CN115742865A - 基于行驶里程预测的电动汽车热管理方法和系统 - Google Patents

Abstract

本发明涉及一种基于行驶里程预测的电动汽车热管理方法和系统，方法包括收集历史的用户行车习惯相关的数据作为训练集，使用所述训练集训练机器学习模型得到训练完成的机器学习模型，获取实时的用户行车习惯相关的数据并使用所述训练完成的机器学习模型预测用户将要行驶的里程和时间，根据所述用户将要行驶的里程和时间对电池进行节能热管理；系统包括预测模块、控制模块和节能热管理模块。本发明可以实现对不同客户的针对性的电池优化控制、实现对电池的有效热管理，从而延长汽车电池的使用寿命。

Description

基于行驶里程预测的电动汽车热管理方法和系统

技术领域

本发明涉及电动汽车热管理技术领域，尤其是指一种基于行驶里程预测的电动汽车热管理方法和系统。

背景技术

随着国家对新能源产业的大力支持，新能源汽车产业不断发展。对于新能源汽车来说，电池是动力也是核心，电池提供汽车的所有动力。电池控制系统(BatteryManagement System,BMS)是汽车控制核心，用于保护电池的安全使用，同时决定客户驾驶体验。在电动汽车电池的使用过程中，需要实时监测电池的温度对电池进行热管理，当电池温度低于电池的适用温度后需要加热，当电池温度高于电池的适用温度后需要冷却，否则电芯电性能和寿命都会受到影响。由于硬件计算资源的限制，BMS功能出厂即固定不变，但是不同客户使用驾驶习惯不同，驾驶环境不同，因此对电池使用程度也不同，功能固定化的BMS无法针对每一位客户进行针对性优化控制。

大数据记录行车数据、充电数据、故障数据，但是目前BMS结合大数据的技术并没有将数据充分的利用出来。目前大数据仅仅作为对传统BMS固定功能的辅助手段，例如基于汽车历史数据，协助BMS更准确预测电池SOX(全称State Of X,是电池的状态描述，包括SOH、SOC、SOP、SOE，H是英文Health，C是容量，P是功率，E是能量)、预测充电剩余时间、修改电池模型参数等，并没有对电池热管理的相关应用，目前BMS热管理策略功能主要采用分段控制，只考虑电池包本身温度和当前状态的温度，不能结合用户行车习惯实现对电池的有效热管理。

发明内容

为此，本发明所要解决的技术问题在于克服现有技术中的不足，提供一种基于行驶里程预测的电动汽车热管理方法和系统，可以实现对不同客户的针对性的电池优化控制、实现对电池的有效热管理，从而延长汽车电池的使用寿命。

为解决上述技术问题，本发明提供了一种基于行驶里程预测的电动汽车热管理方法，包括：

收集历史的用户行车习惯相关的数据作为训练集，使用所述训练集训练机器学习模型得到训练完成的机器学习模型，获取实时的用户行车习惯相关的数据并使用所述训练完成的机器学习模型预测用户将要行驶的里程和时间；

根据所述用户将要行驶的里程和时间对电池进行节能热管理。

作为优选的，在对电池进行节能热管理时，设置日常行车指令和远程行车指令两种工作模式，

当用户选择日常行车指令时，电池进入节能热管理的工作模式；当用户选择远程行车指令时，电池进入正常热管理的工作模式。

作为优选的，根据所述用户将要行驶的里程和时间对电池进行节能热管理，具体为：

S1：判断此时电池的温度是否需要开启加热，若否则执行S2，若是则执行S3；

S2：保持电池现状继续行驶，执行S1；

S3：根据预测的所述用户将要行驶的里程和时间计算行驶过程中消耗的电量Q3、结束行驶时的剩余电量Q2和加热电池的累计时间t3，

对电池进行温升实验，根据温升实验数据得到电池的热交换函数；

根据所述热交换函数计算行驶中不开加热器行车时的电池平均温度T4，计算T4温度时的电池剩余电量值Q4；

结合用户选择日常行车指令时的电池剩余电量Q1、结束行驶时的剩余电量Q2、行驶过程中消耗的电量Q3、加热电池的累计时间t3和电池剩余电量值Q4对电池进行选择性加热和充电操作。

作为优选的，所述热交换函数为：

△T＝ae^-bE-ct-d+μ，

其中，△T是温升，a、b、c、d是拟合得到的参数，e是自然常数，E表示10的次方的基数，μ是修正系数，t是保温放置时间，t＝t2-t1，t2是开始行驶的时刻，t1是用户选择日常行车指令的时刻。

作为优选的，所述修正系数μ的取值范围为0～10。

作为优选的，所述电池平均温度T4的计算方法为：

T4＝T1+△T，

其中，T1是用户选择日常行车指令时的电池平均温度。

作为优选的，所述计算T4温度时的电池剩余电量值Q4，具体为根据电池SOE-OCV-T表反推出T4温度时的剩余电量值Q4。

作为优选的，所述结合用户选择日常行车指令时的电池剩余电量Q1、结束行驶时的剩余电量Q2、行驶过程中消耗的电量Q3、加热电池的累计时间t3和电池剩余电量值Q4对电池进行选择性加热和充电操作，具体为：

计算电量差ΔQ1＝Q2-Q1-P2×t3，其中P2是电池的加热功率；

如果ΔQ1＞0且Q2＞Q3，则对电池加热；如果ΔQ1＞0且Q2<Q3，则对电池充电，直到电池的当前剩余电量大于Q3停止充电；

如果ΔQ1<0且Q4＞Q3，则不对电池加热；如果ΔQ1<0且Q4<Q3，则对电池进行充电，直到电池的当前剩余电量大于Q3停止充电。

作为优选的，根据所述用户将要行驶的里程和时间对电池进行节能热管理时，获取未来多个小时的温度数据和当前的空气流速并预测未来多个小时内的电池自然冷却温度，结合所述电池自然冷却温度对电池进行节能热管理。

本发明还提供了一种基于行驶里程预测的电动汽车热管理系统，包括预测模块、控制模块和节能热管理模块，

所述预测模块收集历史的用户行车习惯相关的数据作为训练集，使用所述训练集训练机器学习模型得到训练完成的机器学习模型，获取实时的用户行车习惯相关的数据并使用所述训练完成的机器学习模型预测用户将要行驶的里程和时间；

所述控制模块包括移动客户端，所述移动客户端中设有日常行车指令和远程行车指令两种指令，所述控制模块根据用户选择的指令类型控制所述节能热管理模块工作；

所述节能热管理模块在用户选择日常行车指令时，根据所述用户将要行驶的里程和时间对电池进行节能热管理。

本发明的上述技术方案相比现有技术具有以下优点：

本发明通过收集历史的用户行车习惯相关的数据并据此预测用户将要行驶的里程和时间，在此基础上根据用户的需求对电池进行选择性的节能热管理，将BMS和大数据的有效结合实现了对不同客户的实时性和针对性地电池优化控制；同时在不影响用户使用的情况下，在单次行车中减少了电池的电量消耗，基于用户习惯减少了电池的充电次数，实现了对电池的有效热管理，从而延长汽车电池的使用寿命。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明的流程图，

图2是本发明实施例中对电池进行温升实验得到的热交换函数。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

参照图1所示，本发明公开了一种基于行驶里程预测的电动汽车热管理方法，其特征在于，包括：

收集历史的用户行车习惯相关的数据作为训练集，使用训练集训练机器学习模型得到训练完成的机器学习模型，获取实时的用户行车习惯相关的数据并使用训练完成的机器学习模型预测用户将要行驶的里程和时间。收集历史的用户行车习惯相关的数据包括电动汽车行驶已里程、功率、单体电压、单体温度、电流、加热器消耗功率、故障记录、电池包SOH等，同时收集当天的星期、外界温度、天气、假期情况、风向、风力等外界特征数据。获取实时的用户行车习惯相关的数据包括用户当天的已用车时间、消耗的电量、热管理消耗的电量、温升，统计出不同里程下的行驶时间、正常行驶的电量消耗值及温升数据。利用电池的功率P1计算用户当天用车累计消耗的电量Q所应用的公式为：

t表示时间。本实施例中使用的电压、温度等数据，都是根据获取的数据做处理得到的平均数据，以此降低异常点对预测产生的不利影响；本实施例中使用的机器学习模型为线性回归模型。

设置日常行车指令和远程行车指令两种指令，当用户选择日常行车指令，电池进入节能热管理的工作模式；当用户选择远程行车指令，电池进入正常热管理的工作模式。正常热管理模式是整车定义的普通常规热管理模式，不考虑节能的效果，当用户选择远程行车指令时，代表用户接下来进行的行车不是日常化的用车，不考虑节能也不将此次用车数据作为用户日常行车习惯相关的数据存储起来，以此提高训练集的有效性、从而提高日常用车行为习惯的预测准确性。本实施例中日常行车指令和远程行车指令两种指令可以设置在用户手机端的APP中，用户通过在APP中选择不同的指令，电池进入不同的工作模式。通过在用户手机端的汽车APP中设置日常行车指令和远程行车指令两种指令，实现了汽车智能控制和用户指令的交互；在不同模式下结合用户选择进行针对性应对，可以满足用户出现的偶然性长距离用车的需要。

节能热管理根据预测的用户将要行驶的里程和时间对电池进行节能热管理。在节能热管理下的用户行车习惯相关的数据也将作为历史的用户行车习惯相关的数据加入到训练集中，在下一次训练机器学习模型时使用，从而提高机器学习模型的预测准确性。

根据用户将要行驶的里程和时间对电池进行节能热管理，具体为：

S1：判断此时电池的温度是否需要开启加热，若否则执行S2，若是则执行S3；

S2：保持电池现状继续行驶，执行S1；

S3：根据预测的用户将要行驶的里程和时间计算行驶过程中消耗的电量Q3、结束行驶时的剩余电量Q2和加热电池的累计时间t3，Q3、Q2和t3由电池控制系统BMS计算得到。

对电池进行温升实验，根据温升实验数据得到电池的热交换函数；具体为根据电池在固定温度范围下的保温实验数据，拟合得到热交换函数。根据行车使用的不同电池类型，确定不同的电池可以正常工作的温度范围区间，例如三元锂电池的固定温度范围设置为-20℃-50℃，获取在此温度范围下的电池在保温箱中的实时温度数据，拟合实时温度数据得到热交换函数；

本实施例中拟合热交换函数时使用的方法为线性回归，热交换函数为：

△T＝ae^-bE-ct-d+μ，

其中，△T是温升，a、b、c、d是拟合得到的参数，e是自然常数，E表示10的次方的基数，μ是修正系数，t是保温放置时间，t＝t2-t1，t2是开始行驶的时刻，t1是用户选择日常行车指令的时刻。本实施例中得到的热交换函数为△T＝41.445e^-5E-5t-40+μ。当外界温度不同时热交换的系数不同，因此需要一个修正系数μ，本实施例中修正系数μ的取值范围为0～10。本实施例中将一个电池包温度为25℃的、84度电池包静置在防尘防水等级标准为IP68的保温箱中，保温箱温度为-20℃。监测并记录电池包的温度数据，直到电池包的温度达到-20℃时停止监测，得到的温度和时间的实验数据如图2中的实线曲线所示，拟合实验数据得到热交换函数为△T＝41.09e^-4E-05t。

根据热交换函数计算行驶中假如不开加热器行车时的电池平均温度T4，计算T4温度时的电池剩余电量值Q4；

电池平均温度T4的计算方法为：

T4＝T1+△T，

其中，T1是用户选择日常行车指令时的电池平均温度。

计算T4温度时的电池剩余电量值Q4，具体为根据电池SOE-OCV-T表反推出T4温度时的剩余电量值Q4。SOE-OCV-T指的是静态下不同温度、不同电压、电池可用能量的三位表，由测试电池电芯得到。

结合用户选择日常行车指令时的电池剩余电量Q1、结束行驶时的剩余电量Q2、行驶过程中消耗的电量Q3、加热电池的累计时间t3和电池剩余电量值Q4对电池进行选择性加热和充电操作。具体为：

计算电量差ΔQ1＝Q2-Q1-P2×t3，其中P2是电池的加热功率；

如果ΔQ1＞0且Q2＞Q3，则对电池加热，直到不满足ΔQ1＞0且Q2＞Q3停止加热；如果ΔQ1＞0且Q2<Q3，则对电池充电，直到电池的当前剩余电量大于Q3停止充电；如果ΔQ1<0且Q4＞Q3，则不对电池加热；如果ΔQ1<0且Q4<Q3，则对电池进行充电，直到电池的当前剩余电量大于Q3停止充电。本发明基于智能网联技术获取未来N小时的温度数据和当前的空气流速，根据实验数据精准预测未来N小时内的电池自然冷却温度，N根据用户行车习惯，预测将要用车的时间确定。最大程度地将电池的工作温度控制在最佳温度内，并在达到预期温度后能在第一时间内关闭加热和冷却，最大程度减少电能的浪费。

本发明还公开了一种基于行驶里程预测的电动汽车热管理系统，包括预测模块、控制模块和节能热管理模块。预测模块收集历史的用户行车习惯相关的数据作为训练集，使用训练集训练机器学习模型得到训练完成的机器学习模型，获取实时的用户行车习惯相关的数据并使用训练完成的机器学习模型预测用户将要行驶的里程和时间。控制模块包括移动客户端，移动客户端中设有日常行车指令和远程行车指令两种指令，控制模块根据用户选择的指令类型控制节能热管理模块的工作模式。节能热管理模块在用户选择日常行车指令时，根据用户将要行驶的里程和时间对电池进行节能热管理；在用户选择远程行车指令时，不对电池进行节能热管理。

随着新能源汽车竞争强度越来越大，基于用户行车习惯，对新能源汽车的电池进行热管理，将会是未来的发展趋势。大数据的出现，为BMS特定化控制提供了手段和依据，可以不断丰富BMS的功能。本发明通过收集历史的用户行车习惯相关的数据并据此预测用户将要行驶的里程和时间，在此基础上根据用户的需求对电池进行选择性的节能热管理，相比于现有技术中对行车途中的电池的热管理要么是不加热、要么是一直加热，本发明将BMS和大数据的有效结合实现了对不同客户的实时性和针对性地电池优化控制。同时，本发明对电池的热管理不会影响用户的正常使用，可以在单次行车中减少电池的电量消耗，基于用户习惯减少了电池的充电次数，实现了对电池的有效热管理，从而延长汽车电池的使用寿命。本发明可以突破计算资源的限制，提高BMS的性能，为BMS赋予更多的功能。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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设备上，使得在计算机或其他可编程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。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种基于行驶里程预测的电动汽车热管理方法，其特征在于，包括：

收集历史的用户行车习惯相关的数据作为训练集，使用所述训练集训练机器学习模型得到训练完成的机器学习模型，获取实时的用户行车习惯相关的数据并使用所述训练完成的机器学习模型预测用户将要行驶的里程和时间；

根据所述用户将要行驶的里程和时间对电池进行节能热管理。

2.根据权利要求1所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：在对电池进行节能热管理时，设置日常行车指令和远程行车指令两种工作模式，

当用户选择日常行车指令时，电池进入节能热管理的工作模式；当用户选择远程行车指令时，电池进入正常热管理的工作模式。

3.根据权利要求2所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：根据所述用户将要行驶的里程和时间对电池进行节能热管理，具体为：

S1：判断此时电池的温度是否需要开启加热，若否则执行S2，若是则执行S3；

S2：保持电池现状继续行驶，执行S1；

S3：根据预测的所述用户将要行驶的里程和时间计算行驶过程中消耗的电量Q3、结束行驶时的剩余电量Q2和加热电池的累计时间t3，

对电池进行温升实验，根据温升实验数据得到电池的热交换函数；

根据所述热交换函数计算行驶中不开加热器行车时的电池平均温度T4，计算T4温度时的电池剩余电量值Q4；

结合用户选择日常行车指令时的电池剩余电量Q1、结束行驶时的剩余电量Q2、行驶过程中消耗的电量Q3、加热电池的累计时间t3和电池剩余电量值Q4对电池进行选择性加热和充电操作。

4.根据权利要求3所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：所述热交换函数为：

△T＝ae^-bE-ct-d+μ，

其中，△T是温升，a、b、c、d是拟合得到的参数，e是自然常数，E表示10的次方的基数，μ是修正系数，t是保温放置时间，t＝t2-t1，t2是开始行驶的时刻，t1是用户选择日常行车指令的时刻。

5.根据权利要求4所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：所述修正系数μ的取值范围为0～10。

6.根据权利要求4所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：所述电池平均温度T4的计算方法为：

T4＝T1+△T，

其中，T1是用户选择日常行车指令时的电池平均温度。

7.根据权利要求3所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：所述计算T4温度时的电池剩余电量值Q4，具体为根据电池SOE-OCV-T表反推出T4温度时的剩余电量值Q4。

8.根据权利要求3所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：所述结合用户选择日常行车指令时的电池剩余电量Q1、结束行驶时的剩余电量Q2、行驶过程中消耗的电量Q3、加热电池的累计时间t3和电池剩余电量值Q4对电池进行选择性加热和充电操作，具体为：

计算电量差ΔQ1＝Q2-Q1-P2×t3，其中P2是电池的加热功率；

如果ΔQ1＞0且Q2＞Q3，则对电池加热；如果ΔQ1＞0且Q2<Q3，则对电池充电，直到电池的当前剩余电量大于Q3停止充电；

如果ΔQ1<0且Q4＞Q3，则不对电池加热；如果ΔQ1<0且Q4<Q3，则对电池进行充电，直到电池的当前剩余电量大于Q3停止充电。

9.根据权利要求1-8任一项所述的基于行驶里程预测的电动汽车热管理方法，其特征在于：根据所述用户将要行驶的里程和时间对电池进行节能热管理时，获取未来多个小时的温度数据和当前的空气流速并预测未来多个小时内的电池自然冷却温度，结合所述电池自然冷却温度对电池进行节能热管理。

10.一种基于行驶里程预测的电动汽车热管理系统，其特征在于：包括预测模块、控制模块和节能热管理模块，

所述预测模块收集历史的用户行车习惯相关的数据作为训练集，使用所述训练集训练机器学习模型得到训练完成的机器学习模型，获取实时的用户行车习惯相关的数据并使用所述训练完成的机器学习模型预测用户将要行驶的里程和时间；

所述控制模块包括移动客户端，所述移动客户端中设有日常行车指令和远程行车指令两种指令，所述控制模块根据用户选择的指令类型控制所述节能热管理模块工作；

所述节能热管理模块在用户选择日常行车指令时，根据所述用户将要行驶的里程和时间对电池进行节能热管理。

Images