电动车热失控预判方法、模型训练方法、装置及相关设备与流程

本技术的实施例涉及电动车，尤其涉及电动车热失控预判方法、模型训练方法、装置及相关设备。

背景技术：

1、近年来，随着各式各样电动汽车的增多、极端天气变多等，道路上电动汽车热失控事件也越来越多。电动汽车的电池包燃烧起火令消费者和电动汽车厂家都苦恼和恐惧。在电动汽车的电池包过热燃烧之前的正常状态到突然剧烈升温的过渡过程非常短暂，往往令研发和售后人员无法提前捕捉端倪。但是过热燃烧的电池包在日常使用时往往表现出一些数据上的与正常电包的不同，虽然这种不同常常不易发觉。为减少上述情况发生，在传统电动汽车热失控预判中，也应用了随机森林模型进行分析，但传统随机森林模型分析样本量太大没有重点，使电动车热失控的预判计算量大且缺乏针对性。

技术实现思路

1、根据本技术的实施例，提供了一种电动车热失控预判方法、模型训练方法、装置及相关设备。

2、在本技术的第一方面，提供了一种电动车热失控预判方法。该方法包括：获取待预判电池包不同阶段的原始数据，所述原始数据包括总电压、总电流、单体电压、电池包压差、电池包温差，以及上述数据采样位置的平均温度；

3、其中，所述电池包不同阶段为电池包电量为100%-90%时、90%-80%时....，以及20%-10%时的9个阶段；

4、根据所述待预判电池包不同阶段的原始数据，通过训练完成的目标预判模型，确定所述待预判电池包的目标状态，所述目标状态包括电动车正常和电动车即将发生热失控；

5、其中，所述目标预判模型设定20个有同样构造的决策树。

6、在一可选的实施方式中，还包括：

7、在确定车辆即将发生热失控后，发出报警信息。

8、在一可选的实施方式中，所述目标预判模型的训练方法包括：

9、获取训练数据集，所述训练数据集包括电动车电池包不同阶段的原始数据统计量；

10、所述电动车电池包包括已发生热失控车辆的电动车电池包和未发生热失控车辆的电动车电池包；

11、其中，所述原始数据统计量包括所述电池包不同阶段的总电压的均值、方差、偏度、峰度和平均变化差值梯度等；总电流的均值、方差、偏度、峰度和平均变化差值梯度等；单体电压的均值、方差、偏度、峰度和平均变化差值梯度等；电池包压差的均值、方差、偏度、峰度和平均变化差值梯度等；电池包温差的均值、方差、偏度、峰度和平均变化差值梯度等；以及上述数据采样位置的平均温度；

12、根据所述训练数据集训练得到目标预判模型；

13、用上述方式得到20个有同样构造的所述决策树，将所述决策树并联得到所述目标预判模型。

14、在一可选的实施方式中，还包括：

15、获取验证数据集，选出预定数量的已发生热失控车辆和预定数量的未发生热失控车辆，并得到所述电池包不同阶段的原始数据统计量；

16、将所述已发生热失控车辆的所述电池包不同阶段的原始数据统计量与未发生热失控车辆的电池包不同阶段的原始数据统计量进行混合，按照预设规则分为所述训练数据集和验证数据集；

17、根据所述验证数据集验证所述目标预判模型；

18、其中，当误差率低于预设阈值时,结束模型训练。

19、在本技术的第二方面，提供了一种模型训练方法，包括：

20、获取训练数据集和验证数据集，所述训练数据集包括电动车电池包不同阶段的原始数据统计量；

21、所述电动车电池包包括已发生热失控车辆的电动车电池包和未发生热失控车辆的电动车电池包；

22、其中，所述原始数据统计量包括所述电池包不同阶段的总电压的均值、方差、偏度、峰度和平均变化差值梯度等；总电流的均值、方差、偏度、峰度和平均变化差值梯度等；单体电压的均值、方差、偏度、峰度和平均变化差值梯度等；电池包压差的均值、方差、偏度、峰度和平均变化差值梯度等；电池包温差的均值、方差、偏度、峰度和平均变化差值梯度等；以及上述数据采样位置的平均温度；

23、选出预定数量的已发生热失控车辆和预定数量的未发生热失控车辆，并得到所述电池包不同阶段的原始数据统计量；

24、将所述已发生热失控车辆的所述电池包不同阶段的原始数据统计量与未发生热失控车辆的电池包不同阶段的原始数据统计量进行混合，按照预设规则分为所述训练数据集和验证数据集；

25、根据所述训练数据集训练得到目标预判模型的决策树；

26、用上述方式得到20个有同样构造的所述决策树，将所述决策树并联得到所述目标预判模型；

27、根据所述验证数据集验证所述目标预判模型；

28、其中，当误差率低于预设阈值时,结束模型训练。

29、在本技术的第三方面，提供了一种电动车热失控预判装置，包括：

30、第一获取模块，获取待预判电池包不同阶段的原始数据，所述原始数据包括总电压、总电流、单体电压、电池包压差、电池包温差，以及上述数据采样位置的平均温度；

31、其中，所述电池包不同阶段为电池包电量为100%-90%时、90%-80%时....，以及20%-10%时的9个阶段；

32、第一确定模块，根据所述待预判电池包不同阶段的原始数据，通过训练完成的目标预判模型，确定所述待预判电池包的目标状态，所述目标状态包括电动车正常和电动车即将发生热失控；

33、其中，所述目标预判模型设定20个有同样构造的决策树。

34、在本技术的第四方面，提供了一种模型训练装置，包括：

35、第二获取模块，获取训练数据集和验证数据集，所述训练数据集包括电动车电池包不同阶段的原始数据统计量；

36、所述电动车电池包包括已发生热失控车辆的电动车电池包和未发生热失控车辆的电动车电池包；

37、其中，所述原始数据统计量包括所述电池包不同阶段的总电压的均值、方差、偏度、峰度和平均变化差值梯度等；总电流的均值、方差、偏度、峰度和平均变化差值梯度等；单体电压的均值、方差、偏度、峰度和平均变化差值梯度等；电池包压差的均值、方差、偏度、峰度和平均变化差值梯度等；电池包温差的均值、方差、偏度、峰度和平均变化差值梯度等；以及上述数据采样位置的平均温度；

38、选出预定数量的已发生热失控车辆和预定数量的未发生热失控车辆，并得到所述电池包不同阶段的原始数据统计量；

39、将所述已发生热失控车辆的所述电池包不同阶段的原始数据统计量与未发生热失控车辆的电池包不同阶段的原始数据统计量进行混合，按照预设规则分为所述训练数据集和验证数据集；

40、模型训练模块，根据所述训练数据集训练得到目标预判模型；

41、用上述方式得到20个有同样构造的所述决策树，将所述决策树并联得到所述目标预判模型；

42、模型验证模块，根据所述验证数据集验证所述目标预判模型；

43、其中，当误差率低于预设阈值时,结束模型训练。

44、在本技术的第五方面，提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现如权利要求中任一项所述的方法。

45、本发明提供的电动车热失控预判方法是基于随机森林模型的，但突破了传统随机森林模型分析样本量太大没有重点这一瓶颈；有效的利用了随机森林算法具有泛化能力强,并行运算速度高等优势,训练后还可以输出特征重要性,使得本方法具备复杂场景的强适应性与可解释性,进而满足作为电动车售后质量部的要求。

46、应当理解，
技术实现要素：
部分中所描述的内容并非旨在限定本技术的实施例的关键或重要特征，亦非用于限制本技术的范围。本技术的其它特征将通过以下的描述变得容易理解。