CN111896883A - 一种车载蓄电池可支持的停车时长预测方法及预警方法 - Google Patents
一种车载蓄电池可支持的停车时长预测方法及预警方法 Download PDFInfo
- Publication number
- CN111896883A CN111896883A CN202010753023.5A CN202010753023A CN111896883A CN 111896883 A CN111896883 A CN 111896883A CN 202010753023 A CN202010753023 A CN 202010753023A CN 111896883 A CN111896883 A CN 111896883A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- storage battery
- data
- battery
- mounted storage
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3647—Constructional arrangements for determining the ability of a battery to perform a critical function, e.g. cranking
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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"
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开一种车载蓄电池可支持的停车时长预测方法,包括:采集车载蓄电池在第一预设时间段内的历史数据并对其进行数据预处理;从预处理后的车载蓄电池的历史数据中提取车载蓄电池特征数据作为训练集;基于所述训练集,采用机器学习进行训练挖掘出车辆的停车时长和车载蓄电池特征数据之间的关系,建立停车时长预测模型;根据车载蓄电池临界状态数据和当前的蓄电池状态数据,基于停车时长预测模型预测出车载蓄电池可支持的最长停车时长。本发明还公开一种车载蓄电池可支持的停车时长预警方法。该些方法预测精准,可信度高,能预测车辆可以停车的最长时长,并将该消息推送给没有及时给蓄电池充电或者启动车辆的车主,提升用户体验。
Description
技术领域
本发明涉及车联网技术领域,尤其涉及一种车载蓄电池可支持的停车时长预测方法及预警方法。
背景技术
启动发动机时,车载蓄电池给起动机提供强大的起动电流,如果车辆停车时间过长,会导致电池电量过低导致车辆无法启动,为了解决上述问题,需要在车辆发生亏电之前,实现了对车辆可能亏电的预测,降低了亏电发生的可能性,例如中国专利文献CN109740802A公开了一种蓄电池亏电预测处理方法、装置、设备以及可读存储介质,需要收集亏电风险样本和正常样本,挖掘出亏电和非亏电特征,然后用亏电特征和非亏电特征训练预设模型,得到亏电预测模型,最后将车辆的信息输入到预设的亏电预测模型中,获得该辆车蓄电池亏电预测的信息,得到有亏电风险和无亏电风险两种预测结果。但该方法存在以下问题:首先,据统计,亏电蓄电池的样本数量远远低于没有发生亏电的蓄电池样本量,且蓄电池是否发生亏电,业界当前并没有给出统一的标准,故亏电特征提取难度较大,采用该方法获取较为准确的亏电预测模型较难;其次,亏电预测模型只能得到有亏电风险和无亏电风险两种结果,对于用户来说,并不知晓发生亏电的具体时间,故只能预防性的启动车辆以给蓄电池充电。
发明内容
本发明的目的是提供一种车载蓄电池可支持的停车时长预测方法及预警方法,以提高预测精准,可信度,能预测车辆可以停车的最长时长,并将该消息推送给没有及时给蓄电池充电或者启动车辆的车主,使车主避免因蓄电池原因导致的无法启动发动机,能提升用户体验。
为实现上述目的,本发明提供了一种车载蓄电池可支持的停车时长预测方法,包括以下步骤:
采集车载蓄电池在第一预设时间段内的历史数据并对其进行数据预处理;
从预处理后的车载蓄电池的历史数据中提取车载蓄电池特征数据作为训练集;
基于所述训练集,采用机器学习进行训练挖掘出车辆的停车时长和车载蓄电池特征数据之间的关系,建立停车时长预测模型;
根据车载蓄电池临界状态数据和当前的蓄电池状态数据,基于停车时长预测模型预测出车载蓄电池可支持的最长停车时长。
进一步,所述机器学习为随机森林回归法。
进一步,所述车载蓄电池的历史数据包括蓄电池soc、电流i、电压u、蓄电池内部温度T1、环境温度T2、蓄电池放电能力系数X和电池内阻R。
进一步,所述停车时长预测模型为:
Δt=f(Δsoc,Δi,Δu,X,R,aT1+aT2);
其中,△soc为第n个驾驶日最后一次启动车辆的最后一条数据的socn与第n+1个驾驶日第一次启动车辆的第一条数据的socn+1之差;
△u为第n个驾驶日最后一次启动车辆的最后一条数据的电压un与第n+1个驾驶日第一次启动车辆的第一条数据的电压un+1之差;
△i为第n个驾驶日最后一次启动车辆的最后一条数据的电流in与第n+1个驾驶日第一次启动车辆的第一条数据的电流in+1之差;
X、R和aT1+bT2分别为第n个驾驶日最后一次启动车辆的最后一条数据中的蓄电池放电能力系数X、电池内阻R和aT1+bT2,其中,T1是蓄电池内部温度,T2是环境温度,a和b是自适应调解系数。
进一步,车载蓄电池特征数据包括第一车载蓄电池特征数据、第二车载蓄电池特征数据和第三车载蓄电池特征数据;
所述第一车载蓄电池特征数据包括:(△soc,△i,△u)=(第n个驾驶日最后一次启动车辆的最后一条数据的socn、in、un)-(第n+1个驾驶日第一次启动车辆的第一条数据的socn+1、in+1、un+1);
所述第二车载蓄电池特征数据包括:第n个驾驶日最后一次启动车辆的最后一条数据中的蓄电池放电能力系数X、电池内阻R、aT1+bT2;
所述第三车载蓄电池特征数据包括:蓄电池放置时长△t=第n+1个驾驶日第一次启动车辆的第一条数据的时间戳-第n个驾驶日最后一次启动车辆的最后一条数据的时间戳。
进一步,所述根据车载蓄电池临界状态数据和当前的蓄电池状态数据,基于停车时长预测模型预测出车载蓄电池可支持的最长停车时长,具体步骤包括:
采集当前的蓄电池状态数据和电池临界状态数据计算出△soc、△u、△i、X、R和aT1+bT2的值,当前的蓄电池状态数据包括当前即将停车时刻的车载蓄电池socx、电流ix、电压ux、蓄电池内部温度T1x、环境温度T2x、放电能力系数Xx和电池内阻Rx;所述电池临界状态数据包括临界状态的车载蓄电池的socL、电流iL和电压uL,其中,socL、iL和uL为定值;可得,Δsoc=socx-socL,Δu=ux-uL,Δi=ix-iL,X=Xx,R=Rx,aT1+aT2=aT1x+bT2x;
将Δsoc=socx-socL,Δu=ux-uL,Δi=ix-iL,X=Xx,R=Rx,aT1+aT2=aT1x+bT2x代入停车时长预测模型中,即可预测出车载蓄电池可支持的最长停车时长。
进一步,所述数据预处理包括对车载蓄电池的历史数据中存在的大量空值进行填充和删除。
进一步,所述对车载蓄电池的历史数据中存在的大量空值进行填充和删除,具体包括以下步骤:
行程定义:若相邻两条记录的时间>5min,则认为这两条记录分属两个不同的行程;
行程划分:对每辆车的数据按照上述行程定义进行行程划分;
记录合并:假设车载蓄电池在第一预设时间段内的历史数据为数据D,若数据D中出现时间戳相同的记录,则将相同时间戳的多条记录合并成一条记录,并生成新的数据集D1;
行程划分:将数据集D1按照时间戳升序排列生成数据集D2,对于D2中相邻的两条记录,若后一条记录的时间戳与前一条记录时间戳的差值为5min,则认为该两条记录分属两个不同的行程,并对该两个不同的行程分别进行标注,否则认为该两条记录属于同一个行程,并对该两条记录的行程标注一致,生成新数据集D3;
缺失值处理:对于新数据集D3,首先获取行程列表L,对于同一个行程中出现缺失值的字段,用前一条记录对应字段的值填充,不同行程中的记录则不适用,生成新数据集D4,删除D4中有空值的记录,并将D4中的时间戳转化为时间,生成新数据集D5,数据集D5即为经过预处理后的车载蓄电池的历史数据。
本发明还提供一种车载蓄电池可支持的停车时长预警方法,包括以下步骤:
采用所述的车载蓄电池可支持的停车时长预测方法预测出车载蓄电池可支持的最长停车时长;
然后将车载蓄电池能支持的最长停车时长发送到手机端和/或车机端提醒启动车辆给蓄电池充电。
进一步,所述将车载蓄电池能支持的最长停车时长发送到手机端和/或车机端提醒启动车辆给蓄电池充电,具体步骤包括:
在车辆熄火前,由车机端主动提醒车载蓄电池可支持的最长停车时长,若在第三预设时长内没有启动车辆,则由手机端在第二预设时长内在每天定点提醒启动车辆给车载蓄电池充电,其中,车载蓄电池可支持的最长停车时长=第二预设时长+第三预设时长。
本发明与现有技术相比较具有以下优点:
本发明的车载蓄电池可支持的停车时长预测方法及预警方法,无需有针对性的收集亏电样本,样本采集比较容易,且无需人为设定亏电特征,亏电特征需要从数据中学习;本方法预测出的结果是可支持的最长停车时长,而不是简单的是否有亏电风险的预测,利用蓄电池的历史状态数据SOC、电流I、电压U、蓄电池内部温度T1、环境温度T2、放电能力系数X、电池内阻R、时间戳t等数据,结合蓄电池领域专家给定的蓄电池特征数据,预测出车辆可以放置的最长时长,并将该消息推送给没有及时给蓄电池充电或者启动车辆的车主,该可支持的最长停车时长随着时间的变化是动态变化的,为此,能够较为精准地预测出启动车辆以给蓄电池充电的时机,给车主比较精准的指导,使车主避免了因蓄电池原因导致的无法启动发动机,提升了用户体验;同时,根据蓄电池领域专家知识,使用启动发动机的蓄电池临界状态特征,使预测更精准,可信度更高;利用蓄电池的历史数据,及时提醒用户为蓄电池充电(启动车辆),在很大程度上避免了蓄电池亏电情况的发生,培养用户良好的用车习惯,延长了蓄电池和整车的使用寿命;利用蓄电池的历史数据,获得蓄电池可支持的最长停车时长,该数据可以作为蓄电池健康状态的指标之一,为蓄电池领域的工程师提供蓄电池设计参考;利用蓄电池的历史数据,获得每辆车的蓄电池可支持的最长停车时长画像,为主机厂运营客户提供有利条件和技术支撑;利用蓄电池的历史数据,获得每辆车的蓄电池可支持的最长停车时长画像,为主机厂创建蓄电池特征提供停车时长维度,丰富主机厂整车零部件数据维度,为后续整车数字化提供数据支撑;预测车载蓄电池可支持的最长停车时长可适用于若再次延长停车时长可能会导致车载蓄电池无法启动车辆的车主。
附图说明
图1为本发明车载蓄电池可支持的停车时长预测方法的流程图;
图2为本发明车载蓄电池可支持的停车时长预警方法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
参见图1所示,本实施例公开了一种车载蓄电池可支持的停车时长预测方法,包括以下步骤:
采集车载蓄电池在第一预设时间段内的历史数据并对其进行数据预处理;
从预处理后的车载蓄电池的历史数据中提取车载蓄电池特征数据作为训练集;
基于所述训练集,采用机器学习进行训练挖掘出车辆的停车时长和车载蓄电池特征数据之间的关系,建立停车时长预测模型;
根据车载蓄电池临界状态数据和当前的蓄电池状态数据,基于停车时长预测模型预测出车载蓄电池可支持的最长停车时长。
在本实施例中,所述机器学习为随机森林回归法。由于采集的数据有时间戳,可以根据两个时间戳计算出停车时长,则停车时长就是已知的,故可以采用机器学习中的随机森林回归算法挖掘出停车时长与蓄电池特征数据之间的关系。
在本实施例中,所述车载蓄电池的历史数据包括蓄电池soc、电流i、电压u、蓄电池内部温度T1、环境温度T2、蓄电池放电能力系数X和电池内阻R。采集的这些车载蓄电池的历史数据以时间序列的方式,组成多模态的时空数据序列,采样频率与车端数据的上传频率保持一致。
在本实施例中,所述训练集包括训练数据集和测试数据集,从训练集中选取80%的样本作为训练数据集,其余20%作为测试数据集。在某些实施例中,还可以将训练集分成其他比例的训练数据集和测试训练集,并不以此为限。
在本实施例中,所述停车时长预测模型为:
△t=f(△soc,△i,△u,X,R,aT1+bT2)
其中,△soc为第n个驾驶日最后一次启动车辆的最后一条数据的socn与第n+1个驾驶日第一次启动车辆的第一条数据的socn+1之差;
△u为第n个驾驶日最后一次启动车辆的最后一条数据的电压un与第n+1个驾驶日第一次启动车辆的第一条数据的电压un+1之差;
△i为第n个驾驶日最后一次启动车辆的最后一条数据的电流in与第n+1个驾驶日第一次启动车辆的第一条数据的电流in+1之差;
X、R和aT1+bT2分别为第n个驾驶日最后一次启动车辆的最后一条数据中的蓄电池放电能力系数X、电池内阻R和蓄电池相关温度,其中,T1是蓄电池内部温度,T2是环境温度,a和b是自适应调解系数,其中a>=0,b>=0,a+b=1,由于环境温度对蓄电池能否启动发动机影响较大,故b的初始值可设置为大于0.5,通过对同一车型的多次实验,确定a和b的值,不同的车型,最终获得的a和b的可能不相同。驾驶日定义:该天上传到云端的数据有蓄电池SOC、电流I、电压U、蓄电池内部温度T1、环境温度T2、蓄电池放电能力系数X、电池内阻R中至少一个字段的数据上传。
在本实施例中,车载蓄电池特征数据包括第一车载蓄电池特征数据、第二车载蓄电池特征数据和第三车载蓄电池特征数据;
所述第一车载蓄电池特征数据包括:(△soc,△i,△u)=(第n个驾驶日最后一次启动车辆的最后一条数据的socn、in、un)-(第n+1个驾驶日第一次启动车辆的第一条数据的socn+1、in+1、un+1);
所述第二车载蓄电池特征数据包括:第n个驾驶日最后一次启动车辆的最后一条数据中的蓄电池放电能力系数X、电池内阻R、aT1+bT2;
所述第三车载蓄电池特征数据包括:蓄电池放置时长△t=第n+1个驾驶日第一次启动车辆的第一条数据的时间戳-第n个驾驶日最后一次启动车辆的最后一条数据的时间戳。
在本实施例中,所述根据车载蓄电池临界状态数据和当前的蓄电池状态数据,基于停车时长预测模型预测出车载蓄电池可支持的最长停车时长,具体步骤包括:
采集当前的蓄电池状态数据和电池临界状态数据计算出△soc、△u、△i、X、R和aT1+bT2的值,当前的蓄电池状态数据包括当前即将停车时刻的车载蓄电池socx、电流ix、电压ux、蓄电池内部温度T1x、环境温度T2x、放电能力系数Xx和电池内阻Rx;所述电池临界状态数据包括临界状态的车载蓄电池的socL、电流iL和电压uL,其中,socL、iL和uL为定值;可得,Δsoc=socx-socL,Δu=ux-uL,Δi=ix-iL,X=Xx,R=Rx,aT1+aT2=aT1x+bT2x;
将Δsoc=socx-socL,Δu=ux-uL,Δi=ix-iL,X=Xx,R=Rx,aT1+aT2=aT1x+bT2x代入停车时长预测模型中,即可预测出车载蓄电池可支持的最长停车时长。其中,本实施中的蓄电池的临界状态值由蓄电池领域的专家提供蓄电池可支持发动机启动的蓄电池的临界状态值。其中,Soc的临界值为40%,U的临界值为6V,电流I的临界值与发动机强相关,临界值的范围是500mA-600mA。
在本实施例中,所述数据预处理包括对车载蓄电池的历史数据中存在的大量空值进行填充和删除。
在本实施例中,所述对车载蓄电池的历史数据中存在的大量空值进行填充和删除,具体包括以下步骤:
行程定义:若相邻两条记录的时间>5min,则认为这两条记录分属两个不同的行程;
行程划分:对每辆车的数据按照上述行程定义进行行程划分;
记录合并:假设车载蓄电池在第一预设时间段内的历史数据为数据D,若数据D中出现时间戳相同的记录,则将相同时间戳的多条记录合并成一条记录,并生成新的数据集D1;
行程划分:将数据集D1按照时间戳升序排列生成数据集D2,对于D2中相邻的两条记录,若后一条记录的时间戳与前一条记录时间戳的差值为5min,则认为该两条记录分属两个不同的行程,并对该两个不同的行程分别进行标注,即若前一条行程标注为N,则后一条行程标注为N+1,否则认为该两条记录属于同一个行程,并对该两条记录的行程标注一致,生成新数据集D3。新数据集D3为行程列表。
缺失值处理:对于新数据集D3,对于同一个行程中出现缺失值的字段,用前一条记录对应字段的值填充,不同行程中的记录则不适用,生成新数据集D4,删除D4中有空值的记录,并将D4中的时间戳转化为时间,生成新数据集D5,数据集D5即为经过预处理后的车载蓄电池的历史数据。对对车载蓄电池的历史数据中存在的大量空值进行填充和删除,有效解决了由于采集策略和车上控制器产生信号的周期不同,故上传到云端的数据在同一时刻,某些字段会出现空值的情况。
在本实施例中,第一预设时间段为1个月或2个月。在其他实施例中,第一预设时间段也可以为半个月或3个月或半年或其他数值,并不以此为限。
参见图2所示,本实施例还公开了一种车载蓄电池可支持的停车时长预警方法,包括以下步骤:
采用上述的车载蓄电池可支持的停车时长预测方法预测出车载蓄电池可支持的最长停车时长;
然后将车载蓄电池能支持的最长停车时长发送到手机端和/或车机端提醒启动车辆给蓄电池充电。
在本实施例中,所述将车载蓄电池能支持的最长停车时长发送到手机端和/或车机端提醒启动车辆给蓄电池充电,具体步骤包括:
在车辆熄火前,由车机端主动提醒车载蓄电池可支持的最长停车时长,若在第三预设时长内没有启动车辆,则由手机端在第二预设时长内在每天定点提醒启动车辆给车载蓄电池充电,其中,车载蓄电池可支持的最长停车时长=第二预设时长+第三预设时长。第二预设时长和第三预设时长均大于0,第二预设时长例如为3天或2天或其他数值的天数,在此不作5限定。
本发明的车载蓄电池可支持的停车时长预测方法及预警方法,无需有针对性的收集亏电样本,样本采集比较容易,且无需人为设定亏电特征,亏电特征需要从数据中学习;本方法预测出的结果是可支持的最长停车时长,而不是简单的是否有亏电风险的预测,利用蓄电池的历史状态数据SOC、电流I、电压U、蓄电池内部温度T1、环境温度T2、放电能力系数X、电池内阻R、时间戳t等数据,结合蓄电池领域专家给定的蓄电池特征数据,预测出车辆可以放置的最长时长,并将该消息推送给没有及时给蓄电池充电或者启动车辆的车主,该可支持的最长停车时长随着时间的变化是动态变化的,为此,能够较为精准地预测出启动车辆以给蓄电池充电的时机,给车主比较精准的指导,使车主避免了因蓄电池原因导致的无法启动发动机,提升了用户体验;同时,根据蓄电池领域专家知识,使用启动发动机的蓄电池临界状态特征,使预测更精准,可信度更高;利用蓄电池的历史数据,及时提醒用户为蓄电池充电(启动车辆),在很大程度上避免了蓄电池亏电情况的发生,培养用户良好的用车习惯,延长了蓄电池和整车的使用寿命;利用蓄电池的历史数据,获得蓄电池可支持的最长停车时长,该数据可以作为蓄电池健康状态的指标之一,为蓄电池领域的工程师提供蓄电池设计参考;利用蓄电池的历史数据,获得每辆车的蓄电池可支持的最长停车时长画像,为主机厂运营客户提供有利条件和技术支撑;利用蓄电池的历史数据,获得每辆车的蓄电池可支持的最长停车时长画像,为主机厂创建蓄电池特征提供停车时长维度,丰富主机厂整车零部件数据维度,为后续整车数字化提供数据支撑;预测车载蓄电池可支持的最长停车时长可适用于若再次延长停车时长可能会导致车载蓄电池无法启动车辆的车主。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种车载蓄电池可支持的停车时长预测方法,其特征在于,包括以下步骤:
采集车载蓄电池在第一预设时间段内的历史数据并对其进行数据预处理;
从预处理后的车载蓄电池的历史数据中提取车载蓄电池特征数据作为训练集;
基于所述训练集,采用机器学习进行训练挖掘出车辆的停车时长和车载蓄电池特征数据之间的关系,建立停车时长预测模型;
根据车载蓄电池临界状态数据和当前的蓄电池状态数据,基于停车时长预测模型预测出车载蓄电池可支持的最长停车时长。
2.根据权利要求1所述的车载蓄电池可支持的停车时长预测方法,其特征在于,所述机器学习为随机森林回归法。
3.根据权利要求1或2所述的车载蓄电池可支持的停车时长预测方法,其特征在于,
所述车载蓄电池的历史数据包括蓄电池soc、电流i、电压u、蓄电池内部温度T1、环境温度T2、蓄电池放电能力系数X和电池内阻R。
4.根据权利要求3所述的车载蓄电池可支持的停车时长预测方法,其特征在于,所述停车时长预测模型为:
Δt=f(Δsoc,Δi,Δu,X,R,aT1+aT2);
其中,△soc为第n个驾驶日最后一次启动车辆的最后一条数据的socn与第n+1个驾驶日第一次启动车辆的第一条数据的socn+1之差;
△u为第n个驾驶日最后一次启动车辆的最后一条数据的电压un与第n+1个驾驶日第一次启动车辆的第一条数据的电压un+1之差;
△i为第n个驾驶日最后一次启动车辆的最后一条数据的电流in与第n+1个驾驶日第一次启动车辆的第一条数据的电流in+1之差;
X、R和aT1+bT2分别为第n个驾驶日最后一次启动车辆的最后一条数据中的蓄电池放电能力系数X、电池内阻R和aT1+bT2,其中,T1是蓄电池内部温度,T2是环境温度,a和b是自适应调解系数。
5.根据权利要求4所述的车载蓄电池可支持的停车时长预测方法,其特征在于,车载蓄电池特征数据包括第一车载蓄电池特征数据、第二车载蓄电池特征数据和第三车载蓄电池特征数据;
所述第一车载蓄电池特征数据包括:(△soc,△i,△u)=(第n个驾驶日最后一次启动车辆的最后一条数据的socn、in、un)-(第n+1个驾驶日第一次启动车辆的第一条数据的socn+1、in+1、un+1);
所述第二车载蓄电池特征数据包括:第n个驾驶日最后一次启动车辆的最后一条数据中的蓄电池放电能力系数X、电池内阻R、aT1+bT2;
所述第三车载蓄电池特征数据包括:蓄电池放置时长△t=第n+1个驾驶日第一次启动车辆的第一条数据的时间戳-第n个驾驶日最后一次启动车辆的最后一条数据的时间戳。
6.根据权利要求4所述的车载蓄电池可支持的停车时长预测方法,其特征在于,所述根据车载蓄电池临界状态数据和当前的蓄电池状态数据,基于停车时长预测模型预测出车载蓄电池可支持的最长停车时长,具体步骤包括:
采集当前的蓄电池状态数据和电池临界状态数据计算出△soc、△u、△i、X、R和aT1+bT2的值,当前的蓄电池状态数据包括当前即将停车时刻的车载蓄电池socx、电流ix、电压ux、蓄电池内部温度T1x、环境温度T2x、放电能力系数Xx和电池内阻Rx;所述电池临界状态数据包括临界状态的车载蓄电池的socL、电流iL和电压uL,其中,socL、iL和uL为定值;可得,Δsoc=socx-socL,Δu=ux-uL,Δi=ix-iL,X=Xx,R=Rx,aT1+aT2=aT1x+bT2x;
将Δsoc=socx-socL,Δu=ux-uL,Δi=ix-iL,X=Xx,R=Rx,aT1+aT2=aT1x+bT2x代入停车时长预测模型中,即可预测出车载蓄电池可支持的最长停车时长。
7.根据权利要求1所述的车载蓄电池可支持的停车时长预测方法,其特征在于,所述数据预处理包括对车载蓄电池的历史数据中存在的大量空值进行填充和删除。
8.根据权利要求7所述的车载蓄电池可支持的停车时长预测方法,其特征在于,所述对车载蓄电池的历史数据中存在的大量空值进行填充和删除,具体包括以下步骤:
行程定义:若相邻两条记录的时间>5min,则认为这两条记录分属两个不同的行程;
行程划分:对每辆车的数据按照上述行程定义进行行程划分;
记录合并:假设车载蓄电池在第一预设时间段内的历史数据为数据D,若数据D中出现时间戳相同的记录,则将相同时间戳的多条记录合并成一条记录,并生成新的数据集D1;
行程划分:将数据集D1按照时间戳升序排列生成数据集D2,对于D2中相邻的两条记录,若后一条记录的时间戳与前一条记录时间戳的差值为5min,则认为该两条记录分属两个不同的行程,并对该两个不同的行程分别进行标注,否则认为该两条记录属于同一个行程,并对该两条记录的行程标注一致,生成新数据集D3;
缺失值处理:对于新数据集D3,首先获取行程列表L,对于同一个行程中出现缺失值的字段,用前一条记录对应字段的值填充,不同行程中的记录则不适用,生成新数据集D4,删除D4中有空值的记录,并将D4中的时间戳转化为时间,生成新数据集D5,数据集D5即为经过预处理后的车载蓄电池的历史数据。
9.一种车载蓄电池可支持的停车时长预警方法,其特征在于,包括以下步骤:
采用如权利要求1至8任一所述的车载蓄电池可支持的停车时长预测方法预测出车载蓄电池可支持的最长停车时长;
然后将车载蓄电池能支持的最长停车时长发送到手机端和/或车机端提醒启动车辆给蓄电池充电。
10.根据权利要求9所述的车载蓄电池可支持的停车时长预警方法,其特征在于,所述将车载蓄电池能支持的最长停车时长发送到手机端和/或车机端提醒启动车辆给蓄电池充电,具体步骤包括:
在车辆熄火前,由车机端主动提醒车载蓄电池可支持的最长停车时长,若在第三预设时长内没有启动车辆,则由手机端在第二预设时长内在每天定点提醒启动车辆给车载蓄电池充电,其中,车载蓄电池可支持的最长停车时长=第二预设时长+第三预设时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753023.5A CN111896883A (zh) | 2020-07-30 | 2020-07-30 | 一种车载蓄电池可支持的停车时长预测方法及预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010753023.5A CN111896883A (zh) | 2020-07-30 | 2020-07-30 | 一种车载蓄电池可支持的停车时长预测方法及预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111896883A true CN111896883A (zh) | 2020-11-06 |
Family
ID=73182708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010753023.5A Pending CN111896883A (zh) | 2020-07-30 | 2020-07-30 | 一种车载蓄电池可支持的停车时长预测方法及预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111896883A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN115291111A (zh) * | 2022-08-03 | 2022-11-04 | 苏州清研精准汽车科技有限公司 | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09329652A (ja) * | 1996-06-07 | 1997-12-22 | Hitachi Ltd | 蓄電池放電可能時間予測演算装置 |
JP2005037232A (ja) * | 2003-07-14 | 2005-02-10 | Furukawa Battery Co Ltd:The | 蓄電池の放電残時間推定方法 |
CN103986831A (zh) * | 2014-05-19 | 2014-08-13 | 可牛网络技术(北京)有限公司 | 一种移动终端电池可用时长的预测方法及装置 |
CN108072848A (zh) * | 2018-01-31 | 2018-05-25 | 胡继业 | 预估蓄电池放电时长的分析方法 |
CN109740802A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
DE102019127482A1 (de) * | 2018-10-30 | 2020-04-30 | Toyota Jidosha Kabushiki Kaisha | Steuereinrichtung |
-
2020
- 2020-07-30 CN CN202010753023.5A patent/CN111896883A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09329652A (ja) * | 1996-06-07 | 1997-12-22 | Hitachi Ltd | 蓄電池放電可能時間予測演算装置 |
JP2005037232A (ja) * | 2003-07-14 | 2005-02-10 | Furukawa Battery Co Ltd:The | 蓄電池の放電残時間推定方法 |
CN103986831A (zh) * | 2014-05-19 | 2014-08-13 | 可牛网络技术(北京)有限公司 | 一种移动终端电池可用时长的预测方法及装置 |
CN108072848A (zh) * | 2018-01-31 | 2018-05-25 | 胡继业 | 预估蓄电池放电时长的分析方法 |
DE102019127482A1 (de) * | 2018-10-30 | 2020-04-30 | Toyota Jidosha Kabushiki Kaisha | Steuereinrichtung |
CN109740802A (zh) * | 2018-12-24 | 2019-05-10 | 斑马网络技术有限公司 | 蓄电池亏电预测处理方法、装置、设备以及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
孔伟伟 等: "汽车蓄电池管理方法的研究", 《汽车工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113884961A (zh) * | 2021-09-23 | 2022-01-04 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
WO2023045790A1 (zh) * | 2021-09-23 | 2023-03-30 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN113884961B (zh) * | 2021-09-23 | 2023-09-19 | 中国第一汽车股份有限公司 | Soc校准方法、建模方法、建模装置、计算机设备及介质 |
CN115291111A (zh) * | 2022-08-03 | 2022-11-04 | 苏州清研精准汽车科技有限公司 | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
CN115291111B (zh) * | 2022-08-03 | 2023-09-29 | 苏州清研精准汽车科技有限公司 | 电池静置时间预测模型的训练方法以及静置时间预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5343168B2 (ja) | 電池の劣化度を取得するための方法及びそのシステム | |
CN102882247B (zh) | 数据收集方法以及数据收集系统 | |
CA2951583C (en) | System and method for recommending charging station for electric vehicle | |
CN101354432B (zh) | 电池性能监控 | |
US7521935B2 (en) | Powertrain battery life predicting and warning apparatuses | |
CN110873841B (zh) | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 | |
Bolovinou et al. | Online prediction of an electric vehicle remaining range based on regression analysis | |
CN101750584B (zh) | 电动车用电池组信息即时计算方法及用该方法的电动车辆 | |
EP3796014A1 (en) | Battery control device, charge and discharge system, parking lot system, secondary battery reuse system, battery control method, and battery control program | |
CN101903786B (zh) | 基于远程信息处理的用于车队的电池寄生负载确认的方法和系统 | |
CN111896883A (zh) | 一种车载蓄电池可支持的停车时长预测方法及预警方法 | |
CN103620907A (zh) | 充放电辅助装置 | |
CN110703118B (zh) | 一种用于车载电池寿命预测的该地区普适性电池运行工况提取的方法 | |
JP2014013245A (ja) | 電池劣化度モデルの生成及び更新方法 | |
CN111126880A (zh) | 一种用户画像生成方法、装置及设备 | |
KR20220012236A (ko) | 이차 전지의 내부 저항의 추정 방법 및 이차 전지의 이상 검지 시스템 | |
US20230286415A1 (en) | Computing system, battery deterioration predicting method, and battery deterioration predicting program | |
EP4257410A1 (en) | Systems, devices, and methods for range estimation in battery powered vehicles | |
CN113954688B (zh) | 一种电动汽车续驶里程估算方法及系统 | |
CN116338460B (zh) | 基于多参数分析的新能源汽车电池余量鉴定系统 | |
CN113611902B (zh) | 一种氢燃料电池车总剩余能量的计算方法及装置 | |
US20220219565A1 (en) | Battery control system, battery control method, battery control program, and vehicle | |
CN117783909A (zh) | 续航趟次衰减诊断方法及装置 | |
JP2022117137A (ja) | 情報処理装置、情報処理方法及び情報処理システム | |
Staudt et al. | Applying Data Reduction Methods to Battery Degradation Prediction Models for 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201106 |