动力电池作为电动汽车的能量源,其安全可靠是电动汽车行业稳步发展的前提。随着硬件算力与数据量的提升,基于数据驱动的电池安全算法逐步取得成效。电池建模及其故障检测作为电池诊断的首要环节,其表现直接决定着电池的安全性,结合数据驱动方法开展的相关研究对于实现电池早期故障提前预警,规避安全事故具有重要意义与价值。本文以锂离子动力电池为研究对象,开展基于数据驱动方法的电池建模及其传感器故障诊断方法研究,取得了良好的效果表现。首先,本文提出了一种可预测端电压的电池数据驱动电路模型,模型主要由GRU组成并采用了编码器解码器架构,通过对比等效电路模型及电池RNN模型分析了所提出模型的优劣;进一步,使用开源的松下电池数据集中环境温度为0℃、10℃、25℃下的数据获取并优化模型参数,讨论模型训练批次大小、数据窗口长度以及模型尺寸对模型精度的影响,分析模型在不同动态工况、不同环境温度及不同初始SOC条件下的精度变化,从而综合评估模型性能。之后,基于数据驱动模型构建残差生成器,开展电池异常检测方法研究,提出了融合软阈值方法和自衰减累积残差和的残差测试方案,以应对误警和可检之间的矛盾。通过在松下电池中注入微弱传感器故障,并采用该方案检测电压传感器和电流传感器的偏置、漂移和精度下降故障,讨论测试方案对不同故障触发后的响应特性,分析异常检测算法的可靠性与时效性。最后,基于所得残差开展电压传感器故障识别方法研究,基于松下电池生成电压传感器故障样本数据集,分别研究设计采用LSTM、GRU、CNN-LSTM和CNN-GRU的故障模式识别深度学习模型,以电压传感器偏置、漂移和精度下降故障作为识别目标,经训练后进行模型对比,验证基于残差序列进行故障模式识别的可行性。电池数据驱动建模研究中,经过分析训练测试结果并与等效电路模型以及电池RNN模型对比,表明模型在环境温度为0℃、10℃、25℃时具备高精度的电压预测表现,可在大部分条件下将开始预测后半小时内的电压误差控制在±10m V以内,且适用于复杂的动态非循环工况。进一步基于数据驱动模型所生成残差开展的异常检测方法研究和故障模式识别方法研究中,实现对电压传感器±20m V偏置,±0.02m V/s漂移以及标准差20m V精度下降的准确检测及识别,表明本文对于检测动力电池异常及诊断传感器故障具有重要意义。