电动车国标再修订，谈谈机器学习如何提高电池安全性

2024年11月，三部电动自行车强制性国家标准正式实施。三部标准分别指向电动车的电气部件、充电器和电池。

关于电池的《电动自行车用锂离子蓄电池安全技术规范》5.2.6条提出：电池组在充电、放电过程中应至少实时采集以下数据:电池电压,电池组总电压、温度、电流。

换句话说，电池组必须要配备电池管理系统。

根据工信部4月底数据，国内电动自行车的保有量已超过3.5亿辆。意味着每四个人就拥有一辆电动自行车，成为国民第一交通工具。

但电动自行车带来的安全挑战也愈发严峻。

国家消防局5月底数据，近三年电动自行车火灾数量年均增长20%。2024年前五个月，国内发生电动自行车火灾10051起。

起火主要由电池引起，电动自行车用的电池有铅酸电池和锂离子电池两类。

从成本角度看。铅酸电池能量密度低，大约只有锂离子电池的四分之一，故较为笨重。但胜在便宜，市占率超过八成，绝对的主流。

从安全角度看。根据国家消防救援局公布的7月统计报告，在电动自行车引起的火灾中，锂离子电池有622起，占比82.1%。

总结：锂离子电池以不足两成的市占率，“贡献”了全国超八成的电动自行车火灾。

三、锂离子电池为何不安全？

铅酸电池正极为二氧化铅，负极为铅，电解液为稀硫酸。

三种物质均非可燃物，因此很难燃烧。除非严重过充，电解液发生电解反应产生氢气，遇到火花或高温发生爆炸。

锂离子电池的正极为钴酸锂、锰酸锂或磷酸铁锂等锂盐，负极为石墨，正负极通过隔膜分开。

电解液为有机溶剂，可燃物。当电池发生老化、高温或撞击时，隔膜被刺穿，正负极短路。能量瞬间释放，电解液成为“燃料”起火燃烧。

相比铅酸电池，锂离子电池尽管不安全，但能量密度高是其最大优点。在对重量和容量更敏感的电动汽车领域，锂离子电池可谓一统天下。

三、何为电池管理系统？它如何提高锂电池安全？

电池管理系统（Battery Management System，BMS）俗称电池管家，核心功能除了开篇提到的电池物理参数实时监测、充放电管理和热管理，还包括电池状态估计。

从内因加外因，采用限制加预防的方式，防止电池老化失控，尤其是热失控。

目前偏高端的锂电自行车才会安装BMS，低端电动车普遍使用电池保护板。

保护板具有检测单体电芯、放过充的基本功能，但它和BMS之间依然类似功能机和智能机的差距。

相比电动自行车，电动汽车的动力电池容量更大，电压电流更高。串并联的电芯数量也更多，每个电芯的状态都会影响整体状态。

因此，电动汽车配置的BMS功能也更加完善，技术难度更高。尤其是电池包的状态估计，可谓难上加难。

很多人担心的电池老化，即“不存电”，就是电池需估计的状态参数之一。

锂电池充放电过程并非纯可逆过程，其电极材料在每次充放电过程中都会受到不可逆的损伤 ，电池有效容量出现衰退。

按照新能源汽车国家标准，电池容量衰减至额定容量的80%以下时就将面临退役。

电池健康状态（State of Health，SOH）是衡量电池是否老化的重要指标，其定义为电池当前实际容量与额定容量的比值。

除了电池老化，每位电车司机都会时刻关注汽车的剩余电量，没电了及时充电，否则会焦虑，脑门冒汗。那么如何知道电池当前的剩余电量？

此时就要看电池荷电状态（State of Charge，SOC），它指的是一定温度下，电池剩余电量与标称电量之比，即我们关心的剩余电量百分比。

SOH和SOC之所以需要“估计”或者说“预测”，是因为它们无法像温度那样用传感器测量得到。

并且，锂离子电池是一种高度非线性时变的电化学系统，其内部状态受到温度、倍率、外力和时间等因素的耦合影响。

面对此难题，业界常用的估计方式主要有三种：基于实验的估计方法、基于模型的估计方法和基于数据的估计方法。

基于实验的估计方法，通过测量电流、电压、电阻等实际数据，或者拆解电池分析其内部结构评估电池状态。结果准确，可分析电池老化机理。但需要特定测试设备，周期长成本高，基本上停留在实验室阶段。

基于模型的评估方法，通过构建锂离子电池电化学模型或等效电路模型，模拟电池内部复杂的化学反应过程，可精准描述锂离子的扩散和迁移。但运算量大，对算力要求高，并且需要工程师具有拿得出手的理化知识。

基于数据的评估方法，将各种因素对电池状态的影响当作“黑盒”，不考虑其物理原理，通过分析已有数据来建立影响因素和SOH、SOC之间的对应关系。

近年来由于机器学习算法的进步，基于数据的评估方法在预测精度和时效性上有了大大提高，成为电池状态估计的热门研究方向。

我司开发的DTEmpower，正是一款专业的智能数据建模软件。

它围绕数据清理、特征生成、敏感性分析、模型训练和时序预测等数据建模的各个环节，提供了大量算法。

建模方式包括便捷的一键向导式建模和专业模式建模。向导模式无需拖拽任何节点，一键即可搭建完整的建模流程，完成模型训练。

专业模式提供图形化的建模开发环境，所有算法均可通过拖拽方式调用，通过连线进行数据传递。

具体而言，你可直接通过电容、内阻、阻抗、循环周期等特征参数构建数据模型，预测电池SOH和SOC。

DTEmpower独创的AIOD算法能一键识别并清理表现异常的样本，保证模型的泛化程度。

软件独创的AIAgent专门服务工业小规模数据集，可做到智能分层分类，使用不同置信度来源数据，保证极小化代理构建成本，极大降低使用门槛。

此外，DTEmpower还支持嵌入机理模型，比如反映化学反应速率随温度变化关系的阿伦尼乌斯公式，就可用来改善模型的精度，提高模型的可解释性。

锂电池BMS研发工程师不妨一试，您可进入南京天洑软件官网下载，自动免费试用30天，到期之后参与活动还可申请免费延期。

希望我们的工具能为新能源的安全性提升做一点微小的贡献。