[发明专利]一种基于机器学习思维预测电池热失控的方法及系统

权利要求书

1.一种基于机器学习思维预测电池热失控的方法，其特征在于，包括以下步骤：

S01：获取热失控数据相关的特征参数，其中，所述热失控数据存储于预先建立的电池真实数据库；

S02：划分训练集与测试集，其中，所述训练集与测试集皆来源于所述电池真实数据库；

S03：构造调优算法的线性回归预测器；

S04：基于所述训练集训练所述线性回归预测器；

S05：基于所述测试集预测热失控的真实参数，即输入所述S01的电池真实数据库中的电池真实数据至所述线性回归预测器，将所述线性回归预测器预测的结果与所述S01的电池真实数据库中的电池真实数据比对。

2.根据权利要求1所述的基于机器学习思维预测电池热失控的方法，其特征在于，

在所述S03中，将所述训练集均分为若干小样本，每次热失控模型迭代后遍历所述小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。

3.根据权利要求1所述的基于机器学习思维预测电池热失控的方法，其特征在于，

在所述S01中，所述参数为模组温度、气压及单体电压，其中，所述参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。

4.根据权利要求3所述的基于机器学习思维预测电池热失控的方法，其特征在于，

所述参数还包括采样故障和通讯故障。

5.根据权利要求1所述的基于机器学习思维预测电池热失控的方法，其特征在于，

在所述S04中，利用学习率alpha，结合算法MBGD进行迭代训练，并在训练过程中记录每次迭代的平均训练损失。

6.一种基于机器学习思维预测电池热失控的系统，其特征在于，包括：

获取模块，用于获取热失控数据相关的特征参数，其中，所述热失控数据存储于预先建立的电池真实数据库；

划分模块，用于划分训练集与测试集，其中，所述训练集与测试集皆来源于所述电池真实数据库；

构造模块，用于构造调优算法的线性回归预测器；

训练模块，用于基于所述训练集训练所述线性回归预测器；

比对模块，用于基于所述测试集预测热失控的真实参数，即输入所述获取模块的电池真实数据库中的电池真实数据至所述线性回归预测器，将所述线性回归预测器预测的结果与所述获取模块的电池真实数据库中的电池真实数据比对。

7.根据权利要求6所述的基于机器学习思维预测电池热失控的系统，其特征在于，

在所述构造模块中，将所述训练集均分为若干小样本，每次热失控模型迭代后遍历所述小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。

8.根据权利要求6所述的基于机器学习思维预测电池热失控的系统，其特征在于，

在所述获取模块中，所述参数为模组温度、气压及单体电压，其中，所述参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。

9.根据权利要求6所述的基于机器学习思维预测电池热失控的系统，其特征在于，

所述参数还包括采用故障和通讯故障。

10.根据权利要求6所述的基于机器学习思维预测电池热失控的系统，其特征在于，

在所述训练模块中，利用学习率alpha，结合算法MBGD进行迭代训练，并在训练过程中记录每次迭代的平均训练损失。