基于决策树的异常电池分类方法

提出了一种基于决策树算法的异常电池精准定位和分类方法，帮助人们在电池维修或更换时能够迅速确定故障单体的位置和类型，从而实施准确的维修更换方法，提高故障处理的效率。搭建电池仿真模型获取异常电池的充放电循环数据；以电压数据为基础，训练用于异常电池分类的决策树算法，使用试验数据和云端实车数据对构建的模型进行验证。验证结果表明，该方法能够准确判断异常电池单体在电池组中的位置和异常类型。在不同验证数据上，该方法的分类准确率高达98%以上，能够有效筛选出动力电池组中的异常电池。该结果说明了提出的决策树算法在动力电池异常分类中的有效性和准确性。     

基于机器学习的锂离子电池荷电状态多步预测

先进电池管理技术依赖于对未来一段时间荷电状态变化的预测，难点在于误差积累和时间依赖性降低引起的预测精度下降。提出采用机器学习结合多步预测策略来提升荷电状态多步预测精度，利用实际锂电池数据研究了不同多步预测策略的效果。结果表明，实际锂电池荷电状态预测在充电过程中具有显著线性特性，放电过程表现出非线性特性。预测步长为 15个时，LR模型、KNN模型、RF模型的 MAPE均低于 6%，R2均大于 0.90。线性回归结合 MIMO策略具有最大的实际应用潜力。     

电动汽车正面刮底工况设计及电池包防护优化分析

针对行业对电动汽车底部碰撞工况研究较少且无相关标准和法规的现状，结合电动汽车底部碰撞交通安全事故案例，设计了一种典型的正面刮底碰撞工况及其碰撞壁障，通过仿真分析与试验结果验证了该工况的合理性和碰撞壁障的可靠性。同时根据电池包在正面刮底工况中的损伤情况，提出了两种电动汽车电池包防护优化方案，降低了电动汽车电池包在正面刮底工况中的损伤。     

基于热平衡法的方壳电池电芯温度预测模型

据不完全统计，电动汽车大多在充电过程中发生自燃，如何在热失控前通过温度进行预警显得尤为重要。针对方形锂离子电池，构建了适用于嵌入式应用的电芯温度预测模型。通过试验精准测量电池各项热物性参数，对电池表面和电池卷芯分别进行热平衡分析，建立不同的能量守恒方程，对电池进行网格划分，进一步构建电池三维温度预测模型。仿真结果表明，热平衡模型不仅能够预测出电池每一部分的温度，而且预测的电芯温度误差不超过0.35 ℃，对快充条件下的电池温度预测有重要意义。     

基于EMB的纯电动汽车制动能量回收优化控制策略研究

为提高电动汽车制动时回收的能量,减少能源浪费,本文中提出了一种基于电子机械制动(EMB)系统的再生制动力分配策略。首先,根据制动踏板信号得到当前制动强度,结合前后轴制动力分配策略分别得到前轴、后轴制动力。然后以车速、电池SOC值和制动踏板行程为输入,再生制动占比为输出,创建模糊控制器,且以制动时回收能量最大化为优化目标,运用PSO算法优化模糊控制器。最后进行Simulink和AVL Cruise的联合仿真。结果表明,在NEDC工况下能量回收提升2.5%,在CLTC-P工况下能量回收提升1.56%。     

基于云端放电数据的电池组一致性研究

为提升电池组放电数据使用价值，减少对电池组充电数据的依赖，改变放电数据因质量差、采集效率低等原因难以得到有效利用的现状，以云端放电数据为研究对象，提出一种动力电池组一致性评价方法。该方法筛选出电池组的有效放电循环数据片段，根据每一放电循环中的单体电压曲线绘制包络线，进而基于上下各数条包络线进行数学计算，最终拟合得到一条一次曲线，根据最终拟合一次曲线斜率大小对一致性进行定量评价。试验结果表明，对于不同一致性状况的电池组，该方法能合理对其评分；实车数据分析表明，该方法能有效运用于工程中。该方法为电池组一致性的评价提供一种新思路，在一定程度上实现放电数据的有效利用价值。