(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111661180.4 (22)申请日 2021.12.3 0 (71)申请人 重庆长安 新能源汽车科技有限公司 地址 401133 重庆市江北区鱼嘴镇永和路 39号2屋208室 (72)发明人 龚关　蒲江　江振文　吴正国　 万红兵　 (74)专利代理 机构 重庆华科专利事务所 5 0123 代理人 夏洪 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/392(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于循环神经网络的电池热失控风险 预测方法及系统 (57)摘要 本发明涉及一种基于循环神经网络的电池 热失控风险预测方法及系统， 该方法包括以下步 骤： 从预先收集的用于训练循环神经网络模型的 历史数据中选取特征数据， 并对 特征数据进行数 据清洗； 基于进行过清洗 之后的特征数据生成固 定时间长度的样本数据， 其中， 样本数据包括正 常车辆的样 本数据和问题车辆的样 本数据； 构建 循环神经网络模 型； 定义循环神经网络模型的输 出； 循环神经网络模型获取正常车辆的样本数据 并进行训练； 利用问题车辆的样 本数据验证进行 训练之后的循环神经网络模型。 本发 明通过模型 获取采集得到的实时数据， 按照一定的频率进行 计算， 然后得到模型的预测结果， 将预测结果与 实际结果比对， 计算偏离度， 该偏离度即可作为 电池可能发生热失控故障的概 率。 权利要求书3页 说明书7页 附图1页 CN 114355199 A 2022.04.15 CN 114355199 A 1.一种基于循环神经网络的电池热失控风险预测方法， 其特 征在于， 包括以下步骤： S01:从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据， 并对所述 特征数据进行 数据清洗； S02： 基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据， 其中， 所述 样本数据包括 正常车辆的样本数据和问题车辆的样本数据； S03： 构建所述循环神经网络模型； S04： 定义所述循环神经网络模型的输出； S05： 所述循环神经网络模型获取 所述正常车辆的样本数据并进行训练； S06： 利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型； S07： 重复所述S0 5至S06， 直至得 出最优的所述循环神经网络模型； S08： 所述最优的循环神经网络模型获取车辆实时数据， 按照设定频率计算得到预测结 果， 将所述预测结果与实际结果比对得到偏离度， 当所述偏离度大于阈值时即可判定为电 池有热失控风险。 2.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法， 其特 征在于， 在所述S01中， 所述历史数据包括实验室数据和用户实车 数据； 所述特征数据包括总电流、 总电压、 S OC、 车速、 累计里程、 单体电压、 若干个温度传感器 采集到的温度； 对所述特 征数据进行 数据清洗的方法包括： 清除无效数据、 缺失数据补全和归一 化。 3.根据权利要求2所述的基于循环神经网络的电池热失控风险预测方法， 其特 征在于， 对所述特 征数据进行归一 化处理的公式为： 其中， 其中x表示原 始值， 表示归一 化后的值。 4.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法， 其特 征在于， 在所述S02中， 通过滑窗方式生成固定时间长度的共P1个样本数据， 包括正常车辆的样 本数据数量为P2个， 问题车辆的样 本数据数量为P 3个， 每一个所述样本数据的大小 是为m× n的矩阵， 其中m是时间长度， n是 特征数。 5.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法， 其特 征在于， 在所述S03中， 所述循环神经网络模型由若干个基本循环神经单元和一个全连接层组 成， 所述基本循环神经 单元包括简单循环神经 单元、 LSTM单 元及GRU单 元； 所述循环神经网络模型还可采用自定义的循环神经 单元。 6.根据权利要求 4所述的基于循环神经网络的电池热失控风险预测方法， 其特 征在于， 在所述S04中， 所述定义循环神经网络模型的输出， 即预测的方式有两种， 其一， 基于获 取的数据一次性预测长度为m1时刻的所有 数据， 其二， 采用循环预测方法， 即每一次的输出 是下一时刻的预测， 然后利用样 本数据中的后m ‑P4长度的数据和预测出来的长度为P4的时 刻的数据预测出 下一时刻的结果， 直至得 出预测长度为m1时刻的所有数据。 7.根据权利要求 4所述的基于循环神经网络的电池热失控风险预测方法， 其特 征在于， 在所述S05中， 所述循环神经网络模型获取P2个正常车辆的样本数据， 进行训练， 所述权　利　要　求　书 1/3 页 2 CN 114355199 A 2循环网络模型的评价指标为平均平方误差MSE； 采取正则化与批归一化方式优化所述循环 神经网络模型的训练过程， 所述MSE被定义 为参数MSE正 常； 在所述S06中， 利用P3个所述问题车辆的样本数据验证进行训练之后的所述循环神经 网络模型， 验证结果的评价指标为MSE， MSE被定义 为参数MSE问题； 在所述S07中， 重复所述S05至S06， 直至得出MSE正常较小， MSE问题较大的最优循环神 经网 络模型； 在所述S08中， 所述最优循环神经网络模型获取车辆实时数据， 经过计算得到MSE实时， 所 述偏离度即R的计算公式为： 8.一种基于循环神经网络的电池热失控风险预测系统， 其特 征在于， 包括： 清洗模块， 用于从预先收集的用于训练循环神经网络模型的历史数据中选取特征数 据， 并对所述特 征数据进行 数据清洗； 生成模块， 用于基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据， 其中， 所述样本数据包括 正常车辆的样本数据和问题车辆的样本数据； 构建模块， 用于构建所述循环神经网络模型； 定义模块， 用于 定义所述循环神经网络模型的输出； 训练模块， 用于所述循环神经网络模型获取 所述正常车辆的样本数据并进行训练； 验证模块， 用于利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络 模型； 循环模块， 用于重复所述训练模块至验证模块， 直至得出最优的所述循环神经网络模 型； 比对模块， 用于所述最优的循环神经网络模型获取车辆实时数据， 按照设定频率计算 得到预测结果， 将所述预测结果与实际结果比对得到偏离度， 当所述偏离度大于阈值时即 可判定为电池有热失控风险。 9.根据权利要求8所述的基于循环神经网络的电池热失控风险预测系统， 其特 征在于， 在所述清洗模块中， 所述历史数据包括实验室数据和用户实车 数据； 所述特征数据包括总电流、 总电压、 S OC、 车速、 累计里程、 单体电压、 若干个温度传感器 采集到的温度； 对所述特 征数据进行 数据清洗的方法包括： 清除无效数据、 缺失数据补全和归一 化。 10.根据权利要求9所述的基于循环神经网络的电池热失控风险预测系统， 其特征在 于， 对所述特 征数据进行归一 化处理的公式为： 其中， 其中x表示原 始值， 表示归一 化后的值。 11.根据权利要求8所述的基于循环神经网络的电池热失控风险预测系统， 其特征在权　利　要　求　书 2/3 页 3 CN 114355199 A 3