[发明专利]一种基于云端终身学习的动力电池热失控风险评估方法

权利要求书

1.一种基于云端终身学习的动力电池热失控风险评估方法，其特征在于，具体包括以下步骤：

步骤一、云端数据清洗：首先，整车T-box将BMS采集的动力电池各性能参数数据，所述性能参数数据包括电压、电流、SOC参数数据，将所述性能参数数据实时上传至云端并保存至云端数据库中；然后，对所述上传的数据进行清洗，将脏数据与空缺数据进行合理的清洗与填补，再对所述填补的数据重新按时间顺序排列，以提高数据质量与预测精度；最后，基于所述清洗后的数据形成单车数据集；

步骤二、计算动态特征元素导致热失控概率以及基于多因素动态可靠度函数的热失控概率：提取所述单车数据集中的与热失控相关的动态特征元素和相关因素的动态可靠度函数，并基于上述动态特征元素以及动态可靠度函数分别计算可能导致热失控的概率；

步骤三、得到单车动力电池综合热失控风险的评估及综合热失控概率：结合上述基于动态特征元素概率分布与多个相关因素动态可靠度函数分别得到的热失控概率，采用多源数据融合方法，将上述所有热失控概率进行多源数据融合，计算得到单车动力电池综合热失控风险的评估及综合热失控概率。

2.根据权利要求1所述的一种基于云端终身学习的动力电池热失控风险评估方法，其特征于，在步骤二中，计算动态特征元素导致热失控概率的具体步骤如下：

a、将每个单车数据集按相同数据点个数进行开窗分析，数据点个数即为窗口长度，通过提取每个单车的每个窗口的动态特征元素形成特征矩阵，所述动态特征元素包括一次特征值电压、电流及二次特征值电压变化率、电流变化率、内阻、弛豫曲线；

b、采用数据降维方法对所述特征矩阵进行数据降维，以得到主元矩阵；

c、选取一定数量的最先到达窗口长度的采集数量的车辆的主元矩阵，对所选取的车辆主元矩阵中的对应特征元素进行概率分布拟合，形成特征元素概率分布矩阵；

d、分别记录所选取车辆的全生命周期下每个窗口的特征元素概率分布矩阵，形成全生命周期动态特征元素概率分布矩阵；

e、通过计算每个单车在每个窗口所形成的主元矩阵相较于该窗口下的全生命周期的动态特征元素概率分布矩阵的偏离度，可以确定对于该特征元素所诱发热失控的概率。

3.根据权利要求2所述的一种基于云端终身学习的动力电池热失控风险评估方法，其特征于，所述步骤二中，计算基于多因素动态可靠度函数的热失控概率的步骤如下：提取每个单车每个窗口中可能导致热失控故障发生的多个因素，所述多个因素包括不同欠压程度特征、单体不一致程度特征、容量衰退特征，通过拟合所述多个因素下出现热失控的频次，可分别得到基于各因素下的动态可靠度函数，以生成基于各因素动态可靠度函数的热失控概率。

4.根据权利要求2所述的一种基于云端终身学习的动力电池热失控风险评估方法，其特征于，所述步骤二中，所述数据降维方法包括主成分分析或者变分自编码器。