上海工程技术大学汽车工程学院特聘教授严晓在主题峰会上发表题为“未来出行中的智能动力锂电池”的主题演讲，内容实录如下：
 

　　我今天与大家分享的是“未来出行中的智能动力锂电池”，电动汽车里面的关键部件是锂电池。我再讲一下智能化过程当中，锂电池是不是也应该有自己的大脑，能够该怎么做。
 

　　我先自我介绍一下，我是2014年从硅谷到了上海工程技术大学汽车学院。前面王博士讲到了未来汽车的趋势，我总结为SAE，今后的汽车都不叫汽车了，叫自动驾驶的共享电车。我们在讲趋势之前先回顾一下历史。
 

　　福特的Model T对社会的影响，一个是人的行为、信息和能源，是制造的高效化，反映的是组织机构的高效化。然后就是信用卡消费，还有就是生活环境变化，从城市跑到了郊区，高速公路多起来了。再就是美国梦，好房好车。再就是财富重新分配，中产阶级产生。还有就是美国世纪对全球的影响，这里面很重要的就是人的行为。
 

　　现在在自动驾驶AI的环境下，智能驾驶带来的变化是城市以前是为车而设计的，以后是为人设计的，产业的重心从造车变成出行。另外就是AI有可能是机器代替人做决策，这样会加速“未来车”对社会的经济影响。
 

　　影响体现在什么地方呢?现在看汽车的产业链。整个产业链分成生产销售和售后，未来怎么样呢?我们要考虑全生命周期的设计。我们再看能源，能源有这样几个要素，第三次工业革命，一个是新能源，第二个是楼宇，就是一个微型电网形成储能。第三就是储能，新能源和微网都需要储能。第四就是能源网，第五就是电动汽车。这里面最重要的就是储能。
 

　　新能源要规模化应用，必须要储能。而使新能源变成可预测的储能必须具备如下特质，第一价格不能太贵，第二要有智能化，第三是安全可靠，第四就是规模上可扩展。因为需要在用户端小的社区一直到比较大的输配先的变电站都需要调节，而满足这些条件里面只有一种，依赖于电池。在新能源汽车里面，大家最追捧的就是锂电池，锂电池现在面临在测试上面有一些技术问题，就是说它测不准，就是它的容量测不准，为什么呢?因为不是直接测的，是算出来的，根据电流算出来的。寿命也是搞不清楚的，只能猜，根据实验室的数据预测是什么样子?这个是我们大数据情况下，根据实测数据和历史数据进行更准确的预测。我在三年前到上海就把一些新的理念带过来，我们就是围绕着多场景的动力电池测试需求做文章，考虑把各种各样的车子打通，建立一个可以测整个纯电动汽车的实验能力的实验室，然后可以研究做耐久测试，建立容量随着充放电次数。随着温度的关系，或者是健康状态，随着一个特征值的关系，然后推算过去以后，对运营大数据进行分析，然后进行所谓动态的改变策略，就是做一些预防性诊断。另外就是我们研制了一个新的检测设备。
 

　　下面讲一下，不仅仅车要全生命周期，锂电池也需要全生命周期设计。也就是说我们在看锂电池全生命周期成本，一个是生产成本，一个是使用寿命。现在讲的使用寿命是80%，剩下的使用寿命怎么样，剩余价值怎么办?我们就做了尝试和挑战，我们进行梯次应用，然后进行大数据分析。根据产业的发展情况，三年多前开始的中国大批量的规模化使用，我们预期明年将有爆发性的退下来的锂电池。

　　这里面临挑战的一个问题是成本。相应的方案就是能够直接用的就直接用。第二就是电池模组容量不一致，我们可以做人工均衡，这个细节就不说了。还有就是模组内有明显的短板电池，我们就替换，就采用不依赖一致性配组的iBattery冗余动态切换架构，这样三个方案。
 

　　另外退下来的梯次利用很具有挑战性的是什么呢?新的电池用起来就可能出问题，退下来SOC在80%以下是否会加快下降?我们解决的方案就是加速老话实验直到SOC~30%。安全隐患，我们看看是不是有内短路，我们就用具有CAN解析功能的智能监控模块获取单体电池信息，上传到云平台进行数据分析。充放电能力不确定怎么办呢?我们就用“电池医生”进行快速体检。还有一些不可预测的风险，我们就建立一种体系，因为保险需要有数据，我们现在新能源汽车很多数据缺乏，难以制定保费，所以我们就建立了专业的电池系列服务。
 

　　我说一下这个“电池医生”。我们的应用场景是针对动力电池的例行检测，我们提供一个方案，梯次利用的时候可以进行快速的筛选。另外我们做一些大数据的分析，目的是对量化电池包的关键指标进行统计分析，对电池包进行横向比较，参照EV-TEST。安博士有一个BestEV，我们跟他们进行横向比较。我们还有一个任务就是挖掘价值，提供预防性诊断，预测寿命，看看何时退下来，基于用户的数据提供不同的保养。
 

　　我们在这个过程当中，用了上海市新能源汽车监控中心的数据，一键式取得车的续航里程、充电能量多少，能耗多少，大部分的数据都可以拿得到。这个iCET的BestEV是用消费者的评价。我们通过数据分析，前面的中汽研是用车实测做测试，我们等于是在实验场地里面做测试，我们用他们的数据进行分析。
 

　　我们的远景就是深度学习运行数据确定模型参数，这边有很多专家，包括许育琳和王教授在深度学习上面都有一些想法。我们也在探讨一些合作。对电池使用环境我们可以进行画像，对电池充放电能力的影响，不同的分类给你不同的保养费。根据数据分析+检测进行寿命预测，这个应该是有这样一些价值。