CN111948541A - 车辆电池过压预测方法、装置、服务器及存储介质 - Google Patents
车辆电池过压预测方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111948541A CN111948541A CN202010812724.1A CN202010812724A CN111948541A CN 111948541 A CN111948541 A CN 111948541A CN 202010812724 A CN202010812724 A CN 202010812724A CN 111948541 A CN111948541 A CN 111948541A
- Authority
- CN
- China
- Prior art keywords
- battery
- vehicle
- overvoltage
- data
- detected
- 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
Links
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Computing Systems (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Development (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例公开了一种车辆电池过压预测方法、装置、服务器及存储介质,该方法包括:获取待检测车辆的实时工况数据;将所述实时工况数据输入至预先训练好的电池过压预测模型,以通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态。通过本发明的技术方案可预测待检测车辆电池单体在未来的第一预设时间段内是否会发生过压情况。当预测待检测车辆的电池单体在第一预设时间段内会发生过压情况时,用户可以对待检测车辆的电池单体进行及时的检修,避免因此造成车辆故障从而引发交通事故等问题。
Description
技术领域
本发明实施例涉及电池技术,尤其涉及一种车辆电池过压预测方法、装置、服务器及存储介质。
背景技术
近年来,新能源汽车逐渐进入人们的视野,为人们出行带来便利的同时还可节能环保,受到越来越多的关注。
新能源汽车的研究正逐步走向成熟,但还存在尚未解决的问题,比如动力电池带来的问题。据统计新能源汽车有超过60%的故障是动力电池故障引起的,动力电池故障对新能源汽车安全的威胁极大。
目前,相较于传统汽车,新能源汽车的健康状态不透明,尤其是动力电池的健康状态不透明,无法实现对动力电池的健康状态进行有效监控,导致动力电池潜在的隐患未能被及时发现,进而导致驾驶过程中车辆发生故障。
发明内容
本发明提供一种车辆电池过压预测方法、装置、服务器及存储介质,以实现对电池单体的过压状态进行预测,达到对电池单体电压进行监控的目的。
第一方面,本发明实施例提供了一种车辆电池过压预测方法,包括:
获取待检测车辆的实时工况数据;
将所述实时工况数据输入至预先训练好的电池过压预测模型,以通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态。
第二方面,本发明实施例还提供了一种车辆电池过压预测装置,该装置包括:
第一数据获取模块,用于获取待检测车辆的实时工况数据;
状态预测模块,用于将所述实时工况数据输入至预先训练好的电池过压预测模型,以通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态。
第三方面,本发明实施例还提供了一种服务器,该服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现本发明实施例中任一所述的车辆电池过压预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明实施例中任一所述的车辆电池过压预测方法。
本发明的技术方案包括:实时获取待检测车辆的实时工况数据,并将该实时工况数据输入预先训练好的电池过压预测模型中,得到待检测车辆的电池单体在第一预设时间段内的过压情况。通过本发明的技术方案可预测待检测车辆的电池单体在未来的第一预设时间段内是否会发生过压情况。方便用户对待检测车辆电池单体的电压情况进行监控,当预测待检测车辆电池单体在第一预设时间段内会发生过压情况时,用户可以对待检测车辆的电池单体进行及时的检修,避免因此造成车辆故障从而引发交通事故等问题。
附图说明
图1是本发明实施例一中的车辆电池过压预测方法的流程图;
图2是本发明实施例二中的车辆电池过压预测方法的流程图;
图3是本发明实施例二中的滑动窗口获取数据特征的示意图;
图4是本发明实施例二中的获取数据特征的特征时间窗口的示意图;
图5是本发明实施例三中的车辆电池过压预测装置的结构示意图;
图6是本发明实施例三中的车辆电池过压预测装置的应用部署示意图;
图7是本发明实施例四中的服务器的示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的车辆电池过压预测方法的流程图,本实施例可适用于根据车辆的实时工况数据预测车辆的电池单体在预设时间段内是否会过压的情况。该方法可以由车辆电池过压预测装置来执行。如图1所示,所述方法具体包括如下步骤:
S110、获取待检测车辆的实时工况数据。
需要说明的是,待检测车辆包括但不限于马路上正在行驶的车辆、停靠在马路边的车辆。该待检测车辆可以是新能源汽车或者任何采用电池驱动车辆行驶的汽车。获取的方式可采用车联网对待检测车辆的实时工况数据进行获取,通过无线通信技术对待检测车辆的实时工况数据进行传输。例如具体可以采用电子控制单元(Electronic ControlUnit,ECU)、电池管理***(Battery Management System,BMS)、自动变速箱控制单元(Transmission Control Unit,TCU)、整车控制器(Vehicle Control Unit,VCU)对待检测车辆的实时工况数据进行采集,将采集到的数据通过车载CAN总线上传到远程信息处理器(Telematics BOX,T-BOX),之后T-BOX将数据上传到车联网数据平台,实现待检测车辆的实时工况数据的获取。
可选的,所述实时工况数据包括下述至少一种:待检测车辆的运行状态、充电状态、车速、已行驶里程、电池单体的实时电压、电池单体的实时温度、实时电压最高的电池单体所处电池组的位置以及实时温度最高的电池单体所处电池组的位置,还可以包括全球定位***(Global Positioning System,GPS)经纬度信息、电池管理***(BatteryManagement System,BMS)报警信号等。其中,待检测车辆中使用的电池组包括很多电池单体,电池单体的数量不限,本发明获取每个电池单体的实时电压,对每一个电池单体进行编号,可选的,采用电池单体在电池组中的位置来确定电池单体的编号,进而通过电池单体的编号确定电池单体所处电池组的位置。可选的,还可以获取待检测车辆的实时环境数据,天气数据、路况数据等。实时环境数据可帮助分析外在环境对待检测车辆电池状态的影响。
S120、将所述实时工况数据输入至预先训练好的电池过压预测模型,以通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态。
具体的,通过预先训练好的电池过压预测模型对获取到的待检测车辆的实时工况数据进行分析,来预测在未来的第一预设时间段内该待检测车辆的电池单体是否会发生过压的情况。其中,过压状态包括待检测车辆的电池单体在第一预设时间段内发生过压现象,或者待检测车辆的电池单体在第一预设时间段内不发生过压现象。第一预设时间段可以是从得到预测结果开始的未来4个小时。
可选的,在通过电池过压预测模型预测待检测车辆的电池单体在第一预设时间段内的过压状态之后,所述方法还包括:将电池过压预测模型输出的预测结果反馈至待检测车辆或者汽车研发平台。
具体的,考虑到待检测车辆的驾驶员可能不是该车辆注册时的车主,所以可通过车载智能终端将预测结果反馈给待检测车辆,以便当时驾驶该车辆的驾驶员可及时知道车辆电池的状态,或者通过移动终端的APP将预测结果反馈给车主,便于车主及时跟踪车辆电池的状态。进一步的,可以选择当预测结果为“发生过压问题”时,将预测结果反馈给车载智能终端,而当预测结果为“不发生过压问题”时,不再将预测结果反馈给车载智能终端,以避免驾驶员或车主频繁接收消息而分心,出现交通事故等问题。也可将预测结果反馈给汽车研发平台,研究人员对车辆的电池状态进行分析,为车辆的研发工作提供便利。
本实施例的技术方案,通过实时获取车辆的实时工况数据,并将该实时工况数据输入预先训练好的电池过压预测模型中,得到待检测车辆的电池单体在第一预设时间段内的过压情况。可预测待检测车辆的电池单体在未来第一预设时间段内是否会发生过压情况,方便用户对待检测车辆电池单体的情况进行监控,当预测待检测车辆的电池单体在第一预设时间段内会发生过压情况时,用户可以对待检测车辆的电池单体进行及时的检修,避免因此造成车辆故障从而引发交通事故等问题。
实施例二
图2是本发明实施例二提供的车辆电池过压预测方法的流程图,本实施例在上述实施例的基础上增加了获取所述预先训练好的电池过压预测模型的步骤。参见图2,本实施例的车辆电池过压预测方法包括:
S210、基于车联网获取历史车辆的历史工况数据。
其中,获取历史车辆的历史工况数据的时间可跟据实际情况进行设定,考虑到车辆中电池单体的寿命、电池单体的维护和检修的次数等因素,本发明设置获取历史车辆的历史工况数据的时间为1年,获取1年内历史车辆的历史工况数据,该历史车辆可以是上述实施例中的需要检测的待检测车辆,也可以是其他车辆。
S220、对所述历史工况数据进行特征提取,以获取样本数据。
其中,所述样本数据包括电池单体过压前的历史车辆的历史工况数据和电池单体未过压的历史车辆的历史工况数据。
对历史工况数据中历史车辆电池单体的电压与预设的过压阈值进行比较,当历史车辆电池单体的电压大于过压阈值时,历史车辆电池单体的电压发生过压现象,从车联网数据中找到该电池单体对应车辆的在其电池单体过压前的其它历史工况数据,该其它历史工况数据即为上述电池单体过压前的历史车辆的历史工况数据的一种。若通过对历史工况数据中历史车辆电池单体的电压与预设的过压阈值进行比较确定所述历史车辆电池单体未发生过压现象,则从车联网数据中找到该电池单体对应车辆的其它历史工况数据即为上述电池单体未过压的历史车辆的历史工况数据的一种。具体的,当检测到电池单体发生过压现象时,获取该电池单体过压前的第二预设时间段内的历史工况数据,考虑到电池过压前车辆的各种历史工况数据的变化情况,可以设置获取电池单体过压前的一段时间内的历史工况数据,例如所述一段时间为20分钟,即获取电池单体过压前20分钟内的车辆的历史工况数据。将这些历史工况数据设为正样本,可设置正样本的数据标签为1。电池单体没有发生过压的车辆的历史工况数据设为负样本,获取电池单体未过压的时间段与所述第二预设时间段相同。示例性的,在本发明中,获取电池单体未过压的时间段与获取电池单体过压前的时间段都设置为20分钟。电池单体没有发生过压的历史车辆的历史工况数据,可以是前述正样本对应的历史车辆在电池单体未发生过压现象时的历史工况数据。考虑到正样本对应的车辆发生过压现象前的第二预设时间段内,车辆的历史工况数据开始发生变化,因此所述第二预设时间段内的历史工况数据作为正样本。为了将从电池单体发生过压现象的历史车辆获取的正样本与负样本区分开,设置与所述第二预设时间段分隔开的第四预设时间段,比如,设置电池单体过压前1个小时之内的任意时间段为所述第二预设时间段,设置电池单体过压前1个小时之前的任意时间段为所述第四预设时间段,获取所述第四预设时间段内车辆的历史工况数据作为负样本。也可以是其他历史车辆的电池单体未发生过压现象的历史工况数据。可设置负样本的数据标签为0,以此获取的正样本和负样本共同组成本发明的样本数据,对样本数据的正样本和负样本设置标签,便于后续的电池过压预测模型的训练。
具体的,获取历史车辆的电池单体过压前的历史工况数据的方式可以采用构造时间窗的方式,例如,采用滑动窗口的方式来构造时间窗,如图3所示的滑动窗口获取特征数据的示意图,设置发生过压的时刻点T1、滑动窗口W1的长度St(S个t时间长度)和滑动步长Kt(K个t时间长度),以保证所获取到的样本数据的时间连续性。以此对历史车辆的电池单体过压的历史工况数据进行获取。具体的实现方式参见图4,T1为电池单体发生过压的时刻,W1为滑动时间窗口,选取电池单体过压发生时刻的前n个滑动窗口内历史车辆的历史工况数据为过压样本,Fn为特征时间窗口,即具有预设大小的滑动时间窗口W1经过n次滑动的路径。此时获得的电池单体过压对应的历史车辆的历史工况数据标注为1,设为正样本,而其他样本为电池单体没有过压对应的历史车辆的历史工况数据标注为0,设为负样本。
可选的,所述对所述历史工况数据进行特征提取,以获取样本数据,包括:
基于每一类历史工况数据确定一种特征数据;
确定每种特征数据的统计值,以对特征数据的类型进行扩充;
基于设定算法为每种类型的特征数据赋予权重,以表征每种类型的特征数据对电池单体过压的影响程度;
根据赋予权重的特征数据确定所述样本数据。
其中,历史车辆的历史工况数据可包括下述至少一种:历史车辆的运行状态、充电状态、车速、已行驶里程、电池单体的电压、电池单体的温度、电压最高的电池单体所处电池组的位置以及温度最高的电池单体所处电池组的位置。还可以包括全球定位***(GlobalPositioning System,GPS)经纬度信息、电池管理***(Battery Management System,BMS)报警信号、历史车辆的环境数据,例如天气数据、路况数据等。
进一步的,可将每一类历史工况数据确定为一种特征数据,例如将运行状态数据确定为运行状态特征数据,将充电状态数据确定为充电状态特征数据,将电池单体的电压数据确定为电压特征数据等。对应的参见表1所示的一种特征数据表,按照特征数据的获取时间窗进行分别统计。
表1
时间 | 特征1 | 特征2 | 特征3 | … | 特征n-1 | 特征n |
T | Data | Data | Data | … | Data | Data |
T+t | Data | Data | Data | … | Data | Data |
T+2t | Data | Data | Data | … | Data | Data |
… | … | … | … | … | … | … |
T+(m-1)t | Data | Data | Data | … | Data | Data |
T+mt | Data | Data | Data | … | Data | Data |
进一步的,为了扩充特征数据的类型,还可以确定每种特征数据的统计值,例如统计电池单体电压在设定时间段内的平均值、最大值、最小值等。
具体的,获取每种特征数据的统计值可以是每种特征数据的均值、最大值、最小值、方差、标准差、变异系数、25分位数、中位数、75分位数、平均绝对偏差、偏度、峰度中的一种或多种。以此对特征数据的类型进行扩充,便于后续对特征数据的分析。
由于获取的特征数据的数据量较大,所表达的特征也非常多,基于该类特征数据对电池过压预测模型的训练效果不一定很理想,而且会增加模型的训练难度,对硬件资源的消耗也非常大,而特征重要性选择可帮助模型理解各特征的重要程度,从而降低模型的运算量,有助于提高模型的预测精度以及泛化能力。因此,优选的,基于设定算法为每种类型的特征数据赋予权重,以表征每种类型的特征数据对电池单体过压的影响程度。其中,所述设定算法可以采用过滤式方法,例如,移除低方差的特征、利用相关系数排序的方式。采用包裹式的方式,例如递归特征消除法(Recursive Feature Elimination,RFE)。采用嵌入式的方式,例如,逻辑回归、线性回归。对大量的特征数据进行权重赋值后,可使后续的电池过压预测模型训练时,减少对硬件资源的消耗,降低计算及存储的压力,避免数据的维度多大,降低电池过压预测模型训练的难度并提高电池过压预测模型训练的准确度。
每一类的特征数据都赋予权重之后,根据赋予权重的特征数据确定样本数据。
示例性的,所述根据赋予权重的特征数据确定所述样本数据,包括:
对所述赋予权重的特征数据进行均衡处理,以使电池单体过压时对应的特征数据的数量,与电池单体未过压时对应的特征数据的数量满足设定比例;
将均衡处理之后的特征数据确定为所述样本数据。
具体的,若历史车辆的电池单体发生的过压现象的次数与不发生过压现象的次数相差甚多,则对电池过压预测模型训练时,由于样本数据的不均衡,会造成电池过压预测模型训练的结果不准确。针对此,本发明对赋予权重的特征数据进行均衡处理,以使电池单体过压时对应的特征数据的数量,与电池单体未过压时对应的特征数据的数量满足设定比例。将均衡处理之后的特征数据确定为样本数据。
具体的,均衡处理的方式可以采用过采样、欠采样、代价敏感学习等方式。正样本和负样本的数据量可以设置为1:10的比例。
S230、基于样本数据对电池过压预测模型进行训练,获得预先训练好的电池过压预测模型。
对数据扩充后的特征数据赋予权重和均衡处理,以此得到的样本数据对电池过压预测模型进行训练。由于样本数据的权重赋值和均衡处理,电池过压预测模型的训练时间短,准确度更高。
可选的,电池过压预测模型可采用随机森林算法、逻辑斯蒂算法、循环神经网络算法、长短期记忆算法等,在训练电池过压预测模型时,对于模型的评价可以采用受试者工作特征曲线(Receiver Operating Characteristic,ROC)、ROC曲线下的面积(Area Underroc Curve,AUC)、召回率、精准度来评价本发明的电池过压预测模型。
考虑到在实际应用中,待检测车辆的驾驶员或车主,和汽车研发平台研究人员的实际需求不同,对于两种预测结果的反馈情况,在电池过压预测模型训练阶段应用不同的模型评价标准。具体的,针对将电池单体过压预测结果反馈给待检车辆的驾驶员或车主的情况,电池过压预测模型训练时的评价标准可设置为精准度,将精确度高的预测结果反馈给用户,避免频繁发送消息打扰到驾驶员或车主。针对将电池单体过压预测结果反馈给汽车研发平台的情况,电池过压预测模型训练时的评价标准可设置为召回率,将召回率高的预测结果反馈给汽车研发平台,利于研究人员对电池单体及电池组进行分析。
S240、将待检测车辆的实时工况数据输入至预先训练好的电池过压预测模型,以通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态。
可选的,通过电池过压预测模型预测待检测车辆的电池单体在未来预设时间段内是否会出现过压问题之后,所述方法还包括:
若待检测车辆的电池单体在第一预设时间段内出现过压问题,则获取待检测车辆的电池单体发生过压前的历史工况数据,作为新的样本数据,用于对电池过压预测模型进行迭代训练。
具体的,可设置在第三预设时间段内获取新样本。第三预设时间段可设置为1个月,这样可在第三预设时间段内对电池过压预测模型进行更新,而不是实时的更新,减少对硬件的消耗。获取待检测车辆发生过压现象前的历史工况数据,将这些数据进行上述的特征数据扩充、权重赋值、均衡处理之后作为新的样本数据,对电池过压预测模型进行再次的训练,以优化电池过压预测模型。
本实施例的技术方案通过对历史车辆的历史工况数据的特征数据的数据扩充、权重赋值、样本均衡获得的样本数据,对电池过压预测模型进行训练,提高电池过压预测模型的准确性。并获取待检测车辆中电池单体发生过压现象前的待检测车辆的历史工况数据,作为新的样本数据,对电池过压预测模型进行迭代优化,这样训练得到的电池过压预测模型对于待检测车辆的电池单体过压的预测更加准确。
实施例三
本发明实施例所提供的车辆电池过压预测装置可执行本发明任一实施例所提供的车辆电池过压预测方法,具备执行方法相应的功能模块和有益效果。参见图5,本发明实施例的车辆电池过压预测装置包括:
第一数据获取模块510,用于获取待检测车辆的实时工况数据。
状态预测模块520,用于将实时工况数据输入至预先训练好的电池过压预测模型,以通过电池过压预测模型预测待检测车辆的电池单体在第一预设时间段内的过压状态。
在上述实施例的基础上,该装置还包括:
结果反馈模块,用于将电池过压预测模型输出的预测结果反馈至待检测车辆或者汽车研发平台。
在上述实施例的基础上,该装置还包括:
第二数据获取模块,用于基于车联网获取历史车辆的历史工况数据。
样本数据获取模块,用于对历史工况数据进行特征提取,以获取样本数据;其中,样本数据包括电池单体过压前的历史车辆的历史工况数据和电池单体未过压的历史车辆的历史工况数据。
模型训练模块,用于基于样本数据对电池过压预测模型进行训练,获得预先训练好的电池过压预测模型。
在上述实施例的基础上,所述样本数据获取模块包括:
特征数据确定子模块,用于基于每一类历史工况数据确定为一种特征数据。
类型扩充子模块,用于确定每种特征数据的统计值,以对特征数据的类型进行扩充。
权重赋值子模块,用于基于设定算法为每种类型的特征数据赋予权重,以表征每种类型的特征数据对电池单体过压的影响程度。
样本数据确定子模块,用于根据赋予权重的特征数据确定样本数据。
在上述实施例的基础上,所述样本数据确定子模块包括:
均衡处理单元,用于对赋予权重的特征数据进行均衡处理,以使电池单体过压时对应的特征数据的数量,与电池单体未过压时对应的特征数据的数量满足设定比例;将均衡处理之后的特征数据确定为样本数据。
在上述实施例的基础上,该装置还包括:
迭代训练模块,用于若待检测车辆的电池单体在第一预设时间段内出现过压问题,则获取待检测车辆的电池单体发生过压前的历史工况数据,作为新的样本数据,用于对电池过压预测模型进行迭代训练。
图6是本发明实施例的一种电池过压预测装置的应用部署示意图,对于从待检测车辆端获取的实时工况数据,在服务器中的电池过压预测模型进行处理,预测待检车辆的电池单体是否会在第一预设时间段内发生过压现象,当预测待检测车辆的电池单体会发生过压现象时,将预测结果反馈给用户端的待检测车辆或车主的手机,或者研发端的汽车研发平台。其中,在服务器端对电池过压预测模型进行事先的训练,并根据待检测车辆发生过压问题的历史工况数据进行迭代训练,不断的更新电池过压预测模型,使电池过压预测模型模型可适用于不断更新的汽车电池单体。
本实施例的车辆电池过压预测装置通过实时获取待检测车辆的实时工况数据,并将该实时工况数据输入预先训练好的电池过压预测模型中,得到待检测车辆的电池单体在第一预设时间段内的过压情况。通过本发明的技术方案可预测待检测车辆的电池单体在未来的第一预设时间段内是否会发生过压情况。方便用户对待检测车辆电池单体的情况进行监控,当预测待检测车辆电池单体在第一预设时间段内会发生过压情况时,用户可以对待检测车辆的电池单体进行及时的检修,避免因此造成车辆故障从而引发交通事故等问题。
实施例四
图7为本发明实施例四提供的一种服务器的结构示意图,如图7所示,该服务器包括处理器710、存储器720、输入装置730和输出装置740。服务器中处理器710的数量可以是一个或多个,图7中以一个处理器710为例。服务器中的处理器710、存储器720、输入装置730和输出装置740可以通过总线或其他方式连接,图7中以通过总线连接为例。
存储器720作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的车辆电池过压预测方法对应的程序指令/模块(例如,车辆电池过压预测装置中的第一数据获取模块510和状态预测模块520)。处理器710通过运行存储在存储器720中的软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述的车辆电池过压预测方法。
存储器720可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序。存储数据区可存储根据终端的使用所创建的数据等。此外,存储器720可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器720可进一步包括相对于处理器710远程设置的存储器,这些远程存储器可以通过网络连接至服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置730可用于接收输入的数字或字符信息,以及产生与服务器的用户设置以及功能控制有关的键信号输入。输出装置740可包括显示屏等显示设备。
实施例五
本发明实施例五还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种车辆电池过压预测方法。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的车辆电池过压预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明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计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述车辆电池过压预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种车辆电池过压预测方法,其特征在于,包括:
获取待检测车辆的实时工况数据;
将所述实时工况数据输入至预先训练好的电池过压预测模型,以通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态。
2.根据权利要求1所述的方法,其特征在于,还包括:
将所述电池过压预测模型输出的预测结果反馈至所述待检测车辆或者汽车研发平台。
3.根据权利要求1所述的方法,其特征在于,所述获取待检测车辆的实时工况数据之前,还包括:
基于车联网获取历史车辆的历史工况数据;
对所述历史工况数据进行特征提取,以获取样本数据;
基于所述样本数据对电池过压预测模型进行训练,获得所述预先训练好的电池过压预测模型;
其中,所述样本数据包括电池单体过压前的历史车辆的历史工况数据和电池单体未过压的历史车辆的历史工况数据。
4.根据权利要求3所述的方法,其特征在于,所述对所述历史工况数据进行特征提取,以获取样本数据,包括:
基于每一类历史工况数据确定一种特征数据;
确定每种特征数据的统计值,以对特征数据的类型进行扩充;
基于设定算法为每种类型的特征数据赋予权重,以表征每种类型的特征数据对电池单体过压的影响程度;
根据赋予权重的特征数据确定所述样本数据。
5.根据权利要求4所述的方法,其特征在于,所述根据赋予权重的特征数据确定所述样本数据,包括:
对所述赋予权重的特征数据进行均衡处理,以使电池单体过压时对应的特征数据的数量,与电池单体未过压时对应的特征数据的数量满足设定比例;
将均衡处理之后的特征数据确定为所述样本数据。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态之后,还包括:
若所述待检测车辆的电池单体在所述第一预设时间段内出现过压问题,则获取所述待检测车辆的电池单体发生过压前的历史工况数据,作为新的样本数据,用于对所述电池过压预测模型进行迭代训练。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述实时工况数据包括下述至少一种:所述待检测车辆的运行状态、充电状态、车速、已行驶里程、电池单体的实时电压、电池单体的实时温度、实时电压最高的电池单体所处电池组的位置以及实时温度最高的电池单体所处电池组的位置。
8.一种车辆电池过压预测装置,其特征在于,包括:
第一数据获取模块,用于获取待检测车辆的实时工况数据;
状态预测模块,用于将所述实时工况数据输入至预先训练好的电池过压预测模型,以通过所述电池过压预测模型预测所述待检测车辆的电池单体在第一预设时间段内的过压状态。
9.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现如权利要求1-7中任一所述的车辆电池过压预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的车辆电池过压预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812724.1A CN111948541A (zh) | 2020-08-13 | 2020-08-13 | 车辆电池过压预测方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010812724.1A CN111948541A (zh) | 2020-08-13 | 2020-08-13 | 车辆电池过压预测方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111948541A true CN111948541A (zh) | 2020-11-17 |
Family
ID=73341850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010812724.1A Pending CN111948541A (zh) | 2020-08-13 | 2020-08-13 | 车辆电池过压预测方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111948541A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784482A (zh) * | 2021-01-15 | 2021-05-11 | 东软睿驰汽车技术(沈阳)有限公司 | 一种热失控预测方法及装置 |
CN112991704A (zh) * | 2021-05-19 | 2021-06-18 | 武汉工程大学 | 用于充电储能***的过压数据处理方法、装置及存储介质 |
CN113022378A (zh) * | 2021-03-01 | 2021-06-25 | 中国第一汽车股份有限公司 | 温度一致性预测方法、装置、预测设备及存储介质 |
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN116068413A (zh) * | 2023-03-22 | 2023-05-05 | 长安新能源南京研究院有限公司 | 一种电池电压预测方法、装置、设备及存储介质 |
CN117269805A (zh) * | 2023-11-23 | 2023-12-22 | 中国人民解放军国防科技大学 | 车载锂电池组健康状态评估模型训练、预测方法及装置 |
CN117349631A (zh) * | 2023-12-04 | 2024-01-05 | 斯润天朗(合肥)科技有限公司 | 电动车热失控预判方法、模型训练方法、装置及相关设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5631540A (en) * | 1994-11-23 | 1997-05-20 | Lucent Technologies Inc. | Method and apparatus for predicting the remaining capacity and reserve time of a battery on discharge |
CN103094630A (zh) * | 2011-10-28 | 2013-05-08 | 东莞钜威新能源有限公司 | 一种电池管理方法及*** |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
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*** |
CN110221222A (zh) * | 2019-04-30 | 2019-09-10 | 蜂巢能源科技有限公司 | 电池安全截止电压预测方法、装置及电池管理*** |
-
2020
- 2020-08-13 CN CN202010812724.1A patent/CN111948541A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5631540A (en) * | 1994-11-23 | 1997-05-20 | Lucent Technologies Inc. | Method and apparatus for predicting the remaining capacity and reserve time of a battery on discharge |
CN103094630A (zh) * | 2011-10-28 | 2013-05-08 | 东莞钜威新能源有限公司 | 一种电池管理方法及*** |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN108279383A (zh) * | 2017-11-30 | 2018-07-13 | 深圳市科列技术股份有限公司 | 电池寿命预测方法、电池数据服务器及电池数据处理*** |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN110221222A (zh) * | 2019-04-30 | 2019-09-10 | 蜂巢能源科技有限公司 | 电池安全截止电压预测方法、装置及电池管理*** |
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*** |
Non-Patent Citations (1)
Title |
---|
何佳星: "基于数据挖掘的电动汽车动力电池的故障预测研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112784482A (zh) * | 2021-01-15 | 2021-05-11 | 东软睿驰汽车技术(沈阳)有限公司 | 一种热失控预测方法及装置 |
CN113022378A (zh) * | 2021-03-01 | 2021-06-25 | 中国第一汽车股份有限公司 | 温度一致性预测方法、装置、预测设备及存储介质 |
CN113022378B (zh) * | 2021-03-01 | 2023-03-07 | 中国第一汽车股份有限公司 | 温度一致性预测方法、装置、预测设备及存储介质 |
CN112991704A (zh) * | 2021-05-19 | 2021-06-18 | 武汉工程大学 | 用于充电储能***的过压数据处理方法、装置及存储介质 |
CN115291108A (zh) * | 2022-06-27 | 2022-11-04 | 东莞新能安科技有限公司 | 数据生成方法、装置、设备及计算机程序产品 |
CN116068413A (zh) * | 2023-03-22 | 2023-05-05 | 长安新能源南京研究院有限公司 | 一种电池电压预测方法、装置、设备及存储介质 |
CN116068413B (zh) * | 2023-03-22 | 2023-08-18 | 长安新能源南京研究院有限公司 | 一种电池电压预测方法、装置、设备及存储介质 |
CN117269805A (zh) * | 2023-11-23 | 2023-12-22 | 中国人民解放军国防科技大学 | 车载锂电池组健康状态评估模型训练、预测方法及装置 |
CN117349631A (zh) * | 2023-12-04 | 2024-01-05 | 斯润天朗(合肥)科技有限公司 | 电动车热失控预判方法、模型训练方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111948541A (zh) | 车辆电池过压预测方法、装置、服务器及存储介质 | |
CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及*** | |
WO2022174679A1 (zh) | 单体电池电压不一致故障预测方法、装置及服务器 | |
JP6918137B2 (ja) | 運転行為評価方法、装置及びコンピュータが読み取り可能な記憶媒体 | |
US20140180727A1 (en) | System and Method for Classifying and Identifying a Driver Using Driving Performance Data | |
CN111572350A (zh) | 电动汽车起火预警方法及装置 | |
CN109724812B (zh) | 车辆故障预警的方法、装置、存储介质和终端设备 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、***及电子设备 | |
CN112509317B (zh) | 基于机器学习算法的公交实时到站预测方法、装置和设备 | |
CN113071497B (zh) | 一种驾驶场景判断方法、装置、设备及存储介质 | |
CN110588658A (zh) | 一种基于综合模型检测驾驶员风险等级的方法 | |
CN113611104B (zh) | 货运车辆的风险识别方法、装置、存储介质及终端 | |
CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
CN114255593A (zh) | 监控车流的方法、装置、和存储介质 | |
CN113283548B (zh) | 一种车辆安全评分方法、装置、设备和存储介质 | |
CN113032239A (zh) | 风险提示方法、装置、电子设备及存储介质 | |
CN116772877B (zh) | 一种新能源汽车续航里程预测方法、***、装置及介质 | |
CN113538735B (zh) | 一种车辆用途识别方法及装置 | |
CN110705628A (zh) | 一种基于隐马尔可夫模型检测驾驶员风险等级的方法 | |
CN116011995A (zh) | 车辆保养信息推送方法、装置、电子设备及存储介质 | |
CN113128854B (zh) | 新能源汽车运行安全性能检验方法、装置及*** | |
CN115508732A (zh) | 一种电池包寿命预测方法及装置 | |
CN115222936A (zh) | 过期兴趣点的确定方法、装置、电子设备及存储介质 | |
CN113128929A (zh) | 车辆载重状态的识别方法、装置、计算机设备和介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201117 |