中国安全科学学报2023，Vol.33Issue(2) ：159-165.DOI:10.16265/j.cnki.issn1003-3033.2023.02.1289

基于机器学习的电动汽车电池系统的风险预警

Risk early warning of electric vehicle battery system based on machine learning

何淑波 项薇 石钟淼
中国安全科学学报2023，Vol.33Issue(2) ：159-165.DOI:10.16265/j.cnki.issn1003-3033.2023.02.1289
✕
  • 维普
  • 万方数据

基于机器学习的电动汽车电池系统的风险预警

Risk early warning of electric vehicle battery system based on machine learning

何淑波 1项薇 2石钟淼1
扫码查看

作者信息

  • 1. 宁波大学机械工程与力学学院,浙江宁波315211
  • 2. 宁波大学机械工程与力学学院,浙江宁波315211;浙江省零件轧制成形技术研究重点实验室,浙江宁波315211;宁波大学先进储能技术与装备研究院,浙江宁波315211
  • 折叠

摘要

为提高动力电池在实车工况下安全预警的及时性和准确性,将电池系统安全预警问题提炼为关键状态预测及基于预测状态的预警分类2大科学问题,根据实车运行中的电池状态数据,选择电池的单体电压最高值、单体电压极差等作为关键预测对象;利用费舍尔计分和最大信息系数(MIC)进行特征选择,采用样本卷积和交互网络模型(SCINet)实现关键状态预测;基于预测的状态,建立多分类随机森林(RF)模型,对动力电池的安全风险进行分级预警.研究结果表明:该模型对电池多个参数具有很强的预测能力,如预测1 min后单体电压最高值的均方根误差(RMSE)为0.027 1,温度最高值为0.054 0;对电池系统1 min后安全风险等级预测的查准率为84％,宏平均f1 分数为74％.

关键词

机器学习/电动汽车/电池系统/风险预警/样本卷积和交互网络(SCINet)/随机森林(RF)

引用本文复制引用

基金项目

宁波市自然科学基金(202003N4154)

出版年

2023
中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
被引量1
参考文献量2
段落导航相关论文