1.基于Bi‑LSTM和注意力机制的储能电池热失控预警方法，其特征在于，包括以下步骤：获取储能电池运行状态信息，并将获取的储能电池运行状态信息采用z‑score标准化方法进行标准化；并将n个正常电池数据集作为n个训练数据；

构建基于Bi‑LSTM与注意力机制的特征挖掘模型，通过n个训练数据分别训练得到n个基础模型，计算每个基础模型的重构误差，n个基础模型的重构误差构成基础误差集，并根据重构误差集计算重构误差阈值；Bi‑LSTM的t时刻隐藏层输出可表示为：ht＝LSTM(Vt,It,SOCt,Tt,Mt,ht‑1)

hi＝LSTM(Vt,It,SOCt,Tt,Mt,hi‑1)

h’t＝atht+bthi+ct

其中，ht为t时刻的正向隐藏层输出，hi为t时刻的反向隐藏层输出；LSTM(·)表示LSTM网络的运算过程；Vt,It,SOCt,Tt分别为t时刻电池组电压、电流、荷电状态、温度，Mt表示t时刻一组电池数据中所有单体的电压方差、均值、最大值、最小值；at、bt为t时刻的反向隐藏层输出权重，ct表示偏置项；

将每个时刻输入该模型的特征分类个使用注意力机制进行权重分配，将得到的隐藏层作为输入数据，更新得到新的隐藏层输出h”t，包括：h”t＝Ath’t

其中，At为注意力机制层的权重矩阵，注意力机制层的权重矩阵At中第i行、j列的元素αi,j为Bi‑LSTM模型t时刻隐藏层输出h’t中第i个元素与第j个元素的相似性，表示为：其中，h’i,t、h'j,t分别表示t时刻Bi‑LSTM隐藏层输出h’t的第i、第j元素；l为隐藏层输出维度；

将n个基础模型的重构误差与重构误差阈值进行比较，若基础误差的重构误差小于重构误差阈值，则基础模型判断电池正常，否则判断电池热失控；

综合n个基础模型对电池热失控计算热失控概率P，表示为：

其中，yk为第k个基础模型对该储能电池的判断结果为电池热失控；

当热失控概率P超过70％时进行热失控示警。

2.根据权利要求1所述的基于Bi‑LSTM和注意力机制的储能电池热失控预警方法，其特征在于，采用z‑score标准化方法进行标准化：*

其中，x为待归一化的样本值；x为归一化后的样本值；xμ为样本均值；xσ为样本标准差。

3.根据权利要求1所述的基于Bi‑LSTM和注意力机制的储能电池热失控预警方法，其特征在于，基于Bi‑LSTM与注意力机制的特征挖掘模型包括Bi‑LSTM模型和注意力机制，Bi‑LSTM模型包括两层长短期记忆网络，即正向传播的长短期记忆网络和反向传播的长短期记忆网络，正向传播的长短期记忆网络的传播过程包括：ft＝σ(Wfht‑1+Ufxt+bf)；

it＝σ(Wiht‑1+Uixt+bi)；

ot＝σ(Woht‑1+Uoxt+bo)；

ht＝ot⊙tanh(Ct)；

其中，xt为当前序列隐层节点的输入；Ct为当前序列隐层的节点状态；ht为t时刻的正向隐藏层输出；ft、it、ot为中间变量，Wf、Wi、Wo、Wc分别为中间变量ft、it、ot以及 对应的权重矩阵，bf、bi、bo、bc别为中间变量ft、it、ot以及 对应的偏置参数；Uf、Ui、Uc、Uo分别为遗忘门、输入门、序列隐藏节点状态、输出门对应的输入权重矩阵；σ( )为激活函数；⊙表示矩阵中对应的元素相乘。

4.根据权利要求1所述的基于Bi‑LSTM和注意力机制的储能电池热失控预警方法，其特征在于，基于Bi‑LSTM与注意力机制的特征挖掘模型训练过程的目标为最小化输入输出数据的重构误差，该目标表示为：其中， 为输入Xin与输出 的重构误差；m为输入Xin与输出 的维度，N为总时长；xin,i,t为输入Xin中第i维度t时刻的元素值；xout,i,t为输出 中第i维度t时刻的元素值。

5.根据权利要求4所述的基于Bi‑LSTM和注意力机制的储能电池热失控预警方法，其特征在于，待检测样本的重构误差与重构误差阈值进行比较，判断是否进行预警的过程包括：其中，Xin表示某待判断储能电池输入，表示为Xin＝[V,SOC,I,T,M]，V表示储能电池的电池电压，SOC表示储能电池的荷电状态，I表示储能电池的电流，T表示储能电池的温度，M表示一组电池数据中所有单体，即V、SOC、I、T，的电压方差、均值、最大值、最小值； 表示某待判断储能电池输出，表示为 为根据输入特征V、SOC、I、T、M的重构特征；y表示基础模型对该待判断的储能电池的判断结果；K表示重构误差阈值。

6.根据权利要求1所述的基于Bi‑LSTM和注意力机制的储能电池热失控预警方法，其特征在于，重构误差阈值K的计算包括：计算输入数据集对应重构误差集的平均值和标准差，选择大于平均值二个标准差处的重构误差作为重构误差阈值K。