[发明专利]一种电池温度向量生成方法及其相关设备

权利要求书

1.一种电池温度向量生成方法，其特征在于，所述方法包括：

获取待处理电池在第一时间段内的温度数据和所述待处理电池在第一时间段内的状态数据；

根据所述待处理电池在第一时间段内的温度数据和所述待处理电池在第一时间段内的状态数据，生成所述待处理电池在第一时间段内的温度向量；

所述根据所述待处理电池在第一时间段内的温度数据和所述待处理电池在第一时间段内的状态数据，生成所述待处理电池在第一时间段内的温度向量，包括：

将所述待处理电池在第一时间段内的温度数据和所述待处理电池在第一时间段内的状态数据输入预先训练的电池温度向量生成模型，得到所述电池温度向量生成模型输出的所述待处理电池在第一时间段内的温度向量；所述电池温度向量生成模型包括数据融合层、数据聚合层和数据编码层；

其中，当所述在第一时间段内的温度数据包括在N个采样时间点的温度数据，且所述第一时间段内的状态数据包括在N个采样时间点的状态数据时，所述将所述待处理电池在第一时间段内的温度数据和所述待处理电池在第一时间段内的状态数据输入预先训练的电池温度向量生成模型，得到所述电池温度向量生成模型输出的所述待处理电池在第一时间段内的温度向量，包括：

利用所述数据融合层对所述待处理电池在第i个采样时间点的温度数据和所述待处理电池在第i个采样时间点的状态数据进行融合，得到所述待处理电池在第i个采样时间点的融合数据；其中，i为正整数，i≤N，N为正整数；

利用所述数据聚合层对所述待处理电池在第1个采样时间点的融合数据至所述待处理电池在第N个采样时间点的融合数据进行聚合，得到所述待处理电池在第一时间段内的聚合数据；

利用所述数据编码层对所述待处理电池在第一时间段内的聚合数据进行编码，得到所述待处理电池在第一时间段内的温度向量。

2.根据权利要求1所述的方法，其特征在于，所述数据融合层包括至少一层图卷积神经网络。

3.根据权利要求1所述的方法，其特征在于，所述数据编码层包括长短记忆网络；或者，所述数据编码层包括长短记忆网络和注意力层。

4.根据权利要求1所述的方法，其特征在于，所述电池温度向量生成模型的训练过程包括：

获取至少一个训练数据；其中，所述训练数据包括待训练电池在第二时间段内的温度数据和所述待训练电池在第二时间段内的状态数据；

将所述至少一个训练数据输入所述电池温度向量生成模型，得到所述电池温度向量生成模型输出的所述至少一个训练数据的温度向量；

根据所述至少一个训练数据、所述至少一个训练数据的温度向量和预设损失函数，更新所述电池温度向量生成模型，并继续执行所述将所述至少一个训练数据输入所述电池温度向量生成模型及其后续步骤，直至达到预设停止条件。

5.根据权利要求1至4中任一项所述的方法，其特征在于，所述温度数据包括环境温度、电池内最高温度、电池内最低温度和电池内探针温度中的至少一个；

和/或，

所述状态数据包括电压、电流、内阻、电池容量、电池健康度和电池剩余电量中的至少一个。