据，为电池智能安全管理提供了新的技术路径。通过长短期记忆神经网络实现电池状态的高精度预测。健康状态估计是通过恒流充电段进行的。尝试将现有故障诊断方法应用于充电桩数据。此外，提出了一种车辆-堆叠互动策略，通过充电曲线形状匹配实现车辆识别。结果显示，所提方法在状态预测、健康状态估计和故障诊断方面表现良好。其新颖性和实用性为电动汽车充电时的智能安全管理提供了独特视角。
随着全球能源结构转型和双碳战略的深入，电动汽车（EV）数量呈指数增长[1]。作为电动汽车的关键组成部分，电池系统的安全性与整辆车的可靠性和使用寿命直接相关[2]。根据应急管理部2023年的统计，82.3%的电动车火灾事故直接与电池系统异常相关[3]，这暴露了基于车载电池管理系统（BMS）的传统电池电压/温度监测系统固有缺陷，如单一数据维度和工作条件覆盖有限。作为电动汽车的互补能源设施，充电桩收集的高频多维数据为电池安全监测提供了新的视角和技术路径[4]。与车载BMS相比，充电桩数据具有显著优势：首先，充电桩通常配备20 Hz以上的高频采样系统，能够捕捉充电过程中电压和电流的瞬态特性，并为电池健康状态（SOH）的评估提供更详细的数据支持[4];其次，充电桩可以同步记录环境温度、湿度及其他外部工作状态信息，弥补了机载BMS在环境感知能力上的不足[5];此外，充电桩数据具有连续性特性，能够完整记录从初始充电到充电终止的全周期动态特性，为电池劣化分析提供更全面的时间序列信息[6]。研究表明，许多电动汽车在充电过程中会发生故障[7]。因此，充电桩数据用于电池安全研究不仅可以弥补传统车载BMS监测系统的不足，还能为电池SOH估计、故障诊断和预测提供更强有力的支持。
电池安全研究是电动汽车领域的重要课题，主要关注热失控机制、安全监测和预警技术。早期研究侧重于电池材料层面的安全改进。例如，Yoon等人[8]提出了完整的“涂层+穿透”策略，并成功应用于富镍层阴极材料，显著提升了电池的多重性能和循环稳定性。陈等人[9]开发了一种用于高安全性锂离子电池的钛基负极材料，这不仅显著提升了电池的安全性和热稳定性，还实现了长周期寿命和高多重性能，为混合动力电动车提供了高性能电池解决方案。在监测技术方面，传统方法主要依赖机载BMS进行实时电压、电流和温度监测[10]，但由于采样频率受限，难以捕捉电池的早期故障特性。近年来，基于多物理场耦合的电池安全研究逐渐出现，例如Wang等[11]提出了基于多物理场模拟和改进二分法的锂离子电池热滥用安全风险估计方法。通过建立包含等效电路、热滥用和流体动力学模型的多物理场模型，能够准确评估电池组的热安全边界并计算风险概率。然而，现有大多数研究仅限于实验室环境，缺乏对实际运行条件下电池安全状态的全面评估。
状态预测、SOH估计和电力电池故障诊断是确保电动汽车安全运行的关键技术[[12]， [13]， [14]]。在状态预测方面，主流方法包括等效电路模型（ECM）[15]和数据驱动方法（如LSTM、GRU等）。[16,17]。基于模型的方法具有物理可解读性，且数据需求较小。Wang等[18]提出了一种基于改进的二阶等效电路模型（SO-ECM）的反馈校正自适应卡尔曼滤波（FC-AKF）方法，用于在线预测锂离子电池全生命周期内的电荷状态（SOC）和闭路电压（CCV），从而提升锂离子电池的安全性和使用寿命。Zhang 等人[19]提出了基于半电池电磁力学的实时估计算法，用于估算锂离子电池的阳极电势和 SOC，提高了 SOC 估计的准确性。尽管基于模型的预测方法有一些优势，但它们需要模型参数的高精度和模型结构的合理性。它们可能会受到模型简化和参数变化在实际应用中的影响[20]。而数据驱动方法则可通过学习历史数据中的模式和规律性来处理复杂的非线性关系，且对模型结构和参数的依赖较小[21]。Chen 等人[22]提出了基于长短期记忆循环神经网络（LSTM-RNN）的锂离子电池 SOC 估计算法，以进一步提高 SOC 估计的准确性和稳定性。Hong 等人[23]提出了一种基于混合长短期记忆门控循环单元（LSTM-GRU）神经网络的多步前向预测方法，用于电动汽车电池系统的SOC预测。该方法在不同季节的真实车辆数据中稳定性良好且稳健，为电动车电池管理系统优化提供了有力支持。
在电力电池SOH估计领域，现有研究主要聚焦于容量降减和内阻增长这两个核心特征，方法可分为两类：模型驱动和数据驱动[24]。模型驱动方法通过构建电化学或等效电路模型来分析电池降解机制。Amir等人[25]提出了一种基于动态等效电路模型的锂离子电池SOH估计方法，结合了阿累尼乌斯方程，考虑温度对电池劣化的影响。虽然这些方法能够揭示电池老化机制，但高度依赖实验室校准数据，这使得适应真实充电场景中动态工作条件变得困难。而数据驱动方法则通过挖掘操作数据中的隐性特征来建立统计相关性。例如，Xu等人[26]提出了基于增量容量分析（ICA）和Transformer模型的锂离子SOH估计算法，该算法在不同环境温度和预测起点下具有高预测准确性和良好的温度适应性。Hamed等人[27]提出了基于ICA的锂离子电池SOH估计模型，利用模式识别算法从高速放电循环数据中提取特征，并通过三种回归模型（支持向量回归、多层感知器和随机森林）预测，实现SOH的高精度估计。Zhang 等人[28]提出了一种基于渐减电流、双重相关分析和GRU网络的SOH估计方法。该方法通过设计的电流激励模式提取更稳健的健康特征，利用双相关分析筛选关键输入，最终通过GRU网络进行估计，实现高精度的SOH估计。然而，现有的数据驱动研究大多依赖于机载BMS有限的数据维度，无法充分利用充电桩高频数据所暗示的劣化特性。
在电池故障诊断领域，研究重点是早期发现和预警典型故障，如短路、过载和锂沉降[29]，主要依赖机载BMS的电压、电流和温度三参数监测系统。例如，Yu等人[30]提出了一种基于改进ECM的电流传感器故障诊断方法。该方法以电压为输入，电流为输出，并利用不可追踪卡尔曼滤波器（UKF）估算故障电流。Sun等人[31]提出了一种基于统计分析的三层电压故障检测方法，利用Box-Cox变换进行数据归一化，并采用改良的K均值方法进行故障诊断。近年来，基于多源数据融合的故障诊断方法逐渐出现，例如张等[32]提出了基于电化学阻抗谱（EIS）和支持矢量机（SVM）的锂离子电池电解液泄漏故障诊断方法，能够准确诊断锂离子电池中的电解液泄漏。Sepasiahooyi 等人[33]专门研究了电动汽车新旧锂离子电池的故障检测，强调电池老化对故障特性、演化模式和检测阈值的影响。然而，现有方法仍面临单一数据源的问题，难以全面涵盖电池故障演化的复杂特征，且跨模型适应性差且缺乏通用性。
作为电动汽车的能源，充电桩近年来在电池安全领域展现出独特的研究价值[34]。其高频且连续的数据特性为突破传统BMS监测系统的局限性提供了新的技术路径。在数据收集层面，新型智能充电桩可提供20赫兹以上的高频数据，涵盖电压、电流、温度、湿度等多维信息[35]，为电池安全分析提供了更丰富的功能空间。在数据分析方面，研究主要聚焦于充电曲线特征提取和异常检测。例如，Dui 等人[36]提出了基于物联网的智能充电站故障预测方法。Sun 等人[37]提出了基于生成对抗网络（GAN）和随机森林（RF）的充电站异常数据检测框架GANRF。此外，充电桩数据也被用于用户行为分析和充电策略优化[38,39]。然而，其在电池安全领域的深入挖掘仍不充分，目前的研究主要从充电站整体出发，缺乏对单个电池特性的深入分析。例如，充电桩数据在电池老化分析和剩余寿命预测中的应用仍处于起步阶段，未能充分考虑电池在不同使用环境和工作条件下的老化特性。此外，充电桩数据在电池安全预警和风险评估中的研究也相对有限，缺乏对电池故障机制的深入探讨和故障特性的准确提取。如何深入探讨堆填数据的多维相关性特征，构建车桩协作的智能安全管理框架，仍是一个亟需突破的关键科学问题。
然而，必须理解充电桩提供的数据内容、频率和质量，根本受车辆与充电桩之间通信协议标准的限制。全球有多种主流标准，设计目标和技术方法各异，直接影响基于充电桩数据进行电池安全分析的潜力和局限性。在中国，现行强制性国家标准GB/T 27930是主导协议。该协议优先确保充电安全和互操作性，要求消息交换周期最低为50毫秒。在国际上，ISO 15118和CHAdeMO等协议被广泛采用。值得注意的是，ISO 15118理论上支持更灵活、可定制的数据服务，提供了更多协议层的高频数据交换和高级诊断可能性。CHAdeMO协议在某些版本中还定义了相对丰富的信息交换数据标识符。中国标准强调稳定性和统一性，确保大规模基础设施的可靠互联。然而，国际标准则展现了对数据服务丰富性和灵活性的更远见。澄清这一技术背景至关重要，因为这意味着当前的研究本质上探讨了在现有协议约束下安全管理功能的上限。同时，它也指向未来方向：随着协议演进和“边缘计算”模型的引入，充电站的数据价值预计将进一步提升。
大多数关于电池安全性的传统研究都集中在车辆收集的数据上，缺乏对充电桩实际车辆数据的掌握。现有研究中对填充桩数据挖掘的深度不足。本文提出了一种涵盖状态预测、过体状态估计和基于真实车辆充电桩数据故障诊断的电池安全管理策略，以弥补这些不足。因此，本文试图对现有研究做出以下贡献和改进：
简介
状态预测、SOH估计和电力电池故障诊断是确保电动汽车安全运行的关键技术[[12]， [13]， [14]]。在状态预测方面，主流方法包括等效电路模型（ECM）[15]和数据驱动方法（如LSTM、GRU等）。[16,17]。基于模型的方法具有物理可解读性，且数据需求较小。Wang等[18]提出了一种基于改进的二阶等效电路模型（SO-ECM）的反馈校正自适应卡尔曼滤波（FC-AKF）方法，用于在线预测锂离子电池全生命周期内的电荷状态（SOC）和闭路电压（CCV），从而提升锂离子电池的安全性和使用寿命。Zhang 等人[19]提出了基于半电池电磁力学的实时估计算法，用于估算锂离子电池的阳极电势和 SOC，提高了 SOC 估计的准确性。尽管基于模型的预测方法有一些优势，但它们需要模型参数的高精度和模型结构的合理性。它们可能会受到模型简化和参数变化在实际应用中的影响[20]。而数据驱动方法则可通过学习历史数据中的模式和规律性来处理复杂的非线性关系，且对模型结构和参数的依赖较小[21]。Chen 等人[22]提出了基于长短期记忆循环神经网络（LSTM-RNN）的锂离子电池 SOC 估计算法，以进一步提高 SOC 估计的准确性和稳定性。Hong 等人[23]提出了一种基于混合长短期记忆门控循环单元（LSTM-GRU）神经网络的多步前向预测方法，用于电动汽车电池系统的SOC预测。该方法在不同季节的真实车辆数据中稳定性良好且稳健，为电动车电池管理系统优化提供了有力支持。
在电力电池SOH估计领域，现有研究主要聚焦于容量降减和内阻增长这两个核心特征，方法可分为两类：模型驱动和数据驱动[24]。模型驱动方法通过构建电化学或等效电路模型来分析电池降解机制。Amir等人[25]提出了一种基于动态等效电路模型的锂离子电池SOH估计方法，结合了阿累尼乌斯方程，考虑温度对电池劣化的影响。虽然这些方法能够揭示电池老化机制，但高度依赖实验室校准数据，这使得适应真实充电场景中动态工作条件变得困难。而数据驱动方法则通过挖掘操作数据中的隐性特征来建立统计相关性。例如，Xu等人[26]提出了基于增量容量分析（ICA）和Transformer模型的锂离子SOH估计算法，该算法在不同环境温度和预测起点下具有高预测准确性和良好的温度适应性。Hamed等人[27]提出了基于ICA的锂离子电池SOH估计模型，利用模式识别算法从高速放电循环数据中提取特征，并通过三种回归模型（支持向量回归、多层感知器和随机森林）预测，实现SOH的高精度估计。Zhang 等人[28]提出了一种基于渐减电流、双重相关分析和GRU网络的SOH估计方法。该方法通过设计的电流激励模式提取更稳健的健康特征，利用双相关分析筛选关键输入，最终通过GRU网络进行估计，实现高精度的SOH估计。然而，现有的数据驱动研究大多依赖于机载BMS有限的数据维度，无法充分利用充电桩高频数据所暗示的劣化特性。
在电池故障诊断领域，研究重点是早期发现和预警典型故障，如短路、过载和锂沉降[29]，主要依赖机载BMS的电压、电流和温度三参数监测系统。例如，Yu等人[30]提出了一种基于改进ECM的电流传感器故障诊断方法。该方法以电压为输入，电流为输出，并利用不可追踪卡尔曼滤波器（UKF）估算故障电流。Sun等人[31]提出了一种基于统计分析的三层电压故障检测方法，利用Box-Cox变换进行数据归一化，并采用改良的K均值方法进行故障诊断。近年来，基于多源数据融合的故障诊断方法逐渐出现，例如张等[32]提出了基于电化学阻抗谱（EIS）和支持矢量机（SVM）的锂离子电池电解液泄漏故障诊断方法，能够准确诊断锂离子电池中的电解液泄漏。Sepasiahooyi 等人[33]专门研究了电动汽车新旧锂离子电池的故障检测，强调电池老化对故障特性、演化模式和检测阈值的影响。然而，现有方法仍面临单一数据源的问题，难以全面涵盖电池故障演化的复杂特征，且跨模型适应性差且缺乏通用性。
作为电动汽车的能源，充电桩近年来在电池安全领域展现出独特的研究价值[34]。其高频且连续的数据特性为突破传统BMS监测系统的局限性提供了新的技术路径。在数据收集层面，新型智能充电桩可提供20赫兹以上的高频数据，涵盖电压、电流、温度、湿度等多维信息[35]，为电池安全分析提供了更丰富的功能空间。在数据分析方面，研究主要聚焦于充电曲线特征提取和异常检测。例如，Dui 等人[36]提出了基于物联网的智能充电站故障预测方法。Sun 等人[37]提出了基于生成对抗网络（GAN）和随机森林（RF）的充电站异常数据检测框架GANRF。此外，充电桩数据也被用于用户行为分析和充电策略优化[38,39]。然而，其在电池安全领域的深入挖掘仍不充分，目前的研究主要从充电站整体出发，缺乏对单个电池特性的深入分析。例如，充电桩数据在电池老化分析和剩余寿命预测中的应用仍处于起步阶段，未能充分考虑电池在不同使用环境和工作条件下的老化特性。此外，充电桩数据在电池安全预警和风险评估中的研究也相对有限，缺乏对电池故障机制的深入探讨和故障特性的准确提取。如何深入探讨堆填数据的多维相关性特征，构建车桩协作的智能安全管理框架，仍是一个亟需突破的关键科学问题。
然而，必须理解充电桩提供的数据内容、频率和质量，根本受车辆与充电桩之间通信协议标准的限制。全球有多种主流标准，设计目标和技术方法各异，直接影响基于充电桩数据进行电池安全分析的潜力和局限性。在中国，现行强制性国家标准GB/T 27930是主导协议。该协议优先确保充电安全和互操作性，要求消息交换周期最低为50毫秒。在国际上，ISO 15118和CHAdeMO等协议被广泛采用。值得注意的是，ISO 15118理论上支持更灵活、可定制的数据服务，提供了更多协议层的高频数据交换和高级诊断可能性。CHAdeMO协议在某些版本中还定义了相对丰富的信息交换数据标识符。中国标准强调稳定性和统一性，确保大规模基础设施的可靠互联。然而，国际标准则展现了对数据服务丰富性和灵活性的更远见。澄清这一技术背景至关重要，因为这意味着当前的研究本质上探讨了在现有协议约束下安全管理功能的上限。同时，它也指向未来方向：随着协议演进和“边缘计算”模型的引入，充电站的数据价值预计将进一步提升。
- 1)
对填充桩数据的深入利用：由于该协议，从充电堆收集的数据项目少于从车辆收集的数据。然而，本研究充分利用充电桩数据的高时间分辨率（1-Hz）和连续特性，深入探讨其中的电池信息。开发高效的数据处理和分析方法为电池安全评估提供更丰富的数据支持。 - 2)
关于电池安全管理的新视角：本研究从充电桩数据的角度提出了电力电池安全管理的新视角。通过分析充电过程中的电压、电流和温度等多维数据，能够预测电力电池的状态、SOH估计和故障诊断，为电池安全管理提供了新的理论基础和技术方法。 - 3)
提出车辆-堆叠交互优化策略：本研究提出了一种车辆-堆叠交互识别策略，解决收费堆收集有限数据项且通常无法获得车辆识别号（VIN）以识别车辆类型的问题。将电动汽车充电数据与充电桩数据库匹配，有效识别车辆类型。基于此，可以实现更精准的电动车安全管理。