一种基于神经网络预测电池热失控的方法与流程

技术特征：
1.一种基于神经网络预测电池热失控的方法，其特征在于，所述方法包括如下步骤：s1：数据准备：基于实验室和用户车辆大数据平台积累的海量数据，获取车辆电池热失控相关数据，包括电池正常状态数据、出现各种不同异常状态数据、发生热失控数据、用车行为等数据；s2：建立特征数据集，进行归一化处理；特征变量包括温度差、静态压差、单体过温、内阻差、自放电差、绝缘阻抗、快充压差等万级别数量的特征；s3：使用卷积神经网络，建立电池热失控预测模型；包括：s3-1：按照比例划分数据集，生成训练数据集和验证数据集；s3-2：检验训练数据集和验证数据集一致性；s3-3：采用卷积神经网络，建立电池热失控预测模型；s4：训练和验证预测模型，包括：s4-1：使用训练数据集训练预测模型；s4-2：使用验证数据集验证模型准确性；s4-3：找出准确度较好的模型，作为最终的预测模型；s5：使用模型识别电池热失控异常。2.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤s1包括：s1-1：采集电池热失控相关数据；车辆电池热失控相关数据的字段主要包括总电压、总电流、电池温度、电容、内阻、单体电压电流、单体温度、电芯电压、电芯温度、soc、车速、充电状态、电池异常信号数据等；s1-2：数据有效性验证和清洗。3.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤s2包括：s2-1：使用采集到的数据，计算用于预测电池热失控的特征变量，生成特征数据集；s2-2：检查各特征变量的数值范围，进行特征归一化处理。4.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于所述步骤3中，采用卷积神经网络(cnn)模型，将卷积层的数量λ、各个卷积层神经元的数量δ和卷积核大小η设定为超参数，δ＝{δ1、δ2、...δ
λ
}η＝{η1、η2、...η
λ
}卷积层使用的激活函数是relu，relu函数公式如下：输出层只有一个神经元，其激活函数是sigmoid函数：通过sigmoid函数可输出概率值，概率越大表示电池发生热失控的风险越大。5.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤s4-1使用训练数据集训练预测模型，直到学习曲线中的误差率下降到出现拐点为止；
所述步骤s4-2使用验证数据集验证模型效果，如果模型在验证集上的auc值小于ω，则表示模型效果较差，重新进行优化训练；auc值取值范围在[0.5,1]，值越接近1表示模型效果越好，ω根据实际业务问题和数据表现取值。6.根据权利要求1所述的基于神经网络预测电池热失控的方法，其特征在于，所述步骤s5包括：s5-1：实时线上采集车辆电池相关数据；s5-2：计算用于输入模型的特征变量；s5-3：将特征变量输入模型，输出电池热失控的概率。

技术总结
本发明的目的是建立一种基于神经网络预测电池热失控的方法，包括S1：数据准备：基于实验室和用户车辆大数据平台积累的海量数据，获取车辆电池热失控相关数据；S2：建立特征数据集，进行归一化处理；S3：使用卷积神经网络，建立电池热失控预测模型；S4：训练和验证预测模型；S5：使用模型识别电池热失控异常。本发明通过基于实验室和车辆大数据平台积累的海量数据，构建大量特征参数，使用神经网络深度学习算法，训练和学习动力电池发生热失控的规律，构建并生成可预测热失控的模型，结合大数据实时采集车辆信号数据技术，能实时预测车辆发生热失控的风险，并及时发出预警。并及时发出预警。并及时发出预警。


技术研发人员：王贤军 张敏 陈勇 李宗华 翟钧 吴炬
受保护的技术使用者：重庆长安新能源汽车科技有限公司
技术研发日：2021.06.18
技术公布日：2022/4/29