作为电动汽车的关键部件,动力电池系统受行驶工况、环境条件等多因素影响,其外特性具有高实时性、高非线性和强耦合性等特点。这导致动力电池系统在工作状态发生的故障往往难以快速诊断。针对动力电池故障特点,本文基于新能源汽车国家监管平台大数据,结合数理统计方法和机器学习模型,对动力电池系统报警故障进行了统计分析,对动力电池两种潜在故障(电压离群故障、容量异常故障)进行了挖掘分析,本文具体研究工作包括:(1)结合故障树分析方法,对动力电池系统常见故障类型进行分类,并研究每种故障类型的故障机理;根据研究得到的动力电池系统故障类型分类,对GB/T 32960中动力电池故障相关的数据项进行了故障分类并建立故障树。(2)结合数理统计方法和电动汽车大数据,对大数据环境下动力电池研究的数据预处理方法进行了总结;从三个维度(故障类型维度、时间维度、里程维度)对动力电池故障报警进行了统计分析和相关性计算。(3)结合离群点分析方法和电动汽车大数据,构建了应用于大规模数据异常情况下的3σ多层次故障筛选算法,有效过滤复杂多量级的故障数据;并根据电池一致性规律与特性,建立了动力电池电压离群点分析模型,构建了面向动力电池单体电压离群现象的故障诊断方法。(4)结合机器学习算法(XGBoost),构建了动力电池容量预测模型;并基于此模型建立了动力电池容量异常检测系统,对两种输入模式(SOC窗口输入、电压窗口输入)的动力电池容量异常现象进行故障定位和故障分析。并选取实车数据对动力电池容量异常分析结果进行验证。