CN110010987A - 一种基于大数据的电动汽车剩余充电时间预测方法 - Google Patents
一种基于大数据的电动汽车剩余充电时间预测方法 Download PDFInfo
- Publication number
- CN110010987A CN110010987A CN201910292007.8A CN201910292007A CN110010987A CN 110010987 A CN110010987 A CN 110010987A CN 201910292007 A CN201910292007 A CN 201910292007A CN 110010987 A CN110010987 A CN 110010987A
- Authority
- CN
- China
- Prior art keywords
- data
- charging
- training
- remaining
- big data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/488—Cells or batteries combined with indicating means for external visualization of the condition, e.g. by change of colour or of light density
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于大数据的电动汽车剩余充电时间预测方法。方法为:开始充电时,汽车将特征信息上传到大数据系统,预测模型进行剩余充电时间预测,向车辆反馈充满剩余时间和充电到80%剩余时间;充电过程中,累计充电时间;充电完成后,车辆将真实充电时间上传到大数据系统;每月从大数据系统中,筛选数据样本,将样本随机划分为训练数据集、验证数据集A和验证数据集B,利用训练样本训练多个机器学习模型,利用验证数据集A和验证数据集B验证训练好的模型,根据验证结果综合评价,选取最佳的预测模型。本发明提高了电动汽车剩余充电时间预测的准确度,改善了用户的体验,增强了电动汽车的竞争力。
Description
技术领域
本发明涉及新能源BMS和大数据结合的技术领域,特别是一种基于大数据的电动汽车剩余充电时间预测方法。
背景技术
电池管理系统BMS,是新能源汽车控制的大脑,汽车能够安全、有效使用关键。目前BMS的各项技术指标越来成熟,但是对充电时间预测功能依然非常粗糙。常用的剩余时间预测方法,基于SOC、充电电流来简单估算充电剩余时间,该方法过于简单,误差较大。
充电时间预测准确性被厂家忽视,原因主要有两个:其一是充电剩余时间和功能安全无关,其准确性也并没有在国标中体现;其二是除了SOC和充电电流外,电池老化程度、电池温度、外界温度、快慢充策略,电池SOC的一致性等许多因素会对充电时间产生影响,但是这些因素如何影响,影响的程度有多大,很难用实验的方式得到结果,因此无法建立有效的函数预测模型。
发明内容
本发明的目的在于提供一种准确度高、时效性强的基于大数据的电动汽车剩余充电时间预测方法。
实现本发明目的的技术解决方案为:一种基于大数据的电动汽车剩余充电时间预测方法,包括以下步骤:
步骤1、开始充电时,汽车将特征信息上传到大数据系统,预测模型进行剩余充电时间预测,向车辆反馈充满剩余时间和充电到80%剩余时间;
步骤2、充电过程中,累计充电时间;充电完成后,车辆将真实充电时间上传到大数据系统;
步骤3、每月从大数据系统中,筛选数据样本,将样本随机划分为训练数据集、验证数据集A和验证数据集B,利用训练样本训练多个机器学习模型,利用验证数据集A和验证数据集B验证训练好的模型,根据验证结果综合评价,选取最佳的预测模型。
进一步地,步骤1所述的开始充电时,汽车将特征信息上传到大数据系统,预测模型进行剩余充电时间预测,向车辆反馈充满剩余时间和充电到80%剩余时间,具体如下:
步骤1.1、当刚开始充电时,利用BMS系统采集电池信息、周围环境信息;
步骤1.2、将特征信息电池SOC、循环次数、电池温度、外界温度、快充或慢充的标志位上传到云端;
步骤1.3、将数据处理为模型输入的形式;
步骤1.4、通过最佳预测模型预测充电剩余时间、充电到SOC=80%所需时间;
步骤1.5、将预测的结果传递给电池管理系统,由电池管理系统显示。
进一步地,步骤2所述的充电过程中,累计充电时间;充电完成后,车辆将真实充电时间上传到大数据系统,具体如下:
步骤2.1、充电过程中,BMS累计充电时间;
步骤2.2、充电完成后,将充电初期的特征信息,包括电池SOC、循环次数、电池温度、外界温度、快慢充的标志位,以及充电到80%的真实时间、充满的真实时间,上传到大数据系统。
进一步地,步骤3所述的每月从大数据系统中,筛选数据样本,将样本随机划分为训练数据集、验证数据集A和验证数据集B,利用训练样本训练多个机器学习模型,利用验证数据集A和验证数据集B验证训练好的模型,根据验证结果综合评价,选取最佳的预测模型,具体如下:
步骤3.1、每月根据数据训练一次预测模型;
步骤3.2、对上传的数据进行筛选,选取一年以内数据,通过下采样或过采样方式,确保数据在不同循环次数区间内平衡分布;
使用筛选模块,首先剔除一年前的数据,统计不同循环次数区间的数据数量,对不同区间采用下采样或过采样的方式,使得训练数据在循环次数特征尺度上均衡分布;
步骤3.3、将样本数据进行处理,随机划分为训练集和验证集A,同时从最近一个月的数据中,随机提取一定比例的数据作为验证集B;
步骤3.4、利用训练数据训练多个模型,分别采用训练集在验证集A和验证集B进行验证,计算其准确度Ea、Eb,按照相同的权重比例得到最终的准确度E=0.5*Ea+0.5*Eb;
步骤3.5、选择准确度E作为最佳预测模型的最终判断标准。
本发明与现有技术相比,其显著优点在于:(1)能够将不同车辆的信息整合在一起,无需对汽车进行实验室测试,即可进行不同环境下剩余充电时间的预测;(2)通过筛选模块将数据在循环次数尺度上均衡分布,有利于模型训练效果;(3)根据两个不同时间段的验证数据综合评估,来选择最佳预测模型,确保了剩余时间预测模型的时效性和准确性;(4)剩余时间预测准确度高,改善了用户的体验,增强了汽车的竞争力。
附图说明
图1是本发明基于大数据的电动汽车剩余充电时间预测方法中预测充电时间的流程示意图。
图2是本发明中上报充电时间的流程示意图。
图3是本发明中选择充电模型的流程示意图。
图4是本发明中数据筛选的流程示意图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细说明。
结合图1、图2、图3,本发明一种基于大数据的电动汽车剩余充电时间预测方法,包括以下步骤:
步骤1、结合图1,开始充电时,汽车将特征信息上传到大数据系统,预测模型进行剩余充电时间预测,向车辆反馈充满剩余时间和充电到80%剩余时间,具体如下:
步骤1.1、当刚开始充电时,利用BMS系统采集电池信息、周围环境信息;
步骤1.2、将特征信息电池SOC、循环次数、电池温度、外界温度、快充或慢充的标志位上传到云端;
步骤1.3、将数据处理为预测模型输入的形式;
步骤1.4、通过最佳预测模型预测充电剩余时间、充电到SOC=80%所需时间;
步骤1.5、将预测的结果传递给电池管理系统,由电池管理系统显示剩余充电时间。
步骤2、结合图2,充电过程中,累计充电时间;充电完成后,车辆将真实充电时间上传到大数据系统,具体如下
步骤2.1、充电过程中,BMS累计充电时间;
步骤2.2、充电完成后,将充电初期的特征信息,包括电池SOC、循环次数、电池温度、外界温度、快慢充的标志位,以及充电到80%的真实时间、充满的真实时间等上传到大数据系统。
步骤3、结合图3,每月从大数据系统中,筛选数据样本,将样本随机划分为训练数据集、验证数据集A和验证数据集B,利用训练样本训练多个机器学习模型,利用验证数据集A和验证数据集B验证训练好的模型,根据验证结果综合评价,选取最佳的预测模型,具体如下:
步骤3.1、为了保证模型的准确性,每月根据数据训练一次预测模型;
步骤3.2、结合图4,对上传的数据进行筛选,同过下采样或过采样,使得在不同循环次数区间内数据均衡分布;
将电池SOC、循环次数、电池温度、外界温度、快充或慢充的标志位作为输入,充电到20%所需时间、充满所需时间作为输出,对输入输出数据进行处理;
步骤3.3、将一年内的数据随机划分为训练样本、验证样本A,从最近一个月数据中随机选择一定比例,得到验证样本B;
步骤3.4、利用训练集训练多个机器学习模型,利用训练好的模型,分别在验证集A、B中验证,分别计算其准确度Ea,Eb,按照相同的权重比例得到用来评估模型的准确度E=0.5*Ea+0.5*Eb,具体如下:
机器学习模型是通过数据训练,得到输入、输出数据之间的关系。为了训练机器模型,需要确定输入、输出变量;
输入变量
SOC:表示电池剩余电量,单位是%,表示电池内部电量占总电量的比例;
循环次数:和电池老化有直接关系,将放空后的电池充满,然后再放空这个过程为一次循环,电池从出厂到寿命结束,循环次数接近,该变量可以表征电池老化状态;
电池温度:电池温度会对电池容量产生影响,另外当温度非常低时,需要先预加热到一定温度再充电,预加热的过程也会消耗时间;
外界温度:电池会和外界进行热量交互,外界温度会对电池温度产生影响;
快慢充标志位:电池的快充、慢充是电池充电的两种充电策略,汽车在家充电时,电流较小是慢充策略;在充电桩上充电时,电流较大是快充策略。汽车出厂时,其快、慢充策略是固定的,即其充电电流大小、降电流过程都是固定的。
输出变量
剩余充电时间:电池从充电开始,到充满电所需要的时间;
充电到80%剩余时间:电池从充电开始,到充电到SOC=80%所需要的时间;
电动汽车充电过程中,无论是快充还是慢充,充电电流都不恒定,当充电到SOC=80%时,电流开始进入降电流过程,降电流后充电速率降低,一般从SOC=80%到充满所需时间占总充电时间的一半以上,因此将充电到80%时所需的时间作为一个输出点;
步骤3.5、选择准确度E作为最佳预测模型的最终判断标准。
综上所述,本发明能够将不同车辆的信息整合在一起,无需对汽车进行实验室测试,即可进行不同环境下剩余充电时间的预测;通过筛选模块将数据在循环次数尺度上均衡分布,有利于模型训练效果;根据两个不同时间段的验证数据综合评估,来选择最佳预测模型,确保了剩余时间预测模型的时效性和准确性;剩余时间预测准确度高,改善了用户的体验,增强了汽车的竞争力。
Claims (4)
1.一种基于大数据的电动汽车剩余充电时间预测方法,其特征在于,包括以下步骤:
步骤1、开始充电时,汽车将特征信息上传到大数据系统,预测模型进行剩余充电时间预测,向车辆反馈充满剩余时间和充电到80%剩余时间;
步骤2、充电过程中,累计充电时间;充电完成后,车辆将真实充电时间上传到大数据系统;
步骤3、每月从大数据系统中,筛选数据样本,将样本随机划分为训练数据集、验证数据集A和验证数据集B,利用训练样本训练多个机器学习模型,利用验证数据集A和验证数据集B验证训练好的模型,根据验证结果综合评价,选取最佳的预测模型。
2.根据权利要求1所述的基于大数据的电动汽车剩余充电时间预测方法,其特征在于,步骤1所述的开始充电时,汽车将特征信息上传到大数据系统,预测模型进行剩余充电时间预测,向车辆反馈充满剩余时间和充电到80%剩余时间,具体如下:
步骤1.1、当刚开始充电时,利用BMS系统采集电池信息、周围环境信息;
步骤1.2、将特征信息电池SOC、循环次数、电池温度、外界温度、快充或慢充的标志位上传到云端;
步骤1.3、将数据处理为模型输入的形式;
步骤1.4、通过最佳预测模型预测充电剩余时间、充电到SOC=80%所需时间;
步骤1.5、将预测的结果传递给电池管理系统,由电池管理系统显示。
3.根据权利要求1所述的基于大数据的电动汽车剩余充电时间预测方法,其特征在于,步骤2所述的充电过程中,累计充电时间;充电完成后,车辆将真实充电时间上传到大数据系统,具体如下:
步骤2.1、充电过程中,BMS累计充电时间;
步骤2.2、充电完成后,将充电初期的特征信息,包括电池SOC、循环次数、电池温度、外界温度、快慢充的标志位,以及充电到80%的真实时间、充满的真实时间,上传到大数据系统。
4.根据权利要求1所述的基于大数据的电动汽车剩余充电时间预测方法,其特征在于,步骤3所述的每月从大数据系统中,筛选数据样本,将样本随机划分为训练数据集、验证数据集A和验证数据集B,利用训练样本训练多个机器学习模型,利用验证数据集A和验证数据集B验证训练好的模型,根据验证结果综合评价,选取最佳的预测模型,具体如下:
步骤3.1、每月根据数据训练一次预测模型;
步骤3.2、对上传的数据进行筛选,选取一年以内数据,通过下采样或过采样方式,确保数据在不同循环次数区间内平衡分布;
使用筛选模块,首先剔除一年前的数据,统计不同循环次数区间的数据数量,对不同区间采用下采样或过采样的方式,使得训练数据在循环次数特征尺度上均衡分布;
步骤3.3、将样本数据进行处理,随机划分为训练集和验证集A,同时从最近一个月的数据中,随机提取一定比例的数据作为验证集B;
步骤3.4、利用训练数据训练多个模型,分别采用训练集在验证集A和验证集B进行验证,计算其准确度Ea、Eb,按照相同的权重比例得到最终的准确度E=0.5*Ea+0.5*Eb;
步骤3.5、选择准确度E作为最佳预测模型的最终判断标准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292007.8A CN110010987B (zh) | 2019-04-12 | 2019-04-12 | 一种基于大数据的电动汽车剩余充电时间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910292007.8A CN110010987B (zh) | 2019-04-12 | 2019-04-12 | 一种基于大数据的电动汽车剩余充电时间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110010987A true CN110010987A (zh) | 2019-07-12 |
CN110010987B CN110010987B (zh) | 2022-08-16 |
Family
ID=67171296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910292007.8A Active CN110010987B (zh) | 2019-04-12 | 2019-04-12 | 一种基于大数据的电动汽车剩余充电时间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110010987B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703101A (zh) * | 2019-09-12 | 2020-01-17 | 北京交通大学 | 一种锂离子电池分区间循环容量衰退预测方法 |
CN110723029A (zh) * | 2019-09-27 | 2020-01-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种充电策略的确定方法及装置 |
CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
CN112215434A (zh) * | 2020-10-22 | 2021-01-12 | 深圳市加码能源科技有限公司 | 一种lstm模型的生成方法、充电时长预测方法及介质 |
CN112329336A (zh) * | 2020-10-22 | 2021-02-05 | 同济大学 | 一种电动汽车电池组充电-冷却过程规划方法 |
CN113119796A (zh) * | 2021-03-29 | 2021-07-16 | 上海交通大学 | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 |
CN113147506A (zh) * | 2021-04-25 | 2021-07-23 | 北京新能源汽车股份有限公司 | 基于大数据的车与车互学习充电剩余时间预测方法和装置 |
CN113595164A (zh) * | 2020-04-30 | 2021-11-02 | 华为技术有限公司 | 用于充电管控的方法和装置 |
CN115020842A (zh) * | 2022-06-27 | 2022-09-06 | 东莞新能安科技有限公司 | 充电时长确定方法、装置、设备及产品 |
WO2023052685A1 (en) | 2021-09-29 | 2023-04-06 | Kempower Oyj | Forecasting charging time of electric vehicles |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968670A (zh) * | 2012-10-23 | 2013-03-13 | 北京京东世纪贸易有限公司 | 预测数据的方法和装置 |
US20150145478A1 (en) * | 2013-11-28 | 2015-05-28 | Tsinghua University | Method and device for charging electric vehicle in power system |
CN105914412A (zh) * | 2016-06-24 | 2016-08-31 | 北京智慧云行科技有限责任公司 | 一种可回收电池梯次利用的系统 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN108808781A (zh) * | 2018-06-22 | 2018-11-13 | 蔚来汽车有限公司 | 基于大数据的电动汽车预约充电方法和装置 |
CN108830414A (zh) * | 2018-06-12 | 2018-11-16 | 南京邮电大学 | 一种电动汽车商用充电区的负荷预测方法 |
-
2019
- 2019-04-12 CN CN201910292007.8A patent/CN110010987B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968670A (zh) * | 2012-10-23 | 2013-03-13 | 北京京东世纪贸易有限公司 | 预测数据的方法和装置 |
US20150145478A1 (en) * | 2013-11-28 | 2015-05-28 | Tsinghua University | Method and device for charging electric vehicle in power system |
CN105914412A (zh) * | 2016-06-24 | 2016-08-31 | 北京智慧云行科技有限责任公司 | 一种可回收电池梯次利用的系统 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN108830414A (zh) * | 2018-06-12 | 2018-11-16 | 南京邮电大学 | 一种电动汽车商用充电区的负荷预测方法 |
CN108808781A (zh) * | 2018-06-22 | 2018-11-13 | 蔚来汽车有限公司 | 基于大数据的电动汽车预约充电方法和装置 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110703101A (zh) * | 2019-09-12 | 2020-01-17 | 北京交通大学 | 一种锂离子电池分区间循环容量衰退预测方法 |
CN110703101B (zh) * | 2019-09-12 | 2021-01-05 | 北京交通大学 | 一种锂离子电池分区间循环容量衰退预测方法 |
CN110723029B (zh) * | 2019-09-27 | 2021-09-14 | 东软睿驰汽车技术(沈阳)有限公司 | 一种充电策略的确定方法及装置 |
CN110723029A (zh) * | 2019-09-27 | 2020-01-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种充电策略的确定方法及装置 |
CN113595164A (zh) * | 2020-04-30 | 2021-11-02 | 华为技术有限公司 | 用于充电管控的方法和装置 |
WO2021218423A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 用于充电管控的方法和装置 |
CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
CN112329336A (zh) * | 2020-10-22 | 2021-02-05 | 同济大学 | 一种电动汽车电池组充电-冷却过程规划方法 |
CN112215434A (zh) * | 2020-10-22 | 2021-01-12 | 深圳市加码能源科技有限公司 | 一种lstm模型的生成方法、充电时长预测方法及介质 |
CN113119796A (zh) * | 2021-03-29 | 2021-07-16 | 上海交通大学 | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 |
CN113147506A (zh) * | 2021-04-25 | 2021-07-23 | 北京新能源汽车股份有限公司 | 基于大数据的车与车互学习充电剩余时间预测方法和装置 |
CN113147506B (zh) * | 2021-04-25 | 2022-05-06 | 北京新能源汽车股份有限公司 | 基于大数据的车与车互学习充电剩余时间预测方法和装置 |
WO2023052685A1 (en) | 2021-09-29 | 2023-04-06 | Kempower Oyj | Forecasting charging time of electric vehicles |
CN115020842A (zh) * | 2022-06-27 | 2022-09-06 | 东莞新能安科技有限公司 | 充电时长确定方法、装置、设备及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110010987B (zh) | 2022-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110010987A (zh) | 一种基于大数据的电动汽车剩余充电时间预测方法 | |
Kostopoulos et al. | Real-world study for the optimal charging of electric vehicles | |
CN105095611B (zh) | 一种高速公路电动汽车快速充电站排队方法 | |
CN105467325B (zh) | 电池容量退化解决的方法和系统 | |
Sun et al. | Model-based dynamic multi-parameter method for peak power estimation of lithium–ion batteries | |
Pei et al. | Online peak power prediction based on a parameter and state estimator for lithium-ion batteries in electric vehicles | |
CN106371027B (zh) | 一种退役电池的梯次回收利用的测试方法 | |
Jafari et al. | Simulation and analysis of the effect of real-world driving styles in an EV battery performance and aging | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
Zhou et al. | Massive battery pack data compression and reconstruction using a frequency division model in battery management systems | |
CN106627225B (zh) | 一种用于电动汽车的串联电池组剩余放电能量预测方法 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
US20120053774A1 (en) | Method for Validation and Introduction of One or More Features in Electrically Powered System | |
CN109839602A (zh) | 动力电池性能和价值评估方法、装置、电子设备 | |
CN106662620A (zh) | 电池状态探测装置、二次电池系统、程序产品、电池状态探测方法 | |
CN109307845A (zh) | 一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统 | |
CN113728242A (zh) | 对可充电电池中的析锂进行表征 | |
CN102890245A (zh) | 用于确定充电接受能力及为可充电电池充电的方法 | |
CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其系统 | |
Samadani et al. | Modeling and evaluation of li-ion battery performance based on the electric vehicle field tests | |
CN108710087A (zh) | 一种纯电动汽车电池组健康状态测取装置及其测取方法 | |
CN106180002B (zh) | 一种用于梯次利用的电池筛选方法 | |
US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
CN104678309B (zh) | 一种测定动力电池的动态外特性的方法 | |
Liu et al. | Capacity evaluation and degradation analysis of lithium-ion battery packs for on-road electric vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 215500 Building 2, No. 133, Huangpujiang Road, Changshu high tech Industrial Development Zone, Suzhou City, Jiangsu Province Applicant after: Suzhou Zhengli New Energy Technology Co.,Ltd. Address before: 215500 2, Huangpu River Road, Changshou City high tech Industrial Development Zone, Suzhou, Jiangsu, China, 59 Applicant before: SUZHOU ZHENGLI WEILAI NEW ENERGY TECHNOLOGY CO.,LTD. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |