[发明专利]一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法

权利要求书

1.一种电动汽车电池热失控预测方法，其特征在于，所述方法包括：

步骤一 数据准备步骤，获取并整理与电动汽车电池热失控预测相关的数据

所述相关的数据包括基于电池单体采集的温度数据和故障维修数据；其中，所述故障维修数据包括电池发生故障前的数据记录和/或电池的维修数据；所述电池单体温度数据包括在根据每秒采集的单体温度变化状态数据；所述故障维修数据、电池的使用数据均是基于时间序列的流式数据；以及依据理论公式计算得到的t时刻Tbt，Tbt为到达热失控还需的时间；

然后是数据整理步骤，对所述电动汽车电池使用相关的数据进行清洗并将清洗后的相关数据基于时间单元进行数据构建；所述数据清洗包括，采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值；通过设定电动汽车电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正；通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；所述数据构建包括，按照时间顺序将搜集到的数据进行整合；

接着是数据特征化步骤，对通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据；对于数据的总结和抽取包括滚动聚合，所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差；所述总结和抽取还包括将特征变量进行扩展，所述扩展包括对初始特征变量根据滚动聚合的均值增加相应的个数，以及对初始特征变量根据滚动聚合的标准差增加相应个数；

步骤二 利用电池热失控预测的模型对电池的热失控情况进行预测

利用XGBoost模型、威布尔分布和贝叶斯网络模型来建立所述电池预测热失控模型,以t时刻的TB作为Y，对每个数据从时间上进行标签化；经过步骤一得到的数据设为x，建立模型Y＝f(x),其中f()为机器基于大数据学习得到的模型；

XGBoost为分布式梯度增强算法，通过引入正则化来优化预测值对于真实值的逼近。

威布尔分布的模型如下所示：

其中x为随机变量，λ为比例系数，k是形状参数，随着时间变量x的变化，温度Y符合威布尔分布，当Y分布低于温度失控阈值T1时，此时电池工作在安全的区间内且是安全的；

贝叶斯网络模型公式为：

其中x为随机变量，先验信息为x_i和x_j，在已知的先验信息电情况下，温度Y符合贝叶斯分布，当Y分布低于温度失控阈值T1时，此时电池工作在安全的区间内且是安全的；

其中各个节点表示随着时间的推移，当前结点的概率估计依赖于先验概率，即为之前的父节点，当前结点的概率分布函数可以推断出目前的温度是否达到T1；

在所述电池预测热失控模型中，对所述XGBoost模型、威布尔分布和贝叶斯网络模型中的参数通过大数据学习的方式进行自适应调整；同时通过大数据学习的方式在所述XGBoost模型、威布尔分布和贝叶斯网络模型中选择当前最优的模型作为所述电池预测热失控模型的算法。

2.根据权利要求1所述的一种电动汽车电池热失控预测方法，其特征在于，步骤一种包括：

数据整理步骤，对所述电动汽车电池使用相关的数据进行清洗并将清洗后的相关数据基于时间单元进行数据构建；所述数据清洗包括，采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值；通过设定电动汽车电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正；通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；所述数据构建包括，按照时间顺序将搜集到的数据进行整合。

3.根据权利要求1所述的一种电动汽车电池热失控预测方法，其特征在于，步骤一中包括：数据特征化步骤，对通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据；对于数据的总结和抽取包括滚动聚合，所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差；所述总结和抽取还包括将特征变量进行扩展，所述扩展包括对初始特征变量根据滚动聚合的均值增加相应的个数，以及对初始特征变量根据滚动聚合的标准差增加相应个数。

4.根据权利要求1-3中所述的一种电动汽车电池热失控预测方法，其特征在于，所述步骤二中包括少数类采样对所述模型进行训练，当样本中一类数据仅仅有少量的训练样本时，通过将少数的样本数据合成新的少数类样本数据来进行模型的训练；对每个少数类样本A，从它的距离最近邻中随机选一个样本B，所述距离是根据时间和变量图中的距离进行计算，然后在A和B之间的连线上随机选择一点作为新合成的少数类样本；通过不断的合成，将少量的样本A，变成具备多数据的样本A+。