车云协同下动力电池多级安全管理方法研究

doi:10.19562/j.chinasae.qcgc.2025.06.003

摘要/Abstract

摘要：

为解决新能源汽车动力电池的热失控安全问题，本文提出了一种车云协同的多时间尺度动力电池安全管理方法。在短时间尺度上，车端电池管理系统采用值-率模型和电压二维故障特征提取，实现对电池包异常值和不一致性的实时诊断与报警。长时间尺度上，云端利用大量历史数据和车端预警信息，结合改进香农熵、多尺度模糊熵和异常系数的方法，基于传入数据进行热失控的趋势预测。最后，基于实际热失控车辆的历史数据验证表明，该方法在云端至少提前5天发出预警，实现动力电池车-云两端长短时域协同多级管理。

关键词: 动力电池, 热失控, 车云协同, 电池管理, 多熵融合

Abstract:

In order to solve the problem of thermal runaway safety of power batteries in new energy vehicles， in this paper a multi time scale safety management method for batteries based on vehicle-cloud collaboration. On the short time scale， the value-rate model and two-dimensional fault feature are employed for the real-time diagnosis of outliers and inconsistencies pertaining to battery packs on the vehicle-end battery management system. On the long-timescale， the cloud utilizes a substantial quantity of historical data and information about vehicle-end warnings， combined with improved Shannon entropy， multi-scale fuzzy entropy， and anomaly coefficient methods， to predict the trend of the thermal runaway based on incoming data. Finally， validation based on historical data from actual thermal runaway vehicles shows that the proposed method can issue early warnings on the cloud at least five days in advance， achieving multi-level management of the long and short time domain collaboration between the vehicle and cloud ends of power batteries.

Key words: power batteries, thermal runaway, vehicle-cloud collaboration, battery management, multi-entropy fusion

成林穗,杨继斌,邓鹏毅,武小花,徐晓惠,邓柯. 车云协同下动力电池多级安全管理方法研究[J]. 汽车工程, 2025, 47(6): 1037-1047.

Linsui Cheng,Jibin Yang,Pengyi Deng,Xiaohua Wu,Xiaohui Xu,Ke Deng. Research on Multi-level Safety Management Method of Power Battery Under Vehicle-Cloud Collaboration[J]. Automotive Engineering, 2025, 47(6): 1037-1047.

图/表 20

图1

表1

图2

图3

图4

图5

图6

图7

表2

图8

图9

图10

图11

图12

图13

表3

图14

图15

图16

图17

参考文献 30

1	MA M， DUAN Q， LI X， et al. Fault diagnosis of external soft-short circuit for series connected lithium-ion battery pack based on modified dual extended Kalman filter［J］. Journal of Energy Storage， 2021， 41： 102902.
2	ZHANG H， LI S， CHEN F， et al. Battery voltage fault diagnosis for electric vehicles considering driving condition variation［J］. IET Intelligent Transport Systems， 2024， 18（4）： 574-590.
3	HAN W， ZOU C， ZHOU C， et al. Estimation of cell SOC evolution and system performance in module-based battery charge equalization systems［J］. IEEE Transactions on Smart Grid， 2018， 10（5）： 4717-4728.
4	WANG Q， WANG Z， ZHANG L， et al. A novel consistency evaluation method for series-connected battery systems based on real-world operation data［J］. IEEE Transactions on Transportation Electrification， 2020， 7（2）： 437-451.
5	李达，邓钧君，张照生，等.电动车辆动力电池安全预警策略研究综述［J］.汽车工程，2023，45（8）：1392-1407.
	LI D， DENG J J， ZHANG Z S， et al. A review of safety early warning strategies for power batteries in electric vehicles［J］. Automotive Engineering， 2023， 45（8）： 1392-1407.
6	LI D， ZHANG Z， LIU P， et al. DBSCAN-based thermal runaway diagnosis of battery systems for electric vehicles［J］. Energies， 2019， 12（15）： 2977.
7	QIAO D， WANG X， LAI X， et al. Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method［J］. Energy， 2022， 243： 123082.
8	FAN X， ZHANG W， SUN B， et al. Battery pack consistency modeling based on generative adversarial networks［J］. Energy， 2022， 239： 122419.
9	MA Z， HUO Q， WANG W， et al. Voltage-temperature aware thermal runaway alarming framework for electric vehicles via deep learning with attention mechanism in time-frequency domain［J］. Energy， 2023， 278： 127747.
10	WANG Y， HAN X， XU X， et al. A comprehensive data-driven assessment scheme for power battery of large-scale electric vehicles in cloud platform［J］. Journal of Energy Storage， 2023， 64： 107210.
11	LI A F， MIN B Y， ZHANG C Y， et al. Evaluation method for consistency of lithium-ion battery packs in electric vehicles based on the Mahalanobis-Taguchi system［J］. Journal of Energy Storage， 2024， 78： 110045.
12	杨世春，周思达，周新岸，等.动力电池云端管理关键技术研究综述［J］.机械工程学报，2023，59（10）：134-151.
	YANG S C， ZHOU S D， ZHOU X A， et al. Research progress of cloud management for power batteries on electric vehicles［J］. Journal of Mechanical Engineering， 2023， 59（10）： 134-151.
13	XU C， LI L， XU Y， et al. A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries［J］. eTransportation， 2022， 12： 100172.
14	洪吉超，梁峰伟，杨海旭，等. 大数据驱动动力电池智能安全管理与控制方法研究［J］. 汽车工程， 2023， 45（10）： 1845-1861， 1907.
	HONG J C， LIANG F W， YANG H X， et al. Research on big data-driven intelligent safety management and control methods for power batteries［J］. Automotive Engineering， 2023， 45（10）： 1845-1861， 1907.
15	TIAN J， FAN Y， PAN T， et al. A critical review on inconsistency mechanism， evaluation methods and improvement measures for lithium-ion battery energy storage systems［J］. Renewable and Sustainable Energy Reviews， 2024， 189： 113978.
16	YUAN H， CUI N， LI C， et al. Early-stage internal short circuit fault diagnosis for lithium-ion batteries based on local-outlier detection［J］. Energy Storage， 2023， 57： 106196.
17	国家市场监督管理总局，国家标准化管理委员会. 电动汽车远程服务与管理系统技术规范：GB/T 32960—2016 ［S］. 2016.
	State Administration for Market Regulation， Standardization Administration of the People's Republic of China. Technical specification for remote service and management system for electric vehicles： GB/T 32960—2016 ［S］. 2016.
18	SHANNON C E. A mathematical theory of communication［J］. The Bell System Technical Journal， 1948， 27（3）： 379-423.
19	WEAVER W. The mathematics of communication［J］. Communication Theory， 2017， 12： 27-38.
20	RICHMAN S J， MOORMAN J R. Physiological time-series analysis using approximate entropy and sample entropy［J］. American Journal of Physiology-Heart and Circulatory Physiology， 2000， 278（6）： 2039-2049.
21	姜建国，杨效岩，毕洪波.基于VMD-FE-CNN-BiLSTM的短期光伏发电功率预测［J］.太阳能学报，2024，45（7）：462-473.
	JIANG J G， YANG X Y， BI H B. Photovoltaic power forecasting method based on VMD-FE-CNN-BiLSTM［J］. Journal of Solar Energy， 2024， 45（7）： 462-473.
22	BANDT C，POMPE B. Permutation entropy： a natural complexity measure for time series［J］. Physical Review Letters， 2002， 88（17）： 174102.
23	HONG J， WANG Z， CHEN W， et al. Multi‐fault synergistic diagnosis of battery systems based on the modified multi-scale entropy［J］. International Journal of Energy Research， 2019， 43（14）： 8350-8369.
24	ZHANG X， HONG J， XU X. Fault diagnosis of real-scenario battery systems based on modified entropy algorithms in electric vehicles［J］. Journal of Energy Storage， 2023， 63： 107079.
25	HONG J， WANG Z， QU C， et al. Fault prognosis and isolation of lithium-ion batteries in electric vehicles considering real-scenario thermal runaway risks［J］. IEEE Journal of Emerging and Selected Topics in Power Electronics， 2023， 11（1）： 88-99.
26	HONG J， WANG Z， MA F， et al. Thermal runaway prognosis of battery systems using the modified multiscale entropy in real-world electric vehicles［J］. IEEE Transactions on Transportation Electrification， 2021， 7（4）： 2269-2278.
27	刘启全，马建，赵轩，等.基于优化熵算法的真实场景下电动汽车动力电池系统故障诊断［J/OL］.中国公路学报，2024，37（10）：233-248.
	LIU Q Q， MA J， ZHAO X， et al. Fault diagnosis of power battery system for electric vehicles based on optimized entropy algorithm in real scenarios ［J/OL］. China Journal of Highway and Transport， 2024， 37（10）： 233-248.
28	LI D， LIU P， ZHANG Z， et al. Battery thermal runaway fault prognosis in electric vehicles based on abnormal heat generation and deep learning algorithms［J］. IEEE Transactions on Power Electronics， 2022， 37（7）： 8513-8525.
29	ZHANG L， GAO T， CAI G， et al. Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm［J］. Journal of Energy Storage， 2022， 49： 104092.
30	LI D， ZHANG Z， LIU P， et al. Battery fault diagnosis for electric vehicles based on voltage abnormality by combining the long short-term memory neural network and the equivalent circuit model［J］. IEEE Transactions on Power Electronics， 2020， 36（2）： 1303-1315.

数据分类	字段名称	字段定义
整车数据	yr_modahrmn、speed、vehicle_state、charging_status、Mode、total_volt、total_current、mileage、standard_soc	采集时间、车速、车辆状态、充电状态、运行模式、总电压、总电流、行驶里程、SOC
可充电储能装置	cell_volt_list、cell_temp_list	单体电压列表、单体温度列表
报警标志	max_alarm_lvl、alarm_info	最高报警等级、通用报警标志

危险等级	VDI阈值范围	CND阈值范围
L0	（0，1.2）	（0，10）
L1	（1.2，2.2）	（10，50）
L2	（2.2，+∞）	（50，100）

危险等级	A阈值范围
L0	（0，0.1）
L1	（0.1，0.2）
L2	（0.2，+∞）

[1]	李晓宇,赵深,田君,张松立,朱艳丽. 极端温度冲击下锂离子电池热失控建模及安全边界研究[J]. 汽车工程, 2025, 47(6): 1022-1036.
[2]	禹进,郭川钰,于佳佳. 基于概率函数触发的锂电池模组热失控蔓延建模与分析方法研究[J]. 汽车工程, 2024, 46(8): 1422-1430.
[3]	陈吉清,冯雨佳,兰凤崇,王平. 基于1dCNN-LSTM量化单体异常性的动力电池故障诊断方法[J]. 汽车工程, 2024, 46(7): 1177-1188.
[4]	梁弘毅,陈继开,刘万里,兰凤崇,莫丙达,陈吉清. 融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测[J]. 汽车工程, 2024, 46(4): 634-642.
[5]	邝男男,胡帛涛,栗国,赵光磊,冯爽,许立坤. 电池模组热扩散精准建模及高效仿真研究[J]. 汽车工程, 2024, 46(4): 652-661.
[6]	李致远, 鲁锐华, 余庆华, 颜伏伍. 动力电池热失控特征及防控技术研究分析[J]. 汽车工程, 2024, 46(1): 139-150.
[7]	刘启全,马建,赵轩,张凯,孟德安,相里康. 基于值率模型的电动汽车动力电池电压异常检测[J]. 汽车工程, 2023, 45(9): 1728-1739.
[8]	李达,邓钧君,张照生,刘鹏,王震坡. 电动车辆动力电池安全预警策略研究综述[J]. 汽车工程, 2023, 45(8): 1392-1407.
[9]	廉玉波,吴恺,曾董,李松,王溥希. 基于整车平台的动力电池平台化研究[J]. 汽车工程, 2023, 45(5): 807-813.
[10]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[11]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[12]	兰凤崇,潘威,陈吉清. 基于Aseq2seq-PF的实车锂离子动力电池剩余使用寿命预测[J]. 汽车工程, 2023, 45(12): 2348-2356.
[13]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[14]	廉玉波,凌和平,王钧斌,潘华,谢朝. 基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测[J]. 汽车工程, 2023, 45(1): 139-146.
[15]	陈吉清,冼浩岚,兰凤崇. 均布模组式动力电池包热失控典型模式分析[J]. 汽车工程, 2022, 44(8): 1199-1211.