上海交通大学算法项目闪耀BPAA，零点有数带你一睹风采
在这场算法应用界的盛宴上，来自工业算法赛道的上海交通大学“数据驱动的动力电池SOH估计与故障诊断”项目荣膺首届应用算法实践典范BPAA全场大奖。
附图:BPAA颁出全场大奖
近年来，电池全气候状态估计难题和自燃事故已成为新能源汽车产业发展的重要障碍，针对此问题，上海交通大学团队提出了数据驱动的“虚拟电池”概念和基于可解释电化学参数的故障诊断模型，在工业算法领域不断进行落地应用探索。
一、国际领先，创新超越
上海交通大学张希团队于电池管理领域深耕十余载，结合锂离子电池内部电化学机理，提出基于数据驱动“虚拟电池”的电池健康状态（SOH）估计算法，估计精度达1.45%，达到国际领先水平。该项目将电池老化行为构建成温度及充放电倍率相关的随机过程，并通过分段建模的方式，解决了实车容量回升现象。针对业界锂离子电池故障诊断难题，还提出了结合电化学参数的故障诊断算法，能够更加鲁棒地提取实车数据的可解释特征，实现了电动汽车动力电池热失控精准预测和预警。
二、关注难点，逐一突破
近年来，我国新能源汽车产业呈现爆发式增长趋势，然而，动力电池的状态估计精度欠缺，且自燃事故频发，已严重制约了公众对新能源汽车的接受度。而上传的新能源汽车动力电池云端数据利用率和利用效果尚有待进一步提升，如何基于云端数据实现动力电池的状态估计精度提升和故障精准诊断也日益成为了业界关注的重点。
早在十多年前，张希团队就已开始针对新能源汽车锂离子电池进行相关研究和算法实践。为了解电池内部的机理并进行描述，该团队对电池P2D模型进行优化，并转换为可执行代码，为后续电池云端算法开发提供了解释依据和系统模型。此外，该团队成员分别来自于电化学、材料、大数据、应用数据以及车辆工程等学科背景，形成了交叉学科优势互补，这也为团队在动力电池核心算法上的攻坚克难奠定了基础。
（1）对于电池健康状态（SOH）估计，提出了基于数字化“虚拟电池”和实车动态放电曲线的估计算法，基于时间序列数据和相关深度学习算法捕捉动力电池运行过程中的动态和静态信息，将隐含在纷杂的序列数据中的老化特征进行了转化，最终实现了将SOH估计误差控制在1.5%以内的目标。
上海交通大学张希团队供图
（2）为了弥补 SOH 估计算法无法兼顾闲置电池的容量提升现象，该团队提出了基于动态贝叶斯更新算法的RUL电池剩余使用寿命预测算法，提取健康因子，分析多变量下动力电池的剩余使用寿命。
（3）基于实车云端数据对动力电池进行故障诊断，进而分析其热失控的潜在风险。为了解决云端数据标签不可信的问题，该团队提出了基于可解释的电化学参数的故障诊断模型，突破了传统基于信息量和统计量的故障检测方法，借助先验知识，分析指定故障下电芯内部的参数分布，进而构建机器学习算法，提升了模型的可解释性和可靠性。
附图：电池标准电压学习结果（左图）；电池热失控预测与验证（右图）
上海交通大学张希团队供图
三、不忘初心，实现落地
在算法开发的过程中，团队遇到了诸多困难，实车数据质量差、采样频率低等问题都深深困扰着团队。此外，如何将实验室的模型应用到工业场景，使得算法在实际使用中体现出优越性，是团队成员一直在思考和努力的方向。
上海交通大学张希团队供图
为了解决数据采样率低，信息损失大的问题，团队将电化学模型作为序列特征嵌入先验模型。为了解决参数辨识不稳定的问题，团队成员提出了全局可解释参数敏感度分析和分阶段参数辨识的方法，提取高敏感度参数，有效提升了参数辨识的可靠性，真正实现了算法的落地应用。
未来，团队将继续积极进行产业化探索和实践，助力算法模型的落地应用，为构建算法产业化生态赋能。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。
