[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

说明书

本专利涉及一种基于大数据机器学习进行电动汽车电池热失控预测的方法，该方法由相应的应用架构、流程、计算模型组成。这种方法首先对电动汽车电池运行过程中采集的电池实时数据，以及电动汽车车辆其它的运行数据，进行数据整理和清洗，并对数据进行特征化处理，通过大数据机器学习建立模型和训练验证算法，其中建模主要使用了XGBoost模型、威布尔分布和贝叶斯网络模型，并对结果进行不同角度的评估和优化，从而建立电动汽车电池热失控预测的模型，优化电池的维修和更换，提高车主的安全性指标，达到系统性能和经济效益的平衡。

技术领域

本发明涉及进行电动汽车车辆电池热管理和健康评估领域，具体而言涉及一种基于大数据机器学习进行汽车电池热失控预测的应用分析方法。

背景技术

随着电动汽车在中国的推广和车联网技术的应用，越来越多的电动汽车进入了消费者市场并且根据国家标准(GBT32960)实时采集了行车数据。动力电池作为电动汽车的动力来源，随着充放电次数和行驶里程的增加，电池的内部热性能也发生了变化，这个反应是典型的动态非线性的电化学系统。由于在线应用时，电池内部参数是难以测量的，因此其退化状态识别和状态估计仍存在巨大挑战。

通过对动力电池电池组全电芯多点温度及连接点温度进行分析和预测，能够提高电池的利用率，防止电池出现过度充电和过度放电，可用于电动汽车、电瓶车、机器人和无人机等。在此基础上，可以实现对温度的管理和检测，同时对于电池热失控进行准确的预测。

发明内容

本专利正是在现有技术的上述需求下而提出的，本专利要解决的技术问题是提供一种电池热失控的预测方法，在依赖于电动汽车全电芯多点温度及连接点温度数据采集的长周期情况下，从电池的额定信息和状态监测数据挖掘其中隐含的电池健康状态信息及其演变规律，实现电池热失控预测。

为了解决这个问题，本发明提供了一种数据驱动的电池热失控预测方法，就是基于大数据机器学习建立电动汽车电池热失控预测的应用分析系统。所述方法包括：步骤001数据准备步骤，获取与电动汽车电池使用相关的数据；所述电动汽车电池使用相关数据包括故障维修数据和电池单体的温度状态数据；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；所述电池单体的温度状态数据包括使用时温度的变化状态数据；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，以及理论公式计算得到的Tet；步骤002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所述电动汽车电池使用相关的数据基于时间单元进行数据构建；所述对数据进行清洗包括，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，按照时间的顺序将搜集到的数据进行整合；步骤003数据特征化步骤，将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的特征变量根据滚动聚合的均值增加相应的个数，以及对初始的特征变量根据滚动聚合的标准差增加相应的个数；步骤004建立模型步骤，基于特征化后的数据建立电池热失控预测的模型，模型包括XGBoost模型、威布尔分布和贝叶斯网络模型；步骤005训练验证步骤，对XGBoost模型、威布尔分布和贝叶斯网络模型进行训练和验证以优化该模型；所述训练验证步骤优选包括交叉验证，所述交叉验证包括，首先把原始的数据随机分成K个部分，在这K个部分中选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果；然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据；以此类推，重复进行K次交叉检验，每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验；最后把得到的K个实验结果平均；基于所述实验结果确定最佳的数据分类；步骤006算法评估步骤，评估数据的预测结果。