CN112098869B - 一种基于大数据的自适应电动汽车soc估计方法 - Google Patents
一种基于大数据的自适应电动汽车soc估计方法 Download PDFInfo
- Publication number
- CN112098869B CN112098869B CN202010966248.9A CN202010966248A CN112098869B CN 112098869 B CN112098869 B CN 112098869B CN 202010966248 A CN202010966248 A CN 202010966248A CN 112098869 B CN112098869 B CN 112098869B
- Authority
- CN
- China
- Prior art keywords
- soc
- value
- energy consumption
- formula
- coefficients
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据的自适应电动汽车SOC估计方法,通过从车上预先采集到车辆各时刻时间、经度、纬度、SOC值、车速、里程表总里程值、电池包输出总电流和电池包输出总电压作为训练数据集,根据训练数据集中的时间、速度、经纬度、电流和电压值计算出加速度、距离、能耗值,再将特征速度、加速度、距离以及因变量能耗值用于构建极度随机决策树模型,再由里程表总里程值和能耗值以及SOC值得到基于里程和能耗的SOC预测模型,从而由基于里程和能耗的SOC预测模型根据遗传算法得到最终的SOC预测模型,每隔T时间,模型会更新训练数据集中的数据,从而达到自适应预测的效果。
Description
技术领域
本发明涉及电动汽车SOC估计领域,具体的说是一种基于大数据的自适应电动汽车SOC估计方法。
背景技术
近年来,随着锂离子电池技术的迅猛发展,电动汽车的地位与日俱增。但由于锂离子电池的荷电状态(SOC)呈现明显的非线性和时变性等特征,因此SOC的预测问题一直是电动汽车领域中的重点和难点,由于缺乏预测长时间跨度的SOC的手段,因此往往会出现驾驶员里程焦虑现象。且长时间跨度的SOC预测对智能交通,无人驾驶等方面也有着重要的意义。
目前,实现对SOC估计的常用方法主要有以下三种:第一种是以安培积分法、开路电压法、查表法等为代表的完全基于电池模型的估计方法;第二种是以粒子滤波、无迹卡尔曼滤波、拓展卡尔曼滤波等为代表的递归类方法;第三种是以支持向量机、神经网络等为代表的机器学习方法。但其都存在各自的缺点与不足。在使用第一种完全基于电池模型的估计方法时,此类方法随着预测时间跨度的增长,其误差会渐渐累积,因此预测结果可能会有较大的误差;递归类算法依赖于电池模型,并且随着单次预测时间跨度的增长预测正确率显著下降,递归类算法在计算的过程中其不确定性可能会不断积累,可能会严重影响结果甚至导致算法发散;第三类机器学习方法不足之处在于需要大量的数据支持,计算量较大,且算法模型并不容易被训练好。
发明内容
本发明为解决技术问题存在的不足之处,提供一种基于大数据的自适应电动汽车SOC估计方法,以期通过汽车在以往行驶中产生的大数据能准确地在车辆尚未到达终点时预估到达终点的SOC值,从而满足车辆控制、无人驾驶、路径规划、智能交通等方面的需求。
为解决上述技术问题,本发明是采用如下技术方案实现:
本发明一种基于大数据的自适应电动汽车SOC估计方法的特点是按如下步骤进行;
步骤1、计算加速度、距离以及能耗值:
步骤1.1、在汽车上通过传感器以时间t为周期采集经度、纬度、SOC值、车速、里程表总里程值、电池包输出总电流和电池包输出总电压作为训练数据集;其中,第i个时间周期ti所采集的数据记为:第i个经度αi、第i个纬度βi、第i个时间周期ti的SOC值、第i个车速vi、里程表总里程值、第i个输出总电流ii和第i个输出总电压ui;
步骤1.2、利用式(1)得到第i个加速度ai:
式(1)中,当i=1时,令vi-1=vi;
利用式(2)得到第i个距离Si:
Si=Rcos[cosβicosβi-1cos(αi-αi-1)+sinβisinβi-1] (2)
式(2)中,R为地球半径,当i=1时,令βi-1=βi,令αi-1=αi;
利用式(3)得到第i个能耗值Ei:
式(3)中,ii表示第i个电流值,当i=1时,令ii-1=ii,令ui-1=ui;
步骤2、从训练数据集中抽取T时间的车速、加速度、距离以及能耗值用于构建极限随机决策树模型,其中,车速、加速度、距离作为特征,能耗值作为因变量;
步骤3、基于能耗的SOC预测模型:
步骤3.1、定义单个SOC区间为时间相邻且SOC值未发生变化的数据段;其中,SOC值的取值范围为0-100且为整数;
步骤3.2、分别计算训练数据集中所有的单个SOC区间内的能耗和,并将SOC值相同的能耗和归为一类后,得到各个SOC值所对应的能耗和集合;
步骤3.3、取各个SOC值所对应的能耗和集合的中位数作为相应SOC值对应的能耗和的代表;
步骤3.4、将初始SOC值记为SOC0,由所述极限随机决策树预测得到能耗和W,并一同输入式(7)中,从而根据式(7)得到基于能耗的SOC预测结果为SOCE=i;
式(7)中,Wj为SOC值为j时所对应的能耗和的代表;
步骤4、基于里程的SOC值预测模型:
步骤4.1、分别计算训练数据集中所有的单个SOC区间内的行驶里程值,并将SOC值相同的行驶里程值归为一类后,得到各个SOC值所对应的行驶里程值集合;
步骤4.2、取各个SOC值所对应的行驶里程值集合的中位数作为相应SOC对应的行驶里程值的代表;
步骤4.3、将测试集的初始SOC值记为SOC0并作为起点,将起点与终点间的行驶里程值记为M0,并一同输入式(8),从而根据式(8)得到基于里程的SOC预测结果为SOCM=k:
式中,Mj为SOC值为j时的行驶里程值的代表;
步骤5、利用式(9)建立最终SOC值的预测模型SOClast,以实现最终的SOC值预测:
SOClast=aSOCE+bSOCM (9)
式(9)中,a和b分别为基于能耗的预测结果SOCE和基于里程的预测结果SOCM的置信系数;
本发明所述的基于大数据的自适应电动汽车SOC估计方法的特点是,所述步骤5中的置信系数a和b是按如下步骤确定;
步骤5.1、在约束条件LB≤a+b≤UB内随机选择L组置信系数a和b,其中,将置信系数a和b以A位二进制形式表示,设置LB为A位二进制数全为0的下限,UB为A位二进制数全为1的上限,并得到包含A行2L列的置信系数矩阵:其中,为第L组a中第A位的二进制数;为第L组b中第A位的二进制数。
步骤5.2、从训练数据集中选取行驶里程差值均为m的n组数据,并由n组数据得到n组实际结果将各组数据中的SOC初值、能耗和以及里程差值分别带入式(7)和式(8),得到n组基于能耗的SOC预测结果以及基于能耗的SOC预测结果;
步骤5.3、利用式(10)计算第i组置信系数ai和bi的适应度函数fi:
步骤5.4、从L组置信系数a和b中随机选择B组置信系数a和b,并利用式(11)得到第i组置信系数ai和bi的被选择的概率Pi:
式(11)中,fmin为L组置信系数a和b中的适应度函数的最小值;
步骤5.5、设置突变概率为Pro1,在0-1区间内生成一个随机数;
对B组置信系数a和b中的每一位二进制数进行一次判定:
若随机数小于Pro1,则相应位二进制数取反,否则保持不变,从而得到突变后的B组置信系数a和b;
步骤5.6、设置交叉概率Pro2,在0-1区间内生成B个随机数,统计B个随机数中小于交叉概率Pro2的随机数的个数为Ncross,则重复执行Ncross次交叉操作,从而得到交叉后的B组置信系数a和b;
所述交叉操作为:从突变后的B组置信系数a和b中随机选择2组置信系数a和b,并分别随机交换其中任意几位在相同位数上的二进制数;从而得到交叉后的2组置信系数a和b;
步骤5.7、在交叉后的B组置信系数a和b中,加入降序排列后的适应度函数中排序为后L-B个适应度函数所对应的适应度函数a和b,从而得到更新后的L组置信系数a和b;
步骤5.8、重复执行步骤5.4至步骤5.7K次,从而输出K次中适应度函数最小值所对应的置信系数a*和b*,并作为行驶里程差值为m时所对应的一组最优置信系数;
所述拟合曲线中,若输入的行驶里程差值小于m则按照m计算相应置信系数,若大于mmax则按照mmax计算相应置信系数。
与已有技术相比,本发明的有益效果体现在:
1.本发明中的绝大部分的计算量和计算时间都用于预先构建决策树和训练数据集的过程,在实际使用过程中和查表类似,解决了实时计算速度慢的问题,因此在进行SOC的实际估算中将会十分方便快捷,计算速度将显著优于以迭代类算法为代表的现有方法。
2.本发明通过基于大数据的里程和能耗联合预测方法,可以在保证精度的前提下,解决现如今所有方法都无法解决的长时间跨度的SOC预测问题。
3.本发明算法结构简单,不需要额外增添车载传感器等设备,全体过程可以通过编程直接实现,使用价格低廉。
附图说明
图1是本发明的自适应电动汽车SOC估计方法的示意图;
图2是本发明的自适应电动汽车SOC估计方法的极限决策树示意图;
图3是本发明的自适应电动汽车SOC估计方法的遗传算法流程框图。
具体实施方式
本实施例中,如图1所示,一种基于大数据的自适应电动汽车SOC估计系统,包括:储存有车辆各时刻数据的数据库;连接训练数据集、里程预测模块以及联合预测模块的延时单元;与联合预测模块、延时单元以及数据库相连的里程预测模块;与联合预测模块相连的能量预测模块;与延时单元、能量预测模块、里程预测模块相连的联合预测模块,该系统的工作过程如下:
步骤1、在图1所示的训练数据集模块中计算加速度、距离以及能耗值:
由于电动汽车在一段完整的行驶过程中所消耗的SOC值主要受到起点与终点之间的路径,以及路程中各个时刻电动汽车瞬时状态的影响。而路程中各个时刻电动汽车的瞬时状态例如速度、加速度等,是能耗的主要影响因素。
步骤1.1、在汽车上通过传感器以时间t为周期采集经度、纬度、SOC值、车速、里程表总里程值、电池包输出总电流和电池包输出总电压作为训练数据集;其中,第i个时间周期ti所采集的数据记为:第i个经度αi、第i个纬度βi、第i个时间周期ti的SOC值、第i个车速vi、里程表总里程值、第i个输出总电流ii和第i个输出总电压ui;
步骤1.2、利用式(1)得到第i个加速度ai:
式(1)中,当i=1时,令vi-1=vi;
利用式(2)得到第i个距离Si:
Si=Rcos[cosβicosβi-1cos(αi-αi-1)+sinβisinβi-1] (2)
式(2)中,R为地球半径,当i=1时,令βi-1=βi,令αi-1=αi;
利用式(3)得到第i个能耗值Ei:
式(3)中,ii表示第i个电流值,当i=1时,令ii-1=ii,令ui-1=ui;
步骤2、在图1所示的基于能耗的SOC预测模块中构建随机决策树模型;
步骤2.1、在延时单元的作用下,每间隔T时间,从车速、加速度、距离以及能耗值用于构建极限随机决策树模型,其中,车速、加速度、距离作为特征,能耗值作为因变量。如图2所示,极限随机决策树是一种计算十分方便快捷、且适用于大量数据集的决策树群。具体步骤如下所示:
步骤2.2、从训练数据集中随机划分5%的数据作为验证集,验证集不参与决策树的构建,验证集将用于检验所构建决策树模型。
步骤2.3、将训练集以能耗值为基准按照正序排列。
步骤2.4、选取一个未计算的叶子结点P。其中,叶子节点为未经分割的训练集分段。
步骤2.5、计算P结点处的gini系数并判断是否继续进行数据分割。gini系数代表了数据集的离散程度,基尼系数越小,代表数据越集中,也就是分类的效果越好。其计算方法如下所示:
式(4)中,n为经过排序后P结点处能耗值的总类数,Yj为P结点处经排序后标号为第j个能耗值类的数据个数。
为改善数据的过拟合现象,此处设置树的最大深度,以进行预剪枝。若所有的节点均已分割完毕、或者树已经达到了最大深度D,则停止数据分割,进入步骤2.8。
若G(P)<Gmin、则返回步骤2.3,选取一个其他的叶子结点进行数据分割。其中,Gmin为可根据实际情况自由确定的gini系数目标值。
步骤2.6:在该节点处的每个特征的值区间内取一随机点进行计算:
式中,Gk(P,A)为P结点第k个特征在随机点A处分割后的gini系数;n1和n2分别为P结点处数据在A点处分割后的两个数据集的数据总类数。
步骤2.7:在计算完P结点处所有特征后,选择Gk(P,A)最小的值对应的特征和点进行数据分割;并返回步骤2.4。
步骤2.8:保留前面所构建的所有决策树,再次重复步骤2.3到步骤2.7,循环M次,这样便可将训练数据集分割成一个个很小的数据分集,每个分集对应着某些特征的组合,在使用中,根据数据输入的特征便可迅速对应到相应特征的数据分集,得到预测结果。其中,M为可根据情况安排的极限树个数,为了减少极端数据对算法稳定性的影响,这里设定输出结果为所有单颗极限树预测结果的中位数。
步骤2.9、将验证集带入上述设定好的极限随机决策树中,计算:
为了得到较好的决策树模型,多次重复步骤2.1到步骤2.9,选取最小的error所对应的的极限树集合作为最终的极限树预测模型。
步骤3、在图1所示的基于能耗的SOC预测模块中构建基于能耗的SOC预测模型:
步骤3.1、定义单个SOC区间为时间相邻且SOC值未发生变化的数据段;其中,SOC值的取值范围为0-100且为整数;
步骤3.2、分别计算训练数据集中所有的单个SOC区间内的能耗和,并将SOC值相同的能耗和归为一类后,得到各个SOC值所对应的能耗和集合;
步骤3.3、为了减少极端数据对算法稳定性的影响,取各个SOC值所对应的能耗和集合的中位数作为相应SOC值对应的能耗和的代表;
步骤3.4、将初始SOC值记为SOC0,由极限随机决策树预测得到能耗和W,并一同输入式(7)中,从而根据式(7)得到基于能耗的SOC预测结果为SOCE=i;
式(7)中,Wj为SOC值为j时所对应的能耗和的代表;
步骤4、在图1所示的基于里程的SOC预测模块中构建基于里程的SOC值预测模型:
步骤4.1、分别计算训练数据集中所有的单个SOC区间内的行驶里程值,并将SOC值相同的行驶里程值归为一类后,得到各个SOC值所对应的行驶里程值集合;
步骤4.2、取各个SOC值所对应的行驶里程值集合的中位数作为相应SOC对应的行驶里程值的代表;
步骤4.3、为了减少极端数据对算法稳定性的影响,将测试集的初始SOC值记为SOC0并作为起点,将起点与终点间的行驶里程值记为M0,并一同输入式(8),从而根据式(8)得到基于里程的SOC预测结果为SOCM=k:
式中,Mj为SOC值为j时的行驶里程值的代表;
步骤5、由于基于里程和基于能耗的预测结果均存在不同程度的偏差,因此算法最终预测结果SOClast如式(9)所示:
SOClast=aSOCE+bSOCM (9)
式(9)中,a和b分别为基于能耗的预测结果SOCE和基于里程的预测结果SOCM的置信系数;其与行驶里程数有着紧密的关联。行驶里程越大,基于能耗的SOC预测越准;行驶里程较小左右时,基于里程的SOC预测较为精确。因此我们采取遗传算法来确定置信系数a和b的值,遗传算法主要模拟的是自然界中生物物竞天择、适者生存的过程,具有收敛快、稳定性强的特点,可以尽快收敛到较优解附近,其流程框图如图3所示,其具体步骤如下所示:
步骤5.1、在约束条件LB≤a+b≤UB内随机选择L组置信系数a和b,其中,将置信系数a和b以A位二进制形式表示,设置LB为A位二进制数全为0的下限,UB为A位二进制数全为1的上限,并得到包含A行2L列的置信系数矩阵:其中,为第L组a中第A位的二进制数;为第L组b中第A位的二进制数。
步骤5.2、从训练数据集中选取行驶里程差值均为m的n组数据,并由n组数据得到n组实际结果将各组数据中的SOC初值、能耗和以及里程差值分别带入式(7)和式(8),得到n组基于能耗的SOC预测结果以及基于能耗的SOC预测结果;
步骤5.3、利用式(10)计算第i组置信系数ai和bi的适应度函数fi:
步骤5.4、为了缓解算法中解过早收敛于局部最小值的缺点,因此在设计选择函数时,引入各个解到其他解的差值绝对值来衡量各个解和其他解的相似程度,式(11)中,fmin为L组置信系数a和b中的适应度函数的最小值;
步骤5.5、设置突变概率为Pro1,在0-1区间内生成一个随机数;
对B组置信系数a和b中的每一位二进制数进行一次判定:
若随机数小于Pro1,则相应位二进制数取反,否则保持不变,从而得到突变后的B组置信系数a和b;
步骤5.6、设置交叉概率Pro2,在0-1区间内生成B个随机数,统计B个随机数中小于交叉概率Pro2的随机数的个数为Ncross,则重复执行Ncross次交叉操作,从而得到交叉后的B组置信系数a和b;
交叉操作为:从突变后的B组置信系数a和b中随机选择2组置信系数a和b,并分别随机交换其中任意几位在相同位数上的二进制数;从而得到交叉后的2组置信系数a和b;
步骤5.7、在交叉后的B组置信系数a和b中,加入降序排列后的适应度函数中排序为后L-B个适应度函数所对应的适应度函数a和b,从而得到更新后的L组置信系数a和b;
步骤5.8、重复执行步骤5.4至步骤5.7K次,从而输出K次中适应度函数最小值所对应的置信系数a*和b*,并作为行驶里程差值为m时所对应的一组最优置信系数;
拟合曲线中,若输入的行驶里程差值小于m则按照m计算相应置信系数,若大于mmax则按照mmax计算相应置信系数。
步骤6、如图1所示,将需要预测的工况数据包含速度vp、加速度ap、距离sp、起点终点里程差值Mp以及初始SOC值SOCp带入基于能耗的SOC预测模和和基于里程的SOC预测模块中,得到基于能耗的预测结果SOCE和基于里程的预测结果SOCM,将SOCE和SOCM带入联合预测模块中,输出最终的预测结果SOClast。
Claims (2)
1.一种基于大数据的自适应电动汽车SOC估计方法,其特征是按如下步骤进行;
步骤1、计算加速度、距离以及能耗值:
步骤1.1、在汽车上通过传感器以时间t为周期采集经度、纬度、SOC值、车速、里程表总里程值、电池包输出总电流和电池包输出总电压作为训练数据集;其中,第i个时间周期ti所采集的数据记为:第i个经度αi、第i个纬度βi、第i个时间周期ti的SOC值、第i个车速vi、里程表总里程值、第i个输出总电流ii和第i个输出总电压ui;
步骤1.2、利用式(1)得到第i个加速度ai:
式(1)中,当i=1时,令vi-1=vi;
利用式(2)得到第i个距离Si:
Si=Rcos[cosβicosβi-1cos(αi-αi-1)+sinβisinβi-1] (2)
式(2)中,R为地球半径,当i=1时,令βi-1=βi,令αi-1=αi;
利用式(3)得到第i个能耗值Ei:
式(3)中,ii表示第i个电流值,当i=1时,令ii-1=ii,令ui-1=ui;
步骤2、从训练数据集中抽取T时间的车速、加速度、距离以及能耗值用于构建极限随机决策树模型,其中,车速、加速度、距离作为特征,能耗值作为因变量;
步骤3、基于能耗的SOC预测模型:
步骤3.1、定义单个SOC区间为时间相邻且SOC值未发生变化的数据段;其中,SOC值的取值范围为0-100且为整数;
步骤3.2、分别计算训练数据集中所有的单个SOC区间内的能耗和,并将SOC值相同的能耗和归为一类后,得到各个SOC值所对应的能耗和集合;
步骤3.3、取各个SOC值所对应的能耗和集合的中位数作为相应SOC值对应的能耗和的代表;
步骤3.4、将初始SOC值记为SOC0,由所述极限随机决策树预测得到能耗和W,并一同输入式(7)中,从而根据式(7)得到基于能耗的SOC预测结果为SOCE=i;
式(7)中,Wj为SOC值为j时所对应的能耗和的代表;
步骤4、基于里程的SOC值预测模型:
步骤4.1、分别计算训练数据集中所有的单个SOC区间内的行驶里程值,并将SOC值相同的行驶里程值归为一类后,得到各个SOC值所对应的行驶里程值集合;
步骤4.2、取各个SOC值所对应的行驶里程值集合的中位数作为相应SOC对应的行驶里程值的代表;
步骤4.3、将测试集的初始SOC值记为SOC0并作为起点,将起点与终点间的行驶里程值记为M0,并一同输入式(8),从而根据式(8)得到基于里程的SOC预测结果为SOCM=k:
式中,Mj为SOC值为j时的行驶里程值的代表;
步骤5、利用式(9)建立最终SOC值的预测模型SOClast,以实现最终的SOC值预测:
SOClast=aSOCE+bSOCM (9)
式(9)中,a和b分别为基于能耗的预测结果SOCE和基于里程的预测结果SOCM的置信系数。
2.根据权利要求1所述的基于大数据的自适应电动汽车SOC估计方法,其特征是,所述步骤5中的置信系数a和b是按如下步骤确定;
步骤5.1、在约束条件LB≤a+b≤UB内随机选择L组置信系数a和b,其中,将置信系数a和b以A位二进制形式表示,设置LB为A位二进制数全为0的下限,UB为A位二进制数全为1的上限,并得到包含A行2L列的置信系数矩阵:其中,为第L组a中第A位的二进制数;为第L组b中第A位的二进制数;
步骤5.2、从训练数据集中选取行驶里程差值均为m的n组数据,并由n组数据得到n组实际结果将各组数据中的SOC初值、能耗和以及里程差值分别带入式(7)和式(8),得到n组基于能耗的SOC预测结果以及基于能耗的SOC预测结果;
步骤5.3、利用式(10)计算第i组置信系数ai和bi的适应度函数fi:
步骤5.4、从L组置信系数a和b中随机选择B组置信系数a和b,并利用式(11)得到第i组置信系数ai和bi的被选择的概率Pi:
式(11)中,fmin为L组置信系数a和b中的适应度函数的最小值;
步骤5.5、设置突变概率为Pro1,在0-1区间内生成一个随机数;
对B组置信系数a和b中的每一位二进制数进行一次判定:
若随机数小于Pro1,则相应位二进制数取反,否则保持不变,从而得到突变后的B组置信系数a和b;
步骤5.6、设置交叉概率Pro2,在0-1区间内生成B个随机数,统计B个随机数中小于交叉概率Pro2的随机数的个数为Ncross,则重复执行Ncross次交叉操作,从而得到交叉后的B组置信系数a和b;
所述交叉操作为:从突变后的B组置信系数a和b中随机选择2组置信系数a和b,并分别随机交换其中任意几位在相同位数上的二进制数;从而得到交叉后的2组置信系数a和b;
步骤5.7、在交叉后的B组置信系数a和b中,加入降序排列后的适应度函数中排序为后L-B个适应度函数所对应的适应度函数a和b,从而得到更新后的L组置信系数a和b;
步骤5.8、重复执行步骤5.4至步骤5.7K次,从而输出K次中适应度函数最小值所对应的置信系数a*和b*,并作为行驶里程差值为m时所对应的一组最优置信系数;
所述拟合曲线中,若输入的行驶里程差值小于m则按照m计算相应置信系数,若大于mmax则按照mmax计算相应置信系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966248.9A CN112098869B (zh) | 2020-09-15 | 2020-09-15 | 一种基于大数据的自适应电动汽车soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010966248.9A CN112098869B (zh) | 2020-09-15 | 2020-09-15 | 一种基于大数据的自适应电动汽车soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112098869A CN112098869A (zh) | 2020-12-18 |
CN112098869B true CN112098869B (zh) | 2021-09-14 |
Family
ID=73758820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010966248.9A Active CN112098869B (zh) | 2020-09-15 | 2020-09-15 | 一种基于大数据的自适应电动汽车soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112098869B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116449221B (zh) * | 2023-06-14 | 2023-09-29 | 浙江天能新材料有限公司 | 锂电池荷电状态预测方法、装置、设备及存储介质 |
CN117233616B (zh) * | 2023-11-13 | 2024-03-22 | 万帮数字能源股份有限公司 | 锂电池soc预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
US9393921B1 (en) * | 2015-04-13 | 2016-07-19 | Quantumscape Corporation | Solid-state battery management using real-time estimation of nano material electrical characteristics |
CN106021923A (zh) * | 2016-05-19 | 2016-10-12 | 江苏理工学院 | 纯电动汽车动力电池荷电状态预测方法及预测系统 |
CN109117438A (zh) * | 2017-06-23 | 2019-01-01 | 蔚来汽车有限公司 | 具有供电系统的交通工具剩余里程估算方法和装置 |
CN111398828A (zh) * | 2020-04-16 | 2020-07-10 | 青岛理工大学 | 电动汽车剩余电量和剩余行驶里程估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927605B (zh) * | 2017-04-18 | 2021-02-23 | 华为技术有限公司 | 电池健康状态的估计方法及装置 |
-
2020
- 2020-09-15 CN CN202010966248.9A patent/CN112098869B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
US9393921B1 (en) * | 2015-04-13 | 2016-07-19 | Quantumscape Corporation | Solid-state battery management using real-time estimation of nano material electrical characteristics |
CN106021923A (zh) * | 2016-05-19 | 2016-10-12 | 江苏理工学院 | 纯电动汽车动力电池荷电状态预测方法及预测系统 |
CN109117438A (zh) * | 2017-06-23 | 2019-01-01 | 蔚来汽车有限公司 | 具有供电系统的交通工具剩余里程估算方法和装置 |
CN111398828A (zh) * | 2020-04-16 | 2020-07-10 | 青岛理工大学 | 电动汽车剩余电量和剩余行驶里程估计方法 |
Non-Patent Citations (1)
Title |
---|
基于电池荷电状态和行驶工况辨识的电动汽车续驶里程估算;连静等;《科学技术与工程》;20160508(第13期);第113-117页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112098869A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197739B (zh) | 一种城市轨道交通乘客流量预测方法 | |
CN112265546B (zh) | 基于时空序列信息的网联汽车车速预测方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN112101684B (zh) | 一种插电式混合动力车辆实时能量管理方法和系统 | |
CN111260118B (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
CN105096614B (zh) | 基于生成型深信度网络的新建路口交通流量预测方法 | |
CN109920248B (zh) | 一种基于gru神经网络的公交到站时间预测方法 | |
CN108510129B (zh) | 一种无人驾驶车辆实时电量智慧预测方法及装置 | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
CN110007235A (zh) | 一种电动汽车蓄电池soc在线预测方法 | |
CN111080018A (zh) | 一种基于道路交通环境的智能网联汽车车速预测方法 | |
CN112419711B (zh) | 基于改进gmdh算法的封闭式停车场停车需求预测方法 | |
CN113702843A (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
CN113627661A (zh) | 一种电动汽车充电负荷预测的方法 | |
CN111785018A (zh) | 一种基于门控循环单元的收费站下道流量预测方法 | |
CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
CN112884014A (zh) | 一种基于路段拓扑结构分类的交通速度短时预测方法 | |
CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN114510778A (zh) | 基于混合智能优化lstm的轨道不平顺预测方法 | |
CN113674524A (zh) | 基于lstm-gasvr的多尺度短时交通流预测建模、预测方法及系统 | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
CN115907122A (zh) | 区域电动汽车充电负荷预测方法 | |
CN115730635A (zh) | 一种电动汽车负荷预测方法 | |
CN111311905A (zh) | 一种基于粒子群优化小波神经网络的高速公路行程时间预测方法 |
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 |