基于实车运行数据的多指标一致性融合评估方法与双层诊断策略

《Energy》：A Multi-Indicator Consistency Fusion Evaluation Method and Dual-Layer Diagnostic Strategy Based on Real Vehicle Operation Data

　　孟丽|洪继超|周立涛|张昊天|张雷|裴佳琪|陈贤平|魏凌军|何星|陈中伟
中国北京100083，北京科技大学机械工程学院

摘要：为解决电动汽车动力电池在复杂运行条件下的电芯一致性下降及热失控风险问题，同时应对实际离线数据中缺乏电芯级电量状态信息的问题，本研究提出了一种基于长期车辆运行数据驱动的电芯级电量状态重建方法，以及一种多指标融合的双层分级诊断策略。首先，构建了一种准开路电压重建方法，利用长期运行数据估算电芯级电量状态。在正常运行条件下，该重建方法得到的1号电芯和53号电芯的QOCV–SOC关系R2值分别为0.98593和0.98555。当纳入热失控数据后，53号电芯的R2值显著降至0.23804，表明电压–电量状态关系出现严重扭曲。随后利用重建得到的电量状态来量化各电芯之间的一致性差异。接着，引入改进的局部异常因子算法，综合考虑局部邻域特征以检测电压异常。为全面评估电池风险，采用基于AHP的融合模型，将电量状态偏差、电压异常因子值以及故障发生频率整合为统一的风险评分。最后，引入基于温度的安全阈值机制，用于区分渐进性退化与热失控状况。通过实际电动汽车运行数据验证，所提框架具有有效性。该策略为电动汽车电池的一致性评估与安全预警提供了高效且易于理解的解决方案。

引言：随着电动汽车应用的不断扩展，动力电池系统的可靠性与安全性已成为全生命周期车辆管理中的核心问题[1][2]。电池组由多个串联和并联的电芯组成。在制造公差、温度场变化、老化速率不均以及均衡策略差异的共同影响下，电芯之间很容易出现参数不一致现象[3][4]。一致性下降不仅会降低电池的可用容量和能量利用率，还会导致性能较差的电芯过早达到电量状态和电压极限，从而触发保护机制，加速整个电池组的性能衰退。在极端情况下，电芯异常还可能通过热电耦合途径演变为更严重的安全风险[5]，在严重情况下甚至可能引发热失控。在热失控过程中，会出现复杂的气体生成、积聚和释放现象，这些现象被认为是理解热失控多维度演化过程以及制定有效抑制和缓解策略的关键因素[6]。相应地，一些最新研究指出，气体积聚和电芯膨胀引起的机械响应可能成为检测热失控的潜在早期预警指标[7]。从过程安全与环境保护的角度来看，在大规模电池应用中，抑制热失控的蔓延并减轻其危害也日益受到重视[8]。因此，在实际车辆运行条件下开展可解释且易于实施的电芯一致性诊断，对于运维预警及安全管理具有重要的工程价值[9]。需要指出的是，不同类型的动力电池在安全特性和故障演化路径上存在显著差异。虽然磷酸铁锂电池通常被认为具有更好的热稳定性，但最新研究表明，大容量磷酸铁锂电池在受到热滥用时仍面临较大的热失控风险，其中加热功率[10]和加热位置[11]会显著影响内部热量传播速度和峰值温度特征。这些发现表明，即使是对传统上认为相对安全的电池类型，热失控依然是一个重要的安全问题。与磷酸铁锂电池相比，三元锂电池虽然能量密度更高，但热稳定性相对较低，因此更容易受到滥用和各种安全威胁的影响。此外，三元锂电池对高电量状态、电芯一致性下降以及过充、内部短路等异常运行条件的敏感度也更高。这些特点使得在实际车辆运行条件下对三元锂电池组进行一致性评估和分级诊断尤为重要。从方法论角度来看，本研究提出的电量状态重建策略依赖于从准静止运行数据构建QOCV–SOC映射关系，其可靠性取决于电压–电量状态关系的可区分性。这一前提在三元锂电池中更容易满足，而磷酸铁锂电池由于电压平台较平缓，电压对电量状态变化的敏感度较低，限制了该方法的直接应用。因此，聚焦于三元锂电池系统既符合本研究以安全为目标的定位，也与所提出的基于电压的电量状态重建方法的应用前提相契合。

目前，关于动力电池电芯一致性诊断的研究主要依赖于可直接测量的运行参数，其中最常用的是单维电芯电压。这类研究包括在受控实验室条件下的验证，以及基于实际车辆运行数据进行的工程应用。相关方法大致可分为两类：统计与经验规则方法，以及数据驱动方法。统计与经验规则方法通过分析群体离散程度或偏差，并结合阈值策略来进行异常检测[13]，常用的指标包括极差、标准差、变异系数以及越界率[14]。洪等人[15]提出了一种适用于车载边缘计算的多尺度归一化变异系数诊断方法。该方法通过对数变换放大细微差异，量化每个电芯相对于整个电池组在滑动窗口内的相对波动程度，从而实现实时一致性评估。彭等人[16]提出了一种基于异常因子的电芯一致性评估与故障诊断方法。该方法首先使用Savitzky-Golay滤波去除噪声，再通过多项式拟合得到电压偏差，进而将其滑动标准差作为异常因子，最后利用样本熵阈值实现实时一致性评估与早期故障检测。尽管统计与经验规则方法实现简单且易于理解，但在面对复杂的运行干扰时，其在提前识别渐进性退化方面的能力可能较为有限。

数据驱动方法一般不依赖明确的机理模型，而是利用收集到的实际车辆时间序列数据[17][18]，通过特征工程提取能够反映电芯差异的健康指标，进而进行异常检测和模式识别。典型流程包括对充电和放电数据进行运行条件分割和滑动窗口处理，之后构建斜率、微分、增量等统计特征，以及相关性系数[19]和动态时间规整[20]等轨迹相似性特征。模型最终输出异常分数或分类结果。从学习范式的角度来看，监督学习依赖于充足且可靠的故障标签，且容易受到类别不平衡和标签噪声的影响。相比之下，无监督学习和半监督学习则能在无标签或仅有正常样本的情况下学习群体分布和邻域结构，因此更适合那些标注有限的实际车辆检测场景[21][22]。为了解决运行过程中电芯一致性增加导致的电动汽车电池组性能下降和使用寿命缩短问题，王等人[23]提出了一种结合孤立森林算法与容量增量分析的无监督方法。该方法利用从实际车辆中采集的随机充电数据段，进行电芯异常检测和退化机制分类，从而实现从宏观一致性评估到微观机制诊断的闭环分析。刘等人[24]则着眼于在温度、充电模式和电芯一致性共同作用下的内部短路问题，这类问题往往会导致误报和漏检。他们提出了一种基于相邻循环充电曲线一致性假设的双层比较策略。此外，还有基于信号处理的方法被用于从电池运行数据中提取早期故障特征。例如，小波包能量比例分析通过捕捉电压信号中的细微能量分布异常，实现了对锂离子电池故障的早期预警[25]。数据驱动方法容易受到运行条件变化以及温度和充放电速率耦合效应导致的分布偏移影响，而且模型的可解释性往往也较为有限。因此，这些方法通常需要经过运行条件筛选、特征归一化和阈值校准，以提高其稳健性和实际应用性[26]。

与电压相比，电量状态指标能更直接地反映每个电芯的可用容量和能量状态。在渐进性退化过程中，它可能比电压异常更早地揭示出存在潜在风险的电芯。张等人[27]针对退役磷酸铁锂电池模块中难以在线准确量化电量状态一致性的问题进行了研究，由于电压平台平坦和强烈的极化效应，难以进行可靠评估。他们提出了一种基于动态可重构电池系统的电量状态一致性评估方法。该方法通过电压和电流筛选、线性插值以及均值滤波计算变异系数，再将结果转换为基于百分比的一致性得分。崔等人[28]提出了一种基于开路电压与电压分压比方案的低复杂度在线识别策略。该策略利用扩展卡尔曼滤波递归重建电芯的开路电压–电量状态曲线，以估算电池容量和初始电量状态，同时采用均值漂移方法来抑制局部数据丢失以及滤波器产生的异常值。实验结果表明，该策略的容量误差不超过3.2%，电量状态误差不超过1.6%。为了解决由于参数分散导致串联电池组能量利用率下降的问题，张等人[29]建立了一个多项式模型，描述开路电压标准差与累计容量之间的关系。通过二分法将开路电压分布映射到电量状态分布上，从而估算能量利用率。夏等人[30]则解决了生产线电芯分选时未考虑多参数耦合的问题，这一问题会导致电池组装后的电量状态出现偏差。他们提出了一种整合动态与静态特性的多参数分选策略。实验结果显示，在NEDC和UDDS运行条件下，经该策略分选的电池组电量状态标准差比随机分选的电池组低一个数量级，这表明该方法显著提升了电池组的一致性。

然而，由于缺乏电芯级电量状态数据，实际车辆的一致性评估面临着固有挑战。车载电池管理系统通常仅记录电池组级的电量状态和电芯电压，缺乏独立的电芯级电量状态数据序列。因此，大多数电量状态一致性诊断研究都集中在仿真分析[31][32]，或是在额外部署传感器的情况下进行的实验室测试[33][34]，这限制了该方法在大规模实际车辆数据场景中的直接应用。与电压、电流和温度这些可直接测量的物理量不同，电芯级电量状态属于内部状态变量，需要通过算法进行估算。但目前实际车辆数据中通常只有电池组级的电量状态和电芯电压，没有独立的电芯级电量状态数据序列。这种数据限制迫使传统的诊断方法只能依赖电压或温度指标，从而限制了多指标一致性诊断的应用。

为应对上述挑战，本研究提出了一种适用于没有电芯级电量状态测量数据的场景的电量状态重建与一致性评估策略。该方法利用实际车辆运行中的静止状态和准静止状态时段，提取电芯电压与电池组级电量状态的一对样本，为电芯级电量状态估算提供数据驱动的基础。具体而言，首先识别静止运行状态，构建一个将电压映射到电量状态的离散样本集。然后按电压升序对这些样本进行排序，以确保物理上的单调性。当样本数量和电压覆盖范围满足预设要求后，再通过线性插值生成连续的映射函数。这种方法能够基于电压实现电芯级电量状态的平滑估算，减少对实验室开路电压校准的依赖，同时为后续评估提供可重复的电芯级电量状态序列。此外，该研究还对比分析了在热失控等极端条件下，稳态映射关系可能出现的破坏情况。利用正常运行条件下收集的长期数据构建更为稳健的映射关系，从而确保模型在评估健康电芯和异常电芯时的稳健性与一致性。

在此基础上，本研究建立了基于多指标融合的双层分级诊断策略。第一层是运维层，旨在识别电池的退化情况。该层通过三种并行指标来评估电芯级风险，包括表示每个电芯相对于整体群体的持续偏差的电量状态偏差程度、基于局部异常因子的电压异常程度，以及电量状态极值电芯的出现频率。这些指标共同识别出高风险电池，重点用于早期预警电池的渐进性退化。第二层为安全层，其功能是作为热异常触发机制，旨在对热失控的快速发作作出响应。考虑到在热失控初期，温度异常因素的敏感度可能不足，该层采用了基于绝对温度阈值、温度上升速率以及持续时间的多重触发逻辑。这两层之间的协同工作机制如下：当未触发热异常时，系统主要依靠运维层的一致性诊断来提供排查指导；一旦满足热异常触发条件，系统立即进入热失控风险预警状态，并结合一致性证据进行故障定位与分析。这种将早期一致性诊断与热异常触发预警相结合的分级策略，能够有效覆盖从渐进性退化到突发热失控的全范围异常演变过程，适用于实际车辆运行环境。整体研究框架如图1所示。需要说明的是，所提出的框架是基于三元锂电池组的实际运行数据开发并验证的。由于三元锂电池在较宽的SOC范围内具有较为陡峭的电压-SOC关系，因此可以有效地通过车辆运行数据构建QOCV-SOC映射关系。而磷酸铁锂电池则存在较长的电压平台期，这降低了电压对SOC变化的敏感性，使得可靠的SOC重建更为困难。因此，本研究聚焦于三元锂电池系统，未来再拓展到其他电池类型则是值得研究的课题。

本研究解决了在实际车辆数据条件下无法获取单电池级SOC的问题，提出了一种构建单电池级SOC的实用方法，以及基于多指标融合的双层分层诊断框架。主要贡献如下：(1)提出了一种针对实际离线数据的单电池级SOC构建方法。为了解决实际离线数据集中缺乏单电池级SOC的问题，该方法基于静止状态和准静止状态段来构建单电池级的QOCV-SOC映射关系，同时通过单调性约束和插值方法实现从电池电压到单电池级SOC的连续估算。该方法能够生成可重复的单电池级SOC序列，为后续的一致性评估提供支持。(2)分析了极端运行条件对映射可靠性的影响，并提出了稳健的构建原则。诸如热失控之类的极端情况可能会打破稳态下的映射关系，因此引入了稳健性原则，即利用正常运行状态下的长时长数据来构建映射关系。这一策略可避免因异常时段导致的曲线形状失真及误差放大，从而确保无论是健康电池还是异常电池，其映射关系的适用性与可靠性都能保持一致。(3)建立了一种用于一致性诊断的多指标融合机制。由于一致性退化会呈现多种不同模式，且单一指标容易出现偏差，因此设计了包含SOC偏差、电压异常程度以及处于SOC上下限的电池出现频率在内的多证据系统。该机制有助于更早地识别渐进性退化，提升异常电池定位的可解释性，进而实现更稳定的整体一致性判断以及高效的高风险电池识别。(4)提出了一种基于多指标融合的双层协同分层诊断策略。该策略建立了由运维层和安全层构成的双层诊断系统：运维层侧重于早期识别一致性退化并提供检修指导，而安全层则注重快速触发热异常检测与风险预警。两层在决策阶段相互配合，形成适合实际车辆场景的分层诊断与预警输出方案。

本文结构如下：第2节介绍实际车辆数据的来源、数据特征及数据预处理方法；第3节阐述单电池级SOC的构建方法；第4节阐述映射关系的构建原则；第5节描述多指标一致性评估方法；第6节提出基于多指标融合的双层分层诊断策略；第7节总结研究内容并探讨未来工作方向。

数据来源
本研究使用的实际车辆运行数据来自某企业的商用车大数据平台。该动力电池数据集包含了车辆状态、充电状态、总里程、总电压、总电流、SOC、GPS时间戳、单电池电压以及探针温度等关键运行参数。车辆状态与充电状态的组合包括发动机运转且未充电、发动机关闭且未充电、发动机关闭且处于停车充电状态，以及发动机关闭状态。

研究方法
本研究使用的实际数据集中不包含单电池级的SOC数值。与总电压、单电池电压、电流和温度等可直接测量的变量不同，SOC无法直接测量，必须通过估算获得。在进行SOC一致性评估之前，首先需要确认电池单元是串联连接的，最直接简单的验证方法就是求和法——在每个时间点t，计算所有单电池电压Vi(t)的总和。

映射数据选择
为探究不同工况以及热失控事件对电池单电池QOCV-SOC映射关系的影响，本节基于经过处理的实际车辆数据构建了四种数据集方案，进而设计了多种对比分析场景。四种基本的数据集方案定义如下：方案1为单个窗口的正常运行数据（图4(a)），即预处理后的第一个数据窗口（数据行数少于10,000行）。

基于极值SOC电池指标的宏观一致性分析
通过统计估算得到的单电池级SOC值，从两个方面诊断和评估电池组的一致性：即SOC值处于最大值和最小值的对应电池的状态变化趋势，以及各电池之间SOC偏差的分布情况。图14展示了随着时间变化，SOC值处于最大值和最小值的对应电池指标的变化情况，反映了在整个运行过程中，哪些电池更频繁地出现为“上限电池”或“下限电池”。

基于多指标融合的双层分层诊断策略
根据前述离线运行数据的分析结果，为构建在线一致性诊断与预警策略提供了重要依据。之前的分析表明，仅靠单一指标不足以捕捉实际车辆运行条件下电池组多样的异常演变模式。一方面，正常运行条件下构建的QOCV-SOC映射关系能够实现电池状态的稳定估算。

结论与展望
本研究解决了实际车辆运行数据中缺乏单电池级SOC测量值的问题，提出了一种基于实际车辆数据的单电池级SOC重构方法，进而建立了基于多指标融合的双层分层诊断策略。该策略能够实现从渐进性一致性退化到突发热失控风险的层级化识别。首先，利用实际车辆运行数据中的静止状态和准静止状态段来构建……

CRediT作者贡献声明
何星：研究工作。陈忠伟：写作——审稿与编辑、指导、研究工作。李萌：写作——审稿与编辑、初稿撰写、方法论、研究工作、概念设计。洪吉超：写作——审稿与编辑、指导、方法论、资金筹集、数据管理。周立涛：写作——审稿与编辑、研究工作。张浩天：验证、研究工作。张雷：研究工作。裴佳琪：研究工作。陈先平：研究工作。魏凌军：利益冲突声明

作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
本项目部分得到了广东省基础与应用基础研究基金（编号2024A1515012804）、北京诺瓦计划（编号0250484955和20230484272）、中央高校基本科研业务费（编号FRF-IDRY-GD23-005），以及教育部汽车零部件先进制造技术重点实验室开放基金（编号2022KLMT03）的支持。