[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

说明书

本发明提供了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，涉及新能源动力电池技术领域，通过TSP通信协议采集新能源汽车的预设信号，同时对新能源电池可能发生的异常预警事件进行定义，用于明确预测目标，并在明确预测目标后，基于采集到的预设信号，通过XGBoost二分类模型算法进行建模，从而能够针对单车天粒度的样本数据进行预测。解决了训练样本不足、样本不均衡、受限于实验室环境实现等因素的技术问题，大幅度提升了算法执行效率，降低了预测样本过拟合的情况，从整体大幅度提升了模型准确度与计算效率。

技术领域

本发明涉及新能源动力电池技术领域，具体涉及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。

背景技术

为了缓解能源危机和环境污染的巨大问题，大力发展新能源汽车已成为汽车产业的必然趋势。锂离子动力电池由于具有比能量高、比功率高、充放电倍率高、循环寿命长等优点，已成为新能源汽车中最普遍使用的能量源。然而，随着新能源汽车续驶里程的日益增加，使得锂离子动力电池的能量密度越来越大，降低了锂离子动力电池的安全性，导致以热失控为主的锂离子动力电池安全性事故常有发生。导致电池热失控的因素很多，包括内部因素与外部因素，内部因素主要是电池生产缺陷导致内短路；或电池使用不当，导致内部产生锂枝晶引发正负极短路。外部因素主要是：挤压和针刺等外部因素导致锂离子电池发生短路；或电池外部短路造成电池内部热量累积过快，外部温度过高导致 SEI膜和正极材料等发生分解。

随着科技的发展，新能源汽车的车联网应用为新兴物联网的数据应用领域，但由于数据智能应用起步较晚，且新能源汽车发生热失控导致车辆自燃的事故相对较少，获取已发生的热失控车辆的数据难度更大，所以业界在做热失控故障预测过程缺少真实工况下建模需要的热失控数据的目标变量。现在业界中构建的模型目标变量基本是通过采用实验室数据人工干预方式对电池人为制造热失控故障，进而收集特征数据并定义坏样本，作为预测模型的必要输入。另外一方面业界现有专利使用时间序列方法，但该方法对汽车行驶工况习惯作了持续且稳定的条件假设，弊端在于该方法模型并不能适用所有现实真实车辆行驶工况环境做故障模型的预测。

因此，有必要提出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。

发明内容

有鉴于此，本发明的目的在于提供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，用于解决预测电池热失控风险的训练样本不足、样本不均衡，且受限于实验室环境等因素所导致的技术问题。

本发明提供了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，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，