电芯温度的诊断方法、存储介质和电子设备与流程

本发明涉及新能源车辆技术领域，具体涉及一种电芯温度的诊断方法、存储介质和电子设备。

背景技术：

电池是电动车辆的能量来源，电池包括多个电芯，每一电芯的温度都需要在合适的温度范围内电池才能正常工作，电芯的温度过高或者过低都会影响车辆的正常行驶，电芯的温度过高还有可能引起自燃、爆炸等事故。

现有技术中，电池内布置有温度传感器，温度传感器采集电池中每一个电芯的温度值并将采集到的温度值发送至电池管理系统，电池管理系统在任一个电芯的温度值超过电芯厂商规定的合理温度范围时认为当前电池温度存在异常情况并对电池的输出功率进行调节。以上的方案中，电池管理系统仅对不在合理温度范围内的电芯温度进行报警,即便电芯温度出现了异常波动(例如突然大幅升高),但是只要电芯温度依然在合理温度范围内,电池管理系统也依然认为电池温度处于正常状态，就会导致电池温度的异常诊断结果不准确，因此现有技术中经常出现电池温度的异常诊断结果与电池实际情况不一致，影响到车辆的正常行驶或存在安全隐患的情况。

技术实现要素：

本发明实施例旨在提供一种电芯温度的诊断方法、存储介质和电子设备，以解决现有技术中无法对电芯温度在合理温度范围内的异常情况进行诊断的技术问题。

本发明的一个方面提供一种电芯温度的诊断方法，包括如下步骤：

根据车辆的历史行驶数据、历史充电数据和/或历史电池状态数据与历史电芯温度值的关系得到电芯温度预测模型；

将所述车辆在预选时刻的行驶数据、充电数据和/或电池状态数据输入至所述电芯温度预测模型得到预选时刻的电芯温度预测值；

根据预选时刻的所述电芯温度预测值与预选时刻采集到的实际电芯温度值的关系判断电芯温度是否异常。

本发明的另一个方面提供一种存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行本发明上述方面所述的电芯温度的诊断方法。

本发明的又一个方面提供一种电子设备，包括至少一个处理器和至少一个存储器，至少一个所述存储器中存储有程序指令，至少一个所述处理器读取所述程序指令后执行：

根据车辆的历史行驶数据、历史充电数据和/或历史电池状态数据与历史电芯温度值的关系得到电芯温度预测模型；

将所述车辆在预选时刻的行驶数据、充电数据和/或电池状态数据输入至所述电芯温度预测模型得到预选时刻的电芯温度预测值；

根据预选时刻的所述电芯温度预测值与预选时刻采集到的实际电芯温度值的关系判断电芯温度是否异常。

与现有技术相比，本发明实施例提供的上述技术方案至少具有以下有益效果：

本发明实施例提供的电芯温度的诊断方法、存储介质和电子设备，能够根据车辆的历史数据与电芯温度值之间的关系得到电芯温度预测模型，将预选时刻采集到的车辆行驶数据输入至电芯温度预测模型中得到预选时刻的电芯温度预测值，而电池中的温度传感器能够采集到该同一电芯的实际电芯温度值，如果电芯温度值处于正常状态，则同一时刻的电芯温度预测值和实际电芯温度值之间的偏差很小，利用上述原理依据电芯温度预测值与实际电芯温度值的关系判断电芯温度是否异常，从而能够对电芯温度处于合理温度范围内时的异常情况进行诊断。

附图说明

图1为本发明一个实施例所述电芯温度的诊断方法的流程图；

图2为本发明一个实施例所述三层神经网络模型的结构示意图；

图3a为本发明一个实施例所述在不同样本数量时电芯温度预测值与实际电芯温度值的误差平方的均值的柱状图；

图3b本发明一个实施例所述在不同样本数量时电芯温度预测值与实际电芯温度值的误差均值的柱状图；

图4为本发明另一个实施例所述电子设备的硬件连接关系示意图。

具体实施方式

下面将结合附图进一步说明本发明实施例。在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。本发明提供的以下实施例中的各个技术方案，除非彼此之间相互矛盾，否则不同技术方案之间可以相互组合，不同方案中的技术特征可以相互替换。

本发明的一部分实施例提供一种电芯温度的诊断方法，可以应用于车载控制器中，也可以应用于云端服务器中、驾驶员所持终端中，如图1所示，包括如下步骤：

s101：根据车辆的历史行驶数据、历史充电数据和/或历史电池状态数据与历史电芯温度值的关系得到电芯温度预测模型。以上数据均可以通过云端服务器获取。电动车辆的行驶数据、电池在充放电过程中的状态数据等均会上传至云端服务器，云端服务器将上述数据的采集时间、车辆的车牌信息、电池的设备信息等关联存储。对于一些用于运营服务的电动车辆来说，车辆的车牌信息也会与驾驶员的终端设备进行关联。因此，只要确定了车辆的车牌信息或者驾驶员终端设备信息、具体的时间，就能从云服务器获取与该车辆相关的上述历史数据。另外，历史行驶数据、历史充电数据和历史电池状态数据对于电芯温度都会产生影响，在获取电芯温度预测模型时，可以从上述数据中选择一个或多个作为影响因素。

s102：将所述车辆在预选时刻的行驶数据、充电数据和/或电池状态数据输入至所述电芯温度预测模型得到预选时刻的电芯温度预测值。如步骤s101中所述，预选时刻确定后就能够获取与所述车辆对应的上述数据。预选时刻可以为当前时刻。步骤s101中的电芯温度预测模型是采用哪些影响因素得到的，本步骤中则采用哪些数据代入到电芯温度预测模型中。例如，步骤s101中，以车辆的历史行驶数据、历史充电数据作为影响因素得到电芯温度预测模型，则在本步骤中选择行驶数据和充电数据输入至电芯温度预测模型中以得到电芯温度预测值。

s103：根据预选时刻的所述电芯温度预测值与预选时刻采集到的实际电芯温度值的关系判断电芯温度是否异常。如果电芯温度预测值与实际电芯温度值相等或者偏差非常小，例如在1℃以内，则可以认为电芯温度为正常状态。

本实施例提供的以上方案，能够根据车辆的历史数据与电芯温度值之间的关系得到电芯温度预测模型，将预选时刻采集到的车辆行驶数据输入至电芯温度预测模型中得到预选时刻的电芯温度预测值，而电池中的温度传感器能够采集到该同一电芯的实际电芯温度值，如果电芯温度值处于正常状态，则同一时刻的电芯温度预测值和实际电芯温度值之间的偏差很小，利用上述原理依据电芯温度预测值与实际电芯温度值的关系判断电芯温度是否异常，从而能够对电芯温度处于合理温度范围内时的异常情况进行诊断。

在本实施例中，如果出现如下两种情况，则可直接判定电芯温度为异常状态：

情况一：若所述电芯温度预测值与所述实际电芯温度值之间的偏差值大于第一偏差阈值，则判定所述电芯温度为异常状态。理论上，电芯温度预测值与实际电芯温度值的差值非常小，但是车辆在行驶过程中电芯的温度值本身就是有一定的波动的，为了避免在电芯温度正常波动就被认定为异常状态，本步骤中可以将第一偏差阈值设定为大于电池正常波动范围，例如将第一偏差阈值设定为电池正常波动范围的2倍。或者，第一偏差阈值可以根据历史经验值来选定。

情况二：根据预设时间段内多个预选时刻的电芯温度预测值与实际电芯温度值的偏差值得到所述预设时间段的平均偏差值；若所述平均偏差值大于第二偏差阈值，则判定所述电芯温度为异常状态。例如，预设时间段选为15分钟(若15min内无数据或者数据缺失，则不计算无数据和数据缺失的时间，即将预设时间段的结束时间往后延迟)，则通过如下公式得到平均偏差值：

其中，n为15分钟内所包含的预选时刻的数量，ypredi为15分钟内第i个预选时刻的电芯温度预测值，yi为15分钟内第i个预选时刻的实际电芯温度值。以上方案中，所述预设时间段为动态的时间窗，随着采集时刻的向后推移，该时间窗的起始边界和终止边界也自动的向后移动。本方案中通过对一段时间内的电芯温度的预测值和实际值的关系来对电芯温度进行诊断，能够对瞬时误差平滑处理，提高准确性。以上方案中，所述第二偏差阈值小于所述第一偏差阈值可以相等，优选所述第二偏差阈值小于所述第一偏差阈值，二者的差值可以设定为1℃左右，也即瞬时时刻时，电芯温度的预测值和实际值之间的允许偏差可稍大一些。

以上方案中，如果判定电芯温度异常，则还可以包括如下步骤：

s104：发出警示信号以提示电池异常。如果上述方法应用于车载控制器中，则车载控制器可以通过车载提示设备发出警报，同时车载控制器将上述异常情况上报至运营平台及并发送至驾驶员的终端，提示驾驶员尽快对车辆电池进行排查和维修。

以上方案中，所述电芯温度预测模型可以通过现有的拟合方法、机器学习方法等得到。本实施例中采用如下方案实现：以历史行驶数据、历史充电数据和/或历史电池状态数据作为输入特征值，以历史电芯温度值作为输出特征值对预选深度学习模型进行训练，以完成训练的预选深度学习模型作为所述电芯温度预测模型；其中，同一历史时刻的历史行驶数据、历史充电数据和/或历史电池状态数据作为输入特征值时，同一历史时刻的历史电芯温度值作为相对应的输出特征值。也即，从云服务器提取车辆的历史数据并获得训练样本，通过深度学习算法进行模型训练，使用模型进行预测分析。深度学习是机器学习研究中的一个新的领域，在大数据分析上具有较大优势。

在具体应用时，所述历史行驶数据包括行累积行驶时长、历史行驶里程和历史行驶速度；所述历史充电数据包括累积充电时长；所述历史电池状态数据包括最低电芯温度值、电池电压值、电池电流值和电池荷电状态值；其中累积行驶时长与累积充电时长可以选择至少一个。所述行驶数据包括行驶时长、行驶里程和行驶速度；所述充电数据包括充电时长；所述电池状态数据包括实时最低电芯温度值、电池实时电压值、电池实时电流值和电池实时荷电状态值，同样的，行驶时长和充电时长的选择，与累积行驶时长和累积充电时长的选择保持一致。优选地，所述累积行驶时长以每次充电完成后第一次启动车辆的时刻作为初始时刻累积得到；所述累积充电时长以每次启动充电的时刻作为初始时刻累积得到；所述行驶时长以最近一次充电完成后的第一次启动车辆的时刻作为初始时刻累积得到；所述充电时长为距离所述预选时刻最近的一次充电过程的持续时间。也即，行驶时间或者充电时间在每次充电后第一次启动、每次充电过程开启时将累积时间清零，由此可以减小累积误差。另外，以上数据在输入到电芯温度预测模型之前，进行去处错误值(0值，超出检测范围的值)和空值的操作，以清洗之后的数据作为样本。

如图2所示为神经网络模型的原理示意图，本方案中可以选择3层神经网络模型来执行，3层神经网络模型包括输入层、隐藏层和输出层。输入层包含7个节点(累积行驶时长或者充电时长、行驶里程、行驶速度、最低电芯温度值、电池电压、电池电流、电池荷电状态)，隐藏层根据训练样本和网络复杂度对其中的参数权重进行调整，输出层包含1个节点(即电芯温度)。模型搭建可基于matlab或者用python完成，将历史样本数据按照70：15：15的比例拆分为三部分，依次作为训练样本、验证样本和测试样本。将训练样本输入到3层神经网络模型中进行模型训练，直至训练误差小于3％(根据实际情况可调整数值)。完成模型训练后，将验证样本输入模型，计算验证样本的精度，若满足要求可无需再调整网络结构。将测试样本带入训练好的神经网络模型，得到预测电芯温度并与温度传感器检测到的电芯的真实温度进行对比，计算误差，图3a和3b给出了模型计算结果的误差分析图，图3a为mse(误差平方的均值，横轴误差平方的均值)，纵轴为样本量；图3b为误差均值(横轴为误差均值，纵轴为样本量)，从图中可以看出，300组样本数据的情况下得到的误差值就接近于零了。因此，采用3层神经网络模型作为模型预测得到的电芯温度值具有足够高的精度。以上方案，利用深度学习神经网络模型，使用云数据数据对模型进行训练和优化的算法，能够准确的预测电池系统的电芯正常温度变化，即便是电芯温度在合理温度范围内的异常变化也能够被诊断识别，从而达到监测电池系统、及时预警维保的目的。

本发明的另一部分实施例提供一种存储介质，所述存储介质中存储有程序指令，计算机读取所述程序指令后执行以上方法实施例中任一项所述的电芯温度的诊断方法。

本发明的另一部分实施例还提供一种电子设备，如图4所示，包括至少一个处理器101和至少一个存储器102，至少一个所述存储器101中存储有程序指令，至少一个所述处理器102读取所述程序指令后执行：根据车辆的历史行驶数据、历史充电数据和/或历史电池状态数据与历史电芯温度值的关系得到电芯温度预测模型；将所述车辆在预选时刻的行驶数据、充电数据和/或电池状态数据输入至所述电芯温度预测模型得到预选时刻的电芯温度预测值；根据预选时刻的所述电芯温度预测值与预选时刻采集到的实际电芯温度值的关系判断电芯温度是否异常。上述装置还可以包括：输入装置103和输出装置104。处理器101、存储器102、输入装置103和输出装置104可以通过总线或者其他方式连接。

以上方案，能够根据车辆的历史数据与电芯温度值之间的关系得到电芯温度预测模型，将预选时刻采集到的车辆行驶数据输入至电芯温度预测模型中得到预选时刻的电芯温度预测值，而电池中的温度传感器能够采集到该同一电芯的实际电芯温度值，如果电芯温度值处于正常状态，则同一时刻的电芯温度预测值和实际电芯温度值之间的偏差很小，利用上述原理依据电芯温度预测值与实际电芯温度值的关系判断电芯温度是否异常，能够对电芯温度处于合理温度范围内时的异常情况进行诊断。

上述电子设备中，至少一个所述处理器101根据预选时刻的所述电芯温度预测值与预选时刻采集到的实际电芯温度值的关系判断电芯温度是否异常，包括：若所述电芯温度预测值与所述实际电芯温度值之间的偏差值大于第一偏差阈值，则判定所述电芯温度为异常状态。为了避免在电芯温度正常波动就被认定为异常状态，可以将第一偏差阈值设定为大于电池正常波动范围，

上述电子设备中，至少一个所述处理器101根据预选时刻的所述电芯温度预测值与预选时刻采集到的实际电芯温度值的关系判断电芯温度是否异常，包括：根据预设时间段内多个预选时刻的电芯温度预测值与实际电芯温度值的偏差值得到所述预设时间段的平均偏差值；若所述平均偏差值大于第二偏差阈值，则判定所述电芯温度为异常状态。通过对一段时间内的电芯温度的预测值和实际值的关系来对电芯温度进行诊断，能够对瞬时误差平滑处理，提高准确性。以上方案中，所述第二偏差阈值小于所述第一偏差阈值可以相等，优选所述第二偏差阈值小于所述第一偏差阈值，二者的差值可以设定为1℃左右，也即瞬时时刻时，电芯温度的预测值和实际值之间的允许偏差可稍大一些。

上述电子设备中，至少一个所述处理器101根据车辆的历史行驶数据、历史充电数据和/或历史电池状态数据与历史电芯温度值的关系得到电芯温度预测模型，包括：以历史行驶数据、历史充电数据和/或历史电池状态数据作为输入特征值，以历史电芯温度值作为输出特征值对预选深度学习模型进行训练，以完成训练的预选深度学习模型作为所述电芯温度预测模型；其中，同一历史时刻的历史行驶数据、历史充电数据和/或历史电池状态数据作为输入特征值时，同一历史时刻的历史电芯温度值作为相对应的输出特征值。深度学习是机器学习研究中的一个新的领域，在大数据分析上具有较大优势。具体地：

所述历史行驶数据包括行累积行驶时长、历史行驶里程和历史行驶速度；所述历史充电数据包括累积充电时长；所述历史电池状态数据包括最低电芯温度值、电池电压值、电池电流值和电池荷电状态值；所述行驶数据包括行驶时长、行驶里程和行驶速度；所述充电数据包括充电时长；所述电池状态数据包括实时最低电芯温度值、电池实时电压值、电池实时电流值和电池实时荷电状态值。根据上述数据能够预测得到更为准确的电芯温度值。

优选地，所述累积行驶时长以每次充电完成后第一次启动车辆的时刻作为初始时刻累积得到；所述累积充电时长以每次启动充电的时刻作为初始时刻累积得到；所述行驶时长以最近一次充电完成后的第一次启动车辆的时刻作为初始时刻累积得到；所述充电时长为距离所述预选时刻最近的一次充电过程的持续时间。由此可以减小累积误差。

以上方案中，至少一个所述处理器101还用于执行：若判定所述电芯温度为异常状态则发出警示信号以提示电池异常。由此可以及时第提示驾驶员尽快对车辆电池进行排查和维修。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。