[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

说明书

本发明涉及一种基于机器学习思维预测电池热失控的方法及系统，该方法包括以下步骤：S01：获取热失控数据相关的特征参数，其中，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，训练集与测试集皆来源于电池真实数据库；S03：构造调优算法的线性回归预测器；S04：基于训练集训练线性回归预测器；S05：基于测试集预测热失控的真实参数，即输入S01中的电池真实数据至线性回归预测器，将线性回归预测器预测的结果与S01中的电池真实数据比对。本发明利用海量数据使模型快速迭代，完善热失控状态特征值，有效提高热失控判定准确率，预测热事件。

技术领域

本发明属于电池管理系统技术领域，具体涉及基于机器学习思维预测电池热失控的技术。

背景技术

当前社会能源压力越来越大，石油作为不可再生资源，通过太阳能的一次能源转化得到，周期长达数百万年。由于全球环保意思逐步加强，以燃油为动力的交通工具，大型机械设备正慢慢地被替换为电力驱动的产品，一系列研究证明，在汽车服役的整个生命周期，电池驱动远远低于石油驱动造成的污染，锂电子电池汽车已大量出现在我们身边，极大降低人们的出行成本。但是，由于锂电池的电化学活性较强，在充放电过程中，电芯(单体电池)层面的锂离子在正负极材料以及隔膜中快速嵌入脱出，对结构产生不可逆损伤，不仅影响车辆整体的续航能力，更涉及到安全，因此整个行业社会都极其关注新能源汽车的热失控安全。

传统的热失控实验数据表明，电池即将处于热失控状态时，温度、电压和气压值会在一个时间周期内剧烈变化，并呈现一定的规律性。现阶段热失控策略是以电芯自身特性为基础并根据电池包热试验缩小相关参数范围，通过数据分析由热安全工程师确定报警阈值，并通过一系列条件组合仲裁，报出热失控故障。这种方式由以下几个缺陷：

第一，人为确定阈值极其依赖经验值，且包含主观性，海量电池数据得不到有效利用，也没有一种方式评价阈值设置的合理性。

第二，策略需要考虑传感器或其他控制器发生故障的特殊情况，需要不断修改策略模型，浪费研发人员时间和经理，且人为迭代效率不高，易出错。

第三，很难依靠云端优势和技术进步，在大数据层面去检测车辆安全，更新热失控策略。

发明内容

本发明的目的是提供一种基于机器学习思维预测电池热失控的方法及系统，解决的技术问题：现阶段热失控策略是以电芯自身特性为基础并根据电池包热试验缩小相关参数范围，通过数据分析由热安全工程师确定报警阈值，并通过一系列条件组合仲裁，报出热失控故障，这种方式存在的问题为：

第一，人为确定阈值极其依赖经验值，且包含主观性，海量电池数据得不到有效利用，也没有一种方式评价阈值设置的合理性；

第二，策略需要考虑传感器或其他控制器发生故障的特殊情况，需要不断修改策略模型，浪费研发人员时间和经理，且人为迭代效率不高，易出错；

第三，很难依靠云端优势和技术进步，在大数据层面去检测车辆安全，更新热失控策略。

为解决上述技术问题，本发明采用的技术方案为：一种基于机器学习思维预测电池热失控的方法，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。

优选地，