【技術實現步驟摘要】
本專利技術涉及電池安全，尤其涉及一種電池熱失控預測方法、訓練方法和裝置。
技術介紹
1、隨著全球能源壓力的增加和環保意識的提升，以燃油為動力的交通工具和大型機械設備正逐漸被電力驅動的產品所取代。新能源汽車，特別是電動汽車，以其低污染、低噪音、高效能等優點，逐漸成為交通行業的重要發展方向。然而，新能源汽車的動力電池系統，尤其是鋰離子電池，由于其電化學活性強，在充放電過程或使用中容易引發安全問題，其中最為嚴重的是電池熱失控。
2、電池熱失控是指電池在特定條件下(如過充、過放、短路、機械濫用、熱濫用等)內部會出現溫度急劇升高、伴隨氣體產生和壓力增大，最終導致電池起火甚至爆炸的現象。這種現象不僅會導致車輛損壞，還可能對駕駛人員和周圍人員造成嚴重的生命財產威脅。因此，亟需一種能夠有效對電池熱失控問題預測的方法。
技術實現思路
1、本專利技術提供了一種電池熱失控預測方法、訓練方法和裝置，旨在有效解決現有技術中無法有效對電池熱失控預測的技術問題。
2、根據本專利技術的第一方面，本專利技術提供一種電池熱失控預測方法，包括：
3、獲取待預測的電池數據，并將待預測的電池數據輸入至預先訓練好的電池熱失控預測模型；電池熱失控預測模型包括多個子模型，多個子模型基于不同機器學習算法訓練得到；
4、利用多個子模型分別對待預測的電池數據進行電池熱失控預測，對應獲得多個預測結果；
5、根據子模型的性能指標以及一致性計算獲得子模型的模型評分，并根據模型評分對
6、進一步地，根據子模型的性能指標以及一致性計算獲得子模型的模型評分，并根據模型評分對多個預測結果進行計算獲得最終的預測結果，包括：
7、獲取子模型的多個性能指標，并基于不同子模型之間的性能指標，通過交叉驗證算法確定子模型之間的一致性；
8、根據多個性能指標計算獲得每一子模型的總性能指標，并根據一致性為每一子模型確定第一權重；
9、根據總性能指標與第一權重計算獲得模型評分，并將模型評分作為對應預測結果的第二權重，對多個預測結果進行投票決策以獲得最終的預測結果。
10、進一步地，在獲取待預測的電池數據之后，方法還包括：
11、從待預測的電池數據中提取多個特征；特征包括統計特征以及構造特征，統計特征是對待預測的電池數據進行統計分析獲得，構造特征是基于待預測的電池數據進行特征構造獲得；
12、根據特征重要性指標計算特征在各個子模型中的貢獻率，特征重要性指標是子模型對特征進行計算過程中的特征度量標準；
13、根據模型評分以及貢獻率計算獲得綜合貢獻率，綜合貢獻率表征特征對于最終的預測結果的影響。
14、進一步地，機器學習算法為決策樹、隨機森林、支持向量機、貝葉斯、多元分析以及神經網絡中的多種。
15、進一步地，在子模型為基于決策樹算法或者隨機森林算法的模型時，特征重要性指標為信息增益；
16、在子模型為基于貝葉斯算法的模型時，特征重要性指標為后驗概率。
17、進一步地，性能指標包括正向指標與負向指標，正向指標包括準確率、精確率、召回率、f1分數中的一種或多種，負向指標包括均方誤差、均方根誤差、平均絕對誤差中的一種或多種。
18、進一步地，待預測的電池數據包括電池狀態數據、充電工況數據、電池溯源數據與電池所在產品的使用工況數據、故障數據。
19、進一步地，在獲得最終的預測結果之后，方法還包括：
20、當最終的預測結果表征為當前電池存在熱失控風險時，生成電池熱失控預警信息。
21、根據本專利技術的第二方面，本專利技術還提供了一種電池熱失控預測模型的訓練方法，包括：
22、獲取訓練用電池數據以及對應的標簽信息，并對訓練用電池數據進行統計分析與特征構造，對應獲得統計特征以及構造特征；
23、從統計特征與構造特征中篩選出與熱失控相關的目標特征，并基于目標特征以及標簽信息訓練各個子模型，以得到訓練好的子模型，子模型是基于不同機器學習算法的模型，訓練好的電池熱失控預測模型包括多個訓練好的子模型。
24、進一步地，構造特征包括物理構造特征以及熱安全構造特征，其中，物理構造特征包括溫度特征、功率特征、頻率特征中的一種或多種，熱安全構造特征包括熱累積特征、累積溫度特征中的一種或多種。
25、進一步地，在獲取訓練用電池數據以及對應的標簽信息之后，方法還包括：
26、通過交叉驗證算法從訓練用電池數據中獲取訓練集以及驗證集；
27、對訓練用電池數據進行統計分析與特征構造，包括：
28、對訓練集進行統計分析與特征構造；
29、在得到訓練好的子模型之后，方法還包括：
30、利用驗證集對訓練好的子模型進行驗證。
31、進一步地，在得到訓練好的子模型之后，方法還包括：
32、根據特征重要性指標計算目標特征在各個子模型中的貢獻率，特征重要性指標是子模型對目標特征進行計算過程中的特征度量標準；
33、根據模型評分以及貢獻率計算獲得綜合貢獻率，綜合貢獻率表征目標特征對于最終的預測結果的影響。
34、根據本專利技術的第三方面，本專利技術還提供了一種電池熱失控預測裝置，包括：
35、第一數據獲取模塊，用于獲取待預測的電池數據，并將待預測的電池數據輸入至預先訓練好的電池熱失控預測模型；電池熱失控預測模型包括多個子模型，多個子模型基于不同機器學習算法訓練得到；
36、預測模塊，用于利用多個子模型分別對待預測的電池數據進行電池熱失控預測，對應獲得多個預測結果；
37、融合模塊，用于根據子模型的性能指標以及一致性計算獲得子模型的模型評分，并根據模型評分對多個預測結果進行計算獲得最終的預測結果；其中，性能指標是對子模型進行性能評估后獲得，一致性是根據不同子模型的性能指標之間的差異確定。
38、根據本專利技術的第四方面，本專利技術還提供了一種電池熱失控預測模型的訓練裝置，包括：
39、第二數據獲取模塊，用于獲取訓練用電池數據以及對應的標簽信息，并對訓練用電池數據進行統計分析與特征構造，對應獲得統計特征以及構造特征；
40、訓練模塊，用于從統計特征與構造特征中篩選出與熱失控相關的目標特征，并基于目標特征以及標簽信息訓練各個子模型，以得到訓練好的子模型，子模型是基于不同機器學習算法的模型，訓練好的電池熱失控預測模型包括多個訓練好的子模型。
41、根據本專利技術的第五方面，本專利技術還提供了一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，處理器執行程序時實現如上述的方法的步驟。
42、根據本專利技術的第六方面，本專利技術還提供了一種存儲介質，存儲介質中存儲有多本文檔來自技高網...
【技術保護點】
1.一種電池熱失控預測方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述根據子模型的性能指標以及一致性計算獲得子模型的模型評分，并根據所述模型評分對所述多個預測結果進行計算獲得最終的預測結果，包括：
3.如權利要求1所述的方法，其特征在于，在所述獲取待預測的電池數據之后，方法還包括：
4.如權利要求3所述的方法，其特征在于，所述機器學習算法為決策樹、隨機森林、支持向量機、貝葉斯、多元分析以及神經網絡中的多種。
5.如權利要求4所述的方法，其特征在于，在所述子模型為基于決策樹算法或者隨機森林算法的模型時，所述特征重要性指標為信息增益；
6.如權利要求1所述的方法，其特征在于，所述性能指標包括正向指標與負向指標，所述正向指標包括準確率、精確率、召回率、F1分數中的一種或多種，所述負向指標包括均方誤差、均方根誤差、平均絕對誤差中的一種或多種。
7.如權利要求1至6中任一所述的方法，其特征在于，所述待預測的電池數據包括電池狀態數據、充電工況數據、電池溯源數據與電池所在產品的使用工況數據、故障數據。
8.如權利要求7所述的方法，其特征在于，在獲得最終的預測結果之后，方法還包括：
9.一種電池熱失控預測模型的訓練方法，其特征在于，包括：
10.如權利要求9所述的方法，其特征在于，所述構造特征包括物理構造特征以及熱安全構造特征，其中，所述物理構造特征包括溫度特征、功率特征、頻率特征中的一種或多種，所述熱安全構造特征包括熱累積特征、累積溫度特征中的一種或多種。
11.如權利要求9所述的方法，其特征在于，在所述獲取訓練用電池數據以及對應的標簽信息之后，方法還包括：
12.如權利要求9所述的方法，其特征在于，在得到訓練好的子模型之后，方法還包括：
13.一種電池熱失控預測裝置，其特征在于，包括：
14.一種電池熱失控預測模型的訓練裝置，其特征在于，包括：
15.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至8或如權利要求9至12中任一項所述的方法的步驟。
16.一種存儲介質，其特征在于，所述存儲介質中存儲有多條指令，所述指令適于由處理器加載以執行如權利要求1至8或如權利要求9至12中任一項所述的方法的步驟。
17.一種計算機程序產品，其特征在于，包括計算機程序，該計算機程序被處理器執行時實現如權利要求1至8或如權利要求9至12中任一項所述的方法的步驟。
...【技術特征摘要】
1.一種電池熱失控預測方法，其特征在于，包括：
2.如權利要求1所述的方法，其特征在于，所述根據子模型的性能指標以及一致性計算獲得子模型的模型評分，并根據所述模型評分對所述多個預測結果進行計算獲得最終的預測結果，包括：
3.如權利要求1所述的方法，其特征在于，在所述獲取待預測的電池數據之后，方法還包括：
4.如權利要求3所述的方法，其特征在于，所述機器學習算法為決策樹、隨機森林、支持向量機、貝葉斯、多元分析以及神經網絡中的多種。
5.如權利要求4所述的方法，其特征在于，在所述子模型為基于決策樹算法或者隨機森林算法的模型時，所述特征重要性指標為信息增益；
6.如權利要求1所述的方法，其特征在于，所述性能指標包括正向指標與負向指標，所述正向指標包括準確率、精確率、召回率、f1分數中的一種或多種，所述負向指標包括均方誤差、均方根誤差、平均絕對誤差中的一種或多種。
7.如權利要求1至6中任一所述的方法，其特征在于，所述待預測的電池數據包括電池狀態數據、充電工況數據、電池溯源數據與電池所在產品的使用工況數據、故障數據。
8.如權利要求7所述的方法，其特征在于，在獲得最終的預測結果之后，方法還包括：
9.一種電池熱失控預測模型的訓練方法，...
【專利技術屬性】
技術研發人員：吳春光，李志，羅閃閃，薛健，
申請(專利權)人：浙江凌驍能源科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。