CN115817283B - 一种新能源汽车电池监测方法和*** - Google Patents
一种新能源汽车电池监测方法和*** Download PDFInfo
- Publication number
- CN115817283B CN115817283B CN202211527892.1A CN202211527892A CN115817283B CN 115817283 B CN115817283 B CN 115817283B CN 202211527892 A CN202211527892 A CN 202211527892A CN 115817283 B CN115817283 B CN 115817283B
- Authority
- CN
- China
- Prior art keywords
- battery
- temperature data
- battery temperature
- data
- layer
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000001816 cooling Methods 0.000 claims description 122
- 238000010438 heat treatment Methods 0.000 claims description 95
- 238000010792 warming Methods 0.000 claims description 43
- 238000011282 treatment Methods 0.000 claims description 31
- 230000015654 memory Effects 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000004321 preservation Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 50
- 230000006870 function Effects 0.000 description 20
- 230000008569 process Effects 0.000 description 16
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 5
- 238000007405 data analysis Methods 0.000 description 4
- 230000000630 rising effect Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 description 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本说明书实施例提供一种新能源汽车电池监测的方法和***，该方法包括：获取电池的环境温度数据和电池温度数据；基于环境温度数据和电池温度数据，确定监测预警方案和辅助处理方案。
Description
技术领域
本说明书涉及新能源汽车电池领域，特别涉及一种新能源汽车电池监测方法和***。
背景技术
新能源汽车以其绿色环保、节能减排等独特优势，得到了广泛的应用。但是新能源汽车电池也易受到温度的影响。当温度过高或过低时，对电池均有影响进而导致电池的寿命缩短，有时甚至可能引发电池***等安全事故。
因此，希望提供一种新能源汽车电池监测方法和***，可以对电池的温度进行实时监测和管理，以提高新能源汽车续航能力和电池的使用寿命，满足用户需求。
发明内容
本说明书一个或多个实施例提供一种新能源汽车电池监测方法。所述新能源汽车电池监测方法包括：获取电池的环境温度数据和电池温度数据；基于所述环境温度数据和所述电池温度数据，确定监测预警方案和辅助处理方案。
本说明书一个或多个实施例提供一种新能源汽车电池监测***，所述新能源汽车电池监测***包括：获取模块和确定模块；所述获取模块用于获取电池的环境温度数据和电池温度数据；所述确定模块用于基于所述环境温度数据和所述电池温度数据，确定监测预警方案和辅助处理方案。
本说明书一个或多个实施例提供一种新能源汽车电池监测装置，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器，执行所述计算机指令中的至少部分指令，以实现新能源汽车电池监测方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行新能源汽车电池监测方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的新能源汽车电池监测***的应用场景示意图；
图2是根据本说明书一些实施例所示的新能源汽车电池监测***的示例性模块图；
图3是根据本说明书一些实施例所示的新能源汽车电池监测方法的示例性流程图；
图4是根据本说明书一些实施例所示的确定加热装置的加热功率的示例性示意图；
图5是根据本说明书一些实施例所示的升温模型的示例性示意图；
图6是根据本说明书一些实施例所示的冷却模型的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的新能源汽车电池监测***的应用场景示意图。
如图1所示，新能源汽车电池监测***的应用场景100中可以包括新能源汽车110、处理器120、存储设备130、用户终端140和网络150。
新能源汽车110可以包括多种类型的汽车。例如，新能源汽车110可以是轿车、SUV、货车等。新能源汽车110可以包括与汽车的电池相关的各个装置组成的电池***110-1，以及新能源汽车车体110-2。电池***110-1是新能源汽车发动行驶的动力来源。例如，电池***110-1可以是铅酸电池***、镍氢电池***、锂离子电池***等。新能源汽车110的电池***110-1可以是新能源汽车电池监测***的一部分。处理器120可以通过新能源汽车的电池***110-1获取电池的环境温度数据和电池温度数据。
处理器120可以用于执行本说明书中一个或多个实施例中揭示的一个或多个功能。例如，处理器120可以用于基于环境温度数据和电池温度数据，确定监测预警方案和辅助处理方案。又例如，处理器120可以用于基于环境温度数据、预设加热功率和电池的放热数据，通过升温模型，确定电池的预测工作电压，基于预测工作电压，确定加热装置的加热功率。
在一些实施例中，处理器120可以包括一个或以上处理引擎(例如，单芯片处理引擎或多芯片处理引擎)。仅作为示例，处理器120可以包括中央处理单元(CPU)、专用集成电路(ASIC)、专用指令处理器(ASIP)、图形处理器(GPU)、物理处理器(PPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编辑逻辑电路(PLD)、控制器、微控制器单元、精简指令集电脑(RISC)、微处理器等或以上任意组合。
存储设备130可以用于存储与新能源汽车监测***的应用场景100相关的数据和/或指令。在一些实施例中，存储设备130可以存储从新能源汽车110、处理器120等获得的数据和/或信息。例如，存储设备130可以存储环境温度数据、电池温度数据、电池的放热数据等。
存储设备130可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，存储设备130可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。示例性的，大容量储存器可以包括磁盘、光盘、固态磁盘等。在一些实施例中，所述存储设备130可在云平台上实现。
用户终端140可以指新能源汽车司机所使用的一个或多个终端设备或软件。在一些实施例中，用户终端140可以包括移动设备、平板电脑、笔记本电脑、台式电脑等或其任意组合。在一些实施例中，处理器120可以通过用户终端140与新能源汽车司机进行交互。上述示例仅用于说明用户终端范围的广泛性而非对其范围的限制。
网络150可以连接***的各组成部分和/或连接***与外部资源部分。网络150使得各组成部分之间，以及与***之外其他部分之间可以进行通讯，促进数据和/或信息的交换。例如，处理器120可以通过网络150从存储设备130中获取环境温度数据和电池温度数据。
在一些实施例中，网络150可以是有线网络或无线网络中的任意一种或多种。例如，网络150可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。各部分之间的网络连接可以是采用上述一种方式，也可以是采取多种方式。在一些实施例中，网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
应当注意新能源汽车电池监测***的应用场景100仅仅是为了说明的目的而提供的，并不意图限制本申请的范围。对于本领域的普通技术人员来说，可以根据本说明书的描述，做出多种修改或变化。例如，新能源汽车电池监测***的应用场景100可以在其它设备上实现类似或不同的功能。然而，这些变化和修改不会背离本申请的范围。
图2是根据本说明书一些实施例所示的新能源汽车电池监测***的示例性模块图。如图2所示，新能源汽车电池监测***200包括获取模块210、确定模块220。
在一些实施例中，获取模块210可以用于获取电池的环境温度数据和电池温度数据。
在一些实施例中，确定模块220可以用于基于环境温度数据和电池温度数据，确定监测预警方案和辅助处理方案。其中，关于监测预警方案和辅助处理方案的具体内容可以详见图3的描述。
在一些实施例中，确定模块220可以进一步用于判断电池温度数据是否满足第一预设条件；响应于电池温度数据满足第一预设条件，确定辅助处理方案，其中，辅助处理方案为通过加热装置对电池进行保温处理。
在一些实施例中，确定模块220可以进一步用于基于电池温度数据、预设加热功率和电池的放热数据，通过升温模型，确定电池的预测工作电压，其中，升温模型为机器学习模型；基于预测工作电压，确定加热装置的加热功率。
在一些实施例中，升温模型还可以包括第一嵌入层，基于环境温度数据，通过第一嵌入层确定环境温度特征，其中，环境温度特征为升温模型的第一确定层的输入。
在一些实施例中，加热装置的加热功率相关于电池的剩余电量和/电池的电量使用速率。
在一些实施例中，确定模块220可以进一步用于判断电池温度数据是否满足第二预设条件；响应于电池温度数据满足第二预设条件，确定辅助处理方案，其中，辅助处理方案为通过冷却装置对电池进行冷却处理。
在一些实施例中，确定模块220可以进一步用于基于电池温度数据、预设冷却功率和电池的放热数据，通过冷却模型，确定电池的预测电池温度数据，其中，冷却模型为机器学习模型；基于预测电池温度数据，确定冷却装置的冷却功率。
在一些实施例中，冷却模型可以包括第二输入层，其中，第二输入层与升温模型的第一输入层共享参数。
在一些实施例中，冷却模型还可以包括第二嵌入层，第二嵌入层与升温模型的第一嵌入层共享参数。
应当理解，图2所示的***及其模块可以利用各种方式来实现。例如，在一些实施例中，***及其模块可以通过硬件、软件或者软件和硬件的结合来实现。
需要注意的是，以上对于新能源汽车电池监测***及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该***的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子***与其他模块连接。在一些实施例中，图2中披露的获取模块和确定模块可以是一个***中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的新能源汽车电池监测方法的示例性流程图。在一些实施例中，流程300可以由处理器120执行。流程300可以包括以下步骤：
步骤310，获取电池的环境温度数据和电池温度数据。在一些实施例中，步骤310可以由获取模块210执行。
环境温度数据可以是与电池周围的环境温度相关的数据。环境温度数据可以为多个不同时间点的环境温度。多个时间点可以连续的多个时间点。环境温度数据可以包括环境温度、环境温度升温速率、环境温度降温速率等。例如，环境温度数据可以包括“新能源汽车的电池所处的车内位置的当前时间点周围环境温度为30℃，环境温度升温速率为3℃/h等”。
电池温度数据可以是与电池自身温度相关的数据。电池温度数据可以为多个不同时间点的电池温度。多个时间点可以连续的多个时间点。电池温度数据可以包括电池温度、电池温度升温速率、电池温度降温速率等。例如，电池温度数据可以包括“新能源汽车的当前时间点的电池温度为40℃，环境温度升温速率为5℃/h”。
在一些实施例中，获取模块210可以基于多种方式获取环境温度数据、电池温度数据。例如，新能源汽车的电池布置于后备箱，则环境温度数据可以通过安装在新能源汽车后备箱内的温度传感器获取。电池温度数据可以通过安装在电池外表面的温度传感器获取。温度传感器可以是热电偶、RTD(电阻温度检测器)、热敏电阻和基于半导体的集成电路(IC)等。
步骤320，基于环境温度数据和电池温度数据，确定监测预警方案和辅助处理方案。在一些实施例中，步骤320可以由确定模块220执行。
监测预警方案可以是当电池温度过高或过低时，确定是否向司机发出预警通知，以及如何向司机发出预警通知。例如，监测预警方案可以包括，当电池温度过高为50℃，影响了电池的正常使用，确定向司机发出预警通知，预警通知可以通过汽车中控发出电池温度过高的语音警报，也可以向司机的用户终端(如手机)发出警报信息等。
辅助处理方案可以指当电池温度过高或过低时，确定是否对电池进行处理，以及需要进行电池保温处理还是冷却处理。例如，辅助处理方案可以包括，当电池温度过高为50℃，影响了电池的正常使用，确定对电池进行处理，以及需要对电池进行冷却处理使电池降温。
在一些实施例中，确定模块220可以判断环境温度数据和/或电池温度数据是否满足预设条件，预设条件可以指在低温或高温环境下电池是否需要进行升温或保温处理；响应于环境温度数据和/或电池温度数据满足预设条件，确定监测预警方案和辅助处理方案。例如，电池温度为50℃，预设条件为温度最高阈值为40℃，电池温度满足了预设条件，则确定使用监测预警方案和辅助处理方案。在一些实施例中，电池温度为30℃，预设条件为最高温度阈值为40℃，最低温度阈值为0℃，电池温度数据没有满足预设条件，则不使用监测预警方案和辅助处理方案。
在本说明书一些实施例中，通过监测新能源汽车电池环境温度数据以及电池温度数据的变化情况，当电池温度过高或过低时，确定是否启动辅助处理方案对电池保温或冷却处理，以及采用的保温或冷却功率为多少，以在一定程度上提高车辆续航能力，满足用户需求。
在一些实施例中，确定模块220可以判断电池温度数据是否满足第一预设条件；响应于电池温度数据满足第一预设条件，确定辅助处理方案，其中，辅助处理方案为通过加热装置对电池进行保温处理。
第一预设条件可以指在低温环境下电池需要进行保温处理的条件。第一预设条件可以包括电池温度达到的最低温度阈值、电池降温速率达到的降温速率阈值等中的任意一种。最低温度阈值可以指电池能够正常工作的最低电池温度，例如，最低温度阈值可以是5℃。降温速率阈值可以指电池能够正常工作的最大电池温度降温速率，例如，降温速率阈值为5℃/h。例如，第一预设条件可以是电池温度数据中的电池温度降温速率大于降温速率阈值(如，5℃/h等)或电池温度数据中的电池温度小于最低温度阈值(如5℃等)等。
在一些实施例中，可以根据实际经验确定电池能够正常工作的实际最低温度或最大降温速率。将实际最低温度或最大降温速率作为第一预设条件。
加热装置可以指对新能源汽车电池进行保温处理的装置。例如，加热装置可以是外部空调，通过外部空调吹热风对电池外表面进行升温。又例如，加热装置还可以是PTC(Positive Temperature Coefficient)加热器、硅胶加热膜、挠性电加热膜等。本说明书对此不做限制。
在一些实施例中，保温处理是指新能源汽车电池温度数据满足第一预设条件时，加热装置以新能源汽车电池为电源，对电池外表面进行加热保温使电池能够正常工作。
例如，电池温度数据为0℃，第一预设条件为最低温度阈值5℃，则电池温度数据0℃小于最低温度阈值5℃，满足第一预设条件。确定模块220可以确定对电池使用辅助处理方案，辅助处理方案为通过加热装置对电池进行保温处理。
在一些实施例中，确定模块220可以通过建模或多种数据分析算法对环境温度数据和电池温度数据进行分析处理，确定加热装置的加热功率。数据分析算法可以包括回归分析法、判别分析法、向量匹配、统计分析等多种算法。
在一些实施例中，确定模块220可以基于电池温度数据、预设加热功率和电池的放热数据，通过升温模型，确定电池的预测工作电压，然后基于预测工作电压，确定加热装置的加热功率。关于上述的具体说明可以参见说明书中图4的相关描述。
在本说明书一些实施例中，响应于电池温度数据满足第一预设条件时，对电池及时进行升温处理，可以有效避免电池故障以及汽车故障的发生，提高电池使用寿命。根据实际经验预设的第一预设条件，确定是否启动加热装置对电池进行保温处理，能够比较准确地确定电池是否需要加热，满足用户的使用需求。
在一些实施例中，确定模块220可以判断电池温度数据是否满足第二预设条件；响应于电池温度数据满足第二预设条件，确定辅助处理方案，其中，辅助处理方案为通过冷却装置对电池进行冷却处理。
第二预设条件可以指在高温环境下电池需要进行冷却处理的条件。第二预设条件可以包括电池温度达到的最高温度阈值、电池升温速率达到的升温速率阈值等中的任意一种。最高温度阈值可以指电池能够正常工作的最高电池温度，例如，最高温度阈值可以是40℃。升温速率阈值可以指电池能够正常工作的最大电池温度升温速率，例如，升温速率阈值为5℃/h。例如，第二预设条件可以是电池温度数据中的电池温度升温速率大于升温速率阈值(如，5℃/h等)或电池温度数据中的电池温度大于最高温度阈值(如，40℃等)等。
在一些实施例中，可以根据实际经验确定电池能够正常工作的实际最高温度或最大升温速率。将实际最高温度或最大升温速率作为第二预设条件。
冷却装置可以指对新能源汽车电池进行冷却处理的装置。例如，冷却装置可以是空调循环冷却式、水冷式和风冷式。本说明书对此不做限制。
在一些实施例中，冷却处理是指新能源汽车电池温度数据满足第二预设条件时，冷却装置以新能源汽车电池为电源，对电池外表面进行冷却降温使电池能够正常工作。
例如，电池温度数据为50℃，第一预设条件为最高温度阈值40℃，则电池温度数据50℃大于最高温度阈值40℃，满足第二预设条件，确定对电池使用辅助处理方案，辅助处理方案为通过冷却装置对电池进行冷却处理。
在一些实施例中，确定模块220可以进行通过建模或采用各种多种数据分析算法对环境温度数据和电池温度数据进行分析处理，确定合理的冷却装置的冷却运行功率。数据分析算法可以包括回归分析法、判别分析法、向量匹配、统计分析等多种算法。
在一些实施例中，确定模块220可以基于电池温度数据、预设冷却功率和电池的放热数据，通过冷却模型，确定电池的预测电池温度数据，基于预测电池温度数据，确定冷却装置的所述冷却功率。关于上述的具体说明可以参见说明书中图6的相关描述。
在本说明书一些实施例中，通过对电池及时进行冷却处理，可以有效避免电池故障以及汽车故障的发生，提高电池使用寿命。
应当注意的是，上述有关流程300的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程300进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，获取电池温度数据，基于电池温度数据直接确定监测预警方案和辅助处理方案。
图4是根据本说明书一些实施例所示的确定加热装置的加热功率的示例性示意图。
在一些实施例中，确定模块220可以基于升温模型确定加热装置的加热功率。确定模块220可以基于电池温度数据、预设加热功率和电池的放热数据等，通过升温模型确定电池的预测工作电压。确定模块220可以基于预测工作电压，确定加热装置的加热功率。关于电池温度数据的相关说明可以参见图3的相关描述。
加热功率是指加热装置实际对电池进行保温处理时的工作功率。例如，加热功率可以是50W等。关于加热装置的相关说明可以参见图3。
预设加热功率是指提前预设的加热装置的工作功率。例如，预设加热功率可以是50W、60W等。
电池的放热数据是指电池在工作中，部分电能转化为热能产生的放热数据。例如，电池的放热数据可以是a千焦每小时。
在一些实施例中，加热装置的预设加热功率可以基于新能源汽车实际行驶时间、环境温度数据等人为预设。例如，环境温度越低，预设加热功率越大等。又例如，实际行驶时间越长，预设加热功率越小等。
在一些实施例中，确定模块220可以基于现有数据确定电池的放热数据。例如，确定模块220可以基于现有实验数据、现有实际行驶数据等确定电池的能量转换效率，并进一步确定电池的放热数据。例如，额定电压等其他条件相同的情况下，能量转换效率越高，产生的电能越多，对应的电池的放热数据越小等。
预测工作电压是指预测的在汽车行驶过程中电池可能的工作电压。例如，预测工作电压可以是400V等。在一些实施例中，电池的工作电压也可能与环境温度数据相关。例如，环境温度下降时，同等条件下的电池输出电压可能降低。关于环境温度数据与预测工作电压的相关说明可以参见图5及其相关部分。
如图4所示，加热装置的加热功率可以基于以下步骤确定：
步骤410，基于电池温度数据、预设加热功率和电池的放热数据，通过升温模型，确定电池的预测工作电压。
升温模型412是用于预测新能源汽车在行驶过程中电池的工作电压的模型。在一些实施例中，升温模型可以是机器学习模型。例如，升温模型可以包括循环神经网络模型(Recurrent Neural Network,RNN)、神经网络模型(Neural Networks，NN)、深度神经网络模型(Deep Neural Networks，DNN)等或其任意组合。
在一些实施例中，升温模型412可以基于电池温度数据411-1、预设加热功率411-2和电池的放热数据411-3等确定预测工作电压413。
在一些实施例中，升温模型的输入411可以包括电池温度数据411-1、预设加热功率411-2和电池的放热数据411-3等，输出可以包括预测工作电压413。
在一些实施例中，升温模型可以基于大量的历史数据进行训练。历史数据可以包括第一组训练样本和第一训练标签。在一些实施例中，历史数据可以基于新能源汽车的历史行驶数据由人工采集获取。第一组训练样本中的每组训练样本包括历史相同时间点的历史电池温度数据、历史预设加热功率以及历史电池的放热数据等。第一训练标签中的每个训练标签包括每组训练样本对应的电池的历史工作电压。训练过程包括：将带有第一训练标签的第一组训练样本输入未设置参数的升温模型；基于损失函数迭代更新升温模型的参数直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的升温模型。
在本说明书的另一些实施例中，可能存在包含多个层的升温模型。关于包含多个层的升温模型的相关说明可以参见图5及其相关描述。
步骤420，基于预测工作电压，确定加热装置的加热功率。
在一些实施例中，确定模块220可以基于第一预设规则从多个预设加热功率中确定加热装置的加热功率。其中，第一预设规则可以是选择预设加热功率中的最小值等。例如，确定模块220可以将多个预设功率中的最小值确定为加热装置的加热功率。
在一些实施例中，确定模块220还可以基于多个不同的预设加热功率对应的多个预测工作电压确定加热装置的加热功率。在一些实施例中，确定模块220可以选择最接近第一预设电压的预测工作电压所对应的预设加热功率作为加热装置的加热功率。第一预设电压可以是新能源汽车能够正常、平稳行驶的电压。例如，第一预设电压可以是电池正常工作的电压范围的中间值等。在一些实施例中，第一预设电压可以基于电池正常工作时的电压范围确定。例如，当电池正常工作时的电压为320V～380V时，第一预设电压可以是350V等。第一预设电压还可以基于多种方式确定，在此不做限定。
在一些实施例中，确定模块220通过升温模型预测电池的工作电压，并进一步确定加热装置的加热功率，可以提高对电池的加热效率，避免人工反复调节的繁琐操作。
在一些实施例中，加热装置的加热功率还可以相关于电池的剩余电量和/或电池的电量使用速率。
电池的剩余电量可以是剩余的电量占电池总电量的百分比。例如，电池剩余电量可以是70％等。在一些实施例中，电池剩余电量可以通过仪表盘等装置获取。
电池的电量使用速率可以是单位时间内(如，1小时等)电池使用电量占电池总电量的百分比。例如，电池的电量使用速率可以是10％/h等。在一些实施例中，电池的电量使用速率可以基于现有实验数据、现有实际行驶数据等获取。
在一些实施例中，加热装置的加热功率还可以与电池的剩余电量和/或电池的电量使用速率相关。例如，确定模块220可以通过第二预设电压确定加热装置与电池的剩余电量和/或电池的电量使用速率的关系。第二预设电压是能降低对新能源汽车续航能力影响的电池工作电压。
在一些实施例中，当电池的剩余电量较低时，第二预设电压可以设置为电池正常工作电压范围的较低值。例如，当电池正常工作的电压范围为320V～380V时，第二预设电压可以是330V等。
在一些实施例中，当电池的电量使用速率高于第一预设阈值(例如，20％/h)时，第二预设电压可以设置为电池正常工作电压范围的较低值。第一预设阈值可以指电池的电量使用速率的最大值。例如，当电池正常工作的电压范围为320V～380V时，第二预设电压可以是330V等。
在一些实施例中，确定模块220可以选择最接近第二预设电压的预测工作电压所对应的预设加热功率作为加热装置的加热功率。
在一些实施例中，加热装置的加热功率相关于电池的剩余电量和/或电池的电量使用速率，可以在降低对汽车续航能力的影响的同时，对电池进行加热处理，更好地满足用户需要。
图5是根据本说明书一些实施例所示的升温模型的示例性示意图。如图5所示，升温模型500可以包括第一输入层510、第一确定层530等。
第一输入层510可以用于提取电池温度特征。在一些实施例中，第一输入层可以为机器学习模型，例如，长短期记忆网络模型(Long Short-Term Memory，LSTM)等。在一些实施例中，第一输入层的输入可以包括电池温度数据411-1。电池温度数据411-1可以包括多个时间点的温度数据。第一输入层的输出可以包括电池温度特征510-1。关于电池温度数据的相关说明可以参见图3。
电池温度特征510-1是指电池温度数据对应的特征。电池温度特征可以包括多个不同时间点的温度特征、温度变化特征、最高温度特征等。在一些实施例中，多个不同时间点的温度特征中可以包括连续时间点的温度变化特征。电池温度特征可以通过温度特征向量进行表示。例如，温度特征向量(T1，T2，T3，…，Tn)可以表示不同时间点的电池温度特征。其中，T1，T2，T3，…，Tn分别表示第1个、第2个、第3个、…、第n个时间点对应的电池温度数据。最高温度特征可以指多个电池温度数据中最大的电池温度数据对应的特征向量。例如，最高温度特征可以是Tmax。温度变化特征可以指多个时间点的电池温度数据变化情况的特征向量。例如，温度变化特征可以是(+5℃，-1℃，…)等。其中，温度变化特征中的不同元素表示不同时间点的电池温度数据变化情况。例如+5℃表示第1个时间点电池温度上升5℃，-1℃表示第2个时间点电池温度下降1℃等。
第一确定层530可以用于预测电池的工作电压。在一些实施例中，第一确定层可以为机器学习模型，例如，循环神经网络模型、神经网络模型、深度神经网络模型等或其任意组合。在一些实施例中，第一确定层的输入可以包括电池温度特征510-1、预设加热功率411-2、电池的放热数据411-3等，输出可以包括预测工作电压413。关于预设加热功率、电池的放热数据、预测工作电压的详细说明可以参见图4。
在一些实施例中，升温模型还可以包括第一嵌入层，用于基于环境温度数据，确定环境温度特征。其中，环境温度特征可以作为升温模型的第一确定层的输入。
第一嵌入层520可以用于获取环境温度特征。在一些实施例中，第一嵌入层可以是长短期记忆网络模型等。在一些实施例中，第一嵌入层的输入包括环境温度数据520-1，输出包括环境温度特征520-2。关于环境温度数据的详细说明可以参见图3。
环境温度特征520-2是指环境温度数据对应的特征。在一些实施例中，环境温度特征可以是包括多个不同时间点的环境温度数据的特征向量。环境温度特征中的不同元素表示不同时间点对应的环境温度数据。
在一些实施例中，考虑环境温度数据对电池工作电压的影响，可以提升模型输出的准确度。
在一些实施例中，升温模型可以由第一输入层、第一确定层联合训练确定。
在一些实施例中，升温模型的第二组训练样本中的每组训练样本可以包括历史相同时间点的历史电池温度数据、历史加热功率、历史电池的放热数据等。在一些实施例中，升温模型的第二训练标签中的每个训练标签可以包括每组训练样本对应的电池的历史工作电压等。在一些实施例中，第二组训练样本和第二训练标签可以基于汽车的历史行驶过程中产生的相关数据进行获取。
在一些实施例中，第一输入层输出的电池温度特征可以作为第一确定层的输入。联合训练的过程可以包括：将第二组训练样本中的历史电池温度数据作为第一输入层的输入；将第一输入层输出的电池温度特征和第二组训练样本中的历史加热功率、历史电池的放热数据等作为第一确定层的输入，以确定升温模型的输出；将升温模型输出的预测工作电压与第二训练标签输入损失函数；基于损失函数迭代更新升温模型直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的升温模型。
在一些实施例中，升温模型的训练还包括第一嵌入层的训练。在一些实施例中，第一嵌入层可以基于嵌入层样本和嵌入层标签确定。在一些实施例中，嵌入层样本可以包括历史环境温度数据，嵌入层标签可以包括历史环境温度特征。训练过程包括：将带有嵌入层标签的嵌入层样本输入第一嵌入层，通过训练更新第一嵌入层的参数直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件。
在一些实施例中，第一嵌入层还可以与第一输入层、第一确定层联合训练确定。嵌入层样本和嵌入层标签与第二组训练样本和第二训练标签可以为一一对应关系。例如，多个训练样本和标签中的每个训练样本和标签均为历史相同时间点的历史数据。在一些实施例中，第一嵌入层输出的环境温度特征可以作为第一确定层的输入。联合训练的过程可以包括：将第二组训练样本中的历史电池温度数据作为第一输入层的输入；将嵌入层样本中的相同时间点的历史环境温度数据作为第一嵌入层的输入；将第一输入层输出的电池温度特征、第一嵌入层输出的环境温度特征和第二组训练样本中相同时间点的历史加热功率、历史电池的放热数据等作为第一确定层的输入，以确定升温模型的输出；将升温模型输出的预测工作电压与第二训练标签输入损失函数；基于损失函数迭代更新升温模型直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的升温模型。
在一些实施例中，第一输入层和第一确定层联合训练可以提升获得的升温模型输出的准确性。
在一些实施例中，升温模型包括第一嵌入层、第一输入层和第一确定层等多个层，可以更好地预测电池的工作电压。
图6是根据本说明书一些实施例所示的冷却模型的示例性示意图。
在一些实施例中，当电池温度数据满足第二预设条件时，确定模块220可以控制冷却装置对电池进行冷却处理。关于第二预设条件的相关说明可以参见图3及其相关部分。
在一些实施例中，确定模块220可以基于冷却模型确定冷却装置的冷却功率。确定模块220可以基于电池温度数据、预设冷却功率和电池的放热数据等，通过冷却模型确定预测电池温度数据。确定模块220可以基于预测电池温度数据，确定冷却装置的冷却功率。关于电池温度数据的相关说明可以参见图3。关于电池的放热数据的相关说明可以参见图4。
冷却功率是指冷却装置实际对电池进行冷却处理时的工作功率。例如，冷却功率可以是60W等。关于冷却装置的详细说明可以参见图3。
预设冷却功率是指提前预设的冷却装置的工作功率。例如，预设冷却功率可以是40W、50W等。
在一些实施例中，冷却装置的预设冷却功率可以基于新能源汽车实际行驶时间、环境温度数据等人为预设。例如，环境温度数据越高，预设冷却功率越大。又例如，实际行驶时间越长，预设冷却功率越大等。
预测电池温度数据是指新能源汽车在行驶过程中电池可能的工作温度。例如，预测电池温度数据可以是25℃等。在一些实施例中，预测电池温度数据可以用于确定冷却装置的冷却功率，详细说明可以参见后文相关部分。
在一些实施例中，预测电池温度数据可以基于历史行驶数据、环境温度数据等人为确定。例如，环境温度越高，预测电池温度数据越高。又例如，新能源汽车行驶时间越长，预测电池温度数据越高等。
在一些实施例中，预测电池温度数据还可以基于冷却模型确定。
冷却模型是用于获取新能源汽车在行驶过程中的预测电池温度数据的模型。在一些实施例中，冷却模型可以是机器学习模型。例如，冷却模型可以包括循环神经网络模型、神经网络模型、深度神经网络模型等或其任意组合。
如图6所示，冷却模型600可以包括第二输入层610、第二确定层640等。
第二输入层610可以用于提取电池温度特征。在一些实施例中，第二输入层可以为机器学习模型，例如，长短期记忆网络模型等。在一些实施例中，第二输入层的输入可以包括电池温度数据411-1，输出可以包括电池温度特征510-1。关于电池温度数据的相关说明可以参见图3。关于电池温度特征的说明可以参见图5。
第二确定层640可以用于获取预测电池温度数据。在一些实施例中，第二确定层可以是机器学习模型。例如，循环神经网络模型、神经网络模型、深度神经网络模型等或其任意组合。在一些实施例中，第二确定层的输入可以包括电池温度特征510-1、预设冷却功率630以及电池的放热数据411-3等，输出可以包括预测电池温度数据650等。关于电池温度特征、预设冷却功率、电池的放热数据以及预测电池温度数据的详细说明可以参见前文相关部分。
在一些实施例中，冷却模型还可以包括第二嵌入层，用于基于环境温度数据，确定环境温度特征。其中，环境温度特征可以作为冷却模型的第二确定层的输入。
第二嵌入层620可以用于获取环境温度特征。在一些实施例中，第二嵌入层可以是长短期记忆网络模型等。在一些实施例中，第二嵌入层的输入包括环境温度数据520-1，输出包括环境温度特征520-2。关于环境温度数据的详细说明可以参见图3。关于环境温度特征的详细说明可以参见图5。
在一些实施例中，冷却模型可以由第二输入层、第二确定层联合训练确定。
在一些实施例中，冷却模型的第三组训练样本中的每组训练样本可以包括历史相同时间点的历史电池温度数据、历史冷却功率以及历史电池的放热数据等。在一些实施例中，冷却模型的第三训练标签中的每个训练标签可以包括每组训练样本对应的电池的历史工作温度等。在一些实施例中，第三组训练样本和第三训练标签可以基于汽车的历史行驶过程中产生的相关数据进行获取。
在一些实施例中，第二输入层输出的电池温度特征可以作为第二确定层的输入。联合训练的过程可以包括：将第三组训练样本中的历史电池温度数据作为第二输入层的输入；将第二输入层输出的电池温度特征和第三组训练样本中的历史冷却功率、历史电池的放热数据等作为第二确定层的输入，以确定冷却模型的输出；将冷却模型输出的预测电池温度数据与第三训练标签输入损失函数；基于损失函数迭代更新冷却模型直至满足损失函数小于阈值、收敛，或训练周期达到阈值等条件，获取训练好的冷却模型。
在一些实施例中，可以将升温模型中训练好的第一嵌入层作为冷却模型的第二嵌入层，无需单独训练第二嵌入层。
在一些实施例中，第二输入层和第二确定层联合训练可以提升获得的冷却模型输出的准确性。
在一些实施例中，冷却模型的第二输入层可以与升温模型的第一输入层共享参数。
在一些实施例中，冷却模型的第二嵌入层可以与升温模型的第一嵌入层共享参数。
在一些实施例中，冷却模型和升温模型嵌入层和输入层共享参数，可以减少模型训练的时间，提高效率，节约成本。
在一些实施例中，确定模块220可以基于第二预设规则从多个预设冷却功率中确定冷却装置的冷却功率。其中，第二预设规则可以包括多种，例如，选择多个预设冷却功率中的最小值等。
在一些实施例中，确定模块220还可以基于多个不同的预设冷却功率所对应的多个预测电池温度数据确定冷却装置的冷却功率。
在一些实施例中，确定模块220可以选择最接近安全温度的预测电池温度数据所对应的预设冷却功率作为冷却装置的冷却功率。安全温度可以是电池能够正常工作的温度。例如，安全温度可以是35℃等。在一些实施例中，安全温度可以基于历史行驶数据人为预设。在一些实施例中，当电池的最高温度特征高于第二预设阈值(例如，40℃)时，需要增大冷却装置的冷却功率。第二预设阈值可以指电池的最大温度。在一些实施例中，当温度变化特征中的某一元素高于第三预设阈值(例如，+5℃)时，需要增大冷却装置的冷却功率。第三预设阈值可以指温度变化的最大值。关于最高温度特征、温度变化特征的更多说明书可以参见图5的相关描述。
在本说明书的一些实施例中，通过冷却模型可以比较准确地根据电池温度数据等确定冷却装置的比较合适的冷却功率，以获得更好的冷却效果。
本说明书一些实施例提供一种新能源汽车电池监测装置，包括至少一个处理器以及至少一个存储器。至少一个存储器用于存储计算机指令；至少一个处理器用于执行计算机指令中的至少部分指令以实现上述新能源汽车电池监测方法。
本说明书一些实施例，提供了一种计算机可读存储介质，该存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机运行上述新能源汽车电池监测方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (4)
1.一种新能源汽车电池监测方法，其特征在于，所述方法包括：
获取电池的环境温度数据和电池温度数据；其中，所述环境温度数据包括环境温度、环境温度升温速率和环境温度降温速率，所述电池温度数据包括电池温度、电池温度升温速率和电池温度降温速率；基于所述环境温度数据和所述电池温度数据，确定监测预警方案和辅助处理方案，所述辅助处理方案包括通过加热装置对所述电池进行保温处理和通过冷却装置对所述电池进行冷却处理，其中包括：
判断所述电池温度数据是否满足第一预设条件，所述第一预设条件包括电池温度达到最低温度阈值、电池降温速率达到降温速率阈值中的一种；
响应于所述电池温度数据满足所述第一预设条件，基于所述电池温度数据、预设加热功率和电池的放热数据，通过升温模型，确定所述电池的预测工作电压，其中，所述升温模型为机器学习模型，所述升温模型包括第一输入层、第一嵌入层和第一确定层，所述第一输入层的输入包括所述电池温度数据，所述第一输入层的输出包括电池温度特征；所述第一嵌入层的输入包括所述环境温度数据，所述第一嵌入层的输出包括环境温度特征；所述第一确定层的输入包括所述电池温度特征、所述预设加热功率、所述电池的放热数据和所述环境温度特征，所述第一确定层的输出包括预测工作电压；
基于所述预测工作电压以及电池的剩余电量和/或电池的电量使用速率，确定所述加热装置的所述加热功率；
判断所述电池温度数据是否满足第二预设条件，所述第二预设条件包括所述电池温度达到最高温度阈值、电池升温速率达到升温速率阈值中的一种；
响应于所述电池温度数据满足所述第二预设条件，通过冷却模型确定预测电池温度数据，所述冷却模型包括第二输入层、第二确定层和第二嵌入层，所述第二输入层与所述升温模型的所述第一输入层共享参数，所述第二输入层的输入包括所述电池温度数据，输出包括所述电池温度特征；所述第二嵌入层与所述升温模型的所述第一嵌入层共享参数，所述第二嵌入层的输入包括所述环境温度数据，输出包括所述环境温度特征；所述第二确定层的输入包括所述电池温度特征、预设冷却功率、所述电池的放热数据及所述环境温度特征，输出包括所述预测电池温度数据；
基于所述预测电池温度数据，确定所述冷却装置的所述冷却功率。
2.一种新能源汽车电池监测***，其特征在于，包括：获取模块和确定模块；
所述获取模块用于获取电池的环境温度数据和电池温度数据；其中，所述环境温度数据包括环境温度、环境温度升温速率和环境温度降温速率，所述电池温度数据包括电池温度、电池温度升温速率和电池温度降温速率；
所述确定模块用于基于所述环境温度数据和所述电池温度数据，确定监测预警方案和辅助处理方案，所述辅助处理方案包括通过加热装置对所述电池进行保温处理和通过冷却装置对所述电池进行冷却处理，所述确定模块还用于：
判断所述电池温度数据是否满足第一预设条件，所述第一预设条件包括电池温度达到最低温度阈值、电池降温速率达到降温速率阈值中的一种；
响应于所述电池温度数据满足所述第一预设条件，基于所述电池温度数据、预设加热功率和电池的放热数据，通过升温模型，确定所述电池的预测工作电压，其中，所述升温模型为机器学习模型，所述升温模型包括第一输入层、第一嵌入层和第一确定层，所述第一输入层的输入包括所述电池温度数据，所述第一输入层的输出包括电池温度特征；所述第一嵌入层的输入包括所述环境温度数据，所述第一嵌入层的输出包括环境温度特征；所述第一确定层的输入包括所述电池温度特征、所述预设加热功率、所述电池的放热数据和所述环境温度特征，所述第一确定层的输出包括预测工作电压；
基于所述预测工作电压以及电池的剩余电量和/或电池的电量使用速率，确定所述加热装置的所述加热功率；
判断所述电池温度数据是否满足第二预设条件，所述第二预设条件包括所述电池温度达到最高温度阈值、电池升温速率达到升温速率阈值中的一种；
响应于所述电池温度数据满足所述第二预设条件，通过冷却模型确定预测电池温度数据，所述冷却模型包括第二输入层、第二确定层和第二嵌入层，所述第二输入层与所述升温模型的所述第一输入层共享参数，所述第二输入层的输入包括所述电池温度数据，输出包括所述电池温度特征；所述第二嵌入层与所述升温模型的所述第一嵌入层共享参数，所述第二嵌入层的输入包括所述环境温度数据，输出包括所述环境温度特征；所述第二确定层的输入包括所述电池温度特征、预设冷却功率、所述电池的放热数据及所述环境温度特征，输出包括所述预测电池温度数据；
基于所述预测电池温度数据，确定所述冷却装置的所述冷却功率。
3.一种新能源汽车电池监测装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；
所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1所述的方法。
4.一种计算机可读存储介质，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211527892.1A CN115817283B (zh) | 2022-12-01 | 2022-12-01 | 一种新能源汽车电池监测方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211527892.1A CN115817283B (zh) | 2022-12-01 | 2022-12-01 | 一种新能源汽车电池监测方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115817283A CN115817283A (zh) | 2023-03-21 |
| CN115817283B true CN115817283B (zh) | 2024-01-16 |
Family
ID=85533450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211527892.1A Active CN115817283B (zh) | 2022-12-01 | 2022-12-01 | 一种新能源汽车电池监测方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115817283B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117162872B (zh) * | 2023-09-25 | 2024-07-02 | 赛力斯汽车有限公司 | 一种电池充电保护方法、装置、计算机设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110176657A (zh) * | 2019-06-06 | 2019-08-27 | 华霆（合肥）动力技术有限公司 | 热管理方法和装置 |
| CN112109586A (zh) * | 2020-06-17 | 2020-12-22 | 上汽通用五菱汽车股份有限公司 | 电动汽车的控制方法、装置及计算机可读存储介质 |
| CN112277732A (zh) * | 2020-12-30 | 2021-01-29 | 北京理工大学 | 一种自加热动力电池***及行车加热方法 |
| CN113232553A (zh) * | 2021-05-24 | 2021-08-10 | 东软睿驰汽车技术（沈阳）有限公司 | 一种加热电动汽车电池组的方法、装置、设备及可存储介质 |
| CN113306453A (zh) * | 2020-02-27 | 2021-08-27 | 北京新能源汽车股份有限公司 | 一种动力电池保温方法、装置、汽车和保温处理设备 |
| WO2021239958A1 (en) * | 2020-05-28 | 2021-12-02 | Jaguar Land Rover Limited | System and method for determination of battery temperature |
| CN114919467A (zh) * | 2022-06-02 | 2022-08-19 | 岚图汽车科技有限公司 | 提升纯电动汽车续驶里程的方法、电池管理***及车辆 |
| CN115139859A (zh) * | 2022-06-27 | 2022-10-04 | 中国第一汽车股份有限公司 | 温度调控方法、装置、电子设备及存储介质 |
| CN115195532A (zh) * | 2022-08-24 | 2022-10-18 | 安徽仓擎机器人有限公司 | 一种运输车辆电池智能加热管理*** |
| CN115339354A (zh) * | 2022-05-11 | 2022-11-15 | 中国第一汽车股份有限公司 | 一种动力电池加热保温控制方法、装置、终端及存储介质 |
-
2022
- 2022-12-01 CN CN202211527892.1A patent/CN115817283B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110176657A (zh) * | 2019-06-06 | 2019-08-27 | 华霆（合肥）动力技术有限公司 | 热管理方法和装置 |
| CN113306453A (zh) * | 2020-02-27 | 2021-08-27 | 北京新能源汽车股份有限公司 | 一种动力电池保温方法、装置、汽车和保温处理设备 |
| WO2021239958A1 (en) * | 2020-05-28 | 2021-12-02 | Jaguar Land Rover Limited | System and method for determination of battery temperature |
| CN112109586A (zh) * | 2020-06-17 | 2020-12-22 | 上汽通用五菱汽车股份有限公司 | 电动汽车的控制方法、装置及计算机可读存储介质 |
| CN112277732A (zh) * | 2020-12-30 | 2021-01-29 | 北京理工大学 | 一种自加热动力电池***及行车加热方法 |
| CN113232553A (zh) * | 2021-05-24 | 2021-08-10 | 东软睿驰汽车技术（沈阳）有限公司 | 一种加热电动汽车电池组的方法、装置、设备及可存储介质 |
| CN115339354A (zh) * | 2022-05-11 | 2022-11-15 | 中国第一汽车股份有限公司 | 一种动力电池加热保温控制方法、装置、终端及存储介质 |
| CN114919467A (zh) * | 2022-06-02 | 2022-08-19 | 岚图汽车科技有限公司 | 提升纯电动汽车续驶里程的方法、电池管理***及车辆 |
| CN115139859A (zh) * | 2022-06-27 | 2022-10-04 | 中国第一汽车股份有限公司 | 温度调控方法、装置、电子设备及存储介质 |
| CN115195532A (zh) * | 2022-08-24 | 2022-10-18 | 安徽仓擎机器人有限公司 | 一种运输车辆电池智能加热管理*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115817283A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11325494B2 (en) | Systems, methods, and storage media for determining a target battery charging level for a drive route | |
| CN109273802B (zh) | 电池升温***及其控制方法 | |
| CN115817283B (zh) | 一种新能源汽车电池监测方法和*** | |
| EP3252918A1 (en) | Apparatus and method for adjusting charging condition of secondary battery | |
| CN112133979A (zh) | 动力电池温度控制方法、装置以及车辆 | |
| WO2019017991A1 (en) | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS | |
| JP2023041685A (ja) | 車両におけるバッテリの所望の出発温度 | |
| JP2018170167A (ja) | 電池エネルギー貯蔵システム、電池管理システムおよび制御方法 | |
| CN113471567B (zh) | 电池包温差控制方法、装置、设备及存储介质 | |
| CN112824139A (zh) | 车辆的电池保温方法、*** | |
| US20220373609A1 (en) | State Value for Rechargeable Batteries | |
| WO2021239958A1 (en) | System and method for determination of battery temperature | |
| CN114600298A (zh) | 用于对电池的老化状态进行预测的方法 | |
| CN112109586A (zh) | 电动汽车的控制方法、装置及计算机可读存储介质 | |
| CN116605098A (zh) | 一种车辆的电池热管理方法、装置、存储介质和车辆 | |
| CN113690514B (zh) | 一种电池温度控制方法、装置、设备及介质 | |
| CN117067856A (zh) | 车辆的加热控制方法及装置 | |
| CN113561851B (zh) | 电池管理***温控方法、车辆及计算机可读存储介质 | |
| CN116130844A (zh) | 电池的加热方法、加热装置、存储介质和电池*** | |
| CN114801884A (zh) | 热失控处理方法、装置、设备、存储介质和程序产品 | |
| CN115692922A (zh) | 电池包制冷***控制方法、电子设备及存储介质 | |
| CN115139859A (zh) | 温度调控方法、装置、电子设备及存储介质 | |
| CN112810555A (zh) | 用于车辆的智能能量管理***及相应方法 | |
| Broatch et al. | Leveraging look-ahead information for optimal battery thermal management | |
| CN115959006A (zh) | 一种电池热管理控制方法、电池管理***和电动车辆 |
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 |