CN115774204A - 电池热失控异常的检测方法及电池管理单元 - Google Patents

Abstract

本发明实施例提供一种电池热失控异常的检测方法及电池管理单元。在进行检测时，获取每个电池子模组的运行数据，基于上述运行数据得到对应的香浓熵或香浓熵变化率，并将其与设定的目标阈值进行比较，当待检测样本中的参数值大于目标阈值时，则为热失控异常数据。同时通过贝叶斯分类器对数据进一步处理，并将异常数据输出并预警，从而有效的提高电池内运行数据检测的准确性，从而保证电池的使用及安全性能。

Description

电池热失控异常的检测方法及电池管理单元

技术领域

本发明涉及电池技术领域，尤其涉及一种电池热失控异常的检测方法及电池管理单元。

背景技术

随着经济的发展以及新能源领域的不断深化，电池行业随之发展，并满足人们更多的使用需求。

相比于传统的能源行业，电池作为一种清洁能源，其具有环保以及可持续利用等众多优点，被应用于多个不同的领域之中。如电动车、电动汽车、电动控制件等产品内，并为其提供能源动力。现有技术所提供的动力电池在一定的工况以及使用时间内，其温度以及性能均是可控的，但是，当动力电池在长时间工作或者在复杂的工况下工作时，比如碰撞和/或过充电或过载时，则会失控，一旦发生热失控，快速形成的高温及破坏力，可能烧穿电池箱上盖，发生着火，从而危害到乘客的人身安全，造成极大的安全事故。而随着市场要求的不断扩大，锂动力电池、铅酸动力电池的能量密度也随之不断的增加，以最大程度满足汽车的长续航等要求。因此，市场对电池安全性的需求也越来越高。如何保证不同的动力电池在工作时其安全以及使用性能，并对电池内部的异常发热点位、热失控情况进行实时监控并报警，是当前亟需解决的问题之一。

综上所述，现有技术中提供的动力电池，在复杂工况或者长时间工作时，无法实时的对电池内部出现异常发热以及热失控的问题进行检测，并报警，从而导致电池使用中的不安全问题。

发明内容

本发明实施例提供一种电池热失控异常的检测方法及电池管理单元，以对电池内部的热异常实时监控，从而保证动力电池使用过程中的安全性能，以及使用人员的安全。

为解决上述技术问题，本发明提供一种电池热失控异常的检测方法，该检测方法包括如下步骤：

获取待检测样本：检测并获取任一电池包中每个电池子模组的运行数据；

基于所述运行数据，提取并确定所述待检测样本对应的香浓熵或香浓熵变化率；

设置目标阈值，并将所述待检测样本中的数据与所述目标阈值进行比较，若所述待检测样本中的数据大于所述目标阈值，则所述数据为热失控异常数据，并将其输出。

根据本发明一实施例，所述步骤“基于所述运行数据，提取并确定所述待检测样本对应的香浓熵或香浓熵变化率”中，还包括如下步骤：

基于所述香浓熵或所述香浓熵变化率以及第一热失控数据生成一训练样本集；

设置一预测模型；

基于所述预测模型，将所述训练样本集代入所述预测模型中进行检测，并得到不同类别的所述待检测样本对应的概率值。

根据本发明一实施例，所述预测模型包括贝叶斯分类器，基于所述贝叶斯分类器对所述待检测样本进行检测。

根据本发明一实施例，提取不同类别的所述待检测样本对应的热失控异常概率值，并将所述热失控异常概率值与异常参考值进行比较，若所述热失控异常概率值大于所述异常参考值，则所述运行数据为异常数据。

根据本发明一实施例，所述贝叶斯分类器中包括一目标函数以及决策函数；

其中，所述目标函数为：

所述决策函数为：

其中，c_j为所述电池子模组中不同类别的运行数据所形成的类别集合，x_i为不同的电池子模组内的运行数据所形成的特征属性集合，且所述目标函数为高斯分布函数。

根据本发明一实施例，在使用所述贝叶斯分类器对所述待检测样本进行检测时，还包括如下步骤：

基于所述目标函数以及所述决策函数，计算并得到所述不同类别对应的先验概率以及条件概率；

使用标准分算法进行标准正态分布转换，并根据正态分布表查出不同类别集合对应的概率；

基于所述决策函数得到所述不同类别集合对应的后验概率，并得到不同类别对应的热失控异常概率值。

根据本发明一实施例，所述待检测样本中对应的不同类别的热失控异常概率值大于0.7时，则为热失控异常。

根据本发明一实施例，所述步骤“基于所述运行数据，提取并确定所述运行数据对应的香浓熵或香浓熵变化率”中，还包括：

确定在第一时刻下，所述运行数据对应的第一香浓熵；

确定在第二时刻下，所述运行数据对应的第二香浓熵；

根据所述第一香浓熵以及所述第二香浓熵，得到在任意两不同时刻下的所述香浓熵变化率。

根据本发明一实施例，所述步骤“检测并获取任一电池包中每个电池子模组的运行数据”中，所述运行数据包括所述每个电池子模组在工作时，不同类别集合的参数值，其中，所述不同类别集合的参数值包括：电压值、温度值、电流值、电池型号、充电状态、运行时间。

根据本发明实施例的第二方面，还提供一种电池管理单元，所述电池管理单元包括一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器处理，以实现本申请实施例中提供的电池热失控异常的检测方法。

本发明实施例的有益效果：相比现有技术，本发明实施例提供一种电池热失控异常的检测方法。在进行检测时，得到每个电池子模组的运行数据，基于上述运行数据并得到香浓熵或香浓熵变化率，然后根据上述香浓熵或香浓熵变化率生成一热失控训练样本，并将其与设定的目标阈值进行比较，当热失控训练样本中的数据大于目标阈值时，则为热失控异常数据。同时，本发明实施例中，可有效的提高其检测的准确性，同时对电池包内电池的运行数据进行判断，并将异常数据输出并预警，保证电池的使用及安全性能。

附图说明

为了更清楚地说明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述中的附图仅仅是申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例中提供的电池模块的结构示意图；

图2A为本申请实施例中提供的第一种电池热失控异常的检测方法；

图2B为本申请实施例中提供的另一热失控异常的流程示意图；

图3为本申请实施例中提供的检测步骤流程示意图；

图4为本申请实施例中提供的第二种电池热失控异常的检测方法流程示意图；

图5为本申请实施例提供的第三种电池热失控异常的检测方法流程示意图；

图6为本申请实施例中提供的第四种电池热失控异常的检测方法流程示意图；

图7为本申请实施例提供的第五种电池热失控异常的检测方法流程示意图；

图8为本申请实施例提供的一种检测装置及对应的电池管理单元。

具体实施方式

下面将结合本发明实施例中的附图，下文的公开提供了不同的实施方式或例子来实现本发明的不同结构。为了简化本发明，下文对特定例子的部件和设置进行描述。此外，本发明提供了的各种特定的工艺和材料的例子，是本领域普通技术人员可以意识到其他工艺的应用。本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

随着新能源技术的不断发展，人们对电池的性能以及质量均提出了更高的要求。

对于新能源汽车以及其他需要电池提供动力的设备而言，其电池性能的好坏将直接影响到设备的工作效率。而当新能源汽车在长时间工作或者在复杂工况下运行时，电池内部往往会出现一些异常，如电压异常、温度异常等热失控异常，若不能即使发现这些异常并预警干预，将会对设备甚至用户造成严重危害。

本申请实施例中提供一种电池热失控异常的检测方法以及电池管理单元，以有效对电池进行监控，并保证电池的性能及安全性。

本申请实施例中，该电池的应用场景以动力电池为例进行说明，该动力电池可应用于多种领域内，如电动汽车、电动传输装置以及其他动力设备中，具体的，以动力汽车电池为例进行说明。其他的装置或设备内的电池在进行异常检测时，其异常检测方法与本申请中的方法相同，这里不再赘述。

具体的，如图1中，图1为本申请实施例中提供的电池模块的结构示意图。在电动汽车中，电动汽车100的内部设置有多个电池包，如两个或者两个以上的电池包。如第一电池包101以及第二电池包102，同时，在第一电池包101以及第二电池包102内均包括多个电池子模组1011，本申请实施例中，每个电池包内的电池子模组1011可依次顺序的排列，如在每个电池包内形成一纵向排列结构，详见图1中的排列结构所示。当上述电池包正常工作时，通过本申请实施例中提供的异常检测方法进行检测，并将异常数据进行输出，从而保证电池模组的安全以性能。

具体的，如图2A所示，图2A为本申请实施例中提供的第一种电池热失控异常的检测方法。在对电池的热失控异常进行检测时，包括如下步骤：

获取待检测样本：检测并获取任一电池包中每个电池子模组的运行数据；

基于所述运行数据，提取并确定所述待检测样本对应的香浓熵或香浓熵变化率；

设置目标阈值，并将所述待检测样本中的数据与所述目标阈值进行比较，若所述待检测样本中的数据大于所述目标阈值，则所述数据为热失控异常数据，并将其输出。

具体的，在进行检测时，结合图1中的电池包，首先获取每一个电池包内的每个电池子模组中的运行数据。本申请实施例中，电池在工作时，包括多种不同类别的运行数据所对应的参数值，获取上述待检测样本。具体的，本申请实施例中的不同类别的运行数据对应的参数值可包括：电压值、温度值、电流值、电池型号、充电状态、车速、运行时间、车架号等等，以下实施例中，以电压值和温度值为例进行说明，其他类别的参数值可按照本申请中的方式进行处理，其中，上述电压值还包括总电压值以及单体电压值，电流值还包括总电流值与单体电流值。

进一步的，在采集每个参数值时，可按周期性规律进行采集，如每间隔10S采集一次，或者缩短其采集时间间隔，如每5S采集一次，这里不再赘述。同时，本申请实施例中，采集完成后，可直接将采集数据在电池模组内的存储模块进行存储，或者直接将上述采集数据传输至云端，以扩大其应用场景。

其中，分别提取第一电池包101内每个电池子模组的电压香浓熵、温度香浓熵变化率，以及第二电池包102内每个电池模组对应的电压香浓熵、温度香浓熵变化率。

得到上述不同的香浓熵后，可根据上述香浓熵得到不同的香浓熵变化率。具体的，确定在第一时刻下，所述运行数据对应的第一香浓熵；

确定在第二时刻下，所述运行数据对应的第二香浓熵；

根据所述第一香浓熵以及所述第二香浓熵，得到在任意两不同时刻下的所述香浓熵变化率。

具体的，本申请实施例中，在提取并确定不同的香浓熵时，根据如下公式：

其中，其中，H(X)代表香浓熵，xi是随机变量的每一个可能的值，P(xi)是该值出现的概率。b是一个参数，常用的b可选取为2,10,e²,e(自然对数)。

进一步的，通过测定在第一时刻t_i-1与第二时刻t_i下对应的香浓熵，如第一时刻为第一香浓熵H(X)_i-1，第二香浓熵为H(X)_i，此时，可得到其香浓熵变化率：

本申请实施例中，在对每个电池子模组的运行数据对应的待检测样本进行提取时，其提取的特征属性为连续值，且服从高斯分布，即：

根据上述规则最终得到如下特征属性对应的集合：

以及根据不同类别的运行数据得到一类别集合c：

c＝{c₁,c₂,c₃,c₄,c₅}＝{电池热失控异常，电压采集异常，温度采集异常，BMS系统异常，正常}

具体的，通过对多个不同的电池子模组进行多次检测并提取，最终得到多个不同的香浓熵或香浓熵变化率。进一步的，基于上述香浓熵以及香浓熵变化率以及不同的特征属性对应一待检测样本。该待检测样本内包括多种不同类别的数据，如正常样本数据以及热失控数据。同时，在本申请实施例中，获取上述待检测样本并与第一热失控数据进行结合，进而生成一训练样本集。具体的，如表1所示，表1为本申请实施例提供的不同类别的数据对应的训练样本集：

表1：

在表1中，其中ID为1与2对应的标签为热失控数据，该热失控数据为第一热失控数据，该第一热失控数据为电池中已确定的发生热失控异常的数据。该第一热失控数据可直接从数据库或者本领域的经验常识中得到。进一步的，将上述第一热失控数据与其他检测得到的香浓熵或香浓熵变化率一同形成一训练样本集。得到上述训练样本集，为了提高其准确性，本申请实施例中，在进行处理时，还包括如下步骤：

设置一预测模型；

基于所述预测模型，将所述训练样本集代入所述预测模型中进行检测，并得到不同类别的所述待检测样本对应的概率值。

具体的，以下实施例中，该预测模型以贝叶斯分类器预测模型进行检测。同时，其他符合检测及训练功能的模型均可对上述待检测样本进行检测。

进一步的，如图2B所示，图2B为本申请实施例中提供的另一热失控异常的流程示意图。结合图2A中的处理流程，本申请实施例中，首先进行样本获取：车架号、报文时间、所有单体电压、所有单体温度。具体的，本申请实施例中，检测并获取任一电池包中每个电池子模组的运行数据；进而进行特征提取：基于所述运行数据，提取并确定所述待检测样本对应的香浓熵或香浓熵变化率；进一步的，将该待检测样本代入到贝叶斯分类器中，并计算不同类别的先验概率及不同类别条件下，特征取各种值的概率。计算完成后，对热失控事件进行判断，并将异常的热失控数据输出。

优选的，通过上述贝叶斯分类器对待检测样本检测后，提取不同类别的所述待检测样本对应的热失控异常概率值，并将所述热失控异常概率值与异常参考值进行比较，若所述热失控异常概率值大于所述异常参考值，则所述运行数据为异常数据，本申请实施例中，该异常参考值可根据不同类型的电池型号进行设定，如该异常参考值与目标阈值相同，当热失控异常概率值或者概率最大值在该异常参考值或目标阈值以上时，则表示对应的数据为热失控异常数据，该热失控事件会发生，反之，则为正常数据。同时，该异常参考值可为设定的一阈值，通过与该阈值进行比较以确定异常数据，这里不再赘述。

其中，在该贝叶斯分类器中，其包括一目标函数以及决策函数。

具体的，目标函数为：

决策函数为：

其中，c_j为所述电池子模组中不同类别的运行数据所形成的类别集合，x_i为不同的电池子模组内的运行数据所形成的特征属性集合，且所述目标函数为高斯分布函数。如当j＝1时，其对应c₁为电池热异常，当j＝2时，其对应c₂为电压采集异常......

在对上述热失控训练样本进行检测时，如图3所示，图3为本申请实施例中提供的检测步骤，具体的，还包括如下步骤：

基于所述目标函数以及所述决策函数，计算并得到所述不同类别集合对应的先验概率以及条件概率；

使用标准分算法进行标准正态分布转换，并根据正态分布表查出不同类别对应的概率；

基于所述决策函数得到所述不同类别对应的后验概率，并得到不同类别中对应的热失控异常概率。

具体的，计算先验概率时，按照如下的计算公式进行计算：

同时，在计算其条件概率时，采用如下本申请实施例中提供的公式进行计算：

此时，采用标准分算法进行标准正态分布转换，具体的，该转换公式参考

进行转换，并转换为标准正态分布N～(0，1)。

由于上述转换后其符合标准正态分布，因此，可直接从标准正态分布对应的概率表查出上述p_{模组1电压香浓熵变化率|热失控}的具体概率值。

按照上述训练规则以及计算方案，可依次得到不同特征属性在不同类别集下的概率。

进一步的，当得到上述各概率值以及对应的不同参数后，在基于决策函数得到不同类别对应的后验概率。

具体的，该后验概率的计算公式为：

本申请实施例中，在采用上述待检测样本中的不同类别对应的数据样本进行检测时，其可得到多个不同的概率。

对不同的概率进行筛选。具体的，在进行筛选时，将同一类别得到的热失控异常概率提取出来。其中，在进行提取时，采用如下筛选公式进行筛选：

g_热失控(x)＞g_{电压采集异常}(x)

g_热失控(x)＞g_{温度采集异常}(x)

g_热失控(x)＞g_{BMS系统异常}(x))

g_热失控(x)＞g_电池正常(x)。

从而筛选出g_热失控(x)。在实际工况中，可设定当其g热失控(x)≥0.7时，其对应的运行数据为热失控异常数据，当上述热失控异常概率值大于目标阈值0.7时，该处对应的电池点位中，容易出现热失控，该热失控事件会发生。从而通过本申请实施例中的上述检测方法得到该异常数据点，如热失控异常数据。并将其输出，从而有效的对电池的异常进行预警，并保证电池模组工作的安全性能。本申请实施例中，上述热失控与热失控异常为相同的概念，均表示该热失控事件会发生，这里不再赘述。

进一步的，本申请实施例中，在设置上述目标阈值时，还可根据不同的产品来进行设定。如当设备对电池性能的敏感性较高时，可对目标阈值进行下调，当检测得到的热失控异常概率中部分概率大于该目标阈值时，即表现为异常数据。同时，结合实际考量，为提高准确率，可设置异常持续事件。例如基于当前数据热异常的概率是A，则认定该电池包发生热失控异常，本申请实施例中，设定热失控异常概率值超过70％，认为发生热异常或热失控。具体的，按照实际经验可设定触发上述条件，如连续2次或持续30S，触发热失控预警。

本申请实施例中，通过对上述热失控训练样本进行模型训练，从而有效的提高其检测的准确性，并保证电池使用的安全性能。

具体的，如图4以及图5所示，图4为本申请实施例中提供的第二种电池热失控异常的检测方法流程示意图，图5为本申请实施例提供的第三种电池热失控异常的检测方法流程示意图。

其中，在图4中，通过对香浓熵进行提取并进行检测，图5中，通过对香浓熵变化率进行提取并检测。

具体的，在对电池模组中的各不同运行数据对应的香浓熵进行提取时，可按照上述对香浓熵变化率的方式进行处理，并将待检测样本中的不同类别的香浓熵与该目标阈值进行比较，当不同类别的运行数据对应的香浓熵均大于目标阈值时，其为热失控异常数据。

本申请实施例中，在确定上述目标阈值时，可按照试验车设定的数据进行确定，如电池包内同一个模组同时发生电压香浓熵≥目标阈值1.2和模组内温度香浓熵≥目标阈值0.8时，判定为热失控事件发生。

同时，本申请实施例中，当采用香浓熵变化率进行检测时，可按照实验车设定的数据进行确定，如电池包内同一个模组同时发生模组电压香浓熵变化率以及模组温度香浓熵变化率同时大于目标阈值时，判定为热失控事件发生。

进一步的，如图6-图7所示，图6为本申请实施例中提供的第四种电池热失控异常的检测方法流程示意图，图7为本申请实施例提供的第五种电池热失控异常的检测方法流程示意图。具体的，本申请实施例中，首先获取待检测样本：获取电池包中每个电池子模组的运行数据：如检测并获取待检测样本的车架号、报文时间以及所有单体温度值等电池子模组的运行数据。

运行数据获取完成后，基于上述运行数据进行特征提取：本申请实施例中，提取并确定运行数据对应的香浓熵或香浓熵变化率。如获取电池包中所有模组的温度香浓熵以及电池包所有模组温度香浓熵变化率。

进一步的，根据上述特征提取得到的数据以及第一热失控数据生成一训练样本集，，并将上述训练样本集中的待检测样本带入到贝叶斯分类器中进行检测。本申请实施例中，在采用贝叶斯分类器中进行检测时，计算上述待检测样本中不同类别的运行数据对应的先验概率以及其他特征取各种值时的概率。

训练完成后，可得到不同类别对应的概率值，如得到热失控异常概率值、温度采集异常概率值以及BMS系统异常概率值。同时，基于上述不同的概率值与目标值阈值进行比较，若概率值大于目标阈值，则表现为异常数据，从而进行筛选并输出。

进一步的，在图6中，结合图5中的流程示意图，本申请实施例中，当电池内的运行数据对应的特征提取完成后，对其进行初步筛选，如设定第一目标阈值或者多个不同的第一目标阈值，不同的第一目标阈值可对应不同类别的运行数据。如同一模组中电压香浓熵对应一个第一目标阈值，如同一模组中温度香浓熵对应另一个第一目标阈值。并判断提取得到的电压香浓熵或者温度香浓熵与第一目标阈值之间的大小关系：当电压香浓熵以及温度香浓熵均大于第一目标阈值，或当电压香浓熵变化率以及温度香浓熵变化率均大于另一目标阈值时，对上述符合条件的数据进行贝叶斯分类器进行检测。若电压香浓熵以及温度香浓熵不大于第一目标阈值时，返回重新检测并获取电池的运行数据。之后再次进行判断直至符合条件。然后再获取不同类别的待检测样本对应的热失控异常概率值，并将上述热失控概率值与第二目标阈值进行比较，本申请实施例中，该第二目标阈值对应电池运行数据发生异常概率的最小数值。从而判定对应的运行数据是否为热失控异常数据。

本申请实施例中，按照实验车数据，为提高精度，可对第一目标阈值以及第二目标阈值进行调整，如模组电压香浓熵对应的第一目标阈值≥1，模组温度香浓熵对应的第一目标阈值≥0.5，当经过贝叶斯决策后，并判定热失控异常概率与目标阈值之间的关系，并判定热失控事件是否发生。结合实践为减少误报可设定当且仅当热异常概率事件概率最大且热异常事件概率≥第二目标阈值0.7时，判定热失控异常事件发生。

本申请实施例中，通过上述贝叶斯分类器对待检测样本进行检测，从而有效的提高其筛选数据的准确性，以保证异常检测的效率。

进一步的，如图8所示，图8为本申请实施例提供的一种检测装置及对应的电池管理单元。具体的，电池管理单元610可包括第一电池包101，以及设置在第一电池包101内的多个电池子模组1011。同时，在该电池管理单元内还设置有处理器60，该处理器60可设置在第一电池包101的边缘端，该处理器60与对应的检测端子相连接，检测端子对电池包内的数据检测完成后，可直接将检测得到的数据传输至处理器60内。本申请实施例中，该处理器60内还可包括存储模块，通过该存储模块对上述数据进行存储，或者，通过该处理器60直接将上述数据传输至云端，并在云端对上述数据进行存储并运算。

本申请实施例中，通过将检测得到的电池的运行数据传输至云端，并在云端进行不同的处理，从而有效的提高了其使用的环境，并能对数据进行保护，防止电池自身出现问题而导致数据损失等问题。

本申请实施例中，在该电池管理单元内可设置一个或者多个程序，通过上述程序对处理器进行控制以及对电池进行检测，并根据需求对异常运行数据进行处理，从而保证电池的使用性能及安全性能。

综上所述，以上对本发明实施例所提供的一种电池热失控异常的检测方法及电池管理单元进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的技术方案及其核心思想；虽然本发明以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为基准。

Claims (10)

1.一种电池热失控异常的检测方法，其特征在于，包括如下步骤：

获取待检测样本：检测并获取任一电池包中每个电池子模组的运行数据；

基于所述运行数据，提取并确定所述待检测样本对应的香浓熵或香浓熵变化率；

设置目标阈值，并将所述待检测样本中的数据与所述目标阈值进行比较，若所述待检测样本中的数据大于所述目标阈值，则所述数据为热失控异常数据，并将其输出。

2.根据权利要求1所述的电池热失控异常的检测方法，其特征在于，所述步骤“基于所述运行数据，提取并确定所述待检测样本对应的香浓熵或香浓熵变化率”中，还包括如下步骤：

基于所述香浓熵或所述香浓熵变化率以及第一热失控数据生成一训练样本集；

设置一预测模型；

基于所述预测模型，将所述训练样本集代入所述预测模型中进行检测，并得到不同类别的所述待检测样本对应的概率值。

3.根据权利要求2所述的电池热失控异常的检测方法，其特征在于，所述预测模型包括贝叶斯分类器，基于所述贝叶斯分类器对所述待检测样本进行检测。

4.根据权利要求3所述的电池热失控异常的检测方法，其特征在于，提取不同类别的所述待检测样本对应的热失控异常概率值，并将所述热失控异常概率值与异常参考值进行比较，若所述热失控异常概率值大于所述异常参考值，则所述运行数据为异常数据。

5.根据权利要求3所述的电池热失控异常的检测方法，其特征在于，所述贝叶斯分类器中包括一目标函数以及决策函数；

其中，所述目标函数为：

所述决策函数为：

其中，c_j为所述电池子模组中不同类别的运行数据所形成的类别集合，x_i为不同的电池子模组内的运行数据所形成的特征属性集合，且所述目标函数为高斯分布函数。

6.根据权利要求5所述的电池热失控异常的检测方法，其特征在于，在使用所述贝叶斯分类器对所述待检测样本进行检测时，还包括如下步骤：

基于所述目标函数以及所述决策函数，计算并得到所述不同类别对应的先验概率以及条件概率；

使用标准分算法进行标准正态分布转换，并根据正态分布表查出不同类别集合对应的概率；

基于所述决策函数得到所述不同类别集合对应的后验概率，并得到不同类别对应的热失控异常概率值。

7.根据权利要求6所述的电池热失控异常的检测方法，其特征在于，所述待检测样本中对应的不同类别的热失控异常概率值大于0.7时，则为热失控异常。

8.根据权利要求1所述的电池热失控异常的检测方法，其特征在于，所述步骤“基于所述运行数据，提取并确定所述运行数据对应的香浓熵或香浓熵变化率”中，还包括：

确定在第一时刻下，所述运行数据对应的第一香浓熵；

确定在第二时刻下，所述运行数据对应的第二香浓熵；

根据所述第一香浓熵以及所述第二香浓熵，得到在任意两不同时刻下的所述香浓熵变化率。

9.根据权利要求1所述的电池热失控异常的检测方法，其特征在于，所述步骤“检测并获取任一电池包中每个电池子模组的运行数据”中，所述运行数据包括所述每个电池子模组在工作时，对应的不同类别的参数值，其中，所述不同类别的参数值包括：电压值、温度值、电流值、电池型号、充电状态、运行时间。

10.一种电池管理单元，其特征在于，所述电池管理单元包括一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器处理，以实现权利要求1-9中任一项所述的电池热失控异常的检测方法。

Images