CN112784482A - 一种热失控预测方法及装置 - Google Patents

一种热失控预测方法及装置 Download PDF

Info

Publication number
CN112784482A
CN112784482A CN202110057398.2A CN202110057398A CN112784482A CN 112784482 A CN112784482 A CN 112784482A CN 202110057398 A CN202110057398 A CN 202110057398A CN 112784482 A CN112784482 A CN 112784482A
Authority
CN
China
Prior art keywords
target time
time period
working condition
vehicle
vehicle working
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110057398.2A
Other languages
English (en)
Inventor
王凤君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Neusoft Reach Automotive Technology Shenyang Co Ltd
Original Assignee
Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Neusoft Reach Automotive Technology Shenyang Co Ltd filed Critical Neusoft Reach Automotive Technology Shenyang Co Ltd
Priority to CN202110057398.2A priority Critical patent/CN112784482A/zh
Publication of CN112784482A publication Critical patent/CN112784482A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本申请公开了一种热失控预测方法及装置，包括：获取第一目标时间段的预选车辆工况特征。将第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得第一目标时间段的车辆工况特征。将第一目标时间段的车辆工况特征输入特征提取模型，获得第一目标时间段的车辆工况特征向量表示；特征提取模型用于对第一目标时间段的车辆工况特征进行向量表示。将第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的第一目标时刻的至少一个探针温度中的最高温度。通过该方法，实现了通过基于时序的工况数据对电池热失控的精准预测。

Description

一种热失控预测方法及装置
技术领域
本申请涉及车辆技术领域，尤其涉及一种热失控预测方法及装置。
背景技术
在车辆驾驶过程中，会产生和车辆电池相关的工况数据。利用工况数据可以预测电池的热失控。
目前，现有的预测电池热失控的方法均是基于单一时刻的工况数据进行预测，预测准确度不高。
发明内容
为了解决上述技术问题，本申请提供了一种热失控预测方法及装置，用于通过基于时序的工况数据实现电池热失控的精准预测。
为了实现上述目的，本申请实施例提供的技术方案如下：
本申请实施例提供一种热失控预测方法，所述方法包括：
获取第一目标时间段的预选车辆工况特征；
将所述第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第一目标时间段的车辆工况特征；
将所述第一目标时间段的车辆工况特征输入特征提取模型，获得所述第一目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第一目标时间段的车辆工况特征进行向量表示；
将所述第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对所述第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第一目标时刻的至少一个探针温度中的最高温度；所述探针用于采集电池的温度；所述热失控预测模型是根据车辆历史数据训练得到的，所述车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。
可选的，所述方法还包括：
将所述第一目标时间段的车辆工况特征输入重构模型，获得所述重构模型的输出特征；所述重构模型用于对所述第一目标时间段的车辆工况特征进行重构；
基于所述第一目标时间段的车辆工况特征和所述重构模型的输出特征，获得所述重构模型的输出误差；
根据所述输出误差确定所述车辆是否异常。
可选的，所述方法还包括：
获取第二目标时间段的预选车辆工况特征；
将所述第二目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第二目标时间段的车辆工况特征；
将所述第二目标时间段的车辆工况特征输入特征提取模型，获得所述第二目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第二目标时间段的车辆工况特征进行向量表示；
将所述第二目标时间段的车辆工况特征向量表示输入到所述热失控预测模型中，对所述第二目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第二目标时刻的至少一个探针温度中的最高温度；
根据所述预测的第一目标时刻的至少一个探针温度中的最高温度和所述预测的第二目标时刻的至少一个探针温度中的最高温度获得电池温度的变化速率。
可选的，所述方法还包括：
当达到预设条件时，发出热失控预警提示信息；
其中，所述预设条件为所述预测的第一目标时刻的至少一个探针温度中的最高温度达到第一阈值，或所述车辆异常且所述电池温度的变化速率达到第二阈值。
可选的，所述重构模型的训练过程包括：
将所述第三历史时间段的历史车辆工况特征输入到重构模型中，得到所述重构模型的预测输出；
基于所述重构模型的预测输出和所述历史时间段的历史车辆工况特征，获得训练误差；
基于所述训练误差对所述重构模型进行训练直至满足预设条件。
本申请实施例还提供了一种热失控预测装置，所述装置包括：
第一获取单元，用于获取第一目标时间段的预选车辆工况特征；
第二获取单元，用于将所述第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第一目标时间段的车辆工况特征；
第三获取单元，用于将所述第一目标时间段的车辆工况特征输入特征提取模型，获得所述第一目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第一目标时间段的车辆工况特征进行向量表示；
第一预测单元，用于将所述第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对所述第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第一目标时刻的至少一个探针温度中的最高温度；所述探针用于采集电池的温度；所述热失控预测模型是根据车辆历史数据训练得到的，所述车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。
可选的，所述装置还包括：
第四获取单元，用于将所述第一目标时间段的车辆工况特征输入重构模型，获得所述重构模型的输出特征；所述重构模型用于对所述第一目标时间段的车辆工况特征进行重构；
第五获取单元，用于基于所述第一目标时间段的车辆工况特征和所述重构模型的输出特征，获得所述重构模型的输出误差；
确定单元，用于根据所述输出误差确定所述车辆是否异常。
可选的，所述装置还包括：
第六获取单元，用于获取第二目标时间段的预选车辆工况特征；
第七获取单元，用于将所述第二目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第二目标时间段的车辆工况特征；
第八获取单元，用于将所述第二目标时间段的车辆工况特征输入特征提取模型，获得所述第二目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第二目标时间段的车辆工况特征进行向量表示；
第二预测单元，用于将所述第二目标时间段的车辆工况特征向量表示输入到所述热失控预测模型中，对所述第二目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第二目标时刻的至少一个探针温度中的最高温度；
第九获取单元，用于根据所述预测的第一目标时刻的至少一个探针温度中的最高温度和所述预测的第二目标时刻的至少一个探针温度中的最高温度获得电池温度的变化速率。
本申请实施例还提供了一种热失控预测设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现所述的热失控预测方法。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储计算机程序，所述计算机程序用于执行所述的热失控预测方法。
通过上述技术方案可知，本申请具有以下有益效果：
本申请实施例提供了一种热失控预测方法及装置，该方法包括：获取第一目标时间段的预选车辆工况特征。将第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得第一目标时间段的车辆工况特征。将第一目标时间段的车辆工况特征输入特征提取模型，获得第一目标时间段的车辆工况特征向量表示；特征提取模型用于对第一目标时间段的车辆工况特征进行向量表示。将第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的第一目标时刻的至少一个探针温度中的最高温度；探针用来采集电池的温度；热失控预测模型是根据车辆历史数据训练得到的，车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。通过该方法，利用特征提取模型可将一段时间的车辆工况数据集进行特征的提取和向量的再表示，进而通过热失控预测模型对将来时刻的至少一个探针温度中的最高温度进行预测，实现了通过基于时序的工况数据对电池热失控的精准预测。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种热失控预测方法的流程图；
图2为本申请实施例提供的一种热失控预测装置的示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请实施例作进一步详细的说明。
参见图1，图1为本申请实施例提供的一种热失控预测方法的流程图。如图2所示，该方法可以包括S101-S104：
S101：获取第一目标时间段的预选车辆工况特征。
获取第一目标时间段的预选车辆工况特征。作为一种示例，第一目标时间段为当前时刻之前的一段时间。例如，第一目标时间段为当前时刻之前的5分钟。
具体实施时，通过对电池包数据集中的车辆工况数据进行简单的筛选和加工，可以获得第一目标时间段的预选车辆工况特征。车辆工况特征至少包括：车辆充电桩反馈的温度、车辆驾驶时间、车辆是否停置、车辆速度、车辆加速度、电池电流、电池电压、电池充电状态、电芯温度、电芯平均温度、最高温度、最低温度、电芯最大电压、电芯最小电压、电芯温差和电芯压差。
S102：将第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得第一目标时间段的车辆工况特征。
在获得第一目标时间段的预选车辆工况特征之后，对第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得第一目标时间段的车辆工况特征。可以理解的是，第一目标时间段的车辆工况特征为基于时序的车辆工况特征。
S103：将第一目标时间段的车辆工况特征输入特征提取模型，获得第一目标时间段的车辆工况特征向量表示；特征提取模型用于对第一目标时间段的车辆工况特征进行向量表示。
在获得第一目标时间段的车辆工况特征之后，将第一目标时间段的车辆工况特征输入特征提取模型，获得第一目标时间段的车辆工况特征向量表示。其中，特征提取模型用于对第一目标时间段的车辆工况特征进行向量表示。
作为一种示例，特征提取模型为自编码器中的编码器，具体用于对第一目标时间段的车辆工况特征进行特征提取和向量表示。可以理解的是，编码器可以对第一目标时间段的车辆工况特征进行高效表示。
S104：将第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的第一目标时刻的至少一个探针温度中的最高温度；探针用于采集电池的温度；热失控预测模型是根据车辆历史数据训练得到的，车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。
在获得第一目标时间段的车辆工况特征向量表示之后，将第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的第一目标时刻的至少一个探针温度中的最高温度。作为一种示例，热失控预测模型为长短期记忆网络模型。
可以理解的是，可以通过得到的预测的第一目标时刻的至少一个探针温度中的最高温度来对热失控进行预测。详细的预测过程参见后续叙述。
其中，探针用于采集电池的温度。例如，当电池模组包括4个电芯时，可以采用1个/2个探针来测量和采集电池模组的温度。
需要说明的是，由于探针所采集的温度可能各不相同，则采用至少一个探针对应的至少一个探针温度中的最高温度作为预测电池是否发生热失控的温度度量。作为一种示例，第一目标时刻为第一目标时间段的下一时刻。
需要说明的是，热失控预测模型是根据车辆历史数据训练得到的，车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。具体实施时，热失控预测模型的训练过程包括：
将目标时间段的历史车辆工况特征输入到热失控预测模型中，得到热失控预测模型的预测输出；其中，目标时间段为第一历史时间段中的一段时间；
将热失控预测模型的预测输出和目标时间段的下一时刻的至少一个探针温度中的历史最高温度做差，得到热失控预测模型训练误差；其中，目标时间段的下一时刻为第二历史事件段中的一个时刻，则目标时间段的下一时刻的至少一个探针温度中的历史最高温度从第二历史时间段的至少一个探针温度中的历史最高温度中获得；例如，第一历史时间段为t1到t100，第二历史时间段为t1到t120，取目标时间段为t1到t50，则目标时间段的下一时刻为t51。可以理解的是，热失控预测模型的预测输出为目标时间段的下一时刻的至少一个探针温度中的历史最高温度的预测值。
利用热失控预测模型训练误差对热失控预测模型进行训练，直至达到预设条件。
作为一种示例，预设条件为训练次数达到训练次数阈值。作为一种示例，预设条件为热失控预测模型训练误差达到误差预设阈值。需要说明的是，不对训练次数阈值和误差预设阈值进行限定。
此外，可以通过第一目标时间段的车辆工况特征对车辆是否异常进行判定。具体实施时，包括如下步骤：
将第一目标时间段的车辆工况特征输入重构模型，获得重构模型的输出特征；重构模型用于对第一目标时间段的车辆工况特征进行重构；
基于第一目标时间段的车辆工况特征和重构模型的输出特征，获得重构模型的输出误差；
根据输出误差确定车辆是否异常。
需要说明的是，作为一种示例，重构模型为自编码器。当重构模型为自编码器，特征提取模型为自编码器中的编码器时，重构模型包括特征提取模型。可以理解的是，当重构模型为自编码器，特征提取模型为自编码器中的编码器时，将第一目标时间段的车辆工况特征输入自编码器，获得自编码器的输出特征。则S103中的第一目标时间段的车辆工况特征向量表示为编码器的输出，也可以理解为是自编码器的中间过程产出结果。
可以理解的是，由于重构模型是对第一目标时间段的车辆工况特征进行重构，即重构模型的输出特征为对第一目标时间段的车辆工况特征的重构形式。则当第一目标时间段的车辆工况特征和重构模型的输出特征的差，即重构模型的输出误差超出一定阈值时，判定车辆异常。
其中，重构模型的训练过程包括：将第三历史时间段的历史车辆工况特征输入到重构模型中，得到重构模型的预测输出；基于重构模型的预测输出和历史时间段的历史车辆工况特征，获得训练误差；基于训练误差对重构模型进行训练直至满足预设条件。作为一种示例，预设条件为训练次数达到次数阈值。作为一种示例，预设条件为训练误差达到误差阈值。需要说明的是，第三历史时间段、次数阈值和误差阈值可以根据实际情况进行选取，这里不对第三历史时间段、次数阈值和误差阈值进行限定。
另外，可以通过不同时刻的电池温度的预测值来获得电池温度的变化速率。其中，电池温度的预测值即为热失控预测模型的输出值。具体实施时，包括如下步骤：
获取第二目标时间段的预选车辆工况特征；
将第二目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得第二目标时间段的车辆工况特征；
将第二目标时间段的车辆工况特征输入特征提取模型，获得第二目标时间段的车辆工况特征向量表示；特征提取模型用于对第二目标时间段的车辆工况特征进行向量表示；
将第二目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对第二目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的第二目标时刻的至少一个探针温度中的最高温度；
根据预测的第一目标时刻的至少一个探针温度中的最高温度和预测的第二目标时刻的至少一个探针温度中的最高温度获得电池温度的变化速率。
需要说明的是，基于第一目标时间段的预选车辆工况特征可以预测第一目标时刻的至少一个探针温度中的最高温度。第一目标时刻的至少一个探针温度中的最高温度表征第一目标时刻电池温度。基于第二目标时间段的预选车辆工况特征可以预测第二目标时刻的至少一个探针温度中的最高温度。第二目标时刻的至少一个探针温度中的最高温度表征第二目标时刻电池温度。
根据预测的第一目标时刻的至少一个探针温度中的最高温度和预测的第二目标时刻的至少一个探针温度中的最高温度获得电池温度的变化速率，具体为：将预测的第一目标时刻的至少一个探针温度中的最高温度和预测的第二目标时刻的至少一个探针温度中的最高温度做差，得到温度差。通过第一目标时刻和第二目标时刻做差，得到时间差。温度差和时间差的比值即为电池温度的变化速率。可以理解的是，得到的电池温度的变化速率为预测到未来的电池温度的变化速率。
可以根据获得的热失控预测模型的输出、车辆是否异常的结果、获得的电池温度的变化速率对电池是否发生热失控进行判定。具体实施时，当达到预设条件时，发出热失控预警提示信息；其中，热失控预警用于提示用户发生了电池热失控。预设条件为预测的第一目标时刻的至少一个探针温度中的最高温度达到第一阈值，或车辆异常且电池温度的变化速率达到第二阈值。
需要说明的是，电池温度的变化速率达到第二阈值具体为电池温度的升高速率达到第二阈值。可以理解的是，第一阈值和第二阈值根据实际情况进行选取，这里不做限定。
通过本申请实施例提供的一种热失控预测方法，利用特征提取模型可将一段时间的车辆工况数据集进行特征的提取和向量的再表示，进而通过热失控预测模型对将来时刻的至少一个探针温度中的最高温度进行预测，实现了通过基于时序的工况数据对电池热失控的精准预测。
参见图2，图2为本申请实施例提供的一种热失控预测装置的示意图。该装置包括：
第一获取单元201，用于获取第一目标时间段的预选车辆工况特征；
第二获取单元202，用于将所述第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第一目标时间段的车辆工况特征；
第三获取单元203，用于将所述第一目标时间段的车辆工况特征输入特征提取模型，获得所述第一目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第一目标时间段的车辆工况特征进行向量表示；
第一预测单元204，用于将所述第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对所述第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第一目标时刻的至少一个探针温度中的最高温度；所述探针用于采集电池的温度；所述热失控预测模型是根据车辆历史数据训练得到的，所述车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第四获取单元，用于将所述第一目标时间段的车辆工况特征输入重构模型，获得所述重构模型的输出特征；所述重构模型用于对所述第一目标时间段的车辆工况特征进行重构；
第五获取单元，用于基于所述第一目标时间段的车辆工况特征和所述重构模型的输出特征，获得所述重构模型的输出误差；
确定单元，用于根据所述输出误差确定所述车辆是否异常。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
第六获取单元，用于获取第二目标时间段的预选车辆工况特征；
第七获取单元，用于将所述第二目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第二目标时间段的车辆工况特征；
第八获取单元，用于将所述第二目标时间段的车辆工况特征输入特征提取模型，获得所述第二目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第二目标时间段的车辆工况特征进行向量表示；
第二预测单元，用于将所述第二目标时间段的车辆工况特征向量表示输入到所述热失控预测模型中，对所述第二目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第二目标时刻的至少一个探针温度中的最高温度；
第九获取单元，用于根据所述预测的第一目标时刻的至少一个探针温度中的最高温度和所述预测的第二目标时刻的至少一个探针温度中的最高温度获得电池温度的变化速率。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
预警单元，用于当达到预设条件时，发出热失控预警提示信息；
其中，所述预设条件为所述预测的第一目标时刻的至少一个探针温度中的最高温度达到第一阈值，或所述车辆异常且所述电池温度的变化速率达到第二阈值。
可选的，在本申请实施例的一些实施方式中，所述装置还包括：
重构模型训练单元，用于训练所述重构模型；
所述重构模型训练单元包括：
输入子单元，用于将所述第三历史时间段的历史车辆工况特征输入到重构模型中，得到所述重构模型的预测输出；
获取子单元，用于基于所述重构模型的预测输出和所述历史时间段的历史车辆工况特征，获得训练误差；
训练子单元，用于基于所述训练误差对所述重构模型进行训练直至满足预设条件。
通过本申请实施例提供的一种热失控预测装置，利用特征提取模型可将一段时间的车辆工况数据集进行特征的提取和向量的再表示，进而通过热失控预测模型对将来时刻的至少一个探针温度中的最高温度进行预测，实现了通过基于时序的工况数据对电池热失控的精准预测。
本申请实施例还提供了一种热失控预测设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如上述实施例所述的热失控预测方法。
本申请实施例还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储计算机程序，所述计算机程序用于执行如上述实施例所述的热失控预测方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施例方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者诸如媒体网关等网络通信设备，等等)执行本申请各个实施例或者实施例的某些部分所述的方法。
需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见系统部分说明即可。
还需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种热失控预测方法，其特征在于，所述方法包括：
获取第一目标时间段的预选车辆工况特征；
将所述第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第一目标时间段的车辆工况特征；
将所述第一目标时间段的车辆工况特征输入特征提取模型，获得所述第一目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第一目标时间段的车辆工况特征进行向量表示；
将所述第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对所述第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第一目标时刻的至少一个探针温度中的最高温度；所述探针用于采集电池的温度；所述热失控预测模型是根据车辆历史数据训练得到的，所述车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述第一目标时间段的车辆工况特征输入重构模型，获得所述重构模型的输出特征；所述重构模型用于对所述第一目标时间段的车辆工况特征进行重构；
基于所述第一目标时间段的车辆工况特征和所述重构模型的输出特征，获得所述重构模型的输出误差；
根据所述输出误差确定所述车辆是否异常。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取第二目标时间段的预选车辆工况特征；
将所述第二目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第二目标时间段的车辆工况特征；
将所述第二目标时间段的车辆工况特征输入特征提取模型，获得所述第二目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第二目标时间段的车辆工况特征进行向量表示；
将所述第二目标时间段的车辆工况特征向量表示输入到所述热失控预测模型中，对所述第二目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第二目标时刻的至少一个探针温度中的最高温度；
根据所述预测的第一目标时刻的至少一个探针温度中的最高温度和所述预测的第二目标时刻的至少一个探针温度中的最高温度获得电池温度的变化速率。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
当达到预设条件时，发出热失控预警提示信息；
其中，所述预设条件为所述预测的第一目标时刻的至少一个探针温度中的最高温度达到第一阈值，或所述车辆异常且所述电池温度的变化速率达到第二阈值。
5.根据权利要求2所述的方法，其特征在于，所述重构模型的训练过程包括：
将所述第三历史时间段的历史车辆工况特征输入到重构模型中，得到所述重构模型的预测输出；
基于所述重构模型的预测输出和所述历史时间段的历史车辆工况特征，获得训练误差；
基于所述训练误差对所述重构模型进行训练直至满足预设条件。
6.一种热失控预测装置，其特征在于，所述装置包括：
第一获取单元，用于获取第一目标时间段的预选车辆工况特征；
第二获取单元，用于将所述第一目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第一目标时间段的车辆工况特征；
第三获取单元，用于将所述第一目标时间段的车辆工况特征输入特征提取模型，获得所述第一目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第一目标时间段的车辆工况特征进行向量表示；
第一预测单元，用于将所述第一目标时间段的车辆工况特征向量表示输入到热失控预测模型中，对所述第一目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第一目标时刻的至少一个探针温度中的最高温度；所述探针用于采集电池的温度；所述热失控预测模型是根据车辆历史数据训练得到的，所述车辆历史数据包括第一历史时间段的历史车辆工况特征和第二历史时间段的至少一个探针温度中的历史最高温度。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第四获取单元，用于将所述第一目标时间段的车辆工况特征输入重构模型，获得所述重构模型的输出特征；所述重构模型用于对所述第一目标时间段的车辆工况特征进行重构；
第五获取单元，用于基于所述第一目标时间段的车辆工况特征和所述重构模型的输出特征，获得所述重构模型的输出误差；
确定单元，用于根据所述输出误差确定所述车辆是否异常。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
第六获取单元，用于获取第二目标时间段的预选车辆工况特征；
第七获取单元，用于将所述第二目标时间段的各个预选车辆工况特征分别按照时序进行排列，获得所述第二目标时间段的车辆工况特征；
第八获取单元，用于将所述第二目标时间段的车辆工况特征输入特征提取模型，获得所述第二目标时间段的车辆工况特征向量表示；所述特征提取模型用于对所述第二目标时间段的车辆工况特征进行向量表示；
第二预测单元，用于将所述第二目标时间段的车辆工况特征向量表示输入到所述热失控预测模型中，对所述第二目标时刻的至少一个探针温度中的最高温度进行预测，获得预测的所述第二目标时刻的至少一个探针温度中的最高温度；
第九获取单元，用于根据所述预测的第一目标时刻的至少一个探针温度中的最高温度和所述预测的第二目标时刻的至少一个探针温度中的最高温度获得电池温度的变化速率。
9.一种热失控预测设备，其特征在于，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1-5任一项所述的热失控预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储计算机程序，所述计算机程序用于执行如权利要求1-5任一项所述的热失控预测方法。
CN202110057398.2A 2021-01-15 2021-01-15 一种热失控预测方法及装置 Pending CN112784482A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110057398.2A CN112784482A (zh) 2021-01-15 2021-01-15 一种热失控预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110057398.2A CN112784482A (zh) 2021-01-15 2021-01-15 一种热失控预测方法及装置

Publications (1)

Publication Number Publication Date
CN112784482A true CN112784482A (zh) 2021-05-11

Family

ID=75757116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110057398.2A Pending CN112784482A (zh) 2021-01-15 2021-01-15 一种热失控预测方法及装置

Country Status (1)

Country Link
CN (1) CN112784482A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408740A (zh) * 2021-05-28 2021-09-17 联合汽车电子有限公司 转子温度的计算方法、装置、设备和存储介质
CN113673102A (zh) * 2021-08-19 2021-11-19 东软睿驰汽车技术（沈阳）有限公司 一种电池包预测起火时间计算方法、装置及设备
CN115856666A (zh) * 2022-11-28 2023-03-28 伏瓦科技(苏州)有限公司 电池工况数据的处理方法、设备及存储介质
CN118091429A (zh) * 2024-04-25 2024-05-28 华能新能源股份有限公司 电池热失控预测方法、装置、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104733801A (zh) * 2013-12-20 2015-06-24 北汽福田汽车股份有限公司 动力电池热管理装置及方法
CN104881550A (zh) * 2015-06-15 2015-09-02 清华大学 动力电池运行温度的自适应预测方法
CN109978229A (zh) * 2019-02-12 2019-07-05 常伟 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法
CN110161414A (zh) * 2019-06-13 2019-08-23 北京理工大学 一种动力电池热失控在线预测方法及系统
CN111552185A (zh) * 2020-05-19 2020-08-18 重庆大学 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
CN111948541A (zh) * 2020-08-13 2020-11-17 中国第一汽车股份有限公司 车辆电池过压预测方法、装置、服务器及存储介质
CN112016734A (zh) * 2020-04-07 2020-12-01 沈阳工业大学 基于lstm栈式自编码多模型荷预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104733801A (zh) * 2013-12-20 2015-06-24 北汽福田汽车股份有限公司 动力电池热管理装置及方法
CN104881550A (zh) * 2015-06-15 2015-09-02 清华大学 动力电池运行温度的自适应预测方法
CN109978229A (zh) * 2019-02-12 2019-07-05 常伟 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法
CN110161414A (zh) * 2019-06-13 2019-08-23 北京理工大学 一种动力电池热失控在线预测方法及系统
CN112016734A (zh) * 2020-04-07 2020-12-01 沈阳工业大学 基于lstm栈式自编码多模型荷预测方法及系统
CN111552185A (zh) * 2020-05-19 2020-08-18 重庆大学 一种基于pmp的插电式混合动力汽车模型预测控制的能量管理方法
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
CN111948541A (zh) * 2020-08-13 2020-11-17 中国第一汽车股份有限公司 车辆电池过压预测方法、装置、服务器及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
魏国强;高兰芳;: "纯电动汽车动力电池温度预测模型实验研究", 电子测量技术, no. 09, 8 May 2019 (2019-05-08), pages 99 - 103 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408740A (zh) * 2021-05-28 2021-09-17 联合汽车电子有限公司 转子温度的计算方法、装置、设备和存储介质
CN113408740B (zh) * 2021-05-28 2023-08-01 联合汽车电子有限公司 转子温度的计算方法、装置、设备和存储介质
CN113673102A (zh) * 2021-08-19 2021-11-19 东软睿驰汽车技术（沈阳）有限公司 一种电池包预测起火时间计算方法、装置及设备
CN113673102B (zh) * 2021-08-19 2023-08-08 东软睿驰汽车技术（沈阳）有限公司 一种电池包预测起火时间计算方法、装置及设备
CN115856666A (zh) * 2022-11-28 2023-03-28 伏瓦科技(苏州)有限公司 电池工况数据的处理方法、设备及存储介质
CN115856666B (zh) * 2022-11-28 2024-03-26 伏瓦科技(苏州)有限公司 电池工况数据的处理方法、设备及存储介质
CN118091429A (zh) * 2024-04-25 2024-05-28 华能新能源股份有限公司 电池热失控预测方法、装置、设备和存储介质

Similar Documents

Publication Publication Date Title
CN112784482A (zh) 一种热失控预测方法及装置
US20210373082A1 (en) Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store
CN109604186B (zh) 动力电池性能柔性评估分选方法
CN110873841B (zh) 一种基于数据驱动与电池特性相结合的电池寿命预测方法
JP5875037B2 (ja) バッテリの状態予測システム、方法及びプログラム
CN110010987B (zh) 一种基于大数据的电动汽车剩余充电时间预测方法
CN112068004A (zh) 一种电池异常、电池充电剩余时间的确定方法及装置
CN109100655B (zh) 一种动力电池的数据处理方法和装置
CN110658460B (zh) 一种电池包的电池寿命预测方法及装置
CN110598300A (zh) 一种电池soh预测方法及装置
KR20160067510A (ko) 배터리의 상태를 추정하는 방법 및 장치
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
EP3913727A1 (en) Battery residual value determination system
WO2022144542A1 (en) Method for predicting condition parameter degradation of a cell
CN112529104A (zh) 一种车辆故障预测模型生成方法、故障预测方法及装置
CN118137026B (zh) 一种动力电池温度管理方法、装置、存储介质及设备
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN116047300A (zh) 用以预测电池的特性参数的控制器及其方法
CN113093015A (zh) 电池寿命估算方法、装置、电池管理系统、汽车及介质
CN115267552A (zh) 车辆电池健康状态评估方法、装置、设备及存储介质
CN108845267B (zh) 一种动力电池的数据处理方法和装置
CN112881917A (zh) 一种基于大数据平台的动力电池寿命预测方法及系统
CN112706777B (zh) 一种车辆工况调整用户驾驶行为的方法及装置
CN116080470A (zh) 电动汽车的动力电池监控方法、装置、服务器及介质
CN115544903A (zh) 基于大数据的电池数据处理方法、装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination