摘要
准确预测电池热失控现象是电动汽车电池管理系统的重要需求，因为热失控仍是锂离子电池中最严重的故障模式之一。传统的神经网络训练方法在处理非线性的电池安全数据时，往往会出现陷入局部最优解、收敛速度慢以及性能不稳定等问题。为了解决这些缺陷，本文提出了一种基于混合粒子鲸优化算法优化的前馈神经网络（HPWOA-FNN），该算法利用多变量电动汽车充电传感器数据，用于连续预测热失控概率以及对高风险事件进行二元分类。所提出的HPWOA算法结合了粒子群优化在初始探索阶段的快速收敛能力，以及鲸优化算法在第二阶段的优化与精细化能力。在粒子群优化与鲸优化算法的过渡阶段，还引入了全局最佳解传递机制，以此保留探索阶段找到的最佳解，并为鲸优化算法的领导节点提供初始值，从而提升收敛的连贯性，避免过早停滞。该模型使用包含12项电热、电气、机械和环境特征的全量500样本电动汽车电池充电数据集进行了测试。结果表明，与单独使用粒子群优化、鲸优化算法或随机分形搜索算法优化的神经网络模型相比，HPWOA-FNN在各项回归指标上表现更佳，其均方误差为0.000989，均方根误差为0.031442，平均绝对误差为0.027250，决定系数为0.9702，平均绝对百分比误差为3.8075%。在高风险事件检测方面，HPWOA-FNN取得了0.9817的最高AUC值，且误报率最低，将漏检的高风险事件数量从粒子群优化的9例、鲸优化算法的12例以及随机分形搜索算法的17例降低到了7例。特征重要性分析显示，最高温度和内阻是影响热失控的最主要因素，这一结果与已有的热失控机制研究一致。总体而言，HPWOA-FNN为电动汽车电池热失控预测及电池管理系统的决策支持提供了准确、可解释且具备实际应用价值的解决方案。
