[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

说明书

本发明涉及一种基于云端终身学习的动力电池热失控风险评估方法，包括如下步骤：云端数据清洗：整车T‑box将BMS采集的动力电池各性能参数数据实时上传至云端，并对上述数据进行清洗，然后形成单车数据集；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：通过提取单车数据集中的与热失控相关的动态特征元素以及相关因素的可靠度函数，基于动态特征元素以及可靠度函数计算其导致热失控的概率；最后，通过多源数据融合方法，将所有热失控概率进行数据融合，最终计算得到动力电池综合热失控风险评估和综合热失控概率。本方法通过对动力电池全生命周期热失控概率计算参数的动态调整，提升了预测的准确性以及实用性。

技术领域

本发明涉及新能源汽车动力电池技术领域，具体涉及一种基于云端终身学习的动力电池热失控风险评估方法。

背景技术

近年来，车辆行业向着电动化快速发展，而续航里程与充电速度始终是制约行业发展的核心痛点，高比能、长寿命锂离子电池的研发成为了解决问题的关键。然而，随着电池比能量的不断提高，由于锂电池生产工艺繁琐、车辆行驶工况复杂，造成了电池起火事件时有发生，也就是电池热失控状况的发生，带来了严重人身安全与财产损失风险。

电池热失控主要是由短路引起的，而电池短路又可分为静态内短路和动态内短路。通常电池起火事件是由静态内断路造成的，静态内短路是由于电池本身材料、工艺问题、电池使用中出现的枝晶、老化问题，以及使用环境中温度、压力等影响因素。

为解决动力电池上述热失控难题，目前行业主要通过电池管理系统BMS采集的电池包内所有单体电压、电流、温度等宏观电化学状态量及其变化率的阈值判断进行电池热失控预警，但该方法受车载芯片存储及计算能力不足，仅能对单一时刻的电池电化学状态进行评价，具有较大的局限性。

发明内容

要解决的技术问题：

针对现有技术存在的问题，并随着云技术的不断发展，车云协同系统不断完善，车辆通过车端T-BOX将BMS采集到的数据实时上传并存储至云端，结合电池从原材料采购至生产加工等工艺相关数据，形成每一单体全生命周期数据可追溯，该数据具有极大的数据挖掘价值，以分析热失控电池全生命周期劣化过程，形成电池热失控预警策略。因此，结合云端终身学习的对动力电池热失控风险评估方法即可解决现有技术的问题，实现全生命周期动态调整，提升了预测的准确性和实用性。

采用的技术方案如下：

本发明提出一种基于云端终身学习的动力电池热失控风险评估方法，具体步骤如下：

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。

进一步，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；