一种基于循环神经网络的电池热失控风险预测方法及系统技术方案

本发明专利技术涉及一种基于循环神经网络的电池热失控风险预测方法及系统，该方法包括以下步骤：从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据，并对特征数据进行数据清洗；基于进行过清洗之后的特征数据生成固定时间长度的样本数据，其中，样本数据包括正常车辆的样本数据和问题车辆的样本数据；构建循环神经网络模型；定义循环神经网络模型的输出；循环神经网络模型获取正常车辆的样本数据并进行训练；利用问题车辆的样本数据验证进行训练之后的循环神经网络模型。本发明专利技术通过模型获取采集得到的实时数据，按照一定的频率进行计算，然后得到模型的预测结果，将预测结果与实际结果比对，计算偏离度，该偏离度即可作为电池可能发生热失控故障的概率。电池可能发生热失控故障的概率。电池可能发生热失控故障的概率。

【技术实现步骤摘要】
一种基于循环神经网络的电池热失控风险预测方法及系统


[0001]本专利技术属于电动汽车动力电池热失控风险监控
，具体涉及基于循环神经网络的电池热失控风险预测技术。

技术介绍

[0002]动力电池作为电动汽车的核心部件，其性能表现直接决定了电动汽车大部分关键性能。随着电动汽车的逐渐普及，由动力电池引发的各种问题越来越突出，并受到广泛地关注。为了减少动力电池的故障水平，除了在电池的生产制造过程中选用更好的原料，采用更先进的生产工艺和更严格的质量管控外，也需要在电池的使用过程中能够提前发现电池的热失控风险，防患于未然。
[0003]目前电池的故障预警主要分为本地BMS预警和大数据在线预警两种方式。随着大数据技术的广泛应用，基于大数据的在线预警方法越来越受到重视。公开号为CN109978229A的中国专利文献公开了名称为“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”的技术，主要通过采集车辆的实时数据，通过大数据机器学习建立模型和训练验证算法，建立XGBoost模型、威布尔分布和贝叶斯网络模型等，依据模型得出的温度特征进行电动汽车电池热失控预测。该技术主要依据温度来预测电池热失控，预测参数单一。
[0004]公开号为CN110161414B的中国专利文献公开了名称为“一种动力电池热失控在线预测方法及系统”的技术，主要依据动力电池中各电池单体的电压值计算每个时刻的电压偏差矩阵，然后将当前汽车的行驶里程、当前温度探针的温度平均值和当前时刻T的电压偏移增长率矩阵对应的各个单体的电压偏移增长率输入至热失控单体预测模型中，得到动力电池热失控预测结果。该技术主要着眼于如何构建电压偏移增长率矩阵，并未给出模型的具体构建方法。

技术实现思路

[0005]本专利技术的目的是提供一种基于循环神经网络的电池热失控风险预测方法及系统，解决的技术问题：相关技术中没有一种较好的预测电池热失控风险的方法，导致不能准确及时的预测电池的热失控风险。
[0006]为解决上述技术问题，本专利技术采用的技术方案为：一种基于循环神经网络的电池热失控风险预测方法，包括以下步骤：
[0007]S01:从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据，并对所述特征数据进行数据清洗；
[0008]S02：基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据，其中，所述样本数据包括正常车辆的样本数据和问题车辆的样本数据；
[0009]S03：构建所述循环神经网络模型；
[0010]S04：定义所述循环神经网络模型的输出；
[0011]S05：所述循环神经网络模型获取所述正常车辆的样本数据并进行训练；
[0012]S06：利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型；
[0013]S07：重复所述S05至S06，直至得出最优的所述循环神经网络模型；
[0014]S08：所述最优的循环神经网络模型获取车辆实时数据，按照设定频率计算得到预测结果，将所述预测结果与实际结果比对得到偏离度，当所述偏离度大于阈值时即可判定为电池有热失控风险。
[0015]优选地，
[0016]在所述S01中，所述历史数据包括实验室数据和用户实车数据；
[0017]所述特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度；
[0018]对所述特征数据进行数据清洗的方法包括：清除无效数据、缺失数据补全和归一化。
[0019]优选地，
[0020]对所述特征数据进行归一化处理的公式为：
[0021][0022]其中，其中x表示原始值，表示归一化后的值。
[0023]优选地，
[0024]在所述S02中，通过滑窗方式生成固定时间长度的共P1个样本数据，包括正常车辆的样本数据数量为P2个，问题车辆的样本数据数量为P3个，每一个所述样本数据的大小是为m
×
n的矩阵，其中m是时间长度，n是特征数。
[0025]优选地，
[0026]在所述S03中，所述循环神经网络模型由若干个基本循环神经单元和一个全连接层组成，所述基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元；
[0027]所述循环神经网络模型还可采用自定义的循环神经单元。
[0028]优选地，
[0029]在所述S04中，所述定义循环神经网络模型的输出，即预测的方式有两种，其一，基于获取的数据一次性预测长度为m1时刻的所有数据，其二，采用循环预测方法，即每一次的输出是下一时刻的预测，然后利用样本数据中的后m
‑
P4长度的数据和预测出来的长度为P4的时刻的数据预测出下一时刻的结果，直至得出预测长度为m1时刻的所有数据。
[0030]优选地，
[0031]在所述S05中，所述循环神经网络模型获取P2个正常车辆的样本数据，进行训练，所述循环网络模型的评价指标为平均平方误差MSE；采取正则化与批归一化方式优化所述循环神经网络模型的训练过程，所述MSE被定义为参数MSE
正常
；
[0032]在所述S06中，利用P3个所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型，验证结果的评价指标为MSE，MSE被定义为参数MSE
问题
；
[0033]在所述S07中，重复所述S05至S06，直至得出MSE
正常
较小，MSE
问题
较大的最优循环神经网络模型；
[0034]在所述S08中，所述最优循环神经网络模型获取车辆实时数据，经过计算得到MSE
实时
，所述偏离度即R的计算公式为：
[0035][0036]本专利技术还提供一种基于循环神经网络的电池热失控风险预测系统，包括：
[0037]清洗模块，用于从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据，并对所述特征数据进行数据清洗；
[0038]生成模块，用于基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据，其中，所述样本数据包括正常车辆的样本数据和问题车辆的样本数据；
[0039]构建模块，用于构建所述循环神经网络模型；
[0040]定义模块，用于定义所述循环神经网络模型的输出；
[0041]训练模块，用于所述循环神经网络模型获取所述正常车辆的样本数据并进行训练；
[0042]验证模块，用于利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型；
[0043]循环模块，用于重复所述训练模块至验证模块，直至得出最优的所述循环神经网络模型；
[0044]比对模块，用于所述最优的循环神经网络模型获取车辆实时数据，按照设定频率计算得到预测结果，将所述预测结果与实际结果比对得到偏离度，当所述偏离度大于阈值时即可判定为电池有热失控风险。
[0045]优选地，
[0046]在所述清洗模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于循环神经网络的电池热失控风险预测方法，其特征在于，包括以下步骤：S01:从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据，并对所述特征数据进行数据清洗；S02：基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据，其中，所述样本数据包括正常车辆的样本数据和问题车辆的样本数据；S03：构建所述循环神经网络模型；S04：定义所述循环神经网络模型的输出；S05：所述循环神经网络模型获取所述正常车辆的样本数据并进行训练；S06：利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型；S07：重复所述S05至S06，直至得出最优的所述循环神经网络模型；S08：所述最优的循环神经网络模型获取车辆实时数据，按照设定频率计算得到预测结果，将所述预测结果与实际结果比对得到偏离度，当所述偏离度大于阈值时即可判定为电池有热失控风险。2.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法，其特征在于，在所述S01中，所述历史数据包括实验室数据和用户实车数据；所述特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度；对所述特征数据进行数据清洗的方法包括：清除无效数据、缺失数据补全和归一化。3.根据权利要求2所述的基于循环神经网络的电池热失控风险预测方法，其特征在于，对所述特征数据进行归一化处理的公式为：其中，其中x表示原始值，表示归一化后的值。4.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法，其特征在于，在所述S02中，通过滑窗方式生成固定时间长度的共P1个样本数据，包括正常车辆的样本数据数量为P2个，问题车辆的样本数据数量为P3个，每一个所述样本数据的大小是为m
×
n的矩阵，其中m是时间长度，n是特征数。5.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法，其特征在于，在所述S03中，所述循环神经网络模型由若干个基本循环神经单元和一个全连接层组成，所述基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元；所述循环神经网络模型还可采用自定义的循环神经单元。6.根据权利要求4所述的基于循环神经网络的电池热失控风险预测方法，其特征在于，在所述S04中，所述定义循环神经网络模型的输出，即预测的方式有两种，其一，基于获取的数据一次性预测长度为m1时刻的所有数据，其二，采用循环预测方法，即每一次的输出是下一时刻的预测，然后利用样本数据中的后m
‑
P4长度的数据和预测出来的长度为P4的时刻的数据预测出下一时刻的结果，直至得出预测长度为m1时刻的所有数据。7.根据权利要求4所述的基于循环神经网络的电池热失控风险预测方法，其特征在于，在所述S05中，所述循环神经网络模型获取P2个正常车辆的样本数据，进行训练，所述
循环网络模型的评价指标为平均平方误差MSE；采取正则化与批归一化方式优化所述循环神经网络模型的训练过程，所述MSE被定义为参数MSE
正常
；在所述S06中，利用P3个所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型，验证结果的评价指标为MSE，MSE被定义为参数MSE
问题
；在所述S07中，重复所述S05至S06，直至得出MSE
正常
较小，MSE
问题
较大的最优循环神经网络模型；在所述S08中，所述最优循环神经网络模型获取车辆实时数据，经过计算得到MSE
实时
，所述偏离度即R的计算公式为：8.一种基于循环神经网络的电池热失控风险预测系...

【专利技术属性】
技术研发人员：龚关，蒲江，江振文，吴正国，万红兵，
申请(专利权)人：重庆长安新能源汽车科技有限公司，
类型：发明
国别省市：