[发明专利]一种基于神经网络预测电池热失控的方法

说明书

本发明的目的是建立一种基于神经网络预测电池热失控的方法，包括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；S2：建立特征数据集，进行归一化处理；S3：使用卷积神经网络，建立电池热失控预测模型；S4：训练和验证预测模型；S5：使用模型识别电池热失控异常。本发明通过基于实验室和车辆大数据平台积累的海量数据，构建大量特征参数，使用神经网络深度学习算法，训练和学习动力电池发生热失控的规律，构建并生成可预测热失控的模型，结合大数据实时采集车辆信号数据技术，能实时预测车辆发生热失控的风险，并及时发出预警。

技术领域

本发明涉及预测电池热失控的方法，具体涉及一种基于神经网络预测电池热失控的方法。

背景技术

电池作为电动汽车的动力来源，其健康情况直接影响着整车状态。热失控是动力电池最严重的问题之一，一旦出现会导致车辆燃烧，严重的会发生爆炸危险。如何能及时发现可能潜在出现热失控的车辆，一直是各大电动车厂商面临的重要问题。由于电池会随着时间逐渐退化，以及自身的化学反应，加之车主用车习惯、用车工况等各不相同，导致电池出现热失控的原因错综复杂，这也增大了识别和预测电池发生热失控的难度。

目前已有的预测电池热失控的方法，主要通过单个或多个维度分析电池热失控的原因并进行预测，例如电流、电压、温度、电池单体相关状态、电池内部机理等。但是由于电池热失控产生的原因复杂多样，再结合车辆所处的环境条件，很难覆盖到所有的情况。这些方法只会对部分车辆预测有效，而没有覆盖到的车辆依然存在较大风险。

中国专利文献CN109978229A公开了一种基于大数据机器学习进行电动汽车电池热失控预测的方法，该方法仅是通过电池温度数据、电池故障维修数据，建立的预测电池热失控模型。涉及电池热失控发生原因复杂多样，仅通过电池温度和故障相关数据构建，很难反映真实的电池热失控发生原因，导致构建的预测模型在某些复杂条件下预测失效。

中国专利文献CN112363061A公开了一种基于大数据的热失控风险评估方法，该方法仅通过电池温度和电池温度上升速度维度构建的评估模型，太过简单和片面，会导致评估热失控风险与实际误差较大。

发明内容

本发明的目的是建立一种基于神经网络预测电池热失控的方法，通过基于实验室和车辆大数据平台积累的海量数据，构建大量特征参数，使用神经网络深度学习算法，训练和学习动力电池发生热失控的规律，构建并生成可预测热失控的模型，结合大数据实时采集车辆信号数据技术，实时预测车辆发生热失控的风险，并可进一步及时发出预警。

为了实现上述目的，本发明提出如下技术方案。

一种基于神经网络预测电池热失控的方法，所述方法包括如下步骤：

S1：数据准备：是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：建立特征数据集和归一化处理。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。

S4：训练和验证预测模型。

S5：使用模型识别电池热失控异常。

进一步地，所述步骤S1又包括如下步骤：

S1-1：采集电池热失控相关数据；

S1-2：数据有效性验证和清洗。

进一步地，所述步骤S2又包括如下步骤：

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；