CN109917290A - 一种车用动力电池组的温度确定方法和装置 - Google Patents

Abstract

本发明实施方式公开了一种车用动力电池组的温度确定方法和装置。包括：在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；在车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。在静态布局中选取温度传感器的布置位置，在动态选点中再次找到最优选取点，提高测温准确度。而且，将本次测温得到的电池组温度为下次测温时的目标函数赋值，可以提高测温准确度。

Description

一种车用动力电池组的温度确定方法和装置

技术领域

本发明实施方式涉及电动汽车技术领域，特别涉及一种车用动力电池组的温度确定方法和装置。

背景技术

国家最新标准《汽车和挂车类型的术语和定义》(GB/T 3730.1-2001)中对汽车有如下定义：由动力驱动，具有4个或4个以上车轮的非轨道承载的车辆，主要用于：载运人员和(或)货物；牵引载运人员和(或)货物的车辆；特殊用途。能源短缺、石油危机和环境污染愈演愈烈，给人们的生活带来巨大影响，直接关系到国家经济和社会的可持续发展。世界各国都在积极开发新能源技术。电动汽车作为一种降低石油消耗、低污染、低噪声的新能源汽车，被认为是解决能源危机和环境恶化的重要途径。

目前对于电动汽车的研发过程中，大家已经将焦点集中在电池包(又称为车用动力电池组)温度的控制。电池包温度不仅影响其寿命及性能，还可能引发起火、***等危险，因此在对电池包进行测试时需要格外关注各工况下的温度。

在传统测试电池包温度时，通常在电池包内部布置大量的温度传感器，用以监控电池包内部温度。

然而，目前温度传感器的布置位置较为盲目，并没有被有效优化。

发明内容

有鉴于此，本发明的目的是提供一种车用动力电池组的温度确定方法和装置。

本发明实施方式的技术方案如下：

一种车用动力电池组的温度确定方法，包括：

在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；

在所述车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。

在一个实施方式中，所述第一遗传算法包含在极耳位置所构成的极耳面上确定第一种群位置点的步骤；所述第一遗传算法中的目标函数为F；

其中：T₁，T₂，T₃为与第一种群位置点最接近的三个极耳位置所组成的三角形的三个顶点的温度值；x为第一种群位置点在所述极耳面上的横坐标；y为第一种群位置点在所述极耳面上的纵坐标；y1，y2，y3为所述三角形的三个顶点的纵坐标；x₁₂，x₂₃分别为所述三角形的两边上的插值点在所述极耳面上的横坐标；a为所述电芯温度。

在一个实施方式中，

该方法还包括：计算多个电芯的温度测量值；将所述多个电芯的温度测量值的平均值确定为所述电芯温度；和/或

所述基于至少一个最佳测量点的测量值确定车用动力电池组的温度包括：

将至少一个最佳测量点的测量值的平均值确定为车用动力电池组的温度；或

将至少一个最佳测量点中最接近所述极耳面中心位置的最佳测量点的测量值确定为车用动力电池组的温度。

在一个实施方式中，所述第二遗传算法包含在由第一种群位置点所构成的种群位置面上确定第二种群位置点的步骤；所述第二遗传算法的目标函数为F′；

其中：T₁′，T₂′，T₃′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的温度值；x′为最佳测量点在种群位置面上的横坐标；y′为最佳测量点在所述种群位置面上的纵坐标；y1′，y2′，y3′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的纵坐标；x₁₂′，x₂₃′分别为所述与第二种群位置点最接近的三个第一种群位置点所组成的三角形的两边上的插值点在所述种群位置面上的横坐标；a′的初始值为预定值，且a′的值被上一次确定的车用动力电池组的温度所更新。

在一个实施方式中，所述测量电芯温度和极耳温度为：在相同时间段内，测量电芯温度和极耳温度。

一种车用动力电池组的温度确定装置，包括：

传感器布置模块，用于在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；

确定模块，用于在所述车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。

在一个实施方式中，所述第一遗传算法包含在极耳位置所构成的极耳面上确定第一种群位置点的步骤；所述第一遗传算法中的目标函数为F；

其中：T₁，T₂，T₃为与第一种群位置点最接近的三个极耳位置所组成的三角形的三个顶点的温度值；x为第一种群位置点在所述极耳面上的横坐标；y为第一种群位置点在所述极耳面上的纵坐标；y1，y2，y3为所述三角形的三个顶点的纵坐标；x₁₂，x₂₃分别为所述三角形的两边上的插值点在所述极耳面上的横坐标；a为所述电芯温度。

在一个实施方式中，传感器布置模块，用于计算多个电芯的温度测量值；将所述多个电芯的温度测量值的平均值确定为所述电芯温度；和/或

确定模块，用于将至少一个最佳测量点的测量值的平均值确定为车用动力电池组的温度；或，将至少一个最佳测量点中最接近所述极耳面中心位置的最佳测量点的测量值确定为车用动力电池组的温度。

在一个实施方式中，所述第二遗传算法的目标函数为F′；

其中：T₁′，T₂′，T₃′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的温度值；x′为最佳测量点在种群位置面上的横坐标；y′为最佳测量点在所述种群位置面上的纵坐标；y1′，y2′，y3′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的纵坐标；x₁₂′，x₂₃′分别为所述与第二种群位置点最接近的三个第一种群位置点所组成的三角形的两边上的插值点在所述种群位置面上的横坐标；a′的初始值为预定值，且a′的值被上一次确定的车用动力电池组的温度所更新。

在一个实施方式中，传感器布置模块，用于在相同时间段内，测量电芯温度和极耳温度。

从上述技术方案可以看出，在本发明实施方式中，包括：在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；在车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。在静态布局中选取温度传感器的布置位置，在动态选点中再次找到最优选取点，提高测温准确度。

而且，将本次测温得到的电池组温度为下次测温时的目标函数赋值，可以提高测温准确度。

附图说明

以下附图仅对本发明做示意性说明和解释，并不限定本发明的范围。

图1为本发明车用动力电池组的温度确定方法的流程图。

图2A为本发明车用动力电池组的温度确定方法的示范性示意图。

图2B为本发明的极耳面和种群位置面的示意图。

图3为根据本发明车用动力电池组的遗传算法流程图。

图4为根据本发明的种群建立示意图。

图5为根据本发明的适应度计算流程图。

图6为根据本发明基于适应度的选择过程流程图。

图7为根据本发明的交叉与变异示意图。

图8A为根据本发明的种群X的示意图。

图8B为根据本发明的种群Z的示意图。

图8C为根据本发明的popx1与popz1、适应度(objvalue)与重新标定后的适应度(fitvalue)的示意图。

图8D为根据本发明的个体在种群中的占比P1、累计概率P2和ms的示意图。

图8E为根据本发明的新种群X和新种群Z的示意图。

图8F为根据本发明交叉后的新种群X和交叉后的新种群Z的示意图。

图8G为根据本发明变异后的新种群X和变异后的新种群Z的示意图。

图9为根据本发明的车用动力电池组的温度确定装置结果图。

具体实施方式

为了对发明的技术特征、目的和效果有更加清楚的理解，现对照附图说明本发明的具体实施方式，在各图中相同的标号表示相同的部分。

为了描述上的简洁和直观，下文通过描述若干代表性的实施方式来对本发明的方案进行阐述。实施方式中大量的细节仅用于帮助理解本发明的方案。但是很明显，本发明的技术方案实现时可以不局限于这些细节。为了避免不必要地模糊了本发明的方案，一些实施方式没有进行细致地描述，而是仅给出了框架。下文中，“包括”是指“包括但不限于”，“根据……”是指“至少根据……，但不限于仅根据……”。由于汉语的语言习惯，下文中没有特别指出一个成分的数量时，意味着该成分可以是一个也可以是多个，或可理解为至少一个。

在本发明实施方式中，首先，基于新能源汽车的静态测试过程中获取的极耳温度和电芯温度，利用遗传算法确定车用动力电池组中可以布置温度传感器的多个优化位置(即布局位置)，在该多个优化位置处分别布置温度传感器。然后，在整车运行中实时检测多个温度传感器的检测值，再次利用遗传算法确定出至少一个的最优温度传感器布置点(即最佳测量点)，并将该至少一个的最佳测量点的测量值的平均值，或最接近极耳面中心位置的最佳测量点的测量值确定为车用动力电池组的温度。具体的，在静态测试过程中，可以基于遗传算法结合三角插值函数选定传感器的布置位置。然后，当汽车运行过程中时，进一步利用遗传算法结合三角插值函数从布置位置中进一步计算出用于确定车用动力电池组的温度的至少一个最佳测量点。

车用动力电池组通常具有先并后串的连接方式，即多个并联单元再相互串联为车用动力电池组。

图1为本发明车用动力电池组的温度确定方法的流程图。

如图1所示，该方法包括：

步骤101：在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器。

步骤102：在车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。

具体的，车用动力电池组的静态测试过程，可以是将车用动力电池组安装到车辆之前的测试过程。由步骤101可见，在测试过程中，测量电芯温度和极耳温度，然后利用第一遗传算法确定可以布局温度传感器的点阵，然后在该区域布局好温度传感器。

而且，步骤101中提到的第一遗传算法可以采用目前常用的各种遗传算法模型。遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算方法，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群(population)开始的，而一个种群则由经过基因(gene)编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现(即基因型)是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射，即编码工作。由于仿照基因编码的工作很复杂，往往进行简化，如二进制编码。初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代(generation)演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度(fitness)大小选择(selection)个体，并借助于自然遗传学的遗传算子(genetic operators)进行组合交叉(crossover)和变异(mutation)，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码(decoding)，可以作为问题近似最优解。

具体的，步骤101中提到的第一遗传算法可以是计算机科学人工智能领域中用于解决最优化的搜索启发式算法，是进化算法的一种。这种启发式通常用来生成有用的解决方案来优化和搜索问题。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优，而不能达到全局最优。

在一个实施方式中，第一遗传算法包含在极耳位置所构成的极耳面上确定第一种群位置点的步骤；第一遗传算法中的目标函数为F；

其中：T₁，T₂，T₃为与第一种群位置点最接近的三个极耳位置所组成的三角形的三个顶点的温度值；x为第一种群位置点在所述极耳面上的横坐标；y为第一种群位置点在所述极耳面上的纵坐标；y1，y2，y3为所述三角形的三个顶点的纵坐标；x₁₂，x₂₃分别为所述三角形的两边上的插值点在所述极耳面上的横坐标；a为所述电芯温度。

优选的，该方法还包括：计算多个电芯的温度测量值；将多个电芯的温度测量值的平均值确定为电芯温度。

优选的，基于至少一个最佳测量点的测量值确定车用动力电池组的温度包括：将至少一个最佳测量点的测量值的平均值确定为车用动力电池组的温度；或，将至少一个最佳测量点中最接近极耳面中心位置的最佳测量点的测量值确定为车用动力电池组的温度。

类似地，第二遗传算法可以采用目前常用的各种遗传算法模型，也可以采用与第一遗传算法相同的算法。

其中，第二遗传算法包含在由第一种群位置点所构成的种群位置面上确定第二种群位置点的步骤；所述第二遗传算法的目标函数为F′；

其中：

其中：T₁′，T₂′，T₃′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的温度值；x′为最佳测量点在种群位置面上的横坐标；y′为最佳测量点在所述种群位置面上的纵坐标；y1′，y2′，y3′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的纵坐标；x₁₂′，x₂₃′分别为所述与第二种群位置点最接近的三个第一种群位置点所组成的三角形的两边上的插值点在所述种群位置面上的横坐标；a′的初始值为预定值，且a′的值被上一次确定的车用动力电池组的温度所更新。

优选的，步骤101中的测量电芯温度和极耳温度为：在相同时间段内，测量电芯温度和极耳温度。

图2A为本发明车用动力电池组的温度确定方法的示范性示意图。

由图2可见，在静态测试过程中，测量电池包的电芯温度和极耳温度，利用遗传算法选取传感器布置位置点阵，并基于该传感器布置位置点阵布置传感器。

然后，在整车运行的动态选点过程中，在电动汽车运行后，不断利用遗传算法对电池的测温点进行估算以找到最优的选取点(数目为至少一个)，同时把本次的测温得到的动力电池组的温度a′为下次测温时的三角差值函数进行赋值。如此，在汽车不断运行过程中不断的动态测算，进而可以更加准确的获取动力电池组的温度。

比如，本发明采用遗传算法对试验数据进行计算及处理，并从试验结果中找出极耳测温度点与电芯平均温度差的最小值，将温度传感器布置于该最小值所处点可以快速准确地了解电池包内部温度，通过这样的方式可达到节约时间、成本等目的，并指导后续设计及试验的开展，同时保证了汽车在运行过程中温度的测算精度。

图2B为本发明的极耳面和种群位置面的示意图。

其中，车用动力电池组的各个极耳的安装位置通常位于一个平面中，该平面即为极耳面。种群位置面为基于第一遗传算法，在极耳面中所确定的第一种群位置点所构成的平面。种群位置面属于极耳面的一部分。基于第二遗传算法，还可以进一步在种群位置面中确定出多个最佳测量点。

图3为根据本发明车用动力电池组的遗传算法流程图。该遗传算法可以适用于图1中的第一遗传算法，也可以适用于图1中的第二遗传算法。

基于图3所示，遗传算法的基本运算过程如下：(a)初始化：设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；(b)个体评价：计算群体P(t)中各个个体的适应度。(c)选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。(d)交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。(e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。(f)终止条件判断：若t＝T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

图4为根据本发明的种群建立示意图。图5为根据本发明的适应度计算流程图。图6为根据本发明基于适应度的选择过程流程图。图7为根据本发明的交叉与变异示意图。

在种群建立中，涉及到二进制编码：即使用0,1随机组合，构成相同长度的“基因链”。举例：生成个体数为m₁，基因长度为n₁的种群X；生成个体数为m₂，基因长度为n₂的种群Z。适应度为个体对环境的适应程度，数值越大个体存活率越高。举例：对种群X/Z解码(二进制转十进制)，得到横坐标x_value,纵坐标z_value，将结果带入数据c中，得到的结果即为个体适应度。在基于适应度的个体选择中，适应度较大的个体更容易被选中。举例：首先求出个体的被选择概率p，p＝个体适应度/个体适应度之和；然后随机生成一个0～1的数q；再比较p与q大小，若p>q，个体存活，否则个体被剔除。

下面再描述交叉和变异。举例：

交叉：(1)、随机生成一个0～1的数mc；(2)、在基因长度范围内随机生成一个大于0的整数，设为交叉点；(3)、比较mc与交叉概率pc的大小，mc≤pc时，单体进行交叉。

变异：(1)、随机生成一个0～1的数mm；(2)在基因长度范围内随机生成一个大于0的整数，设为变异点。(3)比较mc与交叉概率pm的大小，mm≤pm时，单体进行变异。经过选择、交叉、变异得到新种群，并替换掉初始种群。在一定次数的迭代后，对新种群进行筛选，选出我们所需要的最优解。此解不一定是全局最优，可能是近似最优或局部最优。待确定了最优解，即极耳测温度点中最接近电芯平均温度的点，将温度传感器布置于此，则可通过该点处温度值快速准确地确定电池包内部温度。

基于上述描述，再详细描述本发明实施方式的一个典型实例。在该实例中，假定电池包包含有40个电芯和8个极耳。

图8A为根据本发明的种群X的示意图。图8B为根据本发明的种群Z的示意图。图8C为根据本发明的popx1与popz1、适应度(objvalue)与重新标定后的适应度(fitvalue)的示意图。图8D为根据本发明的个体在种群中的占比P1、累计概率P2和ms的示意图。图8E为根据本发明的新种群X和新种群Z的示意图。图8F为根据本发明交叉后的新种群X和交叉后的新种群Z的示意图。图8G为根据本发明变异后的新种群X和变异后的新种群Z的示意图。

具体的：

(1)在车用动力电池组的静态测试过程时：

首先，在相同时间段内，测量40个电芯的温度和8个极耳的温度，并且计算40个电芯的平均温度。极耳面坐标系假定为X-Z坐标系。而且，使用rand函数创建种群X，x＝rand(10,9)生成10行(种群大小)9列(编码长度)的0到1随机数矩阵x，使用roundn函数，X＝roundn(x)将矩阵x元素四舍五入，转为只包含0和1的矩阵，即种群X。使用rand函数创建种群Z，z＝rand(10,7)生成10行(种群大小)7列(编码长度)的0到1随机数矩阵z，使用roundn函数，Z＝roundn(x)将矩阵x元素四舍五入，转为只包含0和1的矩阵，即种群Z。而且，将种群的2进制编码转为十进制,公式为：n为编码长度,x为当前位置数值。

比如：

个体1为010100011；

y＝0*2^9-1+1*2^8-1+0*2^7-1+1*2^6-1+0*2^5-1+0*2^4-1+0*2^3-1+1*2^2-1+1*2^1-1＝162。

将所有个体解码后，得到十进制数据popx1与十进制数据popz1，采用三角形内部线性插值方法对(popx1，popz1)位置进行线性插值，三角形顶点选取目标点(popx1，popz1)，最邻近的可构成三角形的三个极耳温度点。该三角形即为与种群位置点最接近的三个极耳位置所组成的三角形。

三角形内部插值函数为：

其中，T₁，T₂，T₃为三角形三个顶点温度值；x，y为目标点坐标值，y₁，y₂，y₃为三角形三个顶点的纵坐标，x₁₂，x₂₃分别为三角形辆条边上插值点的横坐标，a为电芯平均温度。

计算出目标函数值后，采用线性标定法重新标定适应度objvalue，求解最大值，使用f1＝f(x)-fmin+ξ进行标定,其中fmin为适应度最小值，ξ为常数，这里取0.1。求解最小值，使用f1＝fmax-f(x)+ξ,其中fmax为适应度最大值，ξ为常数，这里取0.1。以求解最大值为例，标定后适应度为fitvalue1。

接着，使用sum函数求出适应度之和，total＝sum(fitvalue)，结果为total＝4.49664，求出个体在种群中的占比，p1＝fitvalue/total，使用cumsum函数求出累计概率p2。使用rand函数随机生成10个0到1的随机数并使用sort函数对其升序排列，ms＝sort(rand(10,1))，统计ms落在p2各个区间内的个数，如：在[0,0.100508]区间内1个，[0.100508,0.159291]区间内1个，[0.340994,0.465135]区间内2个，[0.743473,0.872809]区间内4个，[0.832809,1]区间内2个，即个体1被选择1次，个体2被选择1次，个体5被选择2次，个体9被选择4次，个体10被选择2次，以上被选择的个体构成新种群NewX与NewZ。

再执行交叉概率设定过程：pc＝0.4*cos((i/gen)*(pi/2))+0.5，其中i为当前代数，gen为迭代总次数，pi为圆周率π。以第一次迭代的交叉概率为例，交叉概率pc＝0.9。其中：(1)、使用rand函数生成一个0-1之间的随机数，随机数为0.33，0.33<0.9,所以发生交叉。(2)、mc1＝round(rand*9)生成一个0到9的随机数，若为0，则赋值为1，随机数为6。(3)、NewX中个体1与个体2在第六位进行交叉，构成新个体。例：010100011与001001001在第六位交叉，新个体为010100001与001001011。(4)、mc2＝round(rand*7)生成一个0到7的随机数，若为0，则赋值为1，随机数为4。(5)、NewZ中随机选取两个个体在第四位进行交叉，构成新个体。(6)、重复上述过程，直至完成每个种群中十个个体的交叉操作。

然后，计算pm＝0.05*sin((i/gen)*(pi/2))+0.01，其中i为当前代数，gen为迭代总次数，pi为圆周率π。以第一次迭代的变异概率为例，交叉概率pm＝0.01。其中：(1)、使用rand函数生成一个0-1的随机数，随机数为0.0026，0.0026<0.01,所以发生变异。(2)、mm1＝round(rand*9)生成一个0到9的随机数，若为0，则赋值为1，随机数为5。(3)、NewX中个体1在第五位发生变异，由010100001变成010110001。(4)、mm2＝round(rand*7)生成一个0到7的随机数，若为0，则赋值为1，随机数为1。(5)、NewZ中个体1在第一位发生变异，由1011110变成0011110。(6)、重复上述过程，直至完成每个种群中十个的个体的变异操作。

再接着，更新种群，X＝NewX，Z＝NewZ，若迭代未完成，进行下一次迭代，若迭代完成，跳出循环，进行下一步寻优操作。

然后，在迭代完成后进行寻优过程：求出新种群的适应度，并重新标定适应度，找出适应度最大的个体，此个体就是此次寻找的最优个体，将此个体进行解码，转为十进制带入到数据坐标系中，得到本次寻优的最优解，并记录此最优解在坐标系中的位置，以作为布局位置。

(2)在车用动力电池组的整车运行时：

首先，读取多个布局位置处的温度传感器的多个测量值，然后类似与在车用动力电池组的静态测试过程时的遗传算法计算步骤，确定出至少一个最佳测量点，再基于至少一个最佳测量点的测量值确定车用动力电池组的温度。比如，将至少一个最佳测量点的测量值的平均值确定为车用动力电池组的温度；或，将至少一个最佳测量点中最接近极耳面中心位置的最佳测量点的测量值确定为车用动力电池组的温度。

其中，在车用动力电池组的整车运行所采用的遗传算法包含在由车用动力电池组的静态测试过程中确定的种群位置点(称为第一种群位置点)所构成的种群位置面上再次确定种群位置点(称为第二种群位置点)的步骤；其中目标函数为F′；

其中：T₁′，T₂′，T₃′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的温度值；x′为最佳测量点在种群位置面上的横坐标；y′为最佳测量点在所述种群位置面上的纵坐标；y1′，y2′，y3′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的纵坐标；x₁₂′，x₂₃′分别为所述与第二种群位置点最接近的三个第一种群位置点所组成的三角形的两边上的插值点在所述种群位置面上的横坐标；a′的初始值为预定值，且a′的值被上一次确定的车用动力电池组的温度所更新。

基于上述描述，本发明实施方式还提出了车用动力电池组的温度确定装置。图9为根据本发明车用动力电池组的温度确定装置的结构图。

如图9所示，车用动力电池组的温度确定装置，包括：

传感器布置模块901，用于在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；

确定模块902，用于在所述车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。

在一个实施方式中，第一遗传算法包含在极耳面上确定种群位置点的步骤；所述第一遗传算法中的目标函数为F；

其中：T₁，T₂，T₃为与第一种群位置点最接近的三个极耳位置所组成的三角形的三个顶点的温度值；x为第一种群位置点在所述极耳面上的横坐标；y为第一种群位置点在所述极耳面上的纵坐标；y1，y2，y3为所述三角形的三个顶点的纵坐标；x₁₂，x₂₃分别为所述三角形的两边上的插值点在所述极耳面上的横坐标；a为所述电芯温度。

在一个实施方式中，传感器布置模块901，计算多个电芯的温度测量值；将所述多个电芯的温度测量值的平均值确定为所述电芯温度。

在一个实施方式中，第二遗传算法的目标函数为F′；

其中：T₁′，T₂′，T₃′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的温度值；x′为最佳测量点在种群位置面上的横坐标；y′为最佳测量点在所述种群位置面上的纵坐标；y1′，y2′，y3′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的纵坐标；x₁₂′，x₂₃′分别为所述与第二种群位置点最接近的三个第一种群位置点所组成的三角形的两边上的插值点在所述种群位置面上的横坐标；a′的初始值为预定值，且a′的值被上一次确定的车用动力电池组的温度所更新。

在一个实施方式中，传感器布置模块901，用于在相同时间段内，测量电芯温度和极耳温度。

可以将本发明实施方式提出的车用动力电池组的温度确定方法应用到各种类型的电动汽车中。比如，可以应用到混合动力电动汽车(HEV)、纯电动汽车(BEV)、燃料电池电动汽车(FCEV)和其他新能源(如超级电容器、飞轮等高效储能器)汽车等。

综上所述，本发明实施方式：在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；在所述车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出最佳测量点，将该最佳测量点的测量值确定为电芯温度。可见，应用本发明实施方式之后，在静态布局中利用遗传算法选取温度传感器的布置位置，而且在动态选点中再次利用遗传算法找到最优的选取点，因此提高了电芯温度准确度。

而且，本发明实施方式还可以把本次测温得到的电芯温度为下次测温时的目标函数赋值，通过不断的动态迭代可以更加准确地获取电芯温度。

各实施方式中的硬件模块可以以机械方式或电子方式实现。例如，一个硬件模块可以包括专门设计的永久性电路或逻辑器件(如专用处理器，如FPGA或ASIC)用于完成特定的操作。硬件模块也可以包括由软件临时配置的可编程逻辑器件或电路(如包括通用处理器或其它可编程处理器)用于执行特定操作。至于具体采用机械方式，或是采用专用的永久性电路，或是采用临时配置的电路(如由软件进行配置)来实现硬件模块，可以根据成本和时间上的考虑来决定。

本发明还提供了一种机器可读的存储介质，存储用于使一机器执行如本文所述方法的指令。具体地，可以提供配有存储介质的***或者装置，在该存储介质上存储着实现上述实施例中任一实施方式的功能的软件程序代码，且使该***或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。此外，还可以通过基于程序代码的指令使计算机上操作的操作***等来完成部分或者全部的实际操作。还可以将从存储介质读出的程序代码写到***计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施方式中任一实施方式的功能。

用于提供程序代码的存储介质实施方式包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-RAM、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机或云上下载程序代码。

需要说明的是，上述各流程和各***结构图中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的***结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

在本文中，“示意性”表示“充当实例、例子或说明”，不应将在本文中被描述为“示意性”的任何图示、实施方式解释为一种更优选的或更具优点的技术方案。为使图面简洁，各图中的只示意性地表示出了与本发明相关部分，而并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”并不表示将本发明相关部分的数量限制为“仅此一个”，并且“一个”不表示排除本发明相关部分的数量“多于一个”的情形。在本文中，“上”、“下”、“前”、“后”、“左”、“右”、“内”、“外”等仅用于表示相关部分之间的相对位置关系，而非限定这些相关部分的绝对位置。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，而并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方案或变更，如特征的组合、分割或重复，均应包含在本发明的保护范围之内。

Claims (10)

1.一种车用动力电池组的温度确定方法，其特征在于，包括：

在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；

在所述车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。

2.根据权利要求1所述的车用动力电池组的温度确定方法，其特征在于，所述第一遗传算法包含在极耳位置所构成的极耳面上确定第一种群位置点的步骤；所述第一遗传算法中的目标函数为F；

其中：T₁，T₂，T₃为与第一种群位置点最接近的三个极耳位置所组成的三角形的三个顶点的温度值；x为第一种群位置点在所述极耳面上的横坐标；y为第一种群位置点在所述极耳面上的纵坐标；y1，y2，y3为所述三角形的三个顶点的纵坐标；x₁₂，x₂₃分别为所述三角形的两边上的插值点在所述极耳面上的横坐标；a为所述电芯温度。

3.根据权利要求2所述的车用动力电池组的温度确定方法，其特征在于，

该方法还包括：计算多个电芯的温度测量值；将所述多个电芯的温度测量值的平均值确定为所述电芯温度；和/或

所述基于至少一个最佳测量点的测量值确定车用动力电池组的温度包括：

将至少一个最佳测量点的测量值的平均值确定为车用动力电池组的温度；或

将至少一个最佳测量点中最接近所述极耳面中心位置的最佳测量点的测量值确定为车用动力电池组的温度。

4.根据权利要求2所述的车用动力电池组的温度确定方法，其特征在于，所述第二遗传算法包含在由第一种群位置点所构成的种群位置面上确定第二种群位置点的步骤；所述第二遗传算法的目标函数为F′；

其中：T₁′，T₂′，T₃′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的温度值；x′为最佳测量点在种群位置面上的横坐标；y′为最佳测量点在所述种群位置面上的纵坐标；y1′，y2′，y3′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的纵坐标；x₁₂′，x₂₃′分别为所述与第二种群位置点最接近的三个第一种群位置点所组成的三角形的两边上的插值点在所述种群位置面上的横坐标；a′的初始值为预定值，且a′的值被上一次确定的车用动力电池组的温度所更新。

5.根据权利要求1所述的车用动力电池组的温度确定方法，其特征在于，所述测量电芯温度和极耳温度为：在相同时间段内，测量电芯温度和极耳温度。

6.一种车用动力电池组的温度确定装置，其特征在于，包括：

传感器布置模块，用于在车用动力电池组的静态测试过程时，测量电芯温度和极耳温度，利用电芯温度和极耳温度，基于第一遗传算法确定出温度传感器的多个布局位置，并在每个布局位置中分别布置温度传感器；

确定模块，用于在所述车用动力电池组的整车运行时，读取多个布局位置处的温度传感器的多个测量值，基于第二遗传算法动态确定出至少一个最佳测量点，基于至少一个最佳测量点的测量值确定车用动力电池组的温度。

7.根据权利要求6所述的车用动力电池组的温度确定装置，其特征在于，

所述第一遗传算法包含在极耳位置所构成的极耳面上确定第一种群位置点的步骤；所述第一遗传算法中的目标函数为F；

其中：T₁，T₂，T₃为与第一种群位置点最接近的三个极耳位置所组成的三角形的三个顶点的温度值；x为第一种群位置点在所述极耳面上的横坐标；y为第一种群位置点在所述极耳面上的纵坐标；y1，y2，y3为所述三角形的三个顶点的纵坐标；x₁₂，x₂₃分别为所述三角形的两边上的插值点在所述极耳面上的横坐标；a为所述电芯温度。

8.根据权利要求6所述的车用动力电池组的温度确定装置，其特征在于，

传感器布置模块，用于计算多个电芯的温度测量值；将所述多个电芯的温度测量值的平均值确定为所述电芯温度；和/或

确定模块，用于将至少一个最佳测量点的测量值的平均值确定为车用动力电池组的温度；或，将至少一个最佳测量点中最接近所述极耳面中心位置的最佳测量点的测量值确定为车用动力电池组的温度。

9.根据权利要求7所述的车用动力电池组的温度确定装置，其特征在于，

所述第二遗传算法的目标函数为F′；

其中：T₁′，T₂′，T₃′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的温度值；x′为最佳测量点在种群位置面上的横坐标；y′为最佳测量点在所述种群位置面上的纵坐标；y1′，y2′，y3′为与第二种群位置点最接近的三个第一种群位置点所组成的三角形的三个顶点的纵坐标；x₁₂′，x₂₃′分别为所述与第二种群位置点最接近的三个第一种群位置点所组成的三角形的两边上的插值点在所述种群位置面上的横坐标；a′的初始值为预定值，且a′的值被上一次确定的车用动力电池组的温度所更新。

10.根据权利要求6所述的车用动力电池组的温度确定装置，其特征在于，

传感器布置模块，用于在相同时间段内，测量电芯温度和极耳温度。