CN117113232B 一种电动汽车锂离子电池组热失控风险识别方法 （北京理工大学）

号batteryinReal-Worldelectricve一种电动汽车锂离子电池组热失控风险识本发明提供了一种电动汽车锂离子电池组再利用高斯混合模型计算每个单体电池样本相对于参考样本的风险特征距离和累积风险特征识别量化指标对于不同类型的电动汽车动力电2步骤一、提取若干辆已发生单体电池热失控的电动汽车电周期的单体电压时间序列数据V，并对每个单体的单体电压时间序列添加表示安全或故步骤二、利用Tsfresh自动化特征工程工具提取每个单体电池电压时间序列的多项特步骤四、基于步骤二和三的得到的各特征重要度进行步骤五、针对待检测电动汽车提取其由热失控所导致的待检测电动汽车全生命周期中任意第k个停车充电周期的单体电压时间序列数据输入高斯混合模型计算后，设定所有单体电池的特征样本对数似然最大的单体作为参考单体电池；检测电动汽车全生命周期中的K个停车充电周期的各单体电池累积风险特征距离，并设定为每个单体电池的单体电压时间序列添加表示安全或故障状态的分类标签yi(i∈M)，3.如权利要求2所述的方法，其特征在于：步骤二中3MN表示M号单体电池电压时间序列的第N项特征；基于所述特征集F与分类标签集Y共同构建得到以下训练集D用于训练随在步骤三中将分类标签集Y随机打乱得到新的分类标签集Y1后构建训练集D1＝[F,Y1]筛选保留特征集F中重要度得分imp_s大于0的w个特征项作为热失控风险强关联特征sMw表示该热失控电动汽车的M号单体电池电压时间序列数据的第w项热失控风4所述高斯混合模型针对任意输入的第k个充电周期序列中各单体电池电压序列的统计特征，通过期望最大化法迭代获得具体分布参数：计算观测量xi来自第i簇高斯分量的概遍历待检测电动汽车全生命周期中的K个停车充电周期得到以下风险特征距离矩阵5相应的单体电池i的累积风险特征距离通过以下公式6别结果的准确性也会受噪声影响。例如，中国专利CN116184229A、CN115166533A、车充电周期的单体电压时间序列数据V，并对每个单体的单体电压时间序列添加表示安全[0005]步骤二、利用Tsfresh自动化特征工程工具提取每个单体电池电压时间序列的多模型进行训练，输出决策树中分类标签为安全状态的各特征分裂时得到的信息增益总和7集F重新构建训练集并再次训练随机森林模型，输出分类标签被打乱后的各特征分裂时得征样本集Fs执行聚类算法，输出聚类后各单体对应的安全状态或存在热失控风险分类标然；将待检测电动汽车全生命周期中任意第k个停车充电周期的单体电压时间序列数据输电池；计算其他单体电池的特征样本与参考单体电池之间的欧氏距离作为风险特征距离；遍历待检测电动汽车全生命周期中的K个停车充电周期的各单体电池累积风险特征距离，[0014]为每个单体电池的单体电压时间序列添加表示安全或故障状态的分类标签yi(i[0017]进一步地，步骤二中利用所述利用Tsfresh工具具体提取出每个单体电池电压时[0020]基于所述特征集F与分类标签集Y共同构建得到以下训练集D用于训练随机森林模8[0022]在步骤三中将分类标签集Y随机打乱得到新的分类标签集Y[0023]进一步地，步骤四中基于所述信息增益fa和fn并采用以下重[0026]筛选保留特征集F中重要度得分imp_s大于0的w个特征项作为热失控风险强关联[0030]式中，fsMw表示该热失控电动汽车的M号单体电池电压时间序列数据的第w项热失[0033]之后将Fs输入到不同的ε邻域参数的聚类模型中，通过以下公式计算各模型的轮9[0041]所述高斯混合模型针对任意输入的第k个充电周期序列中各单体电池电压序列的[0051]遍历待检测电动汽车全生命周期中的K个停车充电周期得到以下风险特征距离矩车充电周期的单体电压时间序列数据V，并对每个单体的单体电压时间序列添加表示安全[0066]步骤二、利用Tsfresh自动化特征工程工具提取每个单体电池电压时间序列的多模型进行训练，输出决策树中分类标签为安全状态的各特征分裂时得到的信息增益总和集F重新构建训练集并再次训练随机森林模型，输出分类标签被打乱后的各特征分裂时得征样本集Fs执行聚类算法，输出聚类后各单体对应的安全状态或存在热失控风险分类标然；将待检测电动汽车全生命周期中任意第k个停车充电周期的单体电压时间序列数据输电池；计算其他单体电池的特征样本与参考单体电池之间的欧氏距离作为风险特征距离；遍历待检测电动汽车全生命周期中的K个停车充电周期的各单体电池累积风险特征距离，[0072]在本发明的优选实施方式中，步骤一中提取的所述单体电压时间序列数据V具体[0075]为每个单体电池的单体电压时间序列添加表示安全或故障状态的分类标签yi(i[0078]步骤二中利用所述利用Tsfresh工具具体提取出每个单体电池电压时间序列的[0081]基于所述特征集F与分类标签集Y共同构建得到以下训练集D用于训练随机森林模[0083]在步骤三中将分类标签集Y随机打乱得到新的分类标签集Y[0084]步骤四中基于所述信息增益fa和fn并采用以下重要度[0087]筛选保留特征集F中重要度得分imp_s大于0的w个特征项作为热失控风险强关联[0133]计算一个充电周期的单体电压向量中两个时刻i和j对应的电压值[0142]步骤五中针对待检测电动汽车提取出以下由各强关联特征值组成的特征样本集[0144]式中，fsMw表示该热失控电动汽车的M号单体电池电压时间序列数据的第w项热失[0147]之后将Fs输入到不同的ε邻域参数的聚类模型中，通过以下公式计算各模型的轮[0155]如图3所示，步骤六中建立的高斯混合模型具体以p(x|θ)描述热失控风险强关联[0156]所述高斯混合模型针对任意输入的第k个充电周期序列中各单体电池电压序列的[0166]遍历待检测电动汽车全生命周期中的K个停车充电周期得到以下风险特征距离矩[0172]图4(a)和(b)示出了累积风险特征距离的演变规律，以及通过与正常单体进行对[0173]本发明中的电池热失控风险强关联数据特