CN111071074A - 一种大数据和bms结合的电动汽车优化充电方法 - Google Patents

一种大数据和bms结合的电动汽车优化充电方法 Download PDF

Info

Publication number
CN111071074A
CN111071074A CN201911350993.4A CN201911350993A CN111071074A CN 111071074 A CN111071074 A CN 111071074A CN 201911350993 A CN201911350993 A CN 201911350993A CN 111071074 A CN111071074 A CN 111071074A
Authority
CN
China
Prior art keywords
charging
soc
time
user
machine learning
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
Application number
CN201911350993.4A
Other languages
English (en)
Other versions
CN111071074B (zh
Inventor
孙景宝
王志刚
周星星
李中飞
吕丹
田扩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Zhengli New Energy Technology Co Ltd
Original Assignee
Suzhou Zhengli New Energy Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Suzhou Zhengli New Energy Technology Co Ltd filed Critical Suzhou Zhengli New Energy Technology Co Ltd
Priority to CN201911350993.4A priority Critical patent/CN111071074B/zh
Publication of CN111071074A publication Critical patent/CN111071074A/zh
Application granted granted Critical
Publication of CN111071074B publication Critical patent/CN111071074B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种大数据和BMS结合的电动汽车优化充电方法。方法为：收集电动汽车的特征数据，训练两个机器学习模型，分别预测每天消耗的电量、允许的充电时间；在不同充电模式下，结合日常行车和远程行车两种指令，采用针对性应对充电措施进行充电，包括远程行车指令以及快充模式、远程行车指令以及慢充模式、日常行车指令以及快充模式、日常行车指令以及慢充模式。本发明降低了充电的倍率，在确保用户正常使用车的同时，延长了电动汽车电池寿命。

Description

一种大数据和BMS结合的电动汽车优化充电方法
技术领域
本发明涉及基于大数据技术以及新能源汽车和储能的电池管理系统技术领域，特别是一种大数据和BMS结合的电动汽车优化充电方法。
背景技术
随着国家对新能源产业大力支持，新能源汽车产业不断发展。对于新能源汽车来说，电池是动力也是核心，提供汽车所有动力；BMS(电池控制系统)是汽车控制核心，用于保护电池的安全使用，同时决定客户驾驶体验。由于硬件计算资源的限制，BMS功能出厂即固定不变，但是不同客户使用驾驶习惯不同，驾驶环境不同，因此对电池使用程度也不同，功能固定化的BMS无法针对每一位客户进行针对性优化控制。
随着电池的使用，电池的容量会逐渐衰减，一般情况下，当容量衰减到出厂额定容量的80％时，认为电池寿命结束，此时电池的循环次数就是电芯的寿命。电芯寿命终结时，不仅容量减少，电池内阻也大幅度增加，电芯热失控风险增大。电芯的寿命主要受放电深度、倍率、行车习惯影响。电池最佳的放电深度为SOC＝40％-80％之间，资料表明，电池一直处于SOC为40％-80％放电的电芯寿命是满充、满放工况寿命的十几倍。倍率是电流和电池额定容量的比值，也是影响电池寿命的重要因素，充电的电流越小，则对电池损耗越小，电池寿命越长。
大数据可以实时记录汽车数据，将BMS和大数据结合，可以突破计算资源的限制，提高BMS的性能，为BMS赋予更多的功能。大数据记录行车数据、充电数据、故障数据，但是目前BMS结合大数据的技术并没有将数据充分的利用出来。目前大数据仅仅作为传统BMS固定功能的辅助应用，例如基于汽车历史数据，协助BMS更准确预测电池SOX、预测充电剩余时间、修改电池模型参数等。随着新能源汽车竞争强度越来越大，基于用户行车习惯，对新能源汽车进行特定化控制，将会是未来的发展趋势。
发明内容
本发明的目的在于提供一种在确保用户正常使用车的同时，延长电动汽车电池寿命，提高用户体验的大数据和BMS结合的电动汽车优化充电方法。
实现本发明目的的技术解决方案为：一种大数据和BMS结合的电动汽车优化充电方法，步骤如下：
步骤1、收集电动汽车的特征数据，训练两个机器学习模型，分别预测每天消耗的电量、允许的充电时间；
步骤2、在不同充电模式下，结合日常行车和远程行车两种指令，采用针对性应对充电措施进行充电。
进一步地，步骤1所述的收集电动汽车的特征数据，训练机器学习模型，具体如下：
步骤1.1、实时收集电动汽车的内部特征数据，包括单体电压、单体温度、电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH，同时收集当天的外界特征数据，包括星期、外界温度、天气、假期情况、风向和风力特征数据；
步骤1.2、收集用户当天用车消耗的累计电量，公式为：
Figure BDA0002334666380000021
式中，Q为用户当天消耗的累计电量、t为时间、I为汽车运行时的电流；
步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入，以每天消耗电量为输出，训练随机森林的机器学习模型1，用于预测当天消耗的电量；
步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入，以充电停车时间为输出，训练随机森林的机器学习模型2，用于预测允许的充电时间。
进一步地，步骤2所述的在不同充电模式下，结合用户指令采用针对性应对充电措施进行充电，具体如下：
在用户手机端汽车APP中设置日常行车和远程行车两种指令，根据用户的指令以及快慢充模式采用不同的充电策略；
(1)远程行车指令以及快充模式：
当用户发出远程行车指令时，若在快充模式下，则按照BMS固有的快充策略，将电池充满；
(2)远程行车指令以及慢充模式：
当用户发出远程行车指令时，若在慢充模式下，则采用机器学习模型2预测允许的充电时间Time0，根据预测的充电时间计算采取的充电倍率；
(3)日常行车指令以及快充模式：
当用户发出日常行车指令时，若在快充模式下，则采用机器学习模型1预测即将消耗的电量Qm，根据Qm值计算充电截止SOC值SOC_end；
(4)日常行车指令以及慢充模式：
当用户发出日常行车指令时，若在慢充模式下，则采用机器学习模型1预测即将消耗的电量Qm，同时，机器学习模型2预测允许的充电时间Time0，两个结合对充电模式进行优化。
进一步地，所述当用户发出远程行车指令时，若在慢充模式下，则采用机器学习模型2预测允许的充电时间Time0，根据预测的充电时间计算采取的充电倍率，具体如下：
(2.1)为防止充电时间预测误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min-60min；
(2.2)计算目标时间Time1，Time1＝Time0-BufferTime，在目标时间Time1的时间范围内将电池充满；
(2.3)根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure BDA0002334666380000031
式中，Ca是额定容量，SOH是当前电芯的健康情况，取值为80％～100％，Cur是在目标时间内将电池充满的最小电流；SOC为荷电状态，取值为剩余容量占电池容量的比值。
进一步地，所述当用户发出日常行车指令时，若在快充模式下，则采用机器学习模型1预测即将消耗的电量Qm，根据Qm值计算充电截止SOC值SOC_end，具体如下：
(3.1)计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
(3.2)计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure BDA0002334666380000032
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
(3.3)大数据平台向BMS发送充电截止SOC值SOC_end；
(3.4)按照BMS固有的快充策略充电，直到SOC等于SOC_end。
进一步地，所述当用户发出日常行车指令时，若在慢充模式下，则采用机器学习模型1预测即将消耗的电量Qm，同时，机器学习模型2预测允许的充电时间Time0，两个结合对充电模式进行优化，具体如下：
(4.1)计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
(4.2)计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure BDA0002334666380000041
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
(4.3)机器学习模型2预测允许的充电时间；
(4.4)为防止充电时间预估误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min～60min；
(4.5)计算目标时间，Time1＝Time0-BufferTime，其中Time1是目标时间，在该时间范围内需要将电池充满；
(4.6)根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure BDA0002334666380000042
式中，SOC_end是计算的充电截止SOC，Cur是在目标时间内将电池充满的最小电流。
本发明与现有技术相比，其显著优点在于：(1)最大程度将用户实际运行工况控制在寿命衰减最低的放电深度范围；(2)基于用户习惯的充电时间，最大程度降低充电的倍率，在确保用户正常使用车的同时，延长了电动汽车电池寿命。
附图说明
图1是本发明大数据和BMS结合的电动汽车优化充电方法的流程示意图。
具体实施方式
本发明大数据和BMS结合的电动汽车优化充电方法，步骤如下：
步骤1、收集电动汽车的特征数据，训练两个机器学习模型，分别预测每天消耗的电量、允许的充电时间；
步骤2、在不同充电模式下，结合日常行车和远程行车两种指令，采用针对性应对充电措施进行充电。
进一步地，步骤1所述的收集电动汽车的特征数据，训练机器学习模型，具体如下：
步骤1.1、实时收集电动汽车的内部特征数据，包括单体电压、单体温度、电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH，同时收集当天的外界特征数据，包括星期、外界温度、天气、假期情况、风向和风力特征数据；
步骤1.2、收集用户当天用车消耗的累计电量，公式为：
Figure BDA0002334666380000051
式中，Q为用户当天消耗的累计电量、t为时间、I为汽车运行时的电流；
步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入，以每天消耗电量为输出，训练随机森林的机器学习模型1，用于预测当天消耗的电量；
步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入，以充电停车时间为输出，训练随机森林的机器学习模型2，用于预测允许的充电时间。
进一步地，步骤2所述的在不同充电模式下，结合用户指令采用针对性应对充电措施进行充电，具体如下：
在用户手机端汽车APP中设置日常行车和远程行车两种指令，根据用户的指令以及快慢充模式采用不同的充电策略；
(1)远程行车指令以及快充模式：
当用户发出远程行车指令时，若在快充模式下，则按照BMS固有的快充策略，将电池充满；
(2)远程行车指令以及慢充模式：
当用户发出远程行车指令时，若在慢充模式下，则采用机器学习模型2预测允许的充电时间Time0，根据预测的充电时间计算采取的充电倍率；
(3)日常行车指令以及快充模式：
当用户发出日常行车指令时，若在快充模式下，则采用机器学习模型1预测即将消耗的电量Qm，根据Qm值计算充电截止SOC值SOC_end；
(4)日常行车指令以及慢充模式：
当用户发出日常行车指令时，若在慢充模式下，则采用机器学习模型1预测即将消耗的电量Qm，同时，机器学习模型2预测允许的充电时间Time0，两个结合对充电模式进行优化。
进一步地，所述当用户发出远程行车指令时，若在慢充模式下，则采用机器学习模型2预测允许的充电时间Time0，根据预测的充电时间计算采取的充电倍率，具体如下：
(2.1)为防止充电时间预测误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min-60min；
(2.2)计算目标时间Time1，Time1＝Time0-BufferTime，在目标时间Time1的时间范围内将电池充满；
(2.3)根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure BDA0002334666380000061
式中，Ca是额定容量，SOH是当前电芯的健康情况，取值为80％～100％，Cur是在目标时间内将电池充满的最小电流；SOC为荷电状态，取值为剩余容量占电池容量的比值。
进一步地，所述当用户发出日常行车指令时，若在快充模式下，则采用机器学习模型1预测即将消耗的电量Qm，根据Qm值计算充电截止SOC值SOC_end，具体如下：
(3.1)计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
(3.2)计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure BDA0002334666380000071
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
(3.3)大数据平台向BMS发送充电截止SOC值SOC_end；
(3.4)按照BMS固有的快充策略充电，直到SOC等于SOC_end。
进一步地，所述当用户发出日常行车指令时，若在慢充模式下，则采用机器学习模型1预测即将消耗的电量Qm，同时，机器学习模型2预测允许的充电时间Time0，两个结合对充电模式进行优化，具体如下：
(4.1)计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
(4.2)计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure BDA0002334666380000072
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
(4.3)机器学习模型2预测允许的充电时间；
(4.4)为防止充电时间预估误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min～60min；
(4.5)计算目标时间，Time1＝Time0-BufferTime，其中Time1是目标时间，在该时间范围内需要将电池充满；
(4.6)根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure BDA0002334666380000081
式中，SOC_end是计算的充电截止SOC，Cur是在目标时间内将电池充满的最小电流。
下面结合附图及具体实施例对本发明作进一步详细说明。
实施例
结合图1，本发明一种大数据和BMS结合的电动汽车优化充电方法，包括以下步骤：
步骤1、收集电动汽车的特征数据，训练机器学习模型，具体如下：
步骤1.1、实时收集电动汽车的内部特征数据，包括单体电压、单体温度、电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH，同时收集当天的外界特征数据，包括星期、外界温度、天气、假期情况、风向和风力特征数据；
步骤1.2、收集用户当天用车消耗的累计电量，公式为：
Figure BDA0002334666380000082
步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入，以每天消耗电量为输出，训练随机森林的机器学习模型1，用于预测当天消耗的电量；
步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入，以充电停车时间为输出，训练随机森林的机器学习模型2，用于预测允许的充电时间。
步骤2、在不同充电模式下，结合用户指令采用针对性应对充电措施进行充电，具体如下：
步骤2.1、在用户手机手机端汽车APP中设置日常行车和远程行车两种指令，根据用户的指令以及快慢充模式采用不同的充电策略；
步骤2.2、远程行车指令以及快充模式：
当用户发出远程行车指令时，若在快充模式下，则按照BMS固有的快充策略，将电池充满；
步骤2.3、远程行车指令以及慢充模式：
当用户发出远程行车指令时，若在慢充模式下，则采用机器学习模型2预测允许的充电时间Time0，根据预测的充电时间计算采取的充电倍率，具体如下：
步骤2.3.1、为防止充电时间预测误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min—60min；
步骤2.3.2、计算目标时间Time1，Time1＝Time0-BufferTime，在目标时间Time1的时间范围内将电池充满；
步骤2.3.3、根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure BDA0002334666380000091
式中，Ca是额定容量，SOH是当前电芯的健康情况，取值为80％—100％，Cur是在目标时间内将电池充满的最小电流；
步骤2.4、日常行车指令以及快充模式：
当用户发出日常行车指令时，若在快充模式下，则采用机器学习模型1预测即将消耗的电量Qm，根据Qm值计算充电截止SOC值SOC_end，具体如下：
步骤2.4.1、计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
步骤2.4.2、计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure BDA0002334666380000092
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
步骤2.4.3、大数据平台向BMS发送充电截止SOC值SOC_end；
步骤2.4.4、按照BMS固有的快充策略充电，直到SOC等于SOC_end；
步骤2.5、日常行车指令以及慢充模式：
当用户发出日常行车指令时，若在慢充模式下，则采用机器学习模型1预测即将消耗的电量Qm，同时，机器学习模型2预测允许的充电时间Time0，两个结合对充电模式进行优化，具体如下：
步骤2.5.1、计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
步骤2.5.2、计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure BDA0002334666380000101
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
步骤2.5.3、机器学习模型2预测允许的充电时间；
步骤2.5.4、为防止充电时间预估误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min—60min；
步骤2.5.5、计算目标时间，Time1＝Time0-BufferTime，其中Time1是目标时间，在该时间范围内需要将电池充满；
步骤2.5.6、根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure BDA0002334666380000102
式中，SOC_end是计算的充电截止SOC，Cur是在目标时间内将电池充满的最小电流。
Figure BDA0002334666380000103
Figure BDA0002334666380000104
Figure BDA0002334666380000105
通过上述的详细步骤，将大数据和BMS有效结合在一起，根据用户习惯对新能源汽车进行针对性控制，在不影响用户使用的情况下，让充电的电流尽可能小，让汽车最大程度运行在寿命衰减缓慢的放电深度(SOC＝40％-70％)，延长了电动汽车电池的使用寿命。

Claims (6)

1.一种大数据和BMS结合的电动汽车优化充电方法，其特征在于，步骤如下：
步骤1、收集电动汽车的特征数据，训练两个机器学习模型，分别预测每天消耗的电量、允许的充电时间；
步骤2、在不同充电模式下，结合日常行车和远程行车两种指令，采用针对性应对充电措施进行充电。
2.根据权利要求1所述的大数据和BMS结合的电动汽车优化充电方法，其特征在于，步骤1所述的收集电动汽车的特征数据，训练机器学习模型，具体如下：
步骤1.1、实时收集电动汽车的内部特征数据，包括单体电压、单体温度、电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH，同时收集当天的外界特征数据，包括星期、外界温度、天气、假期情况、风向和风力特征数据；
步骤1.2、收集用户当天用车消耗的累计电量，公式为：
Figure FDA0002334666370000011
式中，Q为用户当天消耗的累计电量、t为时间、I为汽车运行时的电流；
步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入，以每天消耗电量为输出，训练随机森林的机器学习模型1，用于预测当天消耗的电量；
步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入，以充电停车时间为输出，训练随机森林的机器学习模型2，用于预测允许的充电时间。
3.根据权利要求1所述的大数据和BMS结合的电动汽车优化充电方法，其特征在于，步骤2所述的在不同充电模式下，结合用户指令采用针对性应对充电措施进行充电，具体如下：
在用户手机端汽车APP中设置日常行车和远程行车两种指令，根据用户的指令以及快慢充模式采用不同的充电策略；
(1)远程行车指令以及快充模式：
当用户发出远程行车指令时，若在快充模式下，则按照BMS固有的快充策略，将电池充满；
(2)远程行车指令以及慢充模式：
当用户发出远程行车指令时，若在慢充模式下，则采用机器学习模型2预测允许的充电时间Time0，根据预测的充电时间计算采取的充电倍率；
(3)日常行车指令以及快充模式：
当用户发出日常行车指令时，若在快充模式下，则采用机器学习模型1预测即将消耗的电量Qm，根据Qm值计算充电截止SOC值SOC_end；
(4)日常行车指令以及慢充模式：
当用户发出日常行车指令时，若在慢充模式下，则采用机器学习模型1预测即将消耗的电量Qm，同时，机器学习模型2预测允许的充电时间Time0，两个结合对充电模式进行优化。
4.根据权利要求3所述的大数据和BMS结合的电动汽车优化充电方法，其特征在于，所述当用户发出远程行车指令时，若在慢充模式下，则采用机器学习模型2预测允许的充电时间Time0，根据预测的充电时间计算采取的充电倍率，具体如下：
(2.1)为防止充电时间预测误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min-60min；
(2.2)计算目标时间Time1，Time1＝Time0-BufferTime，在目标时间Time1的时间范围内将电池充满；
(2.3)根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure FDA0002334666370000021
式中，Ca是额定容量，SOH是当前电芯的健康情况，取值为80％～100％，Cur是在目标时间内将电池充满的最小电流；SOC为荷电状态，取值为剩余容量占电池容量的比值。
5.根据权利要求3所述的大数据和BMS结合的电动汽车优化充电方法，其特征在于，所述当用户发出日常行车指令时，若在快充模式下，则采用机器学习模型1预测即将消耗的电量Qm，根据Qm值计算充电截止SOC值SOC_end，具体如下：
(3.1)计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
(3.2)计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure FDA0002334666370000031
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
(3.3)大数据平台向BMS发送充电截止SOC值SOC_end；
(3.4)按照BMS固有的快充策略充电，直到SOC等于SOC_end。
6.根据权利要求3所述的大数据和BMS结合的电动汽车优化充电方法，其特征在于，所述当用户发出日常行车指令时，若在慢充模式下，则采用机器学习模型1预测即将消耗的电量Qm，同时，机器学习模型2预测允许的充电时间Time0，两个结合对充电模式进行优化，具体如下：
(4.1)计算SOC＝70％到40％所放出的电量Qs，公式为：
Qs＝(70％-40％)*Ca*SOH
(4.2)计算充电截止SOC值SOC_end；
若预估电流Qm小于等于Qs，则：
SOC_end＝70％
若预估电流Qm大于Qs，计算(Qm-Qs)/2对应的SOC变化量ΔSOC，公式为：
Figure FDA0002334666370000032
则该状况下的充电截止SOC值SOC_end为：
SOC_end＝70％+ΔSOC
若计算SOC_end大于100％，则：
SOC_end＝100％
(4.3)机器学习模型2预测允许的充电时间；
(4.4)为防止充电时间预估误差对用户造成影响，需预留部分缓冲时间BufferTime，BufferTime的范围为30min～60min；
(4.5)计算目标时间，Time1＝Time0-BufferTime，其中Time1是目标时间，在该时间范围内需要将电池充满；
(4.6)根据目标时间Time1、电池当前SOC值计算充电电流，公式为：
Figure FDA0002334666370000041
式中，SOC_end是计算的充电截止SOC，Cur是在目标时间内将电池充满的最小电流。
CN201911350993.4A 2019-12-24 2019-12-24 一种大数据和bms结合的电动汽车优化充电方法 Active CN111071074B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911350993.4A CN111071074B (zh) 2019-12-24 2019-12-24 一种大数据和bms结合的电动汽车优化充电方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911350993.4A CN111071074B (zh) 2019-12-24 2019-12-24 一种大数据和bms结合的电动汽车优化充电方法

Publications (2)

Publication Number Publication Date
CN111071074A true CN111071074A (zh) 2020-04-28
CN111071074B CN111071074B (zh) 2022-12-16

Family

ID=70317418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911350993.4A Active CN111071074B (zh) 2019-12-24 2019-12-24 一种大数据和bms结合的电动汽车优化充电方法

Country Status (1)

Country Link
CN (1) CN111071074B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112874373A (zh) * 2021-04-08 2021-06-01 湖南大学 基于充电站负荷调度的有序充电控制方法、系统及介质
CN113364834A (zh) * 2021-05-24 2021-09-07 苏州优博达机器人有限公司 一种街头充电宝远程租赁系统的运行方法
CN113442788A (zh) * 2021-06-29 2021-09-28 中国第一汽车股份有限公司 电动汽车充电控制方法、系统及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160343011A1 (en) * 2014-02-28 2016-11-24 Mitsubishi Heavy Industries, Ltd. Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program
CN107181298A (zh) * 2017-05-26 2017-09-19 珠海市魅族科技有限公司 充电控制方法、装置、终端装置及存储介质
CN107627872A (zh) * 2017-08-29 2018-01-26 广州小鹏汽车科技有限公司 基于电动汽车出行模式的电池充电控制方法和系统
CN108964101A (zh) * 2018-07-05 2018-12-07 南方电网科学研究院有限责任公司 一种v2b和v2g共存应用场景模型的构建方法及装置
CN109690900A (zh) * 2016-06-01 2019-04-26 华为技术有限公司 一种充电的方法及终端
WO2019162750A1 (en) * 2017-12-07 2019-08-29 Yazami Ip Pte. Ltd. Adaptive charging protocol for fast charging of batteries and fast charging system implementing this protocol

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160343011A1 (en) * 2014-02-28 2016-11-24 Mitsubishi Heavy Industries, Ltd. Electricity-demand prediction device, electricity supply system, electricity-demand prediction method, and program
CN109690900A (zh) * 2016-06-01 2019-04-26 华为技术有限公司 一种充电的方法及终端
CN107181298A (zh) * 2017-05-26 2017-09-19 珠海市魅族科技有限公司 充电控制方法、装置、终端装置及存储介质
CN107627872A (zh) * 2017-08-29 2018-01-26 广州小鹏汽车科技有限公司 基于电动汽车出行模式的电池充电控制方法和系统
WO2019162750A1 (en) * 2017-12-07 2019-08-29 Yazami Ip Pte. Ltd. Adaptive charging protocol for fast charging of batteries and fast charging system implementing this protocol
CN108964101A (zh) * 2018-07-05 2018-12-07 南方电网科学研究院有限责任公司 一种v2b和v2g共存应用场景模型的构建方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112874373A (zh) * 2021-04-08 2021-06-01 湖南大学 基于充电站负荷调度的有序充电控制方法、系统及介质
CN113364834A (zh) * 2021-05-24 2021-09-07 苏州优博达机器人有限公司 一种街头充电宝远程租赁系统的运行方法
CN113442788A (zh) * 2021-06-29 2021-09-28 中国第一汽车股份有限公司 电动汽车充电控制方法、系统及存储介质
CN113442788B (zh) * 2021-06-29 2023-02-21 中国第一汽车股份有限公司 电动汽车充电控制方法、系统及存储介质

Also Published As

Publication number Publication date
CN111071074B (zh) 2022-12-16

Similar Documents

Publication Publication Date Title
CN111071074B (zh) 一种大数据和bms结合的电动汽车优化充电方法
CN109193050B (zh) 电池包间电量主动均衡方法及装置
US10189362B2 (en) Vehicle charging station having degraded energy storage units for charging an incoming vehicle and methods thereof
CN108790893B (zh) 一种交流充电桩及充电控制方法
CN103163480B (zh) 锂电池健康状态的评估方法
CN107576918B (zh) 锂电池的剩余电量的估算方法及系统
CN102576055B (zh) 用于确定和/或预测电池最大容量的方法
US11105861B2 (en) Device and method for estimating battery resistance
WO2008065910A1 (en) Accumulator failure detecting device, accumulator failure detecting method, accumulator failure detecting program, and computer-readable recording medium containing the accumulator failure detecting program
CN110605983B (zh) 一种电动汽车充电速度确定方法及装置
CN109117503B (zh) 一种v2v和v2g共存应用场景模型的构建方法及装置
CN103969587A (zh) 一种混合动力车用动力电池soc估算方法
CN106471698A (zh) 用于调节电能存储器的充电状态的装置和方法
JP2011138767A (ja) 電池パックのサイクル寿命を向上させるシステム及び電池セルパック充電方法
CN106451592A (zh) 电池充放电的控制方法、电池充放电的控制设备和电动车
US20180358819A1 (en) A method and system for balancing a battery pack
Masih-Tehrani et al. A novel power distribution system employing state of available power estimation for a hybrid energy storage system
CN113733981B (zh) 动力电池的充电控制方法、装置、介质及电子设备
CN108964101B (zh) 一种v2b和v2g共存应用场景模型的构建方法及装置
CN109177805A (zh) 一种电动汽车充放电控制方法及系统
US11724620B2 (en) Method of controlling a battery system in a vehicle
CN106602681A (zh) 充电系统及其控制方法
CN112440807B (zh) 电动车充电的充电请求目标电流控制方法
CN103296324B (zh) 车用动力电池组充电方法
CN110970670B (zh) 动力电池管理方法、装置及计算机可读存储介质

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
GR01 Patent grant
GR01 Patent grant