[发明专利]基于车联网数据的新能源汽车电池热失控风险的预测方法

权利要求书

1.一种基于车联网数据的新能源汽车电池热失控风险的预测方法，其特征在于，包括：

步骤S1，通过TSP通信协议采集新能源汽车的预设信号，所述预设信号至少包括行驶状态信号、充电状态信号、SOC、单体电池电压信号以及时间戳；

步骤S2，对车辆的异常预警事件进行定义，用于明确预测目标,并基于所述异常预警事件发生的次数，计算车辆的安全风险总评分，所述异常预警事件至少包括潜在异常电芯、△SOC异常以及电压排序异常；

步骤S3，在明确预测目标后，基于所述步骤S1中采集的预设信号构建预测模型，具体步骤包括：

步骤S301，将收集数据按照天粒度汇总统计计算，并将所述数据中的车辆风险评分高的定义为好样本，将车辆风险评分低的定义为坏样本，所述好样本与坏样本作为所述预测模型的目标变量；

步骤S302，构建所述天粒度的特征变量，所述特征变量至少包括日充电次数、日均快充时长、日均慢充时长、日过充次数以及日过放次数；

步骤S303，删除所述特征变量中特征贡献度排名靠后，且存在多重共线性的特征变量；

步骤S304，通过XGBoost算法，建立二分类模型，其中，

输入是训练集样本I＝{(x₁，y₁)，(x₂，y₂)，...(x_m，y_m)}，最大迭代次数T，损失函数正则化系数λ，γ，其中，Y_i为实际值，f(x_i)为预测值，i＝1，2，......m；

输出是强学习器f(x)；

每一轮弱学习器迭代过程包括如下步骤：

步骤a，计算第i个训练集样本在当前轮损失函数L基于f_t-1(x_i)的一阶导数g_ti与二阶导数h_ti，t为当前迭代次数，t＝1,2，...T，计算所有样本数据的特征变量的一阶导数之和与二阶导数之和

步骤b，基于当前节点分裂决策树，设置分数score＝0，G为当前需要分裂的节点的一阶导数之和，H为当前需要分裂的节点的二阶导数之和，并对特征序号k进行排序，其中，k＝1，2...K；

将样本按特征k从小到大排列，依次取出第i个样本，并依次计算当前样本训练集放入左子树后，得到左子树的一阶导数之和G_L与左子树的二阶导数之和H_L，右子树的一阶导数之和G_R与右子树的二阶导数之和H_R，其表达式如下：

G_L＝G’_L+g_ti，G_R＝G-G_L；

H_L＝H'_L+h_ti，H_R＝H-H_L；

其中，G’_L和H'_L的初始值为0，每完成一轮迭代后，令G’L＝G_L，H'_L＝H_L；

更新最大分数score，其表达式如下：

步骤c，基于所述最大分数score对应的划分特征与特征值分裂树，若得到所述最大分数score为0，则表示当前决策树建立完毕，计算所有叶子区域的最优解，得到弱学习器h_t(x)，同时更新强学习器f(x)，进入下一轮弱学习器迭代；若所述最大分数score不是0，则转到步骤b继续分裂决策树，直至所述最大分数score为0；

步骤S4，利用模型进行预测，即通过收集待预测车辆的天粒度的特征数据，并将所述特征数据输入预测模型后，得到预测模型的输出样本为好样本或坏样本的预测概率结果。