目前在北京我们主要是服务于北京公交，建设大容量的公交快速充电站，到现在为止已经建成了30座，预计到年底整个网络要达到100座。另外，还有一些出租充电站，包括近期可能各位在北京市也会看到在原来的扬招站附近，现在也开始部署专用的充电设备，这些项目都是由我们公司来承担的。
另外，我们主要做一些私人充电桩的安装服务工作，各位如果有下一部要购换电动汽车的，有安装充电桩服务的话可以跟我们联系。到现在为止，我们在北京市已经建成了28000多个充电桩，形成了790多个电动社区，这是我们公司的一个基本情况。
影响电动车安全的三大要素
咱们这次会议的主题是交通安全，充电或者说电动汽车的安全，也是我们现在比较关心的。因为终归它是个新鲜的事物，到底安全不安全，发展时间比较短还没有一个很标准的说法。最近出的问题也稍微多一点，包括前些日子因为周边环境的原因，造成了电动汽车停放过程中也发生燃烧。站在我这个角度，我认为任何一种安全都是系统性的工程，在这个系统里头任何一个环节出现问题都可能会产生安全隐患，或者造成系统安全重大事故。
影响电动汽车系统安全的主要因素有车辆电池安全、充电安全以及电网系统的安全。
车辆方面，电动车辆安全的核心是电池安全，电动汽车动力电池过充、过放是引发电动汽车充电安全的主要原因之一，电池预警机制缺失，会导致无法防范电池潜在缺陷引发的安全事故。特别是电池，电池实际内部也是个系统工程。
我记得在2010年刚开始做电动汽车的时候，谁的电池最安全？磷酸铁锂，为什么？因为它的吸氧温度是最高的，实际上后来看到电池的安全不仅仅在于电池的正极材料，真正出现电池安全问题的，可能更多是集中在负极或者电解液，某一个环节的安全不能决定整个系统安全，我们一定要站在一个系统的角度来去解决安全的问题。
充电方面，目前充电机的状态它是被动，它是按照车辆提供的需求来去给车辆进行充电，包括充电的电流、电压、包括一些停止的命令。但是因为现在的标准不够细化，各个厂家不同角度理解起来还是有一些差异，还不能做到整个充电机跟电池系统之间的一个协调保护。
再有一个是电网方面，随着整个电动车辆逐步的增加，特别是我们现在充电的趋势是向大容量，快速充电去转。我们国家相关单位和机构也在推进大容量充电机。随着负荷的不断增加，对电网的影响也会越来越大。集中大功率充电对区域配网形成负荷冲击、充电谐波、三相不平衡和系统震荡等问题需要在系统层面进行优化和调度。
电动车安全解决方案
所以我们想针对这几个方面，结合我们在日常工作中的实践，整个的解决方案是通过提高装置本身的安全性、从系统角度提升充电机、电池和云端协同安全的保障能力、基于历史数据对潜在的电池故障进行预警等手段，建立起多维度的安全防护机制。只有把这些工作都充分的做到位了以后，我们整个的充电安全才能够得到一个有效的保证。
所谓的设备安全这块，我们现在强调的是说，任何一个设备它应该是一个拟人化动作，应该是智能感知的动作，作为充电机，第一它应该能感知到周边环境的变化，能感知到电池对它的需求，同时它也能对自身的各个关键元器件进行自检测，相当于是个人。就是说我们一定要实现自己状态上报的功能，数据量积累起来就可以通过各种方式，来对数据进行远程的诊断、定位，从而来降低整个设备的故障率。
其次就是建立一个系统的机制。目前我们这个机制还是相对简单一点，就是储存保护的关系。就目前我们整个的标准制定来讲，BMS或者车辆是作为整个充电中的大脑，但是我们要建立后备保护机制，一旦大脑失效的时候，充电机给它提供相应的后备保护，这个在我们现有的充电设备里头已经实现了。
另外就是数据的收集，利用大数据对历史数据来进行分析，建立起一个协调保护的机制。现在我们感觉虽然按照标准，应该在充电的过程中数据是交互的，但是实际上各个车企在充电的过程中，向充电机这一侧发送的数据量还是比较少。有一些数据在国家标准上是建议性的，并不是强制性的，所以造成了不同的充电机、不同的电池从不同的车辆所获得的参数是比较少的。
我们现在公交集团这个项目它有一个比较便利的条件，是因为车辆是由一个运营商来统一管理的，所以我们现在可以对车辆和电机数据之间的交互进行标准的交互，从而能够获得电池在充电过程中相关的信息。通过这些数据的积累，包括我们正在开发的一些智能评估的算法，逐步要建立起一套电池故障的预警系统。
刚才说到故障数据实际就是系统的一个数据源，但是大家知道电池的充电过程中，BMS数据采集力度是非常大的，第一对当地硬件的要求比较高，再有一个数据大了可能会变成一种垃圾数据而不是有效的数据，所以我们现在在跟相关的专家共同去研究基于电池的电化学原理。对于电池的预警数据进行压缩，有效的解决海量电子数据的存储和分析的问题。通过我们公交整个项目的实验来看，应该效果还是比较令人满意的。
这种方法它的优势一个是对电压测量误差的容忍度高。 大家都知道，我们现在从电池角度能测的不过几个参数，电压、电流，还有一个温度。如果我们安全的要求越高，实际对于采样精度的要求就越高，但是车辆确实在一个动态、恶劣的工作环境下，一些传感器的精度并不能达到我们从安全角度的要求。如何弥补传感器存在的问题实际上很关键，我们现在的算法相对来讲对这个容忍度还是比较高的。
第二个就是数据记录总量显著减少，降低了数据的传输和存储压力；第三是复原的电池充电曲线数据误差在1mV以内。这是我们压缩方法能达到的效率。有了这些东西就可以建立起电池的状态、参数和故障数的一个模型，建立电池故障状态评估方法。
有了方法以后就可以对电池的状态进行实时的模拟和感知，不断的来调整电池的充电参数。在电池使用的不同阶段，充电策略实际上不应该一样，如何让我们的充电机策略能够根据电池衰减的状态，包括它的一致性、动力性、发热等等，提出优化的充电策略，提出维护的建议，同时能够智能的进行保护和控制，这一块我们现在还在实验。我们现在所有基于大数据要去做的一个最终目标，就是要让充电机能够更好的对电池进行服务。
随着历史数据的积累，我们就可以建立起一个中长期的评估和预警的体系。随着咱们数据处理速度的越来越高，我们实时预警的这些手段也能够有效的投入商业应用里，目前还都是在实验室里的是没有问题的。但是考虑到更多成本问题的时候，我们还是需要一个相对长时间的。
应用结果
我们整个公交集团目前建立的系统，有充电桩监控，也有云端的一个大数据存储，初步建立了安全相关数据的采集、远程监控和数据分析把控的机制，具备电池、充电机还有基础数据上传，故障报警，处理和存储的功能。通过充电过程实时数据监控及完整充电过程记录文件的存储，为电池数据分析和专家系统的建立奠定了基础。
到目前为止整个体验运行有30个站，服务的公交车辆是551辆，年底服务的车辆数将会达到5000辆，到目前为止充电次数是144万次，整个充电过程做到了零故障。说明现在这套机制还是起到了作用，但是如何让它能够更大规模的为未来的电动汽车发展做服务，我们还有更多的工作需要做，也需要跟在座的各位能够形成联动的机制。谢谢大家！
