[发明专利]一种基于神经网络预测电池热失控的方法

权利要求书

1.一种基于神经网络预测电池热失控的方法，其特征在于，所述方法包括如下步骤：

S1：数据准备：基于实验室和用户车辆大数据平台积累的海量数据，获取车辆电池热失控相关数据，包括电池正常状态数据、出现各种不同异常状态数据、发生热失控数据、用车行为等数据；

S2：建立特征数据集，进行归一化处理；特征变量包括温度差、静态压差、单体过温、内阻差、自放电差、绝缘阻抗、快充压差等万级别数量的特征；

S3：使用卷积神经网络，建立电池热失控预测模型；包括：

S3-1：按照比例划分数据集，生成训练数据集和验证数据集；

S3-2：检验训练数据集和验证数据集一致性；

S3-3：采用卷积神经网络，建立电池热失控预测模型；

S4：训练和验证预测模型，包括：

S4-1：使用训练数据集训练预测模型；

S4-2：使用验证数据集验证模型准确性；

S4-3：找出准确度较好的模型，作为最终的预测模型；

S5：使用模型识别电池热失控异常。

2.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤S1包括：

S1-1：采集电池热失控相关数据；车辆电池热失控相关数据的字段主要包括总电压、总电流、电池温度、电容、内阻、单体电压电流、单体温度、电芯电压、电芯温度、SOC、车速、充电状态、电池异常信号数据等；

S1-2：数据有效性验证和清洗。

3.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤S2包括：

S2-1：使用采集到的数据，计算用于预测电池热失控的特征变量，生成特征数据集；

S2-2：检查各特征变量的数值范围，进行特征归一化处理。

4.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于所述步骤3中，采用卷积神经网络(CNN)模型，将卷积层的数量λ、各个卷积层神经元的数量δ和卷积核大小η设定为超参数，

δ＝{δ₁、δ₂、...δ_λ}

η＝{η₁、η₂、...η_λ}

卷积层使用的激活函数是ReLu，ReLu函数公式如下：

输出层只有一个神经元，其激活函数是sigmoid函数：

通过sigmoid函数可输出概率值，概率越大表示电池发生热失控的风险越大。

5.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤S4-1使用训练数据集训练预测模型，直到学习曲线中的误差率下降到出现拐点为止；

所述步骤S4-2使用验证数据集验证模型效果，如果模型在验证集上的AUC值小于ω，则表示模型效果较差，重新进行优化训练；AUC值取值范围在[0.5,1]，值越接近1表示模型效果越好，ω根据实际业务问题和数据表现取值。

6.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤S5包括：

S5-1：实时线上采集车辆电池相关数据；

S5-2：计算用于输入模型的特征变量；

S5-3：将特征变量输入模型，输出电池热失控的概率。