CN113504479B - 基于云的电池充电剩余时间的估算方法、系统和存储介质 - Google Patents
基于云的电池充电剩余时间的估算方法、系统和存储介质 Download PDFInfo
- Publication number
- CN113504479B CN113504479B CN202110702480.6A CN202110702480A CN113504479B CN 113504479 B CN113504479 B CN 113504479B CN 202110702480 A CN202110702480 A CN 202110702480A CN 113504479 B CN113504479 B CN 113504479B
- Authority
- CN
- China
- Prior art keywords
- soc
- charging
- current
- remaining time
- cloud
- 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
- 238000000034 method Methods 0.000 title claims abstract description 122
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012937 correction Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 7
- 230000032683 aging Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000007670 refining Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
-
- 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
- Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
- Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
- Y04S30/12—Remote or cooperative charging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (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的电池充电剩余时间的估算方法及系统，包括：车载电池管理系统在充电任务开始时，通过云端平台预存的初始充电过程数据，获得初始状态的SOC‑温度曲线；在检测到满足充电条件时，开始对电池充电，在电池充电过程中，通过远程终端向云端平台上传充电过程数据；云端平台通过大数据处理算法获得表征当前充电过程中的SOC值与温度变化关系的SOC‑温度曲线；车载电池管理系统获取SOC‑温度曲线，根据该SOC‑温度曲线进行当前理论充电剩余时间的估算。本发明提供的测试方法及系统，利用云端平台对大数据的处理能力，实时获取当前充电场景下的估算参数，可以大大减小充电剩余时间的估算误差，提高充电剩余时间的估算精度。
Description
技术领域
本发明涉及动力电池技术领域，尤其涉及基于云平台的充电剩余时间的估算方法、系统和存储介质。
背景技术
电动汽车充电过程中，准确的电池充电剩余时间的估算，可以带来较好的用户体验。现有技术中典型的技术是依靠性能完备、可靠性高的电池管理系统(BatteryManagement System，以下简称BMS)来监控充电过程相关的参数，利用本身自带的处理器配合板载算法实现对电池的管理，但由于其处理能力有限，不能应用复杂的算法实时处理过程数据，因此对充电请求电流及荷电状态(State of Charge，以下简称为SOC)的准确预测受到一定程度的限制。
随着大数据和云计算的发展，利用大数据进行预测的准确度越来越高，通过获取相应场景下云数据库中记录的真实充电过程数据，并将其应用于电池充电剩余时间的预测，将在一定程度上解决上述问题。
此外，本发明充分考虑不同工作模式以及不同工作场景中影响充电剩余时间估算准确度的多种因素，对应提供了处理方式，进一步提高了充电剩余时间估算的准确度。
发明内容
针对现有技术的上述问题，本发明的目的在于，提供一种基于云的电池充电剩余时间的估算方法、系统和存储介质，通过获取相应场景下云端大数据中的历史充电进程数据指导对充电剩余时间的预测，结合应对不同工作模式以及不同工作场景中影响充电剩余时间估算准确度的多种因素的处理方式，提高了充电剩余时间预测的准确度。
由此，本发明的具体技术方案如下：
一方面，本发明提供一种基于云的电池充电剩余时间的估算方法，该方法将数据存储在云端，通过云端大数据处理算法获取符合当前充电场景的历史数据指导充电剩余时间的计算，可以节省车载计算单元的资源，包括如下步骤：
车载电池管理系统在充电任务开始时，通过云端平台预存的初始充电过程数据，获得初始状态的SOC-温度曲线；
车载电池管理系统检测到满足充电条件时，开始对电池充电，在电池充电过程中，通过远程终端向云端平台上传充电过程数据；
云端平台通过大数据处理算法对云端大数据进行筛选，获取符合当前充电任务场景的目标数据集；
根据所述目标数据集获得表征当前充电过程中的SOC值与温度变化关系的SOC-温度曲线；
车载电池管理系统获取所述SOC-温度曲线，根据该SOC-温度曲线进行当前理论充电剩余时间的估算。
可选地，在车载电池管理系统获取所述SOC-温度曲线，根据该SOC-温度曲线进行当前理论充电剩余时间的估算之后，还包括基于工作模式对当前显示充电剩余时间进行修正的步骤：
当检测到工作模式为只存在充电任务时，则选用由前一时刻显示充电剩余时间和前一时刻理论充电剩余时间构成的修正算法对当前显示充电剩余时间进行修正；
当检测到工作模式为充电任务和放电任务共存时，则选用由前一时刻显示充电剩余时间、前一时刻理论充电剩余时间、当前SOC值以及当前电池模组的实际充电电流值构成的修正算法对当前显示充电剩余时间进行修正；
进一步地，本发明提供提供的一种基于云的电池充电剩余时间的估算方法，还包括可以用于上述方法的云端平台的大数据处理算法，所述云端平台通过该大数据处理算法对云端大数据进行筛选，获取符合当前充电任务场景的目标数据集，具体包括：
基于车载电池管理系统上传的充电过程数据，获取表征当前充电过程的基本必要特征参数；
基于所述基本必要特征参数，向云端大数据中对应存储充电过程数据；以及，
基于所述基本必要特征参数，从云端大数据中筛选符合要求的历史充电过程数据，得到目标数据集。
进一步地，所述的大数据处理算法还用于根据目标数据集获得表征当前充电过程中的SOC值与温度变化关系的SOC-温度曲线，具体为：
当获取的目标数据集中没有与当前充电场景的起始温度相匹配的数据时，从云端大数据的初始数据集中挑选一组与当前温度相比温差最小的数据，从该组数据中直接提取SOC-温度变化曲线，其中，所述初始数据集为预存的具有不同起始温度的充电过程数据；以及，
当目标数据集达到一定规模时，根据当前充电场景的起始温度和目标数据集的时效数据，从所述目标数据集中提取一定数量的目标SOC-温度变化曲线，拟合处理后获得SOC-温度曲线。
优选地，在本发明提供的一种基于云的电池充电剩余时间的估算方法中，所述车载电池管理系统基于云端平台获得的SOC-温度曲线，采用分阶段预估算法进行当前理论充电剩余时间的估算，具体包括：
获取充电任务的起点SOC值和目标SOC值，计算两者的差值获得待充 SOC区间；
根据待充SOC区间，查表获得待充SOC区间横跨的待估算SOC阶段；
结合SOC-温度曲线，获取各待估算SOC阶段中覆盖的SOC区间坐标、温度坐标以及请求电流，包括：
当检测到各所述SOC区间坐标范围内包括不同的温度坐标时，根据温度坐标将SOC区间坐标细化为分部SOC区间坐标，基于所述分部SOC区间坐标，查表获得请求电流；
当检测到各所述SOC区间坐标范围内只有单一温度坐标时，根据所述SOC区间坐标，查表获得请求电流；
基于前一步获得的请求电流，结合各SOC区间－温度坐标对应的待充容量，分别计算待估算SOC阶段的理论充电剩余时间，累加后获得当前理论充电剩余时间。
优选地，本发明提供的一种基于云的电池充电剩余时间的估算方法，还包括对初始充电阶段的采样电流的修正处理，具体为：
在结合SOC-温度曲线，获取各待估算SOC阶段中覆盖的SOC区间坐标、温度坐标以及请求电流之后还包括，当所述待估算SOC阶段为充电任务的起点SOC值所在的第一充电阶段时，取所述请求电流和当前电池模组的实际充电电流中的较小者修正所述请求电流。
优选地，本发明提供的一种基于云的电池充电剩余时间的估算方法，还包括为了提高在末端充电场景中理论充电剩余时间估算准确度的处理步骤，尤其适用于越来越泛的超级快充场景的充电剩余时间的预测。具体为：
在所述根据待充SOC区间，查表获得待充SOC区间横跨的待估算SOC 阶段之后，还包括，当所述待估算SOC阶段包括末端充电阶段时，从云端大数据中提取满足末端充电阶段充电场景的充电剩余时间的历史数据，对所述充电剩余时间的历史数据取平均值后，再与当前进入末端充电阶段累计的时间值取差值，将该差值作为末端充电阶段的理论充电剩余时间。
第二方面，本发明进一步提供一种基于云的充电剩余时间的估算系统，包括：车载电池管理系统、远程终端、云端平台和用户终端；
所述车载电池管理系统，包括主控单元，用于管理充电任务，获取SOC- 温度曲线，并基于该SOC-温度曲线进行充电剩余时间的估算；以及，通过所述远程终端向所述云端平台上传当前充电任务的充电过程数据；
所述云端平台，设置数据处理算法，用于获取充电过程数据和训练云端大数据的数据分析模型；所述数据分析模型用于对云端大数据的筛选和处理，以获得表征当前充电过程中的SOC值与温度变化关系的SOC-温度曲线；
所述远程终端，通过无线网络与所述云平台通信连接，且通过CAN总线与所述主控单元连接，用于在所述电池管理系统和所述云端平台之间传递数据；
所述用户终端，包括显示单元，用于用户对充电任务的管理和监控。
作为优选地，所述车载电池管理系统还设有电流检测模块，所述电流检测模块通过滑动平均值滤波处理方式获得当前电池模组的实际充电电流。
第三方面，本发明进一步提供一种计算机可读存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至7 任一项所述的一种基于云的电池剩余充电时间估算方法。
采用上述技术方案，本发明所述的一种用于测量近眼显示设备视场的测试方法、测试装置及存储介质具有如下有益效果：
1.本发明提供的一种基于云平台的充电剩余时间的估算方法和系统，利用云端平台对大数据的处理能力，实时获取当前充电场景下的估算参数，可以大大减小充电剩余时间的估算误差，提高充电剩余时间的估算精度。
2.本发明提供的一种基于云平台的充电剩余时间的估算方法和系统，提供一种对显示的充电剩余时间的修正步骤，能够通过工作模式的判断选用不同的修正模型进行修正处理，能够提升显示值的稳定性和准确性，进一步提升用户体验。
3.本发明提供的一种基于云平台的充电剩余时间的估算方法和系统，提供了一种云端平台从充电历史数据的筛选SOC-温度曲线的数据筛选模型，能够获得比较符合当前充电场景的SOC-温度曲线。
4.本发明提供的一种基于云平台的充电剩余时间的估算方法和系统，提供了一种分阶段预估充电剩余时间的计算方式，能够细化估算区间，进一步提高充电剩余时间的估算准确度。
5.本发明提供的一种基于云平台的充电剩余时间的估算方法和系统，考虑充电中开启用电器导致有放电电流的场景，采用滑动平均值滤波方式获得所述当前实际充电的电流值，以当前实际充电的电流值和当前请求电流值的最小值替换当前阶段的请求电流值，估算值更加准确。
6.本发明提供的一种基于云平台的充电剩余时间的估算方法和系统，考虑充电末端对充电剩余时间估算的影响，增加末端充电阶段的计算步骤，能够在一定程度上解决该问题。
附图说明
为了更清楚地说明本发明的技术方案，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的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。
图1为本发明提供的一种基于云的电池充电剩余时间的估算方法的示意图；
图2为本发明提供的应用图1所示方法的一个实施例的车载电池管理系统的控制流程的示例；
图3为本发明提供的一个实施例的云端大数据处理算法的示例；
图4为本发明提供的一个实施例的分阶段预估充电剩余时间的示例；
图5为本发明提供的一种基于云的电池充电剩余时间的估算系统的系统框图；
图中：1-载电池管理系统、2-远程终端、3-云端平台、4-用户终端。
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的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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
本发明的实施例提供一种基于云的电池充电剩余时间的估算方法，该方法利用云端平台对大数据的处理能力，获取表征当前充电过程中的SOC值与温度变化关系的SOC-温度曲线指导当前充电场景下的理论充电剩余时间的估算。采用本发明的估算方法，一方面可以大大减小充电剩余时间的估算误差，提高充电剩余时间的估算精度；另一方面也解决了板载端本来资源有限，计算温度变化速率占用空间大，消耗资源多，对估算精度影响大的技术问题；此外，通过云上大数据SOC-温度曲线，不但节省板载端空间，还具有快捷、实时、协同，覆盖场景广泛等优点。
如下结合图2和图3，对应用了图1所示的基于云的电池充电剩余时间的估算方法的步骤做具体说明：
本发明实施例的方法如下：
当用户完成充电任务设置，并控制启动充电时，车载电池管理系统先对系统相关参数进行检测，并判断是否满足充电条件，在这个过程中，通过云端平台预存的初始充电过程数据，获得初始状态的SOC-温度曲线；
需要说明的是，所述充电任务为当前充电场景下的有关用户对充电任务进行管理的相关信息，包括获取起点SOC值和设定目标SOC值等；所述云端平台预存的初始充电过程数据为一组通过试验获得的充电过程数据，例如，可以包括多个对应不同起始温度的多种充电任务的充电过程数据，用于在充电任务启动后到云端平台基于历史充电过程数据获得新的SOC-温度曲线前的这段时间内，对初始状态的充电剩余时间进行估算。当云端平台数据传输异常时，可以设置电池管理系统获取当前的温度值，采用当前温度与SOC值的变化关系完成对充电剩余时间的估算。
当车载电池管理系统检测到满足充电条件时，开始对电池充电，在电池充电过程中，通过远程终端向云端平台上传充电过程数据；
云端平台通过大数据处理算法对云端大数据进行筛选，获取符合当前充电任务场景的目标数据集。
具体地，本发明的实施例提供一种具可以用于上述方法的云端平台的大数据处理算法，如图3所示，具体包括：
云端平台基于车载电池管理系统上传的充电过程数据，在数据收集时，获取表征当前充电过程的基本必要特征参数；例如车型、软件版本、SOC值以及电池温度等。
需要说明的是，所述的基本必要参数可以是能够用来表征当前充电进程的状态参数、运行参数和用于识别的标签信息的参数，例如，可以包括 SOH、电芯标签、充电机标签和工作模式中的一种或多种组合的特征信息。
在数据存储时，基于所述车型、软件版本、SOC值以及电池温度，向云端大数据中对应存储该充电任务的充电过程数据；以及，基于车型，从云端大数据中筛选符合要求的历史充电过程数据，在数据预处理时通过软件版本信息和相关数据的时效信息，进一步获得匹配当前充电场景的目标数据集。
在数据分析时，获得如图3所示的目标数据集，该实例中的目标数据集为由行键区间、时间戳信息、以及列族构成的数据集合。
在数据后处理时，对获得的目标数据集进一步分析，获得表征当前充电过程中的SOC值与温度变化关系的SOC-温度曲线，该过程具体为：
当获取的目标数据集中没有与当前充电场景的起始温度相匹配的数据时，从云端大数据的初始数据集中挑选一组与当前温度相比温差最小的数据，从该组数据中直接提取SOC-温度变化曲线，其中，所述初始数据集为预存的具有不同起始温度的充电过程数据；
以及，当目标数据集达到一定规模时，根据当前充电场景的起始温度和目标数据集的时效数据，从所述目标数据集中提取一定数量的目标SOC- 温度变化曲线，拟合处理后获得SOC-温度曲线。
需要说明的是，图2和图3仅为一个参照性示例，本领域的技术人员可以理解的是，基于不同的设计平台，均可以做适应性调整，当选取的所述特征参数不同时，云端大数据中的历史充电过程数据也会有不同，例如，图3所示的行键可以是SOC区间、SOH区间或者是多个参数组合的状态参数等，本发明对此并不限定。
特别地，为了提高索引速度，可以通过云端大数据处理算法使得得到的目标数据集满足软件版本从新到旧排列，行键对应的区间，范围始端和末端从大到小排列；时效信息按从新到旧排列。
通过上述的方法，在从云端大数据中获得SOC-温度曲线的整个过程中，不会出现明显偏差，即使随着时间变化，电池内阻参数，SOH影响，云端大数据也会根据实际充电任务的过程数据更新真实充电SOC-温度变化曲线，以代表最新的电池状况，供新一次参考。
参照图4，本发明的实施例进一步提供一个采用分阶段预估算法进行当前理论充电剩余时间的估算的示例，在计算该充电任务的理论充电剩余时间估算时，具体的计算过程包括：
获取充电任务的起点SOC值和目标SOC值，计算两者的差值获得待充 SOC区间；
根据待充SOC区间，查表获得待充SOC区间横跨的待估算SOC阶段；
在该示例中，查表可得：该充电任务的待充SOC区间横跨的待估算SOC 阶段为预先定义的首阶段、中间阶段、尾阶段和末阶段，四个阶段在图中分别对应①～④的标记；
结合图中所示的SOC-温度曲线，查表可得各待估算SOC阶段中覆盖的SOC区间坐标、温度坐标以及请求电流。
具体说明如下：在该充电场景中，该待估算SOC阶段包括[5％,10％]与 [95％,97％]之间示出的以及未示出的SOC区间坐标，其中，包括跨温度坐标 10℃和温度坐标20℃的中间阶段，以及跨温度坐标20℃和温度坐标 25℃的尾阶段，还包括没有跨温度坐标的首阶段和末阶段。
当出现跨温度坐标的情况时，根据温度坐标将SOC区间坐标细化为分部SOC区间坐标，基于所述分部SOC区间坐标，查表获得请求电流；利用如下公式(1)计算各阶段的理论充电剩余时间；
公式(1)：
其中，n表示第n个待估算SOC阶段，j代表第j个分部SOC区间坐标， t1为该阶段包括的分部SOC区间坐标范围的分部数。
当检测到各所述SOC区间坐标范围内只有单一温度坐标时，根据所述 SOC区间坐标，查表获得请求电流；采用下述的公式(2)计算各阶段的理论充电剩余时间；
公式(2)：
其中，n表示第n个待估算SOC阶段，i表示第i个SOC区间坐标，t 为该阶段包括的SOC区间坐标范围的区间数。
即，在该示例中，待估算SOC阶段②和③需要先按照温度坐标从跳变点将该SOC区间坐标划分为分部SOC区间坐标，再通过查表获得各分布SOC 区间坐标对应的请求电流值，采用公式(1)进行计算；待估算阶段①和④，未跨温度区间，采用公式(2)进行计算。
最后，将获得的各待估算SOC阶段的理论充电剩余时间累加，即得到当前理论充电剩余时间。
在本发明的一个优选实施例中，还增加了对初始充电阶段的采样电流的修正处理，用于应对充电开始时可能存在的采集的充电电流与预设的请求电流值差异较大的情况，具体为：当所述待估算SOC阶段为充电任务的起点SOC值所在的第一充电阶段时，取所述请求电流和当前电池模组的实际充电电流中的较小者修正所述请求电流。
以图4为例，在该充电场景中，第一充电阶段对应图中的首阶段；但在另一充电场景下，若起点SOC值为8％，则所述的第一充电阶段为8％～97％的SOC区间。
在本发明的实施例中优选滑动平均值滤波方式获得所述当前电池模组的实际充电电流。
在本发明的另一个优选实施例中，进一步改进现有技术中存在的末端充电阶段(当电池接近充满时)理论充电剩余时间与实际充电剩余时间差异较大的问题。已有研究表明，该问题是由于查表获得的请求电流值与电池模组的实际充电电流测试值差异较大而导致的。为此，可以通过测试，获得该状况发生时对应的SOC值，将SOC值作为末端充电阶段的起点坐标，对该SOC值到SOC为100％的充电区间进行修正。
在本发明的一个实施例中，可以增加以下步骤：在查表获得待充SOC 区间横跨的待估算SOC阶段之后，当所述待估算SOC阶段包括末端充电区间时，从云端大数据中提取满足末端充电场景的充电剩余时间的历史数据，对所述充电剩余时间的历史数据取平均值后，再与当前进入末端充电阶段累计的时间值取差值，将该差值作为末端充电阶段的理论充电剩余时间。
本领域技术人员应该理解的是末端充电起点SOC值的选取需要根据不同的设计、通过针对性试验的多次测量得到，而非固定值，本发明对末端充电区间的起点SOC值不作限定。
通常在充电过程中，直接将估算的理论充电剩余时间作为显示充电剩余时间可能导致显示充电剩余时间的频繁跳变，进而影响用户体验。为了解决该问题，图2所示的应用图1所示方法的一个实施例的车载电池管理系统的控制流程的示例，还包括基于工作模式对显示充电剩余时间进行修正的步骤：
当检测到工作模式仅有充电任务时，则选用由前一时刻显示充电剩余时间和前一时刻理论充电剩余时间构成的修正算法对当前显示充电剩余时间进行修正；
当检测到工作模式为充电任务和放电任务共存时，则选用由前一时刻显示充电剩余时间、前一时刻理论充电剩余时间、当前SOC值以及当前电池模组的实际充电电流值构成的修正算法对当前显示充电剩余时间进行修正。
即，当只存在充电任务时，该修正关系为：
其中，Tdisp(k)为当前时刻的显示充电剩余时间，Tdisp(k-1)为前一时刻的显示充电剩余时间，Ttheo(k-1)用来前一时刻的理论充电剩余时间。
当充电任务和放电任务共存时，该修正关系为：
其中，SOCnow为检测到的当前SOC值，I'now为当前采集的电池模组的实际充电电流。
例如，可以对应设置为：
当检测到只存在充电任务时，对Tdisp(k-1)与Ttheo(k-1)的差值超过设定的变化阈值时，修正Tdisp(k)。
当检测到当充电任务和放电任务共存时，在检测Tdisp(k-1)与Ttheo(k-1)差值的基础上，再增加对SOCnow和I'now值的状态检测,在此基础上，设定进一步的判断条件，当满足判断条件时，则重新计算理论充电剩余时间，用该重新计算的理论充电剩余时间修正Tdisp(k)。
实施例2
本实施例提供一种基于云的电池剩余充电时间估算系统，包括：车载电池管理系统1、远程终端2、云端平台3和用户终端4；
所述车载电池管理系统1，包括主控单元，用于管理充电任务，获取 SOC-温度变化曲线，并基于该SOC-温度变化曲线进行充电剩余时间的估算；以及，通过所述远程终端向所述云端平台上传当前充电任务的充电过程数据；
结合图5，在本示例中，车载电池管理系统1包括主控单元、从控单元 1～从控单元n，所述主控单元1通过所述从控单元收集电池模组的运行参数，包括电压参数和温度参数等。
所述电池管理系统还设有电流检测模块，以监控电池模组的充电状态。
优选地，所述电流检测模块通过滑动平均值滤波处理方式获得当前电池模组的实际充电电流，
所述电池管理系统1还与外部ECU电连接，用于监控当前的工作模式；例如当检测到工作模式为充电任务和放电任务共存时，启动对显示充电剩余时间的修正处理。
所述云端平台3，设置数据处理算法，用于获取充电过程数据和训练云端大数据的数据分析模型；所述数据分析模型用于对云端大数据的筛选和处理，以获得表征当前充电过程中的SOC值与温度变化关系的SOC-温度曲线；
所述远程终端2，通过无线网络与所述云平台通信连接，且通过CAN总线与所述主控单元连接，用于在所述电池管理系统和所述云端平台之间传递数据；具体地，远程终端2可以为整车ECU的一部分。
所述用户终端4，可以为手机终端或者PC终端，包括显示单元，用于用户对充电任务的管理和监控。
本实施例的一种基于云的电池剩余充电时间估算系统，可以用于实施本发明提供的基于云的电池充电剩余时间的估算方法。
实施例3
上述实施例的方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本发明实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本发明实施例所提供的任一种基于云的电池剩余充电时间估算方法的步骤。
由于该存储介质中所存储的指令，可以执行本发明实施例所提供的任一种基于云的电池剩余充电时间估算方法中的步骤，因此，可以实现本发明实施例所提供的任一种基于云的电池剩余充电时间估算方法所能实现的有益效果，详见前面的实施例，不再赘述。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (9)
1.一种基于云的电池充电剩余时间的估算方法，其特征在于，包括如下步骤：
车载电池管理系统在充电任务开始时，通过云端平台预存的初始充电过程数据，获得初始状态的 SOC-温度曲线；
车载电池管理系统检测到满足充电条件时，开始对电池充电，在电池过程中，通过远程终端向云端平台上传充电过程数据；云端平台通过大数据处理算法对云端大数据进行筛选， 获取符合当前充电任务场景的目标数据集；
根据所述目标数据集获得表征当前充电过程中的 SOC 值与温度变化关系的SOC-温度曲线；
车载电池管理系统获取所述 SOC-温度曲线，根据该 SOC-温度曲线进行当前理论充电剩余时间的估算，具体包括：获取充电任务的起点SOC值和目标SOC值，计算两者的差值获得待充SOC区间；根据待充SOC区间，查表获得待充SOC区间横跨的待估算SOC阶段；结合SOC-温度曲线，获取各待估算SOC阶段中覆盖的SOC区间坐标、温度坐标以及请求电流，包括：当检测到各所述SOC区间坐标范围内包括不同的温度坐标时，根据温度坐标将SOC区间坐标细化为分部SOC区间坐标，基于所述分部SOC区间坐标，查表获得请求电流；当检测到各所述SOC区间坐标范围内只有单一温度坐标时，根据所述SOC区间坐标，查表获得请求电流；基于前一步获得的请求电流，结合各SOC区间－温度坐标对应的待充容量，分别计算待估算SOC阶段的理论充电剩余时间，累加后获得当前理论充电剩余时间。
2.根据权利要求 1 所述的一种基于云的电池充电剩余时间的估算方法，其特征在于，
所述车载电池管理系统获取 SOC-温度曲线，根据所述 SOC-温度曲线进行当 前理论充电剩余时间的估算之后，还包括基于工作模式对显示充电剩余时间进行修正的步骤：
当检测到工作模式仅有充电任务时，则选用由前一时刻显示充电剩余时间 和前一时刻理论充电剩余时间构成的修正算法对当前显示充电剩余时间进行修正；
当检测到工作模式为充电任务和放电任务共存时，则选用由前一时刻显示 充电剩余时间、前一时刻理论充电剩余时间、当前 SOC 值以及当前电池模组的实际充电电流值构成的修正算法对当前显示充电剩余时间进行修正。
3.根据权利要求 1 或 2 所述的一种基于云的电池充电剩余时间的估算方法，其特征在于，所述云端平台通过大数据处理算法对云端大数据进行筛选，获取符合当前充电任务场景的目标数据集，具体包括：
基于车载电池管理系统上传的充电过程数据，获取表征当前充电过程的基本必要特征参数；
基于所述基本必要特征参数，向云端大数据中对应存储充电过程数据；以及，
基于所述基本必要特征参数，从云端大数据中筛选符合要求的历史充电过程数据，得到目标数据集。
4.根据权利要求 1 所述的一种基于云的电池充电剩余时间的估算方法，其特征在于，根据目标数据集获得表征当前充电过程中的 SOC 值与温度变化关系的 SOC-温度曲线，具体过程为：
当获取的目标数据集中没有与当前充电场景的起始温度相匹配的数据时，从云端大数据的初始数据集中挑选一组与当前温度相比温差最小的数据，从所挑选的这组数据中直接提取 SOC-温度变化曲线，其中，所述初始数据集为预存的具有不同起始温度的充电过程数据；以及，
当目标数据集达到一定规模时，根据当前充电场景的起始温度和目标数据集的时效数据，从所述目标数据集中提取一定数量的目标 SOC-温度变化曲线，拟合处理后获得 SOC-温度曲线。
5.根据权利要求 1 所述的一种基于云的电池充电剩余时间的估算方法，其 特征在于，在结合 SOC-温度曲线，获取各待估算 SOC 阶段中覆盖的 SOC 区间坐 标、温度坐标以及请求电流之后还包括，当所述待估算 SOC 阶段为充电任务的 起点 SOC 值所在的第一充电阶段时，取所述请求电流和当前电池模组的实际充电电流中的较小者修正所述请求电流。
6.根据权利要求 1 所述的一种基于云的电池充电剩余时间的估算方法，其 特征在于，所述根据待充 SOC 区间，查表获得待充 SOC 区间横跨的待估算 SOC阶段之后，还包括，当所述待估算 SOC 阶段包括末端充电阶段时，从云端大数据中提取满足末端充电阶段场景的充电剩余时间的历史数据，对所述充电剩余时间的历史数据取平均值后，再与当前进入末端充电阶段累计的时间值取差值，将该差值作为末端充电阶段的理论充电剩余时间。
7.一种基于云的电池充电剩余时间的估算系统，其特征在于，包括：车载电池管理系统（1）、远程终端（2）、云端平台（3）和用户终端（4）；
所述车载电池管理系统（1），包括主控单元，用于管理充电任务，获取 SOC- 温度变化曲线，并基于该 SOC-温度变化曲线进行充电剩余时间的估算，具体包括：获取充电任务的起点SOC值和目标SOC值，计算两者的差值获得待充SOC区间；根据待充SOC区间，查表获得待充SOC区间横跨的待估算SOC阶段；结合SOC-温度曲线，获取各待估算SOC阶段中覆盖的SOC区间坐标、温度坐标以及请求电流，包括：当检测到各所述SOC区间坐标范围内包括不同的温度坐标时，根据温度坐标将SOC区间坐标细化为分部SOC区间坐标，基于所述分部SOC区间坐标，查表获得请求电流；当检测到各所述SOC区间坐标范围内只有单一温度坐标时，根据所述SOC区间坐标，查表获得请求电流；基于前一步获得的请求电流，结合各SOC区间－温度坐标对应的待充容量，分别计算待估算SOC阶段的理论充电剩余时间，累加后获得当前理论充电剩余时间；以及，通过所述远程终端向所述云端平台上传当前充电任务的充电过程数据；
所述云端平台（3），设置数据处理算法，用于获取充电过程数据和训练云 端大数据的数据分析模型；所述数据分析模型用于对云端大数据的筛选和处理，以获得表征当前充电过程中的 SOC 值与温度变化关系的 SOC-温度曲线；
所述远程终端（2），通过无线网络与所述云端平台通信连接，且通过 CAN 总 线与所述主控单元连接，用于在所述电池管理系统和所述云端平台之间传递数据；
所述用户终端（4），用于用户对充电任务的管理和监控。
8.根据权利要求 7 所述的一种基于云的电池充电剩余时间的估算系统，其 特征在于，所述车载电池管理系统还设有电流检测模块，所述电流检测模块通过滑动平均值滤波处理方式获得当前电池模组的实际充电电流。
9.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令、 至少一段程序、代码集或指令集，所述至少一段程序、所述代码集或指令集由 处理器加载并执行以实现如权利要求 1 至 6 任一项所述的一种基于云的电池充电剩余时间的估算方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110702480.6A CN113504479B (zh) | 2021-06-24 | 2021-06-24 | 基于云的电池充电剩余时间的估算方法、系统和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110702480.6A CN113504479B (zh) | 2021-06-24 | 2021-06-24 | 基于云的电池充电剩余时间的估算方法、系统和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113504479A CN113504479A (zh) | 2021-10-15 |
| CN113504479B true CN113504479B (zh) | 2024-01-30 |
Family
ID=78010418
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110702480.6A Active CN113504479B (zh) | 2021-06-24 | 2021-06-24 | 基于云的电池充电剩余时间的估算方法、系统和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113504479B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113484779B (zh) * | 2021-06-28 | 2023-09-01 | 浙江吉利控股集团有限公司 | 一种电池剩余充电时间估算方法及装置 |
| CN116125312A (zh) * | 2021-11-12 | 2023-05-16 | 比亚迪股份有限公司 | 充电剩余时间的估计方法、装置和计算机存储介质 |
| CN114475353B (zh) * | 2022-01-20 | 2023-11-10 | 上海汽车集团股份有限公司 | 动力电池充电时间预估方法、装置、电子设备及存储介质 |
| 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 (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529396A (zh) * | 2013-10-25 | 2014-01-22 | 重庆长安汽车股份有限公司 | 一种高精度锂离子电池荷电状态初始值估算方法 |
| CN106789199A (zh) * | 2016-12-07 | 2017-05-31 | 地上铁租车（深圳）有限公司 | 新能源物流车运力平台云数据处理系统及方法 |
| CN106786883A (zh) * | 2016-12-22 | 2017-05-31 | 雅迪科技集团有限公司 | 一种基于soc的动力电池充放电控制系统 |
| CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
| CN111257752A (zh) * | 2018-11-30 | 2020-06-09 | 宁德时代新能源科技股份有限公司 | 剩余充电时间估算方法、装置、系统和存储介质 |
| KR102257598B1 (ko) * | 2021-04-12 | 2021-05-27 | 한국교통대학교산학협력단 | 전동차 배터리 상태진단 서버, 방법 및 시스템 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10547180B2 (en) * | 2016-11-04 | 2020-01-28 | Battelle Memorial Institute | Battery system management through non-linear estimation of battery state of charge |
| US10507730B2 (en) * | 2017-10-19 | 2019-12-17 | Ford Global Technologies, Llc | Electric vehicle cloud-based charge estimation |
-
2021
- 2021-06-24 CN CN202110702480.6A patent/CN113504479B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103529396A (zh) * | 2013-10-25 | 2014-01-22 | 重庆长安汽车股份有限公司 | 一种高精度锂离子电池荷电状态初始值估算方法 |
| CN106789199A (zh) * | 2016-12-07 | 2017-05-31 | 地上铁租车（深圳）有限公司 | 新能源物流车运力平台云数据处理系统及方法 |
| CN106786883A (zh) * | 2016-12-22 | 2017-05-31 | 雅迪科技集团有限公司 | 一种基于soc的动力电池充放电控制系统 |
| CN111257752A (zh) * | 2018-11-30 | 2020-06-09 | 宁德时代新能源科技股份有限公司 | 剩余充电时间估算方法、装置、系统和存储介质 |
| CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
| KR102257598B1 (ko) * | 2021-04-12 | 2021-05-27 | 한국교통대학교산학협력단 | 전동차 배터리 상태진단 서버, 방법 및 시스템 |
Non-Patent Citations (3)
| Title |
|---|
| Rapid Optimization of Battery Charging- Discharging Profiles Using SOC-SOC Rate Domain for Cruising Hybrid Vehicles;Junyoung Kim;IEEE Access;第7卷;第87866 - 87872页 * |
| 基于IndyLSTM锂电池充电剩余时间预测;刘鑫;中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑);第C042-2468页 * |
| 基于STM32的锂离子电池剩余电量(SOC)测量系统;高健宸;数据通信(第5期);第44-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113504479A (zh) | 2021-10-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113504479B (zh) | 基于云的电池充电剩余时间的估算方法、系统和存储介质 | |
| CN109941111B (zh) | 剩余续驶里程的预估方法和电动汽车 | |
| US11644515B2 (en) | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store | |
| EP3745151A1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
| US8645088B2 (en) | Systems and methods for determining the state of charge of a battery utilizing confidence values | |
| EP3249774A1 (en) | Battery selection device, battery selection method, program, and recording medium | |
| US11300621B2 (en) | Battery life learning device, battery life prediction device, method and non-transitory computer readable medium | |
| CN111098753A (zh) | 电动车辆的续航里程估算方法和装置、电动车辆 | |
| EP3842815B1 (en) | Soc and soh estimation methods of battery pack | |
| CN111196180B (zh) | 整车控制器、车辆及其剩余续驶里程显示方法、装置 | |
| JP6551120B2 (ja) | 充電時間推定システム、充電時間推定装置、及び充電時間推定方法 | |
| CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
| CN114994539A (zh) | 一种电池健康状态的检测方法、装置及系统 | |
| EP3842816A1 (en) | Soh estimation method of battery pack | |
| JP2022077515A (ja) | 電気車両のための充電インフラストラクチャ・システムの障害を検出するための方法およびシステム | |
| CN111679200B (zh) | 一种电池荷电状态的校准方法、装置和车辆 | |
| CN113219336A (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 | |
| EP4300385A1 (en) | Battery diagnostic system | |
| CN112356737B (zh) | 电池充电管理方法及电池管理系统 | |
| EP3985501A1 (en) | System and method for controlling an update of a vehicle controller | |
| US20160084910A1 (en) | Systems and methods for estimating battery system energy capability | |
| CN113595174A (zh) | 电池管理方法、装置、设备和服务器 | |
| JP2020112491A (ja) | パラメータ推定装置、パラメータ推定方法及びコンピュータプログラム | |
| CN116298945A (zh) | 电池剩余可用能量的确定方法、装置和存储介质 | |
| US20230286415A1 (en) | Computing system, battery deterioration predicting method, and battery deterioration predicting program |
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 |