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：h

h

h’

其中，h

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”h”

其中，A

其中，h’

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，y

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

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：f

i

o

h

其中，x

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，

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，X

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。