【歡迎引用】 劉琦， 楊璐華， 王文濤， 等.基于賽博鏈的云端動力電池管理[J]. 汽車文摘，2022（XX）： X-XX.

【Cite this paper】 LIU Q， YANG L H， WANG W T， et al.Cloud Management of Power Batteries Based on CHAIN[J]. Automotive Digest （Chinese）， 2022（XX）： X-XX.

【摘要】電池管理系統(tǒng)有助于保持汽車動力電池的安全和優(yōu)良特性，實現(xiàn)狀態(tài)估計、單體均衡、熱管理和故障診斷重要功能。傳統(tǒng)的車載設(shè)備已不能滿足先進(jìn)電池管理系統(tǒng)對算力、通信的需求，提出基于賽博鏈（CHAIN）的云端電池管理系統(tǒng)，通過“端、邊、云、智”模式實現(xiàn)車云協(xié)同，利用分布式計算架構(gòu)解決算力問題，可以提供基礎(chǔ)設(shè)施服務(wù)（IaaS）、開發(fā)平臺服務(wù)（PaaS）、軟件應(yīng)用服務(wù)（SaaS）、數(shù)據(jù)資源服務(wù)（DaaS）4種服務(wù)類型。最后總結(jié)了該系統(tǒng)可能面臨的技術(shù)挑戰(zhàn)，并展望了其廣泛的應(yīng)用場景。

關(guān)鍵詞：賽博鏈；電池管理系統(tǒng)；電池模型；車云協(xié)同；邊緣計算

中圖分類號：U469.72 文獻(xiàn)標(biāo)志碼：A DOI： 10.19822/j.cnki.1671-6329.20220187

Cloud Management of Power Batteries Based on Cyber CHAIN

Liu Qi1， Yang Luhua2， Wang Wentao3， Yang Shichun3， Liu Xinhua3

（1. School of Aeronautic Science and Engineering， Beihang University， Beijing 100191; 2. Shen Yuan College， Beihang University， Beijing 100191; 3. School of Transportation Science and Engineering， Beihang University， Beijing 100191）

【Abstract】 Battery management system is conducive to maintaining excellent performances and safety of the vehicle power batteries， which is able to conduct functions of state estimation， energy equalization， thermal management and fault diagnosis. However， the traditional vehicle-end facility cannot meet the demands on hash rate and communication for advanced BMS. This paper proposes a cloud battery management system based on CHAIN （Cyber Hierarchy And Interactional Network）， which can realize vehicle-cloud cooperation through End-Edge-Cloud-Intelligence mode and solve the problems of hash rate in distributed computation framework. It has the ability to provide different service delivery modes， including Infrastructure as a Service （IaaS）， Platform as a Service （PaaS）， Software as a Service （SaaS） and Data as a Service （DaaS）. At last， several technical challenges and issues are concluded and an outlook on the multi-scenario applications of CHAIN is presented.

Key words： CHAIN， Battery management system， Battery model， Vehicle-cloud cooperation， Edge computing

0 引言

相較于在交通運輸中直接使用化石能源，以動力電池為載體的新型能源應(yīng)用型式可以在推進(jìn)綠色能源應(yīng)用、降低碳排放、化解能源危機(jī)等方面發(fā)揮關(guān)鍵作用。鋰離子電池是現(xiàn)階段電動汽車中應(yīng)用最廣泛的電池類型。與傳統(tǒng)鉛酸電池相比，鋰離子電池具有能量密度高、無記憶效應(yīng)、循環(huán)壽命長的顯著優(yōu)勢。然而，在使用與儲存過程中，鋰離子電池可靠性相對較低，容易發(fā)生短路或氣體泄漏，從而引發(fā)熱失控，限制了其進(jìn)一步廣泛應(yīng)用[1-3]。因此，通過智能高效的電池管理系統(tǒng)（Battery Management System，BMS）實現(xiàn)對電池全生命周期管理十分重要。電池管理技術(shù)主要經(jīng)歷了3代，即無管理（僅監(jiān)測電池端電壓進(jìn)行充放電控制）、簡單管理（僅監(jiān)測電池組外部參數(shù)）和高級管理（實現(xiàn)對電池系統(tǒng)動態(tài)監(jiān)控）[4]。隨著傳感器、5G網(wǎng)絡(luò)、大數(shù)據(jù)技術(shù)的發(fā)展，電池管理技術(shù)也更加先進(jìn)。一般認(rèn)為先進(jìn)電池管理系統(tǒng)具有電池建模、參數(shù)識別、狀態(tài)估計、熱管理、電池均衡、充電控制和故障診斷功能。然而傳統(tǒng)的機(jī)載電池管理系統(tǒng)計算能力有限，難以實現(xiàn)大規(guī)模數(shù)據(jù)處理，因此難以對電池的復(fù)雜狀態(tài)進(jìn)行實時管理。分布式計算（如云計算和邊緣計算）可以解決車載端算力不足的問題[5]。楊世春等[6]提出下一代電池管理系統(tǒng)的先進(jìn)框架——賽博鏈（Cyber Hierarchy And Interactional Network， Cyber CHAIN），采用“端、邊、云、智”層次結(jié)構(gòu)，可為客戶（如電動汽車使用者、公司）提供定制化服務(wù)。

賽博鏈中，車載先進(jìn)傳感器采集不同尺度車輛數(shù)據(jù)，包括電池狀態(tài)和駕駛模式。然后將數(shù)據(jù)發(fā)送到處理環(huán)節(jié)，由分布式計算系統(tǒng)（包括邊緣計算和云計算）對數(shù)據(jù)進(jìn)行處理[7]。從大量數(shù)據(jù)中可以獲得電池系統(tǒng)多尺度模型參數(shù)，為電池多狀態(tài)（State of X，SOX）估計、熱管理和故障診斷奠定基礎(chǔ)。本文旨在分析賽博鏈框架關(guān)鍵組成部分及其技術(shù)挑戰(zhàn)，并對其未來發(fā)展進(jìn)行展望。

1 BMS主要功能與實現(xiàn)方法

1.1 基于電池模型的BMS工作原理

電池模型可以比較準(zhǔn)確地建立外部檢測量與電池內(nèi)部狀態(tài)的映射關(guān)系，根據(jù)所研究尺度大小，可以分別在分子層級、形態(tài)學(xué)層級、電池層級、電池系統(tǒng)層級和生產(chǎn)裝配層級建立多尺度數(shù)學(xué)模型[8]。從微觀到宏觀的多尺度模型提供描述電池全生命周期的完整框架，對電池循環(huán)利用和迭代更新起到指導(dǎo)性作用。在電池層級方面，目前應(yīng)用較為廣泛的是電化學(xué)模型（主要包括單粒子模型、準(zhǔn)二維模型）、黑盒模型和等效電路模型[9]。電化學(xué)模型屬于基于物理的白盒模型，其顯著特征是計算量巨大，而黑盒模型則因其易于結(jié)合大數(shù)據(jù)作數(shù)據(jù)驅(qū)動運算而受到廣泛研究和快速發(fā)展，等效電路模型則是介于兩者之間的灰盒模型，兼有上述2方面的特征。

準(zhǔn)確估計模型參數(shù)是確保模型有效性的關(guān)鍵。不同類型參數(shù)獲取方式不同，一種方法為直接進(jìn)行多尺度觀測，通過原位或異位的傳感測量手段，可以得到電池的電極厚度和內(nèi)阻信息[10]。另一種方法是基于梯度下降算法或者遺傳算法等方法對模型進(jìn)行擬合得到目標(biāo)參數(shù)，具體又可分為在線測量和離線測量，前者計算量較小但準(zhǔn)確性不夠，而后者計算量大但準(zhǔn)確度較高。

基于合適的電池模型，能夠?qū)﹄姵噩F(xiàn)有狀態(tài)做出定量估計，并利用電池特征和狀態(tài)參數(shù)實現(xiàn)BMS對動力電池的控制和管理。GB/T 38661—2020《電動汽車用電池管理系統(tǒng)技術(shù)條件》規(guī)定，電動汽車電池管理系統(tǒng)基本功能主要包括：監(jiān)測或獲取電池數(shù)據(jù)、故障診斷、故障信息記錄及處理、自檢與預(yù)警、與其他控制器信息交互、實時通信、絕緣電阻監(jiān)控、充放電高壓互鎖監(jiān)控、過充放電/過流/過溫保護(hù)和電池荷電狀態(tài)（State of Charge，SOC）估算[11-12]。BMS的核心功能主要包括狀態(tài)估計、單體均衡、熱管理和故障診斷，以下將介紹各功能含義與核心算法[13]。

1.2 實現(xiàn)BMS功能的核心方法

BMS的4項功能如表1所示，下面將詳細(xì)介紹各功能特點。

1.2.1 狀態(tài)估計

狀態(tài)估計是BMS實現(xiàn)各項功能的基礎(chǔ)。針對不同場景不同需求，狀態(tài)估計包括SOC、健康狀態(tài)（State of Health，SOH）、功率狀態(tài)（State of Power，SOP）、能量狀態(tài)（State of Energy，SOE）、功能狀態(tài)（State of Function，SOF）、剩余壽命（Remaining Useful Life，RUL）。其中，SOC最為關(guān)鍵且相關(guān)研究最為充分，目前已發(fā)展出多種SOC測量方法，如安時積分法、基于模型的智能算法、數(shù)據(jù)驅(qū)動法，其余指標(biāo)也均有相應(yīng)估計策略。工程上經(jīng)常對2個或2個以上指標(biāo)進(jìn)行聯(lián)合估計，例如利用卡爾曼濾波（Kalman Filter，KF）或改進(jìn)型無跡卡爾曼濾波（Unscented Kalman Kilter，UKF）、聯(lián)合利用人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network，ANN）和雙卡爾曼濾波（Dual Extended Kalman Filter，DEKF）或粒子濾波器實施對SOC和SOH的聯(lián)合估計并保證較高精度[14-17]。文獻(xiàn)[18]提出了基于偽隨機(jī)二進(jìn)制序列（Pseudo-Random Binary Sequence，PRBS）和DEKF的SOC和SOP聯(lián)合估計；文獻(xiàn)[19]則基于二階RC等效電路模型和UKF算法估計SOC，并在此基礎(chǔ)上結(jié)合多約束條件對SOP進(jìn)行聯(lián)合估計。表1中列舉了國內(nèi)外一些學(xué)者提出的狀態(tài)估計方法。

1.2.2 單體均衡

電池系統(tǒng)不斷充放電的循環(huán)中，電池性能衰減會導(dǎo)致其內(nèi)阻、SOC等一系列參數(shù)呈現(xiàn)出不一致的特征[66]。電池間參數(shù)嚴(yán)重失衡會導(dǎo)致系統(tǒng)性能衰減加速和供電系統(tǒng)可用性降低，因而保持系統(tǒng)內(nèi)各個單體電池均衡具有重要意義。單體均衡有耗散式和非耗散式2種模式，其中前者更常用于小型電池組。單體均衡算法的被平衡目標(biāo)參數(shù)一般是電池電壓（常針對鉛酸電池）、SOC或電池容量，基于電池容量的平衡算法能更充分地利用系統(tǒng)內(nèi)單體電池的剩余容量[13，67]。表1中列舉了一些單體均衡的方法和案例。

1.2.3 熱管理

單體電池和電池系統(tǒng)溫度分布是影響電池性能的關(guān)鍵因素，電池溫度過高容易直接引發(fā)火災(zāi)事故，而電池溫度過低可能毀壞電池內(nèi)部結(jié)構(gòu)造成嚴(yán)重后果（例如低溫時充電可能加速鋰枝晶的生成，從而刺穿分隔層造成短路），因此動力電池的熱管理相應(yīng)地分為2個方面[66]。一是不能讓電池溫度過高，由此發(fā)展出了多種辦法，如風(fēng)冷、液冷、相變材料（Phase Change Material，PCM）冷卻、熱管冷卻；二是避免電池溫度過低，電池加熱技術(shù)可分為表面加熱和內(nèi)部加熱[13，68]。表面加熱和冷卻的原理類似，在表面向電池提供熱量，而內(nèi)部加熱常利用電流熱效應(yīng)，是更加均勻高效的加熱方法。對于BMS而言，電池系統(tǒng)的熱管理需要在能耗和溫度調(diào)節(jié)效果之間取得平衡[69]。對此學(xué)界已有多項研究，相關(guān)成果見表1。

1.2.4 故障診斷

及時準(zhǔn)確地對電路進(jìn)行故障診斷、確保行車安全是BMS的重要任務(wù)。電池故障可分為由性能衰減緩慢造成和由突發(fā)事故突然造成2種類型。突發(fā)事故包括多種因素，如機(jī)械觸發(fā)、熱觸發(fā)、電路觸發(fā)[13]。從故障發(fā)生位置分類，故障可能發(fā)生在單體電池、傳感器、執(zhí)行器和熱管理系統(tǒng)[70]。因為故障類型繁多（如不一致性、短路、熱失控、傳感器和連接組件故障），且故障類型往往相互耦合，所以故障診斷是一項挑戰(zhàn)性工作[71]。Hong等[72]提出了利用長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory，LSTM），并基于電壓異常狀態(tài)提出了電池系統(tǒng)故障預(yù)測方法，首次將LSTM應(yīng)用于電壓預(yù)測和故障預(yù)測。陳嵐等[73]將貝葉斯網(wǎng)絡(luò)應(yīng)用于電池管理系統(tǒng)故障診斷，結(jié)果具有較高的區(qū)間正確率。更多故障診斷方法如表1所示。

1.3 BMS技術(shù)瓶頸與發(fā)展趨勢

隨著人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)等新興技術(shù)的不斷發(fā)展，BMS功能將會在智能化、模塊化、云端化的助力下得到全面提升，BMS有效性、安全性、通用性得到加強(qiáng)。但是，不同技術(shù)的融合發(fā)展不可避免地遇到新理論或技術(shù)瓶頸，問題和相應(yīng)解決方案總結(jié)如下。

1.3.1 端側(cè)算力問題

搜集更詳細(xì)的電池信息、利用更細(xì)致復(fù)雜的電池模型和智能算法有助于BMS進(jìn)行更加準(zhǔn)確的狀態(tài)估計，從而更好地實現(xiàn)基于狀態(tài)估計的其他功能。目前較為主流的BMS均采用車載端計算，而車載端側(cè)的設(shè)備已不能滿足BMS快速增長的算力需求。較為主流的解決方案是通過車云協(xié)同來減輕車載端側(cè)計算負(fù)載，借助數(shù)據(jù)傳輸技術(shù)，通過云端和車載端的分工合作來完成BMS的大規(guī)模計算任務(wù)[74-75]。在具體實現(xiàn)方式上，“端、邊、云、智”是一種有發(fā)展前景的汽車動力電池管理架構(gòu)[76]。

1.3.2 實時通信問題

實現(xiàn)分布式計算的前提條件之一是使海量數(shù)據(jù)得到即時、穩(wěn)定地傳輸，要求通信網(wǎng)絡(luò)具有足夠低的延遲和批量處理能力，以滿足BMS對于計算速度和算力的要求[6]。5G、區(qū)塊鏈技術(shù)在工業(yè)領(lǐng)域有廣闊的應(yīng)用前景，有望為BMS提供滿足需求的通信鏈路[77-78]。

1.3.3 系統(tǒng)安全問題

BMS安全分為信息安全和功能安全2方82b08941ad6a3004c09cae53f2a2b485面，2者相互耦合、共同作用。在功能安全領(lǐng)域已有多種標(biāo)準(zhǔn)，如ISO 26262、SAE J2980、UL 4600，但是這些標(biāo)準(zhǔn)并不能適應(yīng)現(xiàn)階段各類BMS快速迭代更新和快速發(fā)展需求，因此適當(dāng)?shù)男袠I(yè)標(biāo)準(zhǔn)和相應(yīng)的技術(shù)更新是保證BMS功能安全的必要條件[79]。信息安全是基于云的BMS必須要面對的重大問題，數(shù)據(jù)存儲、傳輸、處理、車云協(xié)同、車車協(xié)同環(huán)節(jié)均需防止信息泄露和非法利用。一方面要發(fā)展新的加、解密技術(shù)以實現(xiàn)更高水平的信息網(wǎng)絡(luò)防護(hù)；另一方面信息安全防火墻的全面構(gòu)建離不開來自政府、行業(yè)、企業(yè)和產(chǎn)品研發(fā)多方面主體共同發(fā)力[80-81]。

2 基于賽博鏈的云端電池管理系統(tǒng)架構(gòu)

2.1 多尺度建模

電池模型是實現(xiàn)系統(tǒng)精確預(yù)測和最優(yōu)實時控制的關(guān)鍵。為了全面準(zhǔn)確地評估整車電池系統(tǒng)運行狀況，需要獲取多個層面的詳細(xì)信息，如分子、形態(tài)、電極、電解質(zhì)、電池、系統(tǒng)、加工制造。通常需要多尺度模型來捕捉電池在不同尺度下的行為[82]。不同模型之間的參數(shù)識別所需計算能力和先進(jìn)算法可能會有很大差異。車載設(shè)備能力有限的情況下，參數(shù)精度至關(guān)重要。具有大數(shù)據(jù)處理能力的云計算技術(shù)可以作為解決這一計算問題的方案。通過多尺度建模，一方面可以明確電池微觀機(jī)理與宏觀性能的關(guān)系，分析復(fù)雜的電化學(xué)機(jī)理和電-熱-機(jī)械的多因素耦合過程；另一方面，通過開發(fā)多尺度云數(shù)據(jù)模型，實現(xiàn)“材料-電池-材料”全電池壽命閉環(huán)循環(huán)，為產(chǎn)品設(shè)計、開發(fā)和制造提供系統(tǒng)迭代指導(dǎo)。

2.2 車云協(xié)同框架

為了實現(xiàn)對電池的高效監(jiān)測和管理，需要對大量電池數(shù)據(jù)進(jìn)行采集、傳輸、存儲和分析。這個過程需要強(qiáng)大的算力，而目前車載端難以實現(xiàn)。楊世春等[6]提出的賽博鏈，將材料的物理和電化學(xué)參數(shù)上傳到云端共享，實時進(jìn)行模型計算，實現(xiàn)從原材料到產(chǎn)品的溯源。賽博鏈基于云平臺，建立閉環(huán)設(shè)計優(yōu)化系統(tǒng)，通過同步調(diào)整參數(shù)，預(yù)測電池性能并提供優(yōu)化管理方案。賽博鏈開發(fā)了“端、邊、云、智”的車云協(xié)同框架，由云到物的框架如圖1所示。該框架配合深度學(xué)習(xí)算法，可以實現(xiàn)傳統(tǒng)電池管理系統(tǒng)難以實現(xiàn)的復(fù)雜狀態(tài)監(jiān)測、估計和優(yōu)化功能，進(jìn)而可實現(xiàn)電池的熱管理、充電控制、故障診斷功能，提升電池安全和性能。

2.2.1 端側(cè)

端側(cè)主要負(fù)責(zé)采集電池數(shù)據(jù)，通過高實時性算法，完成電池管理系統(tǒng)中基本的熱管理功能，保證電池體系正常運轉(zhuǎn)。電池的典型數(shù)據(jù)包括電池在正常工作狀態(tài)時的充放電時間、溫度、電流、電壓、位置和電池的通信地址。準(zhǔn)確的電池數(shù)據(jù)是電池管理系統(tǒng)實現(xiàn)能量均衡、狀態(tài)估計、熱管理和故障診斷功能的基礎(chǔ)[83]。因此，采集數(shù)據(jù)的準(zhǔn)確性和速度對基于賽博鏈的電池管理系統(tǒng)的性能有很大影響。目前，主要通過裝有電壓、電流和溫度傳感器的車載端電池管理系統(tǒng)采集電池數(shù)據(jù)。

隨著傳感器技術(shù)的不斷發(fā)展，未來將實現(xiàn)對各種電池數(shù)據(jù)的高精度采集，嵌入式傳感器、壓力傳感器、氣體傳感器、聲學(xué)傳感器等新型傳感器將提供豐富且準(zhǔn)確的電池運行狀態(tài)新信息，例如電池所承受的機(jī)械應(yīng)力、聲阻抗等，顯著提高故障診斷準(zhǔn)確性，進(jìn)一步促進(jìn)電池管理系統(tǒng)發(fā)展[84]。

2.2.2 邊緣計算

邊緣側(cè)為數(shù)據(jù)傳輸?shù)倪^渡節(jié)點，對數(shù)據(jù)進(jìn)行過濾處理，上傳到云端，也負(fù)責(zé)部分計算任務(wù)[85]。電池管理系統(tǒng)要實現(xiàn)對電池狀態(tài)的實時估計，對電池故障進(jìn)行快速響應(yīng)，對數(shù)據(jù)的實時處理尤為重要。雖然云中心提供了巨大的計算能力，但數(shù)據(jù)傳輸耗時和網(wǎng)絡(luò)延遲，響應(yīng)速度較低。利用邊緣節(jié)點對數(shù)據(jù)進(jìn)行預(yù)處理與過濾，可以減少中間數(shù)據(jù)傳輸過程，保證數(shù)據(jù)快速處理，在電池實時監(jiān)測和狀態(tài)估計過程中起重要作用[86-87]。邊緣節(jié)點由Web服務(wù)器、數(shù)據(jù)庫服務(wù)器、緩存服務(wù)器和微數(shù)據(jù)中心組成。

邊緣計算用于對電池采集到的數(shù)據(jù)進(jìn)行預(yù)處理和過濾，如數(shù)據(jù)同步、本地計算、數(shù)據(jù)更新、數(shù)據(jù)緩存等[88]。在邊緣節(jié)點上進(jìn)行數(shù)據(jù)處理，可以大大減少發(fā)送到云的數(shù)據(jù)量，從而降低網(wǎng)絡(luò)流量負(fù)載和云計算中心的能耗[89-90]。邊緣計算的另一個關(guān)鍵功能是對存儲在節(jié)點中的電池數(shù)據(jù)進(jìn)行加密，可以提高數(shù)據(jù)私密性，保證數(shù)據(jù)安全性。

2.2.3 云計算

由于邊緣設(shè)備存儲和計算能力有限，一般不可能進(jìn)行復(fù)雜數(shù)據(jù)處理。而云計算是一種特殊形式的分布式計算，通過引用效用模型來遠(yuǎn)程提供可伸縮和可測量的資源，具有幾乎無限的存儲和處理能力，可以實現(xiàn)物聯(lián)網(wǎng)設(shè)備的可擴(kuò)展性和實時數(shù)據(jù)分析[91]。通過深度學(xué)習(xí)高復(fù)雜度、高性能的數(shù)據(jù)驅(qū)動算法，將計算結(jié)果下發(fā)到邊緣側(cè)，邊緣側(cè)再通知端側(cè)，或者直接下發(fā)端側(cè)。云連接的電池管理系統(tǒng)可以實現(xiàn)多種功能，主要包括狀態(tài)估計、壽命預(yù)測、熱管理和安全預(yù)警?；谠频碾姵毓芾硐到y(tǒng)可以設(shè)置各種應(yīng)用程序接口（Application Programming Interface，API）與Python等語言連接，實現(xiàn)功能升級。

云計算有多種分類方法。按所有權(quán)分為私有云、公有云和混合云；按提供商分為單一提供商、多提供商。云計算比邊緣計算費用更低、更安全，是存儲電池系統(tǒng)大量歷史數(shù)據(jù)的最佳選擇[92]。

2.2.4 智慧決策

智慧決策無實體，貫穿于整個車云協(xié)同，是電池管理系統(tǒng)各種功能的整合和虛擬載體。與傳統(tǒng)電池管理系統(tǒng)簡單的單側(cè)電池管理不同，基于端邊云架構(gòu)的電池管理系統(tǒng)能更好地獲取電池的實時狀態(tài)，通過高實時性、高精度算法，實現(xiàn)對電池智慧管理。在實現(xiàn)對電池狀態(tài)估計過程中，車載端通過電流、電壓傳感器采集電池的電流、電壓數(shù)據(jù)，并將原始數(shù)據(jù)上傳到邊緣側(cè)。邊緣側(cè)負(fù)責(zé)一部分?jǐn)?shù)據(jù)的運算任務(wù)，并對數(shù)據(jù)進(jìn)行預(yù)處理，將數(shù)據(jù)發(fā)送到云端。云端通過高精度算法對數(shù)據(jù)進(jìn)行處理，得到電池SOC、SOH參數(shù)，做出相應(yīng)決策，并將決策結(jié)果下發(fā)至邊緣側(cè)與端側(cè)。端側(cè)做出反應(yīng)，例如調(diào)節(jié)電池的電壓、電流，實現(xiàn)對電池狀態(tài)估計與管理。這種被稱為監(jiān)控-分析-計劃-執(zhí)行（MAPE-K）循環(huán)的控制模式被認(rèn)為是自動化和自適應(yīng)控制中最有前景的路徑之一[93-94]。

2.3 多服務(wù)模式

目前，不同電池廠商開發(fā)的電池管理系統(tǒng)基本上都是獨立、自主和分散的系統(tǒng)，導(dǎo)致多個傳感器收集的大量數(shù)據(jù)利用效率低下。為了徹底解決該問題，賽博鏈框架提供了集基礎(chǔ)設(shè)施、軟件平臺、應(yīng)用和數(shù)據(jù)資源于一體的分層綜合服務(wù)。圖2所示為賽博鏈多服務(wù)模式，具體包括基礎(chǔ)設(shè)施服務(wù)（Infrastructure as a Service，IaaS）、開發(fā)平臺服務(wù)（Platform as a Service，PaaS）、軟件應(yīng)用服務(wù)（Software as a Service，SaaS）和數(shù)據(jù)資源服務(wù)（Data as a Service，DaaS）。

2.3.1 基礎(chǔ)設(shè)施服務(wù)（IaaS）

IaaS提供有關(guān)計算、存儲、安全和其他基礎(chǔ)設(shè)施服務(wù)，讓客戶能夠控制操作系統(tǒng)，供用戶開發(fā)定制化電池管理系統(tǒng)，以滿足特定應(yīng)用需求，允許用戶對資源進(jìn)行分配控制，同時接管系統(tǒng)維護(hù)的職責(zé)[88]。

IaaS的基本結(jié)構(gòu)是數(shù)據(jù)資源池，可以在數(shù)據(jù)池中當(dāng)前數(shù)據(jù)和歷史數(shù)據(jù)庫的支持下進(jìn)行數(shù)據(jù)融合、數(shù)據(jù)迭代和邊緣計算。通過5G和其他通信技術(shù)定期將傳感器采集到的電池多尺度數(shù)據(jù)上傳到賽博鏈平臺，實現(xiàn)數(shù)據(jù)資源池的更新迭代?？蓴U(kuò)展和可定制的IaaS也可以支持“隨走隨付”模式，從而節(jié)約使用費用。然而，IaaS也帶來了一些潛在的安全風(fēng)險[95]。

任何非法訪問敏感資料或操縱數(shù)據(jù)庫的行為都可能造成重大財產(chǎn)損失，甚至嚴(yán)重事故。因此，安全是云計算技術(shù)的關(guān)鍵問題，尤其是作為其他服務(wù)層基礎(chǔ)的IaaS[6]。

2.3.2 開發(fā)平臺服務(wù)（PaaS）

PaaS可以為用戶提供隨時可用的環(huán)境以運行軟件或其他應(yīng)用程序。便于用戶在電池管理系統(tǒng)設(shè)計過程中調(diào)用所需功能，提供大數(shù)據(jù)分析、物聯(lián)網(wǎng)平臺、決策樹算法驅(qū)動的人工智能平臺、邏輯回歸、強(qiáng)化學(xué)習(xí)模塊化服務(wù)，使車輛電子設(shè)備和高級控制服務(wù)之間的連接成為可能[96]。

PaaS模型允許不同企業(yè)用戶協(xié)同開發(fā)應(yīng)用程序，平臺可以將不同品牌車輛的數(shù)據(jù)集成在一起進(jìn)行統(tǒng)一分析，擴(kuò)大可訪問數(shù)據(jù)范圍，為智能算法提供大量訓(xùn)練數(shù)據(jù)，提高算法性能[97]。

2.3.3 軟件應(yīng)用服務(wù)（SaaS）

SaaS允許潛在用戶在任何時間、任何地點、任何設(shè)備經(jīng)過授權(quán)訪問，建立電池多尺度模型，直接為企業(yè)用戶提供軟件應(yīng)用服務(wù)。安全性是SaaS不可忽視的問題。權(quán)限層用戶的認(rèn)證和API網(wǎng)關(guān)是SaaS的關(guān)鍵，任何錯誤都可能導(dǎo)致對云服務(wù)器的錯誤訪問或非法訪問，從而導(dǎo)致BMS決策錯誤或隱私信息泄露。

2.3.4 數(shù)據(jù)資源服務(wù)（DaaS）

DaaS將傳感器采集到的車輛電池數(shù)據(jù)集成儲存在云中，以API的形式對數(shù)據(jù)進(jìn)行供給、管理和增值處理，為用戶提供數(shù)據(jù)資源服務(wù)。例如，電池全生命周期管理中，基于電池狀態(tài)數(shù)據(jù)，進(jìn)行電池狀態(tài)的優(yōu)化管理，實現(xiàn)實時數(shù)據(jù)同步，提升電池性能，延長電池壽命[98]。然而，隱私與安全是阻礙DaaS發(fā)展的一大挑戰(zhàn)，文獻(xiàn)[99]中提出了一種實現(xiàn)DaaS服務(wù)的隱私感知組合方法，允許指定服務(wù)隱私要求和策略，并驗證了其與組合中涉及服務(wù)的兼容性，為解決DaaS隱私問題提供了可行方案。

3 挑戰(zhàn)和應(yīng)用

3.1 現(xiàn)存的挑戰(zhàn)

基于賽博鏈的電池管理系統(tǒng)與生命財產(chǎn)安全密切相關(guān)，主要面臨傳感器精度、精準(zhǔn)建模和信息安全相關(guān)問題的挑戰(zhàn)。

3.1.1 傳感器精度

納米級微材料和宏觀性能的感知需要具有高采樣精度和精細(xì)模型的傳感器，以生成多維、多狀態(tài)、多因素層次數(shù)據(jù)，這是評估電池系統(tǒng)運行狀態(tài)的基礎(chǔ)，也是診斷某些電池缺陷的基礎(chǔ)。而目前車載端傳感器采集數(shù)據(jù)精度不足，缺乏關(guān)于高精檢測方法和工具的深入研究。

3.1.2 精準(zhǔn)建模

精準(zhǔn)的電池模型是電池管理系統(tǒng)實現(xiàn)準(zhǔn)確預(yù)測與安全管理的基礎(chǔ)。實時建模時，需要具體分析復(fù)雜的電化學(xué)機(jī)理和電-熱-機(jī)械多因素耦合過程，以獲得電池微觀機(jī)理與宏觀性能映射關(guān)系的精確圖像。然而，目前還缺乏可實施的模型來精確地模擬和理解電化學(xué)反應(yīng)過程。

3.1.3 信息安全

賽博鏈的“端、邊、云、智”BMS框架中，每個步驟都涉及到大量數(shù)據(jù)傳輸與計算處理，存在信息安全風(fēng)險。由于智能車載系統(tǒng)的復(fù)雜性和產(chǎn)品的不斷迭代，目前缺乏一套普遍認(rèn)可的信息安全標(biāo)準(zhǔn)和法規(guī)。賽博鏈必然需要面對各種信息安全風(fēng)險帶來的更加嚴(yán)峻的考驗和艱巨的挑戰(zhàn)。

3.2 擴(kuò)展應(yīng)用場景

基于賽博鏈的BMS系統(tǒng)可以較好地實現(xiàn)系統(tǒng)各項功能，為用戶提供個性化服務(wù)。同時，由于動力電池管理領(lǐng)域與其他工業(yè)應(yīng)用場景下需要解決的問題存在共同之處，因此基于賽博鏈的、更廣義的云端管理系統(tǒng)可以超越動力電池管理領(lǐng)域而廣泛遷移應(yīng)用，這是由于其跨平臺性好、模塊化程度高、計算能力和通信能力強(qiáng)的特點決定的。在現(xiàn)代工業(yè)領(lǐng)域，眾多應(yīng)用場景都具有多尺度結(jié)構(gòu)特征且適于建立數(shù)字孿生模型，主要包括智能材料研發(fā)、智能制造支持、智慧醫(yī)療應(yīng)用、智能能源管理、智慧交通協(xié)同領(lǐng)域，則基于賽博鏈的車云協(xié)同框架將很好地發(fā)揮其功能優(yōu)勢。

4 結(jié)束語

本文提出了一種基于賽博鏈框架的電池全生命周期管理功能。賽博鏈框架通過對電池數(shù)據(jù)、人工智能算法和電池多尺度云數(shù)據(jù)模型集成，可以對產(chǎn)品研發(fā)與制造體系進(jìn)行系統(tǒng)性的優(yōu)化迭代指導(dǎo)。同時，賽博鏈框架采集的數(shù)據(jù)類型涵蓋了從電池材料、單體、模組、系統(tǒng)到整車級別，以及從微觀到宏觀的多尺度信息，而且還包括電池溫度、電流、電壓數(shù)據(jù)，電動汽車有望在多種復(fù)雜情況下實現(xiàn)全面的精細(xì)化監(jiān)控管理。

賽博鏈框架獨特的分層、交互的“端、邊、云、智”BMS框架可以解決車載端算力不足的問題，根據(jù)不同應(yīng)用場景承擔(dān)不同計算任務(wù)，隨著下一代通信技術(shù)的突破性發(fā)展，具有廣闊的發(fā)展前景。整個系統(tǒng)可以為有不同需求和不同管理權(quán)限用戶提供個性化服務(wù)，包括IaaS、PaaS、SaaS和DaaS服務(wù)模型。除此之外，賽博鏈框架具有廣泛兼容性和可移植性，適用于多種應(yīng)用場景，具有很好的發(fā)展前景。然而，基于賽博鏈的電池管理系統(tǒng)仍面臨一些問題和挑戰(zhàn)，未來相關(guān)技術(shù)發(fā)展將為解決這些問題提供更多的解決方案。

參 考 文 獻(xiàn)

[1] 王其鈺， 王朔， 張杰男， 等. 鋰離子電池失效分析概述[J].儲能科學(xué)與技術(shù)， 2017， 6（5）： 1008-1025.

[2] HASIB SHAHID A， ISLAM S， CHAKRABORTTY RIPON K， et al. A Comprehensive Review of Available Battery Datasets， RUL Prediction Approaches， and Advanced Battery Management[J]. IEEE Access， 2021， （99）：1-1.

[3] LU L G， HAN X B， LI J Q， et al. A Review on the Key Issues for Lithium-ion Battery management in Electric Vehicles[J]. Journal of Power Sources，2013，226（6）： 17.

[4] DAI H， JIANG B， HU X， et al. Advanced Battery Management Strategies for A Sustainable Energy Future： Multilayer Design Concepts and Research Trends[J/OL]. Renewable and Sustainable Energy Reviews，（2020-10-29）[2022-07-24]. https：//doi.org/10.1016/j.rser.2020.110480.

[5] HOSSAIN LIPU M S， HANNAN M A， KARIM T F， et al. Intelligent Algorithms and Control Strategies for Battery Management System in Electric Vehicles： Progress， Challenges and Future Outlook[J]. Journal of Cleaner Production，2021，292（prepublish）： 126044.

[6] YANG S， HE R， ZHANG Z， et al. CHAIN： Cyber Hierarchy and Interactional Network Enabling Digital Solution for Battery Full-Lifespan Management[J].Matter，2020，3（1）： 27-41.

[7] Ma B ，Yu H ，Yang L ， et al.Toward a Function Realization of Multi-scale Modeling for Lithium-ion Battery Based on CHAIN Framework[J].Rare Metals，2023，42（02）：368-386.

[8] 馮劉中， 張雅文， 張舟. 電動汽車BMS系統(tǒng)架構(gòu)與發(fā)展趨勢[C]//2021中國汽車工程學(xué)會年會論文集（2）， 2021： 276-281.

[9] 盧婷， 楊文強(qiáng). 鋰離子電池全生命周期內(nèi)評估參數(shù)及評估方法綜述[J]. 儲能科學(xué)與技術(shù)， 2020， 9（3）： 657-669.

[10] GAO X L， LIU X H， XIE W L， et al. Multiscale Observation of Li Plating for Lithium-ion Batteries[J/OL]. Rare Metals.（2021-05-15）[2022-07-22]. https：//doi.org/10.1007/s12598-021-01730-3.

[11] GB/ T38661-2020， 電動汽車用電池管理系統(tǒng)技術(shù)條件[S]. 中國： 國家標(biāo)準(zhǔn)化管理委員會， 2020.

[12] 王彩娟， 朱相歡， 田宏錦， 等. 解析電動汽車電池管理系統(tǒng)新國標(biāo)GB/T 38661-2020[J]. 電池工業(yè)， 2021， 25（3）：160-164.

[13] SHEN M C， GAO Q. A Review on Battery Management System From the Modeling Efforts to Its Multiplications and Integration[J/OL]. International Journal of Energy Research. （2019-04-10）[2022-07-22]. https：//www.semanticscholar.org/paper/A-review-on-battery-management-system-from-the-to-Shen-Gao/c29d6189d175880697184d331944072fead75854.

[14] TOPAN P A， RAMADAN M N， FATHONI G， et al. State of Charge （SOC） and State of Health （SOH） Estimation on Lithium Polymer Battery via Kalman Filter[C/OL]//Proceedings of 2016 2nd International Conference on Science and Technology-Computer， New Delhi：Springer，2016[2022-07-22]. https：//ieeexplore.ieee.org/document/7877354.

[15] ANDRE D， APPEL C， SOCZKA-GUTH T， et al. Advanced Mathematical Methods of SOC and SOH Estimation for Lithium-ion Batteries[J/OL]. Journal of Power Sources， （2013-06-15）[2022-07-22]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES14010600307448&DbName=GARJ2013.

[16] BAI G X， WANG P F. A Self-cognizant Dynamic System Approach for Battery State of Health Estimation[C/OL]//2014 International Conference on Prognostics and Health Management，2014： 1-10[2022-07-22].https：//www.semanticscholar.org/paper/A-self-cognizant-dynamic-system-approach-for-state-Bai-Wang/51584928582a24b580e8475bd4f4f49b8c22b426.

[17] ZHANG X， WANG Y J， LIU C， et al. A Novel Approach of Battery Pack State of Health Estimation Using Artificial Intelligence Optimization Algorithm[J/OL]. Journal of Power Sources.（2018-02-01）[2022-07-22]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES210557800340084F409C747E588BB16C&DbName=GARJ2018.

[18] NEJAD S， GLADWIN D T. Online Battery State of Power Prediction Using PRBS and Extended Kalman Filter[J/OL]. IEEE Transactions on Industrial Electronics.（2020-05-01）[2022-07-22].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=XJAZ09F05842CD512E29A8A786CF73298716&DbName=GARJ2020.

[19] 張宵洋， 張振福， 毛順永， 等. 鋰電池SOC與持續(xù)峰值SOP的聯(lián)合估計[J/OL]. 控制工程.（2020-11-17）[2022-07-22]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=JZDF202207014&DbName=DKFX2022.

[20] 邢麗坤， 詹明睿， 郭敏， 等. 基于FFMILS-MIUKF算法的鋰電池SOC估計[J/OL]. 電子測量技術(shù). （2022-07-26）[2022-07-28].http：//kns.cnki.net/kcms/detail/11.2175.TN.20220725.1815.030.html.

[21] LI C J， CHEN Z W， CUI J， et al. The Lithium-ion Battery State-of-Charge Estimation Using Random Forest Regression[C/OL]//Proceedings of 2014 Prognostics and System Health Management Conference（PHM 2014）， IEEE， 2014： 336-339[2022-07-22]. https：//ieeexplore.ieee.org/document/6988190.

[22] 羅雪松， 朱茂桃. 一種GA-DKF的鋰離子電池SOC估計[J].重慶理工大學(xué)學(xué)報（自然科學(xué)）， 2022， 36（3）： 63-71.

[23] 李旭東， 張向文. 基于主成分分析與WOA-Elman的鋰離子電池SOH估計方法[J/OL]. 儲能科學(xué)與技術(shù). （2022-07-25）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=CNKX202212029&DbName=CJFQ2022.

[24] 武驥，方雷超，劉興濤，等.基于特征優(yōu)化和隨機(jī)森林算法的鋰離子電池SOH估計[J/OL].機(jī)械工程學(xué)報.（2022-06-15）[2022-07-28].http：//kns.cnki.net/kcms/detail/11.2187.TH.20220613.1735.004.html.

[25] 柴建勇， 侯恩廣， 李岳煬. 基于雙卡爾曼濾波的梯次利用電池SOP估算研究[J]. 電源技術(shù)，2021， 45（6）： 732-735.

[26] 徐志杰. 基于無跡卡爾曼濾波器的三元鋰電池SOC與SOP估計算法研究[D]. 成都： 西南交通大學(xué)，2021.

[27] TANG X P， YAO K， LIU B Y， et al. Long-term Battery Voltage， Power， and Surface Temperature Prediction Using a Model-based Extreme Learning Machine[J/OL]. Energies.（2018-01-03）[2022-07-28]. https：//www.mdpi.com/1996-1073/11/1/86

[28] XAVIER M A， KAWAKITA A， TRIMBOLI M S. An LPV-MPC Inspired Battery SOP Estimation Algorithm Using a Coupled Electro-Thermal Model[J]. 2021， 5（1）： 4421-4426.

[29] 李曉涵， 孫磊， 馬勇， 等. 基于Sage-Husa EKF算法的鋰離子電池能量狀態(tài)估計[J/OL]. 儲能科學(xué)與技術(shù). （2022-06-29）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=CNKX20220627001&DbName=CAPJ2022.

[30] HE H W， ZHANG Y Z， XIONG R， et al. A Novel Gaussian Model Based Battery State Estimation Approach： State-of-Energy[J/OL]. Applied Energy.（2015-06-15）[2022-07-28]. http：//dx.doi.org/10.1016/j.apenergy. 2015. 04. 062.

[31] 范汝新， 張宵洋， 張振福， 等. 鋰電池能量狀態(tài)與功率狀態(tài)的聯(lián)合估計[J]. 電源技術(shù)， 2021， 45（10）： 1252-1255+1259.

[32] SHEN P， OUYANG M， LU L， et al. The co-estimation of State of Charge， State of Health， and State of Function for Lithium-ion Batteries in Electric Vehicles[J/OL]. IEEE Transactions on Vehicular Technology.（2018-01-01）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=XJAZ5E4559D6E3A2071CD07427735C1A3DAB&DbName=GARJ2018.

[33] 歐陽劍. 電動汽車用鋰離子動力電池SOC估算和SOF評估的研究[D]. 廣州： 華南理工大學(xué)， 2016.

[34] DONG G Z， HAN W J， WANG Y J. Dynamic Bayesian Network-Based Lithium-Ion Battery Health Prognosis for Electric Vehicles[J/OL]. IEEE Transactions on Industrial Electronics.（2021-11-01）[2022-07-28].https：//www.semanticscholar.org/paper/Dynamic-Bayesian-Network-Based-Lithium-Ion-Battery-Dong-Han/be54f3c98d717ea46b140783723658382e959782.

[35] 姚遠(yuǎn)， 陳志聰， 吳麗君， 等. 采用GRU-MC混合算法的鋰離子電池RUL預(yù)測[J]. 福州大學(xué)學(xué)報（自然科學(xué)版），2022，50（2）： 169-174.

[36] NIU G X， WANG X， LIU E H， et al. Lebesgue Sampling Based Deep Belief Network for Lithium-Ion Battery Diagnosis and Prognosis[J/OL]. IEEE Transactions on Industrial Electronics.（2022-08-08）[2022-07-28].https：//ieeexplore.ieee.org/document/9531345.

[37] 唐婷， 袁慧梅. 基于改進(jìn)ELM的鋰離子電池RUL預(yù)測[J]. 電池， 2021， 51（6）： 548-552.

[38] ZZHANG Y， XIONG R， HE H， et a. Long Short-term Memory Recurrent Neural Network for Remaining Useful Life prediction of lithium-ion batteries[J/OL]. IEEE Transactions on Vehicular Technology.（2018-07-07）[2022-07-28]. https：//ieeexplore.ieee.org/document/8289406.

[39] 朱浩， 趙策， 劉云峰， 等. 一種新型動力電池組能量均衡系統(tǒng)研究[J]. 電源技術(shù)， 2015， 39（11）： 2387-2390.

[40] 陳展， 周慶輝， 邱星慧， 等. 電動汽車動力電池均衡系統(tǒng)的設(shè)計和試驗[J]. 電源技術(shù)， 2017， 41（9）： 1358-1360+1373.

[41] 姚芳， 王曉鵬， 陳盛華， 等. 基于Buck-Boost準(zhǔn)諧振電路的電池自適應(yīng)分組均衡方案研究[J/OL]. 中國電機(jī)工程學(xué)報. （2021-12-24）[2022-07-28]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20211223.1854.016.html.

[42] 齊火箭， 張新瑞， 王嘉宏， 等. 動力鋰離子電池組均衡策略研究[J/OL]. 電源學(xué)報. （2022-02-15）[2022-07-28].http：//kns.cnki.net/kcms/detail/12.1420.TM.20220215.0853.002.html.

[43] 魏業(yè)文， 解園琳， 李梅， 等. 改進(jìn)的可重構(gòu)均衡電路及控制策略研究[J]. 電源技術(shù)， 2022， 46（4）： 420-424.

[44] 馬春艷， 王慶龍， 張迪， 等. 基于SOC的串聯(lián)連接鋰電池能量均衡控制研究[J/OL]. 電源學(xué)報.（2022-02-15）[2022-07-28].http：//kns.cnki.net/kcms/detail/12.1420.TM.20220215.1535.010.html.

[45] DUAN C， WANG C S， LI Z Z， et al. A Solar Power-Assisted Battery Balancing System for Electric vehicles[J/OL]. IEEE Transactions on Transportation Electrification.（2018-06-02）[2022-07-28]. https：//ieeexplore.ieee.org/document/8319452.

[46] TSENG K C， HUANG H S， CHENG C A. A Power Conversion Technique with Hierarchical Equalization Charging Topology for Lifepo4 Batteries[J/OL]. Micromachines， （2021-08-26）[2022-07-28]. https：//www.mdpi.com/2072-666X/12/9/1014.

[47] 李久超. 考慮SOC均衡的鋰離子電池組散熱結(jié)構(gòu)研究[D]. 長春： 吉林大學(xué)， 2022.

[48] 劉威， 唐傳雨， 王天如， 等. 串聯(lián)電池組主動均衡拓?fù)浼翱刂撇呗匝芯縖J].電源學(xué)報.2022，20（3）：161-169.

[49] BIBIN C， DEVAN P K， SENTHIL KUMAR S， et al. Thermal Performance of Lithium-Ion Battery Pack Using Forced Air Circulation System[C/OL]//Materials Today： Proceedings. Amsterdam： ELSEVIER，2021： 3670-3676[2022-07-28]， DOI：10.1016/j.matpr.2021.01.823.

[50] WANG L， WANG L， YUE Y， et al. Research on Thermal Management System of Lithium Iron Phosphate Battery Based on Water Cooling System[C/OL]// ： Proceedings of the 3rd International Conference on Electrical and Information Technologies for Rail Transportation （EITRT） 2017. Springer： Singapore， 2018： 341-349[2022-07-28].https：//www.researchgate.net/publication/324117406_Research_on_Thermal_Management_System_of_Lithium_Iron_Phosphate_Battery_Based_on_Water_Cooling_System.

[51] 曾祥兵， 謝堃， 張偉， 等. 新型動力電池?zé)峁芾硐到y(tǒng)設(shè)計及性能研究[J]. 汽車工程， 2022， 44（4）： 476-481.

[52] 楊林. 純電動汽車動力電池?zé)峁芾硐到y(tǒng)設(shè)計及仿真優(yōu)化[D]. 浙江大學(xué)， 2021.DOI：10.27461/d.cnki.gzjdx.2021.002459.

[53] 唐偉. 往復(fù)式循環(huán)液冷與平面熱管結(jié)合的動力電池?zé)峁芾硐到y(tǒng)熱均勻性研究[D].鎮(zhèn)江：江蘇大學(xué)，2020.

[54] 王振， 李保國. 電池?zé)峁芾硐到y(tǒng)散/加熱特性研究及保溫安全設(shè)計[J]. 包裝工程， 2022， 43（11）： 174-182.

[55] ZHANG Y F， HUANG J H， CAO M， et al. A Novel Flexible Phase Change Material With Well Thermal and Mechanical Properties for Lithium Batteries Application[J/OL]. Journal of Energy Storage.（2021-12-01）[2022-07-28]. https：//www.semanticscholar.org/paper/A-novel-flexible-phase-change-material-with-well-Zhang-Huang/5a0ea1ecaf92fbdc88ed0e0a09a744f16876fb14

[56] 王澤旭， 李冰辰， 許瑤， 等. 基于過冷相變材料熱開關(guān)的鋰離子電池?zé)峁芾硐到y(tǒng)[J]. 發(fā)電技術(shù)， 2022， 43（2）： 328-340.

[57] AL-ZAREER M， DINCER I， ROSEN M A. A Novel Phase Change Based Cooling System for Prismatic Lithium ion Batteries[J/OL]. International Journal of Refrigeration. 2018， 86. https：//www.sciencedirect.com/science/article/abs/pii/S0140700717305030.

[58] ZHANG ZQ， LI Y. Experimental Study of a Passive Thermal Management System Using Copper Foam-paraffin Composite for Lithium ion batteries[C/OL]//Energy Procedia. Songapore： Elsevier， 2017： 2403-2408[2022-07-28].https：//www.researchgate.net/publication/322837010_Experimental_study_of_a_passive_thermal_management_system_using_copper_foam-paraffin_composite_for_lithium_ion_batteries.

[59] 陳英亮. 電池單體不一致性診斷算法比較研究[D].長春：吉林大學(xué)，2022.

[60] 趙帥. 鋰離子動力電池內(nèi)短路機(jī)理與診斷方法研究[D].長春：吉林大學(xué)，2022.

[61] JIANG L L， DENG Z W， TANG X L， et al. Data-driven fault diagnosis and thermal runaway warning for battery packs using real-world vehicle data[J/OL]. Energy.（2021-11-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES37AB8D429EC1A6F7E950B7D9381DA1E8&DbName=GARJ2021_1.

[62] GAO W， LI XY， MA M N，et al. Case Study of an Electric Vehicle Battery Thermal Runaway and Online Internal Short-Circuit Detection[J/OL]. IEEE Transactions on Power Electronics.（2021-03-01）[2022-07-28].https：//www.x-mol.com/paper/1320893399325446144？adv.

[63] QIAO D D， WANG X Y， LAI X， et al. Online Quantitative Diagnosis of Internal Short Circuit for Lithium-ion Batteries Using Incremental Capacity Method[J/OL]. Energy.（2022-03-15）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES0EF904E8+LSsIl3bU/d7q+OSJJ4CGQ==8A8FCA81F4A65E94F3B39BC5&DbName=GARJ2021_2.

[64] 李庭杰. 車用鋰離子動力電池組不一致性及連接故障診斷方法研究[D].武漢：華中科技大學(xué)，2020.

[65] LIN T T， CHEN Z Q， ZHENG C W， et al. Fault Diagnosis of Lithium-Ion Battery Pack Based on Hybrid System and Dual Extended Kalman Filter Algorithm[J/OL]. IEEE Transactions on Transportation Electrification.（2020-01-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=6072ED4A67D57EF9374BE38DF8F1A1C9&DbName=GARJ2020.

[66] HAN X， LU L， ZHENG Y， et al. A Review on the Key Issues of the Lithium Ion Battery Degradation Among the Whole Life cycle[J/OL]. eTransportation.（2019-02-28）[2022-07-28]. https：//doi.org/10.1016/j.etran.2019.100005.

[67] 鄭岳久. 車用鋰離子動力電池組的一致性研究[D].北京：清華大學(xué)，2014.

[68] WANG Q， JIANG B， LI B， et al. A Critical Review of Thermal Management Models and solutions of lithium-ion Batteries for the Development of Pure Electric Vehicles[J/OL]//Renewable and Sustainable Energy Reviews.（2016-10-15）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES61A586EFACBBA43582AF0FF509E5B32D&DbName=GARJ2016.

[69] 馬彥， 李佳怡， 馬乾， 等. 基于迭代動態(tài)規(guī)劃的動力電池組熱管理優(yōu)化策略[J]. 汽車工程， 2022， 44（5）： 709-721.

[70] 楊靜， 林振康， 湯君， 等. 電池系統(tǒng)的故障特征以及多故障的診斷與識別[J/OL]. 化工學(xué)報. （2022-07-20）[2022-07-23].http：//kns.cnki.net/kcms/detail/11.1946.TQ.20220720.1028.004.html.

[71] 蘇偉， 鐘國彬， 沈佳妮， 等. 鋰離子電池故障診斷技術(shù)進(jìn)展[J]. 儲能科學(xué)與技術(shù)， 2019， 8（2）： 225-236.

[72] HONG J C， WANG Z P， YAO Y T. Fault Prognosis of Battery System Based on Accurate Voltage Abnormity Prognosis Using Long Short-term Memory Neural Networks[J/OL]. Applied Energy.（2019-10-01）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJES51278D1206AC3DA1A12068B4FBE0A664&DbName=GARJ2019

[73] 陳嵐， 范永清， 張謙， 等. 基于貝葉斯網(wǎng)絡(luò)的電池管理系統(tǒng)故障診斷方法[J]. 電源技術(shù)， 2016， 40（7）： 1396-1398+1415.

[74] 趙熙， 候亞虹， 汪貴平， 等. 基于云平臺的電池管理系統(tǒng)設(shè)計與實現(xiàn)[J]. 機(jī)械與a141c0fdffcc08316d48242f4673db71ecd0cb0846b821a984a819d0a2f377ed電子， 2019， 37（12）： 51-55.

[75] KIM T， MAKWANA D， ADHIKAREE A， et al. Cloud-Based Battery Condition Monitoring and Fault Diagnosis Platform for Large-scale Lithium-ion Battery Energy Storage Systems[J/OL]. Energies.（2018-01-04）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJMD44B4021D25BF3D714C08A26A781D92E8&DbName=GARJ2018.

[76] 李啟銳. 面向云邊端協(xié)同的高性能移動邊緣計算理論與方法研究[D]. 廣州： 廣州大學(xué)， 2021.

[77] FLOREA B C， TARALUNGA D D. Blockchain IoT for Smart Electric Vehicles Battery Management[J/OL]. Sustainability （Switzerland）.（2020-05-13）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJMDBDA491684E22BF90660D273B977A090E&DbName=GARJ2020.

[78] AENUGU I R， BERE G， OCHOA J J， et al. Battery Data Management and Analytics Platform Using Blockchain Technology[C/OL]//2020 IEEE Transportation Electrification Conference and Expo（ITEC 2020）， 2020： 153-157[2022-07-28]. https：//www.researchgate.net/publication/343520712_Battery_Data_Management_and_Analytics_Platform_Using_Blockchain_Technology

[79] 付瑩瑩， 孫德龍， 王勝放， 等. 汽車功能安全發(fā)展趨勢[J].重型汽車， 2022（03）： 42-43.

[80] 賈先鋒， 王鵬程， 劉天宇. 基于智能網(wǎng)聯(lián)汽車車載網(wǎng)絡(luò)防護(hù)技術(shù)的研究[J]. 汽車實用技術(shù)， 2022， 47（1）：3 2-35.

[81] 劉金松， 杜宏生， 林毅. 中國汽車行業(yè)信息安全體系可信賴度評估機(jī)制研究[J]. 中國信息安全， 2022（5）： 79-81.

[82] ZHANG L S， GAO X L， LIU X H， et al. CHAIN： Unlocking Informatics-aided Design of Li Metal Anode from Materials to Applications[J/OL]//Rare Metals. （2022-05-15）[2022-07-28]. https：//kns.cnki.net/kns8/manage/export.html？displaymode=elearning.

[83] 陳琦龍， 孫建國， 陳凱，等. 純電動汽車電池管理系統(tǒng)國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢[J]. 現(xiàn)代車用動力， 2022（1）：7.

[84] RAMILLI R， CRESCENTINI M， Traverso P A. Sensors for Next-Generation Smart Batteries in Automotive： a Review[C]//2021 IEEE International Workshop on Metrology for Automotive （MetroAutomotive）. IEEE， 2021： 30-35.

[85] XIA S C， YAO Z X， LI Y， et al. Online Distributed Offloading and Computing Resource Management with Energy Harvesting for Heterogeneous MEC-enabled IoT[J]. IEEE Transactions on Wireless Communications， 2021， 20（10）： 6743-6757.

[86] ABNER M， WONG P K Y， CHENG J C P. Battery Lifespan Enhancement Strategies for Edge Computing-Enabled Wireless Bluetooth Mesh Sensor Network for Structural Health Monitoring[J]. Automation in Construction， 2022， 140（8）： 104355.

[87] YOUSAFZAI A， YAQOOB I， IMRAN M， et al. Process migration-based Computational Offloading Framework for IoT-supported Mobile Edge/cloud Computing[J]. IEEE internet of things journal， 2019， 7（5）： 4171-4182.

[88] PADIDEM P， LEE A. Studying Offloading Optimization for Energy-Latency Tradeoff with Collaborative Edge Computing[C]//2022 16th International Conference on Ubiquitous Information Management and Communication （IMCOM）. IEEE， 2022： 1-6.

[89] FAN Z Y， YANG W， TIAN K J. An Edge Computing Service Model Based on Information-centric Networking[C/OL]//Proceedings of the International Conference on Parallel and Distributed Systems - ICPADS. IEEE， 2019： 498-505[2022-07-28]. https：//ieeexplore.ieee.org/document/8975790.

[90] CHEN S C， LI Q J， ZHOU C， et al. Recent Advances in Collaborative Scheduling of Computing Tasks in an Edge Computing Paradigm[M/OL]//Sensors （Switzerland）. （2021-01-24）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SJMDAD5518B61618089D453FD49C8256B3E6&DbName=GARJ2021_1.

[91] KHAN A M， FREITAG F， RODRIGUES L. Current Trends and Future Directions in Community Edge Clouds[C/OL]//2015 IEEE 4th International Conference on Cloud Networking（CloudNet 2015）. IEEE， 2015：239-241.https：//ieeexplore.ieee.org/document/7335315.

[92] 袁梓涵.計算機(jī)大數(shù)據(jù)分析與云計算網(wǎng)絡(luò)技術(shù)應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用， 2022（5）： 81-82.

[93]2290c3fe47ea64b3f447620da417ed64 VIZCARRONDO J， AGUILAR J， EXPOSITO E， et al. MAPE-K as A Service-oriented Architecture[J/OL]. IEEE Latin America Transactions. （2017-06-02）[2022-07-28]. https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=SFJG9BBC059A3B39D969963191E637FED9D4&DbName=GARJ2017.

[94] OUARETH S， BOULEHOUACHE S， MAZOUZI S. A Component-Based MAPE-K Control Loop Model for Self-adaptation[C/OL]//Proceedings ofInternational Conference on Pattern Analysis and Intelligent Systems（PAIS）. IEEE， 2018： 1-7[2022-07-28].https：//ieeexplore.ieee.org/document/8598529.

[95] CHAWKI E B， AHMED A， ZAKARIAE T. IaaS Cloud Model Security Issues on Behalf Cloud Provider and User Security Behaviors[J/OL]. Procedia Computer Science. （2018-08-13）[2022-07-28]. https：//doi.org/10.1016/j.procs.2018.07.180. DOI：10.1016/j.procs.2018.07.180.

[96] AL AMRI S M， GUAN L. Infrastructure as a Service： Exploring Network Access Control Challenges[J/OL]. Proceedings of 2016 SAI Computing Conference. （2016-09-01）[2022-07-28].https：//www.semanticscholar.org/paper/Infrastructure-as-a-service%3A-Exploring-network-Amri-Guan/d1bba86bfe23a8d255a6494ffa2210a241210020.

[97] CUNHA D， NEVES P， SOUSA P. PaaS manager： A platform-as-a-service Aggregation Framework[J/OL]. Computer Science and Information Systems. （2014-01-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.gqtU2l26xIvJbqimieWxgQ==aspx？FileName=5140988A8DD93D90D43DC3F6A5160548&DbName=GARJ2014.

[98] SILVA N， RIBEIRO E L F， CLARO D B. Daas Repository Through MIDAS Web Crawler[C/OL]//ACM International Conference Proceeding Series. New York： Association For Computing Machinery，2018： 1-8[2022-07-28]. https：//www.researchgate.net/publication/329331700_DaaS_Repository_through_MIDAS_Web_Crawler.

[99] TBAHRITI S E， GHEDIRA C， MEDJAHED B， et al. How To Enhance Privacy within DaaS Service Composition？[J/OL]. IEEE Systems Journal. （2013-01-01）[2022-07-28].https：//kns.cnki.net/kcms/detail/detail.aspx？FileName=NSTL08A6464603E3786A709D7A661145D024&DbName=GARJ2013.

（責(zé)任編輯 梵玲）