CN115020842A - 充电时长确定方法、装置、设备及产品 - Google Patents
充电时长确定方法、装置、设备及产品 Download PDFInfo
- Publication number
- CN115020842A CN115020842A CN202210732831.2A CN202210732831A CN115020842A CN 115020842 A CN115020842 A CN 115020842A CN 202210732831 A CN202210732831 A CN 202210732831A CN 115020842 A CN115020842 A CN 115020842A
- Authority
- CN
- China
- Prior art keywords
- charging
- data
- target
- target object
- aging
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000005070 sampling Methods 0.000 claims abstract description 142
- 230000032683 aging Effects 0.000 claims abstract description 137
- 230000008569 process Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007599 discharging Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 17
- 238000010438 heat treatment Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 239000000178 monomer Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- 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)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种充电时长确定方法、装置、设备及产品,该方法包括:获取目标对象在充电时的充电参数,充电参数包括目标对象的充电数据,或者,充电参数包括目标对象的充电数据和老化数据;根据目标对象的充电参数,确定目标对象的充电特征,或者充电特征和老化特征;向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长,其中,目标模型基于至少一个充电对象在充电过程中的采样数据训练得到。根据本申请实施例,能够提升估算出的剩余充电时间的准确度。
Description
技术领域
本申请属于电池技术领域,尤其涉及一种充电时长确定方法、装置、设备及产品。
背景技术
随着科技技术发展及芯片制造技术的提升,在各个领域出现了以二次电池为能量来源的用电设备,在为用电设备的二次电池充电的过程中,用户需要了解需要的充电剩余时长,以便安排后续日程。
相关技术中,用电设备在出厂测试的同时会标定充电电流map图,通过将充电电流map图部署于电池管理系统(Battery Management System)端,估算二次电池的充电剩余时间。然而,出厂测试工况与实际工况存在差异,且在做出厂测试时,测试周期通常较短,因此标定的充电电流map图很难反映实际工况特征,通过上述充电电流map图估算出的剩余充电时间的准确度较低,影响用户充电体验。
发明内容
本申请实施例的目的是提供一种充电时长确定方法、装置、设备及产品,能够提升估算出的剩余充电时间的准确度。
第一方面,本申请实施例提供一种充电时长确定方法,该方法包括:获取目标对象在充电时的充电参数,充电参数包括目标对象的充电数据,或者,充电参数包括目标对象的充电数据和老化数据;根据目标对象的充电参数,确定目标对象的充电特征,或者充电特征和老化特征;向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长,其中,目标模型基于至少一个充电对象在充电过程中的采样数据训练得到。
在第一方面的一些可实现方式中,在向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长之前,方法还包括:确定充电对象在充电过程中的至少两个采样时刻;获取充电对象在至少两个采样时刻对应的采样数据,采样数据包括充电数据,或者充电数据和老化数据;根据充电对象在每个采样时刻对应的充电数据,确定充电对象在每个采样时刻对应的充电特征和充电剩余时长;根据充电对象在每个采样时刻对应的老化数据,确定充电对象在每个采样时刻对应的老化特征;将充电对象在每个采样时刻对应的充电特征,或者充电特征和老化特征作为输入,充电对象在每个采样时刻对应的充电剩余时长作为输出,对第一模型进行训练,得到目标模型。
在第一方面的一些可实现方式中,充电特征包括以下至少一项:电压特征、电流特征、温度特征、电池荷电状态特征、低温加热特征、充电类别特征;目标对象的老化特征包括以下至少一项:目标对象的累积里程、目标对象中二次电池的累积充电容量、目标对象中二次电池的累积放电容量、目标对象中二次电池的累积充放电容量、目标对象中二次电池的老化程度;充电对象的老化特征包括以下至少一项:充电对象的累积里程、充电对象中二次电池的累积充电容量、充电对象中二次电池的累积放电容量、充电对象中二次电池的累积充放电容量、充电对象中二次电池的老化程度。
在第一方面的一些可实现方式中,充电对象包括二次电池,二次电池包括多个单体电芯,根据充电对象在每个采样时刻对应的充电数据,确定充电对象在每个采样时刻对应的充电特征和充电剩余时长,包括:充电对象在每个采样时刻对应的充电数据包括第一参数,第一参数包括单体电芯的电压、单体电芯的电流、充电对象的二次电池的荷电状态中的至少一项;在至少两个采样时刻中目标采样时刻的第一参数满足充电截止条件的情况下,确定目标采样时刻为至少两个采样时刻中的充电截止点;根据每个采样时刻与目标采样时刻之间的间隔时长,确定充电对象在每个采样时刻对应的充电剩余时长。
在第一方面的一些可实现方式中,充电特征包括充电类别特征,充电类别特征包括充电模式特征和充电倍率特征,根据充电对象在每个采样时刻对应的充电数据,确定充电对象在每个采样时刻对应的充电特征和充电剩余时长,包括:根据聚类算法将至少一个充电对象的充电数据划分为多个类别,得到每个类别的聚类特征;识别每个类别的聚类特征,得到每个类别对应的充电模式和充电倍率;根据充电数据的所属类别,以及每个类别对应的充电模式和充电倍率,确定充电对象在充电数据的至少两个采样时刻对应的充电模式特征和充电倍率特征。
在第一方面的一些可实现方式中,获取充电对象在至少两个采样时刻对应的采样数据,包括:获取云平台存储的至少一个充电对象对应的历史充放电数据;根据充电状态标识,从历史充放电数据中获取充电对象在至少两个采样时刻对应的充电数据。
在第一方面的一些可实现方式中,方法还包括:获取目标对象的型号信息,得到型号特征;向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长,包括:向目标模型输入充电特征、老化特征和型号特征,得到目标对象的充电剩余时长。
在第一方面的一些可实现方式中,不同型号信息关联不同的目标模型,方法还包括:获取目标对象的型号信息;向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长,包括:向与目标对象的型号信息关联的目标模型输入充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长。
第二方面,本申请实施例提供一种充电时长确定装置,该装置包括:获取模块,用于获取目标对象在充电时的充电参数,充电参数包括目标对象的充电数据,或者,充电参数包括目标对象的充电数据和老化数据,其中,老化数据包括目标对象的老化程度数据以及目标对象中二次电池的老化程度数据中的至少一项,目标对象为当前使用的用电设备;确定模块,用于根据目标对象的充电参数,确定目标对象的充电特征,或者充电特征和老化特征;输入模块,用于向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长,其中,目标模型基于至少一个充电对象在充电过程中的采样数据训练得到,充电对象包括实际使用的用电设备和/或测试时使用的用电设备。
在第二方面的一些可实现方式中,该装置还包括:确定模块,还用于在向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长之前,确定充电对象在充电过程中的至少两个采样时刻;获取模块,还用于获取充电对象在至少两个采样时刻对应的采样数据,采样数据包括充电数据,或者充电数据和老化数据;确定模块,还用于根据充电对象在每个采样时刻对应的充电数据,确定充电对象在每个采样时刻对应的充电特征和充电剩余时长;确定模块,还用于根据充电对象在每个采样时刻对应的老化数据,确定充电对象在每个采样时刻对应的老化特征;训练模块,用于将充电对象在每个采样时刻对应的充电特征,或者充电特征和老化特征作为输入,充电对象在每个采样时刻对应的充电剩余时长作为输出,对第一模型进行训练,得到目标模型。
在第二方面的一些可实现方式中,充电特征包括以下至少一项:电压特征、电流特征、温度特征、电池荷电状态特征、低温加热特征、充电类别特征;目标对象的老化特征包括以下至少一项:目标对象的累积里程、目标对象中二次电池的累积充电容量、目标对象中二次电池的累积放电容量、目标对象中二次电池的累积充放电容量、目标对象中二次电池的老化程度;充电对象的老化特征包括以下至少一项:充电对象的累积里程、充电对象中二次电池的累积充电容量、充电对象中二次电池的累积放电容量、充电对象中二次电池的累积充放电容量、充电对象中二次电池的老化程度。
在第二方面的一些可实现方式中,充电对象包括二次电池,二次电池包括多个单体电芯,充电对象在每个采样时刻对应的充电数据包括第一参数,第一参数包括单体电芯的电压、单体电芯的电流、充电对象的二次电池的荷电状态中的至少一项;确定模块具体用于:在至少两个采样时刻中目标采样时刻的第一参数满足充电截止条件的情况下,确定目标采样时刻为至少两个采样时刻中的充电截止点;根据每个采样时刻与目标采样时刻之间的间隔时长,确定充电对象在每个采样时刻对应的充电剩余时长。
在第二方面的一些可实现方式中,充电特征包括充电类别特征,充电类别特征包括充电模式特征和充电倍率特征,确定模块具体用于:根据聚类算法将至少一个充电对象的充电数据划分为多个类别,得到每个类别的聚类特征;识别每个类别的聚类特征,得到每个类别对应的充电模式和充电倍率;根据充电数据的所属类别,以及每个类别对应的充电模式和充电倍率,确定充电对象在充电数据的至少两个采样时刻对应的充电模式特征和充电倍率特征。
在第二方面的一些可实现方式中,获取模块具体用于:获取云平台存储的至少一个充电对象对应的历史充放电数据;根据充电状态标识,从历史充放电数据中获取充电对象在至少两个采样时刻对应的充电数据。
在第二方面的一些可实现方式中,获取模块,还用于获取目标对象的型号信息,得到型号特征;输入模块具体用于:向目标模型输入充电特征、老化特征和型号特征,得到目标对象的充电剩余时长。
在第二方面的一些可实现方式中,不同型号信息关联不同的目标模型,获取模块,还用于获取目标对象的型号信息;输入模块具体用于:向与目标对象的型号信息关联的目标模型输入充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长。
第三方面,本申请实施例提供一种电子设备,包括:处理器以及存储有计算机程序指令的存储器;处理器执行计算机程序指令时实现如第一方面的充电时长确定方法的步骤。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现如第一方面的充电时长确定方法的步骤。
第五方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品被存储在非易失的存储介质中,所述计算机程序产品被至少一个处理器执行以实现如第一方面的充电时长确定方法的步骤。
第六方面,本申请实施例提供了一种芯片,该芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现如第一方面的充电时长确定方法的步骤。
本申请提供一种充电时长确定方法、装置、设备及产品,在目标对象充电时,获取该目标对象的充电参数,并根据充电参数确定目标对象的充电特征,或者充电特征和老化特征,该充电参数可以包括充电数据、老化数据中的至少一项。基于此,向目标模型输入充电特征,或者充电特征和老化特征,目标模型可以依据该充电特征和老化特征,输出该目标对象的当前充电剩余时长。由于目标模型是基于实际使用和/或测试时使用的用电设备在充电过程中的采样数据训练得到的,因此在估算目标对象的充电剩余时长时,目标模型能够依据目标对象的充电特征,或者充电特征和老化特征,充分考虑到目标对象的当前充电状态,或者当前充电状态和当前老化状态,使估算得到的充电剩余时长能够更接近地反映实际工况,提升充电剩余时长的估算准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍。
图1是本申请一实施例提供的充电时长确定方法的流程示意图;
图2是本申请另一实施例提供的充电时长确定方法的流程示意图;
图3是本申请再一实施例提供的充电时长确定方法的流程示意图;
图4是本申请再一实施例提供的充电时长确定方法的流程示意图;
图5是本申请实施例提供的一种充电时长确定装置的结构示意图;
图6是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
用电设备在出厂测试的同时会标定充电电流map图,通过将充电电流map图部署于电池管理系统(Battery Management System)端,估算二次电池的充电剩余时间。然而,出厂测试工况与实际工况存在差异,且在做出厂测试时,测试周期通常较短,因此标定的充电电流map图很难反映实际工况特征,通过上述充电电流map图估算出的剩余充电时间的准确度较低,影响用户充电体验。
为了改善相关技术中的问题,本申请实施例提供了一种充电时长确定方法,在目标对象充电时,获取该目标对象的充电参数,并根据充电参数确定目标对象的充电特征,或者充电特征和老化特征,该充电参数可以包括充电数据、老化数据中的至少一项。基于此,向目标模型输入充电特征,或者充电特征和老化特征,目标模型可以依据该充电特征和老化特征,输出该目标对象的当前充电剩余时长。由于目标模型是基于实际使用和/或测试时使用的用电设备在充电过程中的采样数据训练得到的,因此在估算目标对象的充电剩余时长时,目标模型能够依据目标对象的充电特征,或者充电特征和老化特征,充分考虑到目标对象的当前充电状态,或者当前充电状态和当前老化状态,使估算得到的充电剩余时长能够更接近地反映实际工况,提升充电剩余时长的估算准确度,进而改善相关技术中估算出的剩余充电时间的准确度较低的问题。
下面结合附图,通过具体的实施例及其应用场景对本申请实施例提供的充电时长确定方法进行详细地说明。
图1是本申请一实施例提供的充电时长确定方法的流程示意图,该充电时长确定方法的执行主体可以为当前实际使用的用电设备,或者用电设备的电池包中的BMS。需要说明的是,上述执行主体并不构成对本申请的限定。
示例性地,该用电设备可以为电动两轮车、电动摩托车、电动工具、无人飞行器、储能系统等利用二次电池的电能工作的设备,二次电池可以是锂离子电池、钠离子电池或固态电池等。
如图1所示,本申请实施例提供的充电时长确定方法可以包括步骤110-步骤130。
步骤110,获取目标对象在充电时的充电参数,充电参数包括目标对象的充电数据,或者,充电参数包括目标对象的充电数据和老化数据。
其中,老化数据可以包括目标对象的老化程度数据以及目标对象中二次电池的老化程度数据中的至少一项,目标对象可以为当前实际使用的用电设备。
步骤120,根据目标对象的充电参数,确定目标对象的充电特征,或者充电特征和老化特征。
步骤130,向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长。
其中,目标模型基于至少一个充电对象在充电过程中的采样数据训练得到,充电对象可以包括实际使用的用电设备和/或测试时使用的用电设备。
本申请实施例提供的充电时长确定方法,在目标对象充电时,获取该目标对象的充电参数,并根据充电参数确定目标对象的充电特征,或者充电特征和老化特征,该充电参数可以包括充电数据、老化数据中的至少一项。基于此,向目标模型输入充电特征,或者充电特征和老化特征,目标模型可以依据该充电特征和老化特征,输出该目标对象的当前充电剩余时长。由于目标模型是基于实际使用和/或测试时使用的用电设备在充电过程中的采样数据训练得到的,因此在估算目标对象的充电剩余时长时,目标模型能够依据目标对象的充电特征,或者充电特征和老化特征,充分考虑到目标对象的当前充电状态,或者当前充电状态和当前老化状态,使估算得到的充电剩余时长能够更接近地反映实际工况,提升充电剩余时长的估算准确度。
下面结合具体的实施例,详细说明上述步骤的具体实现方式。
涉及步骤110,获取目标对象在充电时的充电参数,充电参数包括目标对象的充电数据,或者,充电参数包括目标对象的充电数据和老化数据。
其中,充电数据和老化数据可以为用电设备实时获取的。
在本申请的一些实施例中,充电数据可以包括以下至少一项:电流数据、电压数据、温度数据、电池荷电状态数据、低温加热数据、充电类别数据;老化数据可以包括以下至少一项:累积里程数据、累积充电容量数据、累积放电容量数据、累积充放电容充放电容量数据、老化程度数据。
在一个实施例中,二次电池可以包括多个单体电芯,上述电压数据可以包括每个单体电芯的电压数据;上述温度数据可以包括每个单体电芯的温度数据。
涉及步骤120,根据目标对象的充电参数,确定目标对象的充电特征,或者充电特征和老化特征。
在本申请的一些实施例中,充电特征可以包括以下至少一项:电压特征、电流特征、温度特征、电池荷电状态(State Of Charge,SOC)特征、低温加热特征、充电类别特征;目标对象的老化特征可以包括以下至少一项:目标对象的累积里程、目标对象中二次电池的累积充电容量、目标对象中二次电池的累积放电容量、目标对象中二次电池的累积充放电容充放电容量、目标对象中二次电池的老化程度;充电对象的老化特征可以包括以下至少一项:充电对象的累积里程、充电对象中二次电池的累积充电容量、充电对象中二次电池的累积放电容量、充电对象中二次电池的累积充放电容充放电容量、充电对象中二次电池的老化程度。
在上述实施例中,电压特征可以包括但不限于:最高单体电压、最低单体电压、四分位单体电压、平均单体电压;温度特征可以包括但不限于:最高单体温度、最低单体温度、平均单体温度、四分位单体温度、环境温度;二次电池的老化程度可以包括但不限于:电池健康状态(State Of Health,SOH)、电池能量输出能力(State Of Energy,SOE)、电池功率输出能力(State Of Power,SOP)。其中,当前实际使用的用电设备包括二次电池,二次电池中包括多个单体电芯,将所有单体电芯的电压值按照由大到小,或者由小到大的顺序排序后,四分位单体电压为排列位次为25%、50%、75%的电压值;将所有单体电芯的温度值按照由大到小,或者由小到大的顺序排序后,四分位单体温度为排列位次为25%、50%、75%的温度值。
在本申请实施例中,相关技术中在冬季低温加热、电池老化程度较高时,对充电剩余时长的准确程度较低,而本申请在估算当前用电设备的剩余充电时长时,通过向目标模型输入二次电池的温度特征和老化特征,能够使目标模型依据当前用电设备的温度数据和老化程度进行准确估算,降低在冬季低温加热、电池老化程度较高时对充电剩余时长的估算误差。
在本申请的一些实施例中,为了训练得到目标模型,图2是本申请另一实施例提供的充电时长确定方法的流程示意图,如图2所示,在步骤130之前,该方法还可以包括步骤210-步骤250。
步骤210,确定充电对象在充电过程中的至少两个采样时刻。
其中,一次充电过程中可以包括至少两个采样时刻,该至少两个采样时刻均为充电时刻,相邻两个采样时刻之间可以间隔第一时长,该第一时长可以设置为2s、5s,第一时长还可以设置为其他值,根本申请在此不做具体限定。
步骤220,获取充电对象在至少两个采样时刻对应的采样数据,采样数据包括充电数据,或者充电数据和老化数据。
具体地,充电对象在充电之后,可以通过电池管理系统(Battery ManagementSystem,BMS)将实际充放电数据和老化数据上传至云平台,以使当前实际使用的用电设备可以从云平台中获取到充电对象在每个采样时刻对应的充电数据和/或老化数据。
示例性地,由BMS采集充电对象的充电数据和老化数据,并以第一周期发送上传至云平台中。其中,第一周期不仅限于某一特定值,例如固定周期设定为7天,也可以设置为其他值,本申请在此不做具体限定。
在一个实施例中,一次充电过程的充电数据可以为一个数据片段,全部数据片段可以构成原始数据集,当前实际使用的用电设备在步骤220之前,可以对原始数据集进行异常筛选、缺失插值等预处理,得到充电对象在至少两个采样时刻对应的充电数据。
示例性地,异常筛选方式可以包括但不限于:阈值筛选、箱形图筛选、局部离群因子(Local Outlier Factor,LOF)筛选;缺失插值方式可以包括但不限于:线性插值、基于小波系数插值。
在一个实施例中,步骤220可以具体包括:获取云平台存储的至少一个充电对象对应的历史充放电数据;根据充电状态标识,从历史充放电数据中获取充电对象在至少两个采样时刻对应的充电数据。
具体地,充电对象可以通过BMS将实际充放电数据上传至云平台,得到该充电对象对应的历史充放电数据,当前实际使用的用电设备基于充电状态标识,从历史充放电数据中获取该充电对象在至少两个采样时刻对应的充电数据。
示例性地,该充电状态标识可以为时间、电流、车速等充放电开始/结束标识,例如用电设备可以确定充电对象车速为零时的历史充放电数据为充电数据。
在本申请实施例中,考虑到大多数电动交通工具及无人机产品已部署云平台且已采集大量数据,充电对象在每次充放电后,可以直接将实际充放电工况数据和老化数据上传至云平台。如此,在训练或优化目标模型时,可以基于云平台存储的充放电数据和老化数据,获取充电对象在至少两个采样时刻对应的充电数据,得到模型训练数据,无须增加新的硬件成本,具有较高应用价值。
步骤230,根据充电对象在每个采样时刻对应的充电数据,确定充电对象在每个采样时刻对应的充电特征和充电剩余时长。
步骤240,根据充电对象在每个采样时刻对应的老化数据,确定充电对象在每个采样时刻对应的老化特征。
步骤250,将充电对象在每个采样时刻对应的充电特征,或者充电特征和老化特征作为输入,充电对象在每个采样时刻对应的充电剩余时长作为输出,对第一模型进行训练,得到目标模型。
在本申请实施例中,目标模型在估算当前用电设备的充电剩余时长时,可基于输入的该当前用电设备的老化特征进行评估,参考相同老化程度的其他用电设备的充电剩余时长,准确估算出当前用电设备的充电剩余时长,实现二次电池全生命周期的充电剩余时长的准确估算。
在一个实施例中,用电设备可以基于迭代算法Adaboost、优化的分布式梯度增强库Xgboost、轻量型梯度提升机(Light Gradient Boosting Machine,LightBGM)中至少一种集成机器学习算法训练第一模型。
其中,该第一模型可以为卷积神经网络模型(Convolutional Neural Networks,CNN)、循环神经网络模型(Recurrent Neural Network,RNN)、长短期记忆网络模型(LongShort-Term Memory,LSTM)或者门控循环单元(Gate Recurrent Unit,GRU)等神经网络模型。
在本申请的一些实施例中,为了提升充电对象在每个采样时刻的充电剩余时长的准确度,提升目标模型输出结果的准确度,充电对象包括二次电池,二次电池包括多个单体电芯,充电对象在每个采样时刻对应的充电数据包括第一参数,第一参数包括单体电芯的电压、单体电芯的电流、充电对象的二次电池的荷电状态中的至少一项。
图3是本申请再一实施例提供的充电时长确定方法的流程示意图,步骤230可以包括图3所示的步骤310和步骤320。
步骤310,在至少两个采样时刻中目标采样时刻的第一参数满足充电截止条件的情况下,确定目标采样时刻为至少两个采样时刻中的充电截止点。
其中,该目标采样时刻可用于表征一次充电过程充电结束;充电截止条件可以包括单体电芯的电压值达到第一电压值、单体电芯的电流值变为零或接近为零、SOC为100%中的至少一项;第一电压值可以根据实际需求进行设置,例如,对于磷酸铁锂体系的锂离子电池,第一电压值可以设置为3.55V至3.65V中的任一值,对于三元锂体系的锂离子电池,第一电压值可以设置为4.15V至4.2V中的任一值,也可以设置为其他值,本申请在此不做具体限定。
示例性地,二次电池在每次充电过程中,单体电芯的电压值不断增大,若某一单体电芯的电压值在TA时刻达到第一电压值时,可以判定二次电池在TA时刻已充满电,TA时刻为充电截止点;二次电池每次充电过程中,SOC值不断增大,因此当SOC值在TA时刻达到100%时,可以判定二次电池在TA时刻已充满电,TA时刻为充电截止点;二次电池每次充电过程中,充满电时单体电芯的电流值变为零或接近为零,因此可以判定电流值变为零的TA时刻为充电截止点。
步骤320,根据每个采样时刻与目标采样时刻之间的间隔时长,确定充电对象在每个采样时刻对应的充电剩余时长。
参见上述示例,一次充电过程包括至少两个采样时刻T1、T2、…、TA,则T1与TA之间的间隔时长,为充电对象在T1时刻对应的充电剩余时长;类似地,T2与TA之间的间隔时长,为充电对象在T2时刻对应的充电剩余时长。
在本申请实施例中,基于充电对象中二次电池的充电数据,可以直接获取到第一参数,即单体电芯的电压、单体电芯的电流、充电对象的二次电池的荷电状态中的至少一项。用电设备中的BMS通过判断第一参数是否满足充电截止条件,可以确定出一次充电过程中的充电截止点,即用于表征充电结束的目标采样时刻。在此基础上,通过计算一次充电过程中每个采样时刻与该充电截止点的间隔时长,可以得到充电对象在每个采样时刻对应的充电剩余时长。由于充电对象在每个采样时刻对应的充电剩余时长比较准确,在训练目标模型时,将充电对象在每个采样时刻对应的充电剩余时长作为模型输出数据,能够使目标模型为当前实际使用的用电设备估算出较准确的充电剩余时长,提升目标模型输出结果的精准度。
在本申请的一些实施例中,为了提升充电剩余时长的估算准确度,充电特征可以包括充电类别特征,充电类别特征可以包括充电模式特征和充电倍率特征。
图4是本申请再一实施例提供的充电时长确定方法的流程示意图,步骤230可以包括图4所示的步骤410和步骤430。
步骤410,根据聚类算法将至少一个充电对象的充电数据划分为多个类别,得到每个类别的聚类特征。
步骤420,识别每个类别的聚类特征,得到每个类别对应的充电模式和充电倍率。
其中,同一类别对应的充电模式相同,充电倍率基本相同,充电模式可以分为直流充电、交流充电、快充、慢充等。
例如,本申请可以认为充电倍率2C和充电倍率2.2C基本相同。
步骤430,根据充电数据的所属类别,以及每个类别对应的充电模式和充电倍率,确定充电对象在充电数据的至少两个采样时刻对应的充电模式特征和充电倍率特征。
示例性地,用电设备根据聚类算法对充电数据A1-A5进行分类,将充电数据特征相似的A1-A2归为类别1,将A1-A2对应的充电数据特征作为类别1的聚类特征;将充电数据特征相似的A3-A5归为类别2,将A3-A5对应的充电数据特征作为类别2的聚类特征。通过识别类别1的聚类特征,确定类别1对应的充电模式为直流充电,充电倍率为2C;通过识别类别2的聚类特征,确定类别2对应的充电模式为交流充电,充电倍率为0.5C。基于此,用电设备可以基于充电数据A1-A2的所属类别为类别1,类别1的充电模式为直流充电,充电倍率为2C,确定充电对象在充电数据A1-A2的至少两个采样时刻对应的充电模式特征为直流充电,充电倍率特征为2C;相似地,用电设备可以基于充电数据A3-A5的所属类别为类别2,类别2的充电模式为交流充电,充电倍率为0.5C,确定充电对象在充电数据A3-A5的至少两个采样时刻对应的充电模式特征为交流充电,充电倍率特征为0.5C。
在本申请实施例中,用电设备在根据聚类算法将至少一个充电对象的充电数据划分为多个类别,得到每个类别的聚类特征后,可以直接识别每个类别的聚类特征,从而得到每个类别对应的充电模式和充电倍率。基于此,用电设备无需通过识别每个充电数据的数据特征,逐一确定每个充电数据对应的充电模式和充电倍率特征,而是在将所有充电数据聚类后,仅识别每个类别的聚类特征,得到每个类别对应的充电模式和充电倍率,从而根据每个充电数据所属类别,确定出每个充电数据对应的充电模式特征和充电倍率特征。如此,用电设备可以快速确定大量充电数据的充电模式特征和充电倍率特征,无需通过逐一提取每个充电数据的数据特征进行确定,提升数据处理效率。同时,充电特征可以包括充电类别特征,充电类别特征可以包括充电模式特征和充电倍率特征,目标模型在估算当前用电设备的充电剩余时长时,可基于输入的该当前用电设备的当前充电模式和当前充电倍率进行评估,参考同一充电模式下充电倍率基本相同的其他用电设备的充电剩余时长,估算出当前用电设备的充电剩余时长,实现基于二次电池充电模式和充电倍率的充电剩余时长的准确估算,提升充电剩余时长的估算准确度。
涉及步骤130,向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长。
在本申请的一些实施例中,为了进一步提升充电剩余时长的估算准确度,在步骤130之前,该方法还可以包括:获取目标对象的型号信息,得到型号特征;步骤130可以具体包括:向目标模型输入充电特征、老化特征和型号特征,得到目标对象的充电剩余时长。
其中,该型号信息可以包括设备型号信息、设备批次信息、电池型号信息、电池批次信息中的至少一项。
在上述实施例中,步骤250可以具体包括:将充电对象在每个采样时刻对应的充电特征、老化特征和型号特征作为输入,充电对象在每个采样时刻对应的充电剩余时长作为输出,对第一模型进行训练,得到目标模型。
在本申请实施例中,目标模型在估算当前用电设备的充电剩余时长时,可基于输入的该当前用电设备的型号特征进行评估,参考相同型号的其他用电设备的充电数据和充电剩余时长,准确估算出当前用电设备的充电剩余时长,实现基于型号信息的充电剩余时长的准确估算,随着同型号同批次的用电设备的充电数据和老化数据的不断积累,目标模型的准确度将不断提升。
在本申请的一些实施例中,为了进一步提升充电剩余时长的估算准确度,不同型号信息关联不同的目标模型,在步骤130之前,该方法还可以具体包括:获取目标对象的型号信息;步骤130可以具体包括:向与目标对象的型号信息关联的目标模型输入充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长。
在本申请实施例中,由于用电设备通常涉及多个型号,型号不同的用电设备,其充电时的充电电压、充电电流、充电效率等都会有所不同。基于此,本申请可以基于每个型号的用电设备的充电数据和老化数据,训练得到该型号对应的目标模型。这样,在为当前用电设备估算充电剩余时长时,可直接利用当前用电设备的型号信息关联的目标模型进行估算,参考相同型号的其他用电设备的充电数据和充电剩余时长,准确估算出当前用电设备的充电剩余时长,实现基于型号信息的充电剩余时长的准确估算。
可以理解的是,本申请实施例提供的充电时长确定方法,执行主体可以为电子设备,该电子设备可以为当前实际使用的用电设备,或者与用电设备远程连接的终端设备,其中,该用电设备中可以包括电池包,该电池包可以包括BMS电路板;或者,本申请实施例提供的充电时长确定方法,执行主体可以为充电时长确定装置中用于执行充电时长确定方法的控制模块。下面对充电时长确定装置进行详细介绍。
图5是本申请实施例提供的一种充电时长确定装置的结构示意图。如图5所示,该充电时长确定装置500可以包括:获取模块510、确定模块520和输入模块530。
其中,获取模块510,用于获取目标对象在充电时的充电参数,充电参数包括目标对象的充电数据,或者,充电参数包括目标对象的充电数据和老化数据,其中,老化数据包括目标对象的老化程度数据以及目标对象中二次电池的老化程度数据中的至少一项,目标对象为当前使用的用电设备;确定模块520,用于根据目标对象的充电参数,确定目标对象的充电特征,或者充电特征和老化特征;输入模块530,用于向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长,其中,目标模型基于至少一个充电对象在充电过程中的采样数据训练得到,充电对象包括实际使用的用电设备和/或测试时使用的用电设备。
本申请提供的充电时长确定装置,在目标对象充电时,获取该目标对象的充电参数,并根据充电参数确定目标对象的充电特征,或者充电特征和老化特征,该充电参数可以包括充电数据、老化数据中的至少一项。基于此,向目标模型输入充电特征,或者充电特征和老化特征,目标模型可以依据该充电特征和老化特征,输出该目标对象的当前充电剩余时长。由于目标模型是基于实际使用和/或测试时使用的用电设备在充电过程中的采样数据训练得到的,因此在估算目标对象的充电剩余时长时,目标模型能够依据目标对象的充电特征,或者充电特征和老化特征,充分考虑到目标对象的当前充电状态,或者当前充电状态和当前老化状态,使估算得到的充电剩余时长能够更接近地反映实际工况,提升充电剩余时长的估算准确度。
在本申请的一些实施例中,该装置还包括:确定模块520,还用于在向目标模型输入目标对象的充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长之前,确定充电对象在充电过程中的至少两个采样时刻;获取模块510,还用于获取充电对象在至少两个采样时刻对应的采样数据,采样数据包括充电数据,或者充电数据和老化数据;确定模块520,还用于根据充电对象在每个采样时刻对应的充电数据,确定充电对象在每个采样时刻对应的充电特征和充电剩余时长;确定模块520,还用于根据充电对象在每个采样时刻对应的老化数据,确定充电对象在每个采样时刻对应的老化特征;训练模块,用于将充电对象在每个采样时刻对应的充电特征,或者充电特征和老化特征作为输入,充电对象在每个采样时刻对应的充电剩余时长作为输出,对第一模型进行训练,得到目标模型。
在本申请的一些实施例中,充电特征包括以下至少一项:电压特征、电流特征、温度特征、电池荷电状态特征、低温加热特征、充电类别特征;目标对象的老化特征包括以下至少一项:目标对象的累积里程、目标对象中二次电池的累积充电容量、目标对象中二次电池的累积放电容量、目标对象中二次电池的累积充放电容量、目标对象中二次电池的老化程度;充电对象的老化特征包括以下至少一项:充电对象的累积里程、充电对象中二次电池的累积充电容量、充电对象中二次电池的累积放电容量、充电对象中二次电池的累积充放电容量、充电对象中二次电池的老化程度。
在本申请的一些实施例中,充电对象包括二次电池,二次电池包括多个单体电芯,充电对象在每个采样时刻对应的充电数据包括第一参数,第一参数包括单体电芯的电压、单体电芯的电流、充电对象的二次电池的荷电状态中的至少一项;确定模块520具体用于:在至少两个采样时刻中目标采样时刻的第一参数满足充电截止条件的情况下,确定目标采样时刻为至少两个采样时刻中的充电截止点;根据每个采样时刻与目标采样时刻之间的间隔时长,确定充电对象在每个采样时刻对应的充电剩余时长。
在本申请的一些实施例中,充电特征包括充电类别特征,充电类别特征包括充电模式特征和充电倍率特征,确定模块520具体用于:根据聚类算法将至少一个充电对象的充电数据划分为多个类别,得到每个类别的聚类特征;识别每个类别的聚类特征,得到每个类别对应的充电模式和充电倍率;根据充电数据的所属类别,以及每个类别对应的充电模式和充电倍率,确定充电对象在充电数据的至少两个采样时刻对应的充电模式特征和充电倍率特征。
在本申请的一些实施例中,获取模块510具体用于:获取云平台存储的至少一个充电对象对应的历史充放电数据;根据充电状态标识,从历史充放电数据中获取充电对象在至少两个采样时刻对应的充电数据。
在本申请的一些实施例中,获取模块510,还用于获取目标对象的型号信息,得到型号特征;输入模块530具体用于:向目标模型输入充电特征、老化特征和型号特征,得到目标对象的充电剩余时长。
在本申请的一些实施例中,不同型号信息关联不同的目标模型,获取模块510,还用于获取目标对象的型号信息;输入模块530具体用于:向与目标对象的型号信息关联的目标模型输入充电特征,或者充电特征和老化特征,得到目标对象的充电剩余时长。
本申请实施例提供的充电时长确定装置,能够实现图1-图4的方法实施例中电子设备所实现的各个过程,并能实现相同的技术效果,为避免重复,在此不再赘述。
图6是本申请实施例提供的一种电子设备的硬件结构示意图。
如图6所示,本实施例中的电子设备600可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地,上述处理器601可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器602可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器602可在综合网关容灾设备的内部或外部。在特定实施例中,存储器602是非易失性固态存储器。存储器可包括只读存储器(Read-Only Memory,ROM),随机存取存储器(RandomAccess Memory,RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个数据有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本申请实施例的方法所描述的操作。
处理器601通过读取并执行存储器602中存储的计算机程序指令,以实现上述实施例中的任意一种充电时长确定方法。
在一个示例中,电子设备600还可以包括通信接口603和总线610。其中,如图6所示,处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
通信接口603,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线610包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线610可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
本申请实施例提供的电子设备,能够实现图1-图4的方法实施例中电子设备所实现的各个过程,并能实现相同的技术效果,为避免重复,在此不再赘述。
另外,结合上述实施例中的充电时长确定方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种充电时长确定方法的步骤。
结合上述实施例中的充电时长确定方法,本申请实施例可提供一种计算机程序产品来实现。该(计算机)程序产品被存储在非易失的存储介质中,该程序产品被至少一个处理器执行时实现上述实施例中的任意一种充电时长确定方法的步骤。
本申请实施例另提供了一种芯片,芯片包括处理器和通信接口,通信接口和处理器耦合,处理器用于运行程序或指令,实现上述充电时长确定方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
应理解,本申请实施例提到的芯片还可以称为系统级芯片、系统芯片、芯片系统或片上系统芯片等。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,做出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (11)
1.一种充电时长确定方法,其特征在于,包括:
获取目标对象在充电时的充电参数,所述充电参数包括所述目标对象的充电数据,或者,所述充电参数包括所述目标对象的充电数据和老化数据,其中,所述老化数据包括所述目标对象的老化程度数据以及所述目标对象中二次电池的老化程度数据中的至少一项,所述目标对象为当前使用的用电设备;
根据所述目标对象的充电参数,确定所述目标对象的充电特征,或者充电特征和老化特征;
向目标模型输入所述目标对象的充电特征,或者充电特征和老化特征,得到所述目标对象的充电剩余时长,其中,所述目标模型基于至少一个充电对象在充电过程中的采样数据训练得到,所述充电对象包括实际使用的用电设备和/或测试时使用的用电设备。
2.根据权利要求1所述的方法,其特征在于,在所述向目标模型输入所述目标对象的充电特征,或者充电特征和老化特征,得到所述目标对象的充电剩余时长之前,所述方法还包括:
确定所述充电对象在充电过程中的至少两个采样时刻;
获取所述充电对象在所述至少两个采样时刻对应的采样数据,所述采样数据包括充电数据,或者充电数据和老化数据;
根据所述充电对象在每个采样时刻对应的充电数据,确定所述充电对象在每个采样时刻对应的充电特征和充电剩余时长;
根据所述充电对象在每个采样时刻对应的老化数据,确定所述充电对象在每个采样时刻对应的老化特征;
将所述充电对象在每个采样时刻对应的充电特征,或者充电特征和老化特征作为输入,所述充电对象在每个采样时刻对应的充电剩余时长作为输出,对第一模型进行训练,得到所述目标模型。
3.根据权利要求1或2所述的方法,其特征在于,所述充电特征包括以下至少一项:电压特征、电流特征、温度特征、电池荷电状态特征、低温加热特征、充电类别特征;
所述目标对象的老化特征包括以下至少一项:目标对象的累积里程、目标对象中二次电池的累积充电容量、目标对象中二次电池的累积放电容量、目标对象中二次电池的累积充放电容量、目标对象中二次电池的老化程度;
所述充电对象的老化特征包括以下至少一项:充电对象的累积里程、充电对象中二次电池的累积充电容量、充电对象中二次电池的累积放电容量、充电对象中二次电池的累积充放电容量、充电对象中二次电池的老化程度。
4.根据权利要求2所述的方法,其特征在于,所述充电对象包括二次电池,所述二次电池包括多个单体电芯,所述根据所述充电对象在每个采样时刻对应的充电数据,确定所述充电对象在每个采样时刻对应的充电特征和充电剩余时长,包括:
所述充电对象在每个采样时刻对应的充电数据包括第一参数,所述第一参数包括所述单体电芯的电压、所述单体电芯的电流、所述充电对象的二次电池的荷电状态中的至少一项;
在所述至少两个采样时刻中目标采样时刻的第一参数满足充电截止条件的情况下,确定所述目标采样时刻为所述至少两个采样时刻中的充电截止点;
根据每个采样时刻与所述目标采样时刻之间的间隔时长,确定所述充电对象在每个采样时刻对应的充电剩余时长。
5.根据权利要求2所述的方法,其特征在于,所述充电特征包括充电类别特征,所述充电类别特征包括充电模式特征和充电倍率特征,所述根据所述充电对象在每个采样时刻对应的充电数据,确定所述充电对象在每个采样时刻对应的充电特征和充电剩余时长,包括:
根据聚类算法将所述至少一个充电对象的充电数据划分为多个类别,得到每个类别的聚类特征;
识别每个类别的聚类特征,得到每个类别对应的充电模式和充电倍率;
根据所述充电数据的所属类别,以及所述每个类别对应的充电模式和充电倍率,确定所述充电对象在所述充电数据的至少两个采样时刻对应的充电模式特征和充电倍率特征。
6.根据权利要求2所述的方法,其特征在于,所述获取所述充电对象在所述至少两个采样时刻对应的采样数据,包括:
获取云平台存储的所述至少一个充电对象对应的历史充放电数据;
根据充电状态标识,从所述历史充放电数据中获取所述充电对象在所述至少两个采样时刻对应的充电数据。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标对象的型号信息,得到型号特征;
所述向目标模型输入所述目标对象的充电特征,或者充电特征和老化特征,得到所述目标对象的充电剩余时长,包括:
向所述目标模型输入所述充电特征、所述老化特征和所述型号特征,得到所述目标对象的充电剩余时长。
8.根据权利要求1所述的方法,其特征在于,不同型号信息关联不同的目标模型,所述方法还包括:
获取所述目标对象的型号信息;
所述向目标模型输入所述目标对象的充电特征,或者充电特征和老化特征,得到所述目标对象的充电剩余时长,包括:
向与所述目标对象的型号信息关联的目标模型输入所述充电特征,或者充电特征和老化特征,得到所述目标对象的充电剩余时长。
9.一种充电时长确定装置,其特征在于,包括:
获取模块,用于获取目标对象在充电时的充电参数,所述充电参数包括所述目标对象的充电数据,或者,所述充电参数包括所述目标对象的充电数据和老化数据,其中,所述老化数据包括所述目标对象的老化程度数据以及所述目标对象中二次电池的老化程度数据中的至少一项,所述目标对象为当前使用的用电设备;
确定模块,用于根据所述目标对象的充电参数,确定所述目标对象的充电特征,或者充电特征和老化特征;
输入模块,用于向目标模型输入所述目标对象的充电特征,或者充电特征和老化特征,得到所述目标对象的充电剩余时长,其中,所述目标模型基于至少一个充电对象在充电过程中的采样数据训练得到,所述充电对象包括实际使用的用电设备和/或测试时使用的用电设备。
10.一种电子设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;所述处理器执行所述计算机程序指令时实现如权利要求1-8任意一项所述的充电时长确定方法。
11.一种计算机程序产品,其特征在于,所述计算机程序产品被存储在非易失的存储介质中,所述计算机程序产品被至少一个处理器执行以实现如权利要求1-8任一项所述的充电时长确定方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210732831.2A CN115020842A (zh) | 2022-06-27 | 2022-06-27 | 充电时长确定方法、装置、设备及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210732831.2A CN115020842A (zh) | 2022-06-27 | 2022-06-27 | 充电时长确定方法、装置、设备及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115020842A true CN115020842A (zh) | 2022-09-06 |
Family
ID=83076073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210732831.2A Pending CN115020842A (zh) | 2022-06-27 | 2022-06-27 | 充电时长确定方法、装置、设备及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115020842A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110010987A (zh) * | 2019-04-12 | 2019-07-12 | 苏州正力蔚来新能源科技有限公司 | 一种基于大数据的电动汽车剩余充电时间预测方法 |
CN110674569A (zh) * | 2019-08-30 | 2020-01-10 | 蜂巢能源科技有限公司 | 基于决策树的充电剩余时间估算方法及系统 |
CN110723029A (zh) * | 2019-09-27 | 2020-01-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种充电策略的确定方法及装置 |
CN114347834A (zh) * | 2021-12-03 | 2022-04-15 | 北京车和家汽车科技有限公司 | 车辆控制方法、充电时长预测模型的生成方法及装置 |
-
2022
- 2022-06-27 CN CN202210732831.2A patent/CN115020842A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110010987A (zh) * | 2019-04-12 | 2019-07-12 | 苏州正力蔚来新能源科技有限公司 | 一种基于大数据的电动汽车剩余充电时间预测方法 |
CN110674569A (zh) * | 2019-08-30 | 2020-01-10 | 蜂巢能源科技有限公司 | 基于决策树的充电剩余时间估算方法及系统 |
CN110723029A (zh) * | 2019-09-27 | 2020-01-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种充电策略的确定方法及装置 |
CN114347834A (zh) * | 2021-12-03 | 2022-04-15 | 北京车和家汽车科技有限公司 | 车辆控制方法、充电时长预测模型的生成方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110208704B (zh) | 一种基于电压滞后效应的锂电池建模方法和系统 | |
Yan et al. | A battery management system with a Lebesgue-sampling-based extended Kalman filter | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN103399277B (zh) | 一种动力电池实际容量估算方法 | |
CN106329021A (zh) | 估算动力电池的剩余可用能量的方法和装置 | |
CN106338695A (zh) | 一种基于粒子群算法的电池模型参数辨识方法 | |
CN113341208B (zh) | 电芯自放电电流检测方法、装置、设备及计算机存储介质 | |
CN109799463A (zh) | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
CN115184807A (zh) | 电池的故障检测方法、装置、设备、介质和产品 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN114200310B (zh) | 电化学装置析锂检测方法及电子设备 | |
CN115372848A (zh) | 电池自放电性能的检测方法、装置、设备及介质 | |
CN116224091B (zh) | 电池的电芯故障检测方法、装置、电子设备及存储介质 | |
CN112731160A (zh) | 电池滞回模型训练方法、估算电池soc的方法和装置 | |
CN114966452B (zh) | 一种电池状态确定方法及相关装置 | |
CN116930767A (zh) | 动力电池热失控的预警方法及装置 | |
CN115020842A (zh) | 充电时长确定方法、装置、设备及产品 | |
CN117429311A (zh) | 续航里程预测方法、装置、设备、介质及车辆 | |
CN110826645A (zh) | 基于Adaboost算法的锂电池退役检测方法及系统 | |
CN114002603B (zh) | 识别电芯的方法、装置及计算机存储介质 | |
CN112798962B (zh) | 电池滞回模型训练方法、估算电池soc的方法和装置 | |
CN115291113A (zh) | 一种统一的锂离子电池soc、soh和rul的联合估计方法及系统 | |
Wang et al. | Online capacity estimation of lithium-ion batteries by partial incremental capacity curve |
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 |