CN114347834A - 车辆控制方法、充电时长预测模型的生成方法及装置 - Google Patents

Abstract

本申请提出了一种车辆控制方法、充电时长预测模型的生成方法及装置，涉及智能车辆技术领域，其中车辆控制方法包括：获取充电开始前电池的输入特征参数的参数值，将输入特征参数的参数值输入至充电时长预测模型中，得到充电时长，根据充电时长对车辆进行控制。本申请实施例通过充电时长预测模型在充电开始前对充电时长进行预测，根据预测的充电时长进行车辆控制，避免电池过充，延长电池的使用寿命，增强充电时长预测的准确性，从而提高用户体验。

Description

车辆控制方法、充电时长预测模型的生成方法及装置

技术领域

本申请涉及智能车辆技术领域，尤其涉及一种车辆控制方法、充电时长预测模型的生成方法及装置。

背景技术

目前，随着社会对低碳环保生活的倡导，电动车辆作为低碳出行工具被普及。电动车辆可以通过共享充电桩随时续航，在对电动车辆的电池充电时，充电过饱和或者欠饱和都会对电池的寿命造成影响，甚至造成重大事故发生，通过预测充电时长对充电过程进行控制，能够有效的保护电池，延长使用寿命。

因此，如何更加准确地预测充电时长成为亟待解决的问题。

发明内容

本申请旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本申请的第一个目的在于提出一种车辆控制方法。

本申请的第二个目的在于提出一种充电时长预测模型的生成方法。

本申请的第三个目的在于提出一种车辆控制装置。

本申请的第四个目的在于提出一种充电时长预测模型的生成装置。

本申请的第五个目的在于提出一种车辆。

本申请的第六个目的在于提出一种电子设备。

本申请的第七个目的在于提出一种计算机可读存储介质。

为达上述目的，本申请第一方面实施例提出了一种车辆控制方法，包括：获取充电开始前电池的输入特征参数的参数值；将所述输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长；根据所述充电时长对车辆进行控制。

根据本申请的一个实施方式，所述输入特征参数包括：所述电池的初始荷电状态，以及所述电池的目标荷电状态与所述初始荷电状态之间的差值。

根据本申请的一个实施方式，所述将所述输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长，包括：获取充电桩的类型；将所述输入特征参数的参数值输入至所述充电桩的类型对应的所述充电时长预测模型中，以得到所述充电时长。

根据本申请的一个实施方式，所述获取充电桩的类型，包括：获取所述充电枪的阻值；根据所述阻值确定所述充电桩的类型。

根据本申请的一个实施方式，所述充电时长预测模型为：y＝Δ_soc/k₀；其中，所述y为所述充电时长，所述Δ_soc为所述输入特征参数中所述电池的目标荷电状态与所述电池的初始荷电状态之间的差值，所述k₀为第一常数。

根据本申请的一个实施方式，所述充电时长预测模型为：y＝w^Tf+b；其中，所述y为所述充电时长，所述w为1*n维的向量，所述f为所述输入特征参数形成的1*n维的向量，所述b为第二常数，所述w^T为所述w的转置。

根据本申请的一个实施方式，所述根据所述充电时长对车辆进行控制，包括：根据所述充电时长控制所述车辆的充电开始时刻；和/或根据所述充电时长控制所述车辆的保温开始时刻。

为达上述目的，本申请第二方面实施例提出了一种充电时长预测模型的生成方法，包括：获取历史充电过程中电池的输入特征参数的样本参数值和所述历史充电过程的实际充电时长；根据所述输入特征参数的样本参数值和所述实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。

根据本申请的一个实施方式，所述获取历史充电过程中电池的输入特征参数的样本参数值和所述历史充电过程的实际充电时长之前，还包括：获取所述历史充电过程中的充电电流；根据所述充电电流对所述历史充电过程进行筛选。

根据本申请的一个实施方式，所述根据所述充电电流对所述历史充电过程进行筛选，包括：根据所述充电电流和预设的筛选条件对所述历史充电过程进行筛选，其中，所述筛选条件包括以下至少一种：所述历史充电过程开始后t₁～t₂时间内所述充电电流的平均值大于预设的第一电流阈值；所述历史充电过程结束前t₃～t₄时间内所述充电电流的平均值大于所述第一电流阈值；所述历史充电过程开始后t₅～t₆时间内所述充电电流的标准差等于或者小于预设的标准差阈值；所述历史充电过程开始后t₇～t₈时间内ON挡唤醒信号最大值一直为零；所述历史充电过程开始后t₉～t₁₀时间内所述充电电流的众数大于预设的第一众数阈值；所述历史充电过程开始后t₁₁～t₁₂时间内所述充电电流的最大跳变等于或者小于预设的跳变阈值。

根据本申请的一个实施方式，所述输入特征参数包括：所述电池的初始荷电状态，以及所述电池的目标荷电状态与所述初始荷电状态之间的差值。

根据本申请的一个实施方式，所述根据所述输入特征参数的样本参数值和所述实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型，包括：获取充电桩的类型；根据所述样本参数值和所述实际充电时长对所述充电桩的类型对应的所述待训练的充电时长预测模型进行训练，以得到所述充电时长预测模型。

根据本申请的一个实施方式，所述待训练的充电时长预测模型为：y＝Δ_soc/k₀；其中，所述y为所述样本充电时长，所述Δ_soc为所述输入特征参数中所述电池的目标荷电状态与所述电池的初始荷电状态之间的差值，所述k0为待训练的第一常数。

根据本申请的一个实施方式，所述待训练的充电时长预测模型为：y＝w^Tf+b；其中，所述y为所述样本充电时长，所述w为待训练的1*n维的向量，所述f为所述输入特征参数形成的1*n维的向量，所述b为待训练的第二常数，所述w^T为所述w的转置。

为达上述目的，本申请第三方面实施例提出了一种车辆控制装置，包括：第一获取模块，用于获取充电开始前电池的输入特征参数的参数值；预测模块，用于将所述输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长；控制模块，用于根据所述充电时长对车辆进行控制。

为达上述目的，本申请第四方面实施例提出了充电时长预测模型的生成装置，包括：第二获取模块，用于获取历史充电过程中电池的输入特征参数的样本参数值和所述历史充电过程的实际充电时长；训练模块，用于根据所述输入特征参数的样本参数值和所述实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。

为达上述目的，本申请第五方面实施例提出了一种车辆，包括：如本申请第三方面实施例所述的车辆控制装置，或者如本申请第四方面实施例所述的充电时长预测模型的生成装置。

为达上述目的，本申请第六方面实施例提出了一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本申请第一方面实施例所述的车辆控制方法，或者如本申请第二方面实施例所述的充电时长预测模型的生成方法。

为达上述目的，本申请第七方面实施例提出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如本申请第一方面实施例所述的车辆控制方法，或者如本申请第二方面实施例所述的充电时长预测模型的生成方法。

附图说明

图1是根据本申请一示例性实施例示出的一种车辆控制方法的流程图；

图2是根据本申请一示例性实施例示出的另一种车辆控制方法的流程图；

图3是根据本申请一示例性实施例示出的一种充电时长预测模型的生成方法的流程图；

图4是根据本申请一示例性实施例示出的另一种充电时长预测模型的生成方法的流程图；

图5是根据本申请一示例性实施例示出的一种车辆控制装置的框图；

图6是根据本申请一示例性实施例示出的一种充电时长预测模型的生成装置的框图；

图7是根据本申请一示例性实施例的一种车辆的结构示意图；

图8是根据本申请一示例性实施例的一种电子设备的结构示意图。

具体实施方式

下面详细描述本申请的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。

图1是根据本申请一示例性实施例示出的一种车辆控制方法的流程图，如图1所示，该车辆控制方法包括以下步骤：

S101，获取充电开始前电池的输入特征参数的参数值。

本申请实施例的车辆控制方法可应用于充电桩对电动车辆进行充电时基于充电开始前预测的充电时长进行车辆控制的场景中，本申请实施例的车辆控制方法的执行主体可为本申请实施例的车辆控制装置，该车辆控制装置可以设置在电子设备上，例如车辆或云端的电子设备。

具体实施中，充电桩对电动车辆进行充电时，将充电枪插入电动车辆进行交互认证，认证通过后开始对电动车辆充电，本申请实施例可以在充电枪插入之后，充电开始前，通过电动车辆的电池管理系统(Battery Management System，简称BMS)获取电池在充电开始前的状态参数值作为输入特征参数的参数值，例如，输入特征参数可以包括：电池的初始荷电状态，以及电池的目标荷电状态与初始荷电状态之间的差值，此外输入特征参数还可以包括电池的最高温度、电池的最低温度、电池的健康度和环境温度等。本申请不做限定。

S102，将输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长。

本申请实施例中，通过充电时长预测模型进行待充电车辆的充电时长进行预测，例如充电时长可以为电池从开始充电前的初始荷电状态到目标荷电状态所需要的时长。将电池管理系统在充电开始前获取的电池的输入特征参数的参数值，输入充电时长预测模型中，充电时长预测模型输出预测的充电时长。其中，充电时长预测模型可以为预先存储在车辆或云端的训练好的预测模型。

S103，根据充电时长对车辆进行控制。

本申请实施例中，在充电桩对车辆进行充电的过程中，可以根据充电时长预测模型输出的充电时长对车辆进行控制，例如在实际充电时间达到预测的充电时长时，截止充电，避免电池过充。作为一种可行的实施方式，可以将充电时长发送至用户终端设备或车载显示器中，以便用户根据预测出的充电时长自定义车辆的充电时间从而实现对车辆的充电控制。

在一些实施例中，可以根据预测的充电时长控制车辆的充电开始时刻，例如用户通过终端设备或车载中控系统设置出行时间，在此基础上，本申请可根据预测的充电时长设置车辆的充电开始时刻，以控制车辆在用户出行时间前完成充电。

实际中，电池需要在一定的温度下实现正常工作，通常在低温环境下(例如冬季)电池性能就会下降，放电能力就会相应降低，影响电池性能，当车辆处于低温环境时，让电池处于适宜的温度，不仅能保证车辆的正常运行，还能节约电量、提高车辆续航里程。因此在一些实施例中，还可以根据预测的充电时长控制车辆的保温开始时刻，在车辆电池充电结束后进行保温，使电池处于一个适宜的温度，在用户再次使用时，让电池性能处于良好状态，保证车辆整个工作系统的运行，同时也能提高电池使用安全性和延长电池的使用寿命。

在本申请实施例中，通过获取充电开始前电池的输入特征参数的参数值，将输入特征参数的参数值输入至充电时长预测模型中，得到充电时长，根据充电时长对车辆进行控制。本申请实施例通过充电时长预测模型在充电开始前对充电时长进行预测，根据预测的充电时长进行车辆控制，避免电池过充，延长电池的使用寿命，增强充电时长预测的准确性，从而提高用户体验。

在图1所示实施例的基础上，如图2所示，步骤S102中“将输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长”，具体可包括以下步骤：

S201，获取充电桩的类型。

具体实施中，不同类型的充电桩充电能力不同，不同充电能力的充电桩，对同一待充电电动车辆进行充电时，使得电池从初始荷电状态达到目标荷电状态的充电时长不同。作为一种可行的实施方式，在充电开始前获取充电枪的RC(电阻-电容)阻值，根据该阻值确定充电枪对应的充电桩的类型(即充电桩的充电能力)。

S202，将输入特征参数的参数值输入至充电桩的类型对应的充电时长预测模型中，以得到充电时长。

本申请实施例中，不同类型的充电桩对应不同的充电时长预测模型，将输入特征参数的参数值输入至充电桩的类型对应的充电时长预测模型中，以得到充电时长。例如，选择某一充电桩对车辆充电时，根据RC阻值确定充电桩的类型，将获取到的充电开始前电池的输入特征参数的参数值输入至该类型对应的充电时长预测模型中，得到该充电桩对车辆完成充电所需要的充电时长。

其中，不同阻值(不同类型的充电桩)与不同充电时长预测模型的对应关系，可根据需要设定，本申请不做限定，本申请实施例以充电枪的RC阻值为220欧姆的充电桩和充电枪的RC阻值为680欧姆的充电桩为例，对不同类型对应的充电时长预测模型进行说明：

充电枪的RC阻值为220欧姆时，该类型对应的充电时长预测模型可以为：

y＝Δ_soc/k₀

其中，y为充电时长，Δ_soc为输入特征参数中电池的目标荷电状态与电池的初始荷电状态之间的差值，k0为第一常数。其中，第一常数k₀可以通过模型训练确定。

充电枪的RC阻值为680欧姆时，该类型对应的充电时长预测模型可以为：

y＝w^Tf+b

其中，y为充电时长，w为n*1维的向量，f为输入特征参数形成的n*1维的向量，b为第二常数，w^T为w的转置。其中，模型参数w和b可以通过模型训练确定。

例如，以电池的初始荷电状态f₁、电池的目标荷电状态与初始荷电状态之间的差值f₂、电池的最高温度f₃、电池的最低温度f₄、电池的健康度f₅和环境温度f₆作为输入特征参数，则输入特征参数形成的向量f为6*1维的向量，w为6*1维的向量，充电时长预测模型可表示为：

此处需要说明的是，不同充电桩的类型对应的充电时长预测模型可根据需要构建，本申请不做限定。

为实现上述实施例的车辆控制方法，本申请还提出一种充电时长预测模型的生成方法。

图3是根据本申请一示例性实施例示出的一种充电时长预测模型的生成方法的流程图，如图3所示，该充电时长预测模型的生成方法包括以下步骤：

S301，获取历史充电过程中电池的输入特征参数的样本参数值和历史充电过程的实际充电时长。

本申请实施例的充电时长预测模型的生成方法的执行主体可为本申请实施例的充电时长预测模型的生成装置，该充电时长预测模型的生成装置可以设置在电子设备上，例如车辆或云端的电子设备。

本申请实施例从云端数据库获取车辆在历史充电过程中电池的输入特征参数的样本参数值和历史充电过程中的实际充电时长。其中，输入特征参数可以包括：电池的初始荷电状态，以及电池的目标荷电状态与初始荷电状态之间的差值，此外还可以包括电池的最高温度、电池的最低温度、电池的健康度和环境温度等参数。历史充电过程的充电数据中还可能包括充电电流、充电桩的阻值以及充电过程相关的电气等物理量，这些物理量也可以作为输入特征参数。本申请不做限定。

S302，根据输入特征参数的样本参数值和实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。

在一些实施例中，将从云端获取到的多个历史充电过程对应的输入特征参数的样本参数值分别输入至待训练的充电时长预测模型中，得到每一个历史充电过程对应的样本充电时长，根据每一历史充电过程的实际充电时长和模型输出的样本充电时长进行训练，不断优化模型参数，使得预测模型输出的样本充电时长与实际充电时长的差值小于预设的误差阈值(例如MAE<30min)，从而得到能够在具体实施中进行充电时长预测的充电时长预测模型。

本申请实施例中，通过获取历史充电过程中电池的输入特征参数的样本参数值和历史充电过程的实际充电时长，根据输入特征参数的样本参数值和实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。从而可以基于生成的充电时长预测模型在充电开始前获得充电时长，增强充电时长预测的准确性，增强用户体验。

在上述实施例的基础上，如图4所示，本申请实施例的充电时长预测模型的生成方法，在步骤S301“获取历史充电过程中电池的输入特征参数的样本参数值和历史充电过程的实际充电时长”之前，还可以包括样本筛选的预处理过程，具体可包括以下步骤：

S401，获取历史充电过程中的充电电流。

在本申请实施例中，从云端数据库中获取多个历史充电过程中的充电电流，例如，预设时间间隔T，基于时间间隔T对每个历史充电过程中的充电电流进行采样，获得该充电过程多个时刻下的充电电流。

S402，根据充电电流对历史充电过程进行筛选。

在本申请实施例中，根据充电电流对历史充电过程进行筛选，例如剔除获取到的失效或异常的历史充电过程，将满足筛选条件即筛选通过的历史充电过程作为有效样本，从有效样本中获取电池的输入特征参数的样本参数值和历史充电过程的实际充电时长。

可选的，可以基于充电电流，设置预设的筛选条件，根据充电电流和预设的筛选条件对历史充电过程进行筛选，其中，筛选条件可以包括以下至少一种：

条件1：历史充电过程开始后t₁～t₂时间内充电电流的平均值大于预设的第一电流阈值。

条件2：历史充电过程结束前t₃～t₄时间内充电电流的平均值大于预设的第一电流阈值。

条件3：历史充电过程开始后t₅～t₆时间内充电电流的标准差等于或者小于预设的标准差阈值。

条件4：历史充电过程开始后t₇～t₈时间内ON挡唤醒信号最大值一直为零。

条件5：历史充电过程开始后t₉～t₁₀时间内充电电流的众数大于预设的第一众数阈值。

条件6：历史充电过程开始后t₁₁～t₁₂时间内充电电流的最大跳变等于或者小于预设的跳变阈值。

其中，ON档为车辆的一个控制档位，置于ON档时车辆处于全车通电状态，t₁～t₁₂为自然数，可根据需要设定，本申请不做限定。例如，将t₁～t₂设置为5～10min，获取充电过程开始后5～10min内的充电电流，对该时间间隔内的充电电流进行平均数计算，将计算结果与预设的平均数阈值current₁进行比较，剔除不满足条件的历史充电过程。

再例如，设置t₉为充电过程开始后5min的时刻，设置t₁₀为充电过程开始后30min的时刻，获取充电过程开始后5min至充电过程开始后30min内的充电电流，计算该时间间隔内充电电流的众数，将计算结果与预设的第一众数阈值mode₁进行比较，剔除不满足条件的历史充电过程，或者计算该时间间隔内充电电流的标准差，将计算结果与预设的标准差阈值进行比较，剔除不满足条件的历史充电过程。

需要说明的是，上述筛选条件中，第一电流阈值、标准差阈值、第一众数阈值以及跳变阈值可通过对历史充电过程中充电数据的分布进行分析，设定所需要的阈值。例如，根据历史充电过程中充电数据的分布查看异常数据与正常数据之间的差异，设置能够剔除异常数据的相关阈值。

在上述实施例的基础上，步骤S302“根据输入特征参数的样本参数值和实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型”具体可以从云端存储的历史充电过程的充电数据中获取充电枪的RC阻值，根据该阻值确定充电桩的类型，将该历史充电过程中输入特征参数的样本参数值输入至该类型对应的待训练的充电时长预测模型中，根据输入特征参数的样本参数值和实际充电时长进行模型训练得到该类型对应的充电时长预测模型。

其中，在对充电时长预测模型进行训练之前，可根据历史充电过程的充电数据构建不同的充电时长预测模型，本申请实施例以充电枪的RC阻值为220欧姆的充电桩和充电枪的RC阻值为680欧姆的充电桩为例，对不同类型对应的待训练的充电时长预测模型进行说明：

充电枪的RC阻值为220欧姆时，该类型对应的待训练的充电时长预测模型可以为：

y＝Δ_soc/k₀

其中，y为样本充电时长，Δ_soc为输入特征参数中电池的目标荷电状态与电池的初始荷电状态之间的差值，k0为待训练的第一常数。选取充电枪的RC阻值为220欧姆的有效历史充电过程，将电池的目标荷电状态与电池的初始荷电状态之间的差值作为输入特征参数，对第一常数k0进行训练。

充电枪的RC阻值为680欧姆时，该类型对应的待训练的充电时长预测模型可以为：

y＝w^Tf+b

其中，y为样本充电时长，w为待训练n*1维的向量，f为输入特征参数形成的n*1维的向量，b为待训练第二常数，w^T为向量w的转置。

例如，以电池的初始荷电状态f₁、电池的目标荷电状态与初始荷电状态之间的差值f₂、电池的最高温度f₃、电池的最低温度f₄、电池的健康度f₅和环境温度f₆作为输入特征参数，则输入特征参数形成的向量f为6*1维的向量，w为6*1维的向量，待训练的充电时长预测模型为：

此处需要说明的是，不同充电桩的类型对应的待训练的充电时长预测模型可根据需要构建，本申请不做限定。

图5是根据本申请一示例性实施例示出的一种车辆控制装置的框图，如图5所示，该车辆控制装置500，包括：第一获取模块501、预测模块502和控制模块503。

第一获取模块501，用于获取充电开始前电池的输入特征参数的参数值。

预测模块502，用于将输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长。

控制模块503，用于根据充电时长对车辆进行控制。

在本申请实施例中，输入特征参数包括：电池的初始荷电状态，以及电池的目标荷电状态与初始荷电状态之间的差值。

在本申请实施例中，预测模块502，具体用于：获取充电桩的类型；将输入特征参数的参数值输入至充电桩的类型对应的充电时长预测模型中，以得到充电时长。

在本申请实施例中，预测模块502，具体用于：获取充电桩的阻值；根据阻值确定充电桩的类型。

在本申请实施例中，充电时长预测模型为：y＝Δ_soc/k₀；其中，y为充电时长，Δ_soc为输入特征参数中电池的目标荷电状态与电池的初始荷电状态之间的差值，k0为第一常数。

在本申请实施例中，充电时长预测模型为：y＝w^Tf+b；其中，y为充电时长，w为n*1维的向量，f为输入特征参数形成的n*1维的向量，b为第二常数，w^T为w的转置。

在本申请实施例中，控制模块503，具体可用于：根据充电时长控制车辆的充电开始时刻；和/或根据充电时长控制车辆的保温开始时刻。

其中，用户预先设定出行时刻，控制模块503根据出行时刻、充电时长、保温时长推测出充电开始时刻和保温开始时刻，并在到达或者超过充电开始时刻时，控制开启电池充电，在到达或者超过保温开始时刻时，控制开启电池保温，在到达出行时刻时，结束电池保温。由此，通过用户的出行时刻确定充电和保温的开始时刻来对车辆电池进行充电和保温，可以在用户出行前更准确的控制充电时间和保温时间，消耗更少的电量并达到适宜出行的电池温度，延长电池的使用寿命，增强充电时长和保温时长预测的准确性，从而提高用户体验，增加了车辆的续航里程。

需要说明的是，上述对车辆控制方法实施例的解释说明，也适用于本申请实施例的车辆控制装置，具体过程此处不再赘述。

在本申请实施例中，通过获取充电开始前电池的输入特征参数的参数值，将输入特征参数的参数值输入至充电时长预测模型中，得到充电时长，根据充电时长对车辆进行控制。本申请实施例通过充电时长预测模型在充电开始前对充电时长进行预测，根据预测的充电时长进行车辆控制，避免电池过充，延长电池的使用寿命，增强充电时长预测的准确性，提高用户体验。

图6是根据本申请一示例性实施例示出的一种充电时长预测模型的生成装置的框图，如图6所示，该车辆控制装置600，包括：第二获取模块601和训练模块602。

第二获取模块601，用于获取历史充电过程中电池的输入特征参数的样本参数值和历史充电过程的实际充电时长。

训练模块602，用于根据输入特征参数的样本参数值和实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。

在本申请实施例中，生成装置600还包括：预处理模块，用于获取历史充电过程中的充电电流；根据充电电流对历史充电过程进行筛选。

在本申请实施例中，预处理模块具体用于：根据充电电流和预设的筛选条件对历史充电过程进行筛选，其中，筛选条件包括以下至少一种：历史充电过程开始后t₁～t₂时间内充电电流的平均值大于预设的第一电流阈值；历史充电过程结束前t₃～t₄时间内充电电流的平均值大于第一电流阈值；历史充电过程开始后t₅～t₆时间内充电电流的标准差等于或者小于预设的标准差阈值；历史充电过程开始后t₇～t₈时间内ON挡唤醒信号最大值一直为零；历史充电过程开始后t₉～t₁₀时间内充电电流的众数大于预设的第一众数阈值；历史充电过程开始后t₁₁～t₁₂时间内充电电流的最大跳变等于或者小于预设的跳变阈值。

在本申请实施例中，输入特征参数包括：电池的初始荷电状态，以及电池的目标荷电状态与初始荷电状态之间的差值。

在本申请实施例中，第二预测模块602，具体用于：获取充电桩的类型；根据样本参数值和实际充电时长对充电桩的类型对应的待训练的充电时长预测模型进行训练，以得到充电时长预测模型。

在本申请实施例中，待训练的充电时长预测模型为：y＝Δ_soc/k₀；其中，y为样本充电时长，Δ_soc为输入特征参数中电池的目标荷电状态与电池的初始荷电状态之间的差值，k₀为待训练的第一常数。

在本申请实施例中，待训练的充电时长预测模型为：y＝w^Tf+b；其中，y为样本充电时长，w为待训练的n*1维的向量，f为输入特征参数形成的n*1维的向量，所述b为待训练的第二常数，w^T为w的转置。

需要说明的是，上述对充电时长预测模型的生成方法实施例的解释说明，也适用于本申请实施例的充电时长预测模型的生成装置，具体过程此处不再赘述。

在本申请实施例中，通过获取历史充电过程中电池的输入特征参数的样本参数值和历史充电过程的实际充电时长，根据输入特征参数的样本参数值和实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。从而可以基于生成的充电时长预测模型在充电开始前获得充电时长增强充电时长预测的准确性，增强用户体验。

为实现上述实施例，本申请实施例还提出一种车辆700，如图7所示，该车辆700具体可包括：如上述实施例所示的车辆控制装置500，或者充电时长预测模型的生成装置600。

为了实现上述实施例，本申请实施例还提出一种电子设备800，如图8所示，该电子设备800具体可包括：存储器801、处理器802及存储在存储器801上并可在处理器802上运行的计算机程序，处理器802执行程序时，实现如上述实施例所示的车辆控制方法，或者充电时长预测模型的生成方法。

为了实现上述实施例，本申请实施例还提出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，以实现如上述实施例所示的车辆控制方法，或者充电时长预测模型的生成方法。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (19)

1.一种车辆控制方法，其特征在于，包括：

获取充电开始前电池的输入特征参数的参数值；

将所述输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长；

根据所述充电时长对车辆进行控制。

2.根据权利要求1所述的车辆控制方法，其特征在于，所述输入特征参数包括：

所述电池的初始荷电状态，以及所述电池的目标荷电状态与所述初始荷电状态之间的差值。

3.根据权利要求1所述的车辆控制方法，其特征在于，所述将所述输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长，包括：

获取充电桩的类型；

将所述输入特征参数的参数值输入至所述充电桩的类型对应的所述充电时长预测模型中，以得到所述充电时长。

4.根据权利要求3所述的车辆控制方法，其特征在于，所述获取充电桩的类型，包括：

获取所述充电枪的阻值；

根据所述阻值确定所述充电桩的类型。

5.根据权利要求1-4任一项所述的车辆控制方法，其特征在于所述充电时长预测模型为：

y＝Δ_soc/k₀；

其中，所述y为所述充电时长，所述Δ_soc为所述输入特征参数中所述电池的目标荷电状态与所述电池的初始荷电状态之间的差值，所述k₀为第一常数。

6.根据权利要求1-4任一项所述的车辆控制方法，其特征在于，所述充电时长预测模型为：

y＝w^Tf+b；

其中，所述y为所述充电时长，所述w为n*1维的向量，所述f为所述输入特征参数形成的n*1维的向量，所述b为第二常数，所述w^T为所述w的转置。

7.根据权利要求1所述的车辆控制方法，其特征在于，所述根据所述充电时长对车辆进行控制，包括：

根据所述充电时长控制所述车辆的充电开始时刻；和/或

根据所述充电时长控制所述车辆的保温开始时刻。

8.一种充电时长预测模型的生成方法，其特征在于，包括：

获取历史充电过程中电池的输入特征参数的样本参数值和所述历史充电过程的实际充电时长；

根据所述输入特征参数的样本参数值和所述实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。

9.根据权利要求8所述的生成方法，其特征在于，所述获取历史充电过程中电池的输入特征参数的样本参数值和所述历史充电过程的实际充电时长之前，还包括：

获取所述历史充电过程中的充电电流；

根据所述充电电流对所述历史充电过程进行筛选。

10.根据权利要求9所述的生成方法，其特征在于，所述根据所述充电电流对所述历史充电过程进行筛选，包括：

根据所述充电电流和预设的筛选条件对所述历史充电过程进行筛选，其中，所述筛选条件包括以下至少一种：

所述历史充电过程开始后t₁～t₂时间内所述充电电流的平均值大于预设的第一电流阈值；

所述历史充电过程结束前t₃～t₄时间内所述充电电流的平均值大于所述第一电流阈值；

所述历史充电过程开始后t₅～t₆时间内所述充电电流的标准差等于或者小于预设的标准差阈值；

所述历史充电过程开始后t₇～t₈时间内ON挡唤醒信号最大值一直为零；

所述历史充电过程开始后t₉～t₁₀时间内所述充电电流的众数大于预设的第一众数阈值；

所述历史充电过程开始后t₁₁～t₁₂时间内所述充电电流的最大跳变等于或者小于预设的跳变阈值。

11.根据权利要求8所述的生成方法，其特征在于，所述输入特征参数包括：

所述电池的初始荷电状态，以及所述电池的目标荷电状态与所述初始荷电状态之间的差值。

12.根据权利要求8所述的生成方法，其特征在于，所述根据所述输入特征参数的样本参数值和所述实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型，包括：

获取充电桩的类型；

根据所述样本参数值和所述实际充电时长对所述充电桩的类型对应的所述待训练的充电时长预测模型进行训练，以得到所述充电时长预测模型。

13.根据权利要求8-12任一项所述的生成方法，其特征在于，所述待训练的充电时长预测模型为：

y＝Δ_soc/₀；

其中，所述y为所述样本充电时长，所述Δ_soc为所述输入特征参数中所述电池的目标荷电状态与所述电池的初始荷电状态之间的差值，所述k₀为待训练的第一常数。

14.根据权利要求8-12任一项所述的生成方法，其特征在于，所述待训练的充电时长预测模型为：

y＝w^Tf+b；

其中，所述y为所述样本充电时长，所述w为待训练的n*1维的向量，所述f为所述输入特征参数形成的n*1维的向量，所述b为待训练的第二常数，所述w^T为所述w的转置。

15.一种车辆控制装置，其特征在于，包括：

第一获取模块，用于获取充电开始前电池的输入特征参数的参数值；

预测模块，用于将所述输入特征参数的参数值输入至充电时长预测模型中，以得到充电时长；

控制模块，用于根据所述充电时长对车辆进行控制。

16.一种充电时长预测模型的生成装置，其特征在于，包括：

第二获取模块，用于获取历史充电过程中电池的输入特征参数的样本参数值和所述历史充电过程的实际充电时长；

训练模块，用于根据所述输入特征参数的样本参数值和所述实际充电时长对待训练的充电时长预测模型进行训练，以得到充电时长预测模型。

17.一种车辆，其特征在于，包括：如权利要求15所述的车辆控制装置，或者如权利要求16所述的充电时长预测模型的生成装置。

18.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-7中任一项所述的方法，或者实现如权利要求8-14中任一项所述的方法。

19.一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1-7中任一项所述的方法，或者实现如权利要求8-14中任一项所述的方法。

Images