电池系统产热异常识别方法及装置与流程

1.本技术涉及动力电池技术领域，具体而言，涉及一种电池系统产热异常识别方法及装置。


背景技术：

2.随着电动汽车行业以及储能产业等电气化行业的蓬勃发展，对于此类高电压电池系统的需求越来越大，电池管理系统(battery management system，bms)与之诞生。bms主要起到提高电池效率、保护电池安全的作用。现有的bms温度采样方案获得的温度不能反映电芯的真实温度，由此导致热失控诊断结果的准确性不佳。


技术实现要素：

3.本技术实施例提供了一种电池系统产热异常识别方法及装置，其能够估算出电芯的真实温度，从而提高基于温度得到的热失控诊断结果的准确性。
4.本技术的实施例可以这样实现：
5.第一方面，本技术实施例提供一种电池系统产热异常识别方法，所述方法包括：
6.采集目标电池系统的电池信息，其中，所述电池信息包括环境温度和电性参数两者中的至少一项及采集点的电池温度，所述采集点位于电池外；
7.基于电池内部温度预测模型，根据所述电池信息获得电池内部温度，其中，所述电池内部温度预测模型基于训练集训练得到，所述训练集包括多个训练样本及对应的单个样本电池的样本内部温度，各训练样本中包括样本环境温度和样本电性参数两者中的至少一项及采集点的样本电池温度；
8.根据所述电池内部温度，判断所述目标电池系统是否产热异常。
9.第二方面，本技术实施例提供一种电池系统产热异常识别装置，所述装置包括：
10.采集模块，用于采集目标电池系统的电池信息，其中，所述电池信息包括环境温度和电性参数两者中的至少一项及采集点的电池温度，所述采集点位于电池外；
11.温度计算模块，用于基于电池内部温度预测模型，根据所述电池信息获得电池内部温度，其中，所述电池内部温度预测模型基于训练集训练得到，所述训练集包括多个训练样本及对应的单个样本电池的样本内部温度，各训练样本中包括样本环境温度和样本电性参数两者中的至少一项及采集点的样本电池温度；
12.识别模块，用于根据所述电池内部温度，判断所述目标电池系统是否产热异常。
13.第三方面，本技术实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式所述的电池系统产热异常识别方法。
14.第四方面，本技术实施例提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现前述实施方式所述的电池系统产热异常识别方法。
15.本技术实施例提供的电池系统产热异常识别方法、装置、电子设备及可读存储介
质，基于利用包括样本环境温度和样本电性参数两者中的至少一项、采集点的样本电池温度及对应的单个样本电池的样本内部温度的训练集得到的电池内部温度预测模型，根据目标电池系统的电池信息，估算得到该目标电池系统的电池内部温度，进而基于该电池内部温度判断该目标电池系统是否产热异常。其中，电池信息包括环境温度和电性参数两者中的至少一项及采集点的电池温度，采集点位于电池外。如此，可利用电池内部温度预测模型，基于环境温度和电性参数两者中的至少一项及采集点的电池温度，估算出电芯的真实温度，进而提高基于温度得到的热失控诊断结果的准确性。
附图说明
16.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
17.图1为本技术实施例提供的电子设备的方框示意图；
18.图2为本技术实施例提供的电池系统产热异常识别方法的流程示意图之一；
19.图3为本技术实施例提供的温度数据采集示意图；
20.图4为本技术实施例提供的基于bp神经网络的电池内部温度预测模型的示意图；
21.图5为图2中步骤s300包括的子步骤的流程示意图；
22.图6为图5中子步骤s301包括的一种子步骤的流程示意图；
23.图7为图6中子步骤s311包括的子步骤的流程示意图；
24.图8为图5中子步骤s302包括的一种子步骤的流程示意图；
25.图9为图5中子步骤s301包括的另一种子步骤的流程示意图；
26.图10为图5中子步骤s302包括的另一种子步骤的流程示意图；
27.图11为本技术实施例提供的特征点示意图；
28.图12为本技术实施例提供的利用支持向量机算法获得间隔的示意图；
29.图13为本技术实施例提供的利用密度类聚算法获得类聚程度的示意图；
30.图14为本技术实施例提供的电池系统产热异常识别装置的方框示意图。
31.图标：100-电子设备；110-存储器；120-处理器；130-通信单元；200-电池系统产热异常识别装置；210-采集模块；220-温度计算模块；230-识别模块。
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
33.因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
34.需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者
操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
35.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
36.请参照图1，图1为本技术实施例提供的电子设备100的方框示意图。所述电子设备100可以是，但不限于，电脑、服务器、bms(battery management system，电池管理系统)等。所述电子设备100可以包括存储器110、处理器120及通信单元130。所述存储器110、处理器120以及通信单元130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
37.其中，存储器110用于存储程序或者数据。所述存储器110可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。
38.处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。比如，存储器110中存储有电池系统产热异常识别装置200，所述电池系统产热异常识别装置200包括至少一个可以软件或固件(firmware)的形式存储于所述存储器110中的软件功能模块。所述处理器120通过运行存储在存储器110内的软件程序以及模块，如本技术实施例中的电池系统产热异常识别装置200，从而执行各种功能应用以及数据处理，即实现本技术实施例中的电池系统产热异常识别方法。
39.通信单元130用于通过网络建立所述电子设备100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
40.应当理解的是，图1所示的结构仅为电子设备100的结构示意图，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
41.请参照图2，图2为本技术实施例提供的电池系统产热异常识别方法的流程示意图之一。下面对电池系统产热异常识别方法的具体流程进行详细阐述。在本实施例中，该方法可以包括步骤s100～步骤s300。
42.步骤s100，采集目标电池系统的电池信息。
43.在本实施例中，所述目标电池系统为需要进行热失控监测的电池系统，具体可以结合实际需求确定。可通过数据采集，获得该目标电池系统的电池信息。其中，所述电池信息包括环境温度和电性参数两者中的至少一项及采集点的电池温度。所述采集点位于电池外，比如，若所述目标电池系统包括比较少的电池，则该采集点可以为电池的外表面(电池内部难以直接采集温度)；若所述目标电池系统中包括至少一个电池模组，所述电池模组中包括多个电池，则该采集点可以位于电池模组外表面或内表面(即并非直接设置于单个电
池的外表面)等。可以理解的是，上述采集点的具体设置位置仅为举例说明，具体可以结合实际情况确定采集点的具体位置，在此不进行具体限定。
44.步骤s200，基于电池内部温度预测模型，根据所述电池信息获得电池内部温度。
45.在本实施例中，所述电池内部温度预测模型可以是其他设备预先训练得到、并发送给所述电子设备100的，也可以是所述电子设备100预先训练得到的。所述电池内部温度预测模型基于训练集训练得到，所述训练集包括多个训练样本及各训练样本对应的单个样本电池的样本内部温度，各训练样本中包括样本环境温度和样本电性参数两者中的至少一项、以及采集点的样本电池温度。可以理解的是，获得训练样本时，采集点的设置位置与步骤s100中的采集点的设置位置可以相同，比如，均设置在电池所在电池模组的外表面。
46.可将采集的所述电池信息输入到所述电池内部温度预测模型中，以得到该电池信息对应的电池内部温度。
47.步骤s300，根据所述电池内部温度，判断所述目标电池系统是否产热异常。
48.如此，可利用电池内部温度预测模型，基于采集到的所述环境温度和所述电性参数两者中的至少一项及采集点的所述电池温度，估算出电芯的真实温度，进而提高基于温度得到的热失控诊断结果的准确性。
49.作为一种可能的实现方式，所述训练集的各训练样本中可以包括样本环境温度tamb1、样本电性参数及采集点的样本电池温度tc1，其中，训练样本中的样本电性参数可以包括样本电池的电压u1和/或样本电流i1。所述训练集中还可以包括与各训练样本对应的单个样本电池的样本内部温度ti1。
50.可选地，可如图3所示，在电池系统的电池模组上设置bms温度采集触感器，以通过该bms温度采集触感器获得采集点的样本电池温度tc。还可以在电池模组内的某个或某些电池内部内置温度触感器，以通过该内置的温度触感器获得单个样本电池的样本内部温度ti。如此，可采集到温度数据。
51.在获得训练集后，可利用训练集训练得到所述电池内部温度预测模型。可选地，可以基于该训练集，对bp神经网络或卷积神经网络等进行训练，以在训练完成时得到所述电池内部温度预测模型。
52.如图4所示，以训练得到基于bp神经网络的电池内部温度预测模型为例，该bp神经网络的输入层可以有4个节点，输入示例为[x1,x2,x3,x4]，其中，x1为样本电流i，x2为样本电压u，x3为采集点的样本电池温度tc，x4为样本环境温度tamb；输出层只有一个节点，输出矢量为[y]，即是电池真实温度值，也即电池内部温度。其中，隐含层节点数量，可通过大量实验后得到。在一种实施方式中，隐含层中采用20个节点，可较好地描述系统的相互关系。激活函数可以采用sigmoid函数，代价函数可以为mse(mean square error，均方误差)函数。
[0053]
可将训练样本输入到神经网络中，并根据神经网络的输出结果、训练样本对应的采集到的单个样本电池的样本内部温度ti及代价函数，计算出代价值，然后基于该代价值对神经网络中参数进行调整；重复上述过程，直到代价值小于预设值或者迭代次数满足要求，从而得到电池内部温度预测模型。
[0054]
可以理解的是，在各训练样本中包括样本环境温度、样本电性参数及采集点的样本电池温度时，所述样本电性参数可以包括样本电池的样本电压和/或样本电流。对应地，
步骤s100中采集得到的所述电池信息也可以包括环境温度、电性参数及采集点的电池温度，其中，所述电性参数包括电池的电压和/或电流，即所述电性参数包括所述目标电池系统中的电池的电压和/或电流。
[0055]
在本实施例中，不仅是依据bms采集点温度来预测电芯内部温度，还考虑了环境温度的影响，将环境温度影响作为模型训练的输入，训练后的模型有较高适用性，可应对新能源汽车复杂多变的温度环境，提高算法的普适性。并且，网络模型中，实时的电流、电压作为采集输入，由于电流的大小可以直接反映出温升率的大小、且电流电压数据具有很高的实时性，通常可以做到10ms的采样频率，因此可以提高模型的估算精度，可改善温度测量这类滞后性系统的响应速度。网络模型中将环境温度和电流、电压作为输入，相当于提供了温度模型的能量耗散渠道(环境温度对应能量耗散渠道)与能量来源渠道(电流、电压对应能量来源渠道)，使模型更加精细化，网络输出的预测值更加精准，所训练后的模型具有较高的可解释性。
[0056]
可选地，在本实施例中，可以将在某个时刻采集到的电池数据作为所述电池信息中的信息，从而得到某个时刻对应的电池内部温度；也可以将连续多个时刻分别采集到的电池数据作为所述电池信息中的信息，从而得到连续多个时刻对应的电池内部温度，具体可以结合实际使用的产热异常判断方式确定。可以理解的是，一个时刻采集的电池数据，可得到一个电池内部温度，也可以得到多个电池内部温度，具体可以结合采集的电池数据情况确定，比如，若设置了多个采集点，则在一个时刻可以采集到多条电池数据，可根据多条电池数据得到多个电池内部温度。
[0057]
其中，值得说明的是，在将连续多个时刻分别采集到的电池数据作为所述电池信息中的信息的情况下，可以在每得到一个时刻的电池数据后，就基于该时刻的电池数据计算出相应的电池内部温度，并在获得多个时刻分别采集到的电池数据对应的电池内部温度后，再进行产热异常识别。也可以在获得多个时刻的电池数据后，再计算电池内部温度，进而进行产热异常识别。还可以采用其他顺序处理，具体可以结合实际需求设置。
[0058]
作为一种可能的实现方式，在所述电池信息仅用于计算得到一个电池内部温度的情况下，可直接将得到的电池内部温度与预设温度进行比较，若大于，则可以确定目标电池系统产热异常；反之，则可以确定目标电池系统未产热异常。
[0059]
本技术发明人经研究发现，由电池物理系统对应的能量平衡公式可知，电池等效产热热阻的大小可以用来识别产热异常，从而达到预测热失控故障的作用。在此情况下，作为另一种可能的实现方式，可通过图5所示方式进行产热异常判断。
[0060]
请参照图5，图5为图5为图2中步骤s300包括的子步骤的流程示意图。在本实施例中，步骤s300可以包括子步骤s301～子步骤s302。
[0061]
子步骤s301，根据能量平衡方程及所述电池内部温度，计算得到电池的产热电阻。
[0062]
子步骤s302，根据所述产热电阻，判断所述目标电池系统是否产热异常。
[0063]
在本实施例中，可以根据所述能量平衡方程及基于电池内部温度预测模型估算的所述电池内部温度，计算得到目标电池系统的电池的产热电阻，进而基于该产热电阻判断所述目标电池系统是否产热异常。其中，所述能量平衡方程中包括电池内部温度与产热电阻之间的关系。
[0064]
其中，所述能量平衡方程可以为：
[0065][0066]
其中，m表示电池质量，cp表示电池的比热容，表示电池内部温度的一阶导数，h表示对流换热系数(可预先设置，比如，设置为15w/m2℃)，ab表示一个电池的表面积，ti表示电池内部温度，tamb表示环境温度，i表示电池的电流，r表示电池的电压。
[0067]
可选地，作为一种可能的实现方式，可以利用最小二乘法，根据所述能量平衡方程及所述电池内部温度，获得所述产热电阻。可选地，为了加快收敛速度，还可以通过带遗忘因子的最小二乘法获得所述产热电阻。
[0068]
其中，带遗忘因子的最小二乘法为：
[0069][0070][0071][0072]
其中，
[0073][0074][0075]
φ
t
＝i2[0076]
表示第k次测量预估出的产热电阻，即可以视为时刻k时的产热电阻，y(k)表示时刻k时电池的功率，λ表示遗忘因子。
[0077]
在获得产热电阻的情况下，可以将得到的产热电阻的平均值、众值或最大值等，作为目标产热电阻；在目标产热电阻大于预设电阻的情况下，可以判定所述目标电池系统产热异常；反之可以确定所述目标电池系统未产热异常。其中，所述预设电阻可以结合实际需求设置。如此，可以基于产热电阻判断目标电池系统是否产热异常。
[0078]
作为一种可能的实现方式，可以通过实时比较的方式，判断目标电池系统是否产热异常，从而从时间维度上提高突然性热失控故障的查全率与查准率。
[0079]
在通过实时比较方式确定是否产热异常时，在一种可能的示例中，通过步骤s100获得的电池信息可以包括一个目标时刻的多条电池数据，每条所述电池数据包括所述环境温度和所述电性参数两者中的至少一项及采集点的电池温度，比如，包括所述环境温度、采集点的电池温度、所述目标电池系统中的电池的电流和电压。目标时刻为设置好的数据采集时间点，具体可以结合实际需求设置。可以理解的是，可以设置多个采集点，从而在一个目标时刻采集到多条电池数据。
[0080]
基于一条电池数据，可以利用电池内部温度预测模型获得一个电池内部温度，因此可得到与该电池信息对应的第一温度集。所述第一温度集中包括与各条电池数据对应的
第一电池内部温度。在获得第一电池内部温度的情况下，可执行图5所示子步骤。
[0081]
请参照图6，图6为图5中子步骤s301包括的一种子步骤的流程示意图。在本实施例中，子步骤s301可以包括子步骤s311～子步骤s314。
[0082]
子步骤s311，根据所述第一温度集，计算得到第一平均温度。
[0083]
可选地，可以将所述第一温度集的平均值，作为所述第一平均温度。
[0084]
或者，为了避免产热异常的电池的温度的影响，可以通过图7所示方式获得所述第一平均温度。请参照图7，图7为图6中子步骤s311包括的子步骤的流程示意图。在本实施例中，子步骤s311包括子步骤s3111～子步骤s3112。
[0085]
子步骤s3111，将第一最高温度对应的电池模组所对应的第一电池内部温度均删除，获得第一目标温度集。
[0086]
子步骤s3112，计算所述第一目标温度集的平均值，得到所述第一平均温度。
[0087]
在本实施例中，所述目标电池系统包括多个电池模组，至少一部分电池模组上分别设置有至少一个采集点，利用该采集点进行温度采集，以得到所述电池信息，进而得到第一温度集。可以针对所述第一温度集，将该第一温度集中的第一电池内部温度进行比较，将该第一温度集中的最大值作为第一最高温度，然后确定出该第一最大温度所对应的电池模组，接着，将所述第一温度集中与确定出的该电池模组对应的第一电池内部温度均删除，以得到第一目标温度集；最后，计算出该第一目标温度集内的第一电池内部温度的平均值，并将该平均值作为所述第一平均温度。
[0088]
比如，目标电池系统中一共包括m个电池模组，每个电池模组中设置有3个温度采样点，一个目标时刻获得了3m条电池数据，利用电池内部温度预测模型基于该3m条电池数据得到了3m个第一电池内部温度：ti1、ti2、ti3
……
ti3m，其中，ti1、ti2、ti3为基于从电池模组1上采集到的电池数据得到的第一电池内部温度，其他以此类推。
[0089]
若最高温度点为ti1，由于ti1、ti2、ti3同属于一个模组，因此在计算第一平均温度时，可以将ti1、ti2、ti3从3m个第一电池内部温度中删除，然后基于剩下的第一电池内部温度计算出平均值，以得到第一平均温度。该第一平均温度为：
[0090]
或者，还可以仅将所述第一温度集中的第一最高温度删除，然后计算出第一温度集中剩下的第一电池内部温度的平均值作为所述第一平均温度。
[0091]
子步骤s312，根据所述能量平衡方程及第一平均温度，计算得到第一产热电阻。
[0092]
在获得所述第一平均温度的情况下，可如前述所述计算得到产热电阻的方式，根据所述能量平衡方程及第一平均温度，计算得到第一产热电阻。例如，可以通过带遗忘因子的最小二乘法，根据所述能量平衡方程及所述电池内部温度，获得产热电阻，并将计算出的产热电阻作为第一平均温度下的第一产热电阻ravg。
[0093]
子步骤s313，从所述第一温度集中，确定出第一最高温度。
[0094]
子步骤s314，根据所述能量平衡方程及第一最高温度，计算得到第二产热电阻。
[0095]
子步骤s313～子步骤s314与子步骤s311～子步骤s312，可以是并行执行，也可以按照实际需求分先后执行，在此不做具体限定。
[0096]
可将所述第一温度集中的最高温度作为第一最高温度，然后可如前述所述计算得
到产热电阻的方式，根据所述能量平衡方程及第一最高温度，计算得到产热电阻，并将计算出的产热电阻作为第二产热电阻rmax。
[0097]
在获得所述第一产热电阻ravg及所述第二产热电阻rmax的情况下，可通过图8所述方式进行产热异常的判断。请参照图8，图8为图5中子步骤s302包括的一种子步骤的流程示意图。在本实施例中，子步骤s302可以包括子步骤s315～子步骤s316。
[0098]
子步骤s315，计算得到所述第一产热电阻与所述第二产热电阻的差值。
[0099]
子步骤s316，根据所述差值，判断所述目标电池系统是否产热异常。
[0100]
在获得电池平均温度tiavg下的第一产热电阻ravg、以及电池最高温度timax下的第二产热电阻rmax的情况下，可以计算两者的差值：ε＝rmax-ravg。当该差值大于预设差值时，可判定所述目标电池系统产热异常，触发产热异常故障。当该差值不大于所述预设差值时，可判定所述目标电池系统未产热异常。其中，所述预设差值的大小可以根据具体项目测试得到。
[0101]
作为另一种可能的实现方式，还可以通过历史比较的方式，判断目标电池系统是否产热异常，从而从时间维度上提高长周期热失控故障的故障诊断的查全率与查准率。
[0102]
在通过历史比较方式确定是否产热异常时，在一种可能的示例中，通过步骤s100获得的电池信息可以包括多个目标时刻各自对应的多条电池数据。比如，在时刻1采集了3条电池数据，在时刻2又采集了3条电池数据，可将这6电池数据均作为所述电池信息中的信息。每条所述电池数据包括所述环境温度和所述电性参数两者中的至少一项及采集点的所述电池温度，比如，一条电池数据中包括环境温度、采集点的电池温度、电池的电流及电压。
[0103]
基于一条电池数据，可以利用电池内部温度预测模型获得一个电池内部温度，因此可得到与该电池信息对应的第二温度集。所述第二温度集中包括与各目标时刻对应的第二温度子集，每个所述第二温度子集中包括与对应的目标时刻的各条电池数据所对应的第二电池内部温度。比如，基于时刻1采集的3条电池数据，得到了3个电池内部温度，可将该3个电池内部温度保存至与时刻1对应的第二温度子集1中；基于时刻2采集的3条电池数据，得到了3个电池内部温度，可将该3个电池内部温度保存至与时刻2对应的第二温度子集1中。可以理解是，可以设置多个采集点，从而在一个目标时刻采集到多条电池数据。比如，所述目标电池系统可以包括多个电池模组，至少一部分电池模组上分别设置有至少一个采集点。
[0104]
可以每获得一个目标时刻的电池数据时，就计算该目标时刻对应的产热电阻，然后在获得足够数量的目标时刻的产热电阻的情况下，进行产热异常判断。也可以在获得足够数量的目标时刻的电池数据的情况下，再计算各目标时刻对应的产热电阻，进而进行产热异常判断判断。具体执行顺序可以结合实际需求确定，在此不进行具体限定。目标时刻的数量可以结合实际需求确定，比如，20个目标时刻，在获得20个目标时刻对应的产热电阻的情况下，则可以进行产热异常分析。
[0105]
可选地，可通过图9所示方式，基于第二温度集及采集到的电池信息，得到产热异常分析结果。请参照图9，图9为图5中子步骤s301包括的另一种子步骤的流程示意图。在本实施例中，步骤s301可以包括子步骤s331～子步骤s334。
[0106]
子步骤s331，针对各所述第二温度子集，计算得到第二平均温度。
[0107]
子步骤s332，根据所述能量平衡方程及所述第二平均温度，计算得到第三产热电
阻。
[0108]
子步骤s333，从所述第二温度子集中，确定出第二最高温度。
[0109]
子步骤s334，根据所述能量平衡方程及所述第二最高温度，计算得到第四产热电阻。
[0110]
针对每个第二温度子集，进行子步骤s331～子步骤s334的处理后，可获得各第二温度子集对应的所述第三产热电阻及所述第四产热电阻。其中，针对各第二温度子集，计算得到该第二温度子集对应的第三产热电阻及第四产热电阻的方式，与通过子步骤s311～子步骤s314计算得到第一产热电阻及第二产热电阻的方式相同，在此不再赘述。
[0111]
在获得各第二温度子集对应的所述第三产热电阻及所述第四产热电阻之后，可根据各第二温度子集对应的第三产热电阻及第四产热电阻，判断所述目标电池系统是否产热异常。
[0112]
作为一种可能的示例，可以计算各第二温度子集对应的第三产热电阻的平均值，得到第一平均电阻；还可以计算各第二温度子集对应的第四产热电阻的平均值，得到第二平均电阻。然后，计算第一平均电阻与第二平均电阻的差值，并将该差值与电阻阈值进行比较，若大于，则可以判定目标电池系统产热异常；反之，则可以确定所述目标电池系统未产热异常。其中，所述电阻阈值可结合实际情况设置。
[0113]
作为另一种可能的示例，可通过图10所示方式进行产热异常识别。请参照图10，图10为图5中子步骤s302包括的另一种子步骤的流程示意图。在本实施例中，子步骤s302还可以包括子步骤s335～子步骤s338。
[0114]
子步骤s335，根据各所述第二温度子集对应的所述第三产热电阻、所述第四产热电阻、电流及所述环境温度，进行特征点分类，得到第一组特征点及第二组特征点。
[0115]
在本实施例中，可如图11所示建立一特征坐标系，该特征坐标系的横轴为环境温度、纵轴为i2r(其中，i为电池电流，r为产热电阻)，然后根据各所述第二温度子集对应的第三产热电阻、第四产热电阻、电流及环境温度，在所述特征坐标系中创建相应的特征点。其中，各所述第二温度子集对应的电流为所对应的目标时刻的电池电流。比如，第二温度子集1是基于目标时刻1的电池数据得到的，则第二温度子集1对应的电流为在目标时刻1时采集到的电池电流；若目标时刻1采集了多个不同的电池电流，可以将该多个不同的电池电流的平均值，作为目标时刻1对应的电池电流。
[0116]
其中，每个特征点的特征包括功率及所述环境温度，所述功率根据各所述第二温度子集对应的电流及所述第三产热电阻或所述第四产热电阻计算得到。即一个第二温度子集对应有两个特征点，其中一个特征点的功率根据该第二温度子集对应的电流及第三产热电阻计算得到，另一个特征点的特征点的功率根据该第二温度子集对应的电流及第四产热电阻计算得到。
[0117]
在确定出各第二温度子集在特征坐标系中对应的特征点之后，可以对该部分特征点进行二分类，得到第一组特征点及第二组特征点。作为一种可能的示例，可如图12所示的利用支持向量机(support vector machine，svm)算法，对上述特征点进行分类，得到第一组特征点及第二组特征点。
[0118]
子步骤s336，计算得到所述第一组特征点与所述第二组特征点之间的间隔。
[0119]
在本实施例中，还可计算得到两类之间的距离作为所述间隔。比如，如图12所示，
在利用支持向量机算法进行分类的情况下，还可以通过该算法获得第一组特征点及第二组特征点之间的间隔margin。
[0120]
值得说明的是，上述利用支持向量机算法完成分类及获得间隔的方式仅为举例说明，也可以采用其他算法完成分类及获得两类之间的间隔。
[0121]
子步骤s337，根据所述第一组特征点及所述第二组特征点，计算得到类聚程度。
[0122]
可选地，如图13所示，可利用dbscan(density-based spatial clustering of applications with noise，具有噪声的基于密度的聚类方法)密度类聚算法，针对所述第一组特征点计算得到第一类聚程度，并针对所述第二组特征点计算得到第二类聚程度。
[0123]
子步骤s338，根据所述间隔及所述类聚程度，判断所述目标电池系统是否产热异常。
[0124]
可以将所述间隔与预设间隔进行比较，并将所述第一类聚程度、所述第二类聚程度分别与预设类聚程度进行比较。在所述间隔大于所述预设间隔、所述第一类聚程度及所述第二类聚程度均大于所述预设类聚程度时，可以判定所述目标电池系统产热异常，触发产热异常故障。反之，则可以判定所述目标电池系统未产热异常。如此，通过将ai技术用于产热异常的识别，可解决常规方法不足以发现细微差异而导致的热失控故障的局限性。
[0125]
如此，通过实时数据比较与历史数据比较的方式，可以判断是否出现产热异常故障，进而可以提前预警出电池热失控故障，提高车辆运行安全性。
[0126]
在本实施例中，使用实时数据比较方式可以从时间维度上提高突然性热失控故障的查全率与查准率，使用历史数据比较方式可以从时间维度上提高长周期热失控故障的故障诊断的查全率与查准率，如此可以提高故障诊断的精度，避免误报、漏检等。并且，在使用历史数据比较方式中，基于不同类别之间的间距及各类的聚类程度进行电池热失控诊断，可以有效避免单次数据偏差过大对整体算法的识别精度的影响；同时随着数据的更新，可以提前预警出电池热失控故障风险，避免人员伤亡与财产损失。
[0127]
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种电池系统产热异常识别装置200的实现方式，可选地，该电池系统产热异常识别装置200可以采用上述图1所示的电子设备100的器件结构。进一步地，请参照图14，图14为本技术实施例提供的电池系统产热异常识别装置200的方框示意图。需要说明的是，本实施例所提供的电池系统产热异常识别装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。所述电池系统产热异常识别装置200可以包括：采集模块210、温度计算模块220及识别模块230。
[0128]
所述采集模块210，用于采集目标电池系统的电池信息。其中，所述电池信息包括环境温度和电性参数两者中的至少一项及采集点的电池温度，所述采集点位于电池外。
[0129]
所述温度计算模块220，用于基于电池内部温度预测模型，根据所述电池信息获得电池内部温度。其中，所述电池内部温度预测模型基于训练集训练得到，所述训练集包括多个训练样本及对应的单个样本电池的样本内部温度，各训练样本中包括样本环境温度及样本电性参数两者中的至少一项及采集点的样本电池温度。
[0130]
所述识别模块230，用于根据所述电池内部温度，判断所述目标电池系统是否产热异常。
[0131]
可选地，上述模块可以软件或固件(firmware)的形式存储于图1所示的存储器110
中或固化于电子设备100的操作系统(operating system，os)中，并可由图1中的处理器120执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
[0132]
本技术实施例还提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现所述的电池系统产热异常识别方法。
[0133]
综上所述，本技术实施例提供一种电池系统产热异常识别方法、装置、电子设备及可读存储介质，基于利用包括样本环境温度和样本电性参数两者中的至少一项、采集点的样本电池温度及对应的单个样本电池的样本内部温度的训练集得到的电池内部温度预测模型，根据目标电池系统的电池信息，估算得到该目标电池系统的电池内部温度，进而基于该电池内部温度判断该目标电池系统是否产热异常。其中，电池信息包括环境温度和电性参数两者中的至少一项及采集点的电池温度，采集点位于电池外。如此，可利用电池内部温度预测模型，基于环境温度和电性参数两者中的至少一项及采集点的电池温度，估算出电芯的真实温度，进而提高基于温度得到的热失控诊断结果的准确性。
[0134]
在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本技术的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0135]
另外，在本技术各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0136]
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
以上所述仅为本技术的可选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。