CN110674569A - 基于决策树的充电剩余时间估算方法及系统 - Google Patents

Abstract

本发明涉及电池技术领域，其实施方式提供了一种基于决策树的充电剩余时间估算方法，包括：采用电池包的历史充电数据作为训练集数据，生成决策树；在充电开始至充电结束的时间段内，按预设频次执行以下步骤：将充电参数输入所述决策树，得到所述电池包的第一充电剩余时间。同时还提供了对应的基于决策树的充电剩余时间估算系统，以及一种数据服务器。本发明的实施方式利用决策树算法进行数据挖掘使充电剩余时间预估更准确，使用户能够准确把控充电剩余时间，提供更好的用户体验。

Description

基于决策树的充电剩余时间估算方法及系统

技术领域

本发明涉及电池技术领域，特别涉及一种基于决策树的充电剩余时间估算方法、一种基于决策树的充电剩余时间估算系统以及一种数据服务器。

背景技术

在充电过程中电芯的各项理化参数的变化是复杂的，特别是在电芯SOC达到80％以上的时候，充电桩的输出功率并不能保证恒定不变，而且某些动力电池的热管理系统是由电池包提供能源的，而且在充电过程中还可能存在放电现象，如果单纯的用剩余充电容量除以瞬时充电电流的方式计算充电剩余时间会造成很大的偏差，难以达到良好的用户体验。

目前的充电剩余时间大多由BMS本地通过当前剩余充电电量除以当前充电电流来估算的。尽管有一些改进算法或数据挖掘算法，但整体的思路大致相同，都不借鉴以往充电实际用时，也不借鉴其他车辆以往充电的实际用时，未能发挥海量数据的优势。

数据挖掘算法：根据数据创建数据挖掘模型的一组试探法和计算。为了创建模型，算法将首先分析提供的数据，并查找特定类型的模式和趋势；

决策树算法：一种逼近离散函数值的方法。它是一种典型的分类方法，首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析；

C4.5算法：C4.5算法是用于生成决策树的一种经典算法，是ID3算法的一种延伸和优化；

数据集：是一种由数据所组成的集合；

训练集：是用来估计模型的数据集。

发明内容

有鉴于此，本发明旨在提出一种基于决策树的充电剩余时间估算方法及系统，以至少解决电池包的充电剩余时间估算的准确性问题。

为了实现上述目的，本发明第一方面提供一种基于决策树的充电剩余时间估算方法，所述方法包括：

采用电池包的历史充电数据作为训练集数据，生成决策树；

在充电开始至充电结束的时间段内，按预设频次执行以下步骤：

将充电参数输入所述决策树，得到所述电池包的第一充电剩余时间。

可选的，所述预设频次包括：

根据所述充电参数中的各参数类型的影响程度，对不同的参数类型预设的不同的输入频次；以及

所述方法还包括：按预设输出频次输出所述第一充电剩余时间。

可选的，所述预设输出频次等于所述预设不同的输入频次中的最大值。

可选的，所述方法还包括：将所述充电参数输入与所述电池包同一型号的M个电池包的决策树，对应得到M个第二充电剩余时间，并采用所述M个第二充电剩余时间对所述第一充电剩余时间进行修正；所述M≥1。

可选的，所述修正的方式为加权平均，所述第一充电剩余时间的权重大于所述第二充电剩余时间的权重。

可选的，所述方法还包括：本次充电完成后，将所述本次充电过程的充电数据加入所述历史充电数据，优化所述决策树。

在本发明的第二方面，还提供了一种基于决策树的充电剩余时间估算系统，所述系统还包括数据处理模块和数据存储模块，

所述数据处理模块，用于采用前述的方法，根据输入的充电参数，输出电池包的充电剩余时间或经过修正后的充电剩余时间；

所述数据存储模块，用于存储历史充电数据和决策树。

可选的，所述数据处理模块和所述数据存储模块在云端。

可选的，充电参数输入所述数据处理模块的输入频次等于所述充电参数上传至所述云端的数据上传频次。

在本发明的第三方面，还提供了一种数据服务器，所述数据服务器加载有前述的基于决策树的充电剩余时间估算系统。

本发明第四方面还提供一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的基于决策树的充电剩余时间估算方法。

通过本发明提供的上述技术方案，具有以下有益效果：(1)利用决策树算法进行数据挖掘使充电剩余时间预估更准确，使用户能够准确把控充电剩余时间，提供更好的用户体验；(2)能够参考自身的充电历史记录和同一型号的其他车辆的充电工况，极大提高充电剩余时间的准确性；(3)能够自行设定输入和输出频次，平衡计算负荷和客户感知。

本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。

在附图中：

图1是本发明一种实施方式提供的基于决策树的充电剩余时间估算方法的流程示意图；

图2是本发明另一种实施方式提供的基于决策树的充电剩余时间估算方法的实施流程示意图；

图3是本发明一种实施方式提供的基于决策树的充电剩余时间估算系统的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施方式及实施方式中的特征可以相互组合。

以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。

图1是本发明一种实施方式提供的基于决策树的充电剩余时间估算方法的流程示意图。如图1所示，本发明提供一种基于决策树的充电剩余时间估算方法，所述方法包括：

采用电池包的历史充电数据作为训练集数据，生成决策树；

在充电开始至充电结束的时间段内，按预设频次执行以下步骤：

将当前充电参数输入所述决策树，得到所述电池包的第一充电剩余时间。

如此，利用决策树算法进行数据挖掘使充电剩余时间预估更准确，使用户能够准确把控剩余充电时间，提供更好的用户体验。本发明实施例的核心思想就是在庞大的数据集向量(x₁,x₂,x₃,……,x_n-1,x_n,y)中匹配向量(x₁,x₂,x₃,……,x_n-1,x_n)得到预测结果向量(y)，其中向量(x₁,x₂,x₃,……,x_n-1,x_n)是影响(y)的诸多因素。此处的向量(y)就是充电剩余时间，接下来我们需要确定向量(x₁,x₂,x₃,……,x_n-1,x_n)；区别于传统的计算方式，需要全方位考虑有可能影响动力电池充电的所有因素，此处将影响因素大致分为三类：1.电芯参数：单体电压，单体SOC，SOH,电芯均衡状态，电芯均衡时间；2.充电参数：充电电流，充电电压；3.环境参数：模组温度，加热功率，冷却功率(只涉及需由动力电池包提供能源的热管理系统)，通过采集上述的参数并进行匹配，能够得到匹配度最好的向量(y)，即得到充电剩余时间。

具体的，本实施例的匹配是采用决策树进行匹配的，决策树的构建和生成，可以参考现有方法。以下以经典决策树算法C4.5为例,简要叙述决策树的生成过程。

通过首先需要创建或载入训练的数据集，第一节用的是创建数据集的方法，不过更常用的是利用open()函数打开文件，载入一个数据集。决策树一般使用递归的方法生成。编写递归函数有一个好习惯，就是先考虑结束条件。生成决策树结束的条件有两个：其一是划分的数据都属于一个类，其二是所有的特征都已经使用了。在第二种结束情况中，划分的数据有可能不全属于一个类，这个时候需要根据多数表决准则确定这个子数据集的分类。使用决策树对输入进行分类的函数也是一个递归函数。分类函数需要三个参数：决策树，特征列表，待分类数据。特征列表是联系决策树和待分类数据的桥梁，决策树的特征通过特征列表获得其索引，再通过索引访问待分类数据中该特征的值。在非结束的条件下，首先选择出信息增益最大的特征，然后根据其分类。分类开始时，记录分类的特征到决策树中，然后在特征标签集中删除该特征，表示已经使用过该特征。根据选中的特征将数据集分为若干个子数据集，然后将子数据集作为参数递归创建决策树，最终生成一棵完整的决策树。

本实施方式中的决策树匹配的方法包括：将充电参数中的每一影响参数与自身决策树(此处的自身决策树是指根据自身历史数据所生成的决策树，与后述的其他同一型号电池生成的决策树相对应)中每一级的节点数据进行匹配，应优先匹配影响因素较大的节点数据，依次匹配直至匹配到叶子节点，匹配结束，得到本次预估的充电剩余时间。

在本发明提供的一种实施方式中，所述预设频次包括：根据所述充电参数中的各参数类型的影响程度，对不同的参数类型预设不同的输入频次；以及所述方法还包括：按预设输出频次输出所述第一充电剩余时间。

在前述的在充电开始至充电结束的时间段内，需要根据充电过程实时更新剩余充电时间，因此，我们需要根据决策树实时生成充电剩余时间，而充电剩余时间的更新频次太快，不仅会增加数据处理的负担，还会使用户看到的数值变化太快，影响用户体验。如果更新频次太慢，也无法使用户准确地获知当前的充电剩余时间。

而生成充电剩余时间是需要根据输入参数进行确定的。因考虑到各因素对充电剩余时间估算的影响不一，数据采集量较大，系统运算负载过高，故定义各影响因素的数据输入优先级(或采集优先级)及周期如下表：(优先级1为最高优先级)

影响因素	数据优先级	数据输入或采集周期
			单体SOC	1	100ms
充电电流	1	100ms
			单体电压	2	1s
充电电压	2	1s
			模组温度	2	1s
SOH	2	1s
			电芯均衡状态	3	1min
电芯均衡时间	3	1min
			加热功率	3	1min
冷却功率	3	1min

表1

即对于数据优先级为1的数据，输入频次(或采集频次)为10次/秒，而对于数据优先级为2的数据，输入频次(或采集频次)为1次/秒，其余优先级的频次均可以自行设定。

对于实时性要求高的数据我们采用高频采集和更新，实时性要求低的数据采用低频采集和更新，以此降低车载MCU(微控制器)的计算负载和数据传输负载，此处的数据传输负载包括本地内部的数据传输和与外部设备的数据传输。

在本发明提供的一种实施方式中，所述预设输出频次等于所述预设不同的输入频次中的最大值。为了使输入频次和输出频次达到最佳的匹配，选取不同的输入频次中的最大值为所述预设输出频次，如前述，当数据优先级为1的数据的输入频次预设为10次/秒时，其输出频次预设为为10次/秒，此时的每一次输入对应于一次输出，能够提升数据的使用效率。在此场景下，对于未更新的数据使用前一周期数据，以保证数据的完整性，进而实现在决策树的顺利匹配。

图2是本发明另一种实施方式提供的基于决策树的充电剩余时间估算方法的实施流程示意图，如图2所示：在本发明提供的一种实施方式中，所述方法还包括：将当前充电参数输入与所述电池包同一型号的M个电池包的决策树，对应得到M个第二充电剩余时间，并采用所述M个第二充电剩余时间对所述第一充电剩余时间进行修正；所述M≥1。

本实施例中，不仅在本电池包的自身决策树上进行分析，还将该充电参数输入至同一型号电池包的其他决策树进行并行分析，以获取到同一充电参数的多个充电剩余时间，对在自身决策树上获取到的结果进行修正，以减少随机误差。具体的，在匹配自身决策树的同时，将数据与同类型的其他电池包决策树匹配，参照其他同类型的电池包充电数据来修正自身预估的数据。

进一步的，所述修正的方式为加权平均，所述第一充电剩余时间的权重大于所述第二充电剩余时间的权重。

前一步骤中所述的修正方式为加权平均，即采用第一充电剩余时间(即前述的自身电池包的数据预测结果)，与M个第二充电剩余时间(即前述的其他同类型电池包的数据预测结果)，进行加权平均，得到最终结果为加权平均后的值，即用同类型的其他电池包的充电数据修正当前电池包的预估充电剩余时间。其中权重值是可以调整的。一般来讲，即第一充电剩余时间大于所述第二充电剩余时间的权重，常用的权重选择为：自身电池包的数据预测结果权重为80％，其他同类型电池包的数据预测结果的总权重为20％，此时能够更加准确得得出充电剩余时间。

在本发明的一种实施方式中，所述方法还包括：本次充电完成后，将所述本次充电过程的充电数据加入所述历史充电数据，优化所述决策树。

从进入充电状态后开始记录充电时间，等到充电完成，记录终止充电时的数据状态和时间，根据每次数据传输的时间，可计算出每个数据状态下的剩余充电时间，将计算后的剩余充电时间更新到决策树中，为下一次决策提供依据。例如：从8:00开始充电，充电过程中8:30上传了一组数据data1(x1,x2,x3,……)，此时决策树得出预估充电时间为180分钟，而实际的充电完成时间为11:20，此时需要将data1的子节点(也就是决策结果)更新为本次实际用时170分钟，以保证决策树的历史数据的准确性，从而提升决策树方法估算结果的准确性。

在本发明提供的实施方式中，还提供了一种基于决策树的充电剩余时间估算系统，所述系统还包括数据处理模块和数据存储模块，

所述数据处理模块，用于采用前述的方法，根据输入的充电参数，输出电池包的充电剩余时间或经过修正后的充电剩余时间；

所述数据存储模块，用于存储历史充电数据和决策树。

此处的充电剩余时间对应于前述的第一充电剩余时间。此处的数据存储模块可以是磁盘、闪存或其它任何非易失性存储介质。此处的数据存储模块用于存储历史充电数据和决策树，还用于存储方法中对应的程序指令。所述数据处理模块耦接至所述数据存储模块，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。所述数据处理模块用于执行存储器中存储的指令，以运行前述的充电剩余时间估算方法。

图3是本发明一种实施方式提供的基于决策树的充电剩余时间估算系统的结构示意图，如图3所示：本发明提供的一种实施方式中，所述数据处理模块和所述数据存储模块在云端。采用云端处理数据，不仅能够避免占用汽车内的处理资源和存储资源，还能有效地利用云端存储以汇总数据，通过汇总大量电动汽车的电池数据，提供了数据挖掘的基础，提升了数据使用的准确性。

当前述的数据处理模块和所述数据存储模块在云端时，当前充电参数是通过无线(优选为5G)将前述的单体电压，单体SOC，SOH,电芯均衡状态，电芯均衡时间)，充电电流，充电电压，模组温度，加热功率，冷却功率等充电参数上传到云端的。因此在本地采集的数据上传到云端的上传频率或上传周期也可以自行设置。

在本发明提供的一种实施方式中，充电参数输入所述数据处理模块的输入频次等于所述充电参数传输至所述云端的数据上传频次。因考虑到各因素对充电剩余时间估算的影响不一，数据传输量较大，通信负载过高，故定义各影响因素的数据上传优先级及周期如下表：(优先级1为最高优先级)

表2

对于实时性要求高的数据我们采用高频传输和更新，实时性要求低的数据采用低频传输和更新，以此降低车载MCU(微控制器)的计算负载和通信负载。从表2和表1的相似度可以看出：充电参数输入所述数据处理模块的输入频次或周期即等于充电参数传输至所述云端的数据上传频次或周期。表1和表2的周期可以不同，即两者可以分开设置。同一影响因素可以根据表1中的采集周期进行采集，并采用表2中对应的上传周期进行数据上传。

在本发明提供的一种实施方式中，还提供一种数据服务器，所述数据服务器加载有前述的基于决策树的充电剩余时间估算系统。服务器具有处理器和存储器，而且性能稳定可靠，成为程序运行的优选硬件设备。本发明的本实施方式中优选为服务器，以提供高效可靠的充电剩余时间估算服务。

在本发明提供的一种可选实施方式中，还提供一种基于决策树的充电剩余时间估算装置，所述装置包括：存储器和处理器；

所述存储器用于存储程序指令；所述处理器用于调用所述存储器中存储的所述程序指令以实现前述的一种基于决策树的充电剩余时间估算方法，生成对电池包和汽车的剩余充电时间估计。

在本发明提供的一种实施方式中，还提供了一种计算机可读存储介质，所述存储介质中存储有指令，当其在计算机上运行时，使得计算机执行前述的基于决策树的充电剩余时间估算方法。

通过以上实施方式，改进充电剩余时间估算算法，使估算算法不再只是考虑自身车辆的当前的充电工况，还可以参考自身车辆以往的充电工况和其他同类型车辆的充电工况，极大地提高充电剩余时间的估算准确度，提供更好的用户体验。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带或磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于决策树的充电剩余时间估算方法，其特征在于，所述方法包括：

采用电池包的历史充电数据作为训练集数据，生成决策树；

在所述电池包的充电开始至充电结束的时间段内，按预设频次执行以下步骤：

将充电参数输入所述决策树，得到所述电池包的第一充电剩余时间。

2.根据权利要求1所述的方法，其特征在于，所述预设频次包括：

根据所述充电参数中的各参数类型的影响程度，对不同的参数类型预设的不同的输入频次；以及

所述方法还包括：

按预设输出频次输出所述第一充电剩余时间。

3.根据权利要求2所述的方法，其特征在于，所述预设输出频次等于所述预设不同的输入频次中的最大值。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：将所述充电参数输入与所述电池包同一型号的M个电池包的决策树，对应得到M个第二充电剩余时间，并采用所述M个第二充电剩余时间对所述第一充电剩余时间进行修正；所述M≥1。

5.根据权利要求4所述的方法，其特征在于，所述修正的方式为加权平均，所述第一充电剩余时间的权重大于所述第二充电剩余时间的权重。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：本次充电完成后，将所述本次充电过程的充电数据加入所述历史充电数据，优化所述决策树。

7.一种基于决策树的充电剩余时间估算系统，其特征在于，所述系统还包括数据处理模块和数据存储模块；

所述数据处理模块，用于采用权利要求1至6中任一项权利要求所述的方法，根据输入的充电参数，输出电池包的充电剩余时间或经过修正后的充电剩余时间；

所述数据存储模块，用于存储历史充电数据和决策树。

8.根据权利要求7所述的系统，其特征在于，所述数据处理模块和所述数据存储模块在云端。

9.根据权利要求8所述的系统，其特征在于，充电参数输入所述数据处理模块的输入频次等于所述充电参数上传至所述云端的数据上传频次。

10.一种数据服务器，其特征在于，所述数据服务器加载有权利要求7至9中任一项所述的基于决策树的充电剩余时间估算系统。

Images