1.一种面向快充场景的锂离子电池热失控预警方法，其特征在于，包括如下步骤：步骤1，构建电池正常运行时工况下的电化学-热耦合模型以及热失控状态下的电池热失控分解升温模型；步骤2，将所述电化学-热耦合模型与所述电池热失控分解升温模型融合得到热失控机理模型，并基于所述热失控机理模型仿真出不同状态电池的热失控数据，组成第一机器学习训练数据集，其中，第一机器学习训练数据集为深度学习训练数据集；步骤3，基于真实电池快充场景设计开展电池热失控实验，并在实验过程中进行多维度特征的测量，得到由实验数据组成的第二机器学习训练数据集；步骤4，构建热失控预警模型，所述热失控预警模型包括多个第一机器学习模型与多个第二机器学习模型，并基于所述第一机器学习训练数据集训练所述第一机器学习模型，基于所述第二机器学习训练数据集训练所述第二机器学习模型；步骤5，在电池快充工况下获取其多元特征，并输入训练后的所述热失控预警模型，融合各所述第一机器学习模型、各所述第二机器学习模型的预测结果后，输出锂离子电池热失控预警结果。
2.根据权利要求1所述的面向快充场景的锂离子电池热失控预警方法，其特征在于，步骤1中，所述电化学-热耦合模型采用Newman模型或伪二维模型和固体传热模型相结合的形式，并采用混合功率脉冲特性工况进行参数辨识；所述电池热失控分解升温模型采用Hatchard分解升温模型，并以绝热量热仪测试的电池绝热热失控数据进行模型的参数辨识。
3.根据权利要求2所述的面向快充场景的锂离子电池热失控预警方法，其特征在于，步骤2中，将所述电化学-热耦合模型与所述电池热失控分解升温模型融合得到热失控机理模型具体为：对所述电化学-热耦合模型进行边界拓展，将其适用温度边界拓展到所述Hatchard分解升温模型的热失控过程起始温度点，即以所述电化学-热耦合模型的内部物理参量作为所述Hatchard分解升温模型的初始状态参量，进行热失控过程的仿真。
4.根据权利要求1或2或3所述的面向快充场景的锂离子电池热失控预警方法，其特征在于，所述第一机器学习训练数据集中的特征数据包括电池的电压、电流、容量、温度以及内部物理参量；所述第二机器学习训练数据集中的特征数据包括电池的电压、温度、阻抗、气体成分以及膨胀力变化特征信号。
5.根据权利要求4所述的面向快充场景的锂离子电池热失控预警方法，其特征在于，所述第一机器学习模型的输入数据包括电池的电压、电流、容量、温度以及内部物理参量，输出为电池是否热失控的结果；所述第二机器学习模型的输入数据包括电池的电压、温度、阻抗、气体成分以及膨胀力变化特征信号，输出为电池是否热失控的结果。
6.根据权利要求5所述的面向快充场景的锂离子电池热失控预警方法，其特征在于，在所述第一机器学习模型、所述第二机器学习模型中，均以温升速率高于1℃/s且持续3s以上的温度点作为电池热失控标签。
7.根据权利要求5所述的面向快充场景的锂离子电池热失控预警方法，其特征在于，步骤5具体为：在电池快充工况下获取其多元特征，所述多元特征包括电池的电压、电流、容量、温度、内部物理参量、阻抗、气体成分以及膨胀力变化特征信号；将所述多元特征中电池的电压、电流、容量、温度以及内部物理参量分别输入各训练完成后的第一机器学习模型，并得到各所述第一机器学习模型的预测结果；将所述多元特征中电池的电压、温度、阻抗、气体成分以及膨胀力变化特征信号分别输入各训练完成后的第二机器学习模型，并得到各所述第二机器学习模型的预测结果；综合各所述第一机器学习模型、各所述第二机器学习模型关于电池是否热失控的预测结果，并将其中数量更多的一项作为最终的锂离子电池热失控预警结果输出。
