CN114841376A - 一种带蓄电池传感器的汽车可停车时长预测方法 - Google Patents

一种带蓄电池传感器的汽车可停车时长预测方法 Download PDF

Info

Publication number
CN114841376A
CN114841376A CN202210476339.3A CN202210476339A CN114841376A CN 114841376 A CN114841376 A CN 114841376A CN 202210476339 A CN202210476339 A CN 202210476339A CN 114841376 A CN114841376 A CN 114841376A
Authority
CN
China
Prior art keywords
time
data
vehicle
storage battery
model
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.)
Pending
Application number
CN202210476339.3A
Other languages
English (en)
Inventor
邵国君
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.)
Chongqing Changan Automobile Co Ltd
Original Assignee
Chongqing Changan Automobile Co Ltd
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 Chongqing Changan Automobile Co Ltd filed Critical Chongqing Changan Automobile Co Ltd
Priority to CN202210476339.3A priority Critical patent/CN114841376A/zh
Publication of CN114841376A publication Critical patent/CN114841376A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/30—Information sensed or collected by the things relating to resources, e.g. consumed power
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了带蓄电池传感器的汽车可停车时长预测方法，主要步骤为1、从车联网大数据平台提取相应数量及维度的数据集，并进行数据预处理以及特征工程；2、根据蓄电池相关数据及构造的特征变量作为训练集和测试集，分别选择合适的机器学习算法进行模型训练，并选择模型评价指标最好的模型输出可停车时长的预测结果；3、完成用户下次用车时间预测模型的数据集建立以及模型训练，并判断亏电风险等级。本发明的方法，能够较为精准地预测出启动车辆以给蓄电池充电的时机，给车主比较精准的指导，使车主避免了因蓄电池原因导致的无法启动发动机、使用不便的问题，提升了用户体验。

Description

一种带蓄电池传感器的汽车可停车时长预测方法
技术领域
本发明涉及售后车辆质量监控领域，具体涉及带蓄电池传感器的汽车可停车时长预测方法。
背景技术
在车辆停车熄火后，由汽车蓄电池提供全车各控制器以及负载的耗电需求，即使在车辆进入休眠状态，即各控制器进入低功耗模式后，仍然会有电量的消耗，一般汽车蓄电池设计的可供低功耗消耗的停车时长为30天左右，但若用户由于某些不当操作，或者加装另外的耗电设备，或者长时间停放车辆不使用，或者车辆在停放过程中收到环境的干扰导致异常放电，比如射频信号的干扰导致，又或者其他情况，会导致汽车蓄电池电量过度消耗，直至低于车辆启动电量以下，使得用户无法启动车辆，从而导致用户的极度抱怨及无法使用车辆。故，需要在车辆停车熄火后及时预测当前可停车的时间以及下次亏电的风险，以保障车辆在停车后能正常启动。
现有技术中，如中国专利文献CN 112763920公开了一种蓄电池检测方法、装置及计算机存储介质，其通过蓄电池剩余电荷状态、蓄电池剩余寿命状态、蓄电池电压、蓄电池电流、蓄电池温度、车辆此次的停车时长，再利用机器学习回归模型预测当前的蓄电池剩余电荷状态，在根据剩余电荷与经验阀值进行比较，判断当前是否有亏电风险。该方法一定程度上对亏电风险进行了预测，但仍然存在以下问题：第一，没有考虑停车过程中车辆异常放电的情况，异常放电会加速电量消耗，影响预测值；第二，其将停车时间做为输入预测当前剩余电荷，缺乏及时性，无法在熄火后就能预测出本次停车能停多长时间，有无亏电风险，若预测到为有亏电风险时用户距离车辆较远，仍然可能导致亏电；第三，亏电风险的判定仅依据当前剩余电量状态来判断还存在欠缺，应该结合用户下次用车时间的预测进行综合判定，例如预测到还有24小时会发生亏电，但是如果预测到用户会在12小时内用车，那么当前就应该为低风险，反之才会是高风险，这样更为准确。
在另一篇中国专利公开文本中，如中国专利文献CN 111896883公开了一种车载蓄电池可支持的停车时长预测方法及预警方法，其较上述专利方法更进一步，通过车辆蓄电池和停车时长的历史数据作为训练集，借助机器学习算法，在本次停车后就能预测出当前可停车时长，但该方法仍然存在以下问题：第一，仍然没考虑车辆停放过程中的异常放电情况；第二，亏电风险的判定未结合用户下次用车时间的预测进行综合判定。再综合上述两个专利的方法来看，在模型训练环节，都只使用了非时序数据的训练模型，未考略车联网数据实际为时序数据的特性。
发明内容
针对现有技术存在的上述不足，本发明的目的是提供一种带蓄电池传感器的汽车可停车时长预测方法，是一种基于车联网数据通过机器学习算法预测车辆可停车时长及亏电风险的方法，以能在车辆停车熄火后及时预测当前可停车的时间以及下次亏电的风险，以保障车辆在停车后能正常启动。
本发明的技术方案是这样实现的：
一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于包括如下步骤：
1)从车联网大数据平台提取相应数量及维度的数据集，并进行数据预处理以及特征工程，包括以下步骤：
A、数据提取：从车联网大数据平台提取一定样本数量N的车辆，连续一段时间的蓄电池相关数据，根据上传数据自动计算亏电标签，若计算亏电车辆数小于设定数量M，则重新提取N辆车的数据，直到亏电标签数量大于设定数量M；
B、数据预处理：将数据提取环节提取的数据进行异常值处理；
C、构造蓄电池寿命特征变量：由提取的车辆在启动时刻的电压值通过经验阀值得出该车的蓄电池寿命状态；
D、构造一次样本的异常耗电特征变量：通过步骤A中提取到的数据中的网络心跳标志数据得到车辆内部网络的休眠换休时间点，并由该时刻的用户操作数据来判定该次唤醒是否为用户主动唤醒，若非用户主动唤醒则为异常唤醒，同时计算车辆每次熄火到下次启动之间或到亏电标签出现时刻之间的异常唤醒次数以及累计异常唤醒的时间长度；
E、构造一次样本的初始时的剩余电荷特征变量：通过点熄火数据判断车辆熄火时的蓄电池SOC值；
F、构造一次样本的结束时的剩余电荷特征变量：分为该次出现亏电标签或没有出现亏电标签两种情况下的蓄电池SOC值；
G、构造一次样本的停车时长变量：通过相关数据计算熄火时刻到用户上电时刻或到出现亏电标签时刻的时间长度；
2)根据蓄电池相关数据及构造的特征变量作为训练集和测试集，分别选择合适的机器学习算法进行模型训练，并选择模型评价指标最好的模型输出可停车时长的预测结果，包括以下步骤：
A、准备模型训练数据集并切分：将经过预处理的蓄电池传感器相关数据，构造的特征变量作为训练停车时长预测模型的特征变量，将构造的一次样本的停车时长变量作为预测模型的预测标签，并将整个数据集按一定比例划分为训练集和测试集；
B、数据归一化处理：将数据集的特征变量以及预测标签数据映射到[0,1]区间；
C、模型训练：分别选用多种回归算法进行模型训练，并通过交叉验证选定各模型的最优参数；
D、模型选定：将测试集输入到各模型，得到各模型的预测结果的均方误差，选择均方误差最小的模型作为最终的预测模型；
E、得到停车时长预测值结果：将选定预测模型输出的预测值进行归一化还原；
3)完成用户下次用车时间预测模型的数据集建立以及模型训练，并判断亏电风险等级，根据停车时长预测结果与用户下次用车时间预测结果进行比较，得出亏电风险的大小等级。
这样，本发明的预测方法，能够较为精准地预测出启动车辆以给蓄电池充电的时机，给车主比较精准的指导，使车主避免了因蓄电池原因导致的无法启动发动机，提升了用户体验。而且，本发明利用蓄电池的历史数据，获得蓄电池可支持的最长停车时长，该数据可以作为蓄电池健康状态的指标之一，为蓄电池领域的工程师提供蓄电池设计参考。
进一步的：所述的蓄电池相关数据，包括蓄电池传感器数据、用户用车相关数据以及整车网络心跳数据，主要是发动机运行状态EngineStatus、电源状态反馈PowerStatusFeedback、闭锁信号LockSignal、驾驶侧门锁状态DriverDoorLockStatus、防盗状态KeyAlarmStatus、解锁信号UnlockSignal、蓄电池传感器SOC值、蓄电池传感器电压信号U_BATT、车外温度信号EnvironmentalTemp、整车网络休眠标志Sleepflag、整车网络唤醒标志Awakeflag，每条数据都带有时间戳。本发明获取这些数据，为车辆运行的基础数据，获取这些数据为后续的计算、判断、预测打下基础。
进一步的：当整车网络休眠标志Sleepflag由0变为1之后，出现整车网络唤醒标志Awakeflag由0变为1，则判定此刻出现一次唤醒，在唤醒时刻前后2分钟内判定有无出现用户主动唤醒数据，主动唤醒数据包括解锁信号UnlockSignal、闭锁信号LockSignal、驾驶侧门锁状态DriverDoorLockStatus发生变化、防盗状态KeyAlarmStatus由设防状态变为解除设防状态，若未找到有主动唤醒数据，则判定当前唤醒为异常唤醒。这样能够准确区分车辆的主动唤醒或异常唤醒状态，便于收集和计算异常唤醒状态。
进一步的：所述的训练停车时长预测模型的特征变量，包括蓄电池传感器SOC值、蓄电池传感器电压信号U_BATT、车外温度信号EnvironmentalTemp、一次样本的异常唤醒次数、一次样本的持续异常唤醒时间、一次样本的初始SOC值，一次样本的结束时的SOC值、蓄电池的寿命状态，将构造的一次样本的停车时长变量作为预测模型的预测标签，并按照8:2的比例将数据集划分为训练集和测试集。
进一步的：在数据归一化处理步骤中，映射公式为
Figure BDA0003625721920000041
其中max为样本数据的最大值，min为样本数据的最小值。
进一步的：在模型训练步骤中，分别选用XGBOOST、GBDT、SVR算法进行模型训练，并通过五折交叉验证选定各模型的最优参数；将训练集再划分为5份数据，分别用其中4份数据作为训练集，剩下1份数据作为测试集进行模型训练和评估，选出使得模型均方误差最小的模型参数。经过XGBOOST、GBDT、SVR四种算法，且经过五折交叉验证选，较为准确使得模型均方误差最小的模型参数，得到较优的模型参数。
进一步的：所述的归一化还原，公式为x*＝x*(max-min)+min。确定了本发明选用的归一化还原公式，便于系统执行。
进一步的：单车每一天的一次停车时长为用户上电时刻减去前面发生的熄火时刻或者出现亏电标签时刻减去前面发生的熄火时刻，一天的平均停车时长为一次停车时长计算的起始和结束时刻都在当天内的停车时长的总和除以满足该条件的停车次数，一次样本的特征变量为连续7天的平均停车时长组成的数组，预测标签为第8天的平均停车时长。这样确定了本发明单车每一天的一次停车时长、一天的平均停车时长等参数的计算方法，便于系统执行。
进一步的：所述的判断亏电风险等级，包括以下步骤：
A、数据集建立：计算单车每一天的平均停车时长，一次样本的特征变量为连续S天的平均停车时长组成的数组，预测标签为第S+1天的平均停车时长；
B、模型训练及预测：选用时间序列算法进行模型训练并调参，使得预测值的误差小于1小时，并输出预测模型；
C、亏电风险等级判定：根据停车时长预测结果与用户下次用车时间预测结果进行比较，得出亏电风险的大小等级。
进一步的：所述的亏电风险的大小等级为：高风险为车辆可停车时长小于用户最大可能的剩余用车时间，或者车辆可停车时长比用户最大可能的剩余用车时间大，但是小于1天；中风险为车辆可停车时长比用户最大可能的剩余用车时间大，但是小于3天；低风险为车辆可停车时长比用户最大可能的剩余用车时间大，但是小于1周；无风险为车辆可停车时长大于1周。这样确定了亏电风险的四个等级，便于系统执行。
进一步的：所述连续时间的蓄电池相关数据，为连续的一个月。
进一步的：M为N的3％—8％的整数数量。
总之，本发明具有如下有益效果：
1、本发明的方法，能够较为精准地预测出启动车辆以给蓄电池充电的时机，给车主比较精准的指导，使车主避免了因蓄电池原因导致的无法启动发动机，提升了用户体验。
2、本发明利用蓄电池的历史数据，获得蓄电池可支持的最长停车时长，该数据可以作为蓄电池健康状态的指标之一，为蓄电池领域的工程师提供蓄电池设计参考。
3、本发明利用蓄电池的历史数据，获得每辆车的蓄电池可支持的最长停车时长画像，为主机厂运营客户提供有利条件和技术支撑；利用蓄电池的历史数据，获得每辆车的蓄电池可支持的最长停车时长画像，为主机厂创建蓄电池特征提供停车时长维度，丰富主机厂整车零部件数据维度，为后续整车数字化提供数据支撑。
4、本发明使用启动发动机的蓄电池临界状态特征，使预测更精准，可信度更高；利用蓄电池的历史数据，及时提醒用户为蓄电池充电(启动车辆)，在很大程度上避免了蓄电池亏电情况的发生，避免了因蓄电池亏电导致的无法启动发动机的不便，培养用户良好的用车习惯，延长了蓄电池和整车的使用寿命。
附图说明
图1停车时长预测模型数据集准备流程图；
图2停车时长预测模型训练及预测流程图；
图3亏电风险等级输出流程图。
具体实施方式
以下结合附图对本发明的具体实施方案做详细描述。
参见图1—图3，本发明一种带蓄电池传感器的汽车可停车时长预测方法，其步骤如下：
本发明所述的一种带蓄电池传感器的汽车可停车时长预测方法，其步骤如下：
1、从车联网大数据平台提取相应数量及维度的数据集，并进行数据预处理以及特征工程，参见图1，包括以下步骤：
A、数据提取：从车联网大数据平台提取样本数量N辆车(N为1000，或更多)，连续一段时间(如一个月)的蓄电池传感器数据、用户用车相关数据以及整车网络心跳数据，包含发动机运行状态EngineStatus、电源状态反馈PowerStatusFeedback、闭锁信号LockSignal、驾驶侧门锁状态DriverDoorLockStatus、防盗状态KeyAlarmStatus、解锁信号UnlockSignal、蓄电池传感器SOC值、蓄电池传感器电压信号U_BATT、车外温度信号EnvironmentalTemp、整车网络休眠标志Sleepflag、整车网络唤醒标志Awakeflag，每条数据都带有时间戳。根据上传数据自动计算亏电标签，亏电标签的计算规则为统计分析得出，提取了1000辆正常车辆的电压值，并画出电压值的箱体图，亏电阀值设定为低于电压箱体图下限位置，现设定为6.1V，该值需要根据不同车辆型号提取数据进行设定，非固定值。若亏电标签车辆数小于设定数量M(如50、60辆)，则重新提取1000辆车的数据，直到亏电标签数量大于设定数量M(如50、60辆)。可以设定M为N的3％—8％的整数数量，N、M都是整数。
B、数据预处理：将数据提取环节提取的数据进行异常值处理，异常值处理原则一，删除各数据为无效值的样本，原则二，对于缺失值按照平均值填充。
C、构造蓄电池寿命特征变量：由提取的车辆在启动时刻的电压值通过经验阀值得出该车的蓄电池寿命状态，启动时刻的判定条件为发动机运行状态EngineStatus由停止状态变为运行状态，根据工程经验，蓄电池在汽车启动瞬间的的电压正常值应大于9V，现设定在启动瞬间若蓄电池电压大于9V为健康，8-9V为亚健康，低于8V为建议更换。
D、构造一次样本的异常耗电特征变量：异常耗电特征由异常唤醒次数及持续异常唤醒时间组成，当整车网络休眠标志Sleepflag由0变为1之后，出现整车网络唤醒标志Awakeflag由0变为1，则判定此刻出现一次唤醒，在唤醒时刻前后2分钟内判定有无出现用户主动唤醒数据，主动唤醒数据包括解锁信号UnlockSignal、闭锁信号LockSignal、驾驶侧门锁状态DriverDoorLockStatus发生变化、防盗状态KeyAlarmStatus由设防状态变为解除设防状态，若未找到有主动唤醒数据，则判定当前唤醒为异常唤醒，同时计算车辆每次熄火到下次启动之间或到亏电标签出现时刻之间的异常唤醒次数以及累计异常唤醒的时间长度，熄火的判定条件为发动机运行状态EngineStatus由运行状态变为停止状态，并且电源状态反馈PowerStatusFeedback由ON档变为OFF档。
E、构造一次样本的初始时的电荷特征变量：通过点熄火数据判断车辆熄火时的蓄电池SOC值。蓄电池SOC值即荷电状态，反应电池的剩余容量的，用剩余容量占电池容量的比值百分比表示。
F、构造一次样本的结束时的剩余电荷特征变量：分为该次出现亏电标签或没有出现亏电标签两种情况，未出现亏电标签，则为用户上电时的蓄电池SOC值，电源状态反馈PowerStatusFeedback由OFF档变为ON档为上电的判断条件，若出现亏电标签，则为出现标签时刻的SOC值。
G、构造一次样本的停车时长变量：若该次未出现亏电标签，则停车时长为用户上电时刻减去前面发生的熄火时刻，若该次出现亏电标签，则停车时长为出现亏电标签时刻减去前面发生的熄火时刻。
其次，根据蓄电池相关数据及构造的特征变量(这里是指的前述步骤的C、D、E、F、G步骤构造的特征变量)作为训练集和测试集，分别选择合适的机器学习算法进行模型训练，并选择模型评价指标最好的模型输出可停车时长的预测结果，参见图2，包括以下步骤：
A、准备模型训练数据集并切分：将经过预处理的蓄电池传感器相关数据，构造的特征变量(这里是指的前述步骤的C、D、E、F、G步骤构造的特征变量)作为训练停车时长预测模型的特征变量，包括蓄电池传感器SOC值、蓄电池传感器电压信号U_BATT、车外温度信号EnvironmentalTemp、一次样本的异常唤醒次数、一次样本的持续异常唤醒时间、一次样本的初始SOC值，一次样本的结束时的SOC值、蓄电池的寿命状态，将构造的一次样本的停车时长变量作为预测模型的预测标签，并按照8:2的比例将数据集划分为训练集和测试集。
B、数据归一化处理：将数据集的特征变量以及预测标签数据映射到[0,1]区间，映射公式为
Figure BDA0003625721920000071
其中max为样本数据的最大值，min为样本数据的最小值。
C、模型训练：分别选用XGBOOST、GBDT、SVR算法进行模型训练，并通过五折交叉验证选定各模型的最优参数，即将训练集再划分为5份数据，分别用其中4份数据作为训练集，剩下1份数据作为测试集进行模型训练和评估，选出使得模型均方误差最小的模型参数。
D、模型选定：将测试集输入到各得到最优参数的模型，得到各模型的预测结果的均方误差，选择均方误差最小的模型作为最终的预测模型。
E、得到停车时长预测值结果：将选定预测模型输出的预测值进行归一化还原，公式为x*＝x*(max-min)+min。
最后，完成用户下次用车时间预测模型的数据集建立以及模型训练，并判断亏电风险等级，根据停车时长预测结果与用户下次用车时间预测结果进行比较，得出亏电风险的大小等级。参见图3，具体包括以下步骤：
A、数据集建立：计算单车每一天的平均停车时长，一次停车时长为用户上电时刻减去前面发生的熄火时刻或者出现亏电标签时刻减去前面发生的熄火时刻，一天的平均停车时长为一次停车时长计算的起始和结束时刻都在当天内的停车时长的总和除以满足该条件的停车次数，一次样本的特征变量S，S取7天，为连续为7天的平均停车时长组成的数组，预测标签为第8天的平均停车时长。
B、模型训练及预测：选用时间序列算法LSTM进行模型训练并调参，使得预测值的误差小于1小时，并输出预测模型。
C、亏电风险等级判定：根据停车时长预测结果与用户下次用车时间预测结果进行比较，得出亏电风险的大小等级。高风险为车辆可停车时长小于用户最大可能的剩余用车时间，或者车辆可停车时长比用户最大可能的剩余用车时间大，但是小于1天；中风险为车辆可停车时长比用户最大可能的剩余用车时间大，但是小于3天；低风险为车辆可停车时长比用户最大可能的剩余用车时间大，但是小于1周；无风险为车辆可停车时长大于1周。
最后需要说明的是，本发明的上述实例仅仅是为说明本发明所作的举例，而并非是对本发明的实施方式的限定。尽管申请人参照较佳实施例对本发明进行了详细说明，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其他不同形式的变化和变动。这里无法对所有的实施方式予以穷举。凡是属于本发明的技术方案所引申出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (12)

1.一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于包括如下步骤：
1)从车联网大数据平台提取相应数量及维度的数据集，并进行数据预处理以及特征工程，包括以下步骤：
A、数据提取：从车联网大数据平台提取一定样本数量N的车辆，连续一段时间的蓄电池相关数据，根据上传数据自动计算亏电标签，若计算亏电车辆数小于设定数量M，则重新提取N辆车的数据，直到亏电标签数量大于设定数量M；
B、数据预处理：将数据提取环节提取的数据进行异常值处理；
C、构造蓄电池寿命特征变量：由提取的车辆在启动时刻的电压值通过经验阀值得出该车的蓄电池寿命状态；
D、构造一次样本的异常耗电特征变量：通过步骤A中提取到的数据中的网络心跳标志数据，得到车辆内部网络的休眠换休时间点，并由该时刻的用户操作数据来判定该次唤醒是否为用户主动唤醒，若非用户主动唤醒则为异常唤醒，同时计算车辆每次熄火到下次启动之间或到亏电标签出现时刻之间的异常唤醒次数以及累计异常唤醒的时间长度；
E、构造一次样本的初始时的剩余电荷特征变量：通过点熄火数据判断车辆熄火时的蓄电池SOC值；
F、构造一次样本的结束时的剩余电荷特征变量：分为该次出现亏电标签或没有出现亏电标签两种情况下的蓄电池SOC值；
G、构造一次样本的停车时长变量：通过相关数据计算熄火时刻到用户上电时刻或到出现亏电标签时刻的时间长度；
2)根据蓄电池相关数据及构造的特征变量作为训练集和测试集，分别选择合适的机器学习算法进行模型训练，并选择模型评价指标最好的模型输出可停车时长的预测结果，包括以下步骤：
A、准备模型训练数据集并切分：将经过预处理的蓄电池传感器相关数据，构造的特征变量作为训练停车时长预测模型的特征变量，将构造的一次样本的停车时长变量作为预测模型的预测标签，并将整个数据集按一定比例划分为训练集和测试集；
B、数据归一化处理：将数据集的特征变量以及预测标签数据映射到[0,1]区间；
C、模型训练：分别选用多种回归算法进行模型训练，并通过交叉验证选定各模型的最优参数；
D、模型选定：将测试集输入到各模型，得到各模型的预测结果的均方误差，选择均方误差最小的模型作为最终的预测模型；
E、得到停车时长预测值结果：将选定预测模型输出的预测值进行归一化还原；
3)完成用户下次用车时间预测模型的数据集建立以及模型训练，并判断亏电风险等级；
根据停车时长预测结果与用户下次用车时间预测结果进行比较，得出亏电风险的大小等级。
2.根据权利要求1所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：所述的蓄电池相关数据，包括蓄电池传感器数据、用户用车相关数据以及整车网络心跳数据，主要是发动机运行状态EngineStatus、电源状态反馈PowerStatusFeedback、闭锁信号LockSignal、驾驶侧门锁状态DriverDoorLockStatus、防盗状态KeyAlarmStatus、解锁信号UnlockSignal、蓄电池传感器SOC值、蓄电池传感器电压信号U_BATT、车外温度信号EnvironmentalTemp、整车网络休眠标志Sleepflag、整车网络唤醒标志Awakeflag，每条数据都带有时间戳。
3.根据权利要求2所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：当整车网络休眠标志Sleepflag由0变为1之后，出现整车网络唤醒标志Awakeflag由0变为1，则判定此刻出现一次唤醒，在唤醒时刻前后2分钟内判定有无出现用户主动唤醒数据，主动唤醒数据包括解锁信号UnlockSignal、闭锁信号LockSignal、驾驶侧门锁状态DriverDoorLockStatus发生变化、防盗状态KeyAlarmStatus由设防状态变为解除设防状态，若未找到有主动唤醒数据，则判定当前唤醒为异常唤醒。
4.根据权利要求1—3任一所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：所述的训练停车时长预测模型的特征变量，包括蓄电池传感器SOC值、蓄电池传感器电压信号U_BATT、车外温度信号EnvironmentalTemp、一次样本的异常唤醒次数、一次样本的持续异常唤醒时间、一次样本的初始SOC值，一次样本的结束时的SOC值、蓄电池的寿命状态，将构造的一次样本的停车时长变量作为预测模型的预测标签，并按照8:2的比例将数据集划分为训练集和测试集。
5.根据权利要求1—3任一所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：在数据归一化处理步骤中，映射公式为
Figure FDA0003625721910000021
其中max为样本数据的最大值，min为样本数据的最小值。
6.根据权利要求1—3任一所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：在模型训练步骤中，分别选用XGBOOST、GBDT、SVR算法进行模型训练，并通过五折交叉验证选定各模型的最优参数；将训练集再划分为5份数据，分别用其中4份数据作为训练集，剩下1份数据作为测试集进行模型训练和评估，选出使得模型均方误差最小的模型参数。
7.根据权利要求1—3任一所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：所述的归一化还原，公式为x*＝x*(max-min)+min。
8.根据权利要求1—3任一所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：单车每一天的一次停车时长为用户上电时刻减去前面发生的熄火时刻或者出现亏电标签时刻减去前面发生的熄火时刻，一天的平均停车时长为一次停车时长计算的起始和结束时刻都在当天内的停车时长的总和除以满足该条件的停车次数，一次样本的特征变量S为连续7天的平均停车时长组成的数组，预测标签为第8天的平均停车时长。
9.根据权利要求1—3任一所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：所述的判断亏电风险等级，包括以下步骤：
A、数据集建立：计算单车每一天的平均停车时长，一次样本的特征变量为连续S天的平均停车时长组成的数组，预测标签为第S+1天的平均停车时长；
B、模型训练及预测：选用时间序列算法进行模型训练并调参，使得预测值的误差小于1小时，并输出预测模型；
C、亏电风险等级判定：根据停车时长预测结果与用户下次用车时间预测结果进行比较，得出亏电风险的大小等级。
10.根据权利要求9所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：所述的亏电风险的大小等级为：高风险为车辆可停车时长小于用户最大可能的剩余用车时间，或者车辆可停车时长比用户最大可能的剩余用车时间大，但是小于1天；中风险为车辆可停车时长比用户最大可能的剩余用车时间大，但是小于3天；低风险为车辆可停车时长比用户最大可能的剩余用车时间大，但是小于1周；无风险为车辆可停车时长大于1周。
11.根据权利要求1—3任一所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：所述连续时间的蓄电池相关数据，为连续的一个月。
12.根据权利要求4所述的一种带蓄电池传感器的汽车可停车时长预测方法，其特征在于：所述M为N的3％—8％的整数数量。
CN202210476339.3A 2022-04-29 2022-04-29 一种带蓄电池传感器的汽车可停车时长预测方法 Pending CN114841376A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210476339.3A CN114841376A (zh) 2022-04-29 2022-04-29 一种带蓄电池传感器的汽车可停车时长预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210476339.3A CN114841376A (zh) 2022-04-29 2022-04-29 一种带蓄电池传感器的汽车可停车时长预测方法

Publications (1)

Publication Number Publication Date
CN114841376A true CN114841376A (zh) 2022-08-02

Family

ID=82567192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210476339.3A Pending CN114841376A (zh) 2022-04-29 2022-04-29 一种带蓄电池传感器的汽车可停车时长预测方法

Country Status (1)

Country Link
CN (1) CN114841376A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115436818A (zh) * 2022-09-19 2022-12-06 广州汽车集团股份有限公司 一种蓄电池亏电分析方法及其装置、存储介质
CN117150276A (zh) * 2023-11-01 2023-12-01 宁德时代新能源科技股份有限公司 机器学习模型构建方法、车辆行驶风险预测方法以及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115436818A (zh) * 2022-09-19 2022-12-06 广州汽车集团股份有限公司 一种蓄电池亏电分析方法及其装置、存储介质
CN117150276A (zh) * 2023-11-01 2023-12-01 宁德时代新能源科技股份有限公司 机器学习模型构建方法、车辆行驶风险预测方法以及装置
CN117150276B (zh) * 2023-11-01 2024-04-09 宁德时代新能源科技股份有限公司 机器学习模型构建方法、车辆行驶风险预测方法以及装置

Similar Documents

Publication Publication Date Title
CN112319305A (zh) 车辆的安全监控方法、监控系统和装置
CN114841376A (zh) 一种带蓄电池传感器的汽车可停车时长预测方法
CN106680720B (zh) 基于车联网的车载蓄电池失效预警系统及方法
US11653127B2 (en) Monitoring voltage measurements for a vehicle battery
CN101903786B (zh) 基于远程信息处理的用于车队的电池寄生负载确认的方法和系统
US20070239374A1 (en) System and Method for Monitroing a Vehicle Battery
CN103522909A (zh) 一种纯电动车辆停放状态下监控电池数据的方法和车载终端
US11187753B2 (en) System and method for determining a status of a vehicle battery
CN110871708A (zh) 整车电量智能预警方法、系统及车辆
CN101380950A (zh) 管理电功率存储装置的功率流的方法和装置
CN114889433A (zh) 一种电动汽车电池热失控报警系统及方法
JP6968282B2 (ja) パワートレイン管理の因果分析
CN112924866A (zh) 容量保持率的检测方法、检测装置、车辆及存储介质
CN112115404A (zh) 车辆电池电量的预判方法、装置、系统、设备和存储介质
CN112677820B (zh) 一种车辆电池管理方法、装置及车辆
CN115718258B (zh) 电池故障检测
CN111284363B (zh) 基于推进力丧失评估来控制具有可充电能量储存包的设备的运行
CN113928179A (zh) 一种整车静置状态下的动力电池监控方法
CN114374577A (zh) 一种车辆低功耗控制方法、装置、存储介质及设备
US20110309840A1 (en) Battery anomaly determination apparatus and battery anomaly warning apparatus
US11366167B2 (en) System and method for managing battery of vehicle
CN114156974A (zh) 低压蓄电池的充电控制方法、装置、中央电控模组及介质
US20190140323A1 (en) Method and device for estimating a state of an energy storage system of a vehicle
CN116749766B (zh) 一种汽车能源控制方法和系统
CN115489394B (zh) 动力电池均衡方法、装置以及车辆

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