CN111929588B - 基于极限学习机的充电安全监测方法、设备及系统 - Google Patents
基于极限学习机的充电安全监测方法、设备及系统 Download PDFInfo
- Publication number
- CN111929588B CN111929588B CN202010904773.8A CN202010904773A CN111929588B CN 111929588 B CN111929588 B CN 111929588B CN 202010904773 A CN202010904773 A CN 202010904773A CN 111929588 B CN111929588 B CN 111929588B
- Authority
- CN
- China
- Prior art keywords
- charging
- current
- planning
- learning machine
- extreme 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.)
- Active
Links
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Abstract
本发明涉及一种基于极限学习机的充电安全监测方法,利用极限学习机来给出充电安全系数,可以有效的根据电池健康状态对专家系统的诊断结果做出不同的判断;同时根据行程进行线路规划,并充分考虑充电站、充电桩的可靠性,使得选择的路线,具有更强的适应性,有效的解决了用户寻找充电站、以及相匹配的充电桩的困扰。
Description
技术领域
本发明涉及属于机器学习领域和故障诊断领域,具体涉及一种基于极限学习机的充电安全监测方法。
背景技术
近年来,随着国际能源供应的持续紧张、原油价格的持续上涨以及全球环境保护呼声的日益高涨,新能源汽车的技术研发和产业发展受到越来越多的重视。全球很多发达国家将在5到20年内禁售燃油车,同时很多大型车企也将在 2019年开始陆续停产燃油车,发展新能源汽车成为当今世界汽车行业的必然选择。新能源汽车绝大多数为电动汽车,而充电系统为电动汽车的动力能源补给提供保障。随着电动汽车的普及,充电时动力电池的热失控频频发生。因此,充电系统安全保护机制具有重要实际意义。
传统的充电安全保护机制是根据电动汽车的电池管理系统(BMS),BMS作为电动汽车中最关键的汽车零部件之一,是实时监测动力电池组的充放电,SOC估计,热管理等。BMS对整车的动力性,经济性,续航里程起着决定性的作用,是电动车安全防护机制的关键。
目前,每个品牌甚至每个车型的BMS各不相同,对SOC估计和热管理能力有较大的差别。然而,目前通用充电桩都是被动供电,完全是由电动汽车的BMS 决定。随着动力电池的老化,BMS各个功能也会下降,尤其是SOC估计,这将导致充电过程中的安全隐患急剧上升。因此,动力电池充电系统的异常检测方法尤为重要。同时现有的充电安全监测方法中,无法做到路径的提前规划,导致无法及时的获取可靠性高的充电站/充电桩,同时也未考虑充电站以及充电桩的性能,由此导致了充电效率的降低;而且,现有技术中,车主为了尽快查找合适的充电桩通常处于较为紧张的状态,缺少趣味性。
发明内容
为解决上述问题,本发明结合了机器学习方法的优势与专家系统的优势,利用极限学习机来给出充电安全系数,可以有效的根据电池健康状态对专家系统的诊断结果做出不同的判断;同时根据行程进行线路规划,并充分考虑充电站、充电桩的可靠性,使得选择的路线,具有更强的适应性、可靠性,有效的解决了用户寻找充电站、以及相匹配的充电桩的困扰。
本发明解决其技术问题所采用的技术方案是:
一种基于极限学习机的充电安全监测方法,其特征在于,包括以下步骤:
步骤1,从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据;
步骤2,取出历史报文数据中动力电池健康相关的数据,包括最高温度、最高电压、最低电压和电池;
步骤3,利用极限学习机预测充电安全系数K;
步骤4,采集实时报文数据;
步骤5,取出实时报文数据中的电流和SOC;
步骤6,判断电流是否快速下降且电流下降时的SOC小于70%;
步骤7,再采集后续5次报文数据中的电流;
步骤8,判断电流是否有大幅度增加且电流最小值是否为零;
步骤9,判断正在充电的新能源汽车的充电安全系数是否小于0.8;
步骤10,满足上述条件立即停止充电。
其中,所述步骤3包括:
把最低电压、最高电压、最低温度和最高温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,极限学习机对应的连续的目标函数为 f(xi),给定所构造的网络的激励函数g(xi),ELM的模型的数学表达为:
其中,j=1,2,…,n;网络输入权重向量wi表示输入节点与隐含层节点的权重;bi为隐含层节点的阈值;隐含层节点的参数wi与bi是在值域为[-1,1]中随机取值的;网络输出权重向量βi表示隐含层节点与输出层节点的权重;i=1,2,…, L;
在用户完成一次较长充电后,将此次充电报文放入训练好的极限学习机中,预测其充电安全系数K,并更新用户个人健康档案中充电安全系数,用于下次充电安全监测。
其中,当对新能源汽车进行充电前,还包括充电路径的规划;其中,所述充电路径的规划包括:
1)实时获取剩余电量E以及新能源汽车的当前位置;
2)当E低于第一预设阈值时,计算当前位置到附近的至少两个充电站的距离D,以及从当前位置到达各个充电站的拥堵等级M;
3)当满足条件E/V≤2.5MD时,计算至少两个充电站的优先属性P;其中,所述至少两个充电站满足N/N车大于第二阈值,第二阈值由拥堵系数决定(拥堵系数越高,第二阈值越大);其中,所述优先属性根据当前的拥堵等级M、充电站空闲充电桩的数量N及其可靠性,以及充电桩周围新能源汽车的数量N车决定,即其中,a、b为常系数,N+为空闲的N个充电桩中,可靠性指数大于特定阈值的充电桩的个数,E是指当前的剩余电量,V是指非拥堵状态下行驶单位距离的消耗的最大电量。
其中,所述方法还包括路径规划的步骤;所述路径规划步骤包括:
获取行程的起点、终点以及SOC、预估续航里程;
根据行程的起点、终点以及SOC进行行车路线的规划;
所述规划的行车路线包括至少两个充电站,且所述至少两个充电站满足以下条件:
1)充电站内,可靠性指数大于特定阈值的充电桩个数占总数的50%以上;
2)到充电站的距离小于预估续航里程的2/3。
本发明的有益效果是,本发明提供了一种基于极限学习机的充电安全监测方法,利用极限学习机来给出充电安全系数,可以有效的根据电池健康状态对专家系统的诊断结果做出不同的判断;同时根据行程进行线路规划,并充分考虑充电站、充电桩的可靠性,使得选择的路线,具有更强的适应性,有效的解决了用户寻找充电站、以及相匹配的充电桩的困扰。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的基于极限学习机的充电安全监测方法的流程图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
为使本发明的目的、技术方案和优点更清楚的表达出来,下面结合附图及具体实例对本发明进一步的详细说明;
本发明提供了一种基于极限学习机的充电安全监测方法,该方法包括:
步骤1,从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据;其中,新能源汽车的用户在公司的充电桩充电时会产生符合国标《GBT 27930-2015电动汽车非车载传导式充电机与电池管理系统之间的通信协议》的新能源车与充电桩之间的通讯报文;
充电桩会根据公司与充电桩企业签订的协议来筛选部分通讯报文发送到公司的云平台中,并存入数据库,数据库中的报文均为历史报文数据;
步骤2,取出报文中动力电池健康相关的数据,包括最高温度、最高电压、最低电压和电池的不一致性等信息;
其中,把取出来的数据按类分成数据集,然后,每个数据集进行归一化处理,使其值域在[0,1],归一化的公式为:
其中,amin为数据集中最小值,amax为数据集中最大值;
步骤3,利用通过极限学习机预测充电安全系数K;
其中,极限学习机有输入层,隐含层和输出层三部分,训练前根据训练集确定好隐含层节点数,在整个训练过程中只需要为输入权值和隐含层偏置随机赋值,训练过程不需要迭代,且得到最优解,大大减少了训练时间;用于训练极限学习机的输入数据为最低电压、最高电压、最低温度和最高温度,输出数据为SOH;神经网络训练的数据来源于尽可能多的车型和用户,使得训练之后的神经网络具备较强通用性;极限学习机的训练过程为离线程序,只有在定期维护或出现大量错误时才会重新训练极限学习机的权值;
具体过程涉及:把最低电压、最高电压、最低温度和最高温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,极限学习机对应的连续的目标函数为f(xi),给定所构造的网络L个隐含层节点和隐含层节点的激励函数g(xi),由于存在βi、wi和bi,可以使得SLFNs以0误差逼近n个样本,ELM的模型的数学表达为:
其中,j=1,2,…,n;网络输入权重向量wi表示输入层节点与隐含层节点的权重,在具体实施时,其具体可以为输入层节点与第i个隐含层节点之间的连接权值向量;bi为隐含层节点的阈值;隐含层节点的参数wi与bi是在值域为[-1,1] 中随机取值的;网络输出权重向量βi表示隐含层节点与输出层节点的权重,在具体实施时,其具体可以是输出层节点与第i个隐含层节点的偏置;i=1,2,…, L。
极限学习机训练好之后,将应用于汽车的充电安全系数预测,具体预测过程如下:
在用户完成一次较长充电后,将此次充电报文放入训练好的极限学习机中,预测其充电安全系数K,输出SOH即为安全系数K,并更新用户个人健康档案中充电安全系数,用于下次充电安全监测;
步骤4,采集实时报文数据;
步骤5,取出报文的中的电流和SOC;
步骤6,判断电流是否快速下降且电流下降时的SOC小于70%;其中步骤6 中判断电流是否快速下降且电流下降时的SOC小于70%,观察成千上万次完整的充电过程中首次电流正常突变时的SOC绝大部分大于70%,因此,将此次判断的阈值设为70%。
步骤7,再采集后续5次报文的电流;
步骤8,判断电流是否有大幅度增加且电流最小值是否为零;其中步骤8中判断电流是否有大幅度增加且电流最小值是否为零,观察成千上万次完整的充电过程中,发现数量较多且种类繁多的毛刺数据,因此,设计步骤8来有效的过滤毛刺数据。
步骤9,判断正在充电的新能源汽车的充电安全系数K是否小于0.8;其中步骤9中判断正在充电的新能源汽车的充电安全系数是否小于0.8,由于训练极限学习机的输出数据为SOH,因此,将步骤9的阈值设为0.8。
步骤10,上述判断条件均满足时立即停止充电。
其中,步骤4-10为在线程序,且处理的时间为分钟级;
每当一个充电桩与新能源汽车握手成功之后并且产生第一条充电报文开始,就要启动在线程序。
其中,当对新能源汽车进行充电前,还包括充电路径的规划;其中,所述充电路径的规划包括:
1)实时获取剩余电量E以及新能源汽车的当前位置;
2)当E低于第一预设阈值(其取值可以根据实际的位置以及历史数据进行确定,根据当前路段的拥塞等级,通过该路段的历史使用时间进行统计分析,以确定该动态的第一预设阈值,即不同的时间点采用不同的第一预设阈值)时,计算当前位置到附近的至少两个充电站的距离D,以及从当前位置到达各个充电站的拥堵等级M;现有技术中常见的使用颜色表示拥堵等级,此处本发明将其进行量化,正常非拥堵情况下为1,当拥堵加重时,依次增加一个量级如1,由此得到各个颜色对应的量化值。
3)当满足条件E/V≤2.5MD时,计算至少两个充电站的优先属性P;其中,所述至少两个充电站满足N/N车大于第二阈值,第二阈值由拥堵系数决定(拥堵系数越高,第二阈值越大,即对于不同时间段因拥堵系数的不同,选用不同的第二阈值);其中,所述优先属性根据当前的拥堵等级M、充电站空闲充电桩的数量N及其可靠性,以及充电桩周围新能源汽车的数量N车决定,即 其中,a、b为常系数,N+为空闲的N个充电桩中,可靠性指数大于特定阈值的充电桩的个数,E是指当前的剩余电量,V是指非拥堵状态下行驶单位距离的消耗的最大电量。其中,充电桩的可靠性可以通过充电桩的故障率、与电池的匹配度、平均故障间隔时间MTBF等参数中的至少一个进行确定
4)选择优先属性P最高的充电站和/或充电站中相匹配的充电桩,然后获取到达该充电站的最佳路线。
在充电前进行充电路径的规划,车辆在检测到其满足特定的条件 E/V≤2.5MD时,选择合适的充电站以及充电桩,然后及时的提醒用户车辆状态,然后将匹配得到的充电站和充电桩信息反馈至车主,以便车主及时的发现电量不足,并获取充电站和充电桩的信息,然后行驶至对应的充电站进行充电。而且,在充电站的选择过程中,充分考虑到充电站周围的信息以及充电桩的信息,提高了车主选择充电桩的便利性。优选的,向车主反馈的信息,还可以包括相匹配的充电桩的信息,并根据车主的确认信息建立与充电桩的预约信息,使得车主直接行使到对应的充电桩进行充电。其中,预约信息包括预约时段,保证车主得到及时的服务;同时设置信用评价机制,当车主在预约时段未进行充电时,则取消其充电桩的预约资格;由此防止了无效预约给其他车主带来的不便。
其中,所述方法还包括路径规划的步骤;所述路径规划步骤包括:
获取行程的起点、终点以及SOC、预估续航里程;
根据行程的起点、终点以及SOC进行行车路线的规划;
所述规划的行车路线包括至少两个充电站,且所述至少两个充电站满足以下条件:
1)充电站内,可靠性指数大于特定阈值的充电桩个数占总数的50%以上;
2)到充电站的距离小于预估续航里程的2/3。
优选的,当车主接收到规划的线路时,还可以选择途经点,进行线路的切割,以途经点和充电站作为线路的分割点进行线路的规划,提高了车主出游的趣味性,及多样性。
本发明在出发前,通过路径的规划,能够做到线路的提前规划,由此能够防止电量不足时,寻找充电站的困扰。
通过路径的提前规划以及充电桩的选择,然后再进行充电的安全监测,不仅保证了车主能够在电量不足时,及时的获取可靠的充电设备,同时,提高了充电的安全性,降低了充电监测过程中不稳定性,提高了充电安全监测的效率。
本发明提供了一种基于极限学习机的充电安全监测方法,利用极限学习机来给出充电安全系数,可以有效的根据电池健康状态对专家系统的诊断结果做出不同的判断;同时根据行程进行线路规划,并充分考虑充电站、充电桩的可靠性,使得选择的路线,具有更强的适应性,有效的解决了用户寻找充电站、以及相匹配的充电桩的困扰。
本发明还提供了检测设备、系统,以及计算机可读存储介质;其中,一种基于极限学习机的充电安全监测设备,所述设备包括:
第一获取模块,用于从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据;
第二获取模块,用于取出历史报文数据中动力电池健康相关的数据,包括最低温度、最高温度、最高电压和最低电压;
预测模块,用于利用极限学习机预测充电安全系数K;
第一采集模块,用于采集实时报文数据;
取出模块,用于取出实时报文数据中的电流和SOC;
第一判断模块,用于判断电流是否快速下降且电流下降时的SOC小于70%;
第二采集模块,用于再采集后续5次报文数据中的电流;
第二判断模块,判断电流是否有大幅度增加且电流最小值是否为零;
第三判断模块,用于判断正在充电的新能源汽车的充电安全系数是否小于 0.8;
控制模块,用于在满足上述判断的条件时立即停止充电。
其中,所述预测模块用于:
把最低电压、最高电压、最低温度和最高温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,极限学习机对应的连续的目标函数为 f(xi),给定所构造的网络的隐含层节点的激励函数g(xi),ELM的模型的数学表达为:
其中,j=1,2,…,n;wi为网络输入权重向量;bi为隐含层节点的阈值;隐含层节点的参数wi与bi是在值域为[-1,1]中随机取值的;网络输出权重向量βi表示隐含层节点与输出层节点的权重;i=1,2,…,L;
在用户完成一次较长充电后,将此次充电报文放入训练好的极限学习机中,预测其充电安全系数K,并更新用户个人健康档案中充电安全系数。
所述设备还包括第一规划模块,用于对新能源汽车进行充电前,进行充电路径的规划;其中,所述充电路径的规划包括:
1)实时获取剩余电量E以及新能源汽车的当前位置;
2)当E低于第一预设阈值时,计算当前位置到附近的至少两个充电站的距离D,以及从当前位置到达各个充电站的拥堵等级M;
3)当检测到满足条件E/V≤2.5MD时,计算至少两个充电站的优先属性P;其中,所述至少两个充电站满足N/N车大于第二阈值,第二阈值由拥堵系数决定;其中,所述优先属性根据当前的拥堵等级M、充电站空闲充电桩的数量N及其可靠性,以及充电桩周围新能源汽车的数量N车决定,即其中, a、b为常系数,N+为空闲的N个充电桩中,可靠性指数大于特定阈值的充电桩的个数,E是指当前的剩余电量,V是指非拥堵状态下行驶单位距离消耗的最大电量;
4)根据优先属性确定充电路径。
所述设备还包括第二规划模块,用于执行路径规划的步骤;所述路径规划步骤包括:
获取行程的起点、终点以及汽车的SOC、预估续航里程;
根据行程的起点、终点以及SOC进行行车路线的规划;
所述规划的行车路线包括至少两个充电站,且所述至少两个充电站满足以下条件:
1)充电站内,可靠性指数大于特定阈值的充电桩个数占总数的50%以上;
2)到充电站的距离小于预估续航里程的2/3。
本发明还提供了一种基于极限学习机的充电安全监测系统,所述系统包括:
存储器,其用于存储程序指令;
处理器,其与存储器相连,用于调用存储器中的指令以实现上述的方法。
优选的,本发明还可以涉及包括上述设备的系统。
本发明还提供了一种计算机可读存储介质,其存储有程序指令,当所述指令被处理器执行,实现上述的方法。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (8)
1.一种基于极限学习机的充电安全监测方法,其特征在于,包括以下步骤:
步骤1,从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据;
步骤2,取出历史报文数据中动力电池健康相关的数据,包括最低温度、最高温度、最高电压和最低电压;
步骤3,利用极限学习机预测充电安全系数K;
步骤4,采集实时报文数据;
步骤5,取出实时报文数据中的电流和SOC;
步骤6,判断电流是否快速下降且电流下降时的SOC小于70%;
步骤7,再采集后续5次实时报文数据中的电流;
步骤8,判断后续5次实时报文数据中的电流是否有大幅度增加且电流最小值是否为零;
步骤9,判断正在充电的新能源汽车的充电安全系数是否小于0.8;
步骤10,上述判断条件均满足时立即停止充电;
所述步骤3具体包括:
把最低电压、最高电压、最低温度和最高温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,极限学习机对应的连续的目标函数为f(xi),给定所构造的网络的隐含层节点的激励函数g(xi),ELM的模型的数学表达为:
其中,j=1,2,…,n;wi为网络输入权重向量;bi为隐含层节点的阈值;隐含层节点的网络输入权重向量wi与隐含层节点的阈值bi是在值域为[-1,1]中随机取值的;网络输出权重向量βi表示隐含层节点与输出层节点的权重;i=1,2,…,L;
在用户完成一次较长充电后,将此次充电报文放入训练好的极限学习机中,预测其充电安全系数K,输出的SOH即为充电安全系数K,并更新用户个人健康档案中充电安全系数。
2.如权利要求1所述的方法,其特征在于,当对新能源汽车进行充电前,还包括充电路径的规划;其中,所述充电路径的规划包括:
1)实时获取剩余电量E以及新能源汽车的当前位置;
2)当E低于第一预设阈值时,计算当前位置到附近的至少两个充电站的距离D,以及从当前位置到达各个充电站的拥堵等级M;
3)当检测到满足条件E/V≤2.5MD时,计算至少两个充电站的优先属性P;其中,所述至少两个充电站满足N/N车大于第二阈值,第二阈值由拥堵系数决定;其中,所述优先属性根据当前的拥堵等级M、充电站空闲充电桩的数量N及其可靠性,以及充电桩周围新能源汽车的数量N车决定,即其中,a、b为常系数,N+为空闲的N个充电桩中,可靠性指数大于特定阈值的充电桩的个数,E是指当前的剩余电量,V是指非拥堵状态下行驶单位距离消耗的最大电量;
4)根据优先属性确定充电路径。
3.如权利要求1所述的方法,其特征在于,所述方法还包括路径规划的步骤;所述路径规划步骤包括:
获取行程的起点、终点以及汽车的SOC、预估续航里程;
根据行程的起点、终点以及SOC进行行车路线的规划;
所述规划的行车路线包括至少两个充电站,且所述至少两个充电站满足以下条件:
1)充电站内,可靠性指数大于特定阈值的充电桩个数占总数的50%以上;
2)到充电站的距离小于预估续航里程的2/3。
4.一种基于极限学习机的充电安全监测设备,其特征在于,所述设备包括:
第一获取模块,用于从数据库里按车牌筛选出正在充电的新能源汽车的历史报文数据;
第二获取模块,用于取出历史报文数据中动力电池健康相关的数据,包括最低温度、最高温度、最高电压和最低电压;
预测模块,用于利用极限学习机预测充电安全系数K;
第一采集模块,用于采集实时报文数据;
取出模块,用于取出实时报文数据中的电流和SOC;
第一判断模块,用于判断电流是否快速下降且电流下降时的SOC小于70%;
第二采集模块,用于再采集后续5次实时报文数据中的电流;
第二判断模块,判断后续5次实时报文数据中的电流是否有大幅度增加且电流最小值是否为零;
第三判断模块,用于判断正在充电的新能源汽车的充电安全系数是否小于0.8;
控制模块,用于在上述判断条件均满足时立即停止充电;
所述预测模块具体用于:
把最低电压、最高电压、最低温度和最高温度归一化后的数据集合并成矩阵X,归一化后的SOH数据集记为矩阵Y,极限学习机对应的连续的目标函数为f(xi),给定所构造的网络的隐含层节点的激励函数g(xi),ELM的模型的数学表达为:
其中,j=1,2,…,n;wi为网络输入权重向量;bi为隐含层节点的阈值;隐含层节点的网络输入权重向量wi与隐含层节点的阈值bi是在值域为[-1,1]中随机取值的;网络输出权重向量βi表示隐含层节点与输出层节点的权重;i=1,2,…,L;
在用户完成一次较长充电后,将此次充电报文放入训练好的极限学习机中,预测其充电安全系数K,输出的SOH即为充电安全系数K,并更新用户个人健康档案中充电安全系数。
5.如权利要求4所述的设备,其特征在于,所述设备还包括第一规划模块,用于对新能源汽车进行充电前,进行充电路径的规划;其中,所述充电路径的规划包括:
1)实时获取剩余电量E以及新能源汽车的当前位置;
2)当E低于第一预设阈值时,计算当前位置到附近的至少两个充电站的距离D,以及从当前位置到达各个充电站的拥堵等级M;
3)当检测到满足条件E/V≤2.5MD时,计算至少两个充电站的优先属性P;其中,所述至少两个充电站满足N/N车大于第二阈值,第二阈值由拥堵系数决定;其中,所述优先属性根据当前的拥堵等级M、充电站空闲充电桩的数量N及其可靠性,以及充电桩周围新能源汽车的数量N车决定,即其中,a、b为常系数,N+为空闲的N个充电桩中,可靠性指数大于特定阈值的充电桩的个数,E是指当前的剩余电量,V是指非拥堵状态下行驶单位距离消耗的最大电量;
4)根据优先属性确定充电路径。
6.如权利要求4所述的设备,其特征在于,所述设备还包括第二规划模块,用于执行路径规划的步骤;所述路径规划步骤包括:
获取行程的起点、终点以及汽车的SOC、预估续航里程;
根据行程的起点、终点以及SOC进行行车路线的规划;
所述规划的行车路线包括至少两个充电站,且所述至少两个充电站满足以下条件:
1)充电站内,可靠性指数大于特定阈值的充电桩个数占总数的50%以上;
2)到充电站的距离小于预估续航里程的2/3。
7.一种基于极限学习机的充电安全监测系统,其特征在于,所述系统包括:
存储器,其用于存储程序指令;
处理器,其与存储器相连,用于调用存储器中的指令以实现权利要求1-3任一项所述的方法。
8.一种计算机可读存储介质,其存储有程序指令,当所述指令被处理器执行,实现权利要求1-3任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904773.8A CN111929588B (zh) | 2020-09-01 | 2020-09-01 | 基于极限学习机的充电安全监测方法、设备及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010904773.8A CN111929588B (zh) | 2020-09-01 | 2020-09-01 | 基于极限学习机的充电安全监测方法、设备及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111929588A CN111929588A (zh) | 2020-11-13 |
CN111929588B true CN111929588B (zh) | 2021-01-01 |
Family
ID=73308526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010904773.8A Active CN111929588B (zh) | 2020-09-01 | 2020-09-01 | 基于极限学习机的充电安全监测方法、设备及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111929588B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782588B (zh) * | 2020-12-30 | 2023-02-17 | 深圳市加码能源科技有限公司 | 一种基于lssvm的soc在线监测方法及其储存介质 |
CN113049976B (zh) * | 2021-04-27 | 2022-07-29 | 武汉理工大学 | 一种车辆电池健康状态评估方法及系统 |
CN115267589B (zh) * | 2022-09-26 | 2023-01-06 | 陕西汽车集团股份有限公司 | 一种电动汽车电池故障多参数联合诊断方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
CN102541010A (zh) * | 2012-01-06 | 2012-07-04 | 中国电力科学研究院 | 一种电动汽车监控系统及其控制方法 |
CN107380004A (zh) * | 2017-09-07 | 2017-11-24 | 苏州易信安工业技术有限公司 | 一种电动车辆电池管理方法、装置及系统 |
CN108649622A (zh) * | 2018-04-19 | 2018-10-12 | 南京邮电大学 | 一种电动汽车充电一体化安全预警保护方案 |
CN109367433A (zh) * | 2018-12-18 | 2019-02-22 | 安徽工程大学 | 一种具有动力电池健康状态检测和续航里程预测的智能充电桩及方法 |
CN109795363A (zh) * | 2019-02-19 | 2019-05-24 | 上海韧思能源科技有限公司 | 一种电动汽车充电监控装置 |
CN110174117A (zh) * | 2019-05-29 | 2019-08-27 | 国网浙江电动汽车服务有限公司 | 一种电动汽车充电路线规划方法 |
CN110515005A (zh) * | 2019-08-13 | 2019-11-29 | 上海欣诣科技有限公司 | 一种用于充电桩监测充电中的电动汽车的自燃预警系统 |
CN210733892U (zh) * | 2019-02-19 | 2020-06-12 | 上海韧思能源科技有限公司 | 一种电动汽车充电安全保护装置 |
WO2020127091A1 (en) * | 2018-12-21 | 2020-06-25 | Jt International Sa | Charger with battery state of health estimation |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
-
2020
- 2020-09-01 CN CN202010904773.8A patent/CN111929588B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102520366A (zh) * | 2011-12-23 | 2012-06-27 | 上海交通大学 | 电动车电池安全与健康评估系统及其方法 |
CN102541010A (zh) * | 2012-01-06 | 2012-07-04 | 中国电力科学研究院 | 一种电动汽车监控系统及其控制方法 |
CN107380004A (zh) * | 2017-09-07 | 2017-11-24 | 苏州易信安工业技术有限公司 | 一种电动车辆电池管理方法、装置及系统 |
CN108649622A (zh) * | 2018-04-19 | 2018-10-12 | 南京邮电大学 | 一种电动汽车充电一体化安全预警保护方案 |
CN109367433A (zh) * | 2018-12-18 | 2019-02-22 | 安徽工程大学 | 一种具有动力电池健康状态检测和续航里程预测的智能充电桩及方法 |
WO2020127091A1 (en) * | 2018-12-21 | 2020-06-25 | Jt International Sa | Charger with battery state of health estimation |
CN109795363A (zh) * | 2019-02-19 | 2019-05-24 | 上海韧思能源科技有限公司 | 一种电动汽车充电监控装置 |
CN210733892U (zh) * | 2019-02-19 | 2020-06-12 | 上海韧思能源科技有限公司 | 一种电动汽车充电安全保护装置 |
CN110174117A (zh) * | 2019-05-29 | 2019-08-27 | 国网浙江电动汽车服务有限公司 | 一种电动汽车充电路线规划方法 |
CN110515005A (zh) * | 2019-08-13 | 2019-11-29 | 上海欣诣科技有限公司 | 一种用于充电桩监测充电中的电动汽车的自燃预警系统 |
CN111366848A (zh) * | 2019-12-31 | 2020-07-03 | 安徽师范大学 | 一种基于pso-elm算法的电池健康状态预测方法 |
Non-Patent Citations (4)
Title |
---|
Modeling th Condition of Lithium Ion Batteries Using the Extreme Learning Machine;Alex Densmore等;《PES Power Africa Conference》;20161231;第184-188页 * |
基于GA-ELM模型的锂电池SOH预测;刘凯文等;《无线电通信技术》;20191231;第45卷(第3期);第248-252页 * |
基于改进型极限学习机的锂离子电池健康状态预测;史永胜等;《电子器件》;20200630;第43卷(第3期);第579-584页 * |
智能充电站管理系统设计与研究;段芃芃等;《计算机技术与发展》;20190630;第29卷(第6期);第200-204页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111929588A (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111929588B (zh) | 基于极限学习机的充电安全监测方法、设备及系统 | |
CN111369329B (zh) | 基于区块链的电动汽车电池管理系统、租赁及运维方法 | |
US10613149B2 (en) | Managing apparatus, computer-readable storage medium, management method and production method | |
CN108629663B (zh) | 一种电动汽车电池共享系统 | |
WO2022076146A1 (en) | Supplying power to an electric vehicle | |
US9217779B2 (en) | Method and system for obtaining degradation of battery using degradation model and parameters related to the degradation | |
CN112519631B (zh) | 电池控制装置、充放电系统、停车场系统、二次电池再利用系统、电池控制方法及存储介质 | |
KR20210149626A (ko) | 배터리 서비스 제공 시스템 및 방법 | |
CN112101597A (zh) | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 | |
CN116385032B (zh) | 一种新能源二手车电池健康评估方法及其装置 | |
CN116700296A (zh) | 基于深度学习的自主充电无人电动车智能规划方法及系统 | |
JP2014013245A (ja) | 電池劣化度モデルの生成及び更新方法 | |
CN111832778A (zh) | 一种客车换电提醒预约系统及方法 | |
US20230011148A1 (en) | System and method of monitoring battery | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN113335125A (zh) | 车辆充电方法、装置、系统、充电模型训练方法 | |
CN112765726A (zh) | 一种寿命预测方法及装置 | |
CN112836174A (zh) | 一种基于ahp的实时充电安全评估方法及存储介质 | |
CN112498164A (zh) | 充电策略的处理方法和装置 | |
CN116451949A (zh) | 一种基于云平台的换电智能监控管理系统 | |
JP7294736B2 (ja) | バッテリーのリースシステム | |
US11573271B1 (en) | Battery fault detection | |
CN115238983A (zh) | 一种基于bp神经网络的充电安全状态评估方法及系统 | |
US20240127327A1 (en) | Method of leasing power storage, computer apparatus, and lease system | |
CN116101087B (zh) | 一种电动车增程系统 |
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 |