随着汽车进入到智能化下半场，数据扮演越来越重要的角色，EXD Data Engine解决了高价值数据的灵活采集、加工、分析、闭环等核心底层能力搭建问题，赋能车企业务部门高效迭代多个业务场景。

EXD已经联合数个量产客户探索了多个高价值业务场景，今天带来的是与某头部OEM围绕数据驱动的智能热管理初期探索案例分享。

新能源汽车的电池管理系统（BMS）在确保电池性能和安全性方面发挥着关键作用。热管理作为BMS核心组成部分之一，通过有效的加热和冷却系统策略来适配电池的最佳工作温度范围，例如在低温环境中为电池充电时，首先需要激活BMS热管理模块对电池进行预热，待电池达到适宜充电的范围后，再启动充电功能。

行车工况更加复杂，无差别的热管理策略可能会造成能量浪费，导致行车能耗增大，续航兑现率低造成车主抱怨。

现在，智能化场景不仅是座舱里的功能应用，如何让热管理更加“聪明”，也是整车智能的重要部分。

整车智能需要将车辆数据在合规的前提下进行采集和分析，并需要强大的算力和算法实现数据的有效推理，这对车云算力协调能力和数据价值挖掘能力提出了更高要求。

传统纯电车的热管理控制策略比较固定：车辆启动前，BMS对电池模块的温度进行检查，并将温度传感器的平均温度值与目标温度进行对比，若当前电池模块的平均温度高于目标温度，则启动冷却策略，反之则启动加热策略。

根据新能源私家车单次行驶里程的统计数据看，80%以上的单次行程小于20km，39%单次行程小于10km，短途对热管理需求较小，但默认的热管理策略是也会进行加温和冷却，如放宽BMS热管理策略可对行程能耗正向优化。

因此开发和优化智能BMS热管理控制策略模型，根据车主以往驾驶习惯预测本次驾驶行为，针对性调整BMS热管理阈值，降低电池热管理能耗，提升整车续航里程，就成为了车企的重要课题。

智能热管理算法的实现需要云端分析和车端推理结合，将车主的宏观行为通过特征体系的建立，映射为电池数据指标，最后再与策略模型耦合。

智能热管理模型涉及到训练数据采集、云端数据预处理、数据分析、机器学习、车端策略模型执行和推理、控车等多个环节，对开发和测试工具链效率、数据质量、算法建模能力提出了很大挑战。

借助于EXD车云数据底座能力，打通数据采集、传输、存储、加工等数据流程，并利用车云同构的计算框架特性，封装了车云异构和复杂度，现真正的数据价值高效闭环。

第一阶段：云端数据分析

在云端数据处理和建模阶段，使用EXD低代码建模工具vStudio+数据分析引擎vAnaylze，对某车型的历史数据进行处理，提取驾驶行为、驾驶行程等特征数据，通过机器学习构建智能热管理算法并使用大数据进行模型训练、调优。

包含但不限于：

- 温度与电压、电流、功率相关性分析；

- 冷却系统启停与电芯、pack温度一致性分析；

- 冷却系统空调和电子泵的能耗统计分析；

- 用户行为特征组构建；

- 行为特征与BMS发热数据的映射等。

第二阶段：车辆策略模型下发和执行

云端训练和优化的智能热管理模型，可以通过EXD Data Engine一键下发到车端，充分利用车端算力对下个行程进行推理，例如短途、中途、长途，再结合热管理控制模型，智能化的判断，执行最优的热管理策略。

车端算法模型具备如下优势：

- 在车内完成敏感数据的计算（车辆定位、行驶轨迹等），无需回传敏感数据到云端，敏感数据不出车；

- 无需联网，在车内即可完成行程预测和规划决策，适应地下车库、特殊地形等无网络环境。

智能热管理算法在车内完成了驾驶行为与行程特征的分析，并在新行程开始前即对行程进行预测，结合BMS热管理策略，输出对应的热管理推荐参数，例如是否有必要开启、关闭热管理系统，从而降低车辆能耗：

- 高温情况下平缓驾驶触发电池冷却：

短途（10km以内）预期节能6.6%，中途（10-20km）预期节能3.8%，长途（20km以上）预期节能2.3%

- 低温情况下平缓驾驶触发电池加热，对应预期节能5.7%、2.8%、1.2%

智能热管理算法改变了传统固化的标定参数，将热管理功能变为可调节的结合“工况”、“路况”、“个人习惯”的智能决策模型，实现动态控车。

同时，基于EXD车云一体化的Data Engine设计，智能热管理模型可实时在线动态更新，无需OTA，并能结合每个车主的偏好实现千人千面的智能化应用。

目前，EXD正联合高校、车企对热管理系统进行更深入的探索，让数据与Knowhow更深的融合，为用户提供更极致的智慧出行体验。