基于值率模型的电动汽车动力电池电压异常检测 *

刘启全，马 建，赵 轩，张 凯，孟德安，相里康

（长安大学汽车学院，西安 710000）

前言

发展新能源汽车对环境保护及能源节约具有重要意义，其中电动汽车已经开始成为主流方向。然而，随着电动汽车产业的快速发展，车辆安全事故也早已屡见不鲜，其中动力电池故障被认为是罪魁祸首，这不仅增加了人们对车辆的安全焦虑，同时也阻碍着其商业化扩张［1-2］。为了提升动力电池系统安全性能，各种相关技术被开发运用，具体而言，主要有两个举措：一是电池制造端，通过不断提升电池的制造工艺和包装技术以减少其出厂缺陷；二是电池出厂后的安全检测，以实现提前预测、及时发现，尽可能地避免安全事故的发生或减小事故发生所带来的损失。

在电池制造端，电动汽车动力电池对生产环境要求极为严格，生产工序繁琐且复杂，任何微小参数误差都可能影响到电池的各项性能，在后期使用过程中该缺陷可能会不断恶化进而引发各种安全事故。长期以来，大量的努力已经致力于此类问题的研究，并取得了一些列成果。例如，文献［3］中首次利用陶瓷水和丙烯酸聚合物作为涂层溶液来制备具有多层涂层的新型电池隔膜。该隔膜具有多孔结构，不会干扰锂离子扩散，且具有优异的耐热性、高电解质吸收率和与电极的持久黏附性，极大地提高了锂离子电池在长期高能量密度运行中的可靠性和安全性，同时有机溶剂的去除不仅有利于保护环境，还降低了制造成本。文献［4］中提出了一种通过在电池隔膜上涂覆导热氮化硼纳米片的方法来提高锂金属阳极循环稳定性，相对于原始隔膜而言，该方法能显著减缓电池中锂枝晶的生长和库伦效率的衰退速率。此外，文献［5］中还详细讨论了定位误差和多层处理两种故障模式，并着重于将已建立的失效模式 与 影 响 分 析（failure mode and effects analysis，FMEA）方法应用于电极的封装过程，实现了对大规模电池生产过程的设计和优化。在未来，随着电池制造工艺的不断突破和创新，电动汽车动力电池必然会展现出更优异的性能。

为了提高电池后期的可靠性，车辆运行过程中的电池安全检测必不可少，对此国内外学者已经进行了大量研究，研究方法集中于基于模型和非模型两种。基于模型的方法主要利用电池机理模型来描述动力电池的动态响应，通常选择一定的模型参数作为衡量电池异常的指标，例如，Dey 等［6］提出了一种基于模型的锂离子电池热故障实时诊断算法，通过残差与自适应阈值的比较来评估故障的发生情况。Xiong 等［7］提出了一种简单有效的基于模型的传感器故障诊断方案，用于串联式锂离子电池组中电流或电压传感器故障的检测和隔离。Hu 等［8］利用短电压序列的样本熵作为容量损失的有效特征，首次采用先进的稀疏贝叶斯预测建模方法来捕获容量损失和样本熵之间的潜在对应关系，从而实现了电池健康的准确预测。毫无疑问，基于模型的方法提出了许多先进的故障诊断算法且具有较高的模型精度，但该方法受到数据质量及计算复杂性的限制，它们的应用范围仍然存在一定的局限性，目前还难以在实车中进行在线运用。

基于非模型的方法因其不需要搭建动力电池机理模型和复杂的算法模型而备受青睐，其中主要包含统计学、机器学习和信号处理等方法。例如，彭运赛等［9］提出了一种基于改进的卷积神经网络（convolutional neural networks， CNN）和信息融合的锂离子电池组故障诊断方法。刘鹏等［10］提出了一种基于快速傅里叶变换（fast fourier transform， FFT）和异常评估系数的动力电池电压不一致性故障诊断方法。Zhao等［11］提出了一种基于大数据统计的电动汽车动力电池电压故障诊断方法。Hong 等［12］结合大数据和熵方法来实时监测车辆运行过程中电池的温度，从而实现了电池热失控的诊断和预测。Hu等［13］提出了一种基于粒子群优化和k-最近邻回归的电池容量估计方法，并通过10 年连续循环数据验证了该方法对电池容量估计的准确性。

通常情况下动力电池系统故障可以追溯至某一或某些具体单体电池故障，而这些故障的特征几乎都可以在单体电压这一参数中及时的体现出来，且主要表现为电压波动的不一致性，因此大量学者已经开始致力于单体电压异常波动故障诊断方法的研究。例如，Wang等［14］提出了一种基于修正香农熵的方法来实现单体电压故障的诊断，并结合实车数据验证了所提方法的有效性和可靠性。Shang 等［15］提出了一种通过检测滑动窗口内电池电压序列的修正样本熵的方法来实现不同的电池早期故障的诊断和预测。Sun 等［16］提出了一种基于统计分析的锂离子电池3 层故障检测方案，通过使用改进的K-means 方法来分析电池组中所有单体的相关性和可变性，以识别特定时期内的异常电压波动故障。基于此，对电压异常波动的检测可以更加全面地评估电池系统的安全性，因此本文将致力于寻找一种更加高效准确的方法来实现电压异常波动故障的检测。

1 数据来源与预处理

1.1 数据来源

本文的研究主要涉及2辆故障车（车辆1和车辆2）和380 辆正常车。其中车辆1 数据来源于北京电动汽车服务与管理中心（SMCEVs），车辆2 和380 辆正常车属于同一类型车辆，数据来源于某公司新能源汽车大数据平台，两种类型的电动汽车电池均为串联连接，车辆及电池参数信息如表1 所示。平台收集的信息主要包括车辆的位置、速度和累计里程，以及电池系统的总电压、总电流、SOC、最高单体电压/温度、最低单体电压/温度和单体电压等，数据格式如表2 所示。本文采用Python 3.7.3 进行算法的编写和编译，并在PC 机（处理器11th Gen Intel（R）Core（TM）i5-11400H @2.70 GHz，内存为8 GB）上进行了测试。

表2 车辆1电池时间序列数据样本

车辆1 电池包由95 个单体电池串联组成，无故障报警时数据采样频率为10 s，有故障时为1 s。图1 显示了车辆热失控发生当天各单体电压、总电流及SOC数据，很明显车辆充满电后行驶大约1 h时发生了热失控，热失控前的电压数据通过肉眼看不出任何异常，且无任何报警信息被记录，直至热失控事故发生后35 s车辆才发出一级绝缘故障报警。由于电池管理系统（battery management system， BMS）的设置，测得的超出正常范围的电池电压被记录为5 V，以表示错误状态。因此，在图1（a）中，单体电池65 的电压读数由于突然下降超出阈值而被标记为5 V。结合图1 可以推断单体59、60、61、63 和65 可能是导致热失控的起源，单体53、54、55、62 和64 是由热失控扩散引起的二次事故。

图1 车辆1热失控当天运行数据

车辆2电池包由156个单体电池串联组成，无故障报警时数据采样频率为20 s，有故障时为1 s。图2 显示了车辆热失控发生当天的各单体电压及SOC数据，由图中区域I的放大图可以看出车辆热失控前单体21 存在明显的低电压波动，区域Ⅱ的放大图可以看出在充电即将结束时单体21 的电压逐渐出现离群现象进而引发热失控。计算得到车辆在热失控前单体间最大电压差仅为44 mV，并未超过规定的200 mV 的阈值，因此，常规方法在时间维度上很难检测到故障。

图2 车辆2热失控当天运行数据

1.2 数据预处理

由于受外界环境及车辆本身行驶条件等因素的影响，大数据平台收集到的车辆原始数据的质量一般较差，在进行诊断模型的开发和验证时需要对数据进行一定的预处理才能减小数据本身质量对模型诊断结果的影响。首先，由于平台数据存储方式的局限性，同一文件中可能包含不同年份的车辆行驶数据，因此需要对文件中不同数据项进行整合。其次，车联网数据在传输过程中容易出现数据故障问题，此类数据对故障诊断结果干扰较大，因此需要对数据进行清洗。针对无效和重复数据问题，直接进行删除处理即可；针对丢包问题，若存在整行或整列数据丢失则采用删除法，若仅存在小部分数据丢失则采用插补法（多为三次样条插值）；针对误码问题，通常需要进行误码判断操作，即评判车辆各项数据是否在允许的正常范围内变化。最后，根据实际需求从不同维度对车辆数据进行切分和重构即可。

此外，引入滑动均值滤波（moving average filter，MAF）方法来消除噪声信号的干扰，其方程可以表示为

式中：x［τ-i］表示τ-i索引点的数据值；yMAF［τ］为当前输出值；ψ表示每一次参与计算均值的数据点个数（本文中ψ取2）。原始数据和滤波后的数据如图3所示。

图3 单体电池1的原始电压和滤波电压放电曲线

2 检测方法

2.1 检测模型

基于电压变化率的电池异常检测模型可以总结为：

以时间和单体电池数构成电压矩阵Vt，n为

式中：t和n分别表示时间长度和单体电池总数；vi，j表示在第i时刻第j个单体电池的电压值，i=1，2，…，t；j=1，2，…，n。

在BMS 中，每个单体电池的电压差被连续监测，电压v的导数为

式中：vi+1和vi分别表示下一时刻和当前时刻的单体电池电压值；Δt是固定的时间步长间隔。

由式（2）和式（3）可定义动力电池单体电压变化率矩阵Bm，n为

其中bi，j=

2.2 电压异常波动程度评估方法

在自然界中，很多随机变量的概率分布都可以用正态分布来近似拟合。若随机变量X服从一个数学期望为μ、方差为σ2的正态分布，则变量X中的任一元素落入（μ-3σ，μ+3σ）范围内的概率约为95%。大量的电池性能研究表明，单个电池的电压、温度和其他一些参数符合随机正态分布，通常在一定的大小范围内工作。因此，在本研究中，Z分数理论是评估电压变化率灵敏度的一个非常好的方法。将电压变化率特征参数通过Z分数理论进行转化，可以用于评价某个单体电池在连续两个采样点下的电压变化率距离该时刻的平均值之间存在多少个标准差的距离。Z分数的标准计算公式为

式中：x是具体的分数；μ是平均分数；σ是标准差。因此，通常Z∈（-3，3），但是这个范围在不同的实际应用中可能会有所不同，应根据具体情况进行分析。

其中，μ和的σ具体计算公式为

结合式（5）和式（6）可以看出，在计算Z分数时均值μ和标准差σ容易受到异常值的影响，导致结果存在偏差。因此，在本文中为了提高异常电压的识别精度，首先，电压变化率在标准化过程中均值用中值代替；其次，采用统计学中Z=1.96 的95%置信区间的方法来筛选异常值，剔除对应时刻超过置信区间的异常数据后再计算标准差。基于此，本文中异常电压波动评估系数定义为

式中：E为单体电压变化率；Eme为电压变化率矩阵中对应行向量的中值；σE为对应行向量剔除离群值后向量的标准差。

2.3 电压异常程度评估阈值的确定

为了确定异常评估系数A的判定阈值，获取40台无任何故障报警和事故的车辆3～车辆43 的历史电压数据。首先对原始数据进行预处理，然后基于车辆充放电状态进行充放电数据片段的划分，从而构建了纯电动汽车动力电池充放电电压数据样本库。随后从样本库中随机抽取600 个数据片段，并按照模型的运算流程分别计算各片段中单体电池的异常评估系数，共计得到计算结果11 837 280 个，画出计算结果的概率密度、正态分布及Laplace 分布拟合曲线，结果如图4（a）所示。进一步运用统计学中的P-P 图来评判拟合结果，分别如图4（b）和图4（c）所示，由图可知Laplace 分布的P-P 图更趋近于落在y=x直线上。因此，可以认为评估系数的分布更相似于Laplace 分布。通过参数估计可以得到位置参数μ=2.804 522 4e-07，尺度参数λ=0.704836，结合评估系数的累积概率密度，如图4（d）所示，可知评估系数-4≤A≤4 的概率为99.857%，而3σ法则对应的概率密度为99.08%。通过综合考虑正常车辆及故障车辆数据的模型运算结果，最终决定本文中评估系数的异常阈值为|A|=4，即当评估系数|A|≥4 时则认为单体电池电压存在异常波动故障。

图4 评估系数计算结果的统计分析

3 模型的故障诊断结果和对比分析

3.1 电压异常波动分析

为了满足电压、容量及功率的需求，动力电池系统通常由成百上千个单体电池通过串并联的方式组合在一起，因此各单体电池间参数的一致性成为评判动力电池系统安全可靠性的重要指标之一。正常情况下电池系统中各单体电池电压的波动情况应该大致保持一致，但当单体出现异常时其电压波动将会表现出低电压、剧烈波动、突变等异常现象，并且随着异常的加剧离群程度也会随之增加。为了更加清晰地对比热失控事故前异常单体和正常单体之间电压的波动差异，本文选择发生热失控事故的车辆1的电压数据来进行分析。

从车辆1 中随机选择两正常单体（10 号和20号）和异常单体65 热失控事故前约1 h 的电压数据并画出电压变化曲线对比图，如图5 所示。从图中可以看出，正常单体10和20之间虽然存在轻微的电压不一致性，但波动的频率和幅度大致相同，相比于正常单体而言异常单体65 的电压波动幅度明显大很多，且存在最大值和最小值交替出现的情况。当大量单体电压数据交织在一起时（如图1（a）中的放大图），这种现象将会被掩盖，从而仅凭肉眼看不到任何异常，常规基于阈值的方法也无法识别此故障，而该故障特征可以被电压变化率这一特征参数很好地体现出来。基于此，本文提出的方法能实现电压异常波动故障的实时检测，并能提前预测故障，表征电压异常波动的程度，对电动汽车动力电池热失控事故的预测具有重要意义。

图5 正常电压和异常电压波动对比

3.2 模型的故障诊断结果

异常评估系数会随电压升降而出现正负值，因此对应的评估系数可能为正或负的离群值。为了验证模型对电压异常波动故障诊断的有效性，选择故障车辆1 和车辆2 热失控事故前的当天电压数据进行模型运算，结果分别如图6和图7所示。

图6 车辆1评估系数变化曲线

图7 车辆2评估系数变化曲线

从图6 可以看出单体86 号和65 号存在多次超过阈值情况，且单体65 号频次最高，因此可以判定单体65号和86号存在严重的电压异常波动故障，这正好和图5 情况相符。由图7 可以看出，车辆2 热失控前放电过程中单体21 号多频次超出阈值，因此可判定该单体存在严重的电压异常波动故障。

综上，本文提出的故障诊断方法可以准确检测出具有电压异常波动故障的单体，且对于正常单体不会出现误诊断，因此具有较高的可靠性。

3.3 模型的相互验证及对比

由于各种熵方法，如香农熵［14］、样本熵［15］、模糊熵［17］、多尺度熵［18］能有效评估系统的紊乱程度，从而近年来在动力电池的故障诊断领域备受青睐。本文所提方法与熵方法具有相同的数据评估意义，为了进一步验证模型的故障检测能力及性能，从模型运算时间和准确率维度出发，将本文提出的方法与常用的熵方法进行对比验证分析。

3.3.1 样本熵

本文所提样本熵算法流程如图8 所示，具体包括以下步骤。

图8 样本熵计算流程

① 给定某一单体电池数据长度为n的电压时间序列：｛V（i）｝，i=1，2，…，n。

② 形成嵌入维度为m的电池电压向量：Vi=［V（i），V（i+1），…，V（i+m-1）］，i=1，2，…，n-m+1。

③ 计算每个序列与所有k个序列之间的距离，并列出表格，即dij=max|Vi+k-Vj+k|。距离指两个向量的相应元素之差的绝对值的最大值，k=0，1，…，m-1。

④ 定义阈值F，并计算表格每一行中大于F的个数与总数n-m+1 的比值，记录为Cm i(r) =，然 后 计 算 对 数 平 均 值φm(r) =其中F=r×SD，相似度系数r为0.1-0.25，SD为序列的标准差。

⑤ 将窗口m改为m+1，重复步骤②-④，计算得到φm+1(r)。

⑥ 计 算 样 本 熵：SaEn(m，r) = lnφm(r) -lnφm+1(r)。

由样本熵的计算流程①-⑥可以看出，样本熵越小，单体电压序列的自相似性越高，意味着电池中没有发生异常波动。相反，样本熵越大，表示电池电压序列的自相似性越低，表明电池存在潜在异常波动故障。因此，样本熵可以用来描述电池电压的规律性和复杂性。

3.3.2 算法的相互验证

为了对两种算法运算结果进行相互对比和验证，基于3.3.1节的模型运算流程计算出车辆1和车辆2 热失控事故前当天电压数据的样本熵，分别如图9和图10所示。

图9 车辆1样本熵计算结果

图10 车辆2样本熵计算结果

图9 表明车辆1 热失控前单体6、17、29、41、53、65、76、86 和91 存在电压异常波动，且单体65 最为剧烈，这和图6 计算结果相符，均能凸显波动最严重的单体。因此，可以判定最先导致车辆1 发生热失控事故的单体为65 号。而在图1（a）中并非最先表现出热失控的单体59、60、61 和63 也出现热失控的原因主要有两点：其一，在车辆1 热失控前的数据中两种算法均未检测出单体59、60、61和63存在异常；其二，由于车辆热失控前无任何异常报警信息，因此行驶数据的采样频率为10 s，这就致使车辆发生热失控时刻和上一帧数据之间存在小于等于10 s的时间间隔，这4 个单体极可能是由单体65 热失控引起的二次事故，进而5 个单体的突变数据在热失控后的下一帧数据中被同时记录。

图10 表明车辆2 在热失控前单体21 存在明显电压异常波动故障，这和图7 计算结果一致，因此进一步验证了本文所提方法的有效性和与熵方法对电压异常波动故障诊断效果的相似性。

3.3.3 算法性能对比

基于故障车辆数据，将本文提出的方法与基于修正的香农熵［14］进行比较，引入混淆矩阵来定量评估不同方法的准确性，所提方法的准确率定义为

式中：ACC为准确率；TP表示正确识别的故障单体的数量；FP表示错误识别的故障单体的数量；TN表示正确识别的正常单体的数量；FN表示错误识别的正常单体的数量。

基于前文样本熵计算结果和对事故车中各单体电压数据进行图5 所示类型的电压异常波动情况的复核，最终确定热失控前车辆1 中存在电压异常波动的单体为6、17、29、41、53、65、76、86和91号单体，车辆2中存在电压异常波动的单体为21号单体。

基于车辆1 和车辆2 热失控事故前当天电压数据的香农熵故障诊断结果分别如图11 和图12 所示，滑动时间窗口的总数分别为723 个和1 186 个，车辆1 和车辆2 的正确报警次数TP分别为82 和15，误报警次数FN分别为103 和42。在图11 中正常单体44 和58 被鉴定为故障单体，图12 中正常单体32、61 等被误诊断为故障单体。最终得到车辆1和车辆2 基于香农熵的ACC分别为85.7% 和96.4%。由3.2 节可知，用本文所提方法计算得到的总数分别为822 和1 293，其中正确报警次数TP分别为93 和25，误报警次数FN分别为2 和0，因此由本文所提方法得到车辆1 和车辆2 的ACC分别为99.7%和100%。通过实车数据的验证，发现基于香农熵的方法对车辆充电及电压波动较小、持续时间较长的数据进行计算时误报警单体数较多，这主要是由于该方法基于区间来计算概率，而区间随电压数据的变化而变化致使方法随机性较强，从而误诊断率较高。

图11 车辆1香农熵计算结果

图12 车辆2香农熵计算结果

两种算法的性能对比情况如表3 所示。因此，本文所提方法相对于基于香农熵的方法具有更高的准确率和计算效率，实际工程应用价值更高。

表3 两种方法检测结果的比较

4 电压异常统计分析

基于前文的分析，本文所提出的基于值率模型的电压异常识别方法不仅可以用于实时的电压异常波动故障诊断，同时还可以运用于云平台中对车辆长历史数据的分析。

基于式（4）和式（7），可以定义电压异常评估系数矩阵Zk，n：

对矩阵Zk，n进行行扫描计算，定位该行向量中异常评估系数|A|最大值的位置，在异常矩阵R中相同位置记1，其余记0，最终得到与矩阵Z映射的异常矩阵R，异常矩阵与矩阵Z的维度一致：

式中Rt=（Rt，1，…，Rt，n），Rt为t时刻的异常向量，Rt，i等于0或1。

最后，对异常矩阵R按列求和，并计算每一单体的异常频率。

4.1 电压异常波动统计分析

本节对大量与车辆2 同类型的纯电动汽车电压数据进行模型运算，通过对结果的整理和聚类，本文中将单体电池电压异常波动的故障形式定义为如下两类。

（1）随机故障：这类故障中存在较高的单体异常波动频率，可能超过0.05，且超过均值的数10倍，故障单体位置比较随机，严重时甚至会引发热失控。这种故障在本文中被定义为随机电压异常波动故障，其发生的主要原因往往是由电池的制造缺陷或电池的滥用所致，属于随机故障。

（2）潜在故障：在大量同型号的正常车辆中，所有单体电压异常波动的频率都较低，一般低于0.05，但存在位置较为固定的一个或多个单体异常波动频率始终偏大。此类故障说明该类车型中某一或某些固定位置的单体具有一定的潜在安全隐患，可能随车辆行驶里程的增加进一步演化为随机故障。这类故障产生的原因多由动力电池系统设计问题（电池分布结构、散热系统结构）或整车结构设计问题（电机、压缩机等发热量较大的元件位置排布问题）造成，其异常系数不大，但位置较为固定，属于潜在故障。

图13（a）为利用故障车辆2 电压数据计算得到的单体异常频率直方图，属于典型的第一类故障，其中单体21 的电压异常波动的频率超过了均值的10倍。图13（b）、图13（c）和图13（d）为同一类型车辆中的第二类故障，从图中可以看出具有电压异常波动的位置稳定在单体10、42和153，且异常波动频率较低。

图13 电压异常波动的两种故障形式

需要说明的是该方法不仅适用于同类车型潜在故障的检测，同样也适用于同一辆车全生命周期故障风险的预测。即通过对同一辆车使用过程中不同时间段的历史数据进行计算，可以定位是否存在固定的某一或某些单体长期存在轻微的异常波动，并分析该异常波动频率随时间的演变趋势。如图14所示为同一辆车不同时间段历史数据的分析结果，图中（a）、（b）、（c）分别为2021 年6 月1 日至12 月2日、2021 年12 月3 日至次年6 月4 日、2022 年6 月5日至12月6日的数据计算得到的单体异常频率直方图。从图中可以看出该车辆在2021 年6 月至2022年6 月的一年中单体10、103、153、154、155 及156 始终存在较小概率的异常波动，且单体10 的电压异常波动频率随时间有轻微的增长趋势，因此存在潜在的故障风险，后期应持续关注这6 个单体，尤其是单体10的异常波动频率变化情况。

图14 同一辆车电压异常波动频率随时间的演化

4.2 电压异常波动大数据分析结果

通过结合大数据技术，基于本文所提动力电池电压异常波动检测模型，对380 辆无任何异常报警的同型号电动汽车单体电压异常波动频率进行计算，得到故障等级矩阵集，集合的维度与样本车辆数一致。然后建立3 层BP 神经网络，对故障程度矩阵集进行拟合，从而得到该型号电动汽车动力电池单体电压异常波动等级向量，以实现该车型动力电池潜在故障风险分布情况的评估，结果如图15 所示。从图中可以看出，单体10、42、153 异常波动频率较高，分别为0.035、0.035 2、0.029 8，而其他单体异常频率维持在0.02以下。

图15 同类车型异常波动频率拟合结果

通过对所研究车型动力电池系统分布情况的分析，发现电压异常波动频率较高单体的位置较为固定，如图16 所示，涂黄的模块为异常频率较高的单体所在位置。由此说明数据分析结果与实车的物理空间之间存在一定对应关系，导致这种情况的原因极有可能是动力电池系统风道设计或隔热设计存在不合理的问题，这将为上游动力电池系统及整车的结构设计提供数据支撑和参考，从而提高动力电池系统及整车结构的质量水平。

图16 异常位置实车验证

5 结论

（1）提出了一种基于电压变化率的新型动力电池电压异常诊断方法，用于检测电池组中单体电池端电压的异常波动故障。

（2）基于改进的Z分数理论引入了电压异常评估系数，并通过统计学分析方法确定了合适的电压异常识别阈值，通过真实故障车数据检测了方法的有效性。

（3）基于实车数据，结合具有相同故障诊断效果的样本熵方法进一步验证了本文所提方法的有效性。

（4）基于实车数据对比分析了本文所提方法和基于修正的香农熵方法的故障诊断准确性和计算效率，从而证明本文所提方法具有更大的实际工程应用价值。

（5）基于本文所提方法定义了两类单体电池电压异常波动故障形式，即随机故障和潜在故障。

（6）基于本文所提异常检测模型，通过对同类型电动汽车的电池运行数据进行模型运算及对结果的拟合分析，实现了该方法对动力电池系统异常风险情况分布的描述，以此为基础可以为车企上游动力电池系统及整车结构设计提供数据支撑。除此之外，本文所提方法还适用于同一辆车全生命周期潜在故障风险的评估。

最后，无论数据类型和应用领域如何，由于本文所提检测方法与各种熵方法具有相同的数据评估意义，因此同样可以用于具有异常波动的无序系统，并且该方法具有更小的计算量，实际工程应用价值更高。