CN115236526A - 一种剩余充电时间预测方法、装置、存储介质和车辆 - Google Patents
一种剩余充电时间预测方法、装置、存储介质和车辆 Download PDFInfo
- Publication number
- CN115236526A CN115236526A CN202210427121.9A CN202210427121A CN115236526A CN 115236526 A CN115236526 A CN 115236526A CN 202210427121 A CN202210427121 A CN 202210427121A CN 115236526 A CN115236526 A CN 115236526A
- Authority
- CN
- China
- Prior art keywords
- charging
- neural network
- battery
- parameters
- training
- 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
Images
Classifications
-
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供了一种剩余充电时间预测方法、装置、存储介质和车辆,属于电池技术领域。方法包括:获取电池的当前充电参数,当前充电参数用于表征电池的充电工况;将所述当前充电参数输入预先训练的神经网络模型,以得到所述电池的剩余充电时间;其中,所述神经网络模型是以所述电池的历史充电参数作为训练样本训练得到的。本申请实施例基于电池的历史充电参数作为训练样本进行模型训练,使得训练得到的神经网络模型更加可靠以及准确,并且能够适应多种充电工况,准确地预测剩余充电时间,能够为用户用电提供准确的参考,提升用户体验。
Description
技术领域
本申请涉及电池技术领域,特别是涉及一种剩余充电时间预测方法、装置、存储介质和车辆。
背景技术
电池管理系统具有实时监控电池状态信息、分析电池安全性能、优化电池能量控制和延长电池使用寿命等重要作用,是保障电池安全、调控电池性能的重要系统。对电池管理系统而言,电池充电时间、剩余充电时间预测等对用户体验十分重要。准确地预测剩余充电时间能够给用户用车提供适当的指导,用户能够根据估算的剩余充电时间及自身情况合理的安排使用,减少不必要的等待,提升用户体验。
目前传统的剩余充电时间预测方法基本上是根据电池剩余充入容量除以电流得到,电流由电池实际充电电流或当前电池温度计算电流得到,基于该方法得到预测值会随着电流波动而出现跳变,并且往往因为温升延迟导致温升速率计算不准确,从而导致估算的误差。
基于现有的电池剩余充电时间预测方法的精度不足,用户体验感不强的现状,对剩余充电时间预测方法的优化显得尤为重要。
发明内容
本申请提供一种剩余充电时间预测方法、装置、存储介质和车辆,以解决现有的电池剩余充电时间预测方法存在的精度不足、用户体验差的问题。
为了解决上述问题,本申请采用了以下的技术方案:
第一方面,本申请实施例提供了一种剩余充电时间预测方法,所述方法包括:
获取电池的当前充电参数;所述当前充电参数用于表征所述电池的充电工况;
将所述当前充电参数输入预先训练的神经网络模型,以得到所述电池的剩余充电时间;其中,所述神经网络模型是以所述电池的历史充电参数作为训练样本训练得到的。
在本申请一实施例中,所述当前充电参数包括:起始充电环境温度、起始充电电池包最高温度、起始充电电池包最低温度、终止充电SOC值、起始充电SOC值、起始充电电流值和已充电时间。
在本申请一实施例中,所述神经网络模型是按照以下步骤训练得到的:
初始化初始神经网络的训练参数;
将所述电池的历史充电参数输入所述初始神经网络,得到所输出的预测剩余充电时间;
基于所述预测剩余充电时间和历史实际剩余充电时间,对所述初始神经网络的训练参数进行迭代更新,直至满足训练结束条件,得到所述神经网络模型。
在本申请一实施例中,所述初始神经网络包括输入层、隐含层和输出层;
初始化初始神经网络的训练参数,包括:
初始化所述输入层到所述隐含层的第一权值矩阵和第一阈值矩阵,以及所述隐含层到所述输出层的第二权值矩阵和第二阈值矩阵;
将所述电池的历史充电参数输入所述初始神经网络,得到所输出的预测剩余充电时间,包括:
根据所述历史充电参数、所述第一权值矩阵和所述第一阈值矩阵,计算得到所述隐含层的输出;并根据所述隐含层的输出、所述第二权值矩阵和所述第二阈值矩阵,计算得到所述输出层所输出的预测剩余充电时间;
对所述初始神经网络进行迭代更新,直至满足训练结束条件,包括:
在所述预测剩余充电时间和历史实际剩余充电时间的差值小于误差阈值的情况下,停止对所述初始神经网络的迭代更新,并确定第一目标权值矩阵、第一目标阈值矩阵、第二目标权值矩阵和第二目标阈值矩阵。
在本申请一实施例中,所述方法还包括:
在所述初始神经网络的迭代次数大于迭代阈值的情况下,增加预设数量的隐含层层数,和/或在每层隐含层中增加预设数量的神经元个数。
在本申请一实施例中,将所述当前充电参数输入预先训练的神经网络模型之前,所述方法还包括:
对所述当前充电参数进行归一化处理。
第二方面,基于相同发明构思,本申请实施例提供了一种剩余充电时间预测装置,所述装置包括:
充电参数获取模块,用于获取电池的当前充电参数;所述当前充电参数用于表征所述电池的充电工况;
剩余充电时间预测模块,用于将所述当前充电参数输入预先训练的神经网络模型,以得到所述电池的剩余充电时间;其中,所述神经网络模型是以所述电池的历史充电参数作为训练样本训练得到的。
在本申请一实施例中,所述当前充电参数包括:起始充电环境温度、起始充电电池包最高温度、起始充电电池包最低温度、终止充电SOC值、起始充电SOC值、起始充电电流值和已充电时间。
在本申请一实施例中,所述装置还包括模型训练模块,所述模型训练模块包括:
初始化子模块,用于初始化初始神经网络的训练参数;
预测子模块,用于将所述电池的历史充电参数输入所述初始神经网络,得到所输出的预测剩余充电时间;
迭代更新子模块,用于基于所述预测剩余充电时间和历史实际剩余充电时间,对所述初始神经网络的训练参数进行迭代更新,直至满足训练结束条件,得到所述神经网络模型。
在本申请一实施例中,所述初始神经网络包括输入层、隐含层和输出层;
所述初始化子模块,具体用于初始化所述输入层到所述隐含层的第一权值矩阵和第一阈值矩阵,以及所述隐含层到所述输出层的第二权值矩阵和第二阈值矩阵;
所述预测子模块,具体用于根据所述历史充电参数、所述第一权值矩阵和所述第一阈值矩阵,计算得到所述隐含层的输出;并根据所述隐含层的输出、所述第二权值矩阵和所述第二阈值矩阵,计算得到所述输出层所输出的预测剩余充电时间;
所述迭代更新子模块,具体用于在所述预测剩余充电时间和历史实际剩余充电时间的差值小于误差阈值的情况下,停止对所述初始神经网络的迭代更新,并确定第一目标权值矩阵、第一目标阈值矩阵、第二目标权值矩阵和第二目标阈值矩阵。
在本申请一实施例中,所述装置还包括:
收敛模块,用于在所述初始神经网络的迭代次数大于迭代阈值的情况下,增加预设数量的隐含层层数,和/或在每层隐含层中增加预设数量的神经元个数。
在本申请一实施例中,所述装置还包括:
预处理模块,用于将所述当前充电参数输入预先训练的神经网络模型之前,对所述当前充电参数进行归一化处理。
第三方面,基于相同发明构思,本申请实施例提供了一种存储介质,存储介质内存储有机器可执行指令,机器可执行指令被处理器执行时实现本申请第一方面提出的剩余充电时间预测方法。
第四方面,基于相同发明构思,本申请实施例提供了一种车辆,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器用于执行机器可执行指令,以实现本申请第一方面提出的剩余充电时间预测方法。
与现有技术相比,本申请包括以下优点:
本申请实施例提供的一种剩余充电时间预测方法,基于电池的历史充电参数作为训练样本进行模型训练,使得训练得到的神经网络模型更加可靠以及准确,将反映电池的充电工况的当前充电参数输入该神经网络模型,能够直接得到电池的剩余充电时间。本申请实施例能够适应多种充电工况,准确地预测剩余充电时间,能够为用户用电提供准确的参考,提升用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例中一种剩余充电时间预测方法的步骤流程图;
图2是本申请一实施例中BP神经网络的结构示意图;
图3是本申请一实施例中一种剩余充电时间预测装置的功能模块示意图。
附图标记:300-剩余充电时间预测装置;301-充电参数获取模块;302-剩余充电时间预测模块。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,示出了本申请一种剩余充电时间预测方法,该方法可以包括以下步骤:
S101:获取电池的当前充电参数;当前充电参数用于表征电池的充电工况。
在本实施方式中,为使得基于当前充电参数得到的剩余充电时间更加准确,当前充电参数至少包括起始充电环境温度、起始充电电池包最高温度、起始充电电池包最低温度、终止充电SOC值、起始充电SOC值、起始充电电流值和已充电时间。
本实施方式中,起始充电环境温度指电池当前的工作环境温度,环境温度可以通过环境温度传感器进行检测得到,也可以通过车联网系统,获取当前的天气信息,并提取天气信息中的环境温度;起始充电电池包最高温度和起始充电电池包最低温度则是针对电池包的电芯温度而言的,具体地,电池包通常包含有多个电芯,而在实际充电过程中,每个电芯的充电情况的差异,将造成各个电芯的温度不一致,因此,为整体考虑各个电芯的温度,将取温度最高的电芯温度作为起始充电电池包最高温度,取温度最低的电芯温度作为起始充电电池包最低温度。
本实施方式中,终止充电SOC值则表示想要让电池达到的SOC值,输入不同的终止充电SOC值将得到不同的剩余充电时间;起始充电SOC值则表示电池当前的SOC值,可以通过安时积分算法、开路电压法等相关算法计算得到;已充电时间则表示当前电池进入充电状态的持续时间,将已充电时间作为当前充电参数之一,神经网络模型能够得知电池的当前充电状态是处于充电初始阶段、充电中间阶段还是充电末尾阶段,进而能够有效避免电池的温升延迟导致温升速率计算不准确带来的估算误差,使得神经网络模型更为准确地预测电池的剩余充电时间。
本实施方式需要说明的是,电池荷电状态(SOC,State of Charge)是一项非常重要的电池参数。SOC代表电池剩余可用电量占总容量的百分比,用于衡量电池组当前剩余的可用容量。
S102:将当前充电参数输入预先训练的神经网络模型,以得到电池的剩余充电时间;其中,神经网络模型是以电池的历史充电参数作为训练样本训练得到的。
在本实施方式中,为提高神经网络的运行效率,在将当前充电参数输入预先训练的神经网络模型之前,可以对当前充电参数进行归一化处理,使数据落入[0,1]范围内,消除量纲。具体而言,可以通过以下的线性函数对当前充电参数进行转化:
针对起始充电环境温度、起始充电电池包最高温度、起始充电电池包最低温度,可以通过公式(1)进行线性转换:
式中,x分别表示起始充电环境温度、起始充电电池包最高温度和起始充电电池包最低温度;y分别表示起始充电环境温度、起始充电电池包最高温度和起始充电电池包最低温度归一化之后的数据。
针对终止充电SOC值、起始充电SOC值,可以通过公式(2)进行线性转换:
式中,x分别表示终止充电SOC值和起始充电SOC值;y分别表示终止充电SOC值和起始充电SOC值归一化之后的数据。
针对起始充电电流值,可以通过公式(3)进行线性转换:
式中,x表示起始充电电流值;y表示起始充电电流值归一化之后的数据。
针对已充电时间,可以通过公式(4)进行线性转换:
式中,x表示已充电时间;y表示已充电时间归一化之后的数据。
在本实施方式中,将归一化后的当前充电参数输入预先训练的神经网络模型,通过该神经网络模型可直接计算得到电池的剩余充电时间。
本实施方式需要说明的是,神经网络模型是以电池的历史充电参数作为训练样本训练得到的,其中历史充电参数除了包括上述当前充电参数在内的各种类型的参数外,还包括历史实际剩余充电时间,并在神经网络模型训练阶段,利用历史实际剩余充电时间对模型输出结果进行辨识,能够使神经网络模型的输出达到所需的精度。
在本实施方式中,针对历史充电参数可以建立历史参数数据库,并通过大数据获取电池的历史充电数据,再将获取的历史充电数据存储至历史参数数据库中,随着历史参数数据库中历史充电参数的不断增加,神经网络模型的训练样本不断得到完善和补充,能够有效满足神经网络模型的训练需求。
本实施方式需要进一步说明的是,在神经网络模型训练阶段,在将电池的历史充电参数输入模型之前,可同样通过公式(1)-公式(4),对历史充电参数进行标准化和归一化处理,以消除纲量,加快神经网络模型的学习速度,同时避免充电数据中存在异常样本时,造成神经网络训练时间增加,甚至无法收敛的问题。其中,历史实际剩余充电时间同样可参照公式(4)进行归一化处理。
在本实施方式中,基于电池的历史充电参数作为训练样本进行模型训练,使得训练得到的神经网络模型更加可靠以及准确,将反映电池的充电工况的当前充电参数输入该神经网络模型,能够直接得到电池的剩余充电时间,并且适应各自充电工况,准确地预测剩余充电时间,能够为用户用电提供准确的参考,提升用户体验。
在一个可行的实施方式中,神经网络模型可以基于BP神经网络进行构建,BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,参照图2,BP神经网络从左到右依次包括输入层、隐含层和输出层,该BP神经网络可以按照以下步骤训练得到:
S201:初始化初始神经网络的训练参数。
在本实施方式中,基于当前充电参数的数量,将在输入层设置7个神经元,该7个神经元分别用于接收输入的起始充电环境温度、起始充电电池包最高温度、起始充电电池包最低温度、终止充电SOC值、起始充电SOC值、起始充电电流值和已充电时间;输出层则设置1个神经元,用于输出预测剩余充电时间。
在本实施方式中,针对隐含层的神经元的个数,则可以根据公式(5)得到:
其中,M表示隐含层的神经元的个数;m表示输入层的神经元的个数;n表示输出层的神经元的个数,a表示预设的隐含层神经元扩展元个数。
本实施方式中,a通常取5,基于公式(5)并向上取整,则可得隐含层的神经元的个数为8,即:
本实施方式中,在确定BP神经网络的神经元参数之后,将初始化BP神经网络的权值参数和阈值参数,具体地,权值参数包括输入层到隐含层的第一权值矩阵Wij和隐含层到输出层的第二权值矩阵Wjk;阈值参数包括输入层到隐含层的第一阈值矩阵bj和隐含层到输出层的第二阈值矩阵ak。
S202:将电池的历史充电参数输入初始神经网络,得到所输出的预测剩余充电时间。
本实施方式中,根据历史充电参数、第一权值矩阵和第一阈值矩阵,可以计算得到隐含层的输出。其中,输入层到隐含层的传递函数采用Sigmoid函数,Sigmoid函数是神经元的非线性激活函数,具体如公式(6)所示:
将第一权值矩阵和第一阈值矩阵代入传递函数(6),可得隐含层的输出,具体如公式(7)所示:
其中,i表示输入层的神经元的序号;xi表示输入层的神经元;j表示隐含层的神经元的序号;Wij表示输入层到隐含层的第一权值矩阵;bj表示输入层到隐含层的第一阈值矩阵。
本实施方式中,隐含层到输出层的传递函数为线性激活函数,具体如公式(8)所示:
f2(x)=x (8);
将第二权值矩阵和第二阈值矩阵代入传递函数(8),可得输出层的输出,具体如公式(9)所示:
其中,j表示隐含层的神经元的序号,Mj表示隐含层的神经元;Wjk表示隐含层到输出层的第二权值矩阵;ak表示隐含层到输出层的第二阈值矩阵。
在本实施方式中,根据隐含层的输出、第二权值矩阵和第二阈值矩阵,便计算得到输出层所输出的预测剩余充电时间。
S203:基于预测剩余充电时间和历史实际剩余充电时间,对初始神经网络的训练参数进行迭代更新,直至满足训练结束条件,得到神经网络模型。
在本实施方式中,当预测剩余充电时间和历史实际剩余充电时间的差值大于等于误差阈值时,将根据该差值,对初始神经网络进行迭代更新,直到预测剩余充电时间和历史实际剩余充电时间的差值小于误差阈值,则满足训练结束条件,停止对初始神经网络的迭代更新,并确定此时的第一目标权值矩阵、第一目标阈值矩阵、第二目标权值矩阵和第二目标阈值矩阵。其中,第一目标权值矩阵、第一目标阈值矩阵、第二目标权值矩阵和第二目标阈值矩阵即为满足误差阈值的模型参数,将满足误差阈值的模型参数进行固定,进而得到所需的神经网络模型。
在本实施方式中,误差阈值可以设置为0.05h,也就是说,当预测剩余充电时间和历史实际剩余充电时间的差值小于0.05h时,说明此时神经网络模型已达到训练要求。
在本实施方式中,由于BP神经网络的隐含层数、各层的神经元个数可根据具体情况进行设定,因此,当初始神经网络的训练结果不收敛,初始神经网络的迭代次数大于迭代阈值的情况下,可以增加预设数量的隐含层层数,和/或在每层隐含层中增加预设数量的神经元个数,以提高初始神经网络的性能,提高模型的训练效果。
第二方面,基于相同发明构思,参照图3,示出了本申请实施例提供的一种剩余充电时间预测装置300,该剩余充电时间预测装置300可以包括:
充电参数获取模块301,用于获取电池的当前充电参数;当前充电参数用于表征电池的充电工况;
剩余充电时间预测模块302,用于将当前充电参数输入预先训练的神经网络模型,以得到电池的剩余充电时间;其中,神经网络模型是以电池的历史充电参数作为训练样本训练得到的。
在一个可行的实施方式中,当前充电参数包括:起始充电环境温度、起始充电电池包最高温度、起始充电电池包最低温度、终止充电SOC值、起始充电SOC值、起始充电电流值和已充电时间。
在一个可行的实施方式中,剩余充电时间预测装置300还包括模型训练模块,模型训练模块包括:
初始化子模块,用于初始化初始神经网络的训练参数;
预测子模块,用于将电池的历史充电参数输入初始神经网络,得到所输出的预测剩余充电时间;
迭代更新子模块,用于基于预测剩余充电时间和历史实际剩余充电时间,对初始神经网络的训练参数进行迭代更新,直至满足训练结束条件,得到神经网络模型。
在一个可行的实施方式中,初始神经网络包括输入层、隐含层和输出层;
初始化子模块,具体用于初始化输入层到隐含层的第一权值矩阵和第一阈值矩阵,以及隐含层到输出层的第二权值矩阵和第二阈值矩阵;
预测子模块,具体用于根据历史充电参数、第一权值矩阵和第一阈值矩阵,计算得到隐含层的输出;并根据隐含层的输出、第二权值矩阵和第二阈值矩阵,计算得到输出层所输出的预测剩余充电时间;
迭代更新子模块,具体用于在预测剩余充电时间和历史实际剩余充电时间的差值小于误差阈值的情况下,停止对初始神经网络的迭代更新,并确定第一目标权值矩阵、第一目标阈值矩阵、第二目标权值矩阵和第二目标阈值矩阵。
在一个可行的实施方式中,剩余充电时间预测装置300还包括:
收敛模块,用于在初始神经网络的迭代次数大于迭代阈值的情况下,增加预设数量的隐含层层数,和/或在每层隐含层中增加预设数量的神经元个数。
在一个可行的实施方式中,剩余充电时间预测装置300还包括:
预处理模块,用于将当前充电参数输入预先训练的神经网络模型之前,对当前充电参数进行归一化处理。
需要说明的是,本申请实施例的剩余充电时间预测装置300的具体实施方式参照前述本申请实施例第一方面提出的剩余充电时间预测方法的具体实施方式,在此不再赘述。
第三方面,基于相同发明构思,本申请实施例提供了一种车辆,包括处理器和存储器,存储器存储有能够被处理器执行的机器可执行指令,处理器用于执行机器可执行指令,以实现本申请第一方面提出的剩余充电时间预测方法。
需要说明的是,本申请实施例的车辆的具体实施方式参照前述本申请实施例第一方面提出的剩余充电时间预测方法的具体实施方式,在此不再赘述。
第四方面,基于相同发明构思,本申请实施例提供了一种存储介质,存储介质内存储有机器可执行指令,机器可执行指令被处理器执行时实现本申请第一方面提出的剩余充电时间预测方法。
需要说明的是,本申请实施例的存储介质的具体实施方式参照前述本申请实施例第一方面提出的剩余充电时间预测方法的具体实施方式,在此不再赘述。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种剩余充电时间预测方法、装置、存储介质和车辆,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种剩余充电时间预测方法,其特征在于,所述方法包括:
获取电池的当前充电参数;所述当前充电参数用于表征所述电池的充电工况;
将所述当前充电参数输入预先训练的神经网络模型,以得到所述电池的剩余充电时间;其中,所述神经网络模型是以所述电池的历史充电参数作为训练样本训练得到的。
2.根据权利要求1所述的方法,其特征在于,所述当前充电参数包括:起始充电环境温度、起始充电电池包最高温度、起始充电电池包最低温度、终止充电SOC值、起始充电SOC值、起始充电电流值和已充电时间。
3.根据权利要求1所述的方法,其特征在于,所述神经网络模型是按照以下步骤训练得到的:
初始化初始神经网络的训练参数;
将所述电池的历史充电参数输入所述初始神经网络,得到所输出的预测剩余充电时间;
基于所述预测剩余充电时间和历史实际剩余充电时间,对所述初始神经网络的训练参数进行迭代更新,直至满足训练结束条件,得到所述神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述初始神经网络包括输入层、隐含层和输出层;
初始化初始神经网络的训练参数,包括:
初始化所述输入层到所述隐含层的第一权值矩阵和第一阈值矩阵,以及所述隐含层到所述输出层的第二权值矩阵和第二阈值矩阵;
将所述电池的历史充电参数输入所述初始神经网络,得到所输出的预测剩余充电时间,包括:
根据所述历史充电参数、所述第一权值矩阵和所述第一阈值矩阵,计算得到所述隐含层的输出;并根据所述隐含层的输出、所述第二权值矩阵和所述第二阈值矩阵,计算得到所述输出层所输出的预测剩余充电时间;
对所述初始神经网络进行迭代更新,直至满足训练结束条件,包括:
在所述预测剩余充电时间和历史实际剩余充电时间的差值小于误差阈值的情况下,停止对所述初始神经网络的迭代更新,并确定第一目标权值矩阵、第一目标阈值矩阵、第二目标权值矩阵和第二目标阈值矩阵。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
在所述初始神经网络的迭代次数大于迭代阈值的情况下,增加预设数量的隐含层层数,和/或在每层隐含层中增加预设数量的神经元个数。
6.根据权利要求1所述的方法,其特征在于,将所述当前充电参数输入预先训练的神经网络模型之前,所述方法还包括:
对所述当前充电参数进行归一化处理。
7.一种剩余充电时间预测装置,其特征在于,所述装置包括:
充电参数获取模块,用于获取电池的当前充电参数;所述当前充电参数用于表征所述电池的充电工况;
剩余充电时间预测模块,用于将所述当前充电参数输入预先训练的神经网络模型,以得到所述电池的剩余充电时间;其中,所述神经网络模型是以所述电池的历史充电参数作为训练样本训练得到的。
8.根据权利要求7所述的装置,其特征在于,所述装置还包括模型训练模块,所述模型训练模块包括:
初始化子模块,用于初始化初始神经网络的训练参数;
预测子模块,用于将所述电池的历史充电参数输入所述初始神经网络,得到所输出的预测剩余充电时间;
迭代更新子模块,用于基于所述预测剩余充电时间和历史实际剩余充电时间,对所述初始神经网络的训练参数进行迭代更新,直至满足训练结束条件,得到所述神经网络模型。
9.一种存储介质,其特征在于,所述存储介质内存储有机器可执行指令,所述机器可执行指令被处理器执行时实现如权利要求1-6任一项所述的剩余充电时间预测方法。
10.一种车辆,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的机器可执行指令,所述处理器用于执行机器可执行指令,以实现如权利要求1-6任一项所述的剩余充电时间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427121.9A CN115236526A (zh) | 2022-04-22 | 2022-04-22 | 一种剩余充电时间预测方法、装置、存储介质和车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210427121.9A CN115236526A (zh) | 2022-04-22 | 2022-04-22 | 一种剩余充电时间预测方法、装置、存储介质和车辆 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115236526A true CN115236526A (zh) | 2022-10-25 |
Family
ID=83667946
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210427121.9A Pending CN115236526A (zh) | 2022-04-22 | 2022-04-22 | 一种剩余充电时间预测方法、装置、存储介质和车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115236526A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656840A (zh) * | 2022-12-27 | 2023-01-31 | 武汉工程大学 | 电池充电剩余时间的预测方法、装置、系统以及存储介质 |
-
2022
- 2022-04-22 CN CN202210427121.9A patent/CN115236526A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656840A (zh) * | 2022-12-27 | 2023-01-31 | 武汉工程大学 | 电池充电剩余时间的预测方法、装置、系统以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | An asymmetric encoder–decoder model for Zn-ion battery lifetime prediction | |
CN113511082B (zh) | 基于规则和双深度q网络的混合动力汽车能量管理方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN111884213A (zh) | 一种基于深度强化学习算法的配电网电压调节方法 | |
CN112018854B (zh) | 电池充电控制方法、装置以及终端、存储介质 | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN110794308B (zh) | 列车电池容量预测方法及装置 | |
CN112491094B (zh) | 一种混合驱动的微电网能量管理方法、系统及装置 | |
US20220147897A1 (en) | Machine learning for predictive optmization | |
Dou et al. | Extreme learning machine model for state-of-charge estimation of lithium-ion battery using salp swarm algorithm | |
CN112068003A (zh) | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 | |
CN117277357A (zh) | 采用液流电池的新型火电储能调频方法、系统及电子设备 | |
CN115236526A (zh) | 一种剩余充电时间预测方法、装置、存储介质和车辆 | |
CN117096984A (zh) | 基于强化学习的电池组均衡感知快充控制方法和系统 | |
CN114757340A (zh) | 基于神经网络集成的锂电池健康状态预测方法及系统 | |
WO2022144542A1 (en) | Method for predicting condition parameter degradation of a cell | |
Sahajpal et al. | Accurate long-term prognostics of proton exchange membrane fuel cells using recurrent and convolutional neural networks | |
CN116540134A (zh) | 一种基于gwo-lstm的锂离子电池健康状态估计方法 | |
CN113687237B (zh) | 一种保障电气安全的锂电池剩余充电时间预测方法 | |
Lipu et al. | Optimal neural network approach for estimating state of energy of lithium-ion battery using heuristic optimization techniques | |
CN116306214A (zh) | 提供确定储能器的老化状态的老化状态模型的方法和设备 | |
CN113459897B (zh) | 一种基于电动汽车充电大数据的荷电状态修正及预测方法 |
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 |