CN113625175A - 一种基于云端大数据平台的soc估算方法和系统 - Google Patents

Abstract

本申请公开了一种基于云端大数据平台的SOC估算方法，首先接收电动车上传的车端电池数据，并对该车端电池数据进行预处理；然后依据预处理后的车端电池数据确定电动车的SOC估算类型，其中，每种SOC估算类型对应一种SOC估算算法；再依据电动车的SOC估算类型所对应的SOC估算算法获取电动车的云端计算SOC值和SOC修正系数，然后将获取的SOC估算算法、云端计算SOC值和SOC修正系数发送给电动车。通过云端大数据平台来计算电动车的SOC值，并可以实现在整车工况满足的情况下修正整车端的SOC值，不但可以简化电动车BMS端算法，以减少相应的存储空间，还可以通过完善云端大数据平台的SOC估算算法来实现维护电动车端的SOC估算算法，以简化电动车的售后服务流程。

Description

一种基于云端大数据平台的SOC估算方法和系统

技术领域

本发明涉及新能源汽车电池管理及控制器技术领域，具体涉及一种基于云端大数据平台的SOC估算方法和系统。

背景技术

电池作为新能源汽车的核心部件，其主要给新能源汽车提供电能，但是由于电池剩余电量不能够准确预估，使得驾驶员无法在当前剩余电量下确定新能源车能够行驶的里程；尤其是当电量较低时，这种问题更严重，驾驶员普遍存在里程焦虑问题。电池剩余电量的预估不准确，主要原因包括：1）由于每个电池组的物理特性存在差异、使用者的充电习惯(充电次数和充电方式)不同、实际新能源车行驶的工况(包含有负载、路面状况、外界温度)等差异；2）由于电池本身的电池荷电状态(State of Charge, SOC)曲线的获得是来自于电池化学特性模型，其自身化学模型本身不准确，从而使得新能源车的驾驶员无法实时获得准确的电量与当前驾驶路面的能够行驶的，特别是当电池处于不同温度或不同寿命时期，尽管开路电压一样，但实际上的SOC估计值则差别较大。

目前，SOC预测都是由电池的管理系统(Battery Management System，BMS)完成，其预测方法有安时积分法、开路电压法、负载电压法、卡尔曼滤波法以及人工神经网络法。这些方法都是基于已有的电池化学充放电模型来进行，在预测的时候，仅是大致通过模型估算从而给出曲线，未考虑到实际每个新能源车的已有状态(新能源车的前期使用状态)与当前工作状态来进行估算，使得存在SOC曲线估计不准确。还有就是汽车上的电池管理系统BMS中电池荷电状态SOC估算前期标定复杂，出厂后因算法不可更改而导致SOC估算误差增大的技术问题。

发明内容

在本发明主要解决的技术问题是现有技术中电动车因算法不可更改而导致SOC估算误差增大的技术问题。

第一方面，一种实施例中提供一种基于云端大数据平台的SOC估算方法，包括：

接收电动车上传的车端电池数据；

对所述车端电池数据进行预处理；

依据预处理后的所述车端电池数据确定所述电动车的SOC估算类型；每种所述SOC估算类型对应一种SOC估算算法；

依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数；

将获取的所述SOC估算算法、云端计算SOC值和SOC修正系数发送给所述电动车。

一实施例中，所述车端电池数据包括每个充放电循环的采集时间、电池充放电电流、单体电压、单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池故障信息和/或车端计算的SOC值。

一实施例中，所述对所述车端电池数据进行预处理，包括：

对所述车端电池数据进行空余赋值、错值去除和/或交叉检验；

所述空余赋值用于对所述车端电池数据在采集和/或传输过程中因发生掉包或采集失败而产生的缺失进行赋值；

所述错值去除用于删除所述车端电池数据中大于一第一预设阈值的数据，和/或用于纠正所述车端数据中小于一第二预设阈值的数据；

所述交叉检验用于将所述车端电池数据与预先存储的历史车端电池数据进行交叉校验，以校正和/或删除所述车端电池数据。

一实施例中，所述对所述车端电池数据进行预处理，包括：

对所述车端电池数据进行数据清洗，并获取数据清洗的比例值；

依据所述数据清洗的比例值获取所述车端电池数据的置信度；

依据所述车端电池数据的置信度确定所述车端电池数据的有效性。

一实施例中，所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，包括：

每种所述SOC估算类型对应所述电动车的车载电池的一种工作状态；所述车载电池的工作状态包括充电和放电；

通过综合算法获取所述电动车的云端计算SOC值，所述综合算法是将每种所述SOC估算算法获取的SOC值与该算法预设的算法比例的积求和，并将该和作为所述电动车的云端计算SOC值；其中，每种所述SOC估算算法的算法比例之和为1。

一实施例中，所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，还包括：

所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，所述当前车端电池数据是所述电动车最后一次上传的所述车端电池数据，所述历史车载数据是历史上预先存储的所述车端电池数据。

一实施例中，所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，包括：

分别将依据所述当前车端电池数据和所述历史车载数据获取的SOC值与各自预设的权重值求积后再求和，并将获取的和作为该SOC估算算法获取的SOC值；所述预设的权重值与所述当前车端电池数据的数据清洗的比例值相关。

一实施例中，所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，包括：

所述SOC修正系数依据所述车端计算的SOC值和所述云端计算SOC值获取；

当所述车端计算的SOC值大于所述云端计算SOC值，且所述电动车的车载电池电流为放电电流时，所述SOC修正系数为向下大于1的值；

当所述车端计算的SOC值大于所述云端计算SOC值，且所述电动车的车载电池电流为充电电流时，所述SOC修正系数为向上小于1的值；

当所述车端计算的SOC值小于所述云端计算SOC值，且所述电动车的车载电池电流为放电电流时，所述SOC修正系数为向下小于1的值；

当所述车端计算的SOC值小于所述云端计算SOC值，且所述电动车的车载电池电流为充电电流时，所述SOC修正系数为向上大于1的值。

第二方面，一种实施例中提供一种计算机可读存储介质，所述介质上存储有程序，所述程序能够被处理器执行以实现第一方面所述的方法。

第三方面，一种实施例中提供一种基于云端大数据平台的SOC估算系统,包括云端大数据平台，用于获取电动车上传的车端电池数据，并依据所述车端电池数据获取所述电动车的SOC估算方法和SOC修正系数，再将获取的所述SOC估算方法、云端计算SOC值和SOC修正系数发送给所述电动车，以用于更新所述电动车的 SOC估算方法和SOC修正系数；其中，所述车端电池数据包括所述电动车的ID、每次充放电循环的采集时间、电池充放电电流、电池单体电压、电池单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池历史故障信息、所述电动车的SOC估算方法和/或SOC值；

所述云端大数据平台包括数据获取模块、数据预处理模块、数据分类模块、估算获取模块和更新数据发送模块；

所述数据获取模块用于接收所述电动车上传的所述车端电池数据；

所述数据预处理模块用于对所述车端电池数据进行数据清洗并获取数据清洗的比例值，还用于对所述车端电池数据进行空余赋值、错值去除和/或交叉检验后发送给所述数据分类模块；

所述数据分类模块用于依据所述车端电池数据确定所述电动车的SOC估算类型；其中，每种所述SOC估算类型对应一种SOC估算算法；

所述估算获取模块用于依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数；

所述更新数据发送模块用于将获取的所述SOC估算算法、云端计算SOC值和SOC修正系数发送给所述电动车。

依据上述实施例的SOC估算系统,包括云端大数据平台，用于获取电动车上传的车端电池数据，并依据所述车端电池数据获取所述电动车的SOC估算方法和SOC修正系数，再将获取的所述SOC估算方法、云端计算SOC值和SOC修正系数发送给所述电动车，以用于更新所述电动车的 SOC估算方法和SOC修正系数；其中，所述车端电池数据包括所述电动车的ID、每次充放电循环的采集时间、电池充放电电流、电池单体电压、电池单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池历史故障信息、所述电动车的SOC估算方法和SOC值。由于通过云端大数据平台来计算电动车的SOC值，并可以实现在整车工况满足的情况下修正整车端的SOC值，不但可以简化电动车BMS端算法，以减少相应的存储空间，还可以通过云端大数据平台来优化电动车端的SOC估算算法，以简化电动车的售后服务流程。

附图说明

图1为一种实施例中SOC估算方法的流程示意图；

图2为一种实施例中云端大数据平台对车载电池数据分析及分类图；

图3为一种实施例中时间-SOC值的曲线图；

图4为一种实施例中SOC估算系统的结构示意图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接（联接）。

电池荷电状态SOC估算主要是通过开路电压法、安时积分法、卡尔曼滤波法等离线方式实现。其中，开路电压法是根据电池的开路电压（Open Circuit Voltage，OCV）与电池容量的对应关系得到OCV与SOC之间的一一对应关系。在实际测试中，将电池满充后以固定倍率进行放电，直到达到电池的截止电压停止放电，根据该放电过程得到OCV与SOC的关系，即得到放电OCV-SOC曲线；将电池放空后以固定倍率进行充电，直到达到电池的截止电压停止充电，根据该充电过程得到OCV与SOC的关系，即得到充电OCV-SOC曲线。安时积分法是电池进行充电或放电时，通过累积充进或放出的电量来估算电池的SOC。安时积分法的基本计算公式包括：

SOCnow=SOCO-(∫₀ ^tIdt)/Cmax；

其中，SOCO是电池电荷状态的初始电量值；Cmax是电池的额定容量，I为电池在t时刻的充放电电流，t为充放电的时间。卡尔曼滤波算法的基本原理是：将噪声与信号的状态空间模型作为算法模型，在测量时，应用当前时刻的观测值与上一时刻的估计值，对状态变量的估算进行更新。卡尔曼滤波算法对锂电池荷电状态进行预测的实质是安时积分法，同时用测量的电压值来对初步预测得到的值进行修正。

在现有技术中，电池荷电状态SOC估算均采用离线方式进行估算，这意味着其在出厂时就已确定了相关算法，而在之后的整车运行过程中均为离线估算的方式进行计算。当前汽车运行工况复杂多样，为了满足出厂时SOC预估算法的合理性需进行多样的测试、标定工作，这在一方面会加长开发周期，另一方面也导致了该部分算法的复杂度。还有就是汽车硬件存储空间与本身算力决定了不可能使用非常复杂的算法进行离线算法的内置。

在本发明实施例中，提供一种基于云端大数据平台的SOC估算方法,首先接收电动车上传的车端电池数据，并对该车端电池数据进行预处理；然后依据预处理后的车端电池数据确定电动车的SOC估算类型，其中，每种SOC估算类型对应一种SOC估算算法；再依据电动车的SOC估算类型所对应的SOC估算算法获取电动车的云端计算SOC值和SOC修正系数，然后将获取的SOC估算算法、云端计算SOC值和SOC修正系数发送给电动车。由于通过云端大数据平台来计算电动车的SOC值，并可以实现在整车工况满足的情况下修正整车端的SOC值，不但可以简化电动车BMS端算法，以减少相应的存储空间，还可以通过云端大数据平台来优化电动车端的SOC估算算法，以简化电动车的售后服务流程。

实施例一

请参考图1，为一种实施例中SOC估算方法的流程示意图，包括：

步骤100，获取数据。

接收电动车上传的车端电池数据。车端电池数据包括每个充放电循环的采集时间、电池充放电电流、单体电压、单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池故障信息和/或车端计算的SOC值。一实施例中，电动车包括车端电池数据获取装置和车载通讯模块，车端电池数据获取装置用于获取车端电池数据，车载通讯模块用于将车端电池数据上传给云端大数据平台。

一实施例中，电动车实时或按预设时间上传车端电池数据。一实施例中，电动车响应云端大数据平台的数据获取请求上传车端电池数据。一实施例中，电动车达到特定触发条件后再进行传输，如电池容量变化超过第一容量阈值时，如1Ah。

步骤200，数据预处理。

对车端电池数据进行预处理。对接收的车端电池数据进行空余赋值、错值去除和/或交叉检验。空余赋值用于对车端电池数据在采集和/或传输过程中因发生掉包或采集失败而产生的缺失进行赋值。一实施例中，空余赋值主要采用该变量缺失前后一段时间内的平均值或相邻特征值进行插值赋值；例如：依次获取四次数据，而实际真实获取到的数据是A（第一次获取的）、B（第二次获取的）和D（第四次获取的） ，则缺少C（第三次应该获取的）数据，可将B 作为第三次获取的数据C，也可将B和D取平均作为第三次获取的数据C。错值去除用于删除车端电池数据中大于一第一预设阈值的数据，或用于纠正所述车端数据中小于一第二预设阈值的数据。例如：依次获取四次数据，分别包括A（第一次获取的）、B（第二次获取的）、C（第三次获取的）和D（第四次获取的），当A大于第一预设阈值时删除A，当C小于第二预设阈值时纠正C，纠正方式可将B作为C，或将B和D取平均作为C。所述交叉检验用于将车端电池数据与预先存储于云端大数据平台的电池数据进行交叉校验，以校正和/或删除车端电池数据。例如：获取数据Aˊ，将Aˊ与预先存储的类似工况下的数据A"进行比较，当Aˊ与A"出入比较大时，删除Aˊ，或依据A"对Aˊ进行修正。其中，A"可以是历史接收到的相似工况下数据（例如电流相似、电压平台相似、温度相似）或预先存储于云端大数据平台的相似工况下数据。一实施例中，如在电动车端未发生电池单体电压故障信息，而传输到云端大数据平台的某个单体电压数据存在异常情况，可将该个单体电压剔除后进行后续处理，后续处理方式参考上述空余赋值、错值去除和交叉检验的预处理方式。

一实施例中，还对车端电池数据进行数据清洗，并获取数据清洗的比例值。再依据数据清洗的比例值获取车端电池数据的置信度，以依据车端电池数据的置信度确定车端电池数据的有效性。一实施例中，删除有效性低的车端电池数据。一实施例中，在云端大数据平台统计进行数据清洗的比例，记录下数据清洗比例值，所述数据清洗比例为本次数据的清洗比例。当数据清洗比例值小于第一数据清洗比例值，如2%时，可假定该段时间内统计的数据有效，云端大数据该段数据的置信度为100%；当第一数据清洗比例值不大于数据清洗比例值，且数据清洗比例值小于第二数据清洗比例值，如5%，云端大数据该段数据的置信度为50%；当数据清洗比例值大于第二数据清洗比例值，如5%，云端大数据该段数据的置信度为0%。应该明确的是，在此实施例使用的为3段区间，作为可选项，该区间可根据实际实施例进行匹配后调整。

步骤300，获取估算类型。

依据预处理后的车端电池数据确定电动车的SOC估算类型，其中，每种SOC估算类型对应一种SOC估算算法。一实施例中，每种SOC估算类型对应电动车的车载电池的一种工作状态，其中，车载电池的工作状态包括充电状态和放电状态。一实施例中，云端大数据平台根据传输的数据基于统计逻辑及历史数据进行区分，分别放置于不同的SOC算法区域下。不同的SOC算法使用模块化结构，利于后续优化与算法升级。其中，最近传输数据的权重不小于历史数据权重，两者的权重和为1。最近传输数据权重的选取需结合步骤200所得的数据清洗比例得到。在一实施例中，如数据清洗比例不大于2%时，设定最近传输数据的权重为80%，历史数据权重为20%；如数据清洗比例不小于2%，且不大于5%时，设定最近传输数据的权重为60%，历史数据权重为40%；如数据清洗比例大于5%时，设定最近传输数据的权重为50%，历史数据权重为50%。在实施例中，当数据清洗比例低时，说明本次数据的可靠性较高，此时可给予当前数据较高权重，给予历史数据较低权重，使其权重和总为1；当数据清洗比例高时，说明本次数据的可靠性较低，此时给予当前数据较低权重，给予历史数据较高权重，使其权重和总为1。需要注意的是，在此的最近传输数据可选为车端电池数据中的本次高压循环内的电池数据，历史数据为相似工况下（例如：电流相似、电压平台相似和温度相似）的电池数据。

步骤400，获取云端计算SOC值。

依据电动车的SOC估算类型所对应的SOC估算算法获取电动车的云端计算SOC值和SOC修正系数。一实施例中，通过综合算法获取电动车的云端计算SOC值，综合算法是将每种SOC估算算法获取的SOC值与该算法预设的算法比例的积求和，并将该和作为电动车的云端计算SOC值。其中，每种SOC估算算法的算法比例之和为1。综合算法是结合步骤300得到，具体的为根据车端电池数据可在不同的SOC算法区域进行计算，每个SOC算法区域的SOC的取值范围均为0至100%，各个区域均有相应的区域比例，各区域比例和为100%。在一实施例中，假如当前SOC估算算法分3个区域，假设由步骤300得到最近传输数据的权重为60%，历史数据权重为40%。由步骤400得到SOC算法区域1的算法比例为20%，基于现有数据得到的SOC值为SOC₁₁，基于历史数据综合得到的SOC值为SOC₁₂；区域2的算法比例为30%，基于现有数据得到的SOC值为SOC₂₁，基于历史数据综合得到的SOC值为SOC₂₂；算法区域3的算法比例为50%，基于现有数据得到的SOC值为SOC₃₁，基于历史数据综合得到的SOC值为SOC₃₂。则，云端计算SOC值为：

20%*（SOC₁₁*60%+SOC₁₂*40%）+ 30%*（SOC₂₁*60%+SOC₂₂*40%）+50%* （SOC₃₁*60%+SOC₃₂*40%）；

其中，上述SOC值均不高于100%。

可选的，例如：获得当前的行驶数据为平台期（如SOC为30%~80%），此时的算法区域1为安时积分算法区域，算法区域2为开路电压算法区域，区域3为卡尔曼滤波算法区域。此时，在该数据状态下，该数据特征表明其开路电压算法与安时积分算法准确度较低，卡尔曼滤波算法准确度较高，即此时可选算法区域1的安时积分算法权重为30%，算法区域2的开路电压算法为20%，算法区域3的卡尔曼滤波算法为50%。在实际使用中，该算法权重为可变的值，例如当从平台期过渡到静置期（例如30%充电至80%，然后进行静置）时，可提高开路电压算法区域2的权重，如从20%平滑过渡至50%，安时积分算法区域1的权重从30%平滑过渡为20%，卡尔曼滤波算法的权重从50%平滑过渡为30%，在平滑过渡过程中，权重和恒为100%。

一实施例中，SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，当前车端电池数据是电动车最后一次上传的车端电池数据，历史车载数据是历史上预先存储的相似工况下的车端电池数据。一实施例中，分别将依据当前车端电池数据和历史车载数据获取的SOC值与各自预设的权重值求积后再求和，并将获取的和作为该SOC估算算法获取的SOC值，其中，预设的权重值与当前车端电池数据的数据清洗的比例值相关。

一实施例中，SOC修正系数依据车端计算的SOC值和云端计算SOC值获取。当车端计算的SOC值大于云端计算SOC值，且电动车的车载电池电流为放电电流时，SOC修正系数为向下大于1的值；当车端计算的SOC值大于云端计算SOC值，且电动车的车载电池电流为充电电流时，SOC修正系数为向上小于1的值。当车端计算的SOC值小于云端计算SOC值，且电动车的车载电池电流为放电电流时，SOC修正系数为向下小于1的值；当车端计算的SOC值小于云端计算SOC值，且电动车的车载电池电流为充电电流时，SOC修正系数为向上大于1的值。

请参考图2，一种实施例中云端大数据平台对车载电池数据分析及分类图，依据不同的车载电池的工作状态对应不同的SOC估算算法，即每个SOC估算算法对应一种车载电池的工作状态，将每个车载电池的工作状态的数据划分为一个区域。在一实施例中，主要通过车载电池的工作状态的识别进行算法区域的划分，例如：

（1）长时间静置下，将该数据划分至SOC计算中的开路电压法算法区域；

（2）低温下进行充电，将该数据划分至低温SOC修正算法区域；

（3）平台期内充放电，将该数据划分至安时积分SOC修正算法区域。

上述安时积分法和开路电压法均为现有的估算SOC的公开方法，在本申请中不再一一赘述。

按照如图2所示的通过车载电池的工作状态进行算法区域的划分，当数据符合对应车载电池的工作状态时，将该部分数据放置于该工作状态下的区域中，在各区域下分别存储着不同工作状态下的历史数据。在不同区域下设置不同的SOC估算算法。后续可通过模块进行算法升级，或通过新增模块增加相应的算法。

请参考图3，为一种实施例中时间-SOC值的曲线图，在一实施例中，实线L1表示车端计算的SOC值，虚线L2表示云端计算SOC值。L1为电动车上传的SOC值的曲线，L2为综合不同车载电池的工作状态下进行计算的云端计算SOC值的拟合曲线。在某一时刻的横坐标上，虚线L2对应的纵坐标就是对应的云端计算SOC值，该曲线可随着新的车载电池数据进行实时更新，云端大数据平台可通过优化或修改云端大数据平台的SOC估算算法，以得到准确度更高的云端计算SOC值拟合曲线。

步骤500，发送结果数据。

将获取的SOC估算算法、云端计算SOC值和SOC修正系数发送给电动车。一实施例中，电动车还包括SOC估算装置，车载通讯模块还用于接收云端大数据平台发送的SOC估算算法、云端计算SOC值和SOC修正系数，并转发给SOC估算装置，SOC估算装置更新算法，并依据获取的云端计算SOC值和SOC修正系数获取该车的SOC值。

在本申请实施例中，公开了一种基于云端大数据平台的SOC估算方法,首先接收电动车上传的车端电池数据，并对该车端电池数据进行预处理；然后依据预处理后的车端电池数据确定电动车的SOC估算类型，其中，每种SOC估算类型对应一种SOC估算算法；再依据电动车的SOC估算类型所对应的SOC估算算法获取电动车的云端计算SOC值和SOC修正系数，然后将获取的SOC估算算法、云端计算SOC值和SOC修正系数发送给电动车。由于通过云端大数据平台来计算电动车的SOC值，并可以实现在电动车工况满足的情况下修正SOC值，不但可以简化电动车BMS端算法，以减少相应的存储空间，还可以通过云端大数据平台来优化电动车端的SOC估算算法，以简化电动车的售后服务流程。

实施例二

请参考图4，为一种实施例中SOC估算系统的结构示意图，包括云端大数据平台1，用于获取电动车2上传的车端电池数据，并依据车端电池数据获取电动车2的SOC估算方法和SOC修正系数，再将获取的SOC估算方法、云端计算SOC值和SOC修正系数发送给电动车2，以用于更新电动车2的 SOC估算方法和SOC修正系数。其中车端电池数据包括电动车的ID、每次充放电循环的采集时间、电池充放电电流、电池单体电压、电池单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池历史故障信息、电动车2的SOC估算方法和SOC值。该云端大数据平台1包括数据获取模块11、数据预处理模块12、数据分类模块13、估算获取模块14和更新数据发送模块15。数据获取模块11用于接收电动车上传的车端电池数据。数据预处理模块12用于对车端电池数据进行数据清洗并获取数据清洗的比例值，还用于对车端电池数据进行空余赋值、错值去除和交叉检验后发送给数据分类模块。数据分类模块13用于依据车端电池数据确定电动车的SOC估算类型。其中，每种SOC估算类型对应一种SOC估算算法。估算获取模块14用于依据电动车的SOC估算类型所对应的SOC估算算法获取电动车的云端计算SOC值和SOC修正系数。更新数据发送模块15用于将获取的SOC估算算法、云端计算SOC值和SOC修正系数发送给电动车。

电动车2包括车端电池数据获取装置21和车载通讯模块23，车端电池数据获取装置21用于获取车端电池数据，车载通讯模块23用于将车端电池数据上传给云端大数据平台。电动车还包括SOC估算装置22，车载通讯模块23还用于接收云端大数据平台1发送的SOC估算算法、云端计算SOC值和SOC修正系数，并转发给SOC估算装置22，SOC估算装置22更新算法，并依据获取的云端计算SOC值和SOC修正系数获取该电动车2的SOC值。

在本申请实施例中，公开了一种SOC估算系统,包括云端大数据平台。由于通过云端大数据平台来计算电动车的SOC值，并可以实现在整车工况满足的情况下修正整车端的SOC值，不但可以简化电动车BMS端算法，以减少相应的存储空间，还可以通过云端大数据平台来优化电动车端的SOC估算算法，以简化电动车的售后服务流程。

本申请基于现有技术中电动车因算法不可更改而导致SOC估算误差增大的技术问题，提出一种基于云端大数据平台的SOC估算方法，以优化电动车的BMS的SOC值修正方式。进一步，依据车载电池的工作状态不同区分，并按照历史统计信息，划分其在不同SOC估算算法的权重，还可按照模块进行SOC算法升级，解除算法之间相关的耦合。另外，云端大数据平台存储车载电池数据，并通过SOC算法升级影响本地SOC的估算值。一实施例中，云端大数据平台依据车载数据可分不同客户工况（例如深DOD的客户，经常不满充满放客户的客户，大电流行驶的客户，经常直流充电的客户等）进行存储，根据车载电池的工作状态的识别，使用不同云端SOC估算算法，又因为云端大数据平台中的SOC估算算法为可修改的，在实际使用过程中可以集成一起后进行算法计算，不会加大软件复杂度，且保证了后续可维护性。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims (10)

1.一种基于云端大数据平台的SOC估算方法，其特征在于，包括：

接收电动车上传的车端电池数据；

对所述车端电池数据进行预处理；

依据预处理后的所述车端电池数据确定所述电动车的SOC估算类型；每种所述SOC估算类型对应一种SOC估算算法；

依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数；

将获取的所述SOC估算算法、云端计算SOC值和SOC修正系数发送给所述电动车。

2.如权利要求1所述的方法，其特征在于，所述车端电池数据包括每个充放电循环的采集时间、电池充放电电流、单体电压、单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池故障信息和车端计算的SOC值。

3.如权利要求2所述的方法，其特征在于，对所述车端电池数据进行预处理，包括：

对所述车端电池数据进行空余赋值、错值去除和/或交叉检验；

所述空余赋值用于对所述车端电池数据在采集和/或传输过程中因发生掉包或采集失败而产生的缺失进行赋值；

所述错值去除用于删除所述车端电池数据中大于一第一预设阈值的数据，和/或用于纠正所述车端数据中小于一第二预设阈值的数据；

所述交叉检验用于将所述车端电池数据与预先存储的历史车端电池数据进行交叉校验，以校正和/或删除所述车端电池数据。

4.如权利要求2所述的方法，其特征在于，所述对所述车端电池数据进行预处理，包括：

对所述车端电池数据进行数据清洗，并获取数据清洗的比例值；

依据所述数据清洗的比例值获取所述车端电池数据的置信度；

依据所述车端电池数据的置信度确定所述车端电池数据的有效性。

5.如权利要求4所述的方法，其特征在于，所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，包括：

每种所述SOC估算类型对应所述电动车的车载电池的一种工作状态；所述车载电池的工作状态包括充电和放电；

通过综合算法获取所述电动车的云端计算SOC值，所述综合算法是将每种所述SOC估算算法获取的SOC值与该算法预设的算法比例的积求和，并将该和作为所述电动车的云端计算SOC值；其中，每种所述SOC估算算法的算法比例之和为1。

6.如权利要求5所述的方法，其特征在于，所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，还包括：

所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，所述当前车端电池数据是所述电动车最后一次上传的所述车端电池数据，所述历史车载数据是历史上预先存储的所述车端电池数据。

7.如权利要求6所述的方法，其特征在于，所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，包括：

分别将依据所述当前车端电池数据和所述历史车载数据获取的SOC值与各自预设的权重值求积后再求和，并将获取的和作为该SOC估算算法获取的SOC值；所述预设的权重值与所述当前车端电池数据的数据清洗的比例值相关。

8.如权利要求1所述的方法，其特征在于，所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，包括：

所述SOC修正系数依据所述车端计算的SOC值和所述云端计算SOC值获取；

当所述车端计算的SOC值大于所述云端计算SOC值，且所述电动车的车载电池电流为放电电流时，所述SOC修正系数为向下大于1的值；

当所述车端计算的SOC值大于所述云端计算SOC值，且所述电动车的车载电池电流为充电电流时，所述SOC修正系数为向上小于1的值；

当所述车端计算的SOC值小于所述云端计算SOC值，且所述电动车的车载电池电流为放电电流时，所述SOC修正系数为向下小于1的值；

当所述车端计算的SOC值小于所述云端计算SOC值，且所述电动车的车载电池电流为充电电流时，所述SOC修正系数为向上大于1的值。

9.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的方法。

10.一种基于云端大数据平台的SOC估算系统,其特征在于，包括：

云端大数据平台，用于获取电动车上传的车端电池数据，并依据所述车端电池数据获取所述电动车的SOC估算方法和SOC修正系数，再将获取的所述SOC估算方法、云端计算SOC值和SOC修正系数发送给所述电动车，以用于更新所述电动车的 SOC估算方法和SOC修正系数；其中，所述车端电池数据包括所述电动车的ID、每次充放电循环的采集时间、电池充放电电流、电池单体电压、电池单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池历史故障信息、所述电动车的SOC估算方法和/或SOC值；

所述云端大数据平台包括数据获取模块、数据预处理模块、数据分类模块、估算获取模块和更新数据发送模块；

所述数据获取模块用于接收所述电动车上传的所述车端电池数据；

所述数据预处理模块用于对所述车端电池数据进行数据清洗并获取数据清洗的比例值，还用于对所述车端电池数据进行空余赋值、错值去除和/或交叉检验后发送给所述数据分类模块；

所述数据分类模块用于依据所述车端电池数据确定所述电动车的SOC估算类型；其中，每种所述SOC估算类型对应一种SOC估算算法；

所述估算获取模块用于依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数；

所述更新数据发送模块用于将获取的所述SOC估算算法、云端计算SOC值和SOC修正系数发送给所述电动车。

Images