电池电压预估方法、装置及存储介质与流程

本发明涉及电池数据分析，尤其涉及一种电池电压预估方法、装置及存储介质。

背景技术：

1、电池系统是电动汽车不可或缺的组成部分，在很大程度上决定了电动汽车的驾驶性能、安全性、耐久性以及成本效益。近年来，汽车动力电池技术得到了飞速发展，为了满足所需的电压和容量，多个电池单元通常以串联/并联的方式连接。由于老化或者驾驶员的不正当操作，各种故障可能发生在每一个相同的电池单体上。未经查验的故障如果得不到及时的处置会对电池安全产生不利的影响，甚至会导致电池系统的热失控。研究表明，电压异常可以导致各种电池故障，典型的电压异常包括过压、欠压、电池电压一致性差。因此，及时准确的预测车辆运行过程中电压异常，对预防电压故障导致的热失控发生以及保证电动汽车的安全行驶具有至关重要的意义。

2、现有的发明中提出了许多电压故障诊断方法，可分为基于阈值的方法、基于模型的方法以及基于数据驱动的方法。其中，基于阈值的方法用于诊断过压和欠压电池故障，但是不能预先预测电池故障的发生，并且在实际应用中很难确定合适的阈值；基于模型的方法可以较为准确描述异常电池状态的变化，但是依赖于电池状态估计的常规仿真，并且只能用于诊断特定的故障类型；基于数据驱动的方法，虽然应用人工智能技术对电池电压进行故障诊断，但仅考虑电池本身参数对电池状态的影响，没有考虑实际驾驶中驾驶者行为以及电动汽车行驶环境的变化对动力电池会产生极大的影响，使得模型在电动汽车在实际工况下的电压预测不够准确。

3、综上所述，现有技术中存在不能根据车辆的多种类型历史数据提前准确预估电池电压并输出电压异常报警的技术问题。

技术实现思路

1、本发明提供了一种电池电压预估方法、装置及存储介质，旨在有效解决现有技术中不能根据车辆的多种类型历史数据提前准确预估电池电压并输出电压异常报警的技术问题。

2、根据本发明的一方面，本发明提供一种电池电压预估方法，所述电池电压预估方法包括：

3、根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集，其中，所述历史数据包括车辆行驶数据、电池数据和天气数据；

4、对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数，其中，所述特征参数包括训练特征参数；

5、将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值；

6、当所述电压预估值在预设的异常电压范围内时输出预警信息。

7、进一步地，所述多个车辆至少包括第一正常车辆、第二正常车辆、第一异常车辆、第二异常车辆以及第一故障车辆、第二故障车辆，所述根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集包括：

8、由所述第一正常车辆、所述第一异常车辆和所述第一故障车辆的历史数据构建所述训练数据集；

9、由所述第二正常车辆、所述第二异常车辆、所述第二故障车辆的历史数据构建所述测试数据集；

10、基于最大最小值归一化方法对所述训练数据集和所述测试数据集进行归一化处理。

11、进一步地，所述车辆行驶数据包括制动踏板位移率、加速踏板位移率、电机转速、行车速度和累计行程的一种或多种，所述电池数据包括电池组总电压、多个电池单体电压、多个温度探针值、电池电量和电池电量的一种或多种，所述天气数据包括空气温度值、空气湿度值、气压值和降水量的一种或多种，所述对所述训练数据集和所述测试数据集进行数据清洗包括：

12、删除所述历史数据中具有空值的数据；

13、删除所述制动踏板位移率不在预设的第一位移区间的数据；

14、删除所述加速踏板位移率不在预设的第二位移区间的数据；

15、删除所述行车速度不在预设的车速区间的数据；

16、删除所述电池单体电压不在预设的电压区间的数据；

17、删除所述温度探针值不在预设的温度区间的数据；

18、删除所述电池电量不在预设的电量区间的数据。

19、进一步地，所述确定多个特征参数包括：

20、计算所述多个电池单体电压的单体电压均值、单体电压中位数、单体电压极差和单体电压标准差的一种或多种；

21、计算所述多个温度探针值的温度均值、温度中位数、温度极差和温度标准差的一种或多种；

22、确定所述多个特征参数为所述制动踏板位移率、所述加速踏板位移率、所述电机转速、所述行车速度、所述累计行程、所述电池组总电压、所述电池电量、所述电池电量的、所述空气温度值、所述空气湿度值、所述气压值、所述单体电压均值、所述单体电压中位数、所述单体电压极差、所述单体电压标准、所述温度均值、所述温度中位数、所述温度极差和温度标准差的一种或多种。

23、进一步地，所述电池电压预估方法还包括：

24、在所述构建训练数据集和测试数据集之前，根据第一采样频率对所述车辆行驶数据和所述电池数据进行采样；根据第二采样频率对所述天气数据进行采样，其中，所述第一采样频率大于所述第二采样频率；

25、在所述确定多个特征参数之后，基于拉格朗日差值方法对所述天气数据进行插值操作，以使所述天气数据的数量与所述车辆行驶数据的数量一致。

26、进一步地，所述方法还包括：

27、用循环神经网络模型替换transformer模型中解码器模块的掩码多头注意力层，以构建所述电压预测混合模型。

28、进一步地，所述将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值包括：

29、基于滑动窗口算法将所述训练特征参数构造为输入时间序列数据；

30、设置所述电压预测混合模型的训练超参数，其中，所述训练超参数包括所述输入时间序列数据的输入步长、输出时间序列数据的输出步长、最大迭代次数、多头注意力模型的多头数量、每批次数据量、随机舍弃数据概率值、初始学习率、调整系数以及所述循环神经网络模型的神经元数量；

31、将所述输入时间序列数据输入至所述电压预测混合模型，并输出所述电压预估值对应的输出时间序列数据；

32、根据所述历史数据中真实的电池组总电压和所述电压预估值计算损失函数。

33、进一步地，所述特征参数还包括测试特征参数，所述方法还包括：

34、获取所述测试数据集中所述第二正常车辆对应的第一测试特征参数；

35、将所述第一测试特征参数输入至所述电压预测混合模型并输出第一电压测试值；

36、根据所述历史数据中真实的电池组总电压和所述第一电压测试值计算所述电压预测混合模型的精度参数，所述精度参数包括平均绝对误差、均方根误差、平均相对误差和拟合优度的一种或多种；

37、获取所述测试数据集中所述第二异常车辆和所述第二故障车辆对应的第二测试特征参数；

38、将所述第二测试特征参数输入至所述电压预测混合模型并输出第二电压测试值，判断所述第二电压测试值是否在所述异常电压范围内，以及检测是否输出所述预警信息。

39、根据本发明的另一方面，本发明还提供了一种电池电压预估装置，所述装置包括：

40、数据获取模块，用于根据多个车辆在预设时间内的历史数据构建训练数据集和测试数据集，其中，所述历史数据包括车辆行驶数据、电池数据和天气数据；

41、数据处理模块，用于对所述训练数据集和所述测试数据集进行数据清洗并确定多个特征参数，其中，所述特征参数包括训练特征参数；

42、电压预估模块，用于将所述训练特征参数输入至预构建的电压预测混合模型并输出电压预估值；

43、电压预警模块，用于当所述电压预估值在预设的异常电压范围内时输出预警信息。

44、根据本发明的另一方面，本发明还提供了一种存储介质，所述存储介质中存储有多条指令，所述指令适于由处理器加载以执行如上所述的任一电池电压预估方法。

45、通过本发明中的上述实施例中的一个实施例或多个实施例，至少可以实现如下技术效果：

46、在本发明所公开的技术方案中，不仅考虑电池参数对电池包电压的影响，还结合驾驶者的驾驶行为数据以及车辆所处的环境数据，使得模型适用场景更加接近电动汽车实际适用场景，从而提高电压预测的准确性。在神经网络模型方面，将transformer模型应用于汽车动力电池电压预测中，并且针对时间序列预测引入循环神经网络模型(rnn)网络对transformer模型进行改进以形成电压预测混合模型，使得模型适用于时间序列预测，提高动力电池电压预测准确性。本方案能够预测汽车动力电池包在未来时间的电压变化趋势，并对电池电压进行异常等级和类型划分，提前识别汽车动力电池的故障风险，从而获得足够的紧急处理时间。

47、综上所述，本方案结合驾驶行为数据以及坏境数据，构建循环神经网络模型(rnn)-transformer模型电压预测混合模型，提高电池包未来电压预测准确性，并且根据预测电压进行电池故障提前检测和预警，提高电动汽车日常使用的安全性。