CN113139338B - 温度预测方法、温度预测装置和车辆 - Google Patents

温度预测方法、温度预测装置和车辆 Download PDF

Info

Publication number
CN113139338B
CN113139338B CN202110407297.3A CN202110407297A CN113139338B CN 113139338 B CN113139338 B CN 113139338B CN 202110407297 A CN202110407297 A CN 202110407297A CN 113139338 B CN113139338 B CN 113139338B
Authority
CN
China
Prior art keywords
temperature
power battery
cooling liquid
heat exchange
preset
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.)
Active
Application number
CN202110407297.3A
Other languages
English (en)
Other versions
CN113139338A (zh
Inventor
汪志超
魏桂林
韩海滨
刘安龙
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.)
Guangzhou Zhipeng Manufacturing Co ltd
Original Assignee
Guangzhou Xiaopeng Motors Technology 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 Guangzhou Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN202110407297.3A priority Critical patent/CN113139338B/zh
Publication of CN113139338A publication Critical patent/CN113139338A/zh
Application granted granted Critical
Publication of CN113139338B publication Critical patent/CN113139338B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • 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
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本发明实施例提供了一种温度预测方法、温度预测装置和车辆，方法包括获取动力电池的当前工况参数，将当前工况参数输入至预先训练的神经网络预测模型，预测得到动力电池的温度；神经网络预测模型为基于动力电池的历史工况参数确认的动力电池的热阻参数和热容参数训练所得。本发明实施例中，无需对动力电池开包布置热电偶和多种热参数测试仪等仪器设备，直接通过电池管理系统(BMS)获取动力电池的历史工况参数确认出动力电池的热阻参数和热容参数，并根据动力电池的热阻参数和热容参数训练得到神经网络预测模型，操作简单、节省时间、成本低廉，将当前工况参数输入至预先训练的神经网络预测模型，预测得到精度较高的动力电池温度。

Description

温度预测方法、温度预测装置和车辆
技术领域
本发明涉及电池技术领域，特别是涉及一种温度预测方法、一种温度预测装置和车辆。
背景技术
动力电池作为新能源汽车三电系统的重要组成部分，有关其使用的安全、可靠和耐久性能越来越受到专业人士及终端用户的关注。但动力电池的性能受温度的影响较大，不同温度下电池的放电能量及输出功率等会有差异，影响整车的动力性及经济性。因此，为了提升动力电池性能的预测精度，需要对不同工况下动力电池的温度变化进行预测。
然而，目前在不同工况下动力电池的温度预测方面，通常需要通过对动力电池拆包布置大量热电偶和多种热参数测试仪等仪器设备，将得到的大量数据训练神经网络模型，然后对动力电池的温度进行预测，操作不便，成本较高，不利于车辆正常行驶不同工况下对动力电池的温度预测。
发明内容
鉴于上述问题，提出了本发明实施例以便提供一种克服上述问题或者至少部分地解决上述问题的一种温度预测方法和相应的一种温度预测装置、车辆。
为了解决上述问题，本发明实施例公开了一种温度预测方法，应用于车辆，所述车辆包括动力电池，所述方法包括：
获取所述动力电池的当前工况参数；
将所述当前工况参数输入至预先训练的神经网络预测模型，预测得到所述动力电池的温度；所述神经网络预测模型为基于所述动力电池的历史工况参数确认的所述动力电池的热阻参数和热容参数训练所得。
可选的，所述神经网络预测模型通过如下方式训练所得：
获取所述动力电池在第一预设时间内的历史工况参数；
在所述第一预设时间内的预设间隔时间，根据所述历史工况参数确认出所述动力电池的热阻参数和热容参数；
采用所述动力电池的热阻参数和热容参数训练待训练的神经网络预测模型，得到训练完成的神经网络预测模型。
可选的，所述历史工况参数至少包括预设间隔时间所述动力电池的第一最高温度、第一最低温度、第一平均温度、进口冷却液温度、出口冷却液温度、冷却液流量以及第一环境温度，所述根据所述历史工况参数确认出所述动力电池的热阻参数和热容参数，包括：
根据所述进口冷却液温度、所述出口冷却液温度以及所述冷却液流量计算出冷却液进出口焓变率；
根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量；
当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数。
可选的，所述根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量，包括：
根据所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及冷却液到环境的预设热阻，计算冷却液到环境的换热量；其中，所述冷却液到环境的预设热阻在第一预设范围之内；
根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第一环境温度、最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻，计算所述动力电池的最高温度点到环境的换热量、最低温度点到环境的换热量以及平均温度点到环境的换热量；其中，所述最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻在第二预设范围内；
根据所述冷却液进出口焓变率、所述冷却液到环境的换热量、所述最高温度点到环境的换热量、所述最低温度点到环境的换热量以及所述平均温度点到环境的换热量，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量。
可选的，所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度为所述第一预设时间初始时刻的第一环境温度，当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数，包括：
根据所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度，所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量、所述平均温度点到冷却液的换热量以及所述动力电池的预设热容，计算出所述动力电池的第二最高温度、第二最低温度以及第二平均温度；其中，所述动力电池的预设热容在第三预设范围之内；
根据所述第一预设时间、所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第二最高温度、所述第二最低温度以及所述第二平均温度，计算出所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值以及所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第一最高温度、所述第一最低温度、所述第一平均温度的标准差；
当所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值时，确认为所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则，将所述动力电池的预设热容确认为所述动力电池的热容参数，并根据所述第一环境温度、所述进口冷却液温度、所述出口冷却液温度、所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量，计算出所述动力电池的热阻参数，所述动力电池的热阻参数包括最高温度点到冷却液的热阻、最低温度点到冷却液的热阻以及平均温度点到冷却液的热阻。
可选的，还包括：
在所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量未满足预设规则时，动态调整所述冷却液到环境的预设热阻、所述最高温度点到环境的预设热阻、所述最低温度点到环境的预设热阻、所述平均温度点到环境的预设热阻以及所述动力电池的预设热容，以使所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值。
可选的，所述将所述当前工况参数输入至预先训练的神经网络预测模型，预测得到所述动力电池的温度，包括：
将第二预设时间内的加热功率、第二预设时间初始时刻的第二环境温度、动力电池的初始最低温度和初始最高温度输入至预先训练的神经网络预测模型，预测得到所述第二预设时间内的所述动力电池的最低温度和最高温度。
可选的，在所述获取动力电池第一预设时间内的历史工况参数之前，还包括：
将动力电池置于所述第一预设时间初始时刻的第一环境温度中静置第三预设时间后，对所述动力电池加热。
本发明实施例公开了一种温度预测装置，应用于车辆，所述车辆包括动力电池，所述装置包括：
第一参数获取模块，用于获取所述动力电池的当前工况参数；
温度预测模块，用于将所述当前工况参数输入至预先训练的神经网络预测模型，预测得到所述动力电池的温度；所述神经网络预测模型为基于所述动力电池的历史工况参数确认的所述动力电池的热阻参数和热容参数训练所得。
可选的，所述神经网络预测模型通过如下模块训练所得：
第二参数获取模块，用于获取所述动力电池在第一预设时间内的历史工况参数；
参数确认模块，用于在所述第一预设时间内的预设间隔时间，根据所述历史工况参数确认出所述动力电池的热阻参数和热容参数；
模型训练模块，用于采用所述动力电池的热阻参数和热容参数训练待训练的神经网络预测模型，得到训练完成的神经网络预测模型。
可选的，所述历史工况参数至少包括预设间隔时间所述动力电池的第一最高温度、第一最低温度、第一平均温度、进口冷却液温度、出口冷却液温度、冷却液流量以及第一环境温度，所述参数确认模块，包括：
焓变率计算子模块，用于根据所述进口冷却液温度、所述出口冷却液温度以及所述冷却液流量计算出冷却液进出口焓变率；
换热量计算子模块，用于根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量；
参数确认子模块，用于当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数。
可选的，换热量计算子模块，包括：
第一换热量计算单元，用于根据所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及冷却液到环境的预设热阻，计算冷却液到环境的换热量；其中，所述冷却液到环境的预设热阻在第一预设范围之内；
第二换热量计算单元，用于根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第一环境温度、最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻，计算所述动力电池的最高温度点到环境的换热量、最低温度点到环境的换热量以及平均温度点到环境的换热量；其中，所述最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻在第二预设范围内；
第三换热量计算单元，用于根据所述冷却液进出口焓变率、所述冷却液到环境的换热量、所述最高温度点到环境的换热量、所述最低温度点到环境的换热量以及所述平均温度点到环境的换热量，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量。
可选的，所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度为所述第一预设时间初始时刻的第一环境温度，所述参数确认子模块，包括：
温度计算单元，用于根据所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度，所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量、所述平均温度点到冷却液的换热量以及所述动力电池的预设热容，计算出所述动力电池的第二最高温度、第二最低温度以及第二平均温度；其中，所述动力电池的预设热容在第三预设范围之内；
差值计算单元，用于根据所述第一预设时间、所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第二最高温度、所述第二最低温度以及所述第二平均温度，计算出所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值以及所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第一最高温度、所述第一最低温度、所述第一平均温度的标准差；
热阻确认单元，用于当所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值时，确认为所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则，将所述动力电池的预设热容确认为所述动力电池的热容参数，并根据所述第一环境温度、所述进口冷却液温度、所述出口冷却液温度、所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量，计算出所述动力电池的热阻参数，所述动力电池的热阻参数包括最高温度点到冷却液的热阻、最低温度点到冷却液的热阻以及平均温度点到冷却液的热阻。
可选的，所述参数确认子模块还包括：
预设参数调整单元，用于在所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量未满足预设规则时，动态调整所述冷却液到环境的预设热阻、所述最高温度点到环境的预设热阻、所述最低温度点到环境的预设热阻、所述平均温度点到环境的预设热阻以及所述动力电池的预设热容，以使所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值。
可选的，所述当前工况参数包括第二预设时间内的加热功率、所述第二预设时间初始时刻的第二环境温度、所述动力电池的初始最低温度和初始最高温度，所述温度预测模块，包括：
温度预测子模块，用于将所述第二预设时间内的加热功率、所述第二预设时间初始时刻的第二环境温度、所述动力电池的初始最低温度和初始最高温度输入至预先训练的神经网络预测模型，预测得到所述第二预设时间内的所述动力电池的最低温度和最高温度。
可选的，所述温度预测装置还包括：
电池加热模块，用于将动力电池置于所述第一预设时间初始时刻的第一环境温度中静置第三预设时间后，对所述动力电池加热。
本发明实施例公开了一种车辆，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的温度预测方法的步骤。
本发明实施例公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的温度预测方法的步骤。
本发明实施例包括以下优点：
在本发明实施例中，获取动力电池的当前工况参数，将当前工况参数输入至预先训练的神经网络预测模型，预测得到动力电池的温度，神经网络预测模型为基于动力电池的历史工况参数确认的动力电池的热阻参数和热容参数训练所得。本发明实施例中，无需对动力电池开包布置热电偶和多种热参数测试仪等仪器设备，直接通过电池管理系统(BMS)获取动力电池的历史工况参数确认出动力电池的热阻参数和热容参数，并根据动力电池的热阻参数和热容参数训练得到神经网络预测模型，操作简单、节省时间、成本低廉，将当前工况参数输入至预先训练的神经网络预测模型，预测得到精度较高的动力电池温度。
附图说明
图1是本发明的一种温度预测方法实施例的步骤流程图；
图2是本发明的一种加热功率的曲线示意图；
图3是本发明的一种预测温度与监测温度的对比示意图；
图4是本发明的一种预测温度温差与监测温度温差的对比示意图；
图5是本发明的一种神经网络预测模型训练方法的步骤流程图；
图6是本发明的一种电池总成水路连接示意图；
图7是本发明的一种动力电池监测温度示意图；
图8是本发明的一种动力电池监测温度拟合示意图；
图9是本发明的一种温度预测装置实施例的结构框图。
具体实施方式
为使本发明的上述目的、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发明作进一步详细的说明。
参照图1，示出了本发明的一种温度预测方法实施例的步骤流程图，本发明实施例具体可以包括如下步骤：
步骤101，获取所述动力电池的当前工况参数。
其中，动力电池为电动汽车行驶采用的锂离子电池，例如磷酸铁锂，三元锂和钛酸锂电池等；从电池管理系统(BatteryManagementSystem，即BMS)中获取动力电池的工况参数；车辆的运动形式主要有：起步、加速、等速、减速、转弯、上下坡、停车等行驶工况。
具体地，车辆在某一行驶工况的初始时刻，从电池管理系统获取动力电池的当前工况参数。
步骤102，将所述当前工况参数输入至预先训练的神经网络预测模型，预测得到所述动力电池的温度；所述神经网络预测模型为基于所述动力电池的历史工况参数确认的所述动力电池的热阻参数和热容参数训练所得。
具体地，通过电池管理系统获取动力电池的历史工况参数确认出动力电池的热阻参数和热容参数，并根据动力电池的热阻参数和热容参数训练得到神经网络预测模型，将当前工况参数输入至预先训练的神经网络预测模型中，预测得到动力电池的温度。
在本发明实施例中，无需对动力电池开包布置热电偶和多种热参数测试仪等仪器设备，直接通过电池管理系统获取动力电池的历史工况参数确认出动力电池的热阻参数和热容参数，并根据动力电池的热阻参数和热容参数训练得到神经网络预测模型，操作简单、节省时间、成本低廉，将当前工况参数输入至预先训练的神经网络预测模型，预测得到精度较高的动力电池温度。
在本发明一实施例中，所述当前工况参数包括第二预设时间内的加热功率、所述第二预设时间初始时刻的第二环境温度、所述动力电池的初始最低温度和初始最高温度，所述将所述当前工况参数输入至预先训练的神经网络预测模型，预测得到所述动力电池的温度，包括：
将所述第二预设时间内的加热功率、所述第二预设时间初始时刻的第二环境温度、所述动力电池的初始最低温度和初始最高温度输入至预先训练的神经网络预测模型，预测得到所述第二预设时间内的所述动力电池的最低温度和最高温度。
其中，在车辆内设有加热装置，通过加热装置对动力电池进行加热
具体地，从电池管理系统中获取到的包括第二预设时间内的加热功率(参照图2，示出了本发明的一种加热功率的曲线示意图)、第二预设时间初始时刻的第二环境温度、动力电池的初始最低温度和初始最高温度，例如：
当前工况参数表：
环境温度[℃] 电芯初始最低温度[℃] 电芯初始最高温度[℃] 加热功率[kW]
-15 -22 -23 曲线变化
参照图3，示出了本发明的一种预测温度与监测温度的对比示意图，如图可知，在获取当前工况参数，将当前工况参数输入至预先训练的神经网络预测模型，预测得到第二预设时间内的动力电池的最低温度Tmin_sim和最高温度Tmax_sim，监测得到的最低温度Tmin，最高温度Tmax；参照图4，示出了本发明的一种预测温度温差与监测温度温差的对比示意图，如图可知，预测最高温度与最低温度的温差为dT_sim，监测得到的最高温度与最低温度的温差为dT。
在本发明实施例中，从上述预测温度和监测温度对比示意图可以看出，在接近2500s的温度预测过程中，电池温度及温差预测结果与监测结果极为接近，表现出相同的变化趋势，电池最高温度和最低温度预测结果与监测结果最大偏差约3℃，温差最大偏差约2℃，表现出相当高的准确性。
此外，动力电池实际运行时的热管理策略通常采用的是最高温度和最低温度，因此，通过神经网络预测模型适用于动力电池的热管理策略。
参照图5，示出了本发明的一种神经网络预测模型训练方法的步骤流程图，本发明实施例具体可以包括如下步骤：
步骤501，获取所述动力电池在第一预设时间内的历史工况参数。
其中，车辆内的动力电池通过管道与水泵、加热装置以及温度传感器连接，具体连接方式参照图6，为本发明的一种电池总成水路连接示意图。
在本发明一实施例中，在所述获取动力电池第一预设时间内的历史工况参数之前，还包括：将动力电池置于所述第一预设时间初始时刻的第一环境温度中静置第三预设时间后，对所述动力电池加热。
具体地，在获取动力电池第一预设时间内的历史工况参数之前，将动力电池置于第一预设时间初始时刻的第一环境温度中静置第三预设时间，例如，第一环境温度Tamb取－30℃，第三预设时间为24小时，即将动力电池置于－30℃环境下静置24小时，确保动力电池在第一预设时间初始时刻个温度点的温度维持在－30℃，温度最大温差小于3℃，在动力电池静置24小时之后，通过加热装置对动力电池进行恒功率加热，加热功率可以取4～7kW。
在加热装置对动力电池开始加热后，通过电池管理系统记录动力电池在第一预设时间内的工况参数，获取动力电池在第一预设时间内的历史工况参数。
步骤502，在所述第一预设时间内的预设间隔时间，根据所述历史工况参数确认出所述动力电池的热阻参数和热容参数。
其中，热阻参数及热容参数是传热学里两个重要的物理参数，热阻参数及热容参数的精确测定有益于计算物体温度、温差及物体与冷却/加热系统间的换热量；预设间隔时间为获取工况参数的间隔时间，例如预设间隔时间可以设为0.01s，0.1s，0.5s，1s等。
具体地，根据历史工况参数，确认出第一预设时间内每隔预设间隔时间动力电池的热阻参数和热容参数。
在本发明一实施例中，所述历史工况参数至少包括预设间隔时间所述动力电池的第一最高温度、第一最低温度、第一平均温度、进口冷却液温度、出口冷却液温度、冷却液流量以及第一环境温度，所述根据所述历史工况参数确认出所述动力电池的热阻参数和热容参数，包括：根据所述进口冷却液温度、所述出口冷却液温度以及所述冷却液流量计算出冷却液进出口焓变率；根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量；当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数。
其中，在加热装置对动力电池开始加热后，通过电池管理系统记录动力电池在第一预设时间tend内的工况参数包括动力电池的第一最高温度Tmax1、第一最低温度Tmin1、第一平均温度Tavg1、进口冷却液温度Tf_in、出口冷却液温度Tf_out、冷却液流量mf以及第一环境温度Tamb。
参照图7，示出了本发明的一种动力电池监测温度示意图，图中为第一最高温度Tmax1、第一最低温度Tmin1以及第一平均温度Tavg1为在第一预设时间内的变化曲线，在将第一最高温度Tmax1、第一最低温度Tmin1通过最小二乘法进行拟合后，得到拟合后的温度变化曲线可参照图8，示出了本发明的一种动力电池监测温度拟合示意图。
具体地，根据进口冷却液温度Tf_in、出口冷却液温度Tf_out以及冷却液流量mf计算出冷却液进出口焓变率Qf，冷却液进出口焓变率Qf具体计算公式如下：
Qf(t)＝mf*Cp_f*(Tf_in(t)-Tf_out(t))
其中：Cp_f为冷却液比热，可根据冷却液性质查表得到。
通过上述公式可求出第一预设时间内每隔预设间隔时间冷却液进出口焓变率Qf(t)。
在计算得到冷却液进出口焓变率之后，根据拟合后的第一最高温度、第一最低温度、第一平均温度、进口冷却液温度、出口冷却液温度、第一环境温度以及冷却液进出口焓变率，计算出动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量，包括以下步骤：
S11：根据所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及冷却液到环境的预设热阻，计算冷却液到环境的换热量；其中，所述冷却液到环境的预设热阻在第一预设范围之内；
其中，冷却液到环境的预设热阻为在第一预设范围内取得的值，第一预设范围可以设为0.01～0.1。
具体地，根据进口冷却液温度Tf_in、出口冷却液温度Tf_out、第一环境温度Tamb以及冷却液到环境的预设热阻Rfe，计算冷却液到环境的换热量Qfe，具体计算公式如下：
Qfe(t)＝(Mean(Tf_in(t)-Tf_out(t))-Tamb(t))/Rfe
其中：Mean指取平均值。
通过上述公式可求出第一预设时间内每隔预设间隔时间冷却液到环境的换热量Qfe。
S12：根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第一环境温度、最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻，计算所述动力电池的最高温度点到环境的换热量、最低温度点到环境的换热量以及平均温度点到环境的换热量；其中，所述最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻在第二预设范围内；
其中，最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻为在第二预设范围内取得的值，第二预设范围可以设为0.1～1。
具体地，根据拟合后的第一最高温度Tmax1、第一最低温度Tmin1、第一平均温度Tavg1、第一环境温度Tamb、最高温度点到环境的预设热阻Rce_max、最低温度点到环境的预设热阻Rce_min以及平均温度点到环境的预设热阻Rce_avg，计算动力电池的最高温度点到环境的换热量Qce_max、最低温度点到环境的换热量Qce_min以及平均温度点到环境的换热量Qce_avg，具体计算公式如下：
Qce_max(t)＝(Tmax1(t)-Tamb(t))/Rce_max
Qce_min(t)＝(Tmin1(t)-Tamb(t))/Rce_min
Qce_avg(t)＝(Tavg1(t)-Tamb(t))/Rce_avg
通过上述公式可求出第一预设时间内每隔预设间隔时间动力电池的最高温度点到环境的换热量Qce_max、最低温度点到环境的换热量Qce_min以及平均温度点到环境的换热量Qce_avg。
S13：根据所述冷却液进出口焓变率、所述冷却液到环境的换热量、所述最高温度点到环境的换热量、所述最低温度点到环境的换热量以及所述平均温度点到环境的换热量，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量。
具体地，根据冷却液进出口焓变率Qf、冷却液到环境的换热量Qfe、最高温度点到环境的换热量Qce_max、最低温度点到环境的换热量Qce_min以及平均温度点到环境的换热量Qce_avg，计算出动力电池的最高温度点到冷却液的换热量Qcf_max、最低温度点到冷却液的换热量Qcf_min以及平均温度点到冷却液的换热量Qcf_avg，具体计算公式如下：
Qcf_max(t)＝Qf(t)-Qfe(t)-Qce_max(t)
Qcf_min(t)＝Qf(t)-Qfe(t)-Qce_min(t)
Qcf_avg(t)＝Qf(t)-Qfe(t)-Qce_avg(t)
通过上述公式可求出第一预设时间内每隔预设间隔时间动力电池的最高温度点到冷却液的换热量Qcf_max、最低温度点到冷却液的换热量Qcf_min以及平均温度点到冷却液的换热量Qcf_avg。
在计算出最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量当最高温度点到冷却液的换热量之后，当最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量满足预设规则时，确认出动力电池的热容参数和热阻参数，包括以下步骤：
S21：根据所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度，所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量、所述平均温度点到冷却液的换热量以及所述动力电池的预设热容，计算出所述动力电池的第二最高温度、第二最低温度以及第二平均温度；其中，所述动力电池的预设热容在第三预设范围之内；
其中，第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度为第一预设时间初始时刻的第一环境温度。
具体地，根据第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度，最高温度点到冷却液的换热量Qcf_max、最低温度点到冷却液的换热量Qcf_min、平均温度点到冷却液的换热量Qcf_avg以及动力电池的预设热容Cp_c，计算出动力电池的第二最高温度Tmax2、第二最低温度Tmin2以及第二平均温度Tavg2，具体计算公式如下：
Tmax2(t+1)＝Tmax2(t)+Qcf_max(t)/(m*Cp_c)
Tmin2(t+1)＝Tmin2(t)+Qcf_min(t)/(m*Cp_c)
Tavg2(t+1)＝Tavg2(t)+Qcf_avg(t)/(m*Cp_c)
其中：m为动力电池的质量。
如上述公式可知，当前时刻的第二最高温度Tmax2(t+1)、第二最低温度Tmin2(t+1)以及第二平均温度Tavg2(t+1)可由上一时刻的第二最高温度Tmax2(t)、第二最低温度Tmin2(t)、第二平均温度Tavg2(t)、各温度点到冷却液的换热量以及动力电池的预设热容得到，如此类推，通过上述公式，根据第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度各温度点到冷却液的换热量以及动力电池的预设热容可计算得到第一预设时间内每隔预设间隔时间动力电池的第二最高温度Tmax2、第二最低温度Tmin2以及第二平均温度Tavg2。
需要说明的是，第一最高温度Tmax1、第一最低温度Tmin1以及第一平均温度Tavg1为电池管理系统监测到动力电池中最高温度点、最低温度点以及平均温度点的温度，第二最高温度Tmax2、第二最低温度Tmin2以及第二平均温度Tavg2为计算得到动力电池中最高温度点、最低温度点以及平均温度点的温度。
S22：根据所述第一预设时间、所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第二最高温度、所述第二最低温度以及所述第二平均温度，计算出所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值以及所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第一最高温度、所述第一最低温度、所述第一平均温度的标准差；
具体地，根据第一预设时间tend、第一最高温度Tmax1、第一最低温度Tmin1、第一平均温度Tavg1、第二最高温度Tmax2、第二最低温度Tmin2以及第二平均温度Tavg2，计算出第一最高温度与第二最高温度的差值ΔTmax_max、第一最低温度与第二最低温度的差值ΔTmax_min、第一平均温度与第二平均温度的差值ΔTmax_avg以及第一最高温度、第一最低温度、第一平均温度和第一最高温度、第一最低温度、第一平均温度的标准差σtotal，具体计算公式如下：
ΔTmax_max(t)＝max(abs(Tmax1(t)-Tmax2(t)))
ΔTmax_min(t)＝max(abs(Tmin1(t)-Tmin2(t)))
ΔTmax_avg(t)＝max(abs(Tavg1(t)-Tavg2(t)))
Figure BDA0003022791280000161
S23：当所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值时，确认为所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则，将所述动力电池的预设热容确认为所述动力电池的热容参数，并根据所述第一环境温度、所述进口冷却液温度、所述出口冷却液温度、所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量，计算出所述动力电池的热阻参数，所述动力电池的热阻参数包括最高温度点到冷却液的热阻、最低温度点到冷却液的热阻以及平均温度点到冷却液的热阻。
具体地，在当第一最高温度与第二最高温度的差值ΔTmax_max、第一最低温度与第二最低温度的差值ΔTmax_min、第一平均温度与第二平均温度的差值ΔTmax_avg均小于第一预设阈值，且第一最高温度、第一最低温度、第一平均温度和第二最高温度、第二最低温度、第二平均温度的标准差σtotal小于第二预设阈值时，确认为最高温度点到冷却液的换热量Qcf_max、最低温度点到冷却液的换热量Qcf_min以及平均温度点到冷却液的换热量Qcf_avg满足预设规则，例如，第一预设阈值可以设为2，第二预设阈值可以设为1。
在满足上述预设规则时，表明监测得到的第一最高温度、第一最低温度、第一平均温度与计算得到第二最高温度Tmax2、第二最低温度Tmin2以及第二平均温度Tavg2相近，将动力电池的预设热容确认为动力电池的热容参数，并根据第一环境温度、进口冷却液温度、出口冷却液温度、最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量，计算出动力电池的热阻参数，动力电池的热阻参数包括最高温度点到冷却液的热阻Rce_min、最低温度点到冷却液的热阻Rce_max以及平均温度点到冷却液的热阻Rce_avg，具体计算公式如下：
Rce_max＝(Tf_in(t)-Tamb(t))/Qcf_max(t)
Rce_min＝(Tf_out(t)-Tamb(t))/Qcf_min(t)
Rce_avg＝(Tf_in(t)-Tout(t))/Qcf_avg(t)
在本发明一实施例中，在所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量未满足预设规则时，动态调整所述冷却液到环境的预设热阻、所述最高温度点到环境的预设热阻、所述最低温度点到环境的预设热阻、所述平均温度点到环境的预设热阻以及所述动力电池的预设热容，以使所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值。
具体地，在最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量未满足预设规则时，可通过动态调整冷却液到环境的预设热阻、最高温度点到环境的预设热阻、最低温度点到环境的预设热阻、平均温度点到环境的预设热阻以及动力电池的预设热容，以使各温度差值小于第一预设阈值且标准差小于第二预设阈值，从而确定出在第一预设时间内每隔预设间隔时间动力电池的热容参数和热阻参数。
在本发明实施例中，在电池管理系统中获取动力电池在第一预设时间内的历史工况参数，无需对动力电池开包布置热电偶，也无需采用诸如热阻测试仪、比热容测试仪等仪器设备，基于历史工况参数确认出动力电池的热熔参数和热阻参数，操作简单、节省时间、成本低廉。
步骤503，采用所述动力电池的热阻参数和热容参数训练待训练的神经网络预测模型，得到训练完成的神经网络预测模型。
具体地，在得到第一预设时间内每隔预设间隔时间动力电池的热阻参数和热容参数后，采用动力电池的热阻参数和热容参数训练待训练的神经网络预测模型，得到训练完成的神经网络预测模型。
在本发明实施例中，在电池管理系统中获取动力电池在第一预设时间内的历史工况参数，无需对动力电池开包布置热电偶，也无需采用诸如热阻测试仪、比热容测试仪等仪器设备，基于历史工况参数确认出动力电池的热熔参数和热阻参数，操作简单、节省时间、成本低廉。同时根据动力电池的热阻参数和热容参数训练得到神经网络预测模型，将当前工况参数输入至预先训练的神经网络预测模型，预测得到精度较高的动力电池温度。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图9，示出了本发明的一种温度预测装置实施例的结构框图，温度预测装置应用于车辆，所述车辆包括动力电池，本发明实施例具体可以包括如下模块：
第一参数获取模块901，用于获取所述动力电池的当前工况参数；
温度预测模块902，用于将所述当前工况参数输入至预先训练的神经网络预测模型，预测得到所述动力电池的温度；所述神经网络预测模型为基于所述动力电池的历史工况参数确认的所述动力电池的热阻参数和热容参数训练所得。
在本发明一实施例中，所述神经网络预测模型通过如下模块训练所得：
第二参数获取模块，用于获取所述动力电池在第一预设时间内的历史工况参数；
参数确认模块，用于在所述第一预设时间内的预设间隔时间，根据所述历史工况参数确认出所述动力电池的热阻参数和热容参数；
模型训练模块，用于采用所述动力电池的热阻参数和热容参数训练待训练的神经网络预测模型，得到训练完成的神经网络预测模型。
在本发明一实施例中，所述历史工况参数至少包括预设间隔时间所述动力电池的第一最高温度、第一最低温度、第一平均温度、进口冷却液温度、出口冷却液温度、冷却液流量以及第一环境温度，所述参数确认模块，包括：
焓变率计算子模块，用于根据所述进口冷却液温度、所述出口冷却液温度以及所述冷却液流量计算出冷却液进出口焓变率；
换热量计算子模块，用于根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量；
参数确认子模块，用于当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数。
在本发明一实施例中，换热量计算子模块，包括：
第一换热量计算单元，用于根据所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及冷却液到环境的预设热阻，计算冷却液到环境的换热量；其中，所述冷却液到环境的预设热阻在第一预设范围之内；
第二换热量计算单元，用于根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第一环境温度、最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻，计算所述动力电池的最高温度点到环境的换热量、最低温度点到环境的换热量以及平均温度点到环境的换热量；其中，所述最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻在第二预设范围内；
第三换热量计算单元，用于根据所述冷却液进出口焓变率、所述冷却液到环境的换热量、所述最高温度点到环境的换热量、所述最低温度点到环境的换热量以及所述平均温度点到环境的换热量，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量。
在本发明一实施例中，所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度为所述第一预设时间初始时刻的第一环境温度，所述参数确认子模块，包括：
温度计算单元，用于根据所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度，所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量、所述平均温度点到冷却液的换热量以及所述动力电池的预设热容，计算出所述动力电池的第二最高温度、第二最低温度以及第二平均温度；其中，所述动力电池的预设热容在第三预设范围之内；
差值计算单元，用于根据所述第一预设时间、所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第二最高温度、所述第二最低温度以及所述第二平均温度，计算出所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值以及所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第一最高温度、所述第一最低温度、所述第一平均温度的标准差；
热阻确认单元，用于当所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值时，确认为所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则，将所述动力电池的预设热容确认为所述动力电池的热容参数，并根据所述第一环境温度、所述进口冷却液温度、所述出口冷却液温度、所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量，计算出所述动力电池的热阻参数，所述动力电池的热阻参数包括最高温度点到冷却液的热阻、最低温度点到冷却液的热阻以及平均温度点到冷却液的热阻。
在本发明一实施例中，所述参数确认子模块还包括：
预设参数调整单元，用于在所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量未满足预设规则时，动态调整所述冷却液到环境的预设热阻、所述最高温度点到环境的预设热阻、所述最低温度点到环境的预设热阻、所述平均温度点到环境的预设热阻以及所述动力电池的预设热容，以使所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值。
在本发明一实施例中，所述当前工况参数包括第二预设时间内的加热功率、所述第二预设时间初始时刻的第二环境温度、所述动力电池的初始最低温度和初始最高温度，所述温度预测模块902，包括：
温度预测子模块，用于将所述第二预设时间内的加热功率、所述第二预设时间初始时刻的第二环境温度、所述动力电池的初始最低温度和初始最高温度输入至预先训练的神经网络预测模型，预测得到所述第二预设时间内的所述动力电池的最低温度和最高温度。
在本发明一实施例中，所述温度预测装置还包括：
电池加热模块，用于将动力电池置于所述第一预设时间初始时刻的第一环境温度中静置第三预设时间后，对所述动力电池加热。
在本发明实施例中，在电池管理系统中获取动力电池在第一预设时间内的历史工况参数，无需对动力电池开包布置热电偶，也无需采用诸如热阻测试仪、比热容测试仪等仪器设备，基于历史工况参数确认出动力电池的热熔参数和热阻参数，操作简单、节省时间、成本低廉。同时根据动力电池的热阻参数和热容参数训练得到神经网络预测模型，将当前工况参数输入至预先训练的神经网络预测模型，预测得到精度较高的动力电池温度。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明实施例公开了一种车辆，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上温度预测方法实施例所述的步骤。
本发明实施例公开了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上温度预测方法实施例所述的步骤。
本说明书中的各个实施例均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的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种温度预测方法、一种温度预测装置和车辆，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种温度预测方法，其特征在于，应用于车辆，所述车辆包括动力电池，所述方法包括：
获取所述动力电池在第一预设时间内的历史工况参数；其中，所述历史工况参数至少包括预设间隔时间所述动力电池的第一最高温度、第一最低温度、第一平均温度、进口冷却液温度、出口冷却液温度、冷却液流量以及第一环境温度；
根据所述进口冷却液温度、所述出口冷却液温度以及所述冷却液流量计算出冷却液进出口焓变率；根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量；当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数；
采用所述动力电池的热阻参数和热容参数训练待训练的神经网络预测模型，得到训练完成的神经网络预测模型；
获取所述动力电池的当前工况参数；
将所述当前工况参数输入至预先训练的所述神经网络预测模型，预测得到所述动力电池的温度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量，包括：
根据所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及冷却液到环境的预设热阻，计算冷却液到环境的换热量；其中，所述冷却液到环境的预设热阻在第一预设范围之内；
根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第一环境温度、最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻，计算所述动力电池的最高温度点到环境的换热量、最低温度点到环境的换热量以及平均温度点到环境的换热量；其中，所述最高温度点到环境的预设热阻、最低温度点到环境的预设热阻以及平均温度点到环境的预设热阻在第二预设范围内；
根据所述冷却液进出口焓变率、所述冷却液到环境的换热量、所述最高温度点到环境的换热量、所述最低温度点到环境的换热量以及所述平均温度点到环境的换热量，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量。
3.根据权利要求2所述的方法，其特征在于，所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度为所述第一预设时间初始时刻的第一环境温度，当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数，包括；
根据所述第一预设时间初始时刻的第一最高温度、第一最低温度以及第一平均温度，所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量、所述平均温度点到冷却液的换热量以及所述动力电池的预设热容，计算出所述动力电池的第二最高温度、第二最低温度以及第二平均温度；其中，所述动力电池的预设热容在第三预设范围之内；
根据所述第一预设时间、所述第一最高温度、所述第一最低温度、所述第一平均温度、所述第二最高温度、所述第二最低温度以及所述第二平均温度，计算出所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值以及所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差；
当所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值时，确认为所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则，将所述动力电池的预设热容确认为所述动力电池的热容参数，并根据所述第一环境温度、所述进口冷却液温度、所述出口冷却液温度、所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量，计算出所述动力电池的热阻参数，所述动力电池的热阻参数包括最高温度点到冷却液的热阻、最低温度点到冷却液的热阻以及平均温度点到冷却液的热阻。
4.根据权利要求3所述的方法，其特征在于，还包括：
在所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量未满足预设规则时，动态调整所述冷却液到环境的预设热阻、所述最高温度点到环境的预设热阻、所述最低温度点到环境的预设热阻、所述平均温度点到环境的预设热阻以及所述动力电池的预设热容，以使所述第一最高温度与所述第二最高温度的差值、所述第一最低温度与所述第二最低温度的差值、所述第一平均温度与所述第二平均温度的差值均小于第一预设阈值，且所述第一最高温度、所述第一最低温度、所述第一平均温度和所述第二最高温度、所述第二最低温度、所述第二平均温度的标准差小于第二预设阈值。
5.根据权利要求1所述的方法，其特征在于，所述将所述当前工况参数输入至预先训练的神经网络预测模型，预测得到所述动力电池的温度，包括：
将第二预设时间内的加热功率、第二预设时间初始时刻的第二环境温度、动力电池的初始最低温度和初始最高温度输入至预先训练的神经网络预测模型，预测得到所述第二预设时间内的所述动力电池的最低温度和最高温度。
6.根据权利要求1所述的方法，其特征在于，在所述获取动力电池第一预设时间内的历史工况参数之前，还包括：
将动力电池置于所述第一预设时间初始时刻的第一环境温度中静置第三预设时间后，对所述动力电池加热。
7.一种温度预测装置，其特征在于，应用于车辆，所述车辆包括动力电池，所述装置包括：
第二参数获取模块，用于获取所述动力电池在第一预设时间内的历史工况参数；其中，所述历史工况参数至少包括预设间隔时间所述动力电池的第一最高温度、第一最低温度、第一平均温度、进口冷却液温度、出口冷却液温度、冷却液流量以及第一环境温度；
参数确认模块，用于根据所述进口冷却液温度、所述出口冷却液温度以及所述冷却液流量计算出冷却液进出口焓变率；根据所述第一最高温度、所述第一最低温度、所述第一平均温度、所述进口冷却液温度、所述出口冷却液温度、所述第一环境温度以及所述冷却液进出口焓变率，计算出所述动力电池的最高温度点到冷却液的换热量、最低温度点到冷却液的换热量以及平均温度点到冷却液的换热量；当所述最高温度点到冷却液的换热量、所述最低温度点到冷却液的换热量以及所述平均温度点到冷却液的换热量满足预设规则时，确认出所述动力电池的热容参数和热阻参数；
模型训练模块，用于采用所述动力电池的热阻参数和热容参数训练待训练的神经网络预测模型，得到训练完成的神经网络预测模型；
第一参数获取模块，用于获取所述动力电池的当前工况参数；
温度预测模块，用于将所述当前工况参数输入至预先训练的所述神经网络预测模型，预测得到所述动力电池的温度。
8.一种车辆，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的温度预测方法的步骤。
CN202110407297.3A 2021-04-15 2021-04-15 温度预测方法、温度预测装置和车辆 Active CN113139338B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110407297.3A CN113139338B (zh) 2021-04-15 2021-04-15 温度预测方法、温度预测装置和车辆

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110407297.3A CN113139338B (zh) 2021-04-15 2021-04-15 温度预测方法、温度预测装置和车辆

Publications (2)

Publication Number Publication Date
CN113139338A CN113139338A (zh) 2021-07-20
CN113139338B true CN113139338B (zh) 2023-04-07

Family

ID=76813222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110407297.3A Active CN113139338B (zh) 2021-04-15 2021-04-15 温度预测方法、温度预测装置和车辆

Country Status (1)

Country Link
CN (1) CN113139338B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113779722B (zh) * 2021-09-08 2022-09-30 清华大学 一种压气机稳定性预测方法、装置和存储介质
DE102022106806B4 (de) 2022-03-23 2023-11-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt für das Thermomanagement bei einer Traktionsbatterie
CN115436821B (zh) * 2022-09-02 2024-01-30 四川新能源汽车创新中心有限公司 电池系统产热异常识别方法及装置
CN117346418B (zh) * 2023-12-05 2024-03-22 珠海科创储能科技有限公司 冷水机组的控制方法、装置、存储介质及电子设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5861495B2 (ja) * 2011-04-18 2016-02-16 株式会社デンソー 車両用温度調整装置、および車載用熱システム
CN102494778B (zh) * 2011-11-14 2013-04-24 北京理工大学 一种基于人工神经网络的二次电池表面最高温度预测方法
JP2013143308A (ja) * 2012-01-12 2013-07-22 Nissan Motor Co Ltd 電池温度推定装置
CN110888070A (zh) * 2018-08-16 2020-03-17 广州小鹏汽车科技有限公司 一种电池温度的估计方法、装置、设备及介质
CN110118617A (zh) * 2019-05-30 2019-08-13 上海元城汽车技术有限公司 电池模组的内部温度确定方法、装置及智能终端
CN111474487A (zh) * 2020-04-13 2020-07-31 重庆大学 一种电池荷电状态-内部温度联合在线估计方法
CN112068004A (zh) * 2020-09-16 2020-12-11 北京嘀嘀无限科技发展有限公司 一种电池异常、电池充电剩余时间的确定方法及装置
CN112092676A (zh) * 2020-09-25 2020-12-18 吉林大学 一种利用虚拟温度传感器对电池包温度场的估算修正方法

Also Published As

Publication number Publication date
CN113139338A (zh) 2021-07-20

Similar Documents

Publication Publication Date Title
CN113139338B (zh) 温度预测方法、温度预测装置和车辆
CN108172930B (zh) 电池包冷却控制方法、装置和电池包
Lin et al. Online parameterization of lumped thermal dynamics in cylindrical lithium ion batteries for core temperature estimation and health monitoring
CN111430845B (zh) 一种电池包热管理方法、装置、存储介质及电子设备
EP3425721B1 (en) Thermal management system for batteries
CN111005799B (zh) 一种水温的控制方法、装置、热管理系统和存储介质
CN112505547B (zh) 快充测试方法、装置、系统及计算机设备
CN110323519A (zh) 电池包加热控制方法及系统
CN112092676A (zh) 一种利用虚拟温度传感器对电池包温度场的估算修正方法
CN112060976B (zh) 一种车辆动力电池的加热方法、装置和车辆
CN104656029A (zh) 一种估算动力电池剩余容量的系统及方法
CN112861302A (zh) 一种动力电池热管理仿真方法、装置及存储介质
CN112459890A (zh) 热管理系统及基于神经网络的热管理方法和装置
CN114335625A (zh) 燃料电池堆温度控制方法、装置、模型预测控制器及系统
CN109116244B (zh) 一种动力电池老化趋势的判断方法和装置
CN112744087B (zh) 环境温度确定方法、电机控制器、控制系统及存储介质
CN113809440B (zh) 一种液冷动力电池冷却液流量控制方法、系统及汽车
CN112713330B (zh) 一种车用液冷电池系统参数的确定方法
US10961897B2 (en) Methods of controlling electrical coolant valve for internal combustion engine
CN111883868A (zh) 用于检测锂离子电池的热失控的方法和装置
CN113779750B (zh) 基于充电状态的电池寿命预测方法、系统及充电桩
CN114792857A (zh) 动力电池的热管理方法、装置、电子设备和存储介质
CN114927803A (zh) 电池温度的调节方法、装置、存储介质和车辆
CN115632181A (zh) 锂电池温度预警方法、系统、存储介质及终端
CN113608133A (zh) 一种磷酸铁锂电池剩余容量的确定方法、系统及存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20231205

Address after: Room 482, room 406, No. 1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou 510000, Guangdong Province

Patentee after: Guangzhou Zhipeng Manufacturing Co.,Ltd.

Address before: No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province

Patentee before: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd.