本發(fā)明涉及新能源車輛動力電池，具體涉及動力電池?zé)崾Э氐念A(yù)警方法及系統(tǒng)、存儲介質(zhì)、電子設(shè)備。

背景技術(shù)：

1、新能源汽車產(chǎn)業(yè)發(fā)展迅速，動力電池作為新能源汽車核心動力來源，其健康程度越來越受重視，在對動力電池全生命周期安全狀態(tài)監(jiān)測時(shí)發(fā)現(xiàn)，由于電池持續(xù)老化、車主駕駛習(xí)慣、外部用車環(huán)境以及一些潛在的影響因素，車輛熱失控事件頻繁發(fā)生且未得到有效的解決；因此，提前預(yù)警車輛熱失控發(fā)生時(shí)刻成為各汽車企業(yè)重點(diǎn)關(guān)注的難點(diǎn)問題。動力電池?zé)崾Э厥且环N涉及多故障模態(tài)的問題，具體分為容易感知的故障模態(tài)和不容易感知的故障模態(tài)；容易感知的故障模態(tài)是指能直接通過分析傳感器采集的數(shù)據(jù)即可提前識別出故障，比如內(nèi)短路、自放電、壓差異常、溫差異常等；不容易感知的故障模態(tài)是指不能直接通過分析傳感器采集的數(shù)據(jù)提前識別出故障，尤其是突然死亡類型。

2、現(xiàn)有技術(shù)中通過獲取熱失控?cái)?shù)據(jù)相關(guān)的特征參數(shù)，確定訓(xùn)練集和測試集，使用線性回歸預(yù)測器，將預(yù)測結(jié)果與真實(shí)數(shù)據(jù)比對，預(yù)測電池是否發(fā)生熱失控，該方法也只考慮了單體電壓、模組溫度、氣壓作為特征參數(shù)，特征參數(shù)無法覆蓋熱失控的所有類型，也只能識別出簡單的故障模態(tài)，且使用簡單線性回歸方法實(shí)現(xiàn)預(yù)測，模型精度較低，達(dá)不到精確預(yù)警的效果。

3、除上述問題外，大量現(xiàn)有技術(shù)還面臨如下問題：

4、(1)熱失控的模式較多，往往是多種隱式故障的融合，很難通過單一或幾個(gè)參數(shù)識別，尤其是針對突然死亡的故障模態(tài)，而現(xiàn)有分析方法只覆蓋小部分易識別的故障類型。

5、(2)現(xiàn)有大多數(shù)方法是依據(jù)專家經(jīng)驗(yàn)或者機(jī)理算法分析，通過人為設(shè)定閾值預(yù)警熱失控發(fā)生時(shí)刻，該方法主觀性較強(qiáng)，受限于專家經(jīng)驗(yàn)，不易普及使用。

6、(3)ai算法特征設(shè)計(jì)單一、維度較少，大多數(shù)是無效特征，且未針對電池快充階段數(shù)據(jù)提取有效特征，導(dǎo)致模型的精度較低，預(yù)警效果較差。

7、如何對動力電池的熱失控進(jìn)行客觀、精確的預(yù)警，是本領(lǐng)域亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明為解決上述動力電池?zé)崾Э仡A(yù)警精確性差、不客觀的問題，本發(fā)明提供動力電池?zé)崾Э氐念A(yù)警方法及系統(tǒng)、存儲介質(zhì)、電子設(shè)備，基于大量的實(shí)車數(shù)據(jù)，提取與動力電池?zé)崾Э氐膹?qiáng)相關(guān)特征，并與ai模型相結(jié)合，通過二分類的方式實(shí)現(xiàn)故障車輛的精確分級預(yù)警，使用本方法訓(xùn)練的模型在測試集上達(dá)到了較高的準(zhǔn)確率和召回率。

2、為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案如下：

3、動力電池?zé)崾Э氐念A(yù)警方法，包括以下步驟：

4、將原始實(shí)車數(shù)據(jù)通過預(yù)處理獲得充電行程數(shù)據(jù)；

5、獲得充電行程數(shù)據(jù)與熱失控之間的強(qiáng)相關(guān)特征，對強(qiáng)相關(guān)特征進(jìn)行聚合，將聚合結(jié)果輸入預(yù)訓(xùn)練好的分級預(yù)警模型中；

6、所述強(qiáng)相關(guān)特征包括：機(jī)理特征、統(tǒng)計(jì)特征和頻域特征；

7、分級預(yù)警模型根據(jù)預(yù)設(shè)分級策略確定熱失控的預(yù)警等級并執(zhí)行預(yù)警。

8、優(yōu)選的，所述預(yù)處理包括：

9、獲取正常車輛及故障車輛的原始實(shí)車數(shù)據(jù)；

10、篩選原始實(shí)車數(shù)據(jù)中可用的原始字段；

11、根據(jù)預(yù)設(shè)清洗策略對原始字段進(jìn)行清洗；

12、根據(jù)幀數(shù)將充電數(shù)據(jù)進(jìn)行劃分為至少兩個(gè)充電行程數(shù)據(jù)。

13、優(yōu)選的，所述預(yù)設(shè)清洗策略包括：

14、對原始字段通過排序進(jìn)行重新整合；

15、對車輛充電行程過程中的字段進(jìn)行篩選；

16、對快充階段的數(shù)據(jù)幀進(jìn)行篩選；

17、對缺失幀的數(shù)據(jù)進(jìn)行填充。

18、優(yōu)選的，所述機(jī)理特征包括：充電過流特征、充電速率特征、充電內(nèi)阻特征、日均里程特征及單體一致性特征；

19、統(tǒng)計(jì)特征包括：電壓溫度極差特征、充電電流最大值特征、大電流比例特征、充電電流極差特征及偏度特征中的一種或任意組合；

20、頻域特征包括：壓差小波分析特征、溫差小波分析特征、最大單體電壓小波特征及最小單體小波特征中的一種或任意組合。

21、優(yōu)選的，所述預(yù)設(shè)分級策略包括至少兩個(gè)預(yù)警等級，根據(jù)分級預(yù)警模型輸出的預(yù)測結(jié)果確定預(yù)警等級并執(zhí)行預(yù)警，每次預(yù)警累積一次預(yù)警次數(shù)，當(dāng)預(yù)警次數(shù)達(dá)到指定次數(shù)后進(jìn)行維修提示。

22、優(yōu)選的，所述預(yù)測結(jié)果為車輛車輛當(dāng)前時(shí)刻充電行程故障比例。

23、動力電池?zé)崾Э氐念A(yù)警系統(tǒng)，包括：

24、數(shù)據(jù)采集預(yù)處理子系統(tǒng)，所述數(shù)據(jù)采集預(yù)處理子系統(tǒng)將原始實(shí)車數(shù)據(jù)通過預(yù)處理獲得充電行程數(shù)據(jù)；

25、特征聚合子系統(tǒng)，所述特征聚合子系統(tǒng)獲得充電行程數(shù)據(jù)與熱失控之間的強(qiáng)相關(guān)特征，對強(qiáng)相關(guān)特征進(jìn)行聚合，將聚合結(jié)果輸入預(yù)訓(xùn)練好的分級預(yù)警模型中；

26、所述強(qiáng)相關(guān)特征包括：機(jī)理特征、統(tǒng)計(jì)特征和頻域特征；

27、預(yù)警子系統(tǒng)，所述預(yù)警子系統(tǒng)包括分級預(yù)警模型，所述分級預(yù)警模型根據(jù)預(yù)設(shè)分級策略確定熱失控的預(yù)警等級并執(zhí)行預(yù)警。

28、優(yōu)選的，所述預(yù)處理包括：

29、獲取正常車輛及故障車輛的原始實(shí)車數(shù)據(jù)；

30、篩選原始實(shí)車數(shù)據(jù)中可用的原始字段；

31、根據(jù)預(yù)設(shè)清洗策略對原始字段進(jìn)行清洗；

32、根據(jù)幀數(shù)將充電數(shù)據(jù)進(jìn)行劃分為至少兩個(gè)充電行程數(shù)據(jù)；

33、其中，所述預(yù)設(shè)清洗策略包括：

34、對原始字段通過排序進(jìn)行重新整合；

35、對車輛充電行程過程中的字段進(jìn)行篩選；

36、對快充階段的數(shù)據(jù)幀進(jìn)行篩選；

37、對缺失幀的數(shù)據(jù)進(jìn)行填充。

38、優(yōu)選的，所述機(jī)理特征包括：充電過流特征、充電速率特征、充電內(nèi)阻特征、日均里程特征及單體一致性特征；

39、統(tǒng)計(jì)特征包括：電壓溫度極差特征、充電電流最大值特征、大電流比例特征、充電電流極差特征及偏度特征中的一種或任意組合；

40、頻域特征包括：壓差小波分析特征、溫差小波分析特征、最大單體電壓小波特征及最小單體小波特征中的一種或任意組合。

41、優(yōu)選的，所述分級預(yù)警模型基于實(shí)車數(shù)據(jù)的預(yù)訓(xùn)練包括：訓(xùn)練集劃分、測試集劃分、預(yù)調(diào)參、模型訓(xùn)練及測試。

42、優(yōu)選的，所述預(yù)設(shè)分級策略包括至少兩個(gè)預(yù)警等級，根據(jù)分級預(yù)警模型輸出的預(yù)測結(jié)果確定預(yù)警等級并執(zhí)行預(yù)警，每次預(yù)警累積一次預(yù)警次數(shù)，當(dāng)預(yù)警次數(shù)達(dá)到指定次數(shù)后進(jìn)行維修提示；

43、其中，所述預(yù)測結(jié)果為車輛車輛當(dāng)前時(shí)刻充電行程故障比例。

44、優(yōu)選的，所述預(yù)警子系統(tǒng)的預(yù)警包括：

45、若預(yù)警結(jié)果為車輛當(dāng)前時(shí)刻充電行程故障比例大于或等于80％，實(shí)施ⅰ級預(yù)警，當(dāng)前車輛ⅰ級預(yù)警次數(shù)累計(jì)加1，若ⅰ級預(yù)警次數(shù)累計(jì)達(dá)到3次，則發(fā)送提示檢修信息；

46、若預(yù)警結(jié)果為車輛當(dāng)前時(shí)刻充電行程故障比例大于或等于50％且小于80％，實(shí)施ⅱ級預(yù)警，當(dāng)前車輛ⅱ級預(yù)警次數(shù)累計(jì)加1，若ⅱ級預(yù)警次數(shù)累計(jì)達(dá)到6次，則發(fā)送提示檢修信息；

47、若預(yù)警結(jié)果為車輛當(dāng)前時(shí)刻充電行程故障比例大于或等于20％且小于50％，實(shí)施ⅲ級預(yù)警，當(dāng)前車輛ⅲ級預(yù)警次數(shù)累計(jì)加1，若ⅱ級預(yù)警次數(shù)累計(jì)達(dá)到10次，則發(fā)送需要檢修信息；

48、若預(yù)警結(jié)果為車輛當(dāng)前時(shí)刻充電行程故障比例比例小于20％，實(shí)施ⅳ級預(yù)警，當(dāng)前車輛ⅳ級預(yù)警次數(shù)累計(jì)加1，若ⅳ級預(yù)警次數(shù)累計(jì)達(dá)到15次，則發(fā)送提示檢修信息；

49、除以上情況外，均不觸發(fā)預(yù)警。

50、一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有至少一個(gè)指令，所述至少一個(gè)指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)動力電池?zé)崾Э氐念A(yù)警方法。

51、一種電子設(shè)備，所述電子設(shè)備包括存儲器及處理器，所述存儲器用于存儲至少一個(gè)指令，所述處理器用于執(zhí)行至少一個(gè)指令以實(shí)現(xiàn)動力電池?zé)崾Э氐念A(yù)警方法。

52、本發(fā)明的有益效果：

53、(1)預(yù)警多樣的故障模態(tài)：本發(fā)明不僅能提前預(yù)警易于感知的故障模態(tài)，還可以精確地識別出不易感知的故障模態(tài)，特別是那些可能突然發(fā)生的嚴(yán)重故障，這樣的能力顯著提高了電池?zé)崾Э氐陌踩婪叮?/p>

54、(2)特征聚合：這個(gè)方案利用充電行程快充數(shù)據(jù)與熱失控強(qiáng)相關(guān)的聚合特征，包括電池的機(jī)理、統(tǒng)計(jì)和頻域特征，這三種特征可以全方位地描繪電池的狀態(tài)，并有效地識別熱失控的故障模式；

55、(3)ai模型的應(yīng)用：結(jié)合ai模型進(jìn)行預(yù)警，能夠更準(zhǔn)確地識別和預(yù)測故障模式，提供準(zhǔn)確的預(yù)警信息，其輸出結(jié)果是一個(gè)二分類，對動力電池?zé)崾Э貙?shí)現(xiàn)分級預(yù)警，為車企和用戶提供了更精確的預(yù)警信息；

56、(4)大數(shù)據(jù)支持：基于大量實(shí)車數(shù)據(jù)，提取與動力電池?zé)崾Э氐膹?qiáng)相關(guān)特征，與ai模型相結(jié)合，實(shí)現(xiàn)了精確的故障車輛分級預(yù)警，在大數(shù)據(jù)的支持下，預(yù)訓(xùn)練的模型在測試集上展現(xiàn)出了較高的準(zhǔn)確率和召回率,；

57、(5)預(yù)警效率：每次預(yù)警累積一次預(yù)警次數(shù)，當(dāng)預(yù)警次數(shù)達(dá)到指定次數(shù)后進(jìn)行維修提示，這樣的設(shè)計(jì)可以及時(shí)捕獲并處理電池問題，避免電池?zé)崾Э卦斐蓢?yán)重后果；

58、(6)預(yù)測結(jié)果的實(shí)用性：預(yù)警模型的預(yù)測結(jié)果為車輛當(dāng)前時(shí)刻的充電行程故障比例，這是一個(gè)直觀的度量，方便駕駛員和維修人員快速理解和處理問題；

59、總的來說，本發(fā)明結(jié)合了數(shù)據(jù)預(yù)處理、特征聚合、ai模型預(yù)測、大數(shù)據(jù)支持等多種方法，可以實(shí)現(xiàn)高效準(zhǔn)確的故障預(yù)警，提高新能源車輛的安全性和使用壽命。