[发明专利]一种基于云端在线数据的动力电池单体热失控预警方法

权利要求书

1.一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，包括以下步骤：

S1：提取云端收集的电池模组数据的电池模组边界特征，并将上述电池模组边界特征形成高维矩阵；

S2：通过机器学习算法对所述高维矩阵进行降维，提取出所述述高维矩阵的低维特征矩阵，基于所述低维特征矩阵计算该时段内每一时刻的在当前失效概率，根据预设的失效概率阈值与所述当前失效概率进行比较，判定当前是否存在热失控风险；

S3：判定有热失控风险时，对步骤S2中所述的低维矩阵进行解压缩，计算步骤S1中高维矩阵中每个维度对失效概率的贡献值，确定失效概率贡献最大的边界特征对应的单体电池为待核验高危单体；

S4：分析所述待核验高危单体在线电压、温度与SOC数据，结合预先训练完毕的深度学习电池状态预测模型，计算所述待核验高危单体在线电压、温度与SOC数据在当前状态与预测状态的偏差程度，对所述待核验高危单体的电压、温度与SOC数据的所述偏差程度值与预设的三级的报警阈值进行比对，根据偏差程度值对应三级不同的等级进行报警。

2.根据权利要求1所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S1中，所述电池模组数据包括与热失控相关参数，具体包括单体电池的电压奈尔系数、单体池的电压变化率、单体电池电压对温度微分值、单体电池电压对荷电状态微分值、单体电池的温度变化率、单体电池的内短路内阻、单体电池的电压、单体电池的温度、单体电池的荷电状态。

3.根据权利要求1或2所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S1中，提取的所述边界特征是对所述热失控相关参数提取的最值、次最值、标准差、极差。

4.根据权利要求1所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S2中，所述机器学习算法包括线性降维的PCA算法或者非线性降维的自编码器算法。

5.根据权利要求1所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S2中，所述失效概率是通过计算所述低维矩阵的Hotelling T²统计量与SPE统计量，从而计算出综合指标并回归到概率分布中获得所述失效概率。

6.根据权利要求5所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S2中，计算所述失效概率，具体地，Hotelling T²统计量与SPE统计量的根据正常电池训练集降维过程矩阵进行计算；

其中，Hotelling T²统计量按照下式进行计算：

式中，X_i为某一时刻i模组边界特征矩阵，P_k为降维变换矩阵，由主元特征向量组成，S为训练样本集主元特征值构成的对角矩阵，k为主元个数；

SPE统计量按照下式进行计算：

式中，X_i为某一时刻i模组边界特征矩阵)，P_k为降维变换矩阵，I为单位矩阵，k为主元个数；

基于Hotelling T²与SPE统计量的求解，根据综合指标可得到样本当前时刻的系统失效率函数：

式中，δ²分别为Hotelling T²与SPE的控制限值，为一个对称的正定矩阵，综合指标符合概率分布自由度为h，系数为g的卡方分布，根据概率分布函数可得到当前失效概率函数失效概率h按照下式进行计算：

7.根据权利要求1所述的一种基于云端在线数据的动力电池单体热失控预警方法，其特征在于，在步骤S3中，所述贡献值的计算根据不同降维方法而不同，对于线性降维方法则对模组边界特征对超越控制限制的低维特征的占比进行累加计算；对于非线性降维方法计算低维故障维度解压缩后对不同维度的占比。