CN117332337A - 电池热失控预警方法、装置、服务器和存储介质 - Google Patents
电池热失控预警方法、装置、服务器和存储介质 Download PDFInfo
- Publication number
- CN117332337A CN117332337A CN202311072007.XA CN202311072007A CN117332337A CN 117332337 A CN117332337 A CN 117332337A CN 202311072007 A CN202311072007 A CN 202311072007A CN 117332337 A CN117332337 A CN 117332337A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- runaway risk
- battery
- data
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000012502 risk assessment Methods 0.000 claims abstract description 127
- 238000012549 training Methods 0.000 claims abstract description 81
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 34
- 239000000178 monomer Substances 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 16
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及车辆技术领域，特别涉及一种电池热失控预警方法、装置、服务器和存储介质，其中，方法包括：获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果；根据每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，利用数据集训练动力电池的热失控风险识别模型；根据训练完成的热失控风险识别模型识别每个电池单体的热失控风险识别结果，根据热失控风险识别结果对动力电池的热失控风险进行预警。由此，解决了相动力电池的热失控风险预警数据可靠性较低，预警模型对不同电池适配性较低，且风险数据可解释性较差等问题。
Description
技术领域
本发明涉及车辆技术领域，具体涉及一种电池热失控预警方法、装置、服务器和存储介质。
背景技术
动力电池随着电动汽车的普及而被广泛应用，因此其安全问题也受到广泛关注，为提高动力电池的安全性能，需对动力电池的全生命周期进行有效管理，如提前识别电池的热失控风险等。传统的基于控制器的本地BMS(BatteryManagementSystem，电池管理***)预警，可以通过插值计算、阈值控制实现报警；然而，其实现的功能有限，对电池风险的判别范围不全面无法满足实际使用需要。
相关技术中，可以使用一种基于大数据的云端预警，电池大数据可以横向比对电池的历史数据，且可以识别电池的使用场景，能够更加全面的判定电池风险。
专利公开号CN109143085B给出了一种基于人工智能算法的锂离子电池安全预警的方法。该方法通过采集电池的常规参数运行数据建立正常电池运行数据库；随后利用人工智能算法和数据库对常规算法进行评估，获取电池的常规估计值，通过该估计值进行方差分析计算锂离子电池的偏离程度；最后对比方差和偏离阈值来量化风险。然而，该专利未考虑到电池运行数据采集的信号波动对方差计算值的影响，不同数据的方差分析结果差异可能来自电池自身的传感设备而非电池故障，最终的热失控风险判定结果无法排除传感设备的数据噪声影响，可能带来较多模型误报；同时偏差阈值为手动设定，无法通过后续数据实现自适应更新，也无法对不同的电池实现差异化阈值控制，模型的适配需要手动更新目标阈值。
专利公开号CN115774204A提供一种电池热失控异常的检测方法。首先基于电池模组的正常运行数据得到对应的香农熵或香农熵变化率，并将其与设定的目标阈值进行比较，当检测样本中的参数值大于目标阈值时，则为热失控异常待确认数据；随后将热失控异常数据输入贝叶斯分类器进行风险判断和预警。然而，该专利仅考虑了电池运行数据的数学统计特征，未从电池机理角度进行特征提取与异常待确认数据判定，可解释性较弱，数据分析人员较难根据诊断结果从电池机理角度定位到具体风险根源。
发明内容
本发明的目的之一在于提供一种电池热失控预警方法，以解决相关技术中，对动力电池的热失控风险预警数据可靠性较低，预警模型对不同电池适配性较低，且风险数据可解释性较差，无法满足实际使用需要的问题；目的之二在于提供另一种电池热失控预警方法；目的之三在于提供一种电池热失控预警装置；目的之四在于提供另一种电池热失控预警装置；目的之五在于提供一种服务器；目的之六在于提供一种计算机可读存储介质。
为了实现上述目的，本发明采用的技术方案如下：
一种电池热失控预警方法，所述方法应用于服务器，其中，所述方法包括以下步骤：获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果；根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，利用所述数据集训练所述动力电池的热失控风险识别模型；根据训练完成的热失控风险识别模型识别所述每个电池单体的热失控风险识别结果，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
根据上述技术手段，本发明实施例可以通过电池机理进行电池单体热失控风险评估和预警，由于使用电池历史运行数据中电池单体的热失控风险特征生成数据集并对热失控风险识别模型进行训练，因此可以屏蔽可能出现的数据噪声，提升模型可靠性和鲁棒性，进而提升识别模型识别结果的准确性，使得对于动力电池热失控风险的预警更精准，满足实际使用需要。
进一步，所述根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，包括：根据所述每个电池单体的热失控风险特征生成预设时间长度的样本数据；根据所述热失控风险评估结果生成所述每个样本数据的热失控风险评估标签，根据携带有所述热失控风险评估标签的样本数据生成数据集。
根据上述技术手段，本发明实施例可以对电池单体数据进行数据处理，从电池机理角度进行样本数据的生成，由此可以将当前时刻的采集数据与电池单体的历史特征数据进行综合对比，满足实际计算需要。
进一步，所述热失控风险评估结果包括热失控风险电池和正常电池，所述根据所述热失控风险评估结果生成所述每个样本数据的热失控风险评估标签，包括：若所述热失控风险评估结果为所述热失控风险电池，则所述热失控风险评估标签为第一标签；若所述热失控风险评估结果为所述正常电池，则所述热失控风险评估标签为第二标签。
根据上述技术手段，本发明实施例可以对热失控风险电池和正常电池的标签进行区分，以便于样本数据集的生成。
进一步，所述根据携带有所述热失控风险评估标签的样本数据生成数据集，包括：获取第一预设数量的携带有第一标签的样本数据；获取第二预设数量的携带有第二标签的样本数据；根据携带有第一标签的样本数据和携带有第二标签的样本数据生成数据集。
根据上述技术手段，本发明实施例可以均衡提取正常电池样本数据和热失控风险电池样本数据生成数据集，由此可以确保在对特征提取后的数据集进行随机拆分时，拆分后的数据集满足实际训练和测试需要，进而使得本发明的热失控识别模型可以学习不同标签对应的电池特征数据的主要特点和模式，从而提升模型对于不同数据的适用性，满足实际使用需要。
进一步，所述利用所述数据集训练所述动力电池的热失控风险识别模型，包括：提取所述数据集中每个样本数据的聚合统计特征数据；根据所述聚合统计特征数据确定最优建模算法，根据所述最优建模算法建立热失控风险识别模型，并根据所述聚合统计特征数据生成特征提取后的数据集；根据所述特征提取后的数据集训练所述热失控风险识别模型。
根据上述技术手段，本发明实施例可以根据聚合统计特征对热失控风险识别模型的最优建模算法进行确认，并进一步基于此算法建立模型，由此生成的识别模型与当前动力电池适配度更高，经由训练的识别模型输出的识别结果也更准确，满足实际使用需要。
进一步，所述根据所述特征提取后的数据集训练所述热失控风险识别模型，包括：将所述特征提取后的数据集随机拆分为训练数据集和测试数据集；利用所述训练数据集训练所述热失控风险识别模型，并利用所述测试数据集对训练后的热失控风险识别模型进行测试，直到所述热失控风险识别模型满足预设训练停止条件时，得到训练完成的热失控风险识别模型。
根据上述技术手段，本发明实施例可以对数据集进行随机拆分，并使用拆分得到的训练数据集对风险识别模型进行训练、测试数据集对模型进行测试，由于数据集被随机拆分，且利用训练数据集和测试数据集对于模型进行不同操作，因此本发明实施例的模型可以学习到不同标签对应的电池特征数据的主要特点和模式，从而使得模型对于不同数据的适配度更高、适用范围更广，满足实际使用需要。
进一步，所述利用所述训练数据集训练所述热失控风险识别模型，包括：在所述热失控风险识别模型训练过程，采取交叉验证和/或网格搜索的方式寻找所述热失控风险识别模型的当前迭代过程的最优模型参数。
根据上述技术手段，本发明实施例可以使用采取交叉验证和/或网格搜索的方式获得最优模型参数，由此可以避免过拟合以及更优模型效果，从而可以对模型参数的最优性进行确保，提升模型参数可靠性和准确性，满足实际计算需要。
进一步，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警之后，还包括：获取所述每个电池单体的标识；根据所述标识定位存在热失控风险的电池单体。
根据上述技术手段，本发明实施例可以对被判定热失控风险的电池单体进行定位，从而根据输入模型的电池热失控风险特征对其热失控风险作进一步判别和分析，进而可以对电池单体热失控风险的风险来源进行定位；因为从电池机理角度进行了特征提取与异常待确认数据判定，因此可以提升数据可解释性，由此更便于数据分析人员对诊断结果进行风险根源分析，满足实际使用需要，提升相关人员使用体验。
进一步，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警之后，还包括：获取所述每个电池单体的新热失控风险评估结果；在所述动力电池满足所述热失控风险识别模型的预设更新条件时，根据所述新热失控风险评估结果更新所述热失控风险识别模型的模型参数和热失控风险评估阈值。
根据上述技术手段，本发明实施例可以根据新的热失控评估结果数据来实现对模型参数和阈值的更新，从而完成模型的在线更新，进而实现对不同的电池热失控的差异化控制，提高对不同动力电池单体的适配性，满足实际使用需要。
进一步，所述获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果，包括：获取动力电池的历史运行数据；提取所述历史运行数据中所述动力电池的每个电池单体的电池热失控风险特征，根据所述热失控风险特征分析所述每个电池单体的热失控风险评估结果。
根据上述技术手段，本发明实施例可以根据动力电池历史运行数据提取电池单体的热失控风险特征，并由分析此得到热失控风险评估结果。
一种电池热失控预警方法，所述方法应用于服务器，其中，所述方法包括以下步骤：获取动力电池的当前运行数据；提取所述当前运行数据中所述动力电池的每个电池单体的电池热失控风险特征，将所述每个电池单体的电池热失控风险特征输入训练完成的热失控风险识别模型，输出所述每个电池单体的热失控风险识别结果，其中，所述热失控风险识别模型根据携带有热失控风险评估标签的数据集训练得到，提取所述动力电池的历史运行数据中所述动力电池的每个电池单体的电池热失控风险特征，根据所述热失控风险特征分析所述每个电池单体的热失控风险评估结果，根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集；根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
一种电池热失控预警装置，所述装置应用于服务器，其中，装置包括：第一获取模块，用于获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果；评估模块，用于根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，利用所述数据集训练所述动力电池的热失控风险识别模型；识别模块，用于根据训练完成的热失控风险识别模型识别所述每个电池单体的热失控风险识别结果，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
进一步，所述评估模块进一步用于：根据所述每个电池单体的热失控风险特征生成预设时间长度的样本数据；根据所述热失控风险评估结果生成所述每个样本数据的热失控风险评估标签，根据携带有所述热失控风险评估标签的样本数据生成数据集。
进一步，所述评估模块进一步用于：若所述热失控风险评估结果为所述热失控风险电池，则所述热失控风险评估标签为第一标签；若所述热失控风险评估结果为所述正常电池，则所述热失控风险评估标签为第二标签。
进一步，所述评估模块进一步用于：获取第一预设数量的携带有第一标签的样本数据；获取第二预设数量的携带有第二标签的样本数据；根据携带有第一标签的样本数据和携带有第二标签的样本数据生成数据集。
进一步，所述评估模块进一步用于：提取所述数据集中每个样本数据的聚合统计特征数据；根据所述聚合统计特征数据确定最优建模算法，根据所述最优建模算法建立热失控风险识别模型，并根据所述聚合统计特征数据生成特征提取后的数据集；根据所述特征提取后的数据集训练所述热失控风险识别模型。
进一步，所述评估模块进一步用于：将所述特征提取后的数据集随机拆分为训练数据集和测试数据集；利用所述训练数据集训练所述热失控风险识别模型，并利用所述测试数据集对训练后的热失控风险识别模型进行测试，直到所述热失控风险识别模型满足预设训练停止条件时，得到训练完成的热失控风险识别模型。
进一步，所述评估模块进一步用于：所述利用所述训练数据集训练所述热失控风险识别模型，包括：在所述热失控风险识别模型训练过程，采取交叉验证和/或网格搜索的方式寻找所述热失控风险识别模型的当前迭代过程的最优模型参数。
进一步，所述识别模块进一步用于：获取所述每个电池单体的标识；根据所述标识定位存在热失控风险的电池单体。
进一步，所述识别模块进一步用于：获取所述每个电池单体的新热失控风险评估结果；在所述动力电池满足所述热失控风险识别模型的预设更新条件时，根据所述新热失控风险评估结果更新所述热失控风险识别模型的模型参数和热失控风险评估阈值。
进一步，所述评估模块进一步用于：获取动力电池的历史运行数据；提取所述历史运行数据中所述动力电池的每个电池单体的电池热失控风险特征，根据所述热失控风险特征分析所述每个电池单体的热失控风险评估结果。
一种电池热失控预警装置，所述装置应用于服务器，其中，装置包括：第二获取模块，用于获取动力电池的当前运行数据；处理模块，用于提取所述当前运行数据中所述动力电池的每个电池单体的电池热失控风险特征，将所述每个电池单体的电池热失控风险特征输入训练完成的热失控风险识别模型，输出所述每个电池单体的热失控风险识别结果，其中，所述热失控风险识别模型根据携带有热失控风险评估标签的数据集训练得到，提取所述动力电池的历史运行数据中所述动力电池的每个电池单体的电池热失控风险特征，根据所述热失控风险特征分析所述每个电池单体的热失控风险评估结果，根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集；预警模块，用于根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
一种服务器，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例的电池热失控预警方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现上述实施例的电池热失控预警方法。
本发明的有益效果：
(1)本发明实施例可以通过电池机理进行电池单体热失控风险评估和预警，由于使用电池历史运行数据中电池单体的热失控风险特征生成数据集并对热失控风险识别模型进行训练，因此可以屏蔽可能出现的数据噪声，提升模型可靠性和鲁棒性，进而提升识别模型识别结果的准确性，使得对于动力电池热失控风险的预警更精准，满足实际使用需要；
(2)本发明实施例可以对电池单体数据进行数据处理，从电池机理角度进行样本数据的生成，由此可以将当前时刻的采集数据与电池单体的历史特征数据进行综合对比，满足实际计算需要；
(3)本发明实施例可以对热失控风险电池和正常电池的标签进行区分，以便于样本数据集的生成；
(4)本发明实施例可以均衡提取正常电池样本数据和热失控风险电池样本数据生成数据集，由此可以确保在对特征提取后的数据集进行随机拆分时，拆分后的数据集满足实际训练和测试需要，进而使得本发明的热失控识别模型可以学习不同标签对应的电池特征数据的主要特点和模式，从而提升模型对于不同数据的适用性，满足实际使用需要；
(5)本发明实施例可以根据聚合统计特征对热失控风险识别模型的最优建模算法进行确认，并进一步基于此算法建立模型，由此生成的识别模型与当前动力电池适配度更高，经由训练的识别模型输出的识别结果也更准确，满足实际使用需要；
(6)本发明实施例可以对数据集进行随机拆分，并使用拆分得到的训练数据集对风险识别模型进行训练、测试数据集对模型进行测试，由于数据集被随机拆分，且利用训练数据集和测试数据集对于模型进行不同操作，因此本发明实施例的模型可以学习到不同标签对应的电池特征数据的主要特点和模式，从而使得模型对于不同数据的适配度更高、适用范围更广，满足实际使用需要；
(7)本发明实施例可以使用采取交叉验证和/或网格搜索的方式获得最优模型参数，由此可以避免过拟合以及更优模型效果，从而可以对模型参数的最优性进行确保，提升模型参数可靠性和准确性，满足实际计算需要；
(8)本发明实施例可以对被判定热失控风险的电池单体进行定位，从而根据输入模型的电池热失控风险特征对其热失控风险作进一步判别和分析，进而可以对电池单体热失控风险的风险来源进行定位；因为从电池机理角度进行了特征提取与异常待确认数据判定，因此可以提升数据可解释性，由此更便于数据分析人员对诊断结果进行风险根源分析，满足实际使用需要，提升相关人员使用体验；
(9)本发明实施例可以根据新的热失控评估结果数据来实现对模型参数和阈值的更新，从而完成模型的在线更新，进而实现对不同的电池热失控的差异化控制，提高对不同动力电池单体的适配性，满足实际使用需要。
(10)本发明实施例可以根据动力电池历史运行数据提取电池单体的热失控风险特征，并由分析此得到热失控风险评估结果。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
图1为根据本发明的一种电池热失控预警方法的流程图；
图2为本发明的模型应用流程示意图；
图3为本发明的模型构建流程示例图；
图4为根据本发明的另一种电池热失控预警方法的流程图；
图5为根据本发明的电池热失控预警装置的示例图；
图6为根据本发明的另一电池热失控预警装置的示例图；
图7位根据本发明的服务器结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式，本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。应当理解，优选实施例仅为了说明本发明，而不是为了限制本发明的保护范围。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
动力电池随着电动汽车的普及而被广泛应用，因此其安全问题也受到广泛关注，为提高动力电池的安全性能，需对动力电池的全生命周期进行有效管理，比如可以对电池进行在电池的生产中进行原料、工艺、质量的可追溯管理，同时也可以在电池的使用过程中实时监控，提前识别电池的热失控风险。
相关技术中，电池热失控预警可以使用一种基于控制器的本地BMS(BatteryManagement System，电池管理***)预警，通过插值计算、阈值控制实现报警；然而，本地BMS预警实现的功能有限，对电池风险的判别范围不全面，进而导致对电池热失控预警可信度较低，无法满足实际使用需要。
电池热失控预警还可以使用一种基于大数据的云端预警，电池大数据可以横向比对电池的历史数据，比如可以对比历史是否出现过风险、相对历史数据是否有较大变化等，还可以识别电池的使用场景，比如可以识别如用户使用画像、识别充放电习惯等，因此云端预警能够更加全面的判定电池风险。
然而，云端预警容易受到传感设备的数据噪声影响，可能带来较多的模型误报，预警数据可靠性较低；且云端预警的偏差阈值为手动设定，不进行自适应更新，进而导致对不同电池的控制适配性较低，模型通用性较差；同时由于未对电池数据进行异常待确认数据判定，因此电池数据分析人员难以从电池机理角度定位到具体风险根源。
由此，本发明实施例可以提供一种电池热失控预警方法。具体而言，图1为本申请实施例所提供的一种电池热失控预警方法的流程示意图。
如图1所示，该电池热失控预警方法应用于服务器，包括以下步骤：
在步骤S101中，获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果。
其中，热失控风险特征包括但不限于电池肌理算法计算得到的特征。
可以理解的是，本发明实施例可以首先对车辆动力电池的历史运行数据进行获取，以便于后续步骤中对模型的训练；其中，本发明实施例可以使用至少一种方式实现对每个电池单体的热失控风险特征和热失控风险评估结果的获取，对此不做具体限定。
作为一种可能实现的方式，获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果，包括：获取动力电池的历史运行数据；提取历史运行数据中动力电池的每个电池单体的电池热失控风险特征，根据热失控风险特征分析每个电池单体的热失控风险评估结果。
可以理解的是，本发明实施例可以获取动力电池的历史运行数据，利用该数据获取每个电池单体的热失控风险特征和风险评估结果；其中，历史运行数据可以包括热失控风险特征数据对应的风险评估结果数据等，比如可以包括数据采集时间、电池编码、电池热失控风险特征计算结果数据等；本发明实施例可以使用至少一种方式获取动力电池的历史运行数据，比如车辆可以通过BMS采集相关数据，并发送给服务器等。
在步骤S102中，根据每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，利用数据集训练动力电池的热失控风险识别模型。
可以理解的是，如图2所示，本发明实施例可以对电池的机理算法特征进行计算，由此实现对上述步骤S101采集的数据的特征分析，并生成带有热失控风险评估标签的数据集；其中，由于数据采集过程中所获取的电池数据为时间序列数据，因此可以进行进一步处理。
在本发明实施例中，根据每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，包括：根据每个电池单体的热失控风险特征生成预设时间长度的样本数据；根据热失控风险评估结果生成每个样本数据的热失控风险评估标签，根据携带有热失控风险评估标签的样本数据生成数据集。
其中，预设时间长度可以根据实际情况进行设置，对此不做具体限定。
可以理解的是，本发明实施例可以根据已有的电池特征数据生成固定时间长度的滑窗样本数据，在经过评估后生成含有评估标签的数据集；其中，滑窗样本数据数量可以记为S，滑窗宽度可以记为m，代表滑窗对应的数据时间长度。
在本发明实施例中，热失控风险评估结果包括热失控风险电池和正常电池，根据热失控风险评估结果生成每个样本数据的热失控风险评估标签，包括：若热失控风险评估结果为热失控风险电池，则热失控风险评估标签为第一标签；若热失控风险评估结果为正常电池，则热失控风险评估标签为第二标签。
可以理解的是，本发明实施例可以在将电池特征数据划分为固定时间长度的滑窗样本数据后，经由专家评估，使用第一标签标记热失控风险电池、第二标签标记正常电池。
在本发明实施例中，根据携带有热失控风险评估标签的样本数据生成数据集，包括：获取第一预设数量的携带有第一标签的样本数据；获取第二预设数量的携带有第二标签的样本数据；根据携带有第一标签的样本数据和携带有第二标签的样本数据生成数据集。
其中，第一预设数量和第二预设数量可以根据实际情况进行设置，对此不做具体限定；第一预设数量与第二预设数量二者数量均衡。
可以理解的是，本发明实施例可以获取正常电池的样本数据，共S1个，并获取热失控风险电池的样本数据，共S2个；此时，单个滑窗样本的格式为式为m×n的矩阵，其中，n则为滑窗包含的原始特征数；本发明实施例可以对滑窗的宽度以及移动速度进行调节，以获取最优的模型效果。
在本发明实施例中，利用数据集训练动力电池的热失控风险识别模型，包括：提取数据集中每个样本数据的聚合统计特征数据；根据聚合统计特征数据确定最优建模算法，根据最优建模算法建立热失控风险识别模型，并根据聚合统计特征数据生成特征提取后的数据集；根据特征提取后的数据集训练热失控风险识别模型。
其中，建模算法可以包括神经网络算法、逻辑回归分类算法、随机森林分类算法、决策树分类算法、支持向量机分类算法、XGBoost分类算法等，本发明实施例可以根据聚合统计的特征数据确定最优建模算法；聚合统计特征可以包括均值、标准差、中位数、极值、L1范数、L2范数等，对此不做具体限定。
可以理解的是，如图3所示，本发明实施例可以将样本数据的聚合统计特征数据提取来对最优建模算法进行确认，进而使用该算法对热失控风险识别模型进行建立，并生成特征提取后的数据集，以对热失控风险识别模型进行训练；其中，本发明实施例对每个样本数据的聚合统计特征数据的提取过程可以具体如下：
具体而言，本发明实施例可以对上述实施例中生成的m×n的滑窗矩阵进行聚合统计特征提取，滑窗矩阵提取特征后降维变为1×n的行向量。其中，针对于单个单体组成的时间序列数据，可以使用均值、标准差、中位数、极值等统计特征来考察单体自身在不同时间之间的变化差异；针对于多个单体组成的时间序列数据，则可以使用L1距离(曼哈顿距离)、L2距离(欧几里得距离)、DTW距离(动态时间规整的L2距离)等统计特征来考察不同单体之间的关联关系差异。
需要说明的是，本申请实施例的人工智能算法的融合包括但不限于机理算法与人工智能算法的融合，还可以为人工智能算法与人工智能算法的融合、人工智能算法与机理算法的融合，可以根据实际需求选择实际融合的算法和融合的顺序等，对此不做具体限定。
在本发明实施例中，根据特征提取后的数据集训练热失控风险识别模型，包括：将特征提取后的数据集随机拆分为训练数据集和测试数据集；利用训练数据集训练热失控风险识别模型，并利用测试数据集对训练后的热失控风险识别模型进行测试，直到热失控风险识别模型满足预设训练停止条件时，得到训练完成的热失控风险识别模型。
其中，预设训练停止条件可以根据实际情况进行设置，对此不做具体限定；拆分比例可以根据实际情况进行设置，比如可以设置为7：3等，对此不做具体限定。
可以理解的是，本发明实施例可以对特征提取后的S个样本数据进行随机拆分，拆分成训练样本数据和测试样本数据，其中，每一条样本数据都带有1个标签，表示该条数据是否被专家评估为具有热失控风险，即当n为提取的特征个数时，样本数据集为格式为S×(n+1)的数据矩阵；本发明实施例可以利用带标签的训练样本数据进行模型训练，由此模型将会学习到不同标签对应的电池特征数据的主要特点和模式，使得模型对不同电池的适应性更高，满足实际使用需要；当模型达到预设训练停止条件时，可以认为模型已经训练完成，由此停止训练并得到训练完成的热失控风险识别模型。
在本发明实施例中，利用训练数据集训练热失控风险识别模型，包括：在热失控风险识别模型训练过程，采取交叉验证和/或网格搜索的方式寻找热失控风险识别模型的当前迭代过程的最优模型参数。
可以理解的是，为了避免过拟合以及更优的模型效果，本发明实施例可以采取交叉验证和/或网格搜索的方式获取到最优参数；进而将测试样本数据输入模型，模型将根据输入的电池特征数据判断热失控风险，将其与专家评估结果进行对比，并使用精度和召回率进行性能评价。
在步骤S103中，根据训练完成的热失控风险识别模型识别每个电池单体的热失控风险识别结果，根据热失控风险识别结果对动力电池的热失控风险进行预警。
可以理解的是，本发明实施例可以利用步骤S102中获取的数据集对热失控风险识别模型进行训练，再由训练完成的模型对每个电池单体进行热失控风险识别；由于使用训练后的数据集，而不是机理算法的固定判定阈值，因此可以实现对不同电池的差异化阈值设定，进而提高模型通用性，从而使得评估结果可靠性更高更准确，满足实际使用需要。
需要说明的是，为了尽可能考虑到当前时刻数据与历史数据之前的关系，本发明实施例可以使用时间序列数据统计特征与机器学习算法相结合的方式完成数据建模；其中，上述实施例中，本发明实施例使用滑窗提取统计特征，由此，可以进一步使用不同原理的算法模型完成建模，模型的输入即为由单体特征数据滑窗计算得到的统计特征构成的1×n行向量，输出则为热失控风险的识别结果。
在本发明实施例中，根据热失控风险识别结果对动力电池的热失控风险进行预警之后，还包括：获取每个电池单体的标识；根据标识定位存在热失控风险的电池单体。
可以理解的是，本发明实施例可以在电池被判定具有热失控风险后，根据输入模型的电池热失控风险特征做进一步分析：本发明实施例可以提取模型中的特征贡献度排名，且获得导致本次热失控风险判别结果的主要热失控风险特征；接着对热失控风险特征数据是否异常进行分析，分析追踪本次热失控风险判定的具体原因；由此，本发明实施例可以实现对风险来源的定位，进而实现对电池的风险追踪。
在本发明实施例中，根据热失控风险识别结果对动力电池的热失控风险进行预警之后，还包括：获取每个电池单体的新热失控风险评估结果；在动力电池满足热失控风险识别模型的预设更新条件时，根据新热失控风险评估结果更新热失控风险识别模型的模型参数和热失控风险评估阈值。
其中，预设更新条件可以根据实际情况进行设置，比如可以设置为“达到更新时长”等，更新时长可以为上述实施例中设置的滑窗应的数据时间长度等，对此不做具体限定。
可以理解的是，对于新的电池或者新的热失控标准，本发明实施例可以实时采集的电池单体数据进行热失控风险特征计算，随后按照指定时间长度完成滑窗统计特征提取，最后输入模型获得热失控风险识别结果，根据新的热失控评估结果数据来实现模型的参数和阈值更新，从而完成模型的在线更新，进而实现对不同的电池热失控的差异化控制。
根据本发明实施例提出的电池热失控预警方法，至少具有以下优势：
(1)本发明实施例可以通过电池机理进行电池单体热失控风险评估和预警，由于使用电池历史运行数据中电池单体的热失控风险特征生成数据集并对热失控风险识别模型进行训练，因此可以屏蔽可能出现的数据噪声，提升模型可靠性和鲁棒性，进而提升识别模型识别结果的准确性，使得对于动力电池热失控风险的预警更精准，满足实际使用需要；
(2)本发明实施例可以对电池单体数据进行数据处理，从电池机理角度进行样本数据的生成，由此可以将当前时刻的采集数据与电池单体的历史特征数据进行综合对比，满足实际计算需要；
(3)本发明实施例可以对热失控风险电池和正常电池的标签进行区分，以便于样本数据集的生成；
(4)本发明实施例可以均衡提取正常电池样本数据和热失控风险电池样本数据生成数据集，由此可以确保在对特征提取后的数据集进行随机拆分时，拆分后的数据集满足实际训练和测试需要，进而使得本发明的热失控识别模型可以学习不同标签对应的电池特征数据的主要特点和模式，从而提升模型对于不同数据的适用性，满足实际使用需要；
(5)本发明实施例可以根据聚合统计特征对热失控风险识别模型的最优建模算法进行确认，并进一步基于此算法建立模型，由此生成的识别模型与当前动力电池适配度更高，经由训练的识别模型输出的识别结果也更准确，满足实际使用需要；
(6)本发明实施例可以对数据集进行随机拆分，并使用拆分得到的训练数据集对风险识别模型进行训练、测试数据集对模型进行测试，由于数据集被随机拆分，且利用训练数据集和测试数据集对于模型进行不同操作，因此本发明实施例的模型可以学习到不同标签对应的电池特征数据的主要特点和模式，从而使得模型对于不同数据的适配度更高、适用范围更广，满足实际使用需要；
(7)本发明实施例可以使用采取交叉验证和/或网格搜索的方式获得最优模型参数，由此可以避免过拟合以及更优模型效果，从而可以对模型参数的最优性进行确保，提升模型参数可靠性和准确性，满足实际计算需要；
(8)本发明实施例可以对被判定热失控风险的电池单体进行定位，从而根据输入模型的电池热失控风险特征对其热失控风险作进一步判别和分析，进而可以对电池单体热失控风险的风险来源进行定位；因为从电池机理角度进行了特征提取与异常待确认数据判定，因此可以提升数据可解释性，由此更便于数据分析人员对诊断结果进行风险根源分析，满足实际使用需要，提升相关人员使用体验；
(9)本发明实施例可以根据新的热失控评估结果数据来实现对模型参数和阈值的更新，从而完成模型的在线更新，进而实现对不同的电池热失控的差异化控制，提高对不同动力电池单体的适配性，满足实际使用需要。
(10)本发明实施例可以根据动力电池历史运行数据提取电池单体的热失控风险特征，并由分析此得到热失控风险评估结果。
基于上一实施例的电池热失控预警，本发明实施例提供另一种电池热失控预警方法，本实施例和上一实施例在描述内容上各有侧重，各实施例之间对于未尽述步骤可相互参考。下面参照附图描述根据本发明实施例提出另一种电池热失控预警方法。
其次参照附图描述根据本发明实施例提出的电池热失控预警方法。
图4为本发明实施例所提供的一种电池热失控预警方法的流程示意图。
如图4所示，该电池热失控预警方法应用于服务器，包括以下步骤：
在步骤S201中，获取动力电池的当前运行数据。
在步骤S202中，提取当前运行数据中动力电池的每个电池单体的电池热失控风险特征，将每个电池单体的电池热失控风险特征输入训练完成的热失控风险识别模型，输出每个电池单体的热失控风险识别结果，其中，热失控风险识别模型根据携带有热失控风险评估标签的数据集训练得到，提取动力电池的历史运行数据中动力电池的每个电池单体的电池热失控风险特征，根据热失控风险特征分析每个电池单体的热失控风险评估结果，根据每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集。
在步骤S203中，根据热失控风险识别结果对动力电池的热失控风险进行预警。
根据本发明实施例提出的电池热失控预警，可以通过电池机理进行电池单体热失控风险评估和预警，由于使用电池历史运行数据中电池单体的热失控风险特征生成数据集并对热失控风险识别模型进行训练，因此可以屏蔽可能出现的数据噪声，提升模型可靠性和鲁棒性，进而提升识别模型识别结果的准确性，使得对于动力电池热失控风险的预警更精准，满足实际使用需要。
下面参照附图描述根据本发明实施例提出的电池热失控预警装置。
图5是本发明实施例的电池热失控预警装置的方框示意图。
如图5所示，该电池热失控预警装置10应用于服务器，包括：第一获取模块110、评估模块120和识别模块130。
其中，第一获取模块110，用于获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果；评估模块120，用于根据每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，利用数据集训练动力电池的热失控风险识别模型；识别模块130，用于根据训练完成的热失控风险识别模型识别每个电池单体的热失控风险识别结果，根据热失控风险识别结果对动力电池的热失控风险进行预警。
在本发明实施例中，评估模块120进一步用于：根据每个电池单体的热失控风险特征生成预设时间长度的样本数据；根据热失控风险评估结果生成每个样本数据的热失控风险评估标签，根据携带有热失控风险评估标签的样本数据生成数据集。
在本发明实施例中，评估模块120进一步用于：若热失控风险评估结果为热失控风险电池，则热失控风险评估标签为第一标签；若热失控风险评估结果为正常电池，则热失控风险评估标签为第二标签。
在本发明实施例中，评估模块120进一步用于：获取第一预设数量的携带有第一标签的样本数据；获取第二预设数量的携带有第二标签的样本数据；根据携带有第一标签的样本数据和携带有第二标签的样本数据生成数据集。
在本发明实施例中，评估模块120进一步用于：提取数据集中每个样本数据的聚合统计特征数据；根据聚合统计特征数据确定最优建模算法，根据最优建模算法建立热失控风险识别模型，并根据聚合统计特征数据生成特征提取后的数据集；根据特征提取后的数据集训练热失控风险识别模型。
在本发明实施例中，评估模块120进一步用于：将特征提取后的数据集随机拆分为训练数据集和测试数据集；利用训练数据集训练热失控风险识别模型，并利用测试数据集对训练后的热失控风险识别模型进行测试，直到热失控风险识别模型满足预设训练停止条件时，得到训练完成的热失控风险识别模型。
在本发明实施例中，评估模块120进一步用于：利用训练数据集训练热失控风险识别模型，包括：在热失控风险识别模型训练过程，采取交叉验证和/或网格搜索的方式寻找热失控风险识别模型的当前迭代过程的最优模型参数。
在本发明实施例中，评估模块120进一步用于：获取动力电池的历史运行数据；提取历史运行数据中动力电池的每个电池单体的电池热失控风险特征，根据热失控风险特征分析每个电池单体的热失控风险评估结果。
在本发明实施例中，识别模块130进一步用于：获取每个电池单体的标识；根据标识定位存在热失控风险的电池单体。
在本发明实施例中，识别模块130进一步用于：获取每个电池单体的新热失控风险评估结果；在动力电池满足热失控风险识别模型的预设更新条件时，根据新热失控风险评估结果更新热失控风险识别模型的模型参数和热失控风险评估阈值。
需要说明的是，前述对电池热失控预警方法实施例的解释说明也适用于该实施例的电池热失控预警装置，此处不再赘述。
根据本发明实施例提出的电池热失控预警装置，可以通过电池机理进行电池单体热失控风险评估和预警，由于使用电池历史运行数据中电池单体的热失控风险特征生成数据集并对热失控风险识别模型进行训练，因此可以屏蔽可能出现的数据噪声，提升模型可靠性和鲁棒性，进而提升识别模型识别结果的准确性，使得对于动力电池热失控风险的预警更精准，满足实际使用需要。
下面参照附图描述根据本发明实施例提出的电池热失控预警装置。
图6是本发明实施例的电池热失控预警装置的方框示意图。
如图6所示，该电池热失控预警装置20应用于服务器，包括：第二获取模块210、处理模块220和预警模块230。
其中，第二获取模块210，用于获取动力电池的当前运行数据；处理模块220，用于提取当前运行数据中动力电池的每个电池单体的电池热失控风险特征，将每个电池单体的电池热失控风险特征输入训练完成的热失控风险识别模型，输出每个电池单体的热失控风险识别结果，其中，热失控风险识别模型根据携带有热失控风险评估标签的数据集训练得到，提取动力电池的历史运行数据中动力电池的每个电池单体的电池热失控风险特征，根据热失控风险特征分析每个电池单体的热失控风险评估结果，根据每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集；预警模块230，用于根据热失控风险识别结果对动力电池的热失控风险进行预警。
需要说明的是，前述对电池热失控预警方法实施例的解释说明也适用于该实施例的电池热失控预警装置，此处不再赘述。
根据本发明实施例提出的电池热失控预警装置，可以通过电池机理进行电池单体热失控风险评估和预警，由于使用电池历史运行数据中电池单体的热失控风险特征生成数据集并对热失控风险识别模型进行训练，因此可以屏蔽可能出现的数据噪声，提升模型可靠性和鲁棒性，进而提升识别模型识别结果的准确性，使得对于动力电池热失控风险的预警更精准，满足实际使用需要。
图7为本申请实施例提供的服务器的结构示意图。该服务器可以包括：
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
处理器702执行程序时实现上述实施例中提供的电池热失控预警方法。
进一步地，服务器还包括：
通信接口703，用于存储器701和处理器702之间的通信。
存储器701，用于存放可在处理器702上运行的计算机程序。
存储器701可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的电池热失控预警方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (15)
1.一种电池热失控预警方法，其特征在于，所述方法应用于服务器，其中，所述方法包括以下步骤：
获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果；
根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，利用所述数据集训练所述动力电池的热失控风险识别模型；
根据训练完成的热失控风险识别模型识别所述每个电池单体的热失控风险识别结果，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
2.根据权利要求1所述的电池热失控预警方法，其特征在于，所述根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，包括：
根据所述每个电池单体的热失控风险特征生成预设时间长度的样本数据；
根据所述热失控风险评估结果生成所述每个样本数据的热失控风险评估标签，根据携带有所述热失控风险评估标签的样本数据生成数据集。
3.根据权利要求2所述的电池热失控预警方法，其特征在于，所述热失控风险评估结果包括热失控风险电池和正常电池，所述根据所述热失控风险评估结果生成所述每个样本数据的热失控风险评估标签，包括：
若所述热失控风险评估结果为所述热失控风险电池，则所述热失控风险评估标签为第一标签；
若所述热失控风险评估结果为所述正常电池，则所述热失控风险评估标签为第二标签。
4.根据权利要求2所述的电池热失控预警方法，其特征在于，所述根据携带有所述热失控风险评估标签的样本数据生成数据集，包括：
获取第一预设数量的携带有第一标签的样本数据；
获取第二预设数量的携带有第二标签的样本数据；
根据携带有第一标签的样本数据和携带有第二标签的样本数据生成数据集。
5.根据权利要求1所述的电池热失控预警方法，其特征在于，所述利用所述数据集训练所述动力电池的热失控风险识别模型，包括：
提取所述数据集中每个样本数据的聚合统计特征数据；
根据所述聚合统计特征数据确定最优建模算法，根据所述最优建模算法建立热失控风险识别模型，并根据所述聚合统计特征数据生成特征提取后的数据集；
根据所述特征提取后的数据集训练所述热失控风险识别模型。
6.根据权利要求5所述的电池热失控预警方法，其特征在于，所述根据所述特征提取后的数据集训练所述热失控风险识别模型，包括：
将所述特征提取后的数据集随机拆分为训练数据集和测试数据集；
利用所述训练数据集训练所述热失控风险识别模型，并利用所述测试数据集对训练后的热失控风险识别模型进行测试，直到所述热失控风险识别模型满足预设训练停止条件时，得到训练完成的热失控风险识别模型。
7.根据权利要求6所述的电池热失控预警方法，其特征在于，所述利用所述训练数据集训练所述热失控风险识别模型，包括：
在所述热失控风险识别模型训练过程，采取交叉验证和/或网格搜索的方式寻找所述热失控风险识别模型的当前迭代过程的最优模型参数。
8.根据权利要求1所述的电池热失控预警方法，其特征在于，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警之后，还包括：
获取所述每个电池单体的标识；
根据所述标识定位存在热失控风险的电池单体。
9.根据权利要求1所述的电池热失控预警方法，其特征在于，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警之后，还包括：
获取所述每个电池单体的新热失控风险评估结果；
在所述动力电池满足所述热失控风险识别模型的预设更新条件时，根据所述新热失控风险评估结果更新所述热失控风险识别模型的模型参数和热失控风险评估阈值。
10.根据权利要求1所述的电池热失控预警方法，其特征在于，所述获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果，包括：
获取动力电池的历史运行数据；
提取所述历史运行数据中所述动力电池的每个电池单体的电池热失控风险特征，根据所述热失控风险特征分析所述每个电池单体的热失控风险评估结果。
11.一种电池热失控预警方法，其特征在于，所述方法应用于服务器，其中，所述方法包括以下步骤：
获取动力电池的当前运行数据；
提取所述当前运行数据中所述动力电池的每个电池单体的电池热失控风险特征，将所述每个电池单体的电池热失控风险特征输入训练完成的热失控风险识别模型，输出所述每个电池单体的热失控风险识别结果，其中，所述热失控风险识别模型根据携带有热失控风险评估标签的数据集训练得到，提取所述动力电池的历史运行数据中所述动力电池的每个电池单体的电池热失控风险特征，根据所述热失控风险特征分析所述每个电池单体的热失控风险评估结果，根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集；
根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
12.一种电池热失控预警装置，其特征在于，所述装置应用于服务器，其中，所述装置包括：
第一获取模块，用于获取动力电池的每个电池单体的热失控风险特征和热失控风险评估结果；
评估模块，用于根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集，利用所述数据集训练所述动力电池的热失控风险识别模型；
识别模块，用于根据训练完成的热失控风险识别模型识别所述每个电池单体的热失控风险识别结果，根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
13.一种电池热失控预警装置，其特征在于，所述装置应用于服务器，其中，所述装置包括：
第二获取模块，用于获取动力电池的当前运行数据；
处理模块，用于提取所述当前运行数据中所述动力电池的每个电池单体的电池热失控风险特征，将所述每个电池单体的电池热失控风险特征输入训练完成的热失控风险识别模型，输出所述每个电池单体的热失控风险识别结果，其中，所述热失控风险识别模型根据携带有热失控风险评估标签的数据集训练得到，提取所述动力电池的历史运行数据中所述动力电池的每个电池单体的电池热失控风险特征，根据所述热失控风险特征分析所述每个电池单体的热失控风险评估结果，根据所述每个电池单体的热失控风险特征和热失控风险评估结果生成携带有热失控风险评估标签的数据集；
预警模块，用于根据所述热失控风险识别结果对所述动力电池的热失控风险进行预警。
14.一种服务器，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-11任一项所述的电池热失控预警方法。
15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-11任一项所述的电池热失控预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311072007.XA CN117332337A (zh) | 2023-08-24 | 2023-08-24 | 电池热失控预警方法、装置、服务器和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311072007.XA CN117332337A (zh) | 2023-08-24 | 2023-08-24 | 电池热失控预警方法、装置、服务器和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117332337A true CN117332337A (zh) | 2024-01-02 |
Family
ID=89276147
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311072007.XA Pending CN117332337A (zh) | 2023-08-24 | 2023-08-24 | 电池热失控预警方法、装置、服务器和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117332337A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118068197A (zh) * | 2024-04-17 | 2024-05-24 | 广东采日能源科技有限公司 | 储能电池热失控预警方法、装置及电子设备 |
-
2023
- 2023-08-24 CN CN202311072007.XA patent/CN117332337A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118068197A (zh) * | 2024-04-17 | 2024-05-24 | 广东采日能源科技有限公司 | 储能电池热失控预警方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A data-driven method for battery charging capacity abnormality diagnosis in electric vehicle applications | |
| Patil et al. | A novel multistage Support Vector Machine based approach for Li ion battery remaining useful life estimation | |
| Lin et al. | Battery state of health modeling and remaining useful life prediction through time series model | |
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
| WO2022126526A1 (zh) | 一种电池温度预测方法及*** | |
| Kim et al. | Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network | |
| Zhou et al. | Research on state of health prediction model for lithium batteries based on actual diverse data | |
| CN117332337A (zh) | 电池热失控预警方法、装置、服务器和存储介质 | |
| CN112904219A (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN114912640A (zh) | 基于深度学习的发电机组的异常模式检测方法及*** | |
| Bai et al. | A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings | |
| Zhao et al. | Battery safety: Machine learning-based prognostics | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
| Wang et al. | Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering | |
| Hatherall et al. | Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction | |
| Mazzi et al. | Lithium-ion battery state of health estimation using a hybrid model based on a convolutional neural network and bidirectional gated recurrent unit | |
| Al-Greer et al. | Capacity estimation of lithium-ion batteries based on adaptive empirical wavelet transform and long short-term memory neural network | |
| Li et al. | State-of-health estimation method for fast-charging lithium-ion batteries based on stacking ensemble sparse Gaussian process regression | |
| Pau et al. | Microcontroller architectures for battery state of charge prediction with tiny neural networks | |
| CN116714437B (zh) | 基于大数据的氢燃料电池汽车安全监控***及监控方法 | |
| Zhao et al. | Battery degradation stage detection and life prediction without accessing historical operating data | |
| Soualhi et al. | Dealing with prognostics uncertainties: Combination of direct and recursive remaining useful life estimations | |
| Li et al. | Degradation Pattern Recognition and Features Extrapolation for Battery Capacity Trajectory Prediction | |
| CN116008815A (zh) | 一种电芯内短路检测方法、装置、设备、存储介质及车辆 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |