CN113884961B - Soc校准方法、建模方法、建模装置、计算机设备及介质 - Google Patents

Soc校准方法、建模方法、建模装置、计算机设备及介质 Download PDF

Info

Publication number
CN113884961B
CN113884961B CN202111112993.8A CN202111112993A CN113884961B CN 113884961 B CN113884961 B CN 113884961B CN 202111112993 A CN202111112993 A CN 202111112993A CN 113884961 B CN113884961 B CN 113884961B
Authority
CN
China
Prior art keywords
data
model
soc
data set
vehicle
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
Application number
CN202111112993.8A
Other languages
English (en)
Other versions
CN113884961A (zh
Inventor
梁小明
彭凯
刘相超
付振
王明月
邵天东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FAW Group Corp
Original Assignee
FAW Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FAW Group Corp filed Critical FAW Group Corp
Priority to CN202111112993.8A priority Critical patent/CN113884961B/zh
Publication of CN113884961A publication Critical patent/CN113884961A/zh
Priority to PCT/CN2022/118341 priority patent/WO2023045790A1/zh
Application granted granted Critical
Publication of CN113884961B publication Critical patent/CN113884961B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
    • 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]
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Abstract

本发明公开了一种SOC校准方法、建模方法、建模装置、计算机设备及介质，该建模方法包括：基于车联网数据提取不同工况下不同型号车辆的历史车辆数据；对历史车辆数据进行异常数据处理，得到预处理数据集；对预处理数据集中的数据进行标签标注和特征选择，得到训练数据集及测试数据集；根据训练数据集及测试数据集进行模型训练，建立SOC校准离线模型。本发明通过车联网收集车辆在不同工况下的数据驱动SOC校准模型训练，训练得到的模型涵盖多种工况，实现对个体车辆的异常情况进行修正，有利于提高模型的容错率，提高SOC校准准确性。

Description

SOC校准方法、建模方法、建模装置、计算机设备及介质
技术领域
本发明涉及新能源车辆技术领域，尤其涉及一种SOC校准方法、建模方法、建模装置、计算机设备及介质。
背景技术
随着车辆电动化和智能化技术的发展，新能源车辆得到广泛普及，新能源车辆的续航及驾驶性能等问题也日益突出。
目前，新能源车辆的问题主要是三电问题(包括电池、电机和电控)，其中，动力电池的性能不仅与新能源汽车的安全休憩相关，且影响车辆驾驶体验，典型地，动力电池的性能包括里程续航、电池寿命和荷电状态SOC(State of Charge)准确，动力电池因环境温度、容量衰退、状态等因数都容易导致SOC存在跳变、高误差等问题，荷电状态SOC准确是解决新能源用户里程焦虑问题的重要途径，极大地影响着用户的体验。
在新能源汽车领域中，动力电池的荷电状态SOC用来反应电池的剩余容量状况，其数值定义为电池剩余容量与电池容量之间的比值，满足公式：其中，Q表示放电容量，可通过安时积分法得到，C表示电池容量，k表示修正系数，修正系数k与环境温度、SOH(state of health，电池健康度)等因素相关，修正系数k的实际值可为实验数值。
在现有技术中，新能源车辆通常基于BMS(Battery Management System，电池管理系统)对动力电池的荷电状态SOC进行校准，车端BMS根据特定实验工况下得到的结果建立物理模型进行校准，其存在以下问题：建模数据基于标准实验工况获得，不同实验工况下的数据具有偶然性，在车端使用该模型进行SOC校准时，存在个体差异，影响SOC校准结果。
发明内容
本发明提供一种SOC校准方法、建模方法、建模装置、计算机设备及介质，以实现基于不同车辆数据的车联网数据进行SOC标签标注和特征选择，提取训练数据集，训练得到SOC校准离线模型，有利于提高模型的容错率。
第一方面，本发明实施例提供了一种SOC校准模型的建模方法，包括以下步骤：
基于车联网数据提取不同工况下不同型号车辆的历史车辆数据；
对所述历史车辆数据进行异常数据处理，得到预处理数据集；
对所述预处理数据集中的数据进行标签标注和特征选择，得到训练数据集及测试数据集；
根据所述训练数据集及所述测试数据集进行模型训练，建立SOC校准离线模型。
第二方面，本发明实施例还提供了一种SOC校准方法，包括以下步骤：
获取基于上述建模方法建立的SOC校准离线模型；
将所述SOC校准离线模型部署到云端服务器和/或边缘端；
采用所述云端服务器和/或所述边缘端的所述SOC校准离线模型对目标车辆的实时车辆数据进行分析，确定目标车辆的SOC校准值；
对所述SOC校准值进行可视化展示。
第三方面，本发明实施例还提供了一种SOC校准模型的建模装置，包括：数据采样单元，用于基于车联网数据提取不同工况下不同型号车辆的历史车辆数据；数据预处理单元，用于对所述历史车辆数据进行异常数据处理，得到预处理数据集；数据标签化单元，用于对所述预处理数据集中的数据进行标签标注和特征选择，得到训练数据集；模型训练单元，用于根据所述训练数据集进行模型训练，建立SOC校准离线模型。
第四方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述SOC校准模型的建模方法；和/或，实现上述SOC校准方法。
第五方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述SOC校准模型的建模方法；和/或，实现上述SOC校准方法。
本发明实施例提供的SOC校准方法、建模装置、计算机设备及介质，执行SOC校准模型的建模方法，该建模方法基于车联网技术获取不同车辆的历史车辆数据，对历史车辆数据进行数据预处理、SOC标签标注和特征选择，提取训练及测试数据集，采用训练数据集进行模型训练，采用测试数据集进行模型测试，得到SOC校准离线模型，基于不同型号车辆在不同工况下的数据驱动SOC校准模型训练，训练得到的模型涵盖多种工况，对个体车辆的异常情况进行修正，有利于提高模型的容错率，提高SOC校准准确性。
附图说明
图1是本发明实施例一提供的一种SOC校准模型的建模方法的流程图；
图2是本发明实施例一提供的一种异常数据处理方法的流程图；
图3是本发明实施例一提供的另一种异常数据处理方法的流程图；
图4是本发明实施例一提供的一种SOC校准模型的建模方法的流程图；
图5是本发明实施例一提供的另一种SOC校准模型的建模方法的流程图；
图6是本发明实施例一提供的又一种SOC校准模型的建模方法的流程图；
图7是本发明实施例二提供的一种SOC校准方法的流程图；
图8是本发明实施例三提供的一种SOC校准模型的建模装置的结构示意图；
图9是本发明实施例四提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种SOC校准模型的建模方法的流程图，本实施例可适用于基于车联网技术在线实时执行SOC校准的应用场景，该方法可以由配置特定软件和/或功能模块的云端服务器来执行，具体包括如下步骤：
步骤S1：基于车联网数据提取不同车况下不同型号车辆的历史车辆数据。
其中，车联网数据是车联网系统内所有个体车辆数据的数据集合，可采用车端传感器采集车辆关键系统、关键部件、运行参数和工况等数据，进行车辆数据提取形成数据流，经车辆T-box(telematics Box，远程通讯箱)将提取得到的数据流上传至云端服务器，采用云端服务器对数据流进行解析得到结构化的历史车辆数据和结构化的实时车辆数据，该历史车辆数据可用于训练SOC模型，该实时车辆数据可用于实时的SOC校准。
在本步骤中，在车端进行数据提取时，可提取SOC关联数据，SOC关联数据包括车辆基础数据、电池数据和工况数据。
可选地，历史车辆数据包括车辆编码、时序数据流时间、和车型等车辆基础数据，电池单体温度、单体电压、充/放电电流、充/放电电压、充电状态/模式、车辆状态、最高/最低单体电压、最高/最低单体温度和BMS故障报警等电池数据，以及历史车速、累计行驶里程和车辆位置GPS等工况数据。
在本步骤中，可通过扩展历史车辆数据涵盖的车辆生命周期，提升历史车辆数据的兼容性，有利于提高模型训练精度。
步骤S2：对历史车辆数据进行异常数据处理，得到预处理数据集。
其中，历史车辆数据属于群体数据，每种类型的数据集合中都可能存在离群数据、异常值或者无效值，通过异常数据处理确保用于模型训练的数据的准确性和可靠性，有利于提高建模准确性。
可选地，异常数据处理的方法包括：空值填补、离群值处理或者无效值剔除中的任一种或者多种组合。
步骤S3：对预处理数据集中的数据进行标签标注和特征选择，确定训练数据集及测试数据集。
其中，标签表示数据所属类别，例如“0”或者“1”，特征表示数据的物理参数，例如，车速为60km/h，充电电压为12V等，通过标签标注和特征选择，完成数据分类。
本实施例中，SOC校准模型是一种有监督机器学习算法模型，有监督机器学习算法的训练数据需要有明确的标签，及与标签对应的训练输入数据。数据标签标注用于筛选模型训练所需的输入向量和输出值，特征选择用于基于标签化数据的物理参数进行特征提取和特征生成。
在本步骤中，可将字段SOC作为数据标签，将预处理数据集除SOC之外的其他字段的数据作为训练输入数据，对于标签标注的方法不作具体限定。
步骤S4：根据训练数据集及测试数据集进行模型训练，建立SOC校准离线模型。
其中，训练数据集包括车辆基础数据、电池数据和工况数据等输入数据和数据标签SOC，SOC校准离线模型可采用回归模型构建，模型训练的过程即为确定SOC预测值与输入数据之间回归方程的过程。
具体地，在构建SOC校准离线模型时，首先基于车联网数据提取多个不同车辆的历史车辆数据，历史车辆数据包括车辆基础数据、电池数据和工况数据，对历史车辆数据进行空值填补、离群值处理或者无效值剔除等异常数据处理，得到准确的预处理数据集，在预处理数据集中，每组数据对应一个车辆运行工况及对应的SOC数值，对所有数据进行标签化处理和特征选择，提取训练数据集，在该训练数据集中，每组输入数据对应一个SOC标签，采用输入数据及其对应的SOC标签对回归模型进行训练，再采用测试数据集对训练后的模型进行测试，得到最终的SOC校准离线模型，该SOC校准离线模型可用于计算实时的SOC预测值。
可选地，车联网数据还包括任一连接车联网云端服务器的车辆的实时车辆数据，对该实时车辆数据进行数据处理后，作为SOC校准离线模型的输入数据，可得到SOC校准预测值，其中，SOC校准离线模型可部署在云端服务器或者车端，对此不作限制。
本发明实施例基于不同车辆在不同工况下的数据驱动SOC校准模型训练，训练得到的模型涵盖多种工况，对个体车辆的异常情况进行修正，解决了的根据试验数据建立的物理模型个体差异明显、预测不准确的问题，有利于提高模型的容错率，提高SOC校准准确性。
可选地，图2是本发明实施例一提供的一种异常数据处理方法的流程图，在图1的基础上，示例性地示出了一种数据异常处理的方法，而非对上述方法的限定。
参考图2所示，在通过步骤S1获取历史车辆数据后，对历史车辆数据进行异常数据处理，具体包括以下步骤：
步骤S201：获取历史车辆数据中的采样空值及采样空值的前后记录窗口值。
步骤S202：根据采样空值的关联数据与前后记录窗口值之间的浮动增量比对采样空值进行空值填补处理，得到预处理数据集。
其中，采样空值表示历史车辆数据中的任一数据指标缺失的记录值，与缺失的记录值相邻的两个记录值为前后记录窗口值，采样空值的关联数据表示用于计算该缺失的记录值的数据。
示例性地，以整车速度指标存在采样空值为例，整车速度的关联数据包括车轮速度、发动机转速及GPS速度值。在对整车速度的采样空值进行空值填补时，获取采样空值相邻的前一整车速度值和后一整车速度值，计算车轮速度、发动机转速及GPS速度值与前后记录窗口值对应的关联数据之间的浮动增量比，基于该浮动增量比计算采样空值的填充值，根据该填充值对采样空值进行填补，将空值填补后的数据集确定为预处理数据集。
可选地，图3是本发明实施例一提供的另一种异常数据处理方法的流程图，在图1的基础上，示例性地示出了另一种数据异常处理的方法，而非对上述方法的限定。
参考图3所示，在通过步骤S1获取车联网数据中的历史车辆数据后，对历史车辆数据进行异常数据处理，具体包括以下步骤：
步骤S203：基于历史车辆数据中的任一目标车辆数据的理论有效范围确定箱线图。
其中，箱线图是用于显示一组数据分散情况的统计图，其可用于反映原始数据分布的特征。
在本步骤中，箱线图用于限定目标车辆数据的理论有效范围。
步骤S204：采用箱线图对目标车辆数据进行离群值处理，得到预处理数据集。
具体地，可通过对每个车辆数据设置一一对应的理论有效范围或者基于大数据分析确定不同数据的上限阈值和下限阈值，若历史车辆数据中的任一数据超过该数据对应的上限阈值或者低于下限阈值，则将该数据确定为离群值，对该数据进行离群值处理，典型地，离群值处理方法包括：对数转换或者插值法，在此不做限制。
可选地，图4是本发明实施例一提供的一种SOC校准模型的建模方法的流程图，在图1的基础上，示例性地示出了一种进行数据标签标注和特征选择的具体实施方式，而非对上述方法的限定。
参考图4所示，对预处理数据集中的数据进行标签标注，可通过下述任一步骤实现：
步骤S301：采用字段SOC作为数据标签，对预处理数据集中的数据进行标签标注，得到初始化标签数据集。
在本步骤中，采用从车联网数据中直接获取的数据进行标签标注，并进行模型训练，其数据来源准确，获得的训练数据量大且经济成本低，容易获得满足模型训练的数据量。
具体地，在对预处理数据集中的数据进行标签标注之前，先对数据进行异常数据处理，例如，可通过设置异常识别滑动窗口进行异常识别，剔除异常值，再通过逻辑运算四分法、基于DBSCAN聚类方法、Z-SCORE高斯分布法、机器学习KNN和孤立森林法进行数据样本点分类提取。
步骤S302：采用预处理数据集中的特征数据对预设OCV-SOC曲线进行查表，基于查表结果对预处理数据集中的数据进行标签校准，得到初始化标签数据集，其中，特征数据包括电压数据和温度数据。
其中，特征数据指预处理数据集中的影响SOC的数据，典型地，特征数据包括电池开路电压和电池温度。
在本步骤中，通过构建工况识别物理模型建立预设OCV-SOC曲线，采用该预设OCV-SOC曲线对数据进行标签化处理，其中，工况识别物理模型基于预设试验工况建立，每个预设试验工况下对应一组预设工况数据和一个对应的SOC值，例如，预设试验工况包括：预设电池温度20℃和预设电池开路电压3.6V，其对应的预设SOC数值为35％；预设OCV-SOC曲线的物理意义在于表征不同温度下，OCV(Open circuit voltage，开路电压)与SOC之间的对应关系，基于该预设OCV-SOC曲线对数据标签进行校准，其本质在于，选取预处理数据集中与预设试验工况匹配的数据用于训练SOC校准模型，该方法获得的训练数据需要进行大量的物理试验，且在车联网数据中满足预设试验工况的车联网数据相对较少，该方法虽然得到的数据量少、经济性较低，但是，数据可靠性更高。
具体地，提取预处理数据集中的任一采样点的电池开路电压和电池温度，根据电池开路电压和电池温度确定当前的充电工况，将预设OCV-SOC曲线中与该电池开路电压和电池温度相同的工况对应的SOC值确定当前采样点的SOC标签，通过上述方法对预处理数据集中的所有数据进行SOC标签校准，得到初始化标签数据集。
需要说明的是，在实际应用中，要从实际车辆中获取与预设试验工况匹配的数据比较困难，因此，在系统激活后，通常需要自动识别系统是否适合采用步骤S301中记载的方法进行数据标签化，例如，若预处理数据集中的异常数据量较大，或者距离上次下电静置时间超过一小时，且电池的充/放电电流小于临界值(例如为2A)，则判定系统无法采用从车联网数据中直接获取的数据进行标签标注，根据电池开路电压和电池温度查预设OCV-SOC曲线进行SOC标签标注。
可选地，继续参考图4所示，对预处理数据集中的数据进行特征选择，还包括以下步骤：
步骤S303：基于初始化标签数据集进行特征选择。
步骤S304：根据特征选择结果确定状态变化特征向量。
步骤S305：根据状态变化特征向量进行训练数据集及测试数据集提取。
可选地，特征选择算法包括：PCA(Principal component analysis，主成分分析)、ICA(Independent component analysis，独立成分分析)、LDA(Linear DiscriminantAnalysis，线性判别分析)。
具体地，基于初始化标签数据集，进行特征提取与特征生成，由初始化标签数据集中数据的物理特征，转化为时间窗内的状态变化特征向量，基于该状态变化特征向量提取初始化标签数据集中的输入数据及对应的SOC标签，建立训练数据集和测试数据集。
可选地，图5是本发明实施例一提供的另一种SOC校准模型的建模方法的流程图，在图1的基础上，本实施例选择多个回归的机器学习算法构建离线模块，其中，回归指从一组数据(本发明是多维向量数据)出发，确定特定变量之间的定量关系式，即建立数学模型并估计未知参数。回归的目的在于，接收连续数据，寻找最适合数据的方程(称为回归方程)，该回归方程能够对特定值进行预测，求解回归方程的回归系数的过程称为回归。
参考图5所示，步骤S4，具体包括以下步骤：
步骤S401：获取至少一个预设回归模型。
步骤S402：采用训练数据集对至少一个预设回归模型进行训练，直至收敛，得到至少一个离线模型，至少一个离线模型与至少一个预设回归模型一一对应。
步骤S403：采用测试数据集对至少一个离线模型进行测试。
步骤S404：根据测试结果将至少一个离线模型中误差最小的离线模型确定为最终的SOC校准离线模型。
其中，预设回归模型是基于回归算法建立的自变量x与预测值y之间的数据模型。
可选地，预设回归模型采用的回归算法包括Linear Regression(线性回归)、Logicalistic Regression(逻辑回归)、Local Weighted Regression(局部加权回归)或者k-Nearest Neighbor Algorithm for Regression(回归k近邻)中的任一种或者多种组合。
具体地，做回归是为了得到一个最优回归系数向量w使得当给定一个x能够通过y＝xw预测y的值。假定输入数据存放在矩阵x中，而回归系数存在于向量w中。那么对于给定的数据X1，预测结果将会通过给出。
在本发明实施例中，训练数据集中的输入数据为回归算法的x，训练数据集中每条数据一一对应的SOC标签为回归算法的预测值y，通过大量的标签化的车联网数据对回归模型进行训练后，得到可靠的离线模型w，即回归模型。采用测试数据集中的数据接入离线模型w，在标准线性回归中需要找到误差最小的离线模型w,即离线模型w的预测值y与对应的SOC标签之间的差值最小的离线模型w，将该误差最小的离线模型w确定为最终的SOC校准离线模型。当有新的车联网数据X1通过SOC校准离线模型算法后，确定为最终的SOC校准离线模型的输出值y即为该车联网数据X1对应的SOC校准值。
需要说明的是，最佳算法的选择需要从多方面考虑，例如模型的准确性、模型的性能、经济成本等，上述实施例中示例性地示出了选择误差最小的离线模型作为最佳算法模型的具体实施方式，而非对模型选择方法的限定。
可选地，图6是本发明实施例一提供的又一种SOC校准模型的建模方法的流程图。
参考图6所示，基于车联网数据提取不同工况下不同型号车辆的历史车辆数据，包括以下步骤：
步骤S101：基于车端采样单元获取车辆数据。
其中，车端采样单元可包括传感器。
可选地，车辆数据包括车辆编码、时序数据流时间、和车型等车辆基础数据，电池单体温度、单体电压、充/放电电流、充/放电电压、充电状态/模式、车辆状态、最高/最低单体电压、最高/最低单体温度和BMS故障报警等电池数据，以及历史车速、累计行驶里程和车辆位置GPS等工况数据。
步骤S102：基于车辆数据处理单元对车辆数据进行数据降频和限宽处理，并将处理后的输出上传至云端服务器进行存储，建立车联网数据库。
步骤S103：基于车联网数据库提取SOC关联数据，得到历史车辆数据。
具体地，车辆基于CAN总线进行车辆的协调控制，车辆数据处理单元采集的数据大多从CAN总线中获得，少部分数据通过部件系统进行处理后得到，基于未处理的实际车辆CAN数据太多，如果将所有数据都上传到车联网云，存在两个因素导致当前不可解决的问题：两个因素分别是CAN总线的高频和多通道特征均导致数据量大，所以需在车端对数据进行降频和限宽，通过定时采集数据对车端采样单元采样的车辆数据进行降频，并通过数据埋点技术对所需的数据通道进行采集降低数据宽度，通过上述方法将在很大幅度降低数据量。
由此，本发明实施例通过在车端对车辆数据进行降频和限宽，有效控制数据量，有利于改善数据处理效率，提高模型训练精度。
实施例二
基于上述实施例，本发明实施例二还提供了一种SOC校准方法，本实施例基于上述建模方法建立的SOC校准离线模型计算SOC校准值，可由配置该SOC校准离线模型的云端服务器或者车端控制器执行。
图7是本发明实施例二提供的一种SOC校准方法的流程图。
如图7所示，该SOC校准方法包括以下步骤：
步骤S10：目标车辆获取实时车辆数据。
其中，目标车辆指待执行SOC校正的车辆。
可选地，目标车辆采用车端传感器采集目标车辆的车辆基础数据、电池数据和工况数据等实时车辆数据。
步骤S20：目标车辆将实时车辆数据上传至云端服务器。
在本步骤中，目标车辆通过车联网系统接入云端服务器，进行车辆数据提取形成数据流，经车辆T-box(telematics Box，远程通讯箱)将提取得到的实时数据流上传至云端服务器。
步骤S30：获取基于车联网数据建立的SOC校准离线模型，该SOC校准离线模型基于上述任一实施例中的建模方法建立。
步骤S40：将SOC校准离线模型部署到云端服务器和/或边缘端。
在本步骤中，SOC校准离线模型的部署位置可为云端和/或边缘端(即目标车辆所在的车端)，若模型部署在云端服务器，则云端服务器还需要收集目标车辆的实时数据流，将实时数据流接入模型进行SOC校准；若模型部署在边缘端(即目标车辆所在的车端)，则可通过车云融合的方式实现，将训练好的模型部署到边缘端，直接采用车端控制器获取实时车辆数据进行SOC校准。
步骤S50：采样云端服务器和/或边缘端的SOC校准离线模型对目标车辆的实时车辆数据进行分析，确定目标车辆的SOC校准值。
在本步骤中，云端服务器结合SOC校正离线模型的构建过程，将实时数据流处理成模型输入数据的特征向量，将该输入数据的特征向量接入到SOC校正离线模型，计算得到目标车辆的SOC校准值。
可选地，在对目标车辆的实时车辆数据进行分析之前，还可采用与上述实施例步骤S2至步骤S3相同的方法对实时车辆数据进行异常数据处理，对异常数据处理后的数据进行标签标注和特征选择，构建模型输入数据的特征向量。
步骤S60：对SOC校准值进行可视化展示。
可选地，可视化展示可通过应用程序或者车载嵌入式系统开发实现，即通过开发接入车联网系统的APP(Application Program，应用程序)或者车载嵌入式系统，采集云端服务器或者边缘端的SOC校准离线模型得到的SOC校准值，将该校准值展示到配置该APP的智能终端或者车端显示器，用户可通过智能终端的APP或者车端显示器读取SOC校准值。
由此，本发明实施例提供的SOC校准方法，执行SOC校准模型的建模方法，该建模方法基于车联网技术获取不同车辆的历史车辆数据，基于不同型号车辆在不同工况下的数据驱动SOC校准离线模型训练，训练得到的模型涵盖多种工况，在进行SOC校准值时，在云端或者车端部署SOC校准离线模型，基于目标车辆实时上传的车辆数据进行SOC校准，有利于优化车辆个体差异导致预测值偏差的问题，提高SOC校准准确性。
实施例三
基于上述实施例，本发明实施例三还提供了一种SOC校准模型的建模装置，可执行本发明任意实施例所提供的SOC校准模型的建模方法，具备执行方法相应的功能模块和有益效果。
图8是本发明实施例三提供的一种SOC校准模型的建模装置的结构示意图。
如图8所示，该SOC校准模型的建模装置00包括：数据采样单元101、数据预处理单元102、数据标签化单元103和模型训练单元104，其中，数据采样单元101，用于基于车联网数据提取不同工况下不同型号车辆的历史车辆数据；数据预处理单元102，用于对历史车辆数据进行异常数据处理，得到预处理数据集；数据标签化单元103，用于对预处理数据集中的数据进行标签标注和特征选择，得到训练数据集；模型训练单元104，用于根据训练数据集进行模型训练，建立SOC校准离线模型。
可选地，数据预处理单元102用于获取历史车辆数据中的采样空值及采样空值的前后记录窗口值；根据采样空值的关联数据与前后记录窗口值之间的浮动增量比对采样空值进行空值填补处理；和/或，基于历史车辆数据中的任一目标车辆数据的理论有效范围确定箱线图，并采用箱线图对目标车辆数据进行离群值处理。
可选地，数据标签化单元103用于采用字段SOC作为数据标签，对预处理数据集中的数据进行标签标注，得到初始化标签数据集；或者，采用预处理数据集中的特征数据对预设OCV-SOC曲线进行查表，基于查表结果对预处理数据集中的数据进行标签校准，得到初始化标签数据集，其中，特征数据包括电压数据和温度数据。
可选地，数据标签化单元103还用于基于初始化标签数据集进行特征选择；根据特征选择结果确定状态变化特征向量；根据状态变化特征向量进行训练数据集及测试数据集提取。
可选地，模型训练单元104用于获取至少一个预设回归模型；采用训练数据集对至少一个预设回归模型进行训练，直至收敛，得到至少一个离线模型，至少一个离线模型与至少一个预设回归模型一一对应；采用测试数据集对至少一个离线模型进行测试；根据测试结果将至少一个离线模型中误差最小的离线模型确定为最终的SOC校准离线模型。
可选地，数据采样单元101用于采用车端采样单元获取车辆数据，并采用车辆数据处理器对车辆数据进行数据降频和限宽处理，并将处理后的输出上传至云端服务器进行存储。
本发明实施例提供的SOC校准模型的建模装置，执行SOC校准模型的建模方法，该建模方法基于车联网技术获取不同车辆的历史车辆数据，对历史车辆数据进行数据预处理、SOC标签标注和特征选择，提取训练及测试数据集，采用训练数据集进行模型训练，采用测试数据集进行模型测试，得到SOC校准离线模型，基于不同型号车辆在不同工况下的数据驱动SOC校准模型训练，训练得到的模型涵盖多种工况，对个体车辆的异常情况进行修正，有利于提高模型的容错率，提高SOC校准准确性。
实施例四
基于上述实施例，本发明实施例四还提供了一种计算机设备，用于执行上述SOC校准模型的建模方法；和/或，执行上述SOC校准方法，具备执行方法所需的功能模块及有益效果，不再赘述。
图9是本发明实施例四提供的一种计算机设备的结构示意图。图9示出了适于用来实现本发明实施方式的示例性计算机设备12的框图。图9显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图9所示，计算机设备12以通用计算设备的形式表现。计算机设备12可以包括但不限于：一个或者多个处理器16，系统存储器28，连接不同系统组件(包括系统存储器28和处理器16)的总线18，及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述SOC校准模型的建模方法；和/或，实现上述SOC校准方法。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图9未显示，通常称为“硬盘驱动器”)。尽管图9中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的SOC校准模型的建模方法，和/或，实现本发明实施例所提供的SOC校准方法。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述SOC校准模型的建模方法；和/或，实现上述SOC校准方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种SOC校准模型的建模方法，其特征在于，包括以下步骤：
基于车联网数据提取车辆的历史车辆数据；
对所述历史车辆数据进行异常数据处理，得到预处理数据集；
对所述预处理数据集中的数据进行标签标注和特征选择，得到训练数据集及测试数据集；
根据所述训练数据集及所述测试数据集进行模型训练，建立SOC校准离线模型；
对所述预处理数据集中的数据进行标签标注和特征选择，包括以下步骤：
采用字段SOC作为数据标签，对所述预处理数据集中的数据进行标签标注，得到初始化标签数据集；
或者，采用所述预处理数据集中的特征数据对预设OCV-SOC曲线进行查表，基于查表结果对所述预处理数据集中的数据进行标签校准，得到初始化标签数据集，其中，所述特征数据包括电压数据和温度数据；
若所述预处理数据集中的异常数据量较大，或者，距离上次下电静置时间超过一小时且电池的充/放电电流小于临界值，则根据电池开路电压和电池温度查预设OCV-SOC曲线进行SOC标签标注。
2.根据权利要求1所述的SOC校准模型的建模方法，其特征在于，所述对所述历史车辆数据进行异常数据处理，包括以下步骤：
获取所述历史车辆数据中的采样空值及所述采样空值的前后记录窗口值；
根据所述采样空值的关联数据与所述前后记录窗口值之间的浮动增量比对所述采样空值进行空值填补处理；
和/或，基于所述历史车辆数据中的任一目标车辆数据的理论有效范围确定箱线图，并采用所述箱线图对所述目标车辆数据进行离群值处理。
3.根据权利要求1所述的SOC校准模型的建模方法，其特征在于，对所述预处理数据集中的数据进行标签标注和特征选择，还包括以下步骤：
基于所述初始化标签数据集进行特征选择；
根据特征选择结果确定状态变化特征向量；
根据所述状态变化特征向量进行训练数据集及测试数据集提取。
4.根据权利要求1所述的SOC校准模型的建模方法，其特征在于，所述根据所述训练数据集及所述测试数据集进行模型训练，建立SOC校准离线模型，包括以下步骤：
获取至少一个预设回归模型；
采用所述训练数据集对所述至少一个预设回归模型进行训练，直至收敛，得到至少一个离线模型，所述至少一个离线模型与所述至少一个预设回归模型一一对应；
采用所述测试数据集对所述至少一个离线模型进行测试；
根据测试结果将所述至少一个离线模型中误差最小的离线模型确定为最终的SOC校准离线模型。
5.根据权利要求1所述的SOC校准模型的建模方法，其特征在于，获取车联网数据，包括以下步骤：
采用车端采样单元获取车辆数据；
采用车辆数据处理器对所述车辆数据进行数据降频和限宽处理，并将处理后的输出上传至云端服务器进行存储。
6.一种SOC校准方法，其特征在于，包括以下步骤：
获取基于权利要求1-5中任一项所述的建模方法建立的SOC校准离线模型；
将所述SOC校准离线模型部署到云端服务器和/或边缘端；
采用所述云端服务器和/或所述边缘端的SOC校准离线模型对目标车辆的实时车辆数据进行分析，确定目标车辆的SOC校准值；
对所述SOC校准值进行可视化展示。
7.一种SOC校准模型的建模装置，其特征在于，包括：
数据采样单元，用于基于车联网数据提取车辆的历史车辆数据；
数据预处理单元，用于对所述历史车辆数据进行异常数据处理，得到预处理数据集；
数据标签化单元，用于对所述预处理数据集中的数据进行标签标注和特征选择，得到训练数据集；
模型训练单元，用于根据所述训练数据集进行模型训练，建立SOC校准离线模型；
所述数据标签化单元用于采用字段SOC作为数据标签，对预处理数据集中的数据进行标签标注，得到初始化标签数据集；或者，采用预处理数据集中的特征数据对预设OCV-SOC曲线进行查表，基于查表结果对预处理数据集中的数据进行标签校准，得到初始化标签数据集，其中，特征数据包括电压数据和温度数据；
若所述预处理数据集中的异常数据量较大，或者，距离上次下电静置时间超过一小时且电池的充/放电电流小于临界值，则根据电池开路电压和电池温度查预设OCV-SOC曲线进行SOC标签标注。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一所述的SOC校准模型的建模方法；
和/或，实现如权利要求6所述的SOC校准方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一所述的SOC校准模型的建模方法；
和/或，实现如权利要求6所述的SOC校准方法。
CN202111112993.8A 2021-09-23 2021-09-23 Soc校准方法、建模方法、建模装置、计算机设备及介质 Active CN113884961B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111112993.8A CN113884961B (zh) 2021-09-23 2021-09-23 Soc校准方法、建模方法、建模装置、计算机设备及介质
PCT/CN2022/118341 WO2023045790A1 (zh) 2021-09-23 2022-09-13 Soc校准方法、建模方法、建模装置、计算机设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111112993.8A CN113884961B (zh) 2021-09-23 2021-09-23 Soc校准方法、建模方法、建模装置、计算机设备及介质

Publications (2)

Publication Number Publication Date
CN113884961A CN113884961A (zh) 2022-01-04
CN113884961B true CN113884961B (zh) 2023-09-19

Family

ID=79009933

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111112993.8A Active CN113884961B (zh) 2021-09-23 2021-09-23 Soc校准方法、建模方法、建模装置、计算机设备及介质

Country Status (2)

Country Link
CN (1) CN113884961B (zh)
WO (1) WO2023045790A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113884961B (zh) * 2021-09-23 2023-09-19 中国第一汽车股份有限公司 Soc校准方法、建模方法、建模装置、计算机设备及介质
TWI808806B (zh) * 2022-06-23 2023-07-11 傑錦有限公司 用於估測電池裝置的狀態的偵測系統及其操作方法
CN115439954A (zh) * 2022-08-29 2022-12-06 上海寻序人工智能科技有限公司 一种基于云端大模型的数据闭环方法
CN115470995A (zh) * 2022-09-15 2022-12-13 湖北亿纬动力有限公司 电池容量预测模型训练方法、电池分容方法及装置
CN116699448B (zh) * 2023-08-09 2023-12-26 合肥工业大学 一种磷酸锂电池平台期soc修正方法、装置和系统
CN117148161A (zh) * 2023-08-29 2023-12-01 深圳市今朝时代股份有限公司 一种基于云端神经网络的电池soc估算方法及装置
CN117556589A (zh) * 2024-01-04 2024-02-13 江阴飞阳电子科技有限公司 一种仪表电量智能校准方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018066323A1 (ja) * 2016-10-03 2018-04-12 株式会社オートネットワーク技術研究所 車両用のバッテリ監視装置及び車両用のバッテリ監視システム
CN109710659A (zh) * 2018-12-16 2019-05-03 苏州城方信息技术有限公司 基于时空相关性的检测器缺失数据的填补方法
CN110596595A (zh) * 2019-09-25 2019-12-20 广东毓秀科技有限公司 一种通过大数据预测轨交锂电池rul的方法
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
CN111896883A (zh) * 2020-07-30 2020-11-06 重庆长安汽车股份有限公司 一种车载蓄电池可支持的停车时长预测方法及预警方法
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质
CN113071497A (zh) * 2021-04-28 2021-07-06 中国第一汽车股份有限公司 一种驾驶场景判断方法、装置、设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140244193A1 (en) * 2013-02-24 2014-08-28 Fairchild Semiconductor Corporation Battery state of charge tracking, equivalent circuit selection and benchmarking
CN109167805B (zh) * 2018-07-09 2021-08-10 同济大学 基于城市场景中车联网时空数据的分析处理方法
CN109606119B (zh) * 2019-01-15 2020-05-12 深圳四海万联科技有限公司 一种电动汽车的续航里程校准方法及系统
CN111812518B (zh) * 2019-12-25 2023-04-28 北京嘀嘀无限科技发展有限公司 电池状态监控方法、存储介质和系统
CN112098851B (zh) * 2020-11-06 2021-03-12 北京理工大学 智能电池与其荷电状态在线估计方法及应用
CN113158947B (zh) * 2021-04-29 2023-04-07 重庆长安新能源汽车科技有限公司 一种动力电池健康评分方法、系统及存储介质
CN113884961B (zh) * 2021-09-23 2023-09-19 中国第一汽车股份有限公司 Soc校准方法、建模方法、建模装置、计算机设备及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018066323A1 (ja) * 2016-10-03 2018-04-12 株式会社オートネットワーク技術研究所 車両用のバッテリ監視装置及び車両用のバッテリ監視システム
CN109710659A (zh) * 2018-12-16 2019-05-03 苏州城方信息技术有限公司 基于时空相关性的检测器缺失数据的填补方法
CN110596595A (zh) * 2019-09-25 2019-12-20 广东毓秀科技有限公司 一种通过大数据预测轨交锂电池rul的方法
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
CN111896883A (zh) * 2020-07-30 2020-11-06 重庆长安汽车股份有限公司 一种车载蓄电池可支持的停车时长预测方法及预警方法
CN112549970A (zh) * 2020-12-09 2021-03-26 广州橙行智动汽车科技有限公司 车辆续航里程预测方法、装置、车辆及存储介质
CN113071497A (zh) * 2021-04-28 2021-07-06 中国第一汽车股份有限公司 一种驾驶场景判断方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN113884961A (zh) 2022-01-04
WO2023045790A1 (zh) 2023-03-30

Similar Documents

Publication Publication Date Title
CN113884961B (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
US20120304008A1 (en) Supervised fault learning using rule-generated samples for machine condition monitoring
CN113505537A (zh) 楼宇能耗检测方法、装置、计算机设备和存储介质
CN116227543B (zh) 用电异常的检测方法、检测装置、电子装置和电子设备
CN112345956A (zh) 一种电池组荷电状态检测方法和装置
CN112507479B (zh) 一种基于流形学习和softmax的石油钻机健康状态评估方法
CN112883645A (zh) 单体电池电压不一致故障预测方法、装置及服务器
CN112419268A (zh) 一种输电线路图像缺陷检测方法、装置、设备及介质
CN117273489A (zh) 光伏状态评估方法及装置
CN116257663A (zh) 面向无人地面车辆的异常检测与关联分析方法及相关设备
CN112966957A (zh) 一种数据链路异常定位方法、装置、电子设备及存储介质
CN112816881A (zh) 电池压差异常检测方法、装置及计算机存储介质
Li et al. A remaining useful life prediction method considering the dimension optimization and the iterative speed
Zhu et al. A tempt to unify heterogeneous driving databases using traffic primitives
CN114757097B (zh) 一种线路故障诊断方法及装置
CN116451081A (zh) 数据漂移的检测方法、装置、终端及存储介质
CN110991774A (zh) 一种电量负荷预测方法及装置
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
CN115616408A (zh) 电池热管理数据处理方法及系统
CN115184054A (zh) 机械设备半监督故障检测分析方法、装置、终端及介质
CN113033414A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质
CN114067164A (zh) 胚胎发育阶段的检测方法、装置、电子设备及存储介质
CN112782589A (zh) 车载燃料电池远程故障分类诊断方法、装置和存储介质
CN115952064B (zh) 一种面向分布式系统的多组件故障解释方法及装置
US20230022253A1 (en) Fast and accurate prediction methods and systems based on analytical models

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