CN111098743A - 一种充电时间的预测方法、装置及电子设备 - Google Patents
一种充电时间的预测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111098743A CN111098743A CN201811259513.9A CN201811259513A CN111098743A CN 111098743 A CN111098743 A CN 111098743A CN 201811259513 A CN201811259513 A CN 201811259513A CN 111098743 A CN111098743 A CN 111098743A
- Authority
- CN
- China
- Prior art keywords
- value
- difference
- sample
- current
- charging
- 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
Images
Classifications
-
- 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
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种充电时间的预测方法、装置及电子设备,本发明中获取电动汽车的多个充电参数,获取每一所述充电参数对应的参数值,基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。通过本发明实施例他可以计算得到电动汽车的充电时间。
Description
技术领域
本发明涉及电动汽车领域,更具体的说,涉及一种充电时间的预测方法、装置及电子设备。
背景技术
随着电动汽车的普及,电动汽车的保有量越来越大。
在为电动汽车充电时,电动汽车充电时间的长短会影响到电池的使用寿命,当电动汽车的快充充电时间控制合适时,能够提高电动汽车的电池的使用寿命。因此,亟需一种能够精确预测电动汽车的快充充电时间的方法。
发明内容
有鉴于此,本发明提供一种充电时间的预测方法、装置及电子设备,以解决亟需一种能够精确预测电动汽车的快充充电时间的方法的问题。
为解决上述技术问题,本发明采用了如下技术方案:
一种充电时间的预测方法,包括:
获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
获取每一所述充电参数对应的参数值;
基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。
优选地,所述充电参数包括电芯起始温度、环境温度、车辆起始电量以及充电桩最大输出电流能力。
优选地,基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间,包括:
计算环境温度值与电芯起始温度值的差值,得到温度差;
获取车辆起始电量值对应的充电需求电流值;
计算所述充电需求电流值与充电桩最大输出电流能力值的差值,得到电流差;
对所述电流差按照第一预设修正规则进行修正,得到修正后的电流差;所述第一预设修正规则包括:当所述电流差不大于第一预设数值时,将所述电流差的数值设置为第二预设数值;当所述电流差大于第一预设数值时,所述电流差的值不变;
使用充电时间预测模型对所述电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量值进行运算,得到所述充电时间。
优选地,所述充电时间预测模型的生成过程包括:
获取多组不同的样本数据;其中,所述样本数据包括电芯起始温度样本值、环境温度样本值、车辆起始电量样本值、充电桩最大输出电流能力样本值和充电时间样本值;
对于每组所述样本数据,计算环境温度样本值与电芯起始温度样本值的差值,得到温度样本差;
获取车辆起始电量样本值对应的充电需求电流样本值;
计算所述充电需求电流样本值与充电桩最大输出电流能力样本值的差值,得到电流样本差;
对所述电流样本差按照第二预设修正规则进行修正,得到修正后的电流样本差;所述第二预设修正规则包括:当所述电流样本差不大于所述第一预设数值时,将所述电流样本差的数值设置为所述第二预设数值;当所述电流样本差大于所述第一预设数值时,所述电流样本差的值不变;
获取每组样本数据对应的参数集合;其中,所述参数集合包括电芯起始温度样本值、所述温度样本差、修正后的电流样本差、车辆起始电量样本值和充电时间样本值;
根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型。
优选地,根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型,包括:
将所有的所述参数集合分成训练参数集合和验证参数集合;
基于训练参数集合对初始充电时间预测模型进行训练,得到中间充电时间预测模型;
基于验证参数集合对所述中间充电时间预测模型进行参数修正,得到所述充电时间预测模型。
一种充电时间的预测装置,包括:
参数获取模块,用于获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
参数值获取模块,用于获取每一所述充电参数对应的参数值;
时间计算模块,用于基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。
优选地,所述充电参数包括电芯起始温度、环境温度、车辆起始电量以及充电桩最大输出电流能力。
优选地,所述时间计算模块包括:
温度差计算子模块,用于计算环境温度值与电芯起始温度值的差值,得到温度差;
电流值获取子模块,用于获取所述车辆起始电量值对应的充电需求电流值;
电流差计算子模块,用于计算所述充电需求电流值与充电桩最大输出电流能力值的差值,得到电流差;
第一修正子模块,用于对所述电流差按照第一预设修正规则进行修正,得到修正后的电流差;所述第一预设修正规则包括:当所述电流差不大于第一预设数值时,将所述电流差的数值设置为第二预设数值;当所述电流差大于第一预设数值时,所述电流差的值不变;
时间计算子模块,用于使用充电时间预测模型对所述电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量值进行运算,得到所述充电时间。
优选地,还包括:
数据获取模块,用于获取多组不同的样本数据;其中,所述样本数据包括电芯起始温度样本值、环境温度样本值、车辆起始电量样本值、充电桩最大输出电流能力样本值和充电时间样本值;
第一计算模块,用于对于每组所述样本数据,计算环境温度样本值与电芯起始温度样本值的差值,得到温度样本差;
样本值获取模块,用于获取车辆起始电量样本值对应的充电需求电流样本值;
第二计算模块,用于计算所述充电需求电流样本值与充电桩最大输出电流能力样本值的差值,得到电流样本差;
修正模块,用于对所述电流样本差按照第二预设修正规则进行修正,得到修正后的电流样本差;所述第二预设修正规则包括:当所述电流样本差不大于所述第一预设数值时,将所述电流样本差的数值设置为所述第二预设数值;当所述电流样本差大于所述第一预设数值时,所述电流样本差的值不变;
集合获取模块,用于获取每组样本数据对应的参数集合;其中,所述参数集合包括电芯起始温度样本值、所述温度样本差、修正后的电流样本差、车辆起始电量样本值和充电时间样本值;
模型生成模块,用于根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型。
优选地,所述模型生成模块包括:
数据拆分子模块,用于将所有的所述参数集合分成训练参数集合和验证参数集合;
训练子模块,用于基于训练参数集合对初始充电时间预测模型进行训练,得到中间充电时间预测模型;
第二修正子模块,用于基于验证参数集合对所述中间充电时间预测模型进行参数修正,得到所述充电时间预测模型。
一种电子设备,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
获取每一所述充电参数对应的参数值;
基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。
相较于现有技术,本发明具有以下有益效果:
本发明提供了一种充电时间的预测方法、装置及电子设备,本发明中获取电动汽车的多个充电参数,获取每一所述充电参数对应的参数值,基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。通过本发明实施例他可以计算得到电动汽车的充电时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种充电时间的预测方法的方法流程图;
图2为本发明实施例提供的另一种充电时间的预测方法的方法流程图;
图3为本发明实施例提供的再一种充电时间的预测方法的方法流程图;
图4为本发明实施例提供的又一种充电时间的预测方法的方法流程图;
图5为本发明实施例提供的一种充电时间的预测装置的结构示意图;
图6为本发明实施例提供的另一种充电时间的预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种充电时间的预测方法,该充电时间的预测方法可以应用于电动汽车的电池管理系统BMS系统,也可以应用于充电站控制系统等。
参照图1,充电时间的预测方法可以包括:
S11、获取电动汽车的多个充电参数;
其中,充电参数是技术人员预先设置的,用于确定电动汽车的充电时间。
充电参数可以包括:电芯起始温度、环境温度、车辆起始电量以及充电桩最大输出电流能力。
S12、获取每一所述充电参数对应的参数值;
具体的,可以从电动汽车的BMS系统获取到每一充电参数对应的参数值。
S13、基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。
本实施例中,获取电动汽车的多个充电参数,获取每一所述充电参数对应的参数值,基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。通过本发明实施例他可以计算得到电动汽车的充电时间。
可选的,在上述充电参数包括电芯起始温度等参数的实施例的基础上,参照图2,步骤S13可以包括:
S21、计算环境温度值与电芯起始温度值的差值,得到温度差;
其中,温度差表征电池外界的环境温度与电池的电芯起始温度的温度差。
S22、获取所述车辆起始电量值对应的充电需求电流值;
具体的,预先设置有电芯充电电流表,电芯充电电流表中包括车辆起始电量与充电需求电流的映射关系,本实施例中,只需要在电芯充电电流表中查找与车辆起始电量值对应的充电需求电流值即可。
S23、计算所述充电需求电流值与充电桩最大输出电流能力值的差值,得到电流差;
电流差表征充电需求电流值与充电桩最大输出电流能力值的差值,即表征充电桩是否能够提供电动汽车的需求电流。
S24、对所述电流差按照第一预设修正规则进行修正,得到修正后的电流差;
所述第一预设修正规则包括:当所述电流差不大于第一预设数值时,将所述电流差的数值设置为第二预设数值;当所述电流差大于第一预设数值时,所述电流差的值不变。
具体的,第一预设数值为零,本实施例中判断所述电流差是否大于第一预设数值是为了得到充电桩输出能力是否满足实际需求的判断。
S25、使用充电时间预测模型对所述电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量值进行运算,得到所述充电时间。
具体的,充电时间预测模型是预先设定好的TensorFlow回归模型。
将电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量输入到TensorFlow回归模型中,即可输出充电时间。
该TensorFlow回归模型考虑了电芯起始温度、环境温度、车辆起始电量以及充电桩最大输出电流能力多个因素,进而该TensorFlow回归模型能够精确的预测充电时间。
本实施例中,通过TensorFlow回归模型预测充电时间,输入电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量,即可得到充电时间,方便快捷。
可选的,在图2对应的实施例的基础上,参照图3,所述充电时间预测模型的生成过程可以包括:
S31、获取多组不同的样本数据;
其中,所述样本数据包括电芯起始温度样本值、环境温度样本值、车辆起始电量样本值、充电桩最大输出电流能力样本值和充电时间样本值;
样本数据相对于充电参数,多了一个充电时间样本值,其余都一样。样本数据是历史不同的电动汽车在充电时获取的数据。
每一组样本数据是在同一次充电中记录的数据。
S32、对于每组所述样本数据,计算环境温度样本值与电芯起始温度样本值的差值,得到温度样本差;
S33、获取所述车辆起始电量样本值对应的充电需求电流样本值;
S34、计算所述充电需求电流样本值与充电桩最大输出电流能力样本值的差值,得到电流样本差;
S35、对所述电流样本差按照第二预设修正规则进行修正,得到修正后的电流样本差;所述第二预设修正规则包括:当所述电流样本差不大于所述第一预设数值时,将所述电流样本差的数值设置为所述第二预设数值;当所述电流样本差大于所述第一预设数值时,所述电流样本差的值不变;
需要说明的是,步骤S32-35与上述步骤S21-24类似,请参照上述相应说明,在此不再赘述。
S36、获取每组样本数据对应的参数集合;
其中,所述参数集合包括电芯起始温度样本值、所述温度样本差、修正后的电流样本差、车辆起始电量样本值和充电时间样本值。
可选的,可以对参数集合做进一步处理,得到如下数据。
电芯起始温度样本值Tem_init=[T0,T1,T2,…Tn]
温度样本差Delta_Tem=[dT_0,dT_1,…,dT_n]
修正后的电流样本差Delta_I=[dI_1,dI_2,…,dI_n]
车辆起始电量样本值SOC=[Soc_1,Soc_2,…,Soc_n]
充电时间样本值Time=[T_0,T_1,…,T_n]
另外,环境温度样本值可以表示成Tem_env=[T0,T1,T2,…Tn]
充电桩最大输出电流能力样本值可以表示成ChrgrCrntCap=[I_1,I_2,...,I_n]。
其中,n为不同的样本数据,本实施例将不同的样本数据中的电芯起始温度样本值、车辆起始电量样本值、车辆起始电量样本值等汇总到一起。
S37、根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型。
可选的,在本实施例的基础上,参照图4,步骤S37可以包括:
S41、将所有的所述参数集合分成训练参数集合和验证参数集合;
具体的,可以按照训练参数集合和验证参数集合validation_set的比例为4:1的比例划分。
验证参数集合仅作为参数验证,在训练集上进行参数学习。。对于所有的参数集合,我们将[Tem_init,Delta_Tem,Delta_I,SOC]这一部分数据作为feature,因此相应的我们有验证数据validation_feature,训练数据train_feature;将[Time]作为target,相应的我们有验证目标validation_target,训练目标train_target。其中,训练参数集合作为训练数据,验证参数集合作为验证数据。
S42、基于训练参数集合对初始充电时间预测模型进行训练,得到中间充电时间预测模型;
我们将Tem_init,Delta_Tem,Delta_I,SOC作为自变量参数,将Time作为学习目标,我们需要得到算法F(Tem_init,Delta_Tem,Delta_I,SOC)(i)=Time(i)。
使用线性回归模型来完成参数的学习:
将训练集的数据代入TensorFlow回归模型,按照如下的代码进行计算:
创建一个回归对象
My_optimizer=tensorflow.train.FtrlOptimizer(learning_rate),其中learning_rate是需要人为调整的参数
创建回归器,即初始充电时间预测模型linear_regressor=tensorflow.estimator.LinearRegressor(feature_colums=train_feature,target=train_target)
创建之后进行模型训练,得到验证集的测试结果,即中间充电时间预测模型:
Validation_predict=linear_regressor.predict(validation_feature)
计算训练损失loss=math.sqrt(metrics.mean_squared_error(validation_predict,validation_target))
S43、基于验证参数集合对所述中间充电时间预测模型进行参数修正,得到所述充电时间预测模型。
具体的,对学习的结果进行评估,通过不断调整learning_rate的值,将上面计算得到的loss值降低,从而缩短预计时间与真实时间的差距,当loss值小于第三预设数值时,即认为得到了充电时间预测模型。
本实施例中,给出了一种生成充电时间预测模型的方法,进而可以使用本实施例中的方法预测充电时间。
可选的,在上述充电时间的预测方法的实施例的基础上,本发明的另一实施例提供了一种充电时间的预测装置,参照图,包括:
参数获取模块101,用于获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
参数值获取模块102,用于获取每一所述充电参数对应的参数值;
时间计算模块103,用于基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。
进一步,所述充电参数包括电芯起始温度、环境温度、车辆起始电量以及充电桩最大输出电流能力。
本实施例中,获取电动汽车的多个充电参数,获取每一所述充电参数对应的参数值,基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。通过本发明实施例他可以计算得到电动汽车的充电时间。
需要说明的是,本实施例中的各个模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选的,在上述充电参数包括电芯起始温度等参数的实施例的基础上,所述时间计算模块可以包括:
温度差计算子模块,用于计算环境温度值与电芯起始温度值的差值,得到温度差;
电流值获取子模块,用于获取所述车辆起始电量值对应的充电需求电流值;
电流差计算子模块,用于计算所述充电需求电流值与充电桩最大输出电流能力值的差值,得到电流差;
第一修正子模块,用于对所述电流差按照第一预设修正规则进行修正,得到修正后的电流差;所述第一预设修正规则包括:当所述电流差不大于第一预设数值时,将所述电流差的数值设置为第二预设数值;当所述电流差大于第一预设数值时,所述电流差的值不变;
时间计算子模块,用于使用充电时间预测模型对所述电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量值进行运算,得到所述充电时间。
本实施例中,通过TensorFlow回归模型预测充电时间,输入电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量,即可得到充电时间,方便快捷。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选的,在上一预测装置的实施例的基础上,参照图6,还可以包括:
数据获取模块201,用于获取多组不同的样本数据;其中,所述样本数据包括电芯起始温度样本值、环境温度样本值、车辆起始电量样本值、充电桩最大输出电流能力样本值和充电时间样本值;
第一计算模块202,用于对于每组所述样本数据,计算环境温度样本值与电芯起始温度样本值的差值,得到温度样本差;
样本值获取模块203,用于获取所述车辆起始电量样本值对应的充电需求电流样本值;
第二计算模块204,用于计算所述充电需求电流样本值与充电桩最大输出电流能力样本值的差值,得到电流样本差;
修正模块205,用于对所述电流样本差按照第二预设修正规则进行修正,得到修正后的电流样本差;所述第二预设修正规则包括:当所述电流样本差不大于所述第一预设数值时,将所述电流样本差的数值设置为所述第二预设数值;当所述电流样本差大于所述第一预设数值时,所述电流样本差的值不变;
集合获取模块206,用于获取每组样本数据对应的参数集合;其中,所述参数集合包括电芯起始温度样本值、所述温度样本差、修正后的电流样本差、车辆起始电量样本值和充电时间样本值;
模型生成模块207,用于根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型。
进一步,所述模型生成模块207可以包括:
数据拆分子模块,用于将所有的所述参数集合分成训练参数集合和验证参数集合;
训练子模块,用于基于训练参数集合对初始充电时间预测模型进行训练,得到中间充电时间预测模型;
第二修正子模块,用于基于验证参数集合对所述中间充电时间预测模型进行参数修正,得到所述充电时间预测模型。
本实施例中,给出了一种生成充电时间预测模型的方法,进而可以使用本实施例中的方法预测充电时间。
需要说明的是,本实施例中的各个模块和子模块的工作过程,请参照上述实施例中的相应说明,在此不再赘述。
可选的,在上述任一充电时间的预测方法及装置的实施例的基础上,本发明的另一实施例提供了一种电子设备,可以包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
获取每一所述充电参数对应的参数值;
基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。
本实施例中,获取电动汽车的多个充电参数,获取每一所述充电参数对应的参数值,基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间。通过本发明实施例他可以计算得到电动汽车的充电时间。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种充电时间的预测方法,其特征在于,包括:
获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
获取每一所述充电参数对应的参数值;
计算环境温度值与电芯起始温度值的差值,得到温度差;
获取车辆起始电量值对应的充电需求电流值;
计算所述充电需求电流值与充电桩最大输出电流能力值的差值,得到电流差;
对所述电流差按照第一预设修正规则进行修正,得到修正后的电流差;所述第一预设修正规则包括:当所述电流差不大于第一预设数值时,将所述电流差的数值设置为第二预设数值;当所述电流差大于第一预设数值时,所述电流差的值不变;
使用充电时间预测模型对所述电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量值进行运算,得到所述充电时间。
2.根据权利要求1所述的预测方法,其特征在于,所述充电参数包括电芯起始温度、环境温度、车辆起始电量以及充电桩最大输出电流能力。
3.根据权利要求1所述的预测方法,其特征在于,所述充电时间预测模型的生成过程包括:
获取多组不同的样本数据;其中,所述样本数据包括电芯起始温度样本值、环境温度样本值、车辆起始电量样本值、充电桩最大输出电流能力样本值和充电时间样本值;
对于每组所述样本数据,计算环境温度样本值与电芯起始温度样本值的差值,得到温度样本差;
获取车辆起始电量样本值对应的充电需求电流样本值;
计算所述充电需求电流样本值与充电桩最大输出电流能力样本值的差值,得到电流样本差;
对所述电流样本差按照第二预设修正规则进行修正,得到修正后的电流样本差;所述第二预设修正规则包括:当所述电流样本差不大于所述第一预设数值时,将所述电流样本差的数值设置为所述第二预设数值;当所述电流样本差大于所述第一预设数值时,所述电流样本差的值不变;
获取每组样本数据对应的参数集合;其中,所述参数集合包括电芯起始温度样本值、所述温度样本差、修正后的电流样本差、车辆起始电量样本值和充电时间样本值;
根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型。
4.根据权利要求3所述的预测方法,其特征在于,根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型,包括:
将所有的所述参数集合分成训练参数集合和验证参数集合;
基于训练参数集合对初始充电时间预测模型进行训练,得到中间充电时间预测模型;
基于验证参数集合对所述中间充电时间预测模型进行参数修正,得到所述充电时间预测模型。
5.一种充电时间的预测装置,其特征在于,包括:
参数获取模块,用于获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
参数值获取模块,用于获取每一所述充电参数对应的参数值;
时间计算模块,用于基于每一所述充电参数对应的参数值,计算得到所述电动汽车的充电时间;
其中,所述时间计算模块包括:
温度差计算子模块,用于计算环境温度值与电芯起始温度值的差值,得到温度差;
电流值获取子模块,用于获取所述车辆起始电量值对应的充电需求电流值;
电流差计算子模块,用于计算所述充电需求电流值与充电桩最大输出电流能力值的差值,得到电流差;
第一修正子模块,用于对所述电流差按照第一预设修正规则进行修正,得到修正后的电流差;所述第一预设修正规则包括:当所述电流差不大于第一预设数值时,将所述电流差的数值设置为第二预设数值;当所述电流差大于第一预设数值时,所述电流差的值不变;
时间计算子模块,用于使用充电时间预测模型对所述电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量值进行运算,得到所述充电时间。
6.根据权利要求5所述的预测装置,其特征在于,所述充电参数包括电芯起始温度、环境温度、车辆起始电量以及充电桩最大输出电流能力。
7.根据权利要求5所述的预测装置,其特征在于,还包括:
数据获取模块,用于获取多组不同的样本数据;其中,所述样本数据包括电芯起始温度样本值、环境温度样本值、车辆起始电量样本值、充电桩最大输出电流能力样本值和充电时间样本值;
第一计算模块,用于对于每组所述样本数据,计算环境温度样本值与电芯起始温度样本值的差值,得到温度样本差;
样本值获取模块,用于获取车辆起始电量样本值对应的充电需求电流样本值;
第二计算模块,用于计算所述充电需求电流样本值与充电桩最大输出电流能力样本值的差值,得到电流样本差;
修正模块,用于对所述电流样本差按照第二预设修正规则进行修正,得到修正后的电流样本差;所述第二预设修正规则包括:当所述电流样本差不大于所述第一预设数值时,将所述电流样本差的数值设置为所述第二预设数值;当所述电流样本差大于所述第一预设数值时,所述电流样本差的值不变;
集合获取模块,用于获取每组样本数据对应的参数集合;其中,所述参数集合包括电芯起始温度样本值、所述温度样本差、修正后的电流样本差、车辆起始电量样本值和充电时间样本值;
模型生成模块,用于根据所有的所述参数集合,对获取的初始充电时间预测模型进行修正,得到所述充电时间预测模型。
8.根据权利要求7所述的预测装置,其特征在于,所述模型生成模块包括:
数据拆分子模块,用于将所有的所述参数集合分成训练参数集合和验证参数集合;
训练子模块,用于基于训练参数集合对初始充电时间预测模型进行训练,得到中间充电时间预测模型;
第二修正子模块,用于基于验证参数集合对所述中间充电时间预测模型进行参数修正,得到所述充电时间预测模型。
9.一种电子设备,其特征在于,包括:存储器和处理器;
其中,所述存储器用于存储程序;
处理器调用程序并用于:
获取电动汽车的多个充电参数;其中,所述充电参数用于确定电动汽车的充电时间;
获取每一所述充电参数对应的参数值;
计算环境温度值与电芯起始温度值的差值,得到温度差;
获取车辆起始电量值对应的充电需求电流值;
计算所述充电需求电流值与充电桩最大输出电流能力值的差值,得到电流差;
对所述电流差按照第一预设修正规则进行修正,得到修正后的电流差;所述第一预设修正规则包括:当所述电流差不大于第一预设数值时,将所述电流差的数值设置为第二预设数值;当所述电流差大于第一预设数值时,所述电流差的值不变;
使用充电时间预测模型对所述电芯起始温度值、所述温度差、修正后的电流差和车辆起始电量值进行运算,得到所述充电时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811259513.9A CN111098743B (zh) | 2018-10-26 | 2018-10-26 | 一种充电时间的预测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811259513.9A CN111098743B (zh) | 2018-10-26 | 2018-10-26 | 一种充电时间的预测方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111098743A true CN111098743A (zh) | 2020-05-05 |
CN111098743B CN111098743B (zh) | 2022-07-29 |
Family
ID=70419082
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811259513.9A Active CN111098743B (zh) | 2018-10-26 | 2018-10-26 | 一种充电时间的预测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111098743B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114879045A (zh) * | 2022-03-29 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种验证充电剩余时间测试方法、装置、终端及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140354289A1 (en) * | 2013-05-30 | 2014-12-04 | Kia Motors Corporation | Method for predicting charging time of battery for electric vehicle |
WO2016124446A1 (de) * | 2015-02-04 | 2016-08-11 | Volkswagen Aktiengesellschaft | Verfahren und system zur erzeugung eines ladezeitplans eines elektrischen energiespeichers in einem fahrzeug |
CN106427650A (zh) * | 2016-11-21 | 2017-02-22 | 中国南方电网有限责任公司 | 电动汽车的充电方法和系统 |
CN106602158A (zh) * | 2015-10-14 | 2017-04-26 | 上海汽车集团股份有限公司 | 电池充电时间预测方法及装置 |
CN106585397A (zh) * | 2016-11-16 | 2017-04-26 | 东软集团股份有限公司 | 一种电动汽车充电的方法、装置及系统 |
CN107240728A (zh) * | 2017-07-24 | 2017-10-10 | 江西优特汽车技术有限公司 | 一种充电时间显示系统 |
CN108183514A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种立体式充电站云平台智能充放电控制系统及方法 |
KR20180069627A (ko) * | 2016-12-15 | 2018-06-25 | 현대자동차주식회사 | 차량의 충전 소요 시간 예측 방법 및 이를 적용한 예약 충전 방법 |
-
2018
- 2018-10-26 CN CN201811259513.9A patent/CN111098743B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140354289A1 (en) * | 2013-05-30 | 2014-12-04 | Kia Motors Corporation | Method for predicting charging time of battery for electric vehicle |
WO2016124446A1 (de) * | 2015-02-04 | 2016-08-11 | Volkswagen Aktiengesellschaft | Verfahren und system zur erzeugung eines ladezeitplans eines elektrischen energiespeichers in einem fahrzeug |
CN106602158A (zh) * | 2015-10-14 | 2017-04-26 | 上海汽车集团股份有限公司 | 电池充电时间预测方法及装置 |
CN106585397A (zh) * | 2016-11-16 | 2017-04-26 | 东软集团股份有限公司 | 一种电动汽车充电的方法、装置及系统 |
CN106427650A (zh) * | 2016-11-21 | 2017-02-22 | 中国南方电网有限责任公司 | 电动汽车的充电方法和系统 |
CN108183514A (zh) * | 2016-12-08 | 2018-06-19 | 南京理工大学 | 一种立体式充电站云平台智能充放电控制系统及方法 |
KR20180069627A (ko) * | 2016-12-15 | 2018-06-25 | 현대자동차주식회사 | 차량의 충전 소요 시간 예측 방법 및 이를 적용한 예약 충전 방법 |
CN108215821A (zh) * | 2016-12-15 | 2018-06-29 | 现代自动车株式会社 | 估算车辆充电所需的时间的方法及使用其的充电预约方法 |
CN107240728A (zh) * | 2017-07-24 | 2017-10-10 | 江西优特汽车技术有限公司 | 一种充电时间显示系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114879045A (zh) * | 2022-03-29 | 2022-08-09 | 中国第一汽车股份有限公司 | 一种验证充电剩余时间测试方法、装置、终端及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111098743B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200386819A1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
Pan et al. | State of charge estimation of lithium-ion batteries using a grey extended Kalman filter and a novel open-circuit voltage model | |
KR101846690B1 (ko) | Wls 기반 soh 추정 시스템 및 방법 | |
Huang et al. | A model-based state-of-charge estimation method for series-connected lithium-ion battery pack considering fast-varying cell temperature | |
US10295607B2 (en) | Device for estimating parameters of battery, and estimation method | |
US10338146B2 (en) | Method for determining a control observer for the SoC | |
US20120053900A1 (en) | Estimating and Enhancing Residual Performance in an Energy Storage System | |
US20190346513A1 (en) | Determining a state of health of a battery and providing an alert | |
KR102333330B1 (ko) | 에너지 축적기 에뮬레이터 및 에너지 축적기 에뮬레이터의 에뮬레이션을 위한 방법 | |
CN107219461B (zh) | 二次电池的寿命预测方法及电源管理方法 | |
WO2014119328A1 (ja) | 電池状態推定装置 | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
CN111098743B (zh) | 一种充电时间的预测方法、装置及电子设备 | |
CN104335057A (zh) | 用于确定电池的实际容量的方法和设备 | |
US20230020146A1 (en) | Control apparatus, degradation estimating system, control method, and computer program | |
CN117222904A (zh) | 电池状态推定装置、电力系统 | |
JP2017016991A (ja) | データ抽出装置、データ抽出方法およびデータ抽出プログラム | |
CN108845267B (zh) | 一种动力电池的数据处理方法和装置 | |
CN113189500B (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
CN116819346B (zh) | 电池soc估算方法、装置、设备及存储介质 | |
KR20220085395A (ko) | 빅데이터를 이용한 차량 배터리 충전 시간 예측 시스템 및 방법 | |
CN114624596A (zh) | 一种电池性能的评估方法及装置 | |
JP2016103449A (ja) | 正極電位の推定方法、正極電位の推定装置、メモリ効果有無の判定方法、メモリ効果有無の判定装置及び起電圧の推定方法 | |
EP4144564A2 (en) | In-vehicle battery management device | |
US20230400528A1 (en) | Battery degradation determination system, battery degradation determination apparatus, and battery degradation determination method |
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 |