用大数据给电池“看病”，不靠复杂模型，用数据挖掘实现故障预警

电动汽车越来越多，但电池安全问题一直是大家关心的焦点。锂离子电池虽然能量密度高、自放电率低，可一旦发生热失控，后果不堪设想。为什么电池容易出问题？一方面，它对电压和温度非常敏感，工作窗口很窄；另一方面，随着充放电次数增加，电池会老化，容量下降、内阻上升，不一致性也会加剧，从而引发过充、过放甚至内部短路。

现在，许多电动汽车都接入了监控平台，能采集到海量的运行数据。有没有办法利用这些数据，提前发现电池异常、定位故障单体，甚至预警潜在风险呢？昆明理工大学交通工程学院、重庆大学机械与运载学院的申江卫、岩川等学者，提出了一种新方法，结合数据挖掘与大数据分析，实现了对电池异常的高效检测与定位。

图1 纯电动乘用车数据类型

他们先利用t-SNE技术对电池历史数据进行可视化降维，再结合K均值聚类和Z分数方法，设计出一个“电压异常诊断系数”，可以精准找出哪个电池单体出了问题。同时，还引入熵权-变异系数法，对不同单体的异常程度进行综合评估。

图2 异常检测与诊断流程

其次，采用3σ-MSS算法，以概率方式判断电池端电压是否异常，并通过统计方法对故障类型进行分类，实现从时间维度上诊断系统故障。

为了验证方法的有效性，研究者还对比了局部离群因子（LOF）和聚类离群诊断（COF）两种常用方法，结果证明他们提出的模型更准确、更稳定。

图3 单体电池异常程度评估策略

他们基于某监控平台上四辆电动汽车三年的运行数据，进行了实车分析，并特别关注了季节变化对电池故障率的影响。结果发现，春季单体电池最高故障率为1.99%，平均为1.54%；夏季最高为4.95%，平均为4.31%；秋季最高为3.67%，平均为3.07%；冬季最高为9.52%，平均为4.59%。

可以看出，夏、冬两季的故障率明显高于春、秋。这也提醒我们，在极端温度季节，要加强对电池状态的监控与维护。

此外，研究还发现，有一小部分车辆的电池电压频繁超出3σ区间，故障概率超过15%，且位置不固定，很可能是因为突发事故；而大部分车辆故障率低于2%，且故障位置固定，可能与设计缺陷有关。

这种方法最大的优势是不需要建立复杂的电池模型，容易实现，效率高，鲁棒性强，能完成从检测、定位到诊断的全流程分析。

未来，团队还将继续探索如何在夏季和冬季进一步降低故障发生率，并致力于实现对突发故障的提前预警。相信随着大数据技术的不断融入，电动汽车的电池安全管理会越来越智能。

本工作成果发表在2024年第24期《电工技术学报》，论文标题为“基于数据挖掘与大数据分析的电池故障诊断与异常检测”。本课题得到云南省基础研究计划项目、国家自然科学基金项目和昆明理工大学自然科学研究基金项目的支持。