CN118137026B - 一种动力电池温度管理方法、装置、存储介质及设备 - Google Patents
一种动力电池温度管理方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN118137026B CN118137026B CN202410535501.3A CN202410535501A CN118137026B CN 118137026 B CN118137026 B CN 118137026B CN 202410535501 A CN202410535501 A CN 202410535501A CN 118137026 B CN118137026 B CN 118137026B
- Authority
- CN
- China
- Prior art keywords
- temperature
- data
- power battery
- power
- battery
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 49
- 238000012544 monitoring process Methods 0.000 claims description 20
- 230000015654 memory Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 230000009021 linear effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000010220 Pearson correlation analysis Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- KJONHKAYOJNZEC-UHFFFAOYSA-N nitrazepam Chemical compound C12=CC([N+](=O)[O-])=CC=C2NC(=O)CN=C1C1=CC=CC=C1 KJONHKAYOJNZEC-UHFFFAOYSA-N 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- 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
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- 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
- H01M10/60—Heating or cooling; Temperature control
- H01M10/62—Heating or cooling; Temperature control specially adapted for specific applications
- H01M10/625—Vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种动力电池温度管理方法、装置、存储介质及设备，该方法中，建立温度预测模型，该温度预测模型使用时间序列算法捕获动力电池的温度关联特征与温度变化趋势之间的相关性，并根据该相关性以指定时间长度预测动力电池的温度，这样，实时获取动力电池的温度数据和充放电功率数据，从这些数据中提取出目标温度关联特征，再利用该温度预测模型对该目标温度关联特征进行处理，得到预测电池温度，进而结合预设的温度阈值，确定出动力电池的温度安全状况。如此，使用时间序列模型对动力电池温度进行预测和管控，提升了响应速度和精度，从而能够更加智能地调节电池系统的工作状态。
Description
技术领域
本申请涉及电池管理技术领域，具体而言，涉及一种动力电池温度管理方法、装置、存储介质及设备。
背景技术
随着全球对可再生能源和清洁能源的需求日益增长，新能源汽车作为一种环保、高效的交通工具，受到越来越多消费者的青睐。动力电池温度的管理一直是新能源汽车技术面临的重要挑战之一。目前的动力电池温度管理系统主要是基于PID控制算法来对动力电池温度进行管控，然而，这种方式存在着响应速度慢、精度低的问题。因此，市场上亟需一种更为智能化的动力电池温度管理方案。
发明内容
本申请的目的在于提供一种动力电池温度管理方法、装置、存储介质及设备，旨在解决相关技术中的电池温度管理方式存在的响应速度慢、精度低的问题。
第一方面，本申请提供的一种动力电池温度管理方法，包括：获取动力电池当前的温度数据和充放电功率数据；根据所述温度数据和所述充放电功率数据获取目标温度关联特征，将所述目标温度关联特征输入预先训练好的温度预测模型，得到预测电池温度；所述温度预测模型使用时间序列算法学习所述动力电池的温度关联特征与温度变化趋势之间的相关性，并根据所述相关性以指定时间长度预测所述动力电池的温度；根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况。
在上述实现过程中，建立温度预测模型，该温度预测模型使用时间序列算法捕获动力电池的温度关联特征与温度变化趋势之间的相关性，并根据该相关性以指定时间长度预测动力电池的温度，这样，实时获取动力电池的温度数据和充放电功率数据，从这些数据中提取出目标温度关联特征，再利用该温度预测模型对该目标温度关联特征进行处理，得到预测电池温度，进而结合预设的温度阈值，确定出动力电池的温度安全状况。如此，使用时间序列模型对动力电池温度进行预测和管控，提升了响应速度和精度，从而能够更加智能地调节电池系统的工作状态。
进一步地，在一些例子中，所述温度数据是通过布置于所述动力电池的不同位置的温度传感器获取到的；所述充放电功率数据是通过布置于所述动力电池的对外充放电接口处的功率传感器获取到的。
在上述实现过程中，提供一种传感器布局设计方式，用以精准获取动力电池的温度数据和充放电功率数据的。
进一步地，在一些例子中，所述温度预测模型的训练数据集是基于从所述动力电池的历史监测数据中提取出的温度关联特征而得到的；所述历史监测数据包括所述动力电池在不同采集时刻的温度数据和充放电功率数据。
在上述实现过程中，提供温度预测模型的训练数据集的一种可选来源。
进一步地，在一些例子中，所述温度关联特征基于以下方式获取得到：通过预设的时间窗口对所述历史监测数据进行序列化处理后，对所述时间窗口内的数据进行特征提取，得到多种特征值；将所述多种特征值按所述时间窗口组合成一个特征矩阵，并计算所述特征矩阵中每对特征值之间的皮尔逊相关系数；根据计算结果，从所述多种特征值中筛选出温度关联特征。
在上述实现过程中，对历史监测数据进行时间窗口序列化处理，从每个时间窗口中提取特征，并利用皮尔逊相关性分析确定模型输入特征，这样，搭建出温度预测模型的数据集，使得训练好的温度预测模型能够准确地预测动力电池的温度变化情况，从而实现对动力电池温度的智能管控。
进一步地，在一些例子中，所述温度关联特征包括：平均功率、峰值功率、功率变化范围、功率波动性、平均温度和温度范围。
在上述实现过程中，基于上述几种特征作为温度预测模型的输入特征，能够有效预测动力电池的温度变化情况。
进一步地，在一些例子中，所述时间序列算法包括LSTM算法。
在上述实现过程中，通过构建基于LSTM算法的温度预测模型，能够有效实现对动力电池温度的智能管控。
进一步地，在一些例子中，所述温度阈值包括第一温度阈值和第二温度阈值；所述第一温度阈值小于所述第二温度阈值；所述根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况，包括：当所述预测电池温度小于等于预设的第一温度阈值时，确定所述动力电池的温度处于安全范围内；当所述预测电池温度大于预设的第一温度阈值且小于等于预设的第二温度阈值时，确定所述动力电池的温度处于临近安全边界的状态；当所述预测电池温度大于预设的第二温度阈值时，确定所述动力电池的温度超出安全范围。
在上述实现过程中，基于两个温度阈值来确定电池的温度安全状况，有效降低因新能源汽车动力电池失效等导致的潜在安全风险发生概率，提高新能源汽车运行可靠性、稳定性。
第二方面，本申请提供的一种动力电池温度管理装置，包括：获取模块，用于获取动力电池当前的温度数据和充放电功率数据；预测模块，用于根据所述温度数据和所述充放电功率数据获取目标温度关联特征，将所述目标温度关联特征输入预先训练好的温度预测模型，得到预测电池温度；所述温度预测模型使用时间序列算法学习所述动力电池的温度关联特征与温度变化趋势之间的相关性，并根据所述相关性以指定时间长度预测所述动力电池的温度；确定模块，用于根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况。
第三方面，本申请提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中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第一方面任一项所述的方法的步骤。
第四方面，本申请提供的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有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
第五方面，本申请提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种动力电池温度管理方法的流程图；
图2为本申请实施例提供的一种LSTM网络的整体结构的示意图；
图3为本申请实施例提供的一种温度预测模型的结构的示意图；
图4为本申请实施例提供的一种动力电池温度管理装置的框图；
图5为本申请实施例提供的一种电子设备的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如背景技术记载，相关技术中的电池温度管理方式存在着响应速度慢、精度低的问题。基于此，本申请实施例提供一种动力电池温度管理方案，以解决上述问题。
接下来对本申请实施例进行介绍：
如图1所示，图1是本申请实施例提供的一种动力电池温度管理方法的流程图。所述方法可以应用于电动汽车的电池管理系统，也可以应用于辅助电池管理系统工作的电子控制单元。
所述方法包括：
步骤101、获取动力电池当前的温度数据和充放电功率数据；
本步骤中提到的动力电池可以是具有智能化管理需求的新能源汽车上的电池包，也可以是其它电动车辆，如电动自行车、电动摩托车上的电池包，以实现对不同电动车辆的智能能量管理。在本实施例方案中，实时获取动力电池在当前时刻的温度数据和充放电功率数据，以此来对新能源汽车在未来时刻的电池温度进行预测。
在一些实施例中，本步骤中提到的温度数据可以是通过布置于动力电池的不同位置的温度传感器获取到的；本步骤中提到的充放电功率数据可以是通过布置于动力电池的对外充放电接口处的功率传感器获取到的。也就是说，在实现时，可以根据电池组结构和特性，在动力电池不同位置布置温度传感器，例如，针对长方形的动力电池，可以在该动力电池的一个平面的四个顶点上各布置一个温度传感器，以采集到精准的电池温度数据；同时，在动力电池的对外充电接口处布置功率传感器，以采集到精准的电池充放电功率数据。当然，在其他实施例中，也可以通过布置于动力电池的对外充放电接口处的电压传感器和电流传感器采集电池充放电电压和充放电电流，进而计算为电池充放电功率数据。
步骤102、根据所述温度数据和所述充放电功率数据获取目标温度关联特征，将所述目标温度关联特征输入预先训练好的温度预测模型，得到预测电池温度；所述温度预测模型使用时间序列算法学习所述动力电池的温度关联特征与温度变化趋势之间的相关性，并根据所述相关性以指定时间长度预测所述动力电池的温度；
本实施例方案中，由于新能源汽车电池过去的温度数据通常与未来的温度趋势相关，因此，建立基于时间序列算法的温度预测模型，从温度数据和充放电功率数据中提取出目标温度关联特征后，由该温度预测模型来对该目标温度关联特征进行处理，预测出动力电池在未来一段时间内的温度，即预测电池温度。这样，准确预测动力电池的温度变化，为实现合理温控奠定了良好的基础。其中，该指定时间长度可以根据具体场景的需求，如驾驶员安全逃逸时间或其他使新能源汽车安全可控时间进行设置，在实现时，模型输出的预测电池温度可以是下一个时刻的电池温度，也可以是其它未来时刻的电池温度。
在一些实施例中，本步骤中提到的温度预测模型的训练数据集可以是基于从动力电池的历史监测数据中提取出的温度关联特征而得到的；该历史监测数据包括动力电池在不同采集时刻的温度数据和充放电功率数据。也就是说，可以利用传感器采集动力电池的温度数据和充放电功率数据，以此形成历史监测数据，再从该历史监测数据中提取出温度关联特征，从而形成训练数据集来对温度预测模型进行训练。如此，实现温度预测模型的建立。
进一步地，在一些实施例中，前面提到的温度关联特征可以基于以下方式获取得到：通过预设的时间窗口对历史监测数据进行序列化处理后，对时间窗口内的数据进行特征提取，得到多种特征值；将该多种特征值按时间窗口组合成一个特征矩阵，并计算该特征矩阵中每对特征值之间的皮尔逊相关系数；根据计算结果，从多种特征值中筛选出温度关联特征。也就是说，由于电池工作是时域变化的过程，因此先对历史监测数据进行时间窗口序列化处理，例如，将每5秒内的数据作为一个时间窗口，时间窗口内的数据序列作为一个样本；之后，对时间窗口内的信号进行特征提取，例如，从历史温度数据中提取出平均温度、温度范围、温度变化率等特征，从历史充放电功率数据中提取出平均功率、峰值功率、功率变化范围、功率波动性、功率变化率等特征；将提取的这些特征值按时间窗口组织成一个特征矩阵，其中每行代表一个时间窗口，每列代表一种特征，再通过计算特征矩阵中每对特征之间的皮尔逊相关系数来评估它们之间的线性关系，皮尔逊相关系数接近1表示电池温度和该特征之间具有较强的线性关系，接近0则表示关系较弱，最后，根据皮尔逊相关系数分析的结果，可以筛选出温度关联特征，例如，筛选出相关系数大于0.4且显著性水平小于0.05的特征作为温度关联特征，即温度预测模型的输入特征。如此，使得训练好的温度预测模型能够准确地预测动力电池的温度变化情况，从而实现对动力电池温度的智能管控。
其中，皮尔逊相关系数是用于度量两个变量之间线性关系强度的统计量，其定义为两个变量之间的协方差和标准差的商，即表示为以下公式：
式中，表示变量和之间的皮尔逊相关系数，表示变量和的协方差，和分别表示变量和的标准差。通过这一方式，可以快速、有效地筛选出用于准确预测电池温度的模型输入特征，即温度关联特征。
可选地，该温度关联特征可以包括：平均功率、峰值功率、功率变化范围、功率波动性、平均温度和温度范围。其中，该平均功率可以是时间窗口内所有信号的充放电功率值的平均值；该峰值功率可以是时间窗口内的最大充放电功率值；该功率变化范围可以是时间窗口内的最大充放电功率值和最小充放电功率值的差值；该功率波动性可以是时间窗口内所有信号的充放电功率值的总体标准差；该平均温度可以是时间窗口内所有信号的温度值的平均值；该温度范围可以是时间窗口内的最大温度值和最小温度值的差值。经试验发现，基于这几种特征作为温度预测模型的输入特征，能够有效预测动力电池的温度变化情况。
在一些实施例中，本步骤中提到的时间序列算法包括LSTM算法。LSTM（LongShort-Term Memory，长短期记忆网络）是一种时间循环神经网络，LSTM的核心优势在于它能有效地解决标准RNN在处理长序列时遇到的梯度消失问题，这使得LSTM能够学习长期依赖关系，因此在处理长序列数据时表现优异。LSTM的网络结构中包含精心设计的“门”结构，这些门结构可以控制信息的流动，包括遗忘门，输入门和输出门，允许LSTM记住长时间间隔的信息。因此，通过构建基于LSTM算法的温度预测模型，能够有效实现对动力电池温度的智能管控。当然，在其他实施例方案中，该时间序列算法也可以是其它类型的算法，如GRU（Gated Recurrent Unit，门控循环单元）等等。具体的模型训练过程可以参见相关技术中对相应算法的介绍，本申请对此不做赘述。
步骤103、根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况。
本实施例方案中，在系统初始化阶段，可以设定电池温度的阈值，通过温度预测模型预测出下一时刻或者未来时刻的电池温度后，可以将预测得到的电池温度与设定的温度阈值进行比较，确定动力电池的温度安全状况，以实现对动力电池的智能化管控。
在一些实施例中，本步骤中提到的温度阈值可以包括第一温度阈值和第二温度阈值；该第一温度阈值小于该第二温度阈值；本步骤可以包括：当预测电池温度小于等于预设的第一温度阈值时，确定动力电池的温度处于安全范围内；当预测电池温度大于预设的第一温度阈值且小于等于预设的第二温度阈值时，确定动力电池的温度处于临近安全边界的状态；当预测电池温度大于预设的第二温度阈值时，确定动力电池的温度超出安全范围。也就是说，设定两个温度阈值，分别为和，其中，，利用温度预测模型得到预测电池温度为，则当时，表明电池温度处于安全范围内，系统不触发预警机制，当时，表明电池温度已经接近或达到了安全边界，此时系统可以触发普通预警，当时，表明电池温度已经严重超出安全范围，此时系统可以触发紧急预警，以提醒相关人员立即采取行动来应对温度危机。如此，有效降低因新能源汽车动力电池失效等导致的潜在安全风险发生概率，提高新能源汽车运行可靠性、稳定性。
本申请实施例，建立温度预测模型，该温度预测模型使用时间序列算法捕获动力电池的温度关联特征与温度变化趋势之间的相关性，并根据该相关性以指定时间长度预测动力电池的温度，这样，实时获取动力电池的温度数据和充放电功率数据，从这些数据中提取出目标温度关联特征，再利用该温度预测模型对该目标温度关联特征进行处理，得到预测电池温度，进而结合预设的温度阈值，确定出动力电池的温度安全状况。如此，使用时间序列模型对动力电池温度进行预测和管控，提升了响应速度和精度，从而能够更加智能地调节电池系统的工作状态。
为了对本申请的方案做更为详细的说明，接下来介绍一具体实施例：
本实施例提供一种基于LSTM模型的新能源汽车电池温度智能测算及预警方案。本实施例方案的工作流程包括：
S21、根据电池组结构和特性，在动力电池不同位置布置动力电池温度监测传感器，在电池对外充放电接口处布置动力电池充放电功率监测传感器或布置动力电池充放电电流、电压监测传感器；
具体地，根据不同动力电池形状，布置方案可以有所不同。例如，针对现阶段的新能源汽车常用的长方体电池，可以在动力电池的四角（长方体根据边长长度由大到小定义为长、宽、高，这里的“四角”指代上述定义中长和宽边所构成的长方形的四个顶点）布置四个温度传感器；而电池对外充放电接口可以是指新能源汽车充放电总线接口；
S22、搭建温度预测模型的数据集，其包括以下S221-S224几个步骤：
S221、根据采集频率和设定的时间窗口大小，对传感器采集到的数据进行时间窗口序列化处理；
具体地，时间窗口内的数据点数可以表示为：
式中，为传感器硬件的采集频率；为时间窗口的大小，可选地，为5秒；
S222、对时间窗口内的信号进行特征提取；
具体地，从充放电功率数据中提取出平均功率、峰值功率、功率变化范围、功率波动性和功率变化率这几种特征，其计算公式如下所示：
其中，是数据点数量；是第个数据点的功率值；是两个数据点之间的时间间隔；
从温度数据中提取出平均温度、温度范围和温度变化率这几种特征，其计算公式如下所示：
其中，是第个数据点的温度值；
S223、利用皮尔逊相关性分析确定模型输入特征；
具体地，将S222提取的8种特征值按时间窗口组织成一个特征矩阵，其中每行代表一个时间窗口，每列代表一种特征；其次，通过计算特征矩阵中每对特征之间的皮尔逊相关系数来评估它们之间的线性关系；皮尔逊相关性分析结果如以下表1所示：
表1、皮尔逊相关性分析结果
最后，根据相关系数分析的结果，可以筛选出相关系数大于0.4且显著性水平小于0.05的特征作为温度预测模型的输入特征。另外，在进行模型训练之前，由于选取的特征具有不同的量纲，为了消除这种差异的影响将对数据进行归一化处理，使所有特征的取值范围映射到区间内；
S224、随机打乱原始数据集，以消除数据的顺序性，避免样本分布的偏差，之后按照6:1:1比例将数据集划分为训练集、验证集和测试集；
S23、建立温度预测模型；
具体地，由于新能源汽车电池过去的温度数据通常与未来的温度趋势相关，因此，使用时间序列模型来捕获这种时序关系，同时，电池温度数据因素之间可能存在长期的依赖关系，LSTM能够较好地处理这种情况。因此，本实施例方案的温度预测模型采用LSTM模型。LSTM网络的整体结构如图2所示，图2中带箭头的线表示数据流，带乘号的圆圈表示矩阵相乘，带加号的圆圈表示矩阵相加。LSTM网络的关键是细胞状态，通过“门”结构对细胞状态进行删除或者添加信息，“门”由Sigmoid层和点乘法运算组成，包括遗忘门、输入门和输出门；
本实施例方案的温度预测模型的结构如图3所示，该温度预测模型由6层组成，首先是两个LSTM层31，每个层包含100个神经元，并配置了dropout层（图中未示出），丢失率为0.2，以防止模型过拟合；在每个LSTM层之后，使用ReLU作为激活函数（图中未示出），用于引入非线性特性；随后是一个全连接层32，包含50个神经元，用于将LSTM层的输出转换为具有实际值的输出；在全连接层之后，采用了线性激活函数33，用于确保模型输出的连续性和稳定性；
在训练时，利用训练集数据进行温度预测模型训练，输入数据大小为，其中为样本长度，25为时间窗口内的数据点数，6为特征数量。采用K折交叉验证方法调节训练模型参数；其中优化器选择Adam Optmizer，batch_size设置为1，迭代次数为130，学习率为0.006；
S24、利用训练好的温度预测模型，对下一时刻的电池温度进行预测，并根据预测得到的电池温度与设定的温度阈值判断是否触发预警；
具体地，在系统初始化阶段，设定电池温度的警戒阈值和临界阈值。利用温度预测模型，结合当前的温度数据和充放电功率数据，推断下一时刻的电池温度，将预测得到的电池温度与设定的温度阈值和进行比较，当电池温度超过警戒阈值时，系统将触发警告，表示电池温度已经接近或达到了安全边界，需要引起注意，当电池温度超过临界阈值时，系统将触发紧急预警，表示电池温度已经严重超出安全范围，需要立即采取紧急措施来避免可能的安全事故。
本实施例方案，使用布置于新能源汽车动力电池不同位置的温度传感器数据以及电池充放电功率数据作为训练数据，能够对行驶中、充电中的新能源汽车动力电池温度进行预测；从原始监测数据中提取出与新能源汽车动力电池温度相关性有关特征进行训练，降低训练成本，提高训练效率；根据动力电池的温度安全状况提前发出预警，降低因新能源汽车动力电池失效等导致的潜在安全风险发生概率，提高新能源汽车运行可靠性、稳定性。
与前述方法的实施例相对应，本申请还提供动力电池温度管理装置及其应用的终端的实施例：
如图4所示，图4是本申请实施例提供的一种动力电池温度管理装置的框图，所述装置包括：
获取模块41，用于获取动力电池当前的温度数据和充放电功率数据；
预测模块42，用于根据所述温度数据和所述充放电功率数据获取目标温度关联特征，将所述目标温度关联特征输入预先训练好的温度预测模型，得到预测电池温度；所述温度预测模型使用时间序列算法学习所述动力电池的温度关联特征与温度变化趋势之间的相关性，并根据所述相关性以指定时间长度预测所述动力电池的温度；
确定模块43，用于根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
本申请还提供一种电子设备，请参见图5，图5为本申请实施例提供的一种电子设备的结构框图。电子设备可以包括处理器510、通信接口520、存储器530和至少一个通信总线540。其中，通信总线540用于实现这些组件直接的连接通信。其中，本申请实施例中电子设备的通信接口520用于与其他节点设备进行信令或数据的通信。处理器510可以是一种集成电路芯片，具有信号的处理能力。
上述的处理器510可以是通用处理器，包括中央处理器(CPU，CentralProcessingUnit)、网络处理器(NP，NetworkProcessor)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器510也可以是任何常规的处理器等。
存储器530可以是，但不限于，随机存取存储器（RAM，RandomAccessMemory），只读存储器（ROM，Read Only Memory），可编程只读存储器（PROM ，Programmable Read-OnlyMemory），可擦除只读存储器（EPROM ，Erasable Programmable Read-Only Memory），电可擦除只读存储器（EEPROM ，Electric Erasable Programmable Read-Only Memory）等。存储器530中存储有计算机可读取指令，当所述计算机可读取指令由所述处理器510执行时，电子设备可以执行上述图1方法实施例涉及的各个步骤。
可选地，电子设备还可以包括存储控制器、输入输出单元。
所述存储器530、存储控制器、处理器510、外设接口、输入输出单元各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通信总线540实现电性连接。所述处理器510用于执行存储器530中存储的可执行模块，例如电子设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。所述输入输出单元可以是，但不限于，鼠标和键盘等。
可以理解，图5所示的结构仅为示意，所述电子设备还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种存储介质，所述存储介质上存储有指令，当所述指令在计算机上运行时，所述计算机程序被处理器执行时实现方法实施例所述的方法，为避免重复，此处不再赘述。
本申请还提供一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
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。
Claims (8)
1.一种动力电池温度管理方法，其特征在于，包括：
获取动力电池当前的温度数据和充放电功率数据；
根据所述温度数据和所述充放电功率数据获取目标温度关联特征，将所述目标温度关联特征输入预先训练好的温度预测模型，得到预测电池温度；所述温度预测模型使用时间序列算法学习所述动力电池的温度关联特征与温度变化趋势之间的相关性，并根据所述相关性以指定时间长度预测所述动力电池的温度；
根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况；
所述温度预测模型的训练数据集是基于从所述动力电池的历史监测数据中提取出的温度关联特征而得到的；所述历史监测数据包括所述动力电池在不同采集时刻的温度数据和充放电功率数据；
所述温度关联特征基于以下方式获取得到：
通过预设的时间窗口对所述历史监测数据进行序列化处理后，对所述时间窗口内的数据进行特征提取，得到多种特征值；
将所述多种特征值按所述时间窗口组合成一个特征矩阵，并计算所述特征矩阵中每对特征值之间的皮尔逊相关系数；
根据计算结果，从所述多种特征值中筛选出温度关联特征；
所述皮尔逊相关系数基于以下公式计算得到：
式中，表示变量和之间的皮尔逊相关系数，表示变量和的协方差，和分别表示变量和的标准差。
2.根据权利要求1所述的方法，其特征在于，所述温度数据是通过布置于所述动力电池的不同位置的温度传感器获取到的；所述充放电功率数据是通过布置于所述动力电池的对外充放电接口处的功率传感器获取到的。
3.根据权利要求1所述的方法，其特征在于，所述温度关联特征包括：平均功率、峰值功率、功率变化范围、功率波动性、平均温度和温度范围。
4.根据权利要求1所述的方法，其特征在于，所述时间序列算法包括LSTM算法。
5.根据权利要求1所述的方法，其特征在于，所述温度阈值包括第一温度阈值和第二温度阈值；所述第一温度阈值小于所述第二温度阈值；
所述根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况，包括：
当所述预测电池温度小于等于预设的第一温度阈值时，确定所述动力电池的温度处于安全范围内；
当所述预测电池温度大于预设的第一温度阈值且小于等于预设的第二温度阈值时，确定所述动力电池的温度处于临近安全边界的状态；
当所述预测电池温度大于预设的第二温度阈值时，确定所述动力电池的温度超出安全范围。
6.一种动力电池温度管理装置，其特征在于，包括：
获取模块，用于获取动力电池当前的温度数据和充放电功率数据；
预测模块，用于根据所述温度数据和所述充放电功率数据获取目标温度关联特征，将所述目标温度关联特征输入预先训练好的温度预测模型，得到预测电池温度；所述温度预测模型使用时间序列算法学习所述动力电池的温度关联特征与温度变化趋势之间的相关性，并根据所述相关性以指定时间长度预测所述动力电池的温度；
确定模块，用于根据所述预测电池温度和预设的温度阈值，确定所述动力电池的温度安全状况；
所述温度预测模型的训练数据集是基于从所述动力电池的历史监测数据中提取出的温度关联特征而得到的；所述历史监测数据包括所述动力电池在不同采集时刻的温度数据和充放电功率数据；
所述温度关联特征基于以下方式获取得到：
通过预设的时间窗口对所述历史监测数据进行序列化处理后，对所述时间窗口内的数据进行特征提取，得到多种特征值；
将所述多种特征值按所述时间窗口组合成一个特征矩阵，并计算所述特征矩阵中每对特征值之间的皮尔逊相关系数；
根据计算结果，从所述多种特征值中筛选出温度关联特征；
所述皮尔逊相关系数基于以下公式计算得到：
式中，表示变量和之间的皮尔逊相关系数，表示变量和的协方差，和分别表示变量和的标准差。
7.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
8.一种电子设备，其特征在于，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410535501.3A CN118137026B (zh) | 2024-04-30 | 2024-04-30 | 一种动力电池温度管理方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410535501.3A CN118137026B (zh) | 2024-04-30 | 2024-04-30 | 一种动力电池温度管理方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118137026A CN118137026A (zh) | 2024-06-04 |
| CN118137026B true CN118137026B (zh) | 2024-08-09 |
Family
ID=91236066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410535501.3A Active CN118137026B (zh) | 2024-04-30 | 2024-04-30 | 一种动力电池温度管理方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118137026B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118566758B (zh) * | 2024-08-02 | 2024-11-26 | 四川工程职业技术大学 | 一种电池组的放电功率峰值估算方法、系统及设备 |
| CN119092897A (zh) * | 2024-11-06 | 2024-12-06 | 浙江晶科储能有限公司 | 储能柜的液冷温度控制方法和储能柜 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115476722A (zh) * | 2022-10-10 | 2022-12-16 | 广汽埃安新能源汽车股份有限公司 | 一种电池管理控制方法及装置 |
| CN116176358A (zh) * | 2023-04-26 | 2023-05-30 | 广汽埃安新能源汽车股份有限公司 | 一种电池热管理方法、装置、存储介质及设备 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111916871B (zh) * | 2020-07-16 | 2021-09-14 | 合肥阳光新能源科技有限公司 | 储能电池舱温控方法、储能放电控制方法及储能应用系统 |
| CN117734526B (zh) * | 2023-12-07 | 2024-06-07 | 江苏南极星新能源技术股份有限公司 | 一种新能源汽车电池包温度控制方法及系统 |
-
2024
- 2024-04-30 CN CN202410535501.3A patent/CN118137026B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115476722A (zh) * | 2022-10-10 | 2022-12-16 | 广汽埃安新能源汽车股份有限公司 | 一种电池管理控制方法及装置 |
| CN116176358A (zh) * | 2023-04-26 | 2023-05-30 | 广汽埃安新能源汽车股份有限公司 | 一种电池热管理方法、装置、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118137026A (zh) | 2024-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN118137026B (zh) | 一种动力电池温度管理方法、装置、存储介质及设备 | |
| Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
| Zhao et al. | Lithium-ion battery capacity and remaining useful life prediction using board learning system and long short-term memory neural network | |
| Park et al. | LSTM-based battery remaining useful life prediction with multi-channel charging profiles | |
| Hong et al. | Synchronous multi-parameter prediction of battery systems on electric vehicles using long short-term memory networks | |
| Zhou et al. | Battery health prognosis using improved temporal convolutional network modeling | |
| Kim et al. | Data-driven state of health estimation of Li-ion batteries with RPT-reduced experimental data | |
| EP2514068B1 (en) | Method for non-intrusive load monitoring using a hybrid systems state estimation approach | |
| CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
| CN101720453A (zh) | 利用时序信号处理进行电池组件预测维护的系统和方法 | |
| CN114636932A (zh) | 一种电池剩余使用寿命预测方法及系统 | |
| CN112766618B (zh) | 异常预测方法及装置 | |
| Bhalaji et al. | Remaining Useful Life (RUL) estimation of lead acid battery using bayesian approach | |
| US20220284747A1 (en) | System and method for forecasting battery state with imperfect data | |
| CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
| Zhang et al. | A pattern-driven stochastic degradation model for the prediction of remaining useful life of rechargeable batteries | |
| Zhang et al. | Battery voltage fault diagnosis for electric vehicles considering driving condition variation | |
| He et al. | A trend-based method for the prediction of offshore wind power ramp | |
| Wang et al. | A hybrid method for online cycle life prediction of lithium‐ion batteries | |
| Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
| CN116125306A (zh) | 基于混合预测框架的动力电池热失控诊断方法及系统 | |
| CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
| CN116338470A (zh) | 电池健康评估方法、装置、电子设备及可读存储介质 | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
| Li et al. | Battery health prognostics based on improved incremental capacity using a hybrid grey modelling and Gaussian process regression |
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 |