CN113022378B - 温度一致性预测方法、装置、预测设备及存储介质 - Google Patents

温度一致性预测方法、装置、预测设备及存储介质 Download PDF

Info

Publication number
CN113022378B
CN113022378B CN202110227426.0A CN202110227426A CN113022378B CN 113022378 B CN113022378 B CN 113022378B CN 202110227426 A CN202110227426 A CN 202110227426A CN 113022378 B CN113022378 B CN 113022378B
Authority
CN
China
Prior art keywords
temperature
data
prediction
modules
consistency
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
CN202110227426.0A
Other languages
English (en)
Other versions
CN113022378A (zh
Inventor
付振
梁小明
王明月
彭凯
刘相超
王文彬
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.)
FAW Group Corp
Original Assignee
FAW Group Corp
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 FAW Group Corp filed Critical FAW Group Corp
Priority to CN202110227426.0A priority Critical patent/CN113022378B/zh
Publication of CN113022378A publication Critical patent/CN113022378A/zh
Priority to PCT/CN2021/141562 priority patent/WO2022183817A1/zh
Application granted granted Critical
Publication of CN113022378B publication Critical patent/CN113022378B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • 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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • 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
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • 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
    • H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
    • 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
    • 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)
  • Power Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种温度一致性预测方法、装置、预测设备及存储介质。该方法包括：采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性。通过上述技术方案，从时间维度和不同电池的维度预测模组之间的温度一致性，便于及时发现温度不均衡的现象，提高动力电池的安全性，在一定程度上实现故障隔离。

Description

温度一致性预测方法、装置、预测设备及存储介质
技术领域
本发明实施例涉及车辆监测技术领域，尤其涉及一种温度一致性预测方法、装置、预测设备及存储介质。
背景技术
如今车联网和新能源汽车飞速发展，新能源汽车的很多类故障都是由于动力电池热失控引起的，而导致热失控的原因归结于温度异常，因此对动力电池的温度监测尤为重要。动力电池包括多个单体电池，不同单体之间的温度一致性是保证动力电池安全性的重要指标，温度一致性间接反映动力电池是否处于正常的工作状态。在监测到不同单体之间的温差较大后再进行报警或者调整电压和电流等为时已晚，无法避免故障的发生，有很大的安全隐患。
发明内容
本发明提供了一种温度一致性预测方法、装置、预测设备及存储介质，以预测模组之间的温度一致性，便于及时发现温度不均衡的现象，提高动力电池的安全性，实现故障隔离。
第一方面，本发明实施例提供了一种温度一致性预测方法，包括：
采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；
通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性。
进一步的，还包括：
获取历史温度数据以及历史时序信息；
根据历史温度数据以及历史时序信息构建预测模型。
进一步的，通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性，包括：
通过预测模型，按照所述时序信息，依次计算各组模组在每个时刻的最高温度与最低温度的差值；
对于每个时刻，若所述差值大于或等于第一阈值，则计数器的计数值在前一时刻的计数值的基础上加1，若所述差值小于第一阈值，则计数器的计数值清零；
若计数器的计数值达到第二阈值，则判定各组模组之间的温度不符合一致性。
进一步的，通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性，包括：
通过所述预测模型，根据所述时序信息，采用设定的滑动窗口提取所述温度数据的特征，所述温度数据的特征包括各组模组在不同时刻的温度；
根据所述温度数据的特征预测各组模组之间的温度一致性。
进一步的，根据所述温度数据的特征预测各组模组之间的温度一致性，包括：
基于增强学习AdaBoost算法对所述温度数据的特征进行分类，以预测各组模组之间的温度一致性。
进一步的，所述车辆状态数据还包括以下至少之一：车辆编码、单体温度、单体电压、单体电流、充放电状态、充放电电流、充放电电压、车辆工作状态、单体电压极值、单体电流极值、单体温度极值、电池管理***(Battery Management System，BMS)报警信息。
进一步的，还包括：对所述车辆状态数据进行预处理；所述预处理包括以下至少之一：数据去重；不可用值处理；异常数据处理；报警矫正；电流修正；电压修正；温度矫正。
第二方面，本发明实施例提供了一种温度一致性预测装置，包括：
采集模块，用于采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；
预测模块，用于通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性。
第三方面，本发明实施例提供了一种预测设备，包括：
一个或多个处理器；
存储器，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，使得所述一个或多个处理器实现如第一方面所述的温度一致性预测方法。
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如第一方面所述的温度一致性预测方法。
本发明实施例提供了一种温度一致性预测方法、装置、预测设备及存储介质，该方法包括：采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性。通过上述技术方案，从时间维度和不同电池的维度预测模组之间的温度一致性，便于及时发现温度不均衡的现象，提高动力电池的安全性，在一定程度上实现故障隔离。
附图说明
图1为本发明实施例一提供的一种温度一致性预测方法的流程图；
图2为本发明实施例一提供的一种部署温度传感器的示意图；
图3为本发明实施例二提供的一种温度一致性预测方法的流程图；
图4为本发明实施例三提供的一种温度一致性预测方法的流程图；
图5为本发明实施例二提供的一种温度一致性预测过程的实现示意图；
图6为本发明实施例四提供的一种温度一致性预测装置的结构示意图；
图7为本发明实施例五提供的一种预测设备的硬件结构示意图。
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。此外，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。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。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
需要注意，本发明实施例中提及的“第一”、“第二”等概念仅用于对不同的装置、模块、单元或其他对象进行区分，并非用于限定这些装置、模块、单元或其他对象所执行的功能的顺序或者相互依存关系。
实施例一
图1为本发明实施例一提供的一种温度一致性预测方法的流程图，本实施例可适用于对动力电池模组的温度一致性进行预测的情况。具体的，该温度一致性预测方法可以由温度一致性预测装置执行，该温度一致性预测装置可以通过软件和/或硬件的方式实现，并集成在预测设备中。进一步的，预测设备包括但不限定于：台式计算机、行车电脑、智能手机、车联网服务器以及云端服务器等电子设备。
如图1所示，该方法具体包括如下步骤：
S110、采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息。
具体的，动力电池主要指为电动汽车提供动力的蓄电池，通常包括多个单体电池，用以提供车用高电压，其中，若干个单体电池可构成一组模组，基于模组的供电模式，使动力电池模块化和标准化，可提高散热效率，降低热失控的风险。本实施例中，分别对每一组模组部署相应的温度传感器，用于采集相应模组的温度数据，例如每分钟采集1次，采集到的温度数据是关联于时序信息的，包括每次采集的时刻以及采集数据的频次等。需要说明的是，一组模组中包括至少两个单体电池，通常情况下，一组模组中的各单体电池之间的温差较小，可近似视为相等，因此，每组模组中的单体可以共用相同的温度传感器，以模组为单位采集温度数据。
图2为本发明实施例一提供的一种部署温度传感器的示意图。如图2所示，两个单体电池构成一组模组，两个单体电池共用一个温度传感器，在此基础上可减少温度传感器的部署数量，每个温度传感器用于采集邻近的单体电池的温度数据，从而降低成本以并提高数据采集和温度一致性预测的效率。
S120、通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性。
具体的，预测模型可以是机器学习模型，经过大量样本数据的训练，预测模型已经学习到判定各组模组的温度一致性的规律，对于输入的温度数据和时序信息，可以高效、准确地输出预测结果，以预测各组模组之间的温度一致性，便于及时发现异常。其中，判定各组模组的温度一致性的规律例如是，如果某一时刻各组模组之间的温差(最高温度与最低温度的差值)大于设定阈值，则判定各组模组之间的温度不符合一致性，说明动力电池存在故障或故障趋势，需要报警；也可以是各组模组之间的温差在设定时段内持续大于设定阈值，或者连续多个时刻采集到的温度数据都表明各组模组之间的温差都大于设定阈值，则判定各组模组之间的温度不符合一致性；也可以根据各组模组的温度在相邻时刻或在相邻时段之间的跳变程度、各组模组的温度的标准差或方差等因素确定各组模组之间的温度是否符合一致性。
可选的，实时采集的车辆状态数据可通过控制器局域网络(Controller AreaNetwork，CAN)总线汇集并由远程信息处理器(Telematics BOX，T-BOX)上传到车联网平台，存储至数据存储***(数据湖)。车联网平台的预测设备利用预测模型，针对车辆状态数据进行温度一致性预测。预测结果可以是各组模组之间的温度符合温度一致性或不符合温度一致性(例如输出“0”表示满足一致性，输出“1”表示不满足一致性)，也可以是各组模组之间的温度符合温度一致性或不符合温度一致性的概率(例如输出为属于区间[0,1]的一个值)。在一些实施例中，还可以根据各模组温度的变化趋势，预测在未来的设定时段内各模组的温度将由符合一致性转变为不符合一致性的时刻，从而实现预测性维护(PredictiveMaintenance，PdM)，便于提前决策，规避风险。
在一实施例中，车辆状态数据还可以包括以下至少之一：
车辆编码，例如车架号、车辆标识、身份识别号((Identity document)，ID)等，用于区分不同车辆；
单体温度，即模组中每个单体电池的温度；
单体电压，即模组中每个单体电池的电压；
单体电流，即模组中每个单体电池的电流；
充放电状态，包括动力电池的充电状态或放电状态；
充放电电流，包括动力电池的充电电流或放电电流；
充放电电压，包括动力电池的充电电压或放电电压；
车辆工作状态，包括熄火状态、行驶状态、倒车状态以及怠速状态等；
单体电压极值，即动力电池中或每组模组中的单体电池的最高电压和/或最低电压；
单体电流极值，即动力电池中或每组模组中的单体电池的最高电流和/或最低电流；
单体温度极值，即动力电池中或每组模组中的单体电池的最高温度和/或最低温度；
BMS报警信息，例如单体电池间的能量不均衡的报警信息，以及单体电池或模组的异常的报警信息等。
基于上述车辆状态数据，不仅可以预测模组温度的一致性，预防故障，还可以实时监测动力电池的工作参数，当各模组温度不符合一致性时，也可以快速定位异常位置并分析故障原因，便于及时排除故障，从而保证动力电池的安全性。需要说明的是，电压传感器、电流传感器等可以是对每个单体电池分别部署，便于准确定位异常的单体电池，保证动力电池的安全可靠性。
本发明实施例一提供的一种温度一致性预测方法，通过构建人工智能(Artificial Intelligence，AI)模型，根据采集到的已知数据能够预测各组模组之间的温度一致性，在一定程度上消除了动力电池单体温度不均衡带来的安全隐患。该方法结合人工智能技术实现动力电池的故障预测与健康管理(Prognostics and Health Management，PHM)，可以利用已知信息预测动力电池故障的时间或概率等，能够为车辆提供预防性维修和维护的决策参考，降低维护成本和故障概率。通过从时间维度和不同电池的维度预测模组之间的温度一致性，便于及时发现温度不均衡的现象，提高动力电池的安全性，在一定程度上实现故障隔离。
实施例二
图3为本发明实施例二提供的一种温度一致性预测方法的流程图，本实施例是在上述实施例的基础上进行优化，对温度一致性预测的过程进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，如图3所示，该方法具体包括如下步骤：
S210、采集车辆状态数据。
具体的，车辆状态数据包括每组模组的温度数据以及时序信息，例如，包括每组模组在20分钟内的温度数据，每1分钟都对应于一组温度数据。需要说明的是，车辆状态数据可以是实时采集并实时预测的，即，当前时刻采集了一次温度数据，则预测模型可以根据前19分钟内采集的温度数据以及时序信息，结合当前时刻的温度数据以及时序信息进行综合预测，前19分钟的温度数据以及时序信息可以从云端平台下载。
S220、通过预测模型，按照时序信息，依次计算各组模组在每个时刻的最高温度与最低温度的差值。
本实施例中，预测模型按照时序信息，即温度数据采集的先后顺序，依次计算在每个时刻，各组模组的温度中最高温度与最低温度的差值，如果该差值较小，说明在该时刻各组模组之间的温度较为均衡，符合温度一致性；如果该差值较大，说明在该时刻的预测结果表明各组模组之间的温度相对不均衡，不符合温度一致性，或者有温度不一致的趋势，在未来很容易由于热失控导致故障。
S230、对于每个时刻，差值大于或等于第一阈值？若是，则执行S240；否则执行S250。
S240、计数器的计数值在前一时刻的计数值的基础上加1。
S250、计数器的计数值清零。
具体的，第一阈值用于判定在某个时刻各组模组的温度是否符合温度一致性。在一些实施例中，如果在某个时刻各组模组最高温度与最低温度的差值达到第一阈值，则可判定预测结果为各组模组的温度不符合一致性。而本实施例中，为了避免瞬时温度不稳定造成的误判、提高预测的可靠性，还通过计数器记录各组模组的温差达到第一阈值的时刻数，在连续多个时刻(或者在设定时长)各组模组的温差持续达到第一阈值的情况下，才最终判定预测结果为各组模组的温度不具备一致性。
S260、计数器的计数值达到第二阈值？若是，则执行S290；否则，返回S230。
具体的，如果连续多个时刻最高温度与最低温度的差值都达到第一阈值，则计数值+1；如果一个时刻最高温度与最低温度的差值小于第一阈值，则计数值清零，直至计数值达到第二阈值，才最终判定预测结果为各组模组的温度不符合一致性。通过设置第二阈值，可以避免瞬时温度不稳定造成的误判、提高预测的可靠性。
S270、判定各组模组之间的温度不符合一致性。
以下为另一种示例，在实时采集车辆状态数据并实时预测温度一致性的情况下，温度一致性预测的实现过程包括：
Step1:分别定义两个变量：count(计数值)，以及index[](温差时序索引容器)，分别初始化为0和[]；
Step2:将当前实时采集到的温度数据和对应的时序信息放入温差时序索引容器；
Step3:计算当前时刻各模组温度的最高温度和最低温度的差值，如果大于或等于第一阈值，则count+1；如果小于第一阈值，则count初始化为0；
Step4:count是否达到第二阈值，若是，则输出预测结果为各组模组之间的温度不符合一致性；若否，则index[]+1，继续将下一时刻采集到的温度数据和对应的时序信息放入温差时序索引容器，并返回执行Step3。
在某一时刻预测结果为各组模组之间的温度不符合一致性的基础上，后续任意时刻各模组温度的最高温度和最低温度的差值大于或等于第一阈值，都视为为各组模组之间的温度不符合一致性。
在一实施例中，车辆状态数据还包括以下至少之一：车辆编码、单体温度、单体电压、单体电流、充放电状态、充放电电流、充放电电压、车辆工作状态、单体电压极值、单体电流极值、单体温度极值、电池管理***报警信息。
在一实施例中，还包括：对车辆状态数据进行预处理；预处理包括以下至少之一：数据去重；不可用值处理；异常数据处理；报警矫正；电流修正；电压修正；温度矫正。
具体的，车辆中的传感器采集车辆状态数据并上传到预测设备，预测设备在构建预测模型或者在预测温度一致性之前，对这些车辆状态数据进行以下至少一种预处理，以提高数据质量：
数据去重，例如对车辆状态数据中重复时刻的数据去重，时刻重复可能是由于时序信息上传延迟导致的，当一个时刻对应于多个重复的温度数据时，只保留所有重复的温度数据中的一条；
不可用值(NaN值)处理，对车辆状态数据中的所有单体电压数据和所有测温点数据，将含有NaN值的时刻的数据删除；
异常数据处理，车辆状态数据在时序上可能有一部分的数据是异常的，例如月份不在1-12之内、时刻不在0:00-24:00之内等，可以将这些异常数据删除；
报警矫正，车辆状态数据中的报警(Mask)字段是以十进制的方式表示，但是报警字段对照表中设定的报警字段可能是二进制的方式，例如“0”表示一个单体电池正常，“1”表示一个单体电池异常并触发报警，因此，可将车辆状态数据中的报警字段的数值转化为二进制数值；
电流修正，由于车辆的控制器和零部件等在工作过程，以及在数据传输过程中可能存在不稳定、跳变或***误差等，导致单体电流、单体电流极值可能与测得的值产生偏差，因此可对电流进行修正，例如，重新计算每个时刻的单体电流最大值和单体电流最小值，来替代上传到预测设备的单体电流极值，或者，根据设定时间段内前后时刻的电流重新估计中间时刻的电流等；
电压修正，单体电压、单体电压极值可能与测得的值产生偏差，因此对电压进行修正，例如，重新计算每个时刻的单体电压最大值和单体电压最小值，来替代上传到预测设备的单体电压极值，或者，根据设定时间段内前后时刻的电压重新估计中间时刻的电压等；
温度矫正，单体温度、单体温度极值可能与测得的值产生偏差，因此对温度进行修正，例如，重新计算每个时刻的单体温度最大值和单体温度最小值，来替代上传到预测设备的单体温度极值，或者，根据设定时间段内前后时刻的温度重新估计中间时刻的温度等；
此外，预处理还可以包括数据组合、拆解、提取以及整合等。例如，车辆状态数据中单体电压和单体温度是被保存在listcell和listtenp列表中，以列表中字符串的形式存储，但是后续实际使用时，可能需要展开成为表格型的数据结构(DataFrame)，所以需要对这listcell和listtemp进行拆解和提取；又如，需要按照特定的时间窗将若干时刻的数据组合在一起，还可进行求平均值、方差等运算；又如，经过处理的车辆状态数据可整合为npy或pickle格式的文件，占用内存小，保存和读取速度快，能够提高数据处理效率。
此外，预处理还可以包括边缘计算，以降低数据传输和存储压力。对车端采集的数据进行边缘计算，即对数据进行编码、打包或压缩等。例如在报警类型较多的情况下，一一上传会对存储造成更大的压力，通过将报警信息编码为二进制形式可有效节省云端存储资源；又如由于车端的数据采集的频次高，毫秒级别，则可以对原始数据进行低频处理，减少数据量，同时保证数据多样性。
本发明实施例二提供的一种温度一致性预测方法，通过计数器记录各组模组最高温度与最低温度的差值达到第一阈值的时刻数，可以避免瞬时温度不稳定造成的误判、提高预测的可靠性；通过对原始数据进行预处理，可以减少数据量，避免不必要的计算，提高数据质量，进而提高预测的准确性和可靠性，便于及时发现温度不均衡的现象，进而提高动力电池的安全性，实现故障隔离。
实施例三
图4为本发明实施例三提供的一种温度一致性预测方法的流程图，本实施例是在上述实施例的基础上进行优化，对预测模型的工作原理进行具体描述。需要说明的是，未在本实施例中详尽描述的技术细节可参见上述任意实施例。
具体的，如图4所示，该方法具体包括如下步骤：
S310、获取历史温度数据以及历史时序信息。
具体的，历史温度数据以及历史时序信息对应的预测结果已知，即标签已知，因此可作为预测模型的样本数据。
S320、根据历史温度数据以及历史时序信息构建预测模型。
具体的，将历史温度数据以及历史时序信息作为输入，将对应的历史预测结果作为输出，对预测模型进行训练，使其学习到根据温度数据和时序信息预测温度一致性的规律。
在一实施例中，在预测模型训练完成之后，还对预测模型的性能进行测试。例如，将所有样本数据按7：3的比例划分为训练数据集和测试数据集，利用测试数据集中的样本数据对预测模型的性能进行测试，其中，测试数据集中正负样本(不符合或符合温度一致性的样本)数据的比例为10：1，测试的评价指标可以为准确率、召回率、精确率和/或受试者工作特征曲线(Receiver Operating Characteristic Curve，ROC)与坐标轴围成的面积(Area Under Curve，AUC)。在一些实施例中，在测试结果理想的情况下还可对实车数据进行进一步的实车验证，若实车验证效果理想，才将预测模型投入实际应用。
S330、采集车辆状态数据。
S340、通过所述预测模型，根据所述时序信息，采用设定的滑动窗口提取所述温度数据的特征。
具体的，由于单条数据容易产生波动，稳定性较低，本实施例在特征工程中采用滑动窗口提取特征。示例性的，滑动窗口的大小为跨越M条数据、时间跨度为T，数据采集的频次不同，M和T的值可以灵活设置，通常T约为5分钟。示例性的，滑动窗口开始在第0条至第(M-1)条数据上，滑动步数为1，则会依次对第1条至第M条数据、第2条至第(M+1)条数据提取温度数据的特征，以此类推，不断提取温度数据的特征。
选择M条数据进行平滑处理，相比于对单条数据提取时序上的特征，具有更高的可靠性，可以避免偶然误差；并且，由于在有温差的车辆上连续的负样本数据量较少，而大约50条连续的负样本数据即可体现出明显的温差跳变，因此在滑动窗口内需要尽可能多的选择负样本数据，保证样本数据稳定。如果滑动窗口过大，则一些负样本会提取不到，造成有价值的特征丢失；如果滑动窗口过小，则会导致时序信息不全面。
S350、基于AdaBoost算法对所述温度数据的特征进行分类，以预测各组模组之间的温度一致性。
具体的，对于提取出的温度数据的特征进行分类，即判断其为正样本还是负样本，从而预测温度一致性。考虑到温度跳变的情况，特征变量存在非线性的因素，本实施例选择非线性分类的AdaBoost算法作为分类模型，以提高预测的准确性。AdaBoost算法可以从训练数据中串行学习得到一系列的弱学习器，并将这些弱学习器线性组合为一个强学习器。
图5为本发明实施例二提供的一种温度一致性预测过程的实现示意图。如图5所示，在线上，采集到的车辆状态数据经过便于计算以及数据预处理后，输入至预测模型，预测模型可自动输出预测结果；在线下，将下载的历史数据作为样本数据训练预测模型，对各模组温度符合一致性的情况可不作任何处理，对各模组温度不一致的情况下，则需要进一步提取这些数据进行预处理，输入至分类模型，分类模型根据这些数据的温度和时序特征充分学习预测的规律，不断优化模型参数，对构建的预测模型，还可用一部分测试数据进行测试，如果预测结果不准确还可进行问题回溯，调整模型。经过训练的预测模型可直接投入线上的实时预测的应用。需要说明的是，实时采集的数据上传并保存至云端后，也变为了历史数据，可用于训练或更新预测模型。上述过程完成了温度不一致模型的离线构建，并在线上对实时的车辆状态数据进行预测，预测结果可以接口的形式存储或调用。通过车联网数据驱动实现温度一致性预测，还可通过实时数据流接口调用方式驱动产品研发、质保售后等服务端对车辆的监控和管理，客户端对车辆状态更加透明，提升使用体验。
本发明实施例三提供的一种温度一致性预测方法，在上述实施例的基础上进行优化，通过对预测模型进行测试和实车验证，保证预测模型的可靠性；通过采用设定的滑动窗口提取温度数据的特征，提高特征的全面性和稳定性；利用非线性分类的AdaBoost算法作为分类模型，提高预测的准确性，便于及时发现温度不均衡的现象，进而提高动力电池的安全性，实现故障隔离。
实施例四
图6为本发明实施例四提供的一种温度一致性预测装置的结构示意图。本实施例提供的温度一致性预测装置包括：
采集模块410，用于采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；
预测模块420，用于通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性。
本发明实施例四提供的一种温度一致性预测装置，从时间维度和不同电池的维度预测模组之间的温度一致性，便于及时发现温度不均衡的现象，提高动力电池的安全性，在一定程度上实现故障隔离。
在上述实施例的基础上，还包括：
历史数据获取模块，用于获取历史温度数据以及历史时序信息；
构建模块，用于根据历史温度数据以及历史时序信息构建预测模型。
进一步的，预测模块420，包括：
计算单元，用于通过预测模型，按照所述时序信息，依次计算各组模组在每个时刻的最高温度与最低温度的差值；
计数单元，用于对于每个时刻，若所述差值大于或等于第一阈值，则计数器的计数值在前一时刻的计数值的基础上加1，若所述差值小于第一阈值，则计数器的计数值清零；
判定单元，用于若计数器的计数值达到第二阈值，则判定各组模组之间的温度不符合一致性。
进一步的，预测模块420，包括：
特征提取单元，用于通过所述预测模型，根据所述时序信息，采用设定的滑动窗口提取所述温度数据的特征，所述温度数据的特征包括各组模组在不同时刻的温度；
预测单元，用于根据所述温度数据的特征预测各组模组之间的温度一致性。
进一步的，预测单元，具体用于：
基于AdaBoost算法对所述温度数据的特征进行分类，以预测各组模组之间的温度一致性。
进一步的，所述车辆状态数据还包括以下至少之一：车辆编码、单体温度、单体电压、单体电流、充放电状态、充放电电流、充放电电压、车辆工作状态、单体电压极值、单体电流极值、单体温度极值、电池管理***报警信息。
进一步的，还包括：
预处理模块，用于对所述车辆状态数据进行预处理；所述预处理包括以下至少之一：数据去重；不可用值处理；异常数据处理；报警矫正；电流修正；电压修正；温度矫正。
本发明实施例四提供的温度一致性预测装置可以用于执行上述任意实施例提供的温度一致性预测方法，具备相应的功能和有益效果。
实施例五
图7为本发明实施例五提供的一种预测设备的硬件结构示意图。预测设备包括但不限定于：台式计算机、行车电脑、智能手机、车联网服务器以及云端服务器等电子设备。如图7所示，本申请提供的预测设备，包括存储器42、处理器41以及存储在存储器上并可在处理器上运行的计算机程序，处理器41执行所述程序时实现上述的温度一致性预测方法。
预测设备还可以包括存储器42；该预测设备中的处理器41可以是一个或多个，图7中以一个处理器41为例；存储器42用于存储一个或多个程序；所述一个或多个程序被所述一个或多个处理器41执行，使得所述一个或多个处理器41实现如本申请实施例中所述的温度一致性预测方法。
预测设备还包括：通信装置43、输入装置44和输出装置45。
预测设备中的处理器41、存储器42、通信装置43、输入装置44和输出装置45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。
输入装置44可用于接收输入的数字或字符信息，以及产生与预测设备的用户设置以及功能控制有关的按键信号输入。输出装置45可包括显示屏等显示设备。
通信装置43可以包括接收器和发送器。通信装置43设置为根据处理器41的控制进行信息收发通信。
存储器42作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本申请实施例所述温度一致性预测方法对应的程序指令/模块(例如，温度一致性预测装置中的采集模块410和预测模块320)。存储器42可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预测设备的使用所创建的数据等。此外，存储器42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42可进一步包括相对于处理器41远程设置的存储器，这些远程存储器可以通过网络连接至预测设备。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。
在上述实施例的基础上，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被温度一致性预测装置执行时实现本发明上述任意实施例中的温度一致性预测方法，该方法包括：采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性。
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，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是，但不限于：电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合。计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于：电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、无线电频率(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
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温度一致性预测方法。
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 (8)

1.一种温度一致性预测方法，其特征在于，包括：
采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；
通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性；
所述温度一致性预测方法，还包括：
对所述车辆状态数据进行预处理；
所述预处理包括以下至少之一：数据去重；不可用值处理；异常数据处理；报警矫正；电流修正；电压修正；温度矫正；
通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性，包括：
通过所述预测模型，按照所述时序信息，依次计算各组模组在每个时刻的最高温度与最低温度的差值；
对于每个时刻，若所述差值大于或等于第一阈值，则计数器的计数值在前一时刻的计数值的基础上加1，若所述差值小于第一阈值，则计数器的计数值清零；
若计数器的计数值达到第二阈值，则判定各组模组之间的温度不符合一致性。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取历史温度数据以及历史时序信息；
根据历史温度数据以及历史时序信息构建预测模型。
3.根据权利要求1所述的方法，其特征在于，通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性，包括：
通过所述预测模型，根据所述时序信息，采用设定的滑动窗口提取所述温度数据的特征，所述温度数据的特征包括各组模组在不同时刻的温度；
根据所述温度数据的特征预测各组模组之间的温度一致性。
4.根据权利要求3所述的方法，其特征在于，根据所述温度数据的特征预测各组模组之间的温度一致性，包括：
基于增强学习AdaBoost算法对所述温度数据的特征进行分类，以预测各组模组之间的温度一致性。
5.根据权利要求1所述的方法，其特征在于，所述车辆状态数据还包括以下至少之一：车辆编码、单体温度、单体电压、单体电流、充放电状态、充放电电流、充放电电压、车辆工作状态、单体电压极值、单体电流极值、单体温度极值、电池管理***报警信息。
6.一种温度一致性预测装置，其特征在于，包括：
采集模块，用于采集车辆状态数据，所述车辆状态数据包括通过每组模组单体之间的共用温度传感器所采集的温度数据以及时序信息；
预测模块，用于通过预测模型根据所述车辆状态数据预测各组模组之间的温度一致性；
所述预测模块，包括：
预处理模块，用于对所述车辆状态数据进行预处理；所述预处理包括以下至少之一：数据去重；不可用值处理；异常数据处理；报警矫正；电流修正；电压修正；温度矫正；
计算单元，用于通过预测模型，按照所述时序信息，依次计算各组模组在每个时刻的最高温度与最低温度的差值；
计数单元，用于对于每个时刻，若所述差值大于或等于第一阈值，则计数器的计数值在前一时刻的计数值的基础上加1，若所述差值小于第一阈值，则计数器的计数值清零；
判定单元，用于若计数器的计数值达到第二阈值，则判定各组模组之间的温度不符合一致性。
7.一种预测设备，其特征在于，包括：
一个或多个处理器；
存储器，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，使得所述一个或多个处理器实现如权利要求1-5中任一所述的温度一致性预测方法。
8.一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1-5中任一所述的温度一致性预测方法。
CN202110227426.0A 2021-03-01 2021-03-01 温度一致性预测方法、装置、预测设备及存储介质 Active CN113022378B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110227426.0A CN113022378B (zh) 2021-03-01 2021-03-01 温度一致性预测方法、装置、预测设备及存储介质
PCT/CN2021/141562 WO2022183817A1 (zh) 2021-03-01 2021-12-27 温度一致性预测方法、装置、预测设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110227426.0A CN113022378B (zh) 2021-03-01 2021-03-01 温度一致性预测方法、装置、预测设备及存储介质

Publications (2)

Publication Number Publication Date
CN113022378A CN113022378A (zh) 2021-06-25
CN113022378B true CN113022378B (zh) 2023-03-07

Family

ID=76465351

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110227426.0A Active CN113022378B (zh) 2021-03-01 2021-03-01 温度一致性预测方法、装置、预测设备及存储介质

Country Status (2)

Country Link
CN (1) CN113022378B (zh)
WO (1) WO2022183817A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113606752B (zh) * 2021-06-29 2023-03-03 宁波德业日用电器科技有限公司 避免跳变的除湿机湿度显示方法
CN113978311B (zh) * 2021-10-15 2024-05-17 潍柴动力股份有限公司 一种电池温度修正方法、装置及电子设备
CN115902656A (zh) * 2022-11-14 2023-04-04 上海玫克生储能科技有限公司 2/3/4轮的电动车电池检测方法、***、存储介质及充电桩
CN115799690B (zh) * 2022-11-17 2023-12-26 厦门海辰储能科技股份有限公司 一种储能设备的运行方法及***
CN115986874B (zh) * 2022-12-26 2023-11-24 昆山金鑫新能源科技股份有限公司 一种电池充电安全监测预警方法及***
CN117691227B (zh) * 2024-02-04 2024-04-26 江苏林洋亿纬储能科技有限公司 用于电池储能***安全预警的方法和***及计算设备

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105904992A (zh) * 2016-06-07 2016-08-31 烟台创为新能源科技有限公司 一种电动汽车的电池监控管理***及其监控方法
CN205674885U (zh) * 2016-06-07 2016-11-09 烟台创为新能源科技有限公司 一种电动汽车的电池检测管理***
WO2017191339A1 (es) * 2016-05-02 2017-11-09 Torrot Electric Europa, S.L. Sistema de gestión, diagnosis e interconexión de varias baterías de propulsión de un vehículo eléctrico
CN109987000A (zh) * 2019-02-19 2019-07-09 中国第一汽车股份有限公司 一种动力电池温度预测***及方法
CN110133508A (zh) * 2019-04-24 2019-08-16 上海博强微电子有限公司 电动汽车动力电池的安全预警方法
CN110532600A (zh) * 2019-07-19 2019-12-03 北京航空航天大学 一种动力电池热管理***及方法
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
CN111653840A (zh) * 2020-06-08 2020-09-11 中国第一汽车股份有限公司 一种预警方法、装置、设备及存储介质
CN111812518A (zh) * 2019-12-25 2020-10-23 北京嘀嘀无限科技发展有限公司 电池状态监控方法、存储介质和***
CN111948541A (zh) * 2020-08-13 2020-11-17 中国第一汽车股份有限公司 车辆电池过压预测方法、装置、服务器及存储介质
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

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005011757A (ja) * 2003-06-20 2005-01-13 Toyota Motor Corp 二次電池の温度異常検知装置および異常検知方法
CN101431228B (zh) * 2008-12-18 2010-10-27 华为终端有限公司 一种热保护控制方法及***
US20110082621A1 (en) * 2009-10-02 2011-04-07 Eric Berkobin Method and system for predicting battery life based on vehicle battery, usage, and environmental data
US8914173B2 (en) * 2010-12-21 2014-12-16 GM Global Technology Operations LLC Method and system for conditioning an energy storage system (ESS) for a vehicle
CN102903948B (zh) * 2011-07-28 2015-12-02 比亚迪股份有限公司 一种动力电池模组及其制作方法
CN102655346B (zh) * 2012-04-25 2016-04-20 浙江大学 具有自动平衡能力的智能电池模块及电池组
KR101567632B1 (ko) * 2013-06-28 2015-11-09 현대자동차주식회사 배터리시스템의 온도 제어장치 및 그 제어방법
FI127220B (fi) * 2014-06-06 2018-01-31 Polar Heater Oy Akun monitorointilaite akun kunnon ilmaisemiseksi ja akun monitorointilaitteen valmistusmenetelmä
US10099562B2 (en) * 2014-10-15 2018-10-16 Johnson Controls Technology Company Cooling strategy for battery systems
KR102559199B1 (ko) * 2015-11-02 2023-07-25 삼성전자주식회사 배터리 관리 방법 및 배터리 관리 장치
JP6622380B2 (ja) * 2016-03-10 2019-12-18 株式会社東芝 蓄電池装置及び方法
JP6758879B2 (ja) * 2016-03-31 2020-09-23 株式会社東芝 切換制御装置および切換制御方法
EP3255721B1 (en) * 2016-06-08 2020-04-29 Robert Bosch GmbH Method for controlling a temperature of a battery cell
US11691518B2 (en) * 2017-07-21 2023-07-04 Quantumscape Battery, Inc. Predictive model for estimating battery states
US10627451B2 (en) * 2017-07-28 2020-04-21 Northstar Battery Company, Llc Systems and methods for detecting battery theft
US10608443B2 (en) * 2017-08-15 2020-03-31 Dell Products L.P. Battery management using battery temperature distribution
CN110286584A (zh) * 2018-03-19 2019-09-27 罗伯特·博世有限公司 机动车降温控制***和方法
JP7200762B2 (ja) * 2019-03-12 2023-01-10 トヨタ自動車株式会社 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム
CN109962317B (zh) * 2019-03-27 2020-11-27 山东大学 一种电动汽车电池模组热管理和能量回收***及方法
CN110492186B (zh) * 2019-07-02 2021-10-01 北京航空航天大学 一种基于云端控制技术的动力电池模组的管理方法
US20210005027A1 (en) * 2019-07-04 2021-01-07 QodeLogix Systems Inc. System and method for battery maintenance management
CN110929451A (zh) * 2019-10-24 2020-03-27 同济大学 一种燃料电池单体电压一致性预测方法
CN110703107B (zh) * 2019-11-05 2022-03-08 中国第一汽车股份有限公司 动力电池的一致性判断方法、装置、设备及存储介质
CN111786057B (zh) * 2020-06-16 2022-02-25 恒大恒驰新能源汽车研究院(上海)有限公司 车辆的电池温度均衡控制方法、控制装置及存储介质
CN112248879A (zh) * 2020-10-16 2021-01-22 怀化新大地电脑有限公司 电池管理***
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

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017191339A1 (es) * 2016-05-02 2017-11-09 Torrot Electric Europa, S.L. Sistema de gestión, diagnosis e interconexión de varias baterías de propulsión de un vehículo eléctrico
CN105904992A (zh) * 2016-06-07 2016-08-31 烟台创为新能源科技有限公司 一种电动汽车的电池监控管理***及其监控方法
CN205674885U (zh) * 2016-06-07 2016-11-09 烟台创为新能源科技有限公司 一种电动汽车的电池检测管理***
CN109987000A (zh) * 2019-02-19 2019-07-09 中国第一汽车股份有限公司 一种动力电池温度预测***及方法
CN110133508A (zh) * 2019-04-24 2019-08-16 上海博强微电子有限公司 电动汽车动力电池的安全预警方法
CN110532600A (zh) * 2019-07-19 2019-12-03 北京航空航天大学 一种动力电池热管理***及方法
CN111812518A (zh) * 2019-12-25 2020-10-23 北京嘀嘀无限科技发展有限公司 电池状态监控方法、存储介质和***
CN111572350A (zh) * 2020-05-29 2020-08-25 北京经纬恒润科技有限公司 电动汽车起火预警方法及装置
CN111653840A (zh) * 2020-06-08 2020-09-11 中国第一汽车股份有限公司 一种预警方法、装置、设备及存储介质
CN111948541A (zh) * 2020-08-13 2020-11-17 中国第一汽车股份有限公司 车辆电池过压预测方法、装置、服务器及存储介质
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

Also Published As

Publication number Publication date
WO2022183817A1 (zh) 2022-09-09
CN113022378A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113022378B (zh) 温度一致性预测方法、装置、预测设备及存储介质
CN114072684A (zh) 在服务器侧表征能重复充电的电池
CN109001640B (zh) 一种动力电池的数据处理方法和装置
CN109100655B (zh) 一种动力电池的数据处理方法和装置
WO2023045790A1 (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
CN114386537B (zh) 基于CatBoost的锂电池故障诊断方法、装置及电子设备
CN115356639B (zh) 一种双向锂离子电池智能健康监控方法及***
CN115407211B (zh) 一种电动汽车锂电池健康状态在线预测方法及***
US20230059529A1 (en) Characterization of Rechargeable Batteries Using Machine-Learned Algorithms
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及***
CN114579644B (zh) 基于深度学习的电池有效充电数据识别方法、设备和介质
CN116559667A (zh) 模型训练方法及装置、电池检测方法及装置、设备、介质
CN116796623A (zh) 锂电池soc的预测方法、***、设备和介质
CN117169751A (zh) 基于机器学习的储能电站故障监测管理***与方法
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114579659A (zh) 一种梯次利用动力电池利用潜力评估及分选***和方法
CN117310538A (zh) 一种电量剩余转化效率自检测的储能电池电量监控***
CN117289167A (zh) 基于多重神经网络的电池剩余寿命预测方法、装置及介质
CN117310500A (zh) 电池状态分类模型构建方法及电池状态分类方法
CN116224091B (zh) 电池的电芯故障检测方法、装置、电子设备及存储介质
CN115616333A (zh) 一种配电网线损预测方法及***
CN115291113A (zh) 一种统一的锂离子电池soc、soh和rul的联合估计方法及***
Xia et al. Technologies for Energy Storage Power Stations Safety Operation: Battery State Evaluation Survey and a Critical Analysis
CN115389947B (zh) 锂电池健康状态的预测方法、装置、电子设备及存储介质
Sarma et al. Data Acquisition of Battery Variables and Estimation of Battery State of Health

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