CN115817177A - 电池热失控预测方法、装置、计算机设备和存储介质 - Google Patents
电池热失控预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN115817177A CN115817177A CN202211239840.4A CN202211239840A CN115817177A CN 115817177 A CN115817177 A CN 115817177A CN 202211239840 A CN202211239840 A CN 202211239840A CN 115817177 A CN115817177 A CN 115817177A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- current
- prediction result
- state data
- risk score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000002159 abnormal effect Effects 0.000 claims description 70
- 238000012544 monitoring process Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 abstract description 9
- 230000008859 change Effects 0.000 abstract description 8
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 39
- 230000005856 abnormality Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种电池热失控预测方法、装置、计算机设备和存储介质。所述方法包括：获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据，将由历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果。上述方法，区别于传统技术中根据电池的当前状态数据进行热失控预警的方案，而是结合电池的历史状态和实时状态两个维度进行热失控预警，能够过滤掉因采样误报和外部工况剧烈变化等情况导致误报的情况，降低电池热失控预测的误报率。
Description
技术领域
本申请涉及电池技术领域，特别是涉及一种电池热失控预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
电池作为电动汽车动力源，在整车发生碰撞、过充电条件下，可能会触发热失控。随着电动汽车和储能电站的大规模推广，因电池热失控所引发的燃烧和爆炸事故屡见不鲜。因此，研究电池热失控防控预警问题具备重要意义。
目前，传统技术中，针对电池的热失控预警的方案中，普遍存在一个问题，即容易出现因采样误报、机械故障、外部工况剧烈变化等情况，将可自行恢复的数据异常现象误报为异常情况，由此出现误报率过高的问题。例如，在车辆运行中会有很多其他情况导致电压出现异常，如网络传输异常可能导致电压出现异常，但是由网络传输异常造成的异常可马上恢复，而电池管理系统会针对该异常情况进行预警报错。
由此可见，目前的电池热失控预测方案存在误报率高的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够降低电池热失控预测的误报率的电池热失控预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种电池热失控预测方法。所述方法包括：
获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据；
将由历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果。
本申请实施例的技术方案中，区别于传统技术中根据电池的当前状态数据进行热失控预警的方案，而是获取待监测电池在上一时刻的历史状态数据和当前时刻的当前状态数据，根据历史状态数据，得到初始热失控预测结果，再结合初始热失控预测结果和当前状态数据，得到当前热失控预测结果，进一步，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果。上述方案，结合电池的历史状态和实时状态两个维度进行热失控预警，能够过滤掉因采样误报和外部工况剧烈变化等情况导致误报的情况，降低电池热失控预测的误报率。
在一些实施例中，将根据历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果之前，还包括：
当根据历史状态数据首次预测得到初始热失控风险评分超过预设的热失控风险评分阈值时，记录首次超阈值时间，确定初始热失控风险等级为预报警、并启动预设监测周期；
当根据初始热失控预测结果和当前状态数据得到当前热失控预测结果时，获取首次超阈值时间与当前预测时间的第一时间差，当前预测时间为根据当前状态数据预测出当前热失控风险评分是否超过预设的热失控风险评分阈值的时间点；
将根据历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果包括：
比较第一时间差是否超出预设监测周期，基于比较结果，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果。
本申请实施例的技术方案中，在根据历史状态数据首次预测出待监测电池的初始热失控风险评分超过预设的热失控风险评分阈值，确定初始热失控风险等级为预报警后，并未直接将初始热失控预测结果与当前热失控预测结果进行融合，而是预留出数据自行恢复正常的缓冲时间，记录首次超阈值时间，获取首次超阈值时间与当前预测时间的第一时间差，比较第一时间差是否超出监测周期，进而根据比较结果，进一步融合初始热失控预测结果与当前热失控预测结果，以得到更为准确的最终的目标热失控预测结果，能够有效过滤掉因采样误报和外部工况剧烈变化等情况导致误报的情况，减少热失控的误报率。
在一些实施例中，当前热失控预测结果包括当前热失控风险评分和当前热失控风险等级；
根据初始热失控预测结果和当前状态数据，得到当前热失控预测结果包括：
获取当前状态数据的数据状态；
根据当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分；
比较当前热失控风险评分和预设的热失控风险评分阈值，得到当前热失控风险等级。
本申请实施例的技术方案中，结合当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分，并进一步得到当前热失控风险等级，能够保证当前热失控风险等级的合理性和准确性。
在一些实施例中，初始热失控预测结果包括初始热失控风险评分和初始热失控风险等级；
根据当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分包括：
若初始热失控风险等级为预报警、且当前状态数据的数据状态为正常，则获取历史数据异常时间与当前时间的第二时间差，根据第二时间差和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分，历史数据异常时间为历史时期下待监测电池的状态数据出现数据异常报警的时间；
若初始热失控风险等级为预报警、且当前状态数据的数据状态为异常，则根据当前状态数据，得到中间热失控风险评分，根据中间热失控风险评分和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分。
本申请实施例的技术方案中，区别于传统的根据时间的远近，设定相应的权重，进而将权重与热失控风险评分的中间值相乘，得到最终的热失控风险评分。而是在已知初始热失控风险评分后，根据电池的当前状态数据是否恢复正常，进一步确定对应的热失控风险评分确定方式，更具针对性。并在当前状态数据正常的情况下，基于遗忘机制，引入风险评分衰减系数，降低历史数据对目标热失控预测结果的影响，因为e的负无穷次幂接近于0，即当△t足够大时，风险评分衰减系数趋近于0，即时间过于久远的初始热失控风险评分可以忽略不计，通过上述方式进行遗忘，以削弱初始热失控风险评分对预测当前时刻热失控风险评分的影响，使得当前热失控风险评分更为准确。
在一些实施例中，根据第二时间差和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分包括：
根据第二时间差，确定风险评分衰减系数，风险评分衰减系数与第二时间差呈负相关；
根据风险评分衰减系数和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分。
本申请实施例的技术方案中，在当前状态数据正常的情况下，引入风险评分衰减系数，降低大量的初始热失控预测结果对目标热失控预测结果的影响，因为e的负无穷次幂接近于0的，即当△t足够大时，风险评分衰减系数趋近于0，即时间过于久远的初始热失控预测结果可以忽略不计，削弱初始热失控风险评分对当前时刻热失控风险评分的预测的影响，使得当前热失控风险评分更为准确。
在一些实施例中，根据当前状态数据，得到中间热失控风险评分包括：
获取当前状态数据；
对当前状态数据进行预测，得到待监测电池的热失控发生概率；
根据热失控发生概率，得到中间热失控风险评分；
其中，当前状态数据包括至少一个维度的特征数据。
本申请实施例的技术方案中，通过对当前状态数据进行概率统计，得到热失控发生概率，再根据热失控发生概率，得到当前热失控风险评分，能够实现快速且准确地得到热失控风险评分。
在一些实施例中，若当前状态数据包括多维度的特征数据，对当前状态数据进行预测，得到电池的热失控发生概率，根据热失控发生概率，得到中间热失控风险评分包括：
对各维度的特征数据进行预测，得到各维度的特征数据对应的热失控发生概率；
根据各维度的特征数据对应的热失控发生概率，确定各维度的特征数据对应的热失控风险评分；
对各维度的特征数据对应的热失控风险评分进行融合，得到中间热失控风险评分。
本申请实施例的技术方案中，通过对各维度的特征数据进行预测，得到各维度的特征数据对应的热失控发生概率，再根据各维度的特征数据对应的热失控发生概率，得到相应的热失控风险评分，进一步融合各维度的特征数据对应的热失控风险评分，能够得到准确且全面的当前热失控风险评分。
在一些实施例中，当前热失控预测结果包括当前热失控风险等级，目标热失控预测结果包括目标热失控风险等级；
基于比较结果，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果包括：
若初始热失控风险等级为预报警、当前热失控风险等级为预报警、且第一时间差未超出预设监测周期，则确定目标热失控风险等级为预报警；
若初始热失控风险等级为预报警、当前热失控风险等级为预报警、且第一时间差超出预设监测周期，则确定目标热失控风险等级为报警；
若初始热失控风险等级为预报警、当前热失控风险等级为安全、且第一时间差未超出预设监测周期，则确定目标热失控风险等级为安全；
若初始热失控风险等级为预报警、当前热失控风险等级为安全、且第一时间差超出预设监测周期，则确定目标热失控风险等级为报警。
本申请实施例的技术方案中，通过引入监测周期的概念，基于第一时间差和预设监测周期的比较结果，融合初始热失控风险等级和当前热失控风险等级，确定目标热失控风险等级，能够保证目标热失控风险等级的准确度，降低误报现象的发生。
在一个实施例中，将由历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果包括：
若初始热失控风险等级为安全，则根据当前热失控预测结果，确定目标热失控预测结果。
本申请实施例的技术方案中，在初始热失控风险等级为安全的情况下，直接根据当前热失控预测结果，确定目标热失控预测结果，方便快捷。
在一些实施例中，根据历史状态数据得到初始热失控预测结果包括：
调用已构建的热失控预测模型对历史状态数据进行热失控预测，得到初始热失控预测结果；
得到目标热失控预测结果之后，还包括：
根据当前状态数据和目标热失控预测结果更新热失控预测模型。
第二方面，本申请还提供了一种电池热失控预测装置。装置包括：
数据获取模块，用于获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据；
热失控预测模块，用于将由历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果。
第三方面，本申请还提供了一种计算机设备。计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述电池失控预警方法中的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电池失控预警方法中的步骤。
第五方面，本申请还提供了一种计算机程序产品。计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述电池失控预警方法中的步骤。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请一些实施例中电池热失控预测方法的应用环境图；
图2为本申请一些实施例中电池热失控预测方法的流程示意图；
图3为本申请另一些实施例中电池热失控预测的流程示意图；
图4为本申请一些实施例中得到当前热失控风险评分步骤的流程示意图；
图5为本申请另一些实施例中得到当前热失控风险评分步骤的详细流程示意图；
图6为本申请又一些实施例中电池热失控预测方法的详细流程示意图；
图7为本申请一些实施例中电池热失控预测装置的结构框图；
图8为本申请另一些实施例中电池热失控预测装置的结构框图；
图9为本申请一些实施例中计算机设备的内部结构图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，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、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一些实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
目前，从市场形势的发展来看，动力电池的应用越加广泛。动力电池不仅被应用于水力、火力、风力和太阳能电站等储能电源系统，而且还被广泛应用于电动自行车、电动摩托车、电动汽车等电动交通工具，以及军事装备和航空航天等多个领域。随着动力电池应用领域的不断扩大，其市场的需求量也在不断地扩增。
本申请人注意到，当动力电池应用在电动汽车中，在整车发生碰撞、过充电条件下，可能会触发电池热失控的问题。且随着电动汽车和储能电站的大规模推广，因电池热失控所引发的燃烧和爆炸事故屡见不鲜。因此，研究电池热失控防控预警问题具备重要意义。
传统技术中，针对电池热失控预警的方案中，普遍存在一个问题，即容易出现因采样误报、机械故障、外部工况剧烈变化等情况，将可自行恢复的数据异常现象误报为异常情况，由此出现误报率过高的问题。例如，在车辆运行中会有很多其他情况导致电压出现异常，如网络传输异常可能导致电压出现异常，但是由网络传输异常造成的异常可马上恢复，而电池管理系统会针对该异常情况进行预警报错。
为了缓解目前的电池热失控预测方案存在误报率高的问题，经研究发现，传统方案中误报率高的一大原因在于根据电池的当前状态数据进行实时预警，维度单一且由于实时处理的时间短，很容易将还没来得及自行恢复异常数据确定为异常数据，造成误报。因此，发明人经过深入研究，认为：可以结合电池的历史状态数据和当前状态数据共同进行热失控预警，并且，为了解决将可自行恢复的数据异常现象误报的问题，可以引入遗忘机制进行预警，以降低大量历史数据对于电池的实时热失控预警的影响。
基于以上考虑，发明人提出了一种基于遗忘机制，根据电池的历史状态数据和当前状态数据进行热失控预警的方案，该方案区别于传统技术中根据电池的当前状态数据进行热失控预警的方案，而是获取待监测电池在不同时刻下的历史状态数据和当前状态数据，根据历史状态数据，确定初始热失控预测结果，再结合初始热失控预测结果和当前状态数据，得到当前热失控预测结果，进一步，融合初始热失控预测结果和当前热失控预测结果，得到目标热失控预测结果。上述方案，结合电池的历史状态和实时状态两个维度进行热失控预警，能够过滤掉因采样误报和外部工况剧烈变化等情况导致误报的情况，降低电池热失控预测的误报率。因此，采用上述方法，能够有效较低电池热失控预测的误报率。
本申请实施例提供的电池热失控预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与云服务器104进行通信。数据存储系统可以存储云服务器104需要处理的数据。数据存储系统可以集成在云服务器104上，也可以放在其他网络服务器上。具体的，可以是数据存储系统存储有待监测电池(可以是多个电池)的历史状态数据，终端102实时采集电池在当前时刻的当前状态数据，并将当前状态数据实时传输至云服务器104，云服务器104接收当前状态数据，并读取上一时刻的历史状态数据，根据历史状态数据，确定初始热失控预测结果，根据初始热失控预测结果和当前状态数据，得到当前热失控预测结果，融合初始热失控预测结果和当前热失控预测结果，得到目标热失控预测结果。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。云服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中，如图2所示，提供了一种电池热失控预测方法，以该方法应用于图1中的云服务器为例进行说明，包括以下步骤：
步骤200，获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据。
待监测电池(以下简称为电池)可以是待监测电池包，且数量可以是多个。待监测电池的历史状态数据包括电池在历史时刻下的热失控风险评分是否超过预设热失控风向评分阈值的标识结果、超过预设的热失控风险评分阈值的时间(即异常时间)、故障类型、电流、电压以及温度等数据。当前状态数据包括电池实时的电流、电压、温度以及压差等数据。在实际应用中，当前状态数据由终端不间断上传至云服务器，以便云服务器能够在持续进行热失控预警。上一时刻的历史状态数据即指云服务器在上一时刻接收到的待监测电池的历史状态数据。可以理解的是，在实际应用中，当首次进行电池热失控预测时，即接收到的仅包括当前时刻传输的当前状态数据，根据当前状态数据进行热失控预测，得到热失控预测结果完成首次热失控预测之后，当下一时间点到来时，上一轮接收到的状态数据即成为当前时间点的上一时刻的历史状态数据。如此，随着多轮热失控预测的不断进行，数据库中国存储的历史状态数据的数量会越来越多。
步骤400，将由历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果。
本实施例中，热失控预测结果包括初始热失控风险评分、初始热失控风险评分是否超过预设的热失控风险评分阈值的标识结果、根据标识结果预测得到的初始热失控风险等级，以及预测出初始热失控风险评分是否超过预设的热失控风险评分阈值的超阈值时间等。相应的，当前热失控预测结果也包括当前热失控风险评分、根据当前热失控风险评分预测得到的当前热失控风险等级，以及预测出当前热失控风险评分是否超过预设的热失控风险评分阈值的当前预测时间。目标热失控预测结果包括本轮热失控预测得到的最终的目标热失控风险等级、当前热失控风险评分是否超过预设的热失控风险评分阈值的标识结果以及超阈值时间等。其中，热失控风险等级划分为安全、预报警和报警三个等级。开始首次热失控预测时，待监测电池的热失控风险等级可标记为安全。可以理解的是，上述列举的热失控风险等级在本实施例中仅作为示例，在其他实施例中，也可以采用其他方式进行等级划分，例如，低风险、中风险和高风险等方式。举例说明，根据初始热失控风险评分是否超过预设的热失控风险评分阈值的标识结果，确定电池的初始热失控风险等级可以是：若标识结果为1，则表征初始热失控风险评分超过预设的热失控风险评分阈值，此时确定初始热失控风险等级为预报警，若标识结果为0，则表征初始热失控风险评分超过预设的热失控风险评分阈值，此时确定初始热失控风险等级为安全。
具体实施例时，在获取历史状态数据后，可以由历史状态数据，得到初始热失控预测结果，然后，根据初始热失控预测结果和当前状态数据，得到当前热失控预测结果。再融合初始热失控预测结果和当前热失控预测结果，得到目标热失控预测结果。具体的，可以是若初始热失控风险评分和当前热失控风险评分均未超过预设的热失控风险评分阈值，则确定待监测电池的目标热失控风险等级为安全。若出现初始热失控风险评分超过预设的热失控风险评分阈值的情况，则可记录超阈值时间，确定初始热失控风险等级，进一步结合当前状态数据和初始热失控预测结果，得到目标热失控预测结果，继续下一轮热失控预测。实际应用中，可以将本轮的目标热失控预测结果和当前状态数据等数据作为下一轮热失控预测的历史状态数据存储至电池历史状态信息表中，当下一时间点到来时，则获取上一时刻的历史状态数据和当前时刻的当前状态数据进行热失控预测。
上述电池热失控预测方法，区别于传统技术中根据电池的当前状态数据进行热失控预警的方案，而是获取待监测电池在上一时刻的历史状态数据和当前时刻的当前状态数据，根据历史状态数据，得到初始热失控预测结果，再结合初始热失控预测结果和当前状态数据，得到当前热失控预测结果，进一步，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果。上述方案，结合电池的历史状态和实时状态两个维度进行热失控预警，能够过滤掉因采样误报和外部工况剧烈变化等情况导致误报的情况，降低电池热失控预测的误报率。
如图3所示，在一些实施例中，步骤400之前，包括：
步骤300，当根据历史状态数据首次预测得到初始热失控风险评分超过预设的热失控风险评分阈值时，记录首次超阈值时间，确定初始热失控风险等级为预报警、并启动预设监测周期。
步骤320，当根据初始热失控预测结果和当前状态数据得到当前热失控预测结果时，获取首次超阈值时间与当前预测时间的第一时间差，当前预测时间为根据当前状态数据预测出当前热失控风险评分是否超过预设的热失控风险评分阈值的时间点。
步骤400包括：
步骤420，比较第一时间差是否超出预设监测周期，基于比较结果，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果。
本实施例中，首次超阈值时间为根据历史状态数据首次预测出待监测电池的初始热失控风险评分超过预设的热失控风险评分阈值，启动预设监测周期的时间点。预设监测周期可以是根据异常数据自行恢复的时长而设定的周期，可以是1小时、2小时以及其他时长。
具体实施时，当获取到历史状态数据后，可根据历史状态数据预测得到待监测电池的初始热失控预测结果，该初始热失控风险评分，比较初始热失控风险评分是否超过预设的热失控风险评分阈值，当首次预测出初始热失控风险评分超过预设的热失控风险评分阈值时，记录首次超阈值时间，确定初始热失控风险等级为预报警、并启动上述监测周期，以观察待监测电池是否在监测周期内恢复正常。接着，继续根据当前状态数据和初始热失控预测结果进行热失控预测，以得到当前热失控风险评分和当前热失控风险等级。当根据当前状态数据和初始热失控预测结果，得到当前热失控预测结果时，则获取首次超阈值时间与当前预测时间的第一时间差，比较第一时间差是否超出预设监测周期，基于比较结果，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果。具体实施时，可以是若初始热失控风险等级为安全，当前热失控预测等级为预报警，即根据当前热失控预测等级，确定目标热失控风险等级为预报警；若初始热失控风险等级为安全，当前热失控风险等级为安全，则确定目标热失控风险等级为安全。
本申请实施例的技术方案中，在根据历史状态数据首次预测出待监测电池的初始热失控风险评分超过预设的热失控风险评分阈值，确定初始热失控风险等级为预报警后，并未直接将初始热失控预测结果与当前热失控预测结果进行融合，而是预留出数据自行恢复正常的缓冲时间，记录首次超阈值时间，获取首次超阈值时间与当前预测时间的第一时间差，比较第一时间差是否超出监测周期，进而根据比较结果，进一步融合初始热失控预测结果与当前热失控预测结果，以得到更为准确的最终的目标热失控预测结果，能够有效过滤掉因采样误报和外部工况剧烈变化等情况导致误报的情况，减少热失控的误报率。
在一些实施例中，步骤420包括：
若初始热失控风险等级为预报警、当前热失控风险等级为预报警、且第一时间差未超出预设监测周期，则确定目标热失控风险等级为预报警。
若初始热失控风险等级为预报警、当前热失控风险等级为预报警、且第一时间差超出预设监测周期，则确定目标热失控风险等级为报警。
若初始热失控风险等级为预报警、当前热失控风险等级为安全、且第一时间差未超出预设监测周期，则确定目标热失控风险等级为安全。
若初始热失控风险等级为预报警、当前热失控风险等级为安全，且第一时间差超出预设监测周期，则确定目标热失控风险等级为报警。
预设监测周期可理解为时间跨度。本实施例中，预设监测周期以1小时为例进行说明。具体的，基于第一时间差，将初始热失控预测结果和当前热失控预测结果进行融合，得到标热失控预测结果可以是：比较第一时间差是否超过1小时，根据比较结果，将初始热失控预测结果和当前热失控预测结果进行融合，确定目标热失控风险等级。具体的确定过程可以是：
若初始热失控风险等级为预报警、当前热失控风险等级为预报警、且第一时间差未超出1小时，即当前热失控风险评分在1小时内持续超过预设风险评分阈值，则将热失控风险等级继续保持为预报警，确定目标热失控风险等级为预报警；
若初始热失控风险等级为预报警，当前热失控风险等级为预报警、且第一时间差超出1小时，则确定目标热失控风险等级为报警；
若初始热失控风险等级为预报警、当前热失控风险等级为安全、且第一时间差未超出1小时，则确定目标热失控风险等级为安全；
若初始热失控风险等级为预报警，无论当前热失控风险等级是否为安全，只要第一时间差超出1小时，则确定目标热失控风险等级为报警；
若初始热失控风险等级为安全、当前热失控风险等级为预报警、且第一时间差未超出1小时，则确定目标热失控风险等级为预报警；
若初始热失控风险等级为安全、当前热失控风险等级为安全、且第一时间差未超出1小时，则确定目标热失控风险等级为安全；
若初始热失控风险等级为安全，无论当前热失控风险等级是否为安全，只要第一时间差超出1小时，则确定目标热失控风险等级为报警。
上述内容仅是对实际应用中比较有代表性的情况进行示例性说明，可以理解的是，还可以存在其他情况。上述过程中，若目标热失控风险等级为预报警或安全，则返回步骤200，将当前时刻的状态数据作为下一轮热失控预测的历史状态数据，接收下一时刻的当前状态数据，继续进行下一轮电池热失控预测。若确定目标热失控风险等级为报警，则发送预警消息，以通知售后人员对热失控风险等级为报警的电池进行处理。之后，返回步骤200，将当前时刻的状态数据作为下一轮热失控预测的历史状态数据，接收下一时刻的当前状态数据，继续进行下一轮电池热失控预测。
本申请实施例的技术方案中，通过引入监测周期的概念，基于第一时间差和预设监测周期的比较结果，融合初始热失控风险等级和当前热失控风险等级，确定目标热失控风险等级，能够保证目标热失控风险等级的准确度，降低误报现象的发生。
如图4所示，在一些实施例中，当前热失控预测结果包括当前热失控风险评分和当前热失控风险等级；
根据初始热失控预测结果和当前状态数据，得到当前热失控预测结果包括：
步骤402，确定当前状态数据的数据状态。
步骤404，根据当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分。
步骤406，比较当前热失控风险评分和预设的热失控风险评分阈值，得到当前热失控风险等级。
当前热失控风险评分即指针对当前状态数据和初始热失控预测结果进行风险评分，得到的当前热失控风险评分。可以理解的是，当前热失控风险评分的“当前”是与当前状态数据的“当前”相呼应的，只是为与初始热失控风险评分做出区分所使用的一种命名，若当前状态数据称为实时状态数据，则当前热失控风险评分对应称为实时热失控风险评分。当前状态数据的数据状态分为正常和异常。具体的，可以是将当前状态数据如电压、电流和温度等数据与预设的电压值、电流值和温度值相比较，判定电池是否出现温差过大、压差过大等问题，若出现温差过大、压差过大等问题，则判定当前状态数据的数据状态为异常，否则，则为正常。在另一些实施例中，还可以是接收BMS(Battery Management System，电池管理系统)发送的电池状态监测数据，若电池状态监测数据表征电池出现异常，则确定当前状态数据的数据状态为异常，若电池状态监测数据表征电池未出现异常，则确定当前状态数据的数据状态为正常。
具体实施时，初始热失控预测结果中包含有初始热失控风险评分，可结合当前状态数据，得到一个热失控风险评分中间值，再基于当前状态数据是否为异常，对初始热失控风险评分和热失控风险评分中间值进行相应处理，得到最终的当前热失控风险评分。进一步的，将当前热失控风险评分与预设的热失控风险评分阈值如95分进行比较，若当前热失控风险评分大于95分，则确定当前热失控风险等级为预报警，若小于或等于95分，则确定当前热失控风险等级为安全。
本申请实施例的技术方案中，结合当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分，并进一步得到当前热失控风险等级，能够保证当前热失控风险等级的合理性和准确性。
如图5所示，在一些实施例中，初始热失控预测结果包括初始热失控风险评分；
步骤404包括：
步骤424，若初始热失控风险等级为预报警、且当前状态数据的数据状态为正常，则获取历史数据异常时间与当前时间的第二时间差，根据第二时间差和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分，历史数据异常时间为历史时期下待监测电池的状态数据出现数据异常报警的时间。
步骤444，若初始热失控风险等级为预报警、且当前状态数据的数据状态为异常，则根据当前状态数据，得到中间热失控风险评分，根据中间热失控风险评分和初始热失控风险评分，得到当前热失控风险评分。
实际应用中，若本轮热失控预测过程中，初始热失控风险等级为预报警，则表明在历史时刻如t时刻可能出现过数据异常报警的现象，数据库中会记录发生数据异常的历史时间点，即历史数据异常时间。针对初始热失控风险等级为预报警、且当前状态数据的数据状态为正常的情况，可以是获取历史数据异常时间与当前时间的第二时间差，结合遗忘机制，由初始热失控风险评分得到电池在当前状态下的当前热失控风险评分。具体的，可以是根据第二时间差，确定风险评分衰减系数，根据风险评分衰减系数和初始热失控风险评分，得到电池的当前热失控风险评分，需要指出的是，风险评分衰减系数与第二时间差呈负相关，即第二时间差越大，则风险评分衰减系数越小，反之，第二时间差越大，则风险评分衰减系数越大，当第二时间差足够大时，风险评分衰减系数趋近于0。初始热失控风险等级为预报警、且当前状态数据的数据状态为异常的情况，可根据当前状态数据，得到初始热失控风险评分，再根据初始热失控风险评分和初始热失控风险评分之和，得到当前热失控风险评分。
举例说明，记历史时期t时刻发生了电池数据异常报警，电池的初始热失控风险等级为预报警，在t时刻的初始热失控风险评分为A，当前时刻距离t时刻的第二时间差为△t，则根据第二时间差，确定时间衰减系数为e-△t，则当前热失控风险评分为：B＝e-△t*A。若初始热失控风险等级为预报警、且当前状态数据的数据状态为异常，则根据当前状态数据，得到电池的中间热失控风险评分，记为B1，可将中间热失控风险评分和t时刻的热失控风险评分相加，所求之和作为当前热失控风险评分B，即B＝A+B1。
本申请实施例的技术方案中，区别于传统的根据时间的远近，设定相应的权重，进而将权重与热失控风险评分的中间值相乘，得到最终的热失控风险评分。而是在已知初始热失控风险评分后，根据电池的当前状态数据是否恢复正常，进一步确定对应的热失控风险评分确定方式，更具针对性。并在当前状态数据正常的情况下，基于遗忘机制，引入风险评分衰减系数，降低历史数据对目标热失控预测结果的影响，因为e的负无穷次幂接近于0，即当△t足够大时，风险评分衰减系数趋近于0，即时间过于久远的初始热失控风险评分可以忽略不计，通过上述方式进行遗忘，以削弱初始热失控风险评分对预测当前时刻热失控风险评分的影响，使得当前热失控风险评分更为准确。
在一些实施例中，根据当前状态数据，得到中间热失控风险评分包括：获取当前状态数据，对当前状态数据进行预测，得到待监测电池的热失控发生概率，根据热失控发生概率，得到中间热失控风险评分，其中，当前状态数据包括至少一个维度的特征数据。
中间热失控风险评分即指当前状态下的初始热失控风险评分，并非最终的当前热失控风险评分，其可以视为一个中间值。此“中间”是相对于“当前热失控风险评分”的“当前”而言的。当前状态数据包括至少一个维度的特征数据，特征数据可包括电压、电流、温度、压力以及故障码等。本实施例中，可以是基于当前状态数据的特征数据进行预测，得到待监测电池的热失控发生概率，进而根据热失控发生概率，得到中间热失控风险评分。预测的方式可以包括概率统计和回归预测等方式。在另一个实施例中，若当前状态数据包括多维度的特征数据，则可以是对各维度的特征数据进行预测，得到各维度的特征数据对应的热失控发生概率，进而根据各维度的特征数据对应的热失控发生概率，确定各维度的特征数据对应的热失控风险评分，将各维度的特征数据对应的热失控风险评分进行融合如求和，得到中间热失控风险评分。
举例说明，若数据特征以出现温差过大导致的热失控故障和压差过大导致的热失控故障的特征数据为例，得到中间热失控风险评分可以是：分别获取发生温差过大导致的热失控故障时的第一热失控发生概率P(异常|温差过大)，和发生压差过大导致的热失控故障时的第二热失控发生概率P(异常|压差过大)，再分别由第一热失控发生概率和第二热失控发生概率进行融合，得到电池的第一热失控风险评分和第二热失控风险评分。再融合第一热失控风险评分和第二热失控风险评分，得到中间热失控风险评分。具体的，第一热失控风险评分和第二热失控风险评分的融合可以是以加权求和的方式进行。
本实施例中，以权重为1为例，根据温差过大和压差过大的故障特征，确定电池的中间热失控风险评分可以是：
P(异常|温差过大)＝P(温差过大|异常)*P(异常)/P(温差过大)
其中：P(温差过大|异常)可以根据温差过大故障特征数据，统计现有的异常电池中发生温差过大的数量得到，P(异常)可以通过统计当前所有样本中发生异常的数量得到，P(温差过大)可通过温差过大故障特征数据，统计所有电池中发生了温差过大的数量得到，综上即可获得待求参数P(异常|温差过大)，同理，可以得到P(异常|压差过大)。具体的，本实施例中采用贝叶斯算法进行概率统计，得到相应的概率值。
然后，根据P(异常|温差过大)和P(异常|压差过大)，得到相应的热失控风险评分，进而得到中间热失控风险评分B1，具体过程可以如下：
Score(异常|温差过大)＝P(异常|温差过大)
Score(异常|压差过大)＝P(异常|压差过大)
B1＝Score(异常|温差过大)+Score(异常|压差过大)
其中，Score(异常|温差过大)和Score(异常|压差过大)的获取方式为，若触发了温差过大故障，则令Score(异常|温差过大)＝P(异常|温差过大)，若未触发温差过大故障，则Score(异常|温差过大)＝0；若触发了压差过大故障，则Score(异常|压差过大)＝P(异常|压差过大)，若未触发压差过大故障，则Score(异常|压差过大)＝0。最后，以权重为1为例，中间热失控风险评分为B1＝Score(异常|温差过大)+Score(异常|压差过大)。可以理解的是，若发生多种故障，存在多个维度的故障特征数据，则分别根据各维度的故障特征数据统计相应的热失控发生概率，再由热失控发生概率得到相应的热失控风险评分，最后，对多个维度的热失控风险评分进行加权求和，得到最终的中间热失控风险评分B1。可以理解的是，根据历史状态数据得到初始历史热失控风险评分的过程也可按照上述方式进行处理。
本申请实施例的技术方案中，通过对当前状态数据进行多维度的特征提取，再对提取出的数据特征进行概率统计，得到电池的各维度特征数据对应的热失控发生概率，进而根据各维度特征数据对应的热失控发生概率，得到热失控风险评分，上述做法能够快速且准确地得到热失控风险评分。
在另一个实施例中，根据历史状态数据得到初始热失控预测结果包括：调用已构建的热失控预测模型对所述历史状态数据进行热失控预测，得到初始热失控预测结果。
得到目标热失控预测结果之后，还包括：根据所述当前状态数据和所述目标热失控预测结果更新所述热失控预测模型。
实际应用中，可以是预先基于由已发生故障的电池包的特征数据构成的样本数据，训练得到热失控预测模型，热失控预测模型为在线更新的模型。该模型的构建过程可以是：基于已发生故障的电池包数据，进行多维数据融合特征提取，对提取出的特征数据进行特征融合，得到热失控风险评分，其中，提取出的特征数据包括至少一个维度的特征数据如出现温差过大故障时的特征数据、压差过大故障，故障特征数据即指能够表征电池故障类型的数据。
具体实施时，根据当前状态数据，得到中间热失控风险评分可以是对当前状态数据进行多维度数据融合特征提取，提取当前状态数据的多维度的特征数据，然后将提取出的多维度的特征数据作为热失控预测模型的输入数据，调用热失控预测模型，以对多维度的特征数据进行概率统计，预测得到各维度的特征数据对应的热失控发生概率，再根据各维度的特征数据对应的热失控发生概率，得到相应的热失控风险评分，最后，对各维度的特征数据对应的热失控风险评分进行求和，得到电池的中间热失控风险评分。并且，在完成本轮热失控预测，得到目标热失控预测结果后，可将目标热失控预测结果和当前状态数据作为样本数据反馈至热失控预测模型，以在线更新热失控预测模型。
本申请实施例的技术方案中，通过模型调用的方式获取热失控风险评分，能够快速且准确地得到热失控风险评分，并且，通过不断地更新热失控预测模型，能够使得模型预测出的热失控风险评分越来越准确。
为了对本申请提供的电池热失控预测方法做出更为清楚的说明，下面结合图6和一个具体实施例进行说明，该具体实施例可以包括以下步骤：
步骤1：获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据。
步骤2：基于历史状态数据，调用热失控预测模型，得到初始热失控风险评分。
步骤3：比较初始热失控风险评分是否大于预设的热失控风险评分阈值。
步骤3-1：若初始热失控评分首次超出预设的热失控风险评分阈值，则记录首次超阈值时间，确定初始热失控风险等级为预报警，并启动预设监测周期，以首次超阈值时间为起点，监测待监测电池的当前电池热失控风险评分是否在1小时内持续超出预设的热失控风险评分阈值，进入步骤4-1。
步骤3-2：若初始热失控评分未超出预设的热失控风险评分阈值，则确定初始热失控风险等级为安全，进入步骤4-2。
步骤4-1：在初始热失控风险等级为预报警的情况下，获取当前状态数据的数据状态，根据当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分。
步骤4-2：在初始热失控风险等级为安全的情况下，获取当前状态数据的数据状态，根据当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分。
步骤5-1：在初始热失控风险等级为预报警的情况下，比较当前热失控风险评分是否大于预设的热失控风险评分阈值。
步骤5-1-1：若初始热失控风险等级为预报警，且当前热失控风险评分大于预设的热失控风险评分阈值，则确定当前热失控风险等级为预报警，进入步骤6。
步骤5-1-2：若初始热失控风险等级为预报警，且当前热失控风险评分不大于预设的热失控风险评分阈值，比较首次超阈值时间与当前预测时间的第一时间差是否超出1小时。
步骤5-1-2-1：若当前热失控风险评分不大于预设的热失控风险评分阈值、且首次超阈值时间与当前预测时间的第一时间差的时间差超出1小时，则确定目标热失控风险等级为报警。
步骤5-1-2-2：若当前热失控风险评分不大于预设的热失控风险评分阈值、且首次超阈值时间与当前预测时间的第一时间差的时间差未超出1小时，则确定目标热失控风险等级为安全，返回步骤1，以进行下一轮热失控预测。
步骤5-2：在初始热失控风险等级为安全的情况下，比较当前热失控风险评分是否大于预设的热失控风险评分阈值。
步骤5-2-1：若初始热失控风险等级为安全，且当前热失控风险评分大于预设的热失控风险评分阈值，则确定目标热失控风险等级为预报警，记录超阈值时间，返回步骤1，以进行下一轮热失控预测。
步骤5-2-2：若初始热失控风险等级为安全，且当前热失控风险评分不大于预设的热失控风险评分阈值，则确定目标热失控风险等级为安全，返回步骤1，以进行下一轮热失控预测。
步骤6：比较首次超阈值时间与当前预测时间的第一时间差是否超出预设1小时。将历史热失控风险等级和当前热失控风险等级进行融合，得到目标热失控预测结果。进一步的，将本轮的目标热失控预测结果和当前状态数据反馈至热失控预测模型，以更新热失控预测模型，等待下一时刻的到来，返回步骤1，展开下一轮热失控预测。
步骤6-1：若初始热失控风险等级为预报警，当前热失控风险等级为预报警、且第一时间差超出1小时，则确定目标热失控风险等级为报警。
步骤6-2：若初始热失控风险等级为预报警，当前热失控风险等级为预报警、且第一时间差未超出1小时，则确定目标热失控风险等级为预报警，返回步骤1，以进行下一轮热失控预测。
具体的，除上述步骤6-1和步骤6-2所列举的情形外，还包括以下几种情形：
若初始热失控风险等级为预报警、当前热失控风险等级为安全、且第一时间差小于1小时，则确定目标热失控风险等级为安全。
若初始热失控风险等级为预报警，无论当前热失控风险等级是否为安全，只要第一时间差大于1小时，则确定目标热失控风险等级为报警。
若初始热失控风险等级为安全、当前热失控风险等级为预报警、且第一时间差小于1小时，则确定目标热失控风险等级为预报警。
若初始热失控风险等级为安全、当前热失控风险等级为安全、且第一时间差小于1小时，则确定目标热失控风险等级为安全。
若初始热失控风险等级为安全，无论当前热失控风险等级是否为安全，只要第一时间差大于1小时，则确定目标热失控风险等级为报警。
若目标热失控风险等级为报警，则发送报警消息，通知售后人员回收该电池。若目标热失控风险等级为预报警或安全，则不发送报警消息。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的电池热失控预测方法的电池热失控预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电池热失控预测装置实施例中的具体限定可以参见上文中对于电池热失控预测方法的限定，在此不再赘述。
在一些实施例中，如图7所示，提供了一种电池热失控预测装置，包括：数据获取模块710和热失控预警模块720，其中：
数据获取模块710，用于获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据。
热失控预测模块720，用于将由历史状态数据得到的初始热失控预测结果、以及根据初始热失控预测结果和当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果。
上述电池热失控预测装置中，区别于传统技术中根据电池的当前状态数据进行热失控预警的方案，而是获取待监测电池在上一时刻的历史状态数据和当前时刻的当前状态数据，根据历史状态数据，得到初始热失控预测结果，再结合初始热失控预测结果和当前状态数据，得到当前热失控预测结果，进一步，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果。上述方案，结合电池的历史状态和实时状态两个维度进行热失控预警，能够过滤掉因采样误报和外部工况剧烈变化等情况导致误报的情况，降低电池热失控预测的误报率。
在一些实施例中，热失控预测模块720还用于当根据历史状态数据首次预测得到初始热失控风险评分超过预设的热失控风险评分阈值时，记录首次超阈值时间，确定初始热失控风险等级为预报警、并启动预设监测周期，当根据初始热失控预测结果和当前状态数据得到当前热失控预测结果时，获取首次超阈值时间与当前预测时间的第一时间差，当前预测时间为根据当前状态数据预测出当前热失控风险评分是否超过预设的热失控风险评分阈值的时间点，比较第一时间差是否超出预设监测周期，基于比较结果，将初始热失控预测结果和当前热失控预测结果进行融合，得到目标热失控预测结果。
在一些实施例中，如图8所示，热失控预测模块720还包括热失控风险评分确定单元722和热失控风险等级确定模块724。热失控风险评分确定单元722用于获取当前状态数据的数据状态，根据当前状态数据的数据状态和初始热失控预测结果，得到当前热失控风险评分。热失控风险等级确定模块724用于比较当前热失控风险评分和预设的热失控风险评分阈值，得到当前热失控风险等级。
在一些实施例中，初始热失控预测结果包括初始热失控风险评分和初始热失控风险等级；
热失控风险评分确定单元722还用于若初始热失控风险等级为预报警、且当前状态数据的数据状态为正常，则获取历史数据异常时间与当前时间的第二时间差，根据第二时间差和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分；若初始热失控风险等级为预报警、且当前状态数据的数据状态为异常，则根据当前状态数据，得到中间热失控风险评分，根据中间热失控风险评分和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分。
在一些实施例中，热失控风险评分确定单元722还用于根据第二时间差，确定风险评分衰减系数，风险评分衰减系数与第二时间差呈负相关，根据风险评分衰减系数和历史数据异常时间对应的热失控风险评分，得到当前热失控风险评分。
在一些实施例中，热失控风险评分确定单元722还用于获取当前状态数据，对当前状态数据进行预测，得到待监测电池的热失控发生概率，根据热失控发生概率，得到中间热失控风险评分。
在一些实施例中，若数据特征包括多个维度的故障特征，热失控风险评分确定单元722还用于对各维度的特征数据进行预测，得到各维度的特征数据对应的热失控发生概率，根据各维度的特征数据对应的热失控发生概率，确定各维度的特征数据对应的热失控风险评分，对各维度的特征数据对应的热失控风险评分进行融合，得到中间热失控风险评分。
在一些实施例中，热失控预测模块720还用于若初始热失控风险等级为预报警、当前热失控风险等级为预报警、且第一时间差未超出预设监测周期，则确定目标热失控风险等级为预报警；若初始热失控风险等级为预报警、当前热失控风险等级为预报警、且第一时间差超出预设监测周期，则确定目标热失控风险等级为报警；若初始热失控风险等级为预报警、当前热失控风险等级为安全、且第一时间差未超出预设监测周期，则确定目标热失控风险等级为安全；若初始热失控风险等级为预报警、当前热失控风险等级为安全、且第一时间差超出预设监测周期，则确定目标热失控风险等级为报警。
在一个实施例中，热失控预测模块720还用于若初始热失控风险等级为安全，则根据当前热失控预测结果，确定目标热失控预测结果。
在一些实施例中，热失控风险评分确定单元722还用于调用已构建的热失控预测模型对历史状态数据进行热失控预测，得到初始热失控预测结果。
如图8所示，在一些实施例中，装置还包括模型更新模块740，用于根据当前状态数据和目标热失控预测结果更新热失控预测模型。
上述电池热失控预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一些实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电池的历史状态数据和当前状态数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池热失控预测方法。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一些实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述电池热失控预测方法中的步骤。
在一些实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述电池热失控预测方法中的步骤。
在一些实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述电池热失控预测方法中的步骤。
需要说明的是，本申请所涉及的数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围，其均应涵盖在本申请的权利要求和说明书的范围当中。尤其是，只要不存在结构冲突，各个实施例中所提到的各项技术特征均可以任意方式组合起来。本申请并不局限于文中公开的特定实施例，而是包括落入权利要求的范围内的所有技术方案。
Claims (14)
1.一种电池热失控预测方法，其特征在于，所述方法包括：
获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据；
将由所述历史状态数据得到的初始热失控预测结果、以及根据所述初始热失控预测结果和所述当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果。
2.根据权利要求1所述的方法，其特征在于，所述将根据所述历史状态数据得到的初始热失控预测结果、以及根据所述初始热失控预测结果和所述当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果之前，还包括：
当根据所述历史状态数据首次预测得到所述初始热失控风险评分超过预设的热失控风险评分阈值时，记录首次超阈值时间，确定初始热失控风险等级为预报警、并启动预设监测周期；
当根据初始热失控预测结果和当前状态数据得到当前热失控预测结果时，获取所述首次超阈值时间与当前预测时间的第一时间差，所述当前预测时间为根据所述当前状态数据预测出当前热失控风险评分是否超过所述预设的热失控风险评分阈值的时间点；
所述将根据所述历史状态数据得到的初始热失控预测结果、以及根据所述初始热失控预测结果和所述当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果包括：
比较所述第一时间差是否超出所述预设监测周期，基于比较结果，将所述初始热失控预测结果和所述当前热失控预测结果进行融合，得到目标热失控预测结果。
3.根据权利要求1所述的方法，其特征在于，所述当前热失控预测结果包括当前热失控风险评分和当前热失控风险等级；
根据所述初始热失控预测结果和所述当前状态数据，得到当前热失控预测结果包括：
获取所述当前状态数据的数据状态；
根据所述当前状态数据的数据状态和所述初始热失控预测结果，得到所述当前热失控风险评分；
比较所述当前热失控风险评分和预设的热失控风险评分阈值，得到所述当前热失控风险等级。
4.根据权利要求3所述的方法，其特征在于，所述初始热失控预测结果包括初始热失控风险评分和初始热失控风险等级；
所述根据所述当前状态数据的数据状态和所述初始热失控预测结果，得到所述当前热失控风险评分包括：
若所述初始热失控风险等级为预报警、且所述当前状态数据的数据状态为正常，则获取历史数据异常时间与当前时间的第二时间差，根据所述第二时间差和所述历史数据异常时间对应的热失控风险评分，得到所述当前热失控风险评分，所述历史数据异常时间为历史时期下所述待监测电池的状态数据出现数据异常报警的时间；
若所述初始热失控风险等级为预报警、且所述当前状态数据的数据状态为异常，则根据所述当前状态数据，得到中间热失控风险评分，根据所述中间热失控风险评分和所述历史数据异常时间对应的热失控风险评分，得到所述当前热失控风险评分。
5.根据权利要求4所述的方法，其特征在于，所述根据所述第二时间差和历史数据异常时间对应的热失控风险评分，得到所述当前热失控风险评分包括：
根据所述第二时间差，确定风险评分衰减系数，所述风险评分衰减系数与所述第二时间差呈负相关；
根据所述风险评分衰减系数和所述历史数据异常时间对应的热失控风险评分，得到所述当前热失控风险评分。
6.根据权利要求4所述的方法，其特征在于，根据所述当前状态数据，得到中间热失控风险评分包括：
获取当前状态数据；
对所述当前状态数据进行预测，得到所述待监测电池的热失控发生概率；
根据所述热失控发生概率，得到中间热失控风险评分；
其中，所述当前状态数据包括至少一个维度的特征数据。
7.根据权利要求6所述的方法，其特征在于，若所述当前状态数据包括多维度的特征数据，所述对当前状态数据进行预测，得到所述电池的热失控发生概率，根据所述热失控发生概率，得到中间热失控风险评分包括：
对各维度的特征数据进行预测，得到各维度的特征数据对应的热失控发生概率；
根据各维度的特征数据对应的热失控发生概率，确定各维度的特征数据对应的热失控风险评分；
对各维度的特征数据对应的热失控风险评分进行融合，得到中间热失控风险评分。
8.根据权利要求2所述的方法，其特征在于，所述当前热失控预测结果包括当前热失控风险等级，所述目标热失控预测结果包括目标热失控风险等级；
所述基于比较结果，将所述初始热失控预测结果和所述当前热失控预测结果进行融合，得到目标热失控预测结果包括：
若所述初始热失控风险等级为预报警、所述当前热失控风险等级为预报警、且所述第一时间差未超出预设监测周期，则确定目标热失控风险等级为预报警；
若所述初始热失控风险等级为预报警、所述当前热失控风险等级为预报警、且所述第一时间差超出预设监测周期，则确定目标热失控风险等级为报警；
若所述初始热失控风险等级为预报警、所述当前热失控风险等级为安全、且所述第一时间差未超出预设监测周期，则确定目标热失控风险等级为安全；
若所述初始热失控风险等级为预报警、所述当前热失控风险等级为安全、且所述第一时间差超出预设监测周期，则确定目标热失控风险等级为报警。
9.根据权利要求1所述的方法，其特征在于，所述将由所述历史状态数据得到的初始热失控预测结果、以及根据所述初始热失控预测结果和所述当前状态数据得到的当前热失控预测结果进行融合，得到目标热失控预测结果包括：
若所述初始热失控风险等级为安全，则根据所述当前热失控预测结果，确定目标热失控预测结果。
10.根据权利要求1至9任意一项所述的方法，其特征在于，根据历史状态数据得到初始热失控预测结果包括：
调用已构建的热失控预测模型对所述历史状态数据进行热失控预测，得到所述初始热失控预测结果；
所述得到目标热失控预测结果之后，还包括：
根据所述当前状态数据和所述目标热失控预测结果更新所述热失控预测模型。
11.一种电池热失控预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取待监测电池上一时刻的历史状态数据和当前时刻的当前状态数据；
热失控预测模块，用于将由所述历史状态数据得到的初始热失控预测结果、以及根据所述初始热失控预测结果和所述当前状态数据得到的当前热失控预测结果进行融合，得到所述目标热失控预测结果。
12.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的方法的步骤。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
14.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211239840.4A CN115817177A (zh) | 2022-10-11 | 2022-10-11 | 电池热失控预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211239840.4A CN115817177A (zh) | 2022-10-11 | 2022-10-11 | 电池热失控预测方法、装置、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115817177A true CN115817177A (zh) | 2023-03-21 |
Family
ID=85524578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211239840.4A Pending CN115817177A (zh) | 2022-10-11 | 2022-10-11 | 电池热失控预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115817177A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111391668A (zh) * | 2020-03-31 | 2020-07-10 | 威睿电动汽车技术(宁波)有限公司 | 一种电池热失控预警处理方法、装置、设备及存储介质 |
| CN112394291A (zh) * | 2020-11-05 | 2021-02-23 | 广州汽车集团股份有限公司 | 一种电池热失控预警方法及装置 |
| CN113506924A (zh) * | 2021-06-17 | 2021-10-15 | 重庆金康动力新能源有限公司 | 电池包的热失控预警方法及系统 |
| CN114779085A (zh) * | 2022-04-13 | 2022-07-22 | 上海钧正网络科技有限公司 | 实时化电池热失控检测方法、系统、装置及介质 |
| JP2022108252A (ja) * | 2021-01-12 | 2022-07-25 | 中国汽車技術研究中心有限公司 | 動力電池の熱暴走の事前警報方法、装置、電子デバイス及び媒体 |
-
2022
- 2022-10-11 CN CN202211239840.4A patent/CN115817177A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111391668A (zh) * | 2020-03-31 | 2020-07-10 | 威睿电动汽车技术(宁波)有限公司 | 一种电池热失控预警处理方法、装置、设备及存储介质 |
| CN112394291A (zh) * | 2020-11-05 | 2021-02-23 | 广州汽车集团股份有限公司 | 一种电池热失控预警方法及装置 |
| JP2022108252A (ja) * | 2021-01-12 | 2022-07-25 | 中国汽車技術研究中心有限公司 | 動力電池の熱暴走の事前警報方法、装置、電子デバイス及び媒体 |
| CN113506924A (zh) * | 2021-06-17 | 2021-10-15 | 重庆金康动力新能源有限公司 | 电池包的热失控预警方法及系统 |
| CN114779085A (zh) * | 2022-04-13 | 2022-07-22 | 上海钧正网络科技有限公司 | 实时化电池热失控检测方法、系统、装置及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN112644336B (zh) | 一种动力电池热失控预测方法及装置 | |
| CN112233360B (zh) | 基于数据建模的电气火灾预警方法和服务器 | |
| CN112622676A (zh) | 一种动力电池安全充电的监测方法及系统 | |
| CN112550074A (zh) | 一种电动汽车电池内部温度安全预警方法及监测系统 | |
| CN112307623A (zh) | 电芯热失控预测方法、装置、介质、电池管理系统及车辆 | |
| CN115238983A (zh) | 一种基于bp神经网络的充电安全状态评估方法及系统 | |
| CN116956639B (zh) | 一种基于数据分析的高散热性蓄电池评估方法及系统 | |
| Hong et al. | Collision-Caused thermal runaway investigation of li-ion battery in Real-World electric vehicles | |
| US20240069117A1 (en) | Method, system, device and medium for detecting battery state of health | |
| CN115817177A (zh) | 电池热失控预测方法、装置、计算机设备和存储介质 | |
| CN115508713A (zh) | 一种电池系统安全预警方法、装置、存储介质及设备 | |
| CN115972982A (zh) | 热失控预警方法、装置、设备及可读存储介质 | |
| CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
| CN116093497A (zh) | 一种电池热失控概率预测方法、装置、设备及存储介质 | |
| CN110826882A (zh) | 燃气管线韧性评估方法及装置 | |
| CN115808622A (zh) | 电池故障识别方法、装置、设备和存储介质 | |
| CN115122933A (zh) | 一种电动汽车静置异常识别方法及装置 | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
| CN114069080A (zh) | 电池热失控预警方法及系统、智能终端、计算机可读介质 | |
| CN113341332A (zh) | 电池热失控预警方法、装置、作业机械及电子设备 | |
| CN116087782B (zh) | 一种汽车电池故障预警方法、系统、装置及存储介质 | |
| CN117648589B (zh) | 一种储能电池热失控预警方法、系统、电子设备及介质 | |
| CN113868236B (zh) | 电动交通工具故障监测方法、设备及计算机可读存储介质 | |
| Wen et al. | A thermal runaway risk warning scheme for power batteries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |