基于大数据驱动的集成模型车辆热失控预测

摘要：

电池故障是新能源汽车热失控的主要威胁之一,开发一种算法预测汽车电池是否以及何时发生热失控,以便及时发送高温预警信息成为迫切需要.热失控的原因复杂而又多面,热失控或触发于动力电池内部,也可由外力触发,通过单纯的物理模型做出精确的预测较为困难.因此,构建了一种集成的机器学习算法,通过分别考虑电压和温度、异常电流、单电池一致性和过充电风险因素,构建集成模型.该集成模型由五个子模型组成,这些子模型与通过网格搜索选择的超参数相关联.为实现更加准确的预测,该方法基于实测大数据进行训练,算法实用且灵活,可预测现实场景中锂电池热失控的可能性.实验结果表明:综合误报率为0.1656,验证了该方法的可行性.

关键词：热失控、机器学习、实测数据、集成模型

所属期刊栏目：46

分类号：TM912

在线出版日期：2022-04-07（万方平台首次上网日期，不代表论文的发表时间）

页数：共4页

页码：299-302