一种电动汽车绝缘电阻预测方法、系统及存储介质与流程

1.本发明涉及动力电池技术领域，尤其是涉及一种电动汽车绝缘电阻预测方法、系统及存储介质。


背景技术：

2.现如今，虽然电动汽车高压系统回路上的各个用电器件都配备了绝缘保护措施，但绝缘失效的现象仍然存在。当绝缘失效出现时，整个车身都将与高压系统连接起来并带有电流，电动汽车高压系统的电压高达400v以上，如果人体接触车身会导致严重的触电伤害。
3.关于绝缘电阻的估算，现有技术是围绕单个的绝缘电阻数据本身开展，没有考虑到其他关联数据的影响，导致绝缘电阻的预测精度不高，局限性较大。


技术实现要素：

4.本发明提供一种电动汽车绝缘电阻预测方法、系统及存储介质，以解决现有的绝缘电阻预测精度不高的技术问题，通过对与车辆电池包绝缘电阻相关联的数据进行处理，采用非线性回归技术构建绝缘电阻预测模型，提前识别绝缘失效风险，提高了绝缘电阻的预测精度。
5.为了解决上述技术问题，本发明实施例提供了一种电动汽车绝缘电阻预测方法，其包括：
6.获取多组电阻关联数据，每组所述电阻关联数据包括车辆运行数据、电池包运行数据和电池包当前绝缘阻值，其中，所述车辆运行数据包括急加速次数、急转弯次数、车辆颠簸次数和空调运行时长，所述电池包运行数据包括高电流充放电时长、高温充放电时长、充电过流次数和高湿度充放电时长；
7.基于多元非线性回归技术，构建车辆的绝缘电阻预测模型；
8.以所述电阻关联数据对所述绝缘电阻预测模型进行训练；
9.根据训练后的所述绝缘电阻预测模型对车辆电池包的绝缘电阻进行预测。
10.作为其中一种优选方案，通过车载t-box获取所述车辆运行数据、所述电池包运行数据和所述电池包当前绝缘阻值。
11.作为其中一种优选方案，所述车载t-box通过车身域控制器获取所述高湿度充放电时长、所述空调运行时长和所述当前绝缘阻值；
12.所述车载t-box通过底盘域控制器获取所述急加速次数、所述急转弯次数和所述车辆颠簸次数；
13.所述车载t-box通过动力域控制器获取所述高电流充放电时长、所述高温充放电时长和所述充电过流次数。
14.作为其中一种优选方案，所述基于多元非线性回归技术，构建车辆的绝缘电阻预测模型，具体包括：
15.以电池包当前绝缘阻值作为多元非线性回归方程的输出项，以车辆运行数据和电池包运行数据作为多元非线性回归方程的输入项，构建多元非线性回归方程如下：
16.y＝β1x1+β2x2+β3x3+β4x4+β5x5+β6x6+β7x7+β8x817.其中，y为电池包当前绝缘阻值，x1为急加速次数，β1为急加速系数，x2为急转弯次数，β2为急转弯系数，x3为车辆颠簸次数，β3为颠簸系数，x4为空调运行时长，β4为空调系数，x5为高电流充放电时长，β5为高电流充放电系数，x6为高温充放电时长，β6为高温充放电系数，x7为充电过流次数，β7为充电过流系数，x8为高湿度充放电时长，β8为高湿度充放电系数。
18.作为其中一种优选方案，所述急加速系数、所述急转弯系数、所述颠簸系数、所述空调系数、所述高电流充放电时长、所述高温充放电系数、所述充电过流系数和所述高湿度充放电系数通过最小二乘法进行辨识获得。
19.作为其中一种优选方案，在获取多组所述电阻关联数据后，所述电动汽车绝缘电阻预测方法还包括：
20.对多组所述电阻关联数据进行数据清洗。
21.作为其中一种优选方案，在车辆的数据边缘层构建车辆的所述绝缘电阻预测模型。
22.作为其中一种优选方案，所述以所述电阻关联数据对所述绝缘电阻预测模型进行训练，具体包括：
23.将所述绝缘电阻预测模型上传至云端大数据平台；
24.基于云端数据库对所述电阻关联数据进行更新；
25.以更新后的所述电阻关联数据对所述绝缘电阻预测模型进行训练。
26.本发明另一实施例提供了一种电动汽车绝缘电阻预测系统，包括云端大数据平台、车载t-box、以及分别受控于所述车载t-box的车身域控制器、底盘域控制器和动力域控制器；
27.所述云端大数据平台与所述车载t-box之间通信连接；
28.所述电动汽车绝缘电阻预测系统用于实现如上所述的电动汽车绝缘电阻预测方法。
29.本发明再一实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上所述的电动汽车绝缘电阻预测方法。
30.相比于现有技术，本发明实施例的有益效果在于以下所述中的至少一点：不再局限于单个的绝缘电阻，而是围绕绝缘电阻以外的其他关联数据，分别获取代表车辆运行的急加速次数、急转弯次数、车辆颠簸次数和空调运行时长，代表电池包运行的高电流充放电时长、高温充放电时长、充电过流次数和高湿度充放电时长，结合电池包当前绝缘阻值，通过多元非线性回归方程来进行绝缘电阻预测模型的构建和训练，提高了模型预测的精度，从而能够对车辆进行绝缘电阻失效的监控，提前识别绝缘失效的风险，避免产生因绝缘失效导致的车辆漏电和乘客触电等安全事故。
附图说明
31.图1是本发明其中一种实施例中的电动汽车绝缘电阻预测方法的流程示意图；
32.图2是本发明其中一种实施例中的模型训练的流程示意图；
33.图3是本发明其中一种实施例中的预测示意图；
34.图4是本发明其中一种实施例中的电动汽车绝缘电阻预测系统的框图；
35.附图标记：
36.1、云端大数据平台；2、车载t-box；3、车身域控制器；4、底盘域控制器；5、动力域控制器。
具体实施方式
37.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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
38.在本技术描述中，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。
39.在本技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
40.在本技术的描述中，需要说明的是，除非另有定义，本发明所使用的所有的技术和科学术语与属于本的技术领域的技术人员通常理解的含义相同。本发明中说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明，对于本领域的普通技术人员而言，可以具体情况理解上述术语在本技术中的具体含义。
41.本发明一实施例提供了一种电动汽车绝缘电阻预测方法，具体的，请参见图1，图1示出为本发明其中一种实施例中的电动汽车绝缘电阻预测方法的流程示意图，包括步骤s1～s4：
42.s1、获取多组电阻关联数据，每组所述电阻关联数据包括车辆运行数据、电池包运行数据和电池包当前绝缘阻值，其中，所述车辆运行数据包括急加速次数、急转弯次数、车辆颠簸次数和空调运行时长，所述电池包运行数据包括高电流充放电时长、高温充放电时长、充电过流次数和高湿度充放电时长；
43.s2、基于多元非线性回归技术，构建车辆的绝缘电阻预测模型；
44.s3、以所述电阻关联数据对所述绝缘电阻预测模型进行训练；
45.s4、根据训练后的所述绝缘电阻预测模型对车辆电池包的绝缘电阻进行预测。
46.对于电动汽车而言，绝缘失效包括两种情况，其一是瞬时失效，即极短时间内高压系统与车身之间接触或绝缘保护装置损坏，导致绝缘阻值迅速下降至危险阈值以下，瞬时
失效一般在车辆发生碰撞时出现；其二是长期失效，即随着车辆频繁使用和线路的老化，绝缘阻值会出现下降的趋势，直至车辆彻底失去绝缘保护的功能。本发明针对绝缘长期失效的场景，基于关联数据对车辆的绝缘阻值变化情况进行分析，最终能够实现提前预知绝缘失效的效果。
47.在本发明实施例中，不再局限于单个的绝缘电阻，而是围绕绝缘电阻以外的其他关联数据，对于关联数据，其会对电动汽车电池包的绝缘电阻带来一定的影响，例如本实施例中的空调运行时长会对车内的环境温度带来变化，电池包在不同的车内环境温度下，其绝缘电阻势必会发生一定程度的变化；又例如车辆颠簸次数会带来一定程度的机械震动，不同的震动频率也会导致电池包发生碰撞，进而对绝缘阻值带来一定程度的影响。本实施例将与绝缘电阻关联的数据分为两大类，一类是从车辆行驶角度考虑的车辆运行数据，另一类是从电池包自身考虑的电池包运行数据，再结合电池包当前绝缘阻值，构建预测模型的雏形。当然，在本实施例中，获取的多组电阻关联数据优选为选取n辆车3个月内的相关数据，从而拓宽作为基础数据的样本集的广度，为后续模型的训练提供良好的数据支撑。
48.进一步地，在上述实施例中，通过车载t-box获取所述车辆运行数据、所述电池包运行数据和所述电池包当前绝缘阻值。需要强调的是，本实施例中的电阻关联数据的获取方式需要针对不同的整车架构进行调整，例如，可以通过单个的域控制器(如整车域控制器)，对所有信号进行采集，也可以通过车身域控制器、底盘域控制器和动力域控制器对信号进行采集，在can上进行共享。从车身域、底盘域和动力域获取数据，可以节省不同的ecu算力相互冗余造成的资源浪费，使得数据的获取过程更为迅速、集中。
49.具体的，在本实施例中，通过车身域控制器获取所述高湿度充放电时长、所述空调运行时长和所述当前绝缘阻值；通过底盘域控制器获取所述急加速次数、所述急转弯次数和所述车辆颠簸次数；通过动力域控制器获取所述高电流充放电时长、所述高温充放电时长和所述充电过流次数。优选地，不管采用何种方式进行数据采集获取，最终都需要通过车载t-box进行上传，即所有数据不论来源都应发送至车载t-box，在此不再赘述。
50.非线性回归预测法是一种根据多个自变量和因变量之间的非线性关系，建立非线性模型，再对实测数据进行拟合得到模型参数的方法。在本实施例中，各关联数据代表影响绝缘电阻的特征项，包括环境因素和人为因素，然后基于多元非线性回归技术，将各个特征项作为回归方程的输入，当前绝缘阻值作为回归方程的输出，根据多组的数据输入，对模型参数进行辨识拟合，也即，通过多组电阻关联数据的输入，对所述绝缘电阻预测模型进行训练，将辨识的模型参数进行归一化处理，得到最终模型参数。
51.具体的，构建多元非线性回归方程如下：
52.y＝β1x1+β2x2+β3x3+β4x4+β5x5+β6x6+β7x7+β8x853.其中，y为电池包当前绝缘阻值，x1为急加速次数，β1为急加速系数，x2为急转弯次数，β2为急转弯系数，x3为车辆颠簸次数，β3为颠簸系数，x4为空调运行时长，β4为空调系数，x5为高电流充放电时长，β5为高电流充放电系数，x6为高温充放电时长，β6为高温充放电系数，x7为充电过流次数，β7为充电过流系数，x8为高湿度充放电时长，β8为高湿度充放电系数。
54.上述β1、β2……
β8代表待辨识的模型参数系数，优选地，在本实施例中，通过最小二乘法进行辨识获得，最小二乘法是现有技术中提出的一种求解未知参数的方法，如下所述：
55.一个数学模型的方程为：
56.y0＝β0+β1x1+β2x2+
……
+βkxk57.为了计算模型参数，我们需要对系统进行实验测试，获取y和特征项x1，x2
……
xk的实测值再建立最小二乘方程。
58.我们先将其矩阵形式记作：
[0059][0060]
则最小二乘函数定义为：
[0061][0062]
应用偏微分方程解得：
[0063][0064]
令上式等于0，解得：
[0065]
β＝(x
t
x)-1
x
ty[0066]
进一步地，在上述实施例中，为了发现并纠正数据中可识别的错误，包括检查数据一致性，处理无效值和缺失值等，在获取数据之后需要对多组所述电阻关联数据进行数据清洗，当然，数据清洗的方法有多种，本实施例中采用使用3σ准则对数据进行清洗，提高了最终的绝缘阻值的预测精度。
[0067]
在大量的车辆信息数据面前，数据的处理方式会决定数据的处理效率，为了不影响车辆的正常运行，在本实施例中，在车辆的数据边缘层构建车辆的所述绝缘电阻预测模型，也即，在软件层面上，模型部署于数据边缘段，在边缘层进行数据的预处理和缓存，在不影响车辆正常使用的情况下对车辆进行绝缘阻值预测和监控，从而能够在电池包发生绝缘失效之前识别出失效时间和可能的失效原因，方便驾驶员提前对车辆采取应对措施。
[0068]
具体的，请参见图2，图2示出为本发明其中一种实施例中的模型训练的流程示意图，在上述实施例中，对于步骤s3：以所述电阻关联数据对所述绝缘电阻预测模型进行训练，其具体包括：
[0069]
s31、将所述绝缘电阻预测模型上传至云端大数据平台；
[0070]
s32、基于云端数据库对所述电阻关联数据进行更新；
[0071]
s33、以更新后的所述电阻关联数据对所述绝缘电阻预测模型进行训练。
[0072]
利用云端实时训练更新模型参数，能够进一步提升绝缘电阻预测模型的预测准确度，也能够在云端监控平台绘制相关的图表，对预测到的绝缘电阻数据进行管理和分析。请参见图3，图3示出为根据本发明实施例提供的电动汽车绝缘电阻预测方法得到的预测示意图，图中的虚线部分为预测的绝缘电阻值。
[0073]
本发明另一实施例提供了一种电动汽车绝缘电阻预测系统，具体的，请参见图4，图4示出为本发明其中一种实施例中的电动汽车绝缘电阻预测系统的框图，其包括云端大数据平台1、车载t-box2、以及分别受控于所述车载t-box2的车身域控制器3、底盘域控制器4和动力域控制器5；
[0074]
所述云端大数据平台1与所述车载t-box2之间通信连接；
[0075]
所述电动汽车绝缘电阻预测系统用于实现如上所述的电动汽车绝缘电阻预测方法。
[0076]
相应地，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述实施例的电动汽车绝缘电阻预测方法中的步骤，例如图1中所述的步骤s1～s4。
[0077]
本发明实施例提供的电动汽车绝缘电阻预测方法、系统及存储介质，有益效果在于以下所述中的至少一点：
[0078]
不再局限于单个的绝缘电阻，而是围绕绝缘电阻以外的其他关联数据，分别获取代表车辆运行的急加速次数、急转弯次数、车辆颠簸次数和空调运行时长，代表电池包运行的高电流充放电时长、高温充放电时长、充电过流次数和高湿度充放电时长，结合电池包当前绝缘阻值，通过多元非线性回归方程来进行绝缘电阻预测模型的构建和训练，提高了模型预测的精度，从而能够对车辆进行绝缘电阻失效的监控，提前识别绝缘失效的风险，避免产生因绝缘失效导致的车辆漏电和乘客触电等安全事故。
[0079]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。