【技术实现步骤摘要】
本申请涉及电池自加热，具体地指一种基于云端的车辆自加热故障预警方法、服务器及系统。
技术介绍
1、在车辆领域中，电池在低温环境下的外特性受到较大影响，其可用最大充电倍率小且难以实现满充，而且在充放电过程中易造成负极析锂，对电池造成永久性损伤，降低电池的寿命和容量。因此，在低温环境下，电池使用之前，尤其需要在低温下进行电池充放电前，需要对电池进行加热升温处理，使电池的电芯温度上升至正常工作温度范围，从而使电池的充放电能力恢复正常。
2、动力电池低温自加热技术能够实现动力电池在温度较低情况下的快速预热，具有能耗低，预热快的优势。然而，由于低温自加热功能开启时，会在回路中形成高频的交流电，此时电气工况以及对电池的状态变化复杂，通过一般的电流，电压，温度检测方式不容易识别自加热过程中的故障风险。
技术实现思路
1、为了克服现有技术的不足，本申请实施例提供一种基于云端的车辆自加热故障预警方法、服务器及系统，通过云端和车辆之间的数据交互建立和发送电池自加热故障预警系统。
2、本专利技术实施例提供了一种基于云端的车辆自加热故障预警方法，包括：
3、接收车辆终端上传的检测数据，所述检测数据为所述车辆终端检测到的自加热系统工作的状态数据；
4、从所述检测数据中提取所述检测数据的特征向量，所述特征向量为表征所述检测数据的一组数；
5、以所述检测数据所来自的所述车辆终端的类型为标签，将所述检测数据的特征向量进行分类储存；
6、根据所
7、下发所述车辆自加热故障预警模型给对应的车辆终端，所述车辆终端将自加热系统工作的状态数据带入所述车辆自加热故障预警模型进行自加热故障预警。
8、根据本专利技术实施例所提供的基于云端的车辆自加热故障预警方法，在所述从所述检测数据中提取所述检测数据的特征向量之前，还包括：
9、将所述检测数据进行解析处理，得到解析后的检测数据；
10、根据所述检测数据所来自的所述车辆终端的类型为标签，将所述解析后的检测数据进行分类储存；其中，针对所述解析后的检测数据进行分类储存的标签与针对所述特征向量进行分类储存的标签相对应；
11、所述从所述检测数据中提取所述检测数据的特征向量具体包括：
12、从所述解析后的检测数据中提取所述解析后的检测数据的特征向量。
13、根据本专利技术实施例所提供的基于云端的车辆自加热故障预警方法，所述检测数据包括：
14、电池soc、电池soh、电池温度、电芯电压差、电池电压、母线电流、电机温度以及故障状态。
15、根据本专利技术实施例所提供的基于云端的车辆自加热故障预警方法，所述特征向量包括：
16、电池soc、电池soh、单体电芯最高温度、单体电芯最低温度、最大温差、单体电芯最高电压、单体电芯最低电压、最大电压差、电池母线电流、电机温度、环境温度以及故障类型；其中，各特征数据用xi表示，所述特征向量记为x＝[x1 x2…x10 x11]。
17、根据本专利技术实施例所提供的基于云端的车辆自加热故障预警方法，所述根据所述特征向量建立或更新车辆自加热故障预警模型具体包括：
18、设置初始隐藏层的权重矩阵wh(0)，wh(0)＝[wh1(0),wh2(0),wh3(0)…wh11(0)]；其中，whi(0)为一个服从平均值为μ＝0，标准差σ＝0.01，元素个数为11的随机列向量，即whi(0)＝[whi1(0),whi2(0),…,whi10(0),whi11(0)]t，其中whij表示whi中的第j个元素；
19、根据第一公式计算初始隐藏层h(0)，h(0)＝[h1(0),h2(0)…h11(0)]；其中，hi(0)表示隐藏层的第i个元素；
20、第一公式：
21、hi(0)＝x1×whi1(0)+x2×whi2(0)+…+x11×whi11(0)＝x×whi(0)
22、h(0)＝x×wh(0)；
23、设置初始输出层的权重向量wout(0),wout(0)＝[wout1(0),wout2(0),wout3(0),…,wout11(0)]；其中，wouti(0)为第i个输出层权重；
24、根据第二公式计算预计输出结果y’(0)；
25、第二公式：y’(0)＝h(0)×wout(0)
26、据输出结果y’(0)与实际故障类型y的值进行比较，并通过第三公式对权重矩阵wh(0)和权重向量wout(0)进行更新；
27、第三公式：
28、
29、
30、其中，σ＝1/2(y-y’)^2，η为学习速率，η根据具体情况调节设置；
31、其中，
32、
33、将隐藏层和输出层的所有权重进行更新，到新一轮的预警估算结果y’
34、(1)；
35、将新的预警结果y’(1)与实际故障类型y的值进行比较，并通过第三公式对权重矩阵wh和权重向量wout进行更新，直到预测误差σ≤e停止迭代；
36、将迭代停止后的隐藏层矩阵wh和输出层矩阵wout作为自加热故障预警模型参数输出。
37、根据本专利技术实施例所提供的基于云端的车辆自加热故障预警方法，所述基于云端的车辆自加热故障预警方法还包括：
38、所述车辆终端在自加热过程中，实时上传所述检测数据。
39、本专利技术实施例还提供一种服务器，包括：存储器和处理器；所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现上述实施例中所述的基于云端的车辆自加热故障预警方法。
40、本实施例还提供一种基于云端的车辆自加热故障预警系统，包括：服务器和车辆自加热故障预警模型建立装置；
41、所述车辆自加热故障预警模型建立装置包括：检测数据接收模块、数据特征处理模块、数据存储模块、处理模块；
42、所述检测数据接收模块用于接收车辆终端上传的检测数据，所述检测数据为所述车辆终端检测到的自加热系统工作的状态数据；
43、所述数据特征处理模块用于从所述检测数据中提取所述检测数据的特征向量，所述特征向量为表征所述检测数据的一组数；
44、所述数据存储模块用于以所述检测数据所来自的所述车辆终端的类型为标签，将所述检测数据的特征向量进行分类储存；
45、所述处理模块用于根据所述特征向量建立或更新车辆自加热故障预警模型。
46、根据本专利技术实施例所提供的基于云端的车辆自加热故障预警系统，所述车辆自加热故障预警模型建立装置还包括：预处理模块；
47、所述预处理模块用于将所述检测数据进行解析处理，得到解析后的检测数据；
48、根本文档来自技高网...
【技术保护点】
1.一种基于云端的车辆自加热故障预警方法，其特征在于，包括：
2.根据权利要求1所述的基于云端的车辆自加热故障预警方法，其特征在于，在所述从所述检测数据中提取所述检测数据的特征向量之前，还包括：
3.根据权利要求1或2所述的基于云端的车辆自加热故障预警方法，其特征在于，所述检测数据包括：
4.根据权利要求3所述的基于云端的车辆自加热故障预警方法，其特征在于，所述特征向量包括：
5.根据权利要求4所述的基于云端的车辆自加热故障预警方法，其特征在于，所述根据所述特征向量建立或更新车辆自加热故障预警模型具体包括：
6.根据权利要求1所述的基于云端的车辆自加热故障预警方法，其特征在于，所述基于云端的车辆自加热故障预警方法还包括：
7.一种服务器，其特征在于，包括：存储器和处理器；所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行，以实现权利要求1至6中任一项所述的基于云端的车辆自加热故障预警方法。
8.一种基于云端的车辆自加热故障预警系统，其特征在于，包括：服务器和车辆自加热故障预警模
9.根据权利要求8所述的基于云端的车辆自加热故障预警系统，其特征在于，所述车辆自加热故障预警模型建立装置还包括：预处理模块；
10.根据权利要求9所述的基于云端的车辆自加热故障预警系统，其特征在于，所述处理模块具体用于建立所述车辆自加热故障预警模型；建立所述车辆自加热故障预警模型包括：
...【技术特征摘要】
1.一种基于云端的车辆自加热故障预警方法，其特征在于，包括：
2.根据权利要求1所述的基于云端的车辆自加热故障预警方法，其特征在于，在所述从所述检测数据中提取所述检测数据的特征向量之前，还包括：
3.根据权利要求1或2所述的基于云端的车辆自加热故障预警方法，其特征在于，所述检测数据包括：
4.根据权利要求3所述的基于云端的车辆自加热故障预警方法，其特征在于，所述特征向量包括：
5.根据权利要求4所述的基于云端的车辆自加热故障预警方法，其特征在于，所述根据所述特征向量建立或更新车辆自加热故障预警模型具体包括：
6.根据权利要求1所述的基于云端的车辆自加热故障预警方法，其特征在于，所述基于云端的车...
【专利技术属性】
技术研发人员：彭杨茗，李萍，陈紫曦，郑卿卿，费一航，
申请(专利权)人：东风汽车集团股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。