热失控预警阈值确定方法、预警方法、装置、设备及介质

技术领域

本申请属于电池安全技术领域，尤其涉及一种电池热失控预警方法、装置、设备及介质。

背景技术

近年来，磷酸铁锂电池在新能源汽车、启动电源、储能设备等领域得到了广泛的应用，由于磷酸铁锂电池内部具有高能量密度等特点，使得磷酸铁锂电池极易产生热失控，磷酸铁锂电池热失控问题的成因分为机械故障、电气故障和热故障三类，其共性均为发生了短路。当磷酸铁锂电池发生内部或者外部短路后，短时间内会释放出大量热量，温度急剧升高，因而引起磷酸铁锂电池热失控，进而导致储能电站等场所发生火灾，为了保证使用到磷酸铁锂电池的各个场所的安全，亟需对磷酸铁锂电池热失控进行预警。

常用的电池热失控预警方法需要获取磷酸铁锂电池发生热失控时的大量异常数据，发明人意识到：虽然磷酸铁锂电池运行场景规模庞大，但热失控状态下的电池异常数据占比少，常常存在小样本问题，导致模型精度不高，继而使得电池热失控预警不准确，影响判断结果的准确性的同时还会引发安全隐患。

发明内容

本申请的目的在于提供热失控预警阈值确定方法、预警方法、装置、设备及介质，用于解决现有的电池热失控预警方法在热失控状态下的电池异常数据占比少，模型精度不高，导致电池热失控预警不准确，影响判断结果的准确性的同时引发安全隐患的问题。

第一方面，本申请提供一种热失控预警阈值确定方法，包括：获取电池的正常运行状态数据；利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型；将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据；根据电池的正常运行状态数据以及第一预警数据确定预警阈值。

本申请中，先获取电池在各种工况下运行的大量正常运行状态数据，通过用正常运行状态数据对电池热失控预警模型进行训练，从而得到训练完成的电池热失控预警模型；接着将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据，再根据电池的正常运行状态数据以及第一预警数据确定预警阈值。本申请采用正常数据样本作为训练集对模型进行训练，训练目的是学习自身分布的同时能够输出自身分布，然后再将训练集输入至训练完成的电池热失控预警模型中，得到训练集对应的第一预警数据，再根据训练集以及训练集对应的第一预警数据确定预警阈值。本申请完全采用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型精度高，电池热失控预警准确，提高了电池热失控预警准确性的同时有效避免了安全隐患的发生。

在第一方面的一种实现方式中，利用电池的正常运行状态数据对电池热失控预警模型进行训练，还包括：对电池的正常运行状态数据进行预处理，得到预处理后电池的正常运行状态数据；利用预处理后电池的正常运行状态数据对电池热失控预警模型进行训练。

在第一方面的一种实现方式中，对电池的正常运行状态数据进行预处理，得到预处理后电池的正常运行状态数据，包括：确定电池的正常运行状态数据对应的均值和标准差；将电池的正常运行状态数据中的每个数据分别与均值进行相减运算，得到差值数据集，差值数据集包括若干个差值；确定若干个差值分别与标准差之间的比值，得到比值数据集，比值数据集为预处理后电池的正常运行状态数据。

本申请中，在将电池的正常运行状态数据对电池热失控预警模型进行训练之前，能够对电池的正常运行状态数据进行预处理，使得预处理后的电池的正常运行状态数据被限定在一定范围内，从而消除奇异样本数据导致的不良影响，并且本申请通过对电池的正常运行状态数据进行预处理，能够加快对电池热失控预警模型进行训练时的收敛速度，并且能够提高电池热失控预警模型的精度。

在第一方面的一种实现方式中，利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型，包括：确定电池热失控预警模型的模型标签，电池热失控预警模型的模型标签为电池的正常运行状态数据；将电池的正常运行状态数据输入至电池热失控预警模型，电池热失控预警模型输出预测值；确定预测值与模型标签之间的均方误差；基于预测值与模型标签之间的均方误差，采用自适应运动估计算法对电池热失控预警模型进行优化，得到优化后的电池热失控预警模型；将优化后的电池热失控预警模型作为训练完成的电池热失控预警模型。

本申请中，将电池的正常运行状态数据作为电池热失控预警模型的训练集，在利用电池的正常运行状态数据对电池热失控预警模型进行训练时，电池热失控预警模型的输入与标签都为训练集，那么电池热失控预警模型能够学习自身分布，电池热失控预警模型的输出结果是与输入近似的曲线，当输入的正常样本足够多且工况覆盖的足够完全时，电池的所有正常运行状态数据均被电池热失控预警模型学习。

在第一方面的一种实现方式中，将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据，训练完成的电池热失控预警模型包括编码器和解码器，包括：

将电池的正常运行状态数据输入到训练完成的电池热失控预警模型的编码器中，编码器输出电池的正常运行状态数据对应的编码特征数据；将编码特征数据输入到训练完成的电池热失控预警模型的解码器中，解码器输出编码特征数据对应的解码特征数据；将解码特征数据作为第一预警数据。

本申请中，电池热失控预警模型的建立需要完成下面三样工作：搭建编码器、搭建解码器以及设定一个优化目标，优化目标用以衡量由于压缩而损失掉的信息。编码器和解码器的参数能够通过最小化损失函数而优化，本发明选用自适应运动估计算法对电池热失控预警模型进行优化，既能适应稀疏梯度，又能缓解梯度震荡，提高了电池热失控预警模型的精度。

在第一方面的一种实现方式中，根据电池的正常运行状态数据以及第一预警数据确定预警阈值，包括：确定电池的正常运行状态数据与第一预警数据之间的均方误差，得到均方误差数据集；确定均方误差数据集中的最大值，最大值为预警阈值。

本申请中，将在各个历史时刻下电池的若干个正常运行状态数据输入训练完成后的电池热失控预警模型中，训练完成后的电池热失控预警模型输出与若干个正常运行状态数据相对应的第一预警数据，然后确定若干个正常运行状态数据与第一预警数据之间的均方误差，得到均方误差数据集，然后确定均方误差数据集中的最大值，将最大值作为预警阈值。

在第一方面的一种实现方式中，热失控预警阈值确定方法还包括：获取电池的异常运行状态数据；利用电池的异常运行状态数据对训练完成的电池热失控预警模型进行测试，完成对电池热失控预警模型的测试。

本申请中，在利用训练完成的电池热失控预警模型进行电池热失控预警前，需要利用历史时刻电池的异常运行状态数据对训练完成的电池热失控预警模型进行测试，从而保证了对电池进行热失控预警时，电池热失控预警模型的正确性和可靠性。

在第一方面的一种实现方式中，获取电池的异常运行状态数据，包括：当电池发生热失控时，获取电池的热失控特征温度以及热失控特征温度对应的时刻；热失控特征温度包括电池自发热起始温度、电池热失控起始温度、电池打开泄压阀起始温度、电池隔膜完全破坏起始温度以及温度随时间变化曲线；基于热失控特征温度对应的时刻，对电池的热失控特征温度进行线性插值处理，得到热失控曲线；从热失控曲线中选取热失控时间段数据；将热失控时间段数据作为电池的异常运行状态数据。

本申请中，获取异常运行状态数据时，需要先获取到电池发生热失控前、中、后全阶段的温度数据，然后对得到的电池自发热起始温度、电池热失控起始温度、电池打开泄压阀起始温度、电池隔膜完全破坏起始温度这四个温度与对应的时间点进行线性插值处理，从而模拟热失控曲线；将模拟热失控曲线中的热失控时间段数据作为电池的异常运行状态数据。

第二方面，本申请提供一种电池热失控预警方法，包括：获取电池的待检测运行状态数据；将电池的待检测运行状态数据输入电池热失控预警模型中，得到电池热失控预警模型输出的第二预警数据；根据第二预警数据以及预警阈值生成热失控预警信息，以完成对电池的待检测运行状态数据的预警检测。

在第二方面的一种实现方式中，根据第二预警数据以及预警阈值生成热失控预警信息，包括：确定第二预警数据与电池的待检测运行状态数据之间的均方误差；当第二预警数据与电池的待检测运行状态数据之间的均方误差大于预警阈值时，判定电池处于热失控状态，生成电池热失控预警异常信息；将电池热失控预警异常信息发送至平台进行预警。

本申请中，将电池的待检测运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第二预警数据。将第二预警数据与电池的待检测运行状态数据之间的均方误差与预警阈值进行比较，当第二预警数据与电池的待检测运行状态数据之间的均方误差大于预警阈值时，判定电池处于热失控状态，生成电池热失控预警异常信息；将电池热失控预警异常信息发送至平台进行预警，从而实现了对电池热失控的预警检测。

第三方面，本申请提供一种热失控预警阈值确定装置，包括：第一数据获取模块，用于获取电池的正常运行状态数据；模型训练模块，用于利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型；第一模型预测模块，用于将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据；阈值确定模块，用于根据电池的正常运行状态数据以及第一预警数据确定预警阈值。

第四方面，本申请提供一种热失控预警装置，包括：第二数据获取模块，用于获取电池的待检测运行状态数据；第二模型预测模块，用于将电池的待检测运行状态数据输入电池热失控预警模型中，得到电池热失控预警模型输出的第二预警数据；热失控预警模块，用于根据第二预警数据以及预警阈值生成热失控预警信息，以完成对电池的待检测运行状态数据的预警检测。

第五方面，本申请提供一种电子设备，电子设备包括：

存储器，存储器存储有多条指令；

处理器，处理器从存储器中加载指令，以执行本申请实施例所提供的任一热失控预警阈值确定方法中的步骤或本申请实施例所提供的任一项热失控预警方法中的步骤。

第六方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该程序被电池热失控预警设备执行时实现本申请实施例所提供的任一热失控预警阈值确定方法中的步骤或本申请实施例所提供的任一项热失控预警方法中的步骤。

如上，本申请的热失控预警阈值确定方法、预警方法、装置、设备及介质，具有以下

有益效果：

本申请不仅采用了基于编码器和解码器的电池热失控预警模型，而且采用正常数据样本作为训练集对基于编码器和解码器的电池热失控预警模型进行训练，训练目的是学习自身分布的同时能够输出自身分布，然后再次将训练集输入至训练完成的电池热失控预警模型中，得到训练集对应的第一预警数据，再根据训练集以及训练集对应的第一预警数据确定预警阈值，通过预警阈值对电池的待检测运行状态数据进行预警检测。本申请采用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型精度高，电池热失控预警准确，提高了电池热失控预警准确性的同时有效避免了安全隐患的发生。

附图说明

图1显示为本申请一实施例的热失控预警阈值确定方法的应用场景示意图。

图2显示为本申请一实施例的热失控预警阈值确定方法的流程示意图。

图2a显示为本申请一实施例的电池热失控预警模型的结构示意图。

图2b为本申请一实施例对电池热失控预警模型训练时的模型输出对比图。

图2c为本申请一实施例对电池热失控预警模型进行测试的流程示意图。

图2c-1为本申请一实施例的电池热失控预警方法的热失控曲线示意图。

图2c-2为本申请一实施例的电池异常运行状态数据曲线图。

图2d为本申请一实施例与训练集对应的均方误差分布图。

图2e为本申请一实施例与测试集对应的均方误差分布图。

图3为本申请一实施例的热失控预警方法的流程示意图。

图4为本申请一实施例的热失控预警阈值确定装置的结构示意图。

图5为本申请一实施例的热失控预警装置的结构示意图。

图6为本申请一实施例的电子设备的结构示意图。

具体实施方式

以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

本申请以下实施例提供了一种电池热失控预警方法、装置、设备及介质，可以应用于储能电站的电池管理等场景中。其中，该标定装置具体可以集成在电子设备中，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、或者个人电脑(Personal Computer，PC)等设备；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群。

在一些实施例中，该电池热失控预警装置还可以集成在多个电子设备中，比如，标定装置可以集成在多个服务器中，由多个服务器来实现本申请的电池热失控预警方法。

在一些实施例中，服务器也可以以终端的形式来实现。

本发明实施例提供的一种热失控预警阈值确定方法，可应用在如图1的应用环境中，其中，温度传感器10用于检测电池11的温度，温度传感器10与服务器12之间通信连接，平台13可以接收服务器12发送的电池热失控预警信息，并根据电池热失控预警信息进行预警。服务器12与平台13之间通信连接，服务器12可以包括处理器和存储器等。服务器12可以获取电池的运行状态数据，运行状态数据可以包括历史时刻电池的正常运行状态数据以及当前时刻电池的待检测运行状态数据，历史时刻包括当前时刻之前的时刻；利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型；将电池的正常运行状态数据以及电池的待检测运行状态数据分别输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据和第二预警数据；根据电池的正常运行状态数据以及第一预警数据确定预警阈值；根据第二预警数据以及预警阈值判断是否进行热失控预警，以完成对电池的待检测运行状态数据的预警检测等。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行详细描述。

如图2所示，本实施例提供一种热失控预警阈值确定方法，包括步骤S210至步骤S240，如下：

S210、获取电池的正常运行状态数据。

本实施例中，可以先设置时间周期，然后根据时间周期采集电池的正常运行状态数据，电池的正常运行状态数据为覆盖各种工况、天气情况下电池未发生热失控时的正常数据。比如，本实施例可以将时间步长为15s，取300个时间戳为一组，电池的正常运行状态数据的数据长度为628800，电池的正常运行状态数据作为训练集使用，则训练集的大小为(2096,300,1)。本实施例运行状态数据可以包括历史时刻电池的正常运行状态数据，还可以包括当前时刻电池的待检测运行状态数据，历史时刻包括当前时刻之前的时刻。

S220、利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型。

本实施例中，基于编码器和解码器的电池热失控预警模型中的编码器可以包括若干层依次连接的卷积层，每层卷积层具有第一预设大小卷积核、第一预设步长以及第一预设激活函数；解码器可以包括若干层依次连接的反卷积层，每层反卷积层具有第二预设大小卷积核、第二预设步长以及第二预设激活函数。

本实施例中，如图2a所示，基于编码器和解码器的电池热失控预警模型包括两层卷积层和三层反卷积层，其中，两层卷积层和三层反卷积层皆采用一维卷积，编码器的第一层卷积层的输入的维度为(105,1)，第一层卷积层的输出的通道数为32，第一层卷积层的卷积核大小为7，第一层卷积层的卷积方式选择same模式，same模式可以在前向传播的过程中让特征图的大小保持不变，第一层卷积层进行卷积时的步长为2，第一层卷积层对应的激活函数使用Relu函数，第一层卷积层进行Dropou的概率为0.2。编码器的第二层卷积层的输出的通道数为16，第二层卷积层的卷积核大小为7，第二层卷积层的卷积方式选择same模式，第二层卷积层进行卷积时的步长为2，第二层卷积层对应的激活函数使用Relu函数。

解码器包括三层反卷积层，三层反卷积层包括第一反卷积层、第二反卷积层和第三反卷积层。其中，第一层反卷积层的输出的通道数为16，第三层反卷积的卷积核大小为7，第三层反卷积的卷积方式选择same模式，第一层反卷积层的步长为2，第三层反卷积对应的激活函数使用Relu函数，第一层反卷积层进行Dropout的概率为0.2。第二层反卷积层的输出的通道数为32，第二层反卷积层的卷积核大小为7，第二层反卷积层的卷积方式选择same模式，第二层反卷积层的步长为2，第二层反卷积层的激活函数使用Relu函数。第三层反卷积层的输出的通道数为1，第三层反卷积层的卷积核大小为7，第三层反卷积层的卷积方式选择same模式。

在一实施例中，利用电池的正常运行状态数据对电池热失控预警模型进行训练，还包括：对电池的正常运行状态数据进行预处理，得到预处理后电池的正常运行状态数据；利用预处理后电池的正常运行状态数据对电池热失控预警模型进行训练。

在一实施例中，对电池的正常运行状态数据进行预处理，得到预处理后电池的正常运行状态数据，包括：确定电池的正常运行状态数据对应的均值和标准差；将电池的正常运行状态数据中的每个数据分别与均值进行相减运算，得到差值数据集，差值数据集包括若干个差值；确定若干个差值分别与标准差之间的比值，得到比值数据集，比值数据集为预处理后电池的正常运行状态数据。

本实施例中，在将电池的正常运行状态数据对电池热失控预警模型进行训练之前，能够对电池的正常运行状态数据进行预处理，使得预处理后的电池的正常运行状态数据被限定在一定范围内，从而消除奇异样本数据导致的不良影响，并且预处理能够加快对电池热失控预警模型进行训练时的收敛速度，并且能够提高电池热失控预警模型的精度。

在一实施例中，利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型，包括：确定电池热失控预警模型的模型标签，电池热失控预警模型的模型标签为电池的正常运行状态数据；将电池的正常运行状态数据输入至电池热失控预警模型，电池热失控预警模型输出预测值；计算预测值与模型标签之间的均方误差；基于预测值与模型标签之间的均方误差，采用自适应运动估计算法对电池热失控预警模型进行优化，得到优化后的电池热失控预警模型；将优化后的电池热失控预警模型作为训练完成的电池热失控预警模型。

本申请中，将电池的正常运行状态数据作为电池热失控预警模型的训练集，在利用电池的正常运行状态数据对电池热失控预警模型进行训练时，电池热失控预警模型的输入与标签都为训练集，那么电池热失控预警模型能够学习自身分布，电池热失控预警模型的输出结果是与输入近似的曲线，当输入的正常样本足够多且覆盖工况足够完全时，电池的所有正常运行状态数据均被电池热失控预警模型模型学习，输出的结果完全是正常运行状态下电池应该表现出的数据。

图2b为将训练集中的一组数据输入训练完成的电池热失控预警模型后得到的模型输出对比图。其中，横坐标表示时间戳个数，时间步长设置为15s，即每15s取一个点，300个点表示4500s，纵坐标表示对电池的正常运行状态数据预处理后的温度数据。图2b中，train_set曲线表示模型输入，即训练集中的一组数据，output曲线表示模型输出，即训练完成的电池热失控预警模型的输出值。由图2b可以看出，train_set曲线与output曲线距离相差不大，说明模型训练效果很好。

另外，本申请基于自适应运动估计算法，根据预测值与模型标签之间的均方误差对电池热失控预警模型进行优化，提高了模型的精度。其中，学习率可以设置为0.001。

当电池发生热失控时，输入电池热失控预警模型中的待检测运行状态数据为异常数据，异常数据是模型未学习过的分布，电池热失控预警模型的输出结果会偏离学习过的正常样本，此时模型输入与模型输出的均方误差值会非常大，因此本申请提高了电池热失控预警模型的可靠性以及有效性。

在一实施例中，利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型，包括：确定电池热失控预警模型的模型标签，电池热失控预警模型的模型标签为电池的正常运行状态数据；将电池的正常运行状态数据输入至电池热失控预警模型，电池热失控预警模型输出预测值；确定预测值与模型标签之间的均方误差；基于预测值与模型标签之间的均方误差，采用自适应运动估计算法对电池热失控预警模型进行优化，得到优化后的电池热失控预警模型；将优化后的电池热失控预警模型作为训练完成的电池热失控预警模型。

本申请中，将电池的正常运行状态数据作为电池热失控预警模型的训练集，在利用电池的正常运行状态数据对电池热失控预警模型进行训练时，电池热失控预警模型的输入与标签都为训练集，那么电池热失控预警模型能够学习自身分布，电池热失控预警模型的输出结果是与输入近似的曲线，当输入的正常样本足够多、覆盖工况足够完全时，电池的所有正常运行状态数据均被电池热失控预警模型模型学习，输出的结果完全是正常运行状态下电池应该表现出的数据。

在一实施例中，将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据，训练完成的电池热失控预警模型包括编码器和解码器，包括：

将电池的正常运行状态数据输入到训练完成的电池热失控预警模型的编码器中，编码器输出电池的正常运行状态数据对应的编码特征数据；将编码特征数据输入到训练完成的电池热失控预警模型的解码器中，解码器输出编码特征数据对应的解码特征数据；将解码特征数据作为第一预警数据。

本实施例中，电池热失控预警模型的建立需要完成下面三样工作：搭建编码器、搭建解码器以及设定一个优化目标，优化目标用以衡量由于压缩而损失掉的信息。编码器和解码器的参数能够通过最小化损失函数而优化，本发明选用自适应运动估计算法对电池热失控预警模型进行优化，既能适应稀疏梯度，又能缓解梯度震荡，提高了电池热失控预警模型的精度。

S230、将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据。

在一实施例中，如图2c所示，热失控预警阈值确定方法还包括步骤S231至步骤S232，如下：

S231、获取电池的异常运行状态数据。

在一实施例中，获取电池的异常运行状态数据，包括：当电池发生热失控时，获取电池的热失控特征温度以及热失控特征温度对应的时刻；热失控特征温度包括电池自发热起始温度、电池热失控起始温度、电池打开泄压阀起始温度、电池隔膜完全破坏起始温度以及温度随时间变化曲线；基于热失控特征温度对应的时刻，对电池的热失控特征温度进行线性插值处理，得到热失控曲线；从热失控曲线中选取热失控时间段数据；将热失控时间段数据作为电池的异常运行状态数据。

本实施例中，获取异常运行状态数据时，需要先获取到电池发生热失控前、中、后全阶段的温度数据，然后对得到的电池自发热起始温度、电池热失控起始温度、电池打开泄压阀起始温度、电池隔膜完全破坏起始温度这四个温度与对应的时间点进行线性插值处理，从而模拟热失控曲线；将模拟热失控曲线中的热失控时间段数据作为电池的异常运行状态数据。

图2c-1为热失控曲线示意图，横坐标为时间变量，纵坐标为温度变量，电池自发热起始温度T1对应的时刻为990s，电池热失控起始温度T2对应的时刻为1425s、电池打开泄压阀起始温度T3对应的时刻为1570s、电池隔膜完全破坏起始温度T4对应的时刻为1650s。基于温度随时间变化曲线，对电池自发热起始温度T1、电池热失控起始温度T2、电池打开泄压阀起始温度T3、电池隔膜完全破坏起始温度T4进行线性差值，得到热失控曲线。然后根据电池热失控起始温度T2对应的时刻1425s，选取热失控时间段数据，即热失控曲线中第1425s后的温度数据，再将热失控曲线中第1425s后的温度数据作为电池的异常运行状态数据。

S232、利用电池的异常运行状态数据对训练完成的电池热失控预警模型进行测试，完成对电池热失控预警模型的测试。

本申请中，在利用训练完成的电池热失控预警模型进行电池热失控预警前，需要利用电池的异常运行状态数据对训练完成的电池热失控预警模型进行测试，从而保证了对电池进行热失控预警时，电池热失控预警模型的正确性和可靠性。

如图2c-2所示，本实施例中，先采集某储能电站在2022年5月2日电池全天的正常历史数据，然后将21:00到24:00这个时间段的正常历史数据替换为了电池异常状态数据，因此得到了电池发生热失控的情况下储能电站在该天的电池异常运行状态数据。本实施例将替换后该天的数据作为测试集，利用测试集对训练完成的电池热失控预警模型进行测试。

本实施例中，在利用训练完成的电池热失控预警模型进行电池热失控预警前，需要利用电池的异常运行状态数据对训练完成的电池热失控预警模型进行测试，从而保证了对电池进行热失控预警时，电池热失控预警模型的正确性和可靠性。

本实施例中，异常运行状态数据的作用仅作为电池热失控预警模型的可靠性测试使用，本实施从现有技术需要使用大量异常数据用作模型训练改善为需要少量异常数据用作验证，甚至仅一条异常运行状态数据就可以对模型进行验证。本申请提高了电池热失控预警模型预警准确度的同时，还有效解决了热失控状态下的电池异常数据占比少，常常存在小样本的问题。

S240、根据电池的正常运行状态数据以及第一预警数据确定预警阈值。

本实施例中，电池的正常运行状态数据第一次输入电池热失控预警模型时，用于对电池热失控预警模型进行训练，电池的正常运行状态数据第二次输入电池热失控预警模型时，用于确定预警阈值。

在一实施例中，根据电池的正常运行状态数据以及第一预警数据确定预警阈值，包括：确定电池的正常运行状态数据与第一预警数据之间的均方误差，得到均方误差数据集；确定均方误差数据集中的最大值，最大值为预警阈值。

本实施例中，将在各个历史时刻下电池的若干个正常运行状态数据输入训练完成后的电池热失控预警模型中，训练完成后的电池热失控预警模型输出与若干个正常运行状态数据相对应的第一预警数据，然后确定若干个正常运行状态数据与第一预警数据之间的均方误差，得到均方误差数据集，然后确定均方误差数据集中的最大值，将最大值作为预警阈值。

比如，电池的正常运行状态数据的大小为(2096,300,1)，则计算得到的均方误差数据集的大小为(2096,300,1)，取均方误差数据集中的最大值，然后将均方误差数据集中的最大值作为预警阈值。图2d为与训练集对应的均方误差分布图，横坐标为与训练集对应的均方误差数值，纵坐标为表示与均方误差对应的训练集数据个数。从图2d中可以得到与训练集对应的均方误差数据集中的最大值为0.3253，因此，可以将最大值0.3253作为预警阈值。

当利用测试集对训练完成后的电池热失控预警模型进行测试时，可以得到如图2e所示的与测试集对应的均方误差分布图，横坐标为与测试集对应的均方误差数值，纵坐标为表示与均方误差对应的测试集数据个数。从图2e可以得到与测试集中对应的均方误差的最大值为0.3581，由于与测试集中对应的均方误差的最大值0.3581大于预警阈值0.3253，则说明了测试集中含有电池热失控数据，因而进一步验证了电池热失控预警模型的预警准确性。

在本申请的又一实施例中，如图3所示，本申请还提供一种热失控预警方法，包括步骤S310至步骤S320，如下：

S310、获取电池的待检测运行状态数据。

S320、将电池的待检测运行状态数据输入电池热失控预警模型中，得到电池热失控预警模型输出的第二预警数据。

S330、根据第二预警数据以及预警阈值生成热失控预警信息，以完成对电池的待检测运行状态数据的预警检测。

在一实施例中，根据第二预警数据以及预警阈值生成热失控预警信息，包括：确定第二预警数据与电池的待检测运行状态数据之间的均方误差；当第二预警数据与电池的待检测运行状态数据之间的均方误差大于预警阈值时，判定电池处于热失控状态，生成电池热失控预警异常信息；将电池热失控预警异常信息发送至平台进行预警。

本实施例中，热失控预警信息可以包括电池未发生热失控时的正常预警信息，也可以包括发生热失控时的异常预警信息。

比如，将电池的待检测运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第二预警数据。将第二预警数据与电池的待检测运行状态数据之间的均方误差与预警阈值进行比较，当第二预警数据与电池的待检测运行状态数据之间的均方误差大于预警阈值时，判定电池处于热失控状态，生成电池热失控预警异常信息；将电池热失控预警异常信息发送至平台进行预警，从而实现了对电池热失控的预警检测。

再如，当第二预警数据与电池的待检测运行状态数据之间的均方误差不大于预警阈值时，判定电池未处于热失控状态，生成电池热失控预警正常信息，将电池热失控预警正信息发送至平台，通过平台对电池热失控预警正常信息进行存储、显示等。

本申请中，先获取电池的运行状态数据，然后建立基于编码器和解码器的电池热失控预警模型，通过用正常运行状态数据对电池热失控预警模型进行训练，从而得到训练完成的电池热失控预警模型；接着将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据，将电池的待检测运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第二预警数据；再根据电池的正常运行状态数据以及第一预警数据确定预警阈值；最后根据第二预警数据与电池的待检测运行状态数据之间的均方误差以及预警阈值判断是否进行热失控预警。

本申请不仅采用了基于编码器和解码器的电池热失控预警模型，而且采用正常数据样本作为训练集对模型进行训练，训练目的是学习自身分布的同时能够输出自身分布，然后再将训练集输入至训练完成的电池热失控预警模型中，得到训练集对应的第一预警数据，再根据训练集以及训练集对应的第一预警数据确定预警阈值，通过预警阈值对电池的待检测运行状态数据进行预警检测。本申请完全采用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型精度高，电池热失控预警准确，提高了电池热失控预警准确性的同时还有效避免了安全隐患的发生。

本申请实施例的电池热失控预警方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。

本申请实施例还提供一种热失控预警阈值确定装置以及一种热失控预警装置，热失控预警阈值确定装置可以实现本申请的热失控预警阈值确定方法，热失控预警装置可以实现本申请的热失控预警方法，但本申请的热失控预警阈值确定方法的实现装置包括但不限于本实施例列举的热失控预警阈值确定装置的结构，本申请的热失控预警方法的实现装置包括但不限于本实施例列举的热失控预警装置的结构，凡是根据本申请的原理所做的现有技术的结构变形和替换，都包括在本申请的保护范围内。

如图4所示，本申请提供一种电池热失控预警装置，包括：第一数据获取模块410，被配置于获取电池的正常运行状态数据；模型训练模块420，被配置于利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型；第一模型预测模块430，被配置于将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据；阈值确定模块440，被配置于根据电池的正常运行状态数据以及第一预警数据确定预警阈值。

本申请中，先获取电池的正常运行状态数据，通过用正常运行状态数据对电池热失控预警模型进行训练，从而得到训练完成的电池热失控预警模型；接着将电池的正常运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据，再根据电池的正常运行状态数据以及第一预警数据确定预警阈值。本申请采用正常数据样本作为训练集对模型进行训练，训练目的是学习自身分布的同时能够输出自身分布，然后再将训练集输入至训练完成的电池热失控预警模型中，得到训练集对应的第一预警数据，再根据训练集以及训练集对应的第一预警数据确定预警阈值。本申请完全采用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型精度高，电池热失控预警准确，提高了电池热失控预警准确性的同时有效避免了安全隐患的发生。

在一实施例中，电池热失控预警装置还包括预处理模块，预处理模块被配置于：对电池的正常运行状态数据进行预处理，得到预处理后电池的正常运行状态数据；利用预处理后电池的正常运行状态数据对电池热失控预警模型进行训练。

在一实施例中，预处理模块包括预处理子模块，预处理子模块被配置于：对电池的正常运行状态数据进行预处理，得到预处理后电池的正常运行状态数据，包括：确定电池的正常运行状态数据对应的均值和标准差；将电池的正常运行状态数据中的每个数据分别与均值进行相减运算，得到差值数据集，差值数据集包括若干个差值；确定若干个差值分别与标准差之间的比值，得到比值数据集，比值数据集为预处理后电池的正常运行状态数据。

本申请中，在将电池的正常运行状态数据对电池热失控预警模型进行训练之前，能够对电池的正常运行状态数据进行预处理，使得预处理后的电池的正常运行状态数据被限定在一定范围内，从而消除奇异样本数据导致的不良影响，并且本申请通过对电池的正常运行状态数据进行预处理，能够加快对电池热失控预警模型进行训练时的收敛速度，并且能够提高电池热失控预警模型的精度。

在一实施例中，模型训练模块420包括模型训练子模块，模型训练子模块被配置于：确定电池热失控预警模型的模型标签，电池热失控预警模型的模型标签为电池的正常运行状态数据；将电池的正常运行状态数据输入至电池热失控预警模型，电池热失控预警模型输出预测值；确定预测值与模型标签之间的均方误差；基于预测值与模型标签之间的均方误差，采用自适应运动估计算法对电池热失控预警模型进行优化，得到优化后的电池热失控预警模型；将优化后的电池热失控预警模型作为训练完成的电池热失控预警模型。

本申请中，将电池的正常运行状态数据作为电池热失控预警模型的训练集，在利用电池的正常运行状态数据对电池热失控预警模型进行训练时，电池热失控预警模型的输入与标签都为训练集，那么电池热失控预警模型能够学习自身分布，电池热失控预警模型的输出结果是与输入近似的曲线，当输入的正常样本足够多、覆盖工况足够完全时，电池的所有正常运行状态数据均被电池热失控预警模型模型学习，输出的结果完全是正常运行状态下电池应该表现出的数据。

在一实施例中，第一模型预测模块430包括模型预测第一子模块，模型预测第一子模块被配置于：将电池的正常运行状态数据输入到训练完成的电池热失控预警模型的编码器中，编码器输出电池的正常运行状态数据对应的编码特征数据；将编码特征数据输入到训练完成的电池热失控预警模型的解码器中，解码器输出编码特征数据对应的解码特征数据；将解码特征数据作为第一预警数据。

本申请中，电池热失控预警模型的建立需要完成下面三样工作：搭建编码器、搭建解码器以及设定一个优化目标，优化目标用以衡量由于压缩而损失掉的信息。编码器和解码器的参数能够通过最小化损失函数而优化，本发明选用自适应运动估计算法对电池热失控预警模型进行优化，既能适应稀疏梯度，又能缓解梯度震荡，提高了电池热失控预警模型的精度。

在一实施例中，阈值确定模块440包括阈值确定子模块，阈值确定子模块被配置于：确定电池的正常运行状态数据与第一预警数据之间的均方误差，得到均方误差数据集；确定均方误差数据集中的最大值，最大值为预警阈值。

本申请中，将在各个历史时刻下电池的若干个正常运行状态数据输入训练完成后的电池热失控预警模型中，训练完成后的电池热失控预警模型输出与若干个正常运行状态数据相对应的第一预警数据，然后确定若干个正常运行状态数据与第一预警数据之间的均方误差，得到均方误差数据集，然后确定均方误差数据集中的最大值，将最大值作为预警阈值。

在一实施例中，热失控预警阈值确定装置还包括测试模块，测试模块被配置于：获取电池的异常运行状态数据；利用电池的异常运行状态数据对训练完成的电池热失控预警模型进行测试，完成对电池热失控预警模型的测试。

本申请中，在利用训练完成的电池热失控预警模型进行电池热失控预警前，需要利用历史时刻电池的异常运行状态数据对训练完成的电池热失控预警模型进行测试，从而保证了对电池进行热失控预警时，电池热失控预警模型的正确性和可靠性。

在一实施例中，测试模块包括第二数据获取模块，第二数据获取模块被配置于：当电池发生热失控时，获取电池的热失控特征温度以及热失控特征温度对应的时刻；热失控特征温度包括电池自发热起始温度、电池热失控起始温度、电池打开泄压阀起始温度、电池隔膜完全破坏起始温度以及温度随时间变化曲线；基于热失控特征温度对应的时刻，对电池的热失控特征温度进行线性插值处理，得到热失控曲线；从热失控曲线中选取热失控时间段数据；将热失控时间段数据作为电池的异常运行状态数据。

本实施例中，获取异常运行状态数据时，需要先获取到电池发生热失控前、中、后全阶段的温度数据，然后对得到的电池自发热起始温度、电池热失控起始温度、电池打开泄压阀起始温度、电池隔膜完全破坏起始温度这四个温度与对应的时间点进行线性插值处理，从而模拟热失控曲线；将模拟热失控曲线中的热失控时间段数据作为电池的异常运行状态数据。

如图5所示，本申请还提供一种热失控预警装置，包括：第二数据获取模块510，被配置于获取电池的待检测运行状态数据；第二模型预测模块520，被配置于将电池的待检测运行状态数据输入电池热失控预警模型中，得到电池热失控预警模型输出的第二预警数据；热失控预警模块530，被配置于根据第二预警数据以及预警阈值生成热失控预警信息，以完成对电池的待检测运行状态数据的预警检测。

在一实施例中，热失控预警模块530包括热失控预警子模块，热失控预警子模块被配置于：根据第二预警数据以及预警阈值生成热失控预警信息，包括：确定第二预警数据与电池的待检测运行状态数据之间的均方误差；当第二预警数据与电池的待检测运行状态数据之间的均方误差大于预警阈值时，判定电池处于热失控状态，生成电池热失控预警异常信息；将电池热失控预警异常信息发送至平台进行预警。

本申请中，将电池的待检测运行状态数据输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第二预警数据。将第二预警数据与电池的待检测运行状态数据之间的均方误差与预警阈值进行比较，当第二预警数据与电池的待检测运行状态数据之间的均方误差大于预警阈值时，判定电池处于热失控状态，生成电池热失控预警异常信息；将电池热失控预警异常信息发送至平台进行预警，从而实现了对电池热失控的预警检测。

具体实施时，以上各个模块可以作为独立的实体来实现，也可以进行任意组合，作为同一或若干个实体来实现，以上各个模块的具体实施可参见前面的方法实施例，在此不再赘述。

由上可知，本申请提供的热失控预警阈值确定装置以及热失控预警装置能够获取电池的运行状态数据；再利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型；接着可以将电池的正常运行状态数据以及电池的待检测运行状态数据分别输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据和第二预警数据；然后根据电池的正常运行状态数据以及第一预警数据确定预警阈值；最后根据第二预警数据与电池的待检测运行状态数据之间的均方误差以及预警阈值生成热失控预警信息，以完成对电池的待检测运行状态数据的预警检测。

由此，本申请实施例采用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型精度高，电池热失控预警准确，提高了电池热失控预警准确性的同时还有效避免了安全隐患的发生。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如，在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。

本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

本申请实施例还提供一种电子设备，该电子设备可以为终端、服务器等设备。其中，终端可以为手机、平板电脑、智能蓝牙设备、笔记本电脑、个人电脑，等等；服务器可以是单一服务器，也可以是由多个服务器组成的服务器集群，等等。

在一些实施例中，本申请提供的热失控预警阈值确定装置以及热失控预警装置还可以集成在多个电子设备中，比如，热失控预警阈值确定装置可以集成在多个服务器中，由多个服务器来实现本申请的热失控预警阈值确定方法。或者，热失控预警装置可以集成在多个服务器中，由多个服务器来实现本申请的热失控预警方法。

在本实施例中，将以本实施例的电子设备是服务器为例进行详细描述，比如，如图6所示，其示出了本申请实施例所涉及的服务器的结构示意图，具体来讲：

该服务器可以包括一个或者一个以上处理核心的处理器610、一个或一个以上计算机可读存储介质的存储器620、电源630、输入模块640以及通信模块650等部件。本领域技术人员可以理解，图6中示出的服务器结构并不构成对服务器的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

处理器610是该服务器的控制中心，利用各种接口和线路连接整个服务器的各个部分，通过运行或执行存储在存储器620内的软件程序和/或模块，以及调用存储在存储器620内的数据，执行服务器的各种功能和处理数据，从而对服务器进行整体监控。在一些实施例中，处理器610可包括一个或多个处理核心；在一些实施例中，处理器610可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器610中。

存储器620可用于存储软件程序以及模块，处理器610通过运行存储在存储器620的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器620可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器620还可以包括存储器控制器，以提供处理器610对存储器620的访问。

服务器还包括给各个部件供电的电源630，在一些实施例中，电源630可以通过电源管理系统与处理器610逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源630还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

该服务器还可包括输入模块640，该输入模块640可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。

该服务器还可包括通信模块650，在一些实施例中通信模块650可以包括无线模块，服务器可以通过该通信模块650的无线模块进行短距离无线传输，从而为用户提供了无线的宽带互联网访问。比如，该通信模块650可以用于帮助用户收发电子邮件、浏览网页和访问流式媒体等。

尽管未示出，服务器还可以包括显示单元等，在此不再赘述。具体在本实施例中，服务器中的处理器610会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器620中，并由处理器610来运行存储在存储器620中的应用程序，从而实现热失控预警阈值确定装置以及热失控预警装置的各种功能。

本实施例的服务器可以获取电池的运行状态数据；再利用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型；接着将电池的正常运行状态数据以及电池的待检测运行状态数据分别输入训练完成的电池热失控预警模型中，得到训练完成的电池热失控预警模型输出的第一预警数据和第二预警数据；然后根据电池的正常运行状态数据以及第一预警数据确定预警阈值；最后根据第二预警数据以及预警阈值生成热失控预警信息，以完成对电池的待检测运行状态数据的预警检测等。

由此，本申请实施例采用电池的正常运行状态数据对电池热失控预警模型进行训练，得到训练完成的电池热失控预警模型精度高，电池热失控预警准确，提高了电池热失控预警准确性的同时还有效避免了安全隐患的发生。

在一些实施例中，本申请还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，的程序可以存储于计算机可读存储介质中，存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetictape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。

本申请实施例还可以提供一种计算机程序产品，计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行计算机指令时，全部或部分地产生按照本申请实施例的流程或功能。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。

计算机程序产品被计算机执行时，计算机执行前述方法实施例的方法。该计算机程序产品可以为一个软件安装包，在需要使用前述方法的情况下，可以下载该计算机程序产品并在计算机上执行该计算机程序产品。

上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。

上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。