CN113119796A - 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 - Google Patents
基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 Download PDFInfo
- Publication number
- CN113119796A CN113119796A CN202110333851.8A CN202110333851A CN113119796A CN 113119796 A CN113119796 A CN 113119796A CN 202110333851 A CN202110333851 A CN 202110333851A CN 113119796 A CN113119796 A CN 113119796A
- Authority
- CN
- China
- Prior art keywords
- charging
- time
- data
- charging time
- battery
- 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
-
- 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]
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to 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
- Y02T10/70—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种基于云端稀疏充电数据的电动车剩余充电时间预测方法和系统,包括:步骤1:获取电池充电测试数据,建立电池预测性充电时间自适应网络模型,对模型进行交叉验证和统计学评估,将训练后的网络模型布置于云端;步骤2:云端接收并存储电池充电的稀疏数据,检测该数据是否满足预设条件,若满足则利用网络模型预测下一循环总充电时间并更新剩余时间‑容量比图;步骤3:云端查询剩余时间‑容量比图,对当前状态下的预测总充电时间进行记录,同时记录当前累计充电时间,对电池剩余充电时间进行预测。本发明解决了当前电动车的在线剩余充电时间难以在全寿命周期均准确获得的技术痛点问题,改善了用户体验。
Description
技术领域
本发明涉及电动车技术领域,具体地,涉及一种基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统。
背景技术
随着动力电池的充放电次数增加,电池的内部物理状态发生非线性的退化,导致用户每次充满电所需时间无法准确预测和显示,是目前企业遇到的一大重要难题。
电动车的剩余充电时间(RCT,Remain Charging Time),是指电动车在插上充电桩以某种充电策略充电时,从当前时刻起始至完全充满电所需的时间,一般以秒或分的形式表现。该量是用户充电时关注的重要指标之一。
现有的RCT预测方法可分为两类:基于终端荷电状态/电流分段的剩余充电时间累加方法和基于云端大数据的剩余充电时间预测方法。
专利文献CN108445400A(申请号:CN201810133081.0)公开了一种电池组剩余充电时间估算方法,直接将剩余充电时间计算为预加热时间、恒流充电时间与恒压充电时间之和;专利文献CN111257752A(申请号:CN201811455643.X)公开了一种剩余充电时间估算方法、装置、系统和存储介质,是根据各个区间荷电状态的电流来估算各区间的剩余充电时间进而累加;以上专利的基于终端荷电状态/电流分段的剩余充电时间累加方法适用范围广,但过于简单且误差大,尤其电池严重老化时的恒压阶段更难以估算且容易导致剩余充电时间发生跳变;以上基于云端大数据的方法需要累计采集实车的一年数据样本,该一年采样时间内的车辆剩余充电时间无法准确预测,且无法保证数据样本对电池寿命周期的全覆盖。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统。
根据本发明提供的基于云端稀疏充电数据的电动车剩余充电时间预测方法,包括如下步骤:
步骤1:获取电池充电测试数据,清洗后预处理为稀疏的输入数据集,基于预处理后的数据建立电池预测性充电时间自适应网络模型,划分训练集和测试集并对模型进行交叉验证和统计学评估,最终将训练后的网络模型布置于云端;
步骤2:云端接收并存储电池充电的稀疏数据,检测该数据是否满足预设条件,若满足,则利用网络模型预测下一循环总充电时间并更新剩余时间-容量比图;
步骤3:车载端开始充电时上传当前状态,云端查询剩余时间-容量比图,对当前状态下的预测总充电时间进行记录,并通过无线通讯传送到车端,在充电过程中上传电池稀疏数据至云端,同时记录当前累计充电时间,并按式(1)实时更新剩余充电时间,实现对电池剩余充电时间的预测:
剩余充电时间=预测总充电时间-当前累计充电时间…………(1)。
优选的,所述步骤1包括如下步骤:
步骤1.1:获取任意型号电池的循环测试数据并提取充电数据,剔除异常循环,对缺失值、错值做纠正处理,将数据按预设时间间隔提取,剔除电荷状态小于设定值的时间段对应的数据项,得到时间序列的充电稀疏数据;
步骤1.2:计算充电数据中每循环的总充电容量和总充电时间,将所述步骤1.1中时间序列的充电稀疏数据处理为容量比序列的充电稀疏数据,使得每循环的数据等长度,计算每循环的标签值为总充电时间比,使其在0~1之间,最终预处理得到稀疏的输入数据集;
容量比=已充容量/额定容量…………(2)
总充电时间比=总充电时间/循环中的最大总充电时间…………(3)
步骤1.3:基于步骤1.2中的稀疏的输入数据集及所述电池预测性充电时间自适应网络模型,对模型进行训练和验证,所述训练和验证包括交叉验证,所述交叉验证包括:首先将稀疏的输入数据集随机分成K部分,取其中一个部分作为测试数据,剩余K-1部分作为训练数据得到响应的实验结果,以此类推,重复进行K次交叉检验,每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,最终得到K个实验结果;
步骤1.4:利用步骤1.3中的K个实验结果对所述电池预测性充电时间自适应网络模型进行统计学评估,实现模型建立,所述实验结果包括一组预测的总充电时间比和一组真实的总充电时间比,所述统计学评估包括平均绝对误差MAE、平均百分比误差MAEP、均方根误差RMSE,所述MAE、MAEP、RMSE分别按式4~6计算:
优选的,所述步骤2包括如下步骤:
步骤2.1:云端接收并存储车载端上传的电池充电稀疏数据,判断该次充电过程是否满足从25%SOC以下充电至满电荷条件,若满足则进行步骤2.2更新剩余时间-容量比图,否则不做处理;
步骤2.2:将云端存储的数据按照步骤1.1和步骤1.2进行预处理,作为云端布置的所述的电池充电时间自适应网络模型的输入,预测下一循环总充电时间比并更新剩余时间-容量比图;
所述电池充电稀疏数据包括采样时刻、电流、电压、温度和SOC;
所述剩余时间-容量比图初始由充电电流-时间图计算得到,之后由更新前的剩余时间-容量比图迭代得到,迭代方法为根据预测的总充电时间比与原总充电时间比的比值对原剩余时间-容量比图进行等比例平移。
优选的,所述步骤3包括如下步骤:
步骤3.1:电动车开始充电时,电池管理系统采集当前电池组信息,将特征信息通过TBOX发送至云端,并接收云端查询步骤2.2中的剩余时间-容量比图信息后返回的当前电池状态下电池充电所需的预测总充电时间;
步骤3.2:充电过程中,电池管理系统累计当前已经历的充电时间,同时将步骤2.1中的电池充电稀疏数据按照通讯协议中规定的时间间隔上传至云端,按式(1)更新剩余充电时间,并将其实时发送给电池管理系统用于用户终端显示;
所述特征信息包括SOC、温度、快慢充标志位。
优选的,采用深度学习网络来建立所述的电池预测性充电时间自适应网络模型,结构上由三维卷积神经网络、二维卷积神经网络、注意力机制网络、全连接层依次连接而成,输入数据为容量比序列的三维充电稀疏数据,输出数据为下一循环的总充电时间比,所述容量比序列的三维为电压、电流、温度。
根据本发明提供的基于云端稀疏充电数据的电动车剩余充电时间预测系统,包括如下模块:
模块M1:获取电池充电测试数据,清洗后预处理为稀疏的输入数据集,基于预处理后的数据建立电池预测性充电时间自适应网络模型,划分训练集和测试集并对模型进行交叉验证和统计学评估,最终将训练后的网络模型布置于云端;
模块M2:云端接收并存储电池充电的稀疏数据,检测该数据是否满足预设条件,若满足,则利用网络模型预测下一循环总充电时间并更新剩余时间-容量比图;
模块M3:车载端开始充电时上传当前状态,云端查询剩余时间-容量比图,对当前状态下的预测总充电时间进行记录,并通过无线通讯传送到车端,在充电过程中上传电池稀疏数据至云端,同时记录当前累计充电时间,并按式(1)实时更新剩余充电时间,实现对电池剩余充电时间的预测:
剩余充电时间=预测总充电时间-当前累计充电时间…………(1)。
优选的,所述模块M1包括:
模块M1.1:获取任意型号电池的循环测试数据并提取充电数据,剔除异常循环,对缺失值、错值做纠正处理,将数据按预设时间间隔提取,剔除电荷状态小于设定值的时间段对应的数据项,得到时间序列的充电稀疏数据;
模块M1.2:计算充电数据中每循环的总充电容量和总充电时间,将所述模块M1.1中时间序列的充电稀疏数据处理为容量比序列的充电稀疏数据,使得每循环的数据等长度,计算每循环的标签值为总充电时间比,使其在0~1之间,最终预处理得到稀疏的输入数据集;
容量比=已充容量/额定容量…………(2)
总充电时间比=总充电时间/循环中的最大总充电时间…………(3)
模块M1.3:基于模块M1.2中的稀疏的输入数据集及所述电池预测性充电时间自适应网络模型,对模型进行训练和验证,所述训练和验证包括交叉验证,所述交叉验证包括:首先将稀疏的输入数据集随机分成K部分,取其中一个部分作为测试数据,剩余K-1部分作为训练数据得到响应的实验结果,以此类推,重复进行K次交叉检验,每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,最终得到K个实验结果;
模块M1.4:利用模块M1.3中的K个实验结果对所述电池预测性充电时间自适应网络模型进行统计学评估,实现模型建立,所述实验结果包括一组预测的总充电时间比和一组真实的总充电时间比,所述统计学评估包括平均绝对误差MAE、平均百分比误差MAEP、均方根误差RMSE,所述MAE、MAEP、RMSE分别按式4~6计算:
优选的,所述模块M2包括:
模块M2.1:云端接收并存储车载端上传的电池充电稀疏数据,判断该次充电过程是否满足从25%SOC以下充电至满电荷条件,若满足则进行模块M2.2更新剩余时间-容量比图,否则不做处理;
模块M2.2:将云端存储的数据按照模块M1.1和模块M1.2进行预处理,作为云端布置的所述的电池充电时间自适应网络模型的输入,预测下一循环总充电时间比并更新剩余时间-容量比图;
所述电池充电稀疏数据包括采样时刻、电流、电压、温度和SOC;
所述剩余时间-容量比图初始由充电电流-时间图计算得到,之后由更新前的剩余时间-容量比图迭代得到,迭代方法为根据预测的总充电时间比与原总充电时间比的比值对原剩余时间-容量比图进行等比例平移。
优选的,所述模块M3包括:
模块M3.1:电动车开始充电时,电池管理系统采集当前电池组信息,将特征信息通过TBOX发送至云端,并接收云端查询模块M2.2中的剩余时间-容量比图信息后返回的当前电池状态下电池充电所需的预测总充电时间;
模块M3.2:充电过程中,电池管理系统累计当前已经历的充电时间,同时将模块M2.1中的电池充电稀疏数据按照通讯协议中规定的时间间隔上传至云端,按式(1)更新剩余充电时间,并将其实时发送给电池管理系统用于用户终端显示;
所述特征信息包括SOC、温度、快慢充标志位。
优选的,采用深度学习网络来建立所述的电池预测性充电时间自适应网络模型,结构上由三维卷积神经网络、二维卷积神经网络、注意力机制网络、全连接层依次连接而成,输入数据为容量比序列的三维充电稀疏数据,输出数据为下一循环的总充电时间比,所述容量比序列的三维为电压、电流、温度。
与现有技术相比,本发明具有如下的有益效果:
(1)本发明使用电池实验测试数据,无需实车采集便可直接实现对车辆从出厂到退役全寿命周期的剩余充电时间的预测;同时可避免实车采集训练样本时的不确定性和低寿命周期覆盖率问题;
(2)本发明适用于电动车的全寿命周期,当云端监测到电动车任一寿命状态下从低于25%荷电状态至满荷电状态的充电行为时便会实现对“剩余充电时间-容量比”图的自矫正更新,保证电动车全寿命周期下剩余充电时间的预测准确性;
(3)本发明的云端网络模型使用下一循环的总充电时间比作为类归一化的监督值,极大提高了不同充电策略下模型的适用性和准确度;使用等长度的容量比序列的充电稀疏数据作为输入,极大提高了不同电池寿命状态下模型的统一性和便捷度;
(4)基于本发明所提供的方法和系统,剩余充电时间预测准确度高,有助于驾驶员更好地确定出行计划;同时提升了用户体验和车辆品牌竞争力。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明基于大数据的网络模型的离线训练验证实施图;
图2为基于云端充电稀疏数据预测电动车总充电时间的流程示意图;
图3为一种电动车全寿命周期剩余充电时间预测系统的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例:
根据本发明提供的基于云端稀疏充电数据的电动车全寿命周期剩余充电时间预测方法,包括如下步骤:
步骤1:获取电池充电测试数据,清洗后预处理为稀疏的输入数据集;基于预处理后的数据建立电池预测性充电时间自适应网络模型,划分训练集和测试集并对模型进行交叉验证和统计学评估,最终将训练后的的电池预测性充电时间自适应网络模型布置于云端,具体参见图1。
步骤1.1:利用任意型号电池出厂时的大量循环测试数据(或基于此型号电池做大量循环老化试验,各循环试验放电部分均保证以相同倍率从满电荷至零电荷,各循环试验充电部分均保证以相同充电策略充满电,但每个电池的充电策略可以不同);根据电流特征提取基于时间序列的电流、电压、温度充电数据,制定以下清洗和预处理规则保证数据质量并使其满足使用要求:
异常循环剔除:充电曲线中电流突变不符合充电策略的循环剔除,充电容量值与前后循环相比明显异常的循环剔除;
缺失值赋值:电池试验采样过程中可能会发生少许采样信息丢失,本发明中主要取一段行程该变量的平均值或中间值或相邻插值进行缺失值赋值;
错值处理:由电池特性或规格书可知每个变量的取值范围,检查数据是否合乎要求,将超出正常范围的数据予以删除或纠正;
稀疏密度处理:将清洗好的充电数据按10秒间隔(与云端接收数据密度相匹配,可参考GB-T32960对该值的相应要求)进行数据提取。
起始SOC截取:剔除每循环充电数据中SOC在0~25%的各变量数据部分,保留SOC在25%~100%的各变量数据部分,使其能适应实车预测需求。
步骤1.2:计算充电数据中每循环的总充电容量(满充容量)和总充电时间;由于每个循环的充电时间不同因而数据长度不同,而且不同电池充电策略下的充电时长差异明显,因而需要将其处理为便于机器学习的统一结构化样本数据,最终预处理得到稀疏的输入数据集。方法如下:
数据长度一致:将以上基于时间序列的数据处理为基于容量比序列的数据(容量比为已充容量与额定容量的比值),使得不同长度的充电时间序列数据可以转化为横坐标等区间等长度的充电容量比序列数据。
标签值统一:计算每个电池充电策略下的第1~5循环中的最大总充电时间,将总充电时间比(该循环总充电时间与最大总充电时间的比值)作为每循环数据的标签值,因而所有充电策略的标签值均在0到1之间。
步骤1.3:基于步骤1.2中的稀疏的输入数据集建立电池预测性充电时间自适应网络模型,并对模型进行训练和验证。本实施方式中的采用深度学习网络来建立所述的电池预测性充电时间自适应网络模型。
具体而言,模型结构上由三维卷积神经网络、二维卷积神经网络、注意力机制网络、全连接层依次连接而成,输入数据为容量比序列的三维(电压、电流、温度)充电稀疏数据,输出数据为下一循环的总充电时间比。当采用初始训练数据对模型进行训练时,数据集的标签为下一循环的总充电时间比,取值范围为0,0.01,0.02,0.03……,0.98,0.99,1.00。
本实施方式中的模型训练和验证方法为交叉验证,即首先将稀疏的输入数据集随机分成K部分,取其中一部分作为测试数据,剩余K-1部分作为训练数据得到响应的实验结果,以此类推,重复进行K次交叉检验,每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,最终得到K个实验结果。
步骤1.4:利用步骤1.3中的K个实验结果进行统计学评估,基于评估判断模型的可靠性。实验结果包括一组预测的总充电时间比和一组真实的总充电时间比;统计学评估包括MAE(平均绝对误差)、MAEP(平均百分比误差)、RMSE(均方根误差);所述MAE、MAEP、RMSE分别按式1~3计算,其中是预测值,y是真实值,m是样本个数(总循环数)。
步骤1.5:搭建服务器,将验证好的深度学习算法布置于云端,算法的输入可从服务器的数据库中读取,算法的输出也可通过服务器发送给终端。
步骤2:结合图2,搭建网联电池管理系统平台(主要功能为电动车充电时电池管理系统采集电池信息通过Tbox发送至云端,云端校验接收车载端上传的数据并存储到数据库)。检测该数据是否满足条件来决定是否预测下一循环总充电时间并更新RCT-Qc图。
步骤2.1:云端接收并存储车载端电池管理系统上传的充电过程中的采样时刻、电流、电压、温度、SOC数据,判断该次充电是否从25%SOC以下充电至满电荷,若是则进行步骤2.2用于更新RCT-Qc图(“剩余充电时间-容量比”图),否则不做处理。本发明中25%值是综合考虑用户充电习惯和模型预测精度选取,取该阈值时模型精度高,同时用户充电习惯容易满足,研究显示相邻十几个循环各自的总充电时间比几乎无差别故无需频繁更新。
步骤2.2:将云端数据库存储的此次充电数据按照步骤1.1和1.2处理后作为步骤1.5中云端布置所述的电池充电时间自适应网络模型的输入,预测得到下一循环的总充电时间比。RCT-Qc图初始由充电电流-时间图计算得到,之后由更新前的RCT-Qc图(原RCT-Qc图)迭代得到,迭代方法为根据预测的总充电时间比与原总充电时间比的比值对原RCT-Qc图进行等比例平移。
步骤3:结合图2和图3,车载端开始充电时上传当前状态,云端查询RCT-Qc图,实现当前状态下对电池充电所需的总充电时间(预测总充电时间)的预测,并通过无线通讯传送到车端;充电过程中,上传电池稀疏数据于云端,同时电池管理系统累计当前充电过程已经历的充电时间(当前累计充电时间),实时更新剩余充电时间,实现对电池剩余充电时间的预测。
步骤3.1:用户插上充电桩开始充电时,电池管理系统采集当前电池组信息,将特征信息SOC、电池温度、快慢充标志位通过TBOX发送至云端,根据步骤2.2中云端已更新保存的RCT_Qc图(“剩余充电时间-容量比”图)信息返回当前电池状态下所需的满充时长T_all。
步骤3.2:充电过程中,车载端电池管理系统累计已充电时长T_carry,同时将电池电流、电压、温度、SOC数据按照通讯协议中规定的时间间隔上传至云端。更新剩余充电时间RCT=T_all-T_carry,并将其实时发送给电池管理系统用于用户终端显示。
步骤4:结合图3,在本实施方案中,采用步骤1~3所述的剩余充电时间预测方法搭建一种电动车全寿命周期剩余充电时间预测系统。本实施方案中系统包括剩余充电时间更新模块和下一循环充电总时间预测模块;所述剩余充电时间更新模块包含于车端的电池管理系统中,所述下一循环充电总时间预测模块包含于云端的电池云端管理系统中。
所述车载端还可以是需要对电池进行充电的其它设备端,例如:储能系统、手机、电动工具等。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种基于云端稀疏充电数据的电动车剩余充电时间预测方法,其特征在于,包括如下步骤:
步骤1:获取电池充电测试数据,清洗后预处理为稀疏的输入数据集,基于预处理后的数据建立电池预测性充电时间自适应网络模型,划分训练集和测试集并对模型进行交叉验证和统计学评估,最终将训练后的网络模型布置于云端;
步骤2:云端接收并存储电池充电的稀疏数据,检测该数据是否满足预设条件,若满足,则利用网络模型预测下一循环总充电时间并更新剩余时间-容量比图;
步骤3:车载端开始充电时上传当前状态,云端查询剩余时间-容量比图,对当前状态下的预测总充电时间进行记录,并通过无线通讯传送到车端,在充电过程中上传电池稀疏数据至云端,同时记录当前累计充电时间,并按式(1)实时更新剩余充电时间,实现对电池剩余充电时间的预测:
剩余充电时间=预测总充电时间-当前累计充电时间…………(1)。
2.根据权利要求1所述的基于云端稀疏充电数据的电动车剩余充电时间预测方法,其特征在于,所述步骤1包括如下步骤:
步骤1.1:获取任意型号电池的循环测试数据并提取充电数据,剔除异常循环,对缺失值、错值做纠正处理,将数据按预设时间间隔提取,剔除电荷状态小于设定值的时间段对应的数据项,得到时间序列的充电稀疏数据;
步骤1.2:计算充电数据中每循环的总充电容量和总充电时间,将所述步骤1.1中时间序列的充电稀疏数据处理为容量比序列的充电稀疏数据,使得每循环的数据等长度,计算每循环的标签值为总充电时间比,使其在0~1之间,最终预处理得到稀疏的输入数据集;
容量比=已充容量/额定容量…………(2)
总充电时间比=总充电时间/循环中的最大总充电时间…………(3)
步骤1.3:基于步骤1.2中的稀疏的输入数据集及所述电池预测性充电时间自适应网络模型,对模型进行训练和验证,所述训练和验证包括交叉验证,所述交叉验证包括:首先将稀疏的输入数据集随机分成K部分,取其中一个部分作为测试数据,剩余K-1部分作为训练数据得到响应的实验结果,以此类推,重复进行K次交叉检验,每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,最终得到K个实验结果;
步骤1.4:利用步骤1.3中的K个实验结果对所述电池预测性充电时间自适应网络模型进行统计学评估,实现模型建立,所述实验结果包括一组预测的总充电时间比和一组真实的总充电时间比,所述统计学评估包括平均绝对误差MAE、平均百分比误差MAEP、均方根误差RMSE,所述MAE、MAEP、RMSE分别按式4~6计算:
3.根据权利要求2所述的基于云端稀疏充电数据的电动车剩余充电时间预测方法,其特征在于,所述步骤2包括如下步骤:
步骤2.1:云端接收并存储车载端上传的电池充电稀疏数据,判断该次充电过程是否满足从25%SOC以下充电至满电荷条件,若满足则进行步骤2.2更新剩余时间-容量比图,否则不做处理;
步骤2.2:将云端存储的数据按照步骤1.1和步骤1.2进行预处理,作为云端布置的所述的电池充电时间自适应网络模型的输入,预测下一循环总充电时间比并更新剩余时间-容量比图;
所述电池充电稀疏数据包括采样时刻、电流、电压、温度和SOC;
所述剩余时间-容量比图初始由充电电流-时间图计算得到,之后由更新前的剩余时间-容量比图迭代得到,迭代方法为根据预测的总充电时间比与原总充电时间比的比值对原剩余时间-容量比图进行等比例平移。
4.根据权利要求3所述的基于云端稀疏充电数据的电动车剩余充电时间预测方法,其特征在于,所述步骤3包括如下步骤:
步骤3.1:电动车开始充电时,电池管理系统采集当前电池组信息,将特征信息通过TBOX发送至云端,并接收云端查询步骤2.2中的剩余时间-容量比图信息后返回的当前电池状态下电池充电所需的预测总充电时间;
步骤3.2:充电过程中,电池管理系统累计当前已经历的充电时间,同时将步骤2.1中的电池充电稀疏数据按照通讯协议中规定的时间间隔上传至云端,按式(1)更新剩余充电时间,并将其实时发送给电池管理系统用于用户终端显示;
所述特征信息包括SOC、温度、快慢充标志位。
5.根据权利要求1~4中任一项所述的基于云端稀疏充电数据的电动车剩余充电时间预测方法,其特征在于,采用深度学习网络来建立所述的电池预测性充电时间自适应网络模型,结构上由三维卷积神经网络、二维卷积神经网络、注意力机制网络、全连接层依次连接而成,输入数据为容量比序列的三维充电稀疏数据,输出数据为下一循环的总充电时间比,所述容量比序列的三维为电压、电流、温度。
6.一种基于云端稀疏充电数据的电动车剩余充电时间预测系统,其特征在于,包括如下模块:
模块M1:获取电池充电测试数据,清洗后预处理为稀疏的输入数据集,基于预处理后的数据建立电池预测性充电时间自适应网络模型,划分训练集和测试集并对模型进行交叉验证和统计学评估,最终将训练后的网络模型布置于云端;
模块M2:云端接收并存储电池充电的稀疏数据,检测该数据是否满足预设条件,若满足,则利用网络模型预测下一循环总充电时间并更新剩余时间-容量比图;
模块M3:车载端开始充电时上传当前状态,云端查询剩余时间-容量比图,对当前状态下的预测总充电时间进行记录,并通过无线通讯传送到车端,在充电过程中上传电池稀疏数据至云端,同时记录当前累计充电时间,并按式(1)实时更新剩余充电时间,实现对电池剩余充电时间的预测:
剩余充电时间=预测总充电时间-当前累计充电时间…………(1)。
7.根据权利要求6所述的基于云端稀疏充电数据的电动车剩余充电时间预测系统,其特征在于,所述模块M1包括:
模块M1.1:获取任意型号电池的循环测试数据并提取充电数据,剔除异常循环,对缺失值、错值做纠正处理,将数据按预设时间间隔提取,剔除电荷状态小于设定值的时间段对应的数据项,得到时间序列的充电稀疏数据;
模块M1.2:计算充电数据中每循环的总充电容量和总充电时间,将所述模块M1.1中时间序列的充电稀疏数据处理为容量比序列的充电稀疏数据,使得每循环的数据等长度,计算每循环的标签值为总充电时间比,使其在0~1之间,最终预处理得到稀疏的输入数据集;
容量比=已充容量/额定容量…………(2)
总充电时间比=总充电时间/循环中的最大总充电时间…………(3)
模块M1.3:基于模块M1.2中的稀疏的输入数据集及所述电池预测性充电时间自适应网络模型,对模型进行训练和验证,所述训练和验证包括交叉验证,所述交叉验证包括:首先将稀疏的输入数据集随机分成K部分,取其中一个部分作为测试数据,剩余K-1部分作为训练数据得到响应的实验结果,以此类推,重复进行K次交叉检验,每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,最终得到K个实验结果;
模块M1.4:利用模块M1.3中的K个实验结果对所述电池预测性充电时间自适应网络模型进行统计学评估,实现模型建立,所述实验结果包括一组预测的总充电时间比和一组真实的总充电时间比,所述统计学评估包括平均绝对误差MAE、平均百分比误差MAEP、均方根误差RMSE,所述MAE、MAEP、RMSE分别按式4~6计算:
8.根据权利要求7所述的基于云端稀疏充电数据的电动车剩余充电时间预测系统,其特征在于,所述模块M2包括:
模块M2.1:云端接收并存储车载端上传的电池充电稀疏数据,判断该次充电过程是否满足从25%SOC以下充电至满电荷条件,若满足则进行模块M2.2更新剩余时间-容量比图,否则不做处理;
模块M2.2:将云端存储的数据按照模块M1.1和模块M1.2进行预处理,作为云端布置的所述的电池充电时间自适应网络模型的输入,预测下一循环总充电时间比并更新剩余时间-容量比图;
所述电池充电稀疏数据包括采样时刻、电流、电压、温度和SOC;
所述剩余时间-容量比图初始由充电电流-时间图计算得到,之后由更新前的剩余时间-容量比图迭代得到,迭代方法为根据预测的总充电时间比与原总充电时间比的比值对原剩余时间-容量比图进行等比例平移。
9.根据权利要求8所述的基于云端稀疏充电数据的电动车剩余充电时间预测系统,其特征在于,所述模块M3包括:
模块M3.1:电动车开始充电时,电池管理系统采集当前电池组信息,将特征信息通过TBOX发送至云端,并接收云端查询模块M2.2中的剩余时间-容量比图信息后返回的当前电池状态下电池充电所需的预测总充电时间;
模块M3.2:充电过程中,电池管理系统累计当前已经历的充电时间,同时将模块M2.1中的电池充电稀疏数据按照通讯协议中规定的时间间隔上传至云端,按式(1)更新剩余充电时间,并将其实时发送给电池管理系统用于用户终端显示;
所述特征信息包括SOC、温度、快慢充标志位。
10.根据权利要求6~9中任一项所述的基于云端稀疏充电数据的电动车剩余充电时间预测系统,其特征在于,采用深度学习网络来建立所述的电池预测性充电时间自适应网络模型,结构上由三维卷积神经网络、二维卷积神经网络、注意力机制网络、全连接层依次连接而成,输入数据为容量比序列的三维充电稀疏数据,输出数据为下一循环的总充电时间比,所述容量比序列的三维为电压、电流、温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110333851.8A CN113119796B (zh) | 2021-03-29 | 2021-03-29 | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110333851.8A CN113119796B (zh) | 2021-03-29 | 2021-03-29 | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113119796A true CN113119796A (zh) | 2021-07-16 |
CN113119796B CN113119796B (zh) | 2022-10-18 |
Family
ID=76774452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110333851.8A Active CN113119796B (zh) | 2021-03-29 | 2021-03-29 | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113119796B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115656840A (zh) * | 2022-12-27 | 2023-01-31 | 武汉工程大学 | 电池充电剩余时间的预测方法、装置、系统以及存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179061A1 (en) * | 2010-06-10 | 2013-07-11 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
CN204706925U (zh) * | 2015-06-30 | 2015-10-14 | 福州大学 | 基于bp神经网络的智能电池充电器 |
CN109774537A (zh) * | 2019-03-08 | 2019-05-21 | 恒大智慧充电科技有限公司 | 充电方法、计算机设备及存储介质 |
CN110010988A (zh) * | 2017-12-29 | 2019-07-12 | 睿能创意公司 | 决定及管理电池充电规则的系统与方法 |
CN110010987A (zh) * | 2019-04-12 | 2019-07-12 | 苏州正力蔚来新能源科技有限公司 | 一种基于大数据的电动汽车剩余充电时间预测方法 |
CN110109024A (zh) * | 2019-05-15 | 2019-08-09 | 广州小鹏汽车科技有限公司 | 电池充电时间的预测方法、装置、电池管理系统 |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN111965562A (zh) * | 2020-10-20 | 2020-11-20 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于随机森林模型预测锂电池剩余循环寿命的方法 |
-
2021
- 2021-03-29 CN CN202110333851.8A patent/CN113119796B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130179061A1 (en) * | 2010-06-10 | 2013-07-11 | The Regents Of The University Of California | Smart electric vehicle (ev) charging and grid integration apparatus and methods |
CN204706925U (zh) * | 2015-06-30 | 2015-10-14 | 福州大学 | 基于bp神经网络的智能电池充电器 |
CN110010988A (zh) * | 2017-12-29 | 2019-07-12 | 睿能创意公司 | 决定及管理电池充电规则的系统与方法 |
CN109774537A (zh) * | 2019-03-08 | 2019-05-21 | 恒大智慧充电科技有限公司 | 充电方法、计算机设备及存储介质 |
CN110010987A (zh) * | 2019-04-12 | 2019-07-12 | 苏州正力蔚来新能源科技有限公司 | 一种基于大数据的电动汽车剩余充电时间预测方法 |
CN110109024A (zh) * | 2019-05-15 | 2019-08-09 | 广州小鹏汽车科技有限公司 | 电池充电时间的预测方法、装置、电池管理系统 |
CN110568361A (zh) * | 2019-09-12 | 2019-12-13 | 华中科技大学 | 一种动力电池健康状态的预测方法 |
CN111965562A (zh) * | 2020-10-20 | 2020-11-20 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于随机森林模型预测锂电池剩余循环寿命的方法 |
Non-Patent Citations (2)
Title |
---|
YANG LIN: "《Predictive energy management strategy for connected 48V hybrid electric vehicles》", 《ENERGY》 * |
姜国权: "《电动汽车动力电池管理系统的研究》", 《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115656840A (zh) * | 2022-12-27 | 2023-01-31 | 武汉工程大学 | 电池充电剩余时间的预测方法、装置、系统以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113119796B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113119796B (zh) | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 | |
CN106354964B (zh) | 电动汽车用锂离子电容器荷电状态估计方法 | |
CN110658460B (zh) | 一种电池包的电池寿命预测方法及装置 | |
von Bülow et al. | A review on methods for state of health forecasting of lithium-ion batteries applicable in real-world operational conditions | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
US11112462B2 (en) | On-board time-independent battery usage data storage | |
CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
CN113335131B (zh) | 一种车辆续航里程预测方法、装置、设备和存储介质 | |
CN113219336B (zh) | 电池劣化判断系统、方法及存储有程序的非临时性存储介质 | |
CN108876052A (zh) | 电动汽车充电负荷预测方法、装置和计算机设备 | |
CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN115656840A (zh) | 电池充电剩余时间的预测方法、装置、系统以及存储介质 | |
WO2023052685A1 (en) | Forecasting charging time of electric vehicles | |
CN113406525A (zh) | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 | |
CN114114051B (zh) | 一种电池老化值的确定方法、装置及电子设备 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN114690040A (zh) | 一种电动汽车动力电池最优充电起始soc预测的方法 | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN113435663A (zh) | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
CN116679213A (zh) | 基于集成深度学习的电动汽车动力电池soh估算方法 |
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 |