电池系统的BMS基于成本原因，往往都由带基本数字信号处理（DigitalSignalProcessing,DSP）功能的微控制器来实现对电池系统的充放电管理和电池均衡等功能。然而BMS内部通常不配备大量的存贮芯片，对电池系统的历史事件或性能数据几乎或完全不作保留。对于电池性能的准确估算通常需要建立在相对复杂的非线性模型之上，而由于BMS自身的限制，在对电池性能进行估算时，一般的做法都是先将非线性模型作简化处理和线性化变换近似处理，因此不可避免地会在SOC的估算中引入大量误差。77203

一个精确的SOC预测模型要求能够准确估算电池电量剩余的安全范围，从而避免用户对电池进行过量充电的操作导致电池寿命的减少。然而在当前的技术条件下，SOC只能是一种间接的测量变量，无法直接经过测量得到准确数据。如需得到SOC的准确结果，必须使用相关的可测量的量来估算，如电池电压和电流等信息。本课题的研究内容正是基于对电池历史信息的大数据分析，对电池的SOC和SOH等重要参数建立分析模型并加以准确预测。

针对上述对于动力电池的建模需要，考虑到电池历史数据的庞大信息，需要在建模和预测的过程中引入先进的大数据分析手段。对于“大数据”（Bigdata）研究机构Gartner给出了这样的定义：“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产[2]。徐茹在《中国科技期刊数据库》上的文章中提到[3]：“云计算能够为大数据提供无法想象到的存储空间，还能够提高海量数据处理的速度，此外，大数据需要的超大容量存储要求和复杂数据分析处理需求，云计算也能够让它们满足。”论文网

目前，在动力电池方面监控管理产品的市场还未成熟[11]，市场上已经出现的产品大致分为两类，一类是基于车联网的构想设计生产的实时传输监控产品，另一类是目前市场上出现类似BMS监控的产品，大部分都是基于移动传输制式用以传输参数和记录，但也只是电池电压和温度之类简单参数的数据。

这些现有产品最大的不足主要体现在缺乏智能性和安全性。一、现有电池管理系统的策略是当电池参数超过阀值时进行电池的报警和控制，无法基于过去的历史数据得出电池性能的变化后提前进行预警。而这样导致的结果通常是，当电池发生突变超过阀值时已为时过晚。二、现有的远程监控系统也仅仅将电池的数据原封不动的上传到屏幕，没有一种有效的方式为客户做电池数据分析，提前预警。