CN115270481A - 汽车电池的工况预测方法、装置、电子设备及存储介质 - Google Patents
汽车电池的工况预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115270481A CN115270481A CN202210923731.8A CN202210923731A CN115270481A CN 115270481 A CN115270481 A CN 115270481A CN 202210923731 A CN202210923731 A CN 202210923731A CN 115270481 A CN115270481 A CN 115270481A
- Authority
- CN
- China
- Prior art keywords
- data
- state space
- working condition
- prediction
- driving data
- 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 69
- 230000008569 process Effects 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 21
- 230000007704 transition Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012546 transfer Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例提供一种汽车电池的工况预测方法、装置、电子设备及存储介质,其中,该方法包括:获取所述汽车电池的历史行驶数据和实时行驶数据;根据所述历史行驶数据获得工况预测状态空间数据;根据所述实时行驶数据和所述工况预测状态空间数据构建马尔科夫链模型;根据所述马尔科夫链模型进行电池工况预测,得到预测结果。实施本申请实施例,可以准确地对汽车电池的工况进行预测,缩短预测时间,使得预测结果更加精确。
Description
技术领域
本申请涉及电池技术领域,具体而言,涉及一种汽车电池的工况预测方法、装置、电子设备及计算机可读存储介质。
背景技术
当前对汽车电池工况预测的方法大多数定义为对动力电池功率状态的预测,这种方式是指在预定时间间隔内,动力电池在不同的约束(电压、SOC、温度以及可用容量等)下所能释放或吸收的最大功率,主要用于评估动力电池的极限能力,目标是最优匹配动力电池系统与整车动力性能间的关系,以满足电动汽车的加速和爬坡性能和最大限度发挥电机的再生制动性能。
然而,这种预测方式存在多种弊端,例如,在预测过程中仅仅只评估电池在加速、爬坡以及再生制动等极限工况的极限功率能力,而忽略电池在正常使用时车辆的实际工况下端电压的变化;预测时间较长,且随时间进行,历史-当前时间域的信息不断丰富,而未来预测时间域逐渐缩短导致无法准确预测等。
发明内容
本申请实施例的目的在于提供一种汽车电池的工况预测方法、装置、电子设备及计算机可读存储介质,可以准确地对汽车电池的工况进行预测,缩短预测时间,使得预测结果更加精确。
第一方面,本申请实施例提供了一种汽车电池的工况预测方法,所述方法包括:
获取所述汽车电池的历史行驶数据和实时行驶数据;
根据所述历史行驶数据获得工况预测状态空间数据;
根据所述实时行驶数据和所述工况预测状态空间数据构建马尔科夫链模型;
根据所述马尔科夫链模型进行电池工况预测,得到预测结果。
在上述实现过程中,根据历史行驶数据获得工况预测状态空间数据,再根据实时行驶数据和工况预测状态空间数据构建马尔科夫链模型,使得马尔科夫链模型可以准确地表达电池的状态,准确地对汽车电池的工况进行预测,缩短预测时间,使得预测结果更加精确。
进一步地,所述根据所述历史行驶数据获得工况预测状态空间数据的步骤,包括:
对所述历史行驶数据进行平滑处理,得到平滑处理后的历史行驶数据;
对所述平滑处理后的历史行驶数据进行聚类处理,得到所述工况预测状态空间数据。
在上述实现过程中,对历史行驶数据进行平滑处理,减小历史行驶数据在聚类处理的过程中产生的误差,使得到的工况预测状态空间数据更加准确。
进一步地,所述根据所述实时行驶数据和所述工况预测状态空间数据构建马尔科夫链模型的步骤,包括:
将所述实时行驶数据进行滤波处理后得到数据样本点;
获取所述工况预测状态空间数据中距离每个状态空间的中心距离最小的初始状态空间;
将所述数据样本点分布至所述初始状态空间中,得到状态空间;
根据所述状态空间构建所述马尔科夫链模型。
在上述实现过程中,将数据样本点分布至初始状态空间中,使得到的状态空间可以表示数据样本点的分布情况,更好地将电池的状态体现在马尔科夫链模型中。
进一步地,所述根据所述状态空间构建所述马尔科夫链模型的步骤,包括:
获取所述汽车电池的放电时间;
根据所述放电时间获得所述汽车电池放电过程中的功率变化数据;
根据所述功率变化数据和所述状态空间获得功率状态序列;
根据所述功率状态序列构建所述马尔科夫链模型。
在上述实现过程中,根据放电时间获取功率变化数据,再根据功率变化数据和状态空间得到功率状态序列,使构建的马尔科夫链模型能够包含对功率变化的情况。
进一步地,所述根据所述马尔科夫链模型进行电池工况预测,得到预测结果的步骤,包括:
获取所述状态空间的状态转移数据;
将所述转移变化数据输入所述马尔科夫链模型,得到状态转移概率矩阵;
根据所述状态转移概率矩阵获得功率预测值;
根据所述功率预测值得到所述电池工况的预测结果。
在上述实现过程中,根据状态转移概率矩阵获得功率预测值,使得到的预测结果更加准确,并且可以有效地缩短预测时间。
第二方面,本申请实施例还提供了一种汽车电池的工况预测装置,所述装置包括:
获取模块,用于获取模块,用于获取所述汽车电池的历史行驶数据和实时行驶数据;
数据获得模块,用于根据所述历史行驶数据获得工况预测状态空间数据;
构建模块,用于根据所述实时行驶数据和所述工况预测状态空间数据构建马尔科夫链模型;
预测模块,用于根据所述马尔科夫链模型进行电池工况预测,得到预测结果。
在上述实现过程中,根据历史行驶数据获得工况预测状态空间数据,再根据实时行驶数据和工况预测状态空间数据构建马尔科夫链模型,使得马尔科夫链模型可以准确地表达电池的状态,准确地对汽车电池的工况进行预测,缩短预测时间,使得预测结果更加精确。
进一步地,所述数据获得模块还用于:
对所述历史行驶数据进行平滑处理,得到平滑处理后的历史行驶数据;
对所述平滑处理后的历史行驶数据进行聚类处理,得到所述工况预测状态空间数据。
在上述实现过程中,对历史行驶数据进行平滑处理,减小历史行驶数据在聚类处理的过程中产生的误差,使得到的工况预测状态空间数据更加准确。
进一步地,所述构建模块还用于:
将所述实时行驶数据进行滤波处理后得到数据样本点;
获取所述工况预测状态空间数据中距离每个状态空间的中心距离最小的初始状态空间;
将所述数据样本点分布至所述初始状态空间中,得到状态空间;
根据所述状态空间构建所述马尔科夫链模型。
在上述实现过程中,将数据样本点分布至初始状态空间中,使得到的状态空间可以表示数据样本点的分布情况,更好地将电池的状态体现在马尔科夫链模型中。
第三方面,本申请实施例提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中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计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面,本申请实施例提供的一种计算机可读存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第五方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
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地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的汽车电池的工况预测方法的流程示意图;
图2为本申请实施例提供的汽车电池的工况预测装置的结构组成示意图;
图3为本申请实施例提供的电子设备的结构组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
实施例一
图1是本申请实施例提供的汽车电池的工况预测方法的流程示意图,如图1所示,该方法包括:
S1,获取汽车电池的历史行驶数据和实时行驶数据;
S2,根据历史行驶数据获得工况预测状态空间数据;
S3,根据实时行驶数据和工况预测状态空间数据构建马尔科夫链模型;
S4,根据马尔科夫链模型进行电池工况预测,得到预测结果。
在上述实现过程中,根据历史行驶数据获得工况预测状态空间数据,再根据实时行驶数据和工况预测状态空间数据构建马尔科夫链模型,使得马尔科夫链模型可以准确地表达电池的状态,准确地对汽车电池的工况进行预测,缩短预测时间,使得预测结果更加精确。
在S1中,获取历史行驶数据和实时行驶数据,示例性地,历史行驶数据和实时行驶数据为根据时间周期获得的数据,实时行驶数据为当前的一个周期获取到的,历史行驶数据为上一个时间周期获取到的,当时间不断变化,一个时间周期过后,实时行驶数据变为历史行驶数据。
进一步地,S2包括:
对历史行驶数据进行平滑处理,得到平滑处理后的历史行驶数据;
对平滑处理后的历史行驶数据进行聚类处理,得到工况预测状态空间数据。
在上述实现过程中,对历史行驶数据进行平滑处理,减小历史行驶数据在聚类处理的过程中产生的误差,使得到的工况预测状态空间数据更加准确。
本申请实施例的方法是基于电动汽车上驾驶循环的累计历史功率数据即历史行驶数据实现的,经过一阶惯性数据滤波处理后,通过模糊C均值聚类算法自识别出状态的种类和数量得到工况预测状态空间数据,并将工况预测状态空间数据应用于当前驾驶循环的工况预测。若首次运行无历史数据,则需要设定一个默认的初始工况预测状态(基于经验来设定)。
首先基于一阶惯性滤波器对历史行驶数据进行平滑滤波,为了方便工程实现,采用的离散一阶惯性滤波器模型为:
其中,x(n)为当前时刻实际采样值,y(n-1)为上一时刻的滤波值,y(n)为当前时刻的滤波值,Ts为采样频率,τ=RC为一阶惯性滤波器的时间常数。
然后对滤波后的历史行驶数据应用模糊C均值聚类算法进行聚类划分,自动识别出其包含的状态,从而获得工况预测状态空间数据。
模糊C均值聚类算法用隶属度来确定聚类程度的一种算法:以欧氏距离平方表示样本点之间的相似度,以聚类中心表示类别,以样本点和其所属中心之间的距离的总和为优化目标函数。
示例性地,假设某一个驾驶循环的历史行驶数据,动力电池放电功率覆盖从0Kw~80Kw,则根据整车应用场景和动力电池的特性,应用该聚类算法可以得到划分为包含A、B、C、D4个状态的状态空间集合。
表1状态空间集合
进一步地,S3包括:
将实时行驶数据进行滤波处理后得到数据样本点;
获取工况预测状态空间数据中距离每个状态空间的中心距离最小的初始状态空间;
将数据样本点分布至初始状态空间中,得到状态空间;
根据状态空间构建马尔科夫链模型。
在上述实现过程中,将数据样本点分布至初始状态空间中,使得到的状态空间可以表示数据样本点的分布情况,更好地将电池的状态体现在马尔科夫链模型中。
工况预测状态空间数据是指根据电动汽车的实际运行场景,将电池运行工况划分为若干种状态,并且假定电池在目标时间尺度内均处于同一种状态,随着电池放电进行,电池的放电功率会在状态空间中的各个状态之间相互跳转。
对数据样本点,应用K均值聚类算法将每个数据样本点分到工况预测状态空间数据中距离每个状态中心距离最小的那个状态,作为初始状态空间。K均值聚类算法的目标函数为:
其中k为工况预测状态空间数据中状态类别数量,xi为数据样本点,ml为不同状态类别的中心点。
进一步地,根据状态空间构建马尔科夫链模型的步骤,包括:
获取汽车电池的放电时间;
根据放电时间获得汽车电池放电过程中的功率变化数据;
根据功率变化数据和状态空间获得功率状态序列;
根据功率状态序列构建马尔科夫链模型。
在上述实现过程中,根据放电时间获取功率变化数据,再根据功率变化数据和状态空间得到功率状态序列,使构建的马尔科夫链模型能够包含对功率变化的情况。
实时采集电池特征数据(电压、电流、温度和剩余电量(State of Charge,SOC)等)并进行一阶惯性滤波得到平滑数据,并根据设定的预测目标时间尺度(例如设定隔2min预测一个功率值)计算得到功率均值,然后基于K均值聚类算法确定当前得到的功率均值属于工况预测状态空间中的某一个状态。此类推,随着放电时间增加,可以得到一个功率状态序列。当功率状态序列达到一定样本量(基于工况覆盖度测试来确定需要的模型学习样本量),则可以得到工况预测的马尔科夫链模型和相应的状态转移概率矩阵。
进一步地,S4包括:
获取状态空间的状态转移数据;
将转移变化数据输入马尔科夫链模型,得到状态转移概率矩阵;
根据状态转移概率矩阵获得功率预测值;
根据功率预测值得到电池工况的预测结果。
在上述实现过程中,根据状态转移概率矩阵获得功率预测值,使得到的预测结果更加准确,并且可以有效地缩短预测时间。
随着放电时间增加,可以获得多个实时行驶数据,因此可以得到多个状态空间,再根据相应的功率变化数据构成一个功率状态序列。当功率状态序列达到一定样本量时,则可以得到马尔科夫链模型,并且不同状态之间通过一定的概率相互转移,获取这个过程中的状态空间的状态转移数据,根据状态转移数据得到相应的状态转移概率矩阵。
例如,马尔科夫链模型中上一个计算周期动力电池放电功率处于状态i,在当前时刻移动到状态j,则转移概率记为:
pij(Xt=i|Xt-1=j),i=A,B,C,D;j=A,B,C,D;
且满足pij≥0,∑ipij=1,由矩阵表示,即:
根据当前时间周期的数据样本点和状态转移概率矩阵,则可以预测下一个时间周期的功率预测值为:
X′t+1=P*Xt;
随着放电进行,时间周期不断变化,可以根据实时数据得到功率实测值Xt+1,同时比较预测值与实测值,假定误差容忍阈值设为δ。
若|Xt+1-X′t+1|≤δ,则继续用实测值更新当前的功率状态序列并进行下一个时间周期的预测;若|Xt+1-X′t+1|>δ,则表明实际工况变化较大,当前的马尔科夫链模型不适用于新工况,暂停工况预测,重新构造新的马尔科夫链模型,然后再用新模型进行工况预测,如此循环进行。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种汽车电池的工况预测装置,如图2所示,该装置包括:
获取模块1,用于获取汽车电池的历史行驶数据和实时行驶数据;
数据获得模块2,用于根据历史行驶数据获得工况预测状态空间数据;
构建模块3,用于根据实时行驶数据和工况预测状态空间数据构建马尔科夫链模型;
预测模块4,用于根据马尔科夫链模型进行电池工况预测,得到预测结果。
在上述实现过程中,根据历史行驶数据获得工况预测状态空间数据,再根据实时行驶数据和工况预测状态空间数据构建马尔科夫链模型,使得马尔科夫链模型可以准确地表达电池的状态,准确地对汽车电池的工况进行预测,缩短预测时间,使得预测结果更加精确。
进一步地,数据获得模块2还用于:
对历史行驶数据进行平滑处理,得到平滑处理后的历史行驶数据;
对平滑处理后的历史行驶数据进行聚类处理,得到工况预测状态空间数据。
在上述实现过程中,对历史行驶数据进行平滑处理,减小历史行驶数据在聚类处理的过程中产生的误差,使得到的工况预测状态空间数据更加准确。
进一步地,构建模块3还用于:
将实时行驶数据进行滤波处理后得到数据样本点;
获取工况预测状态空间数据中距离每个状态空间的中心距离最小的初始状态空间;
将数据样本点分布至初始状态空间中,得到状态空间;
根据状态空间构建马尔科夫链模型。
在上述实现过程中,将数据样本点分布至初始状态空间中,使得到的状态空间可以表示数据样本点的分布情况,更好地将电池的状态体现在马尔科夫链模型中。
进一步地,构建模块3还用于:
获取汽车电池的放电时间;
根据放电时间获得汽车电池放电过程中的功率变化数据;
根据功率变化数据和状态空间获得功率状态序列;
根据功率状态序列构建马尔科夫链模型。
进一步地,预测模块4还用于:
获取状态空间的状态转移数据;
将转移变化数据输入马尔科夫链模型,得到状态转移概率矩阵;
根据状态转移概率矩阵获得功率预测值;
根据功率预测值得到电池工况的预测结果。
上述的汽车电池的工况预测装置可实施上述实施例一的方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种电子设备,包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的汽车电池的工况预测方法。
可选地,上述电子设备可以是服务器。
请参见图3,图3为本申请实施例提供的电子设备的结构组成示意图。该电子设备可以包括处理器31、通信接口32、存储器33和至少一个通信总线34。其中,通信总线34用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口32用于与其他节点设备进行信令或数据的通信。处理器31可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器31可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器31也可以是任何常规的处理器等。
存储器33可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器33中存储有计算机可读取指令,当计算机可读取指令由所述处理器31执行时,设备可以执行上述图1方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。存储器33、存储控制器、处理器31、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线34实现电性连接。处理器31用于执行存储器33中存储的可执行模块,例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的汽车电池的工况预测方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,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,可以用执行规定的功能或动作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但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,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种汽车电池的工况预测方法,其特征在于,所述方法包括:
获取所述汽车电池的历史行驶数据和实时行驶数据;
根据所述历史行驶数据获得工况预测状态空间数据;
根据所述实时行驶数据和所述工况预测状态空间数据构建马尔科夫链模型;
根据所述马尔科夫链模型进行电池工况预测,得到预测结果。
2.根据权利要求1所述的汽车电池的工况预测方法,其特征在于,所述根据所述历史行驶数据获得工况预测状态空间数据的步骤,包括:
对所述历史行驶数据进行平滑处理,得到平滑处理后的历史行驶数据;
对所述平滑处理后的历史行驶数据进行聚类处理,得到所述工况预测状态空间数据。
3.根据权利要求1所述的汽车电池的工况预测方法,其特征在于,所述根据所述实时行驶数据和所述工况预测状态空间数据构建马尔科夫链模型的步骤,包括:
将所述实时行驶数据进行滤波处理后得到数据样本点;
获取所述工况预测状态空间数据中距离每个状态空间的中心距离最小的初始状态空间;
将所述数据样本点分布至所述初始状态空间中,得到状态空间;
根据所述状态空间构建所述马尔科夫链模型。
4.根据权利要求3所述的汽车电池的工况预测方法,其特征在于,所述根据所述状态空间构建所述马尔科夫链模型的步骤,包括:
获取所述汽车电池的放电时间;
根据所述放电时间获得所述汽车电池放电过程中的功率变化数据;
根据所述功率变化数据和所述状态空间获得功率状态序列;
根据所述功率状态序列构建所述马尔科夫链模型。
5.根据权利要求4所述的汽车电池的工况预测方法,其特征在于,所述根据所述马尔科夫链模型进行电池工况预测,得到预测结果的步骤,包括:
获取所述状态空间的状态转移数据;
将所述转移变化数据输入所述马尔科夫链模型,得到状态转移概率矩阵;
根据所述状态转移概率矩阵获得功率预测值;
根据所述功率预测值得到所述电池工况的预测结果。
6.一种汽车电池的工况预测装置,其特征在于,所述装置包括:
获取模块,用于获取所述汽车电池的历史行驶数据和实时行驶数据;
数据获得模块,用于根据所述历史行驶数据获得工况预测状态空间数据;
构建模块,用于根据所述实时行驶数据和所述工况预测状态空间数据构建马尔科夫链模型;
预测模块,用于根据所述马尔科夫链模型进行电池工况预测,得到预测结果。
7.根据权利要求6所述的汽车电池的工况预测装置,其特征在于,所述数据获得模块还用于:
对所述历史行驶数据进行平滑处理,得到平滑处理后的历史行驶数据;
对所述平滑处理后的历史行驶数据进行聚类处理,得到所述工况预测状态空间数据。
8.根据权利要求6所述的汽车电池的工况预测装置,其特征在于,所述构建模块还用于:
将所述实时行驶数据进行滤波处理后得到数据样本点;
获取所述工况预测状态空间数据中距离每个状态空间的中心距离最小的初始状态空间;
将所述数据样本点分布至所述初始状态空间中,得到状态空间;
根据所述状态空间构建所述马尔科夫链模型。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的汽车电池的工况预测方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5中任一项所述的汽车电池的工况预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923731.8A CN115270481A (zh) | 2022-08-02 | 2022-08-02 | 汽车电池的工况预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210923731.8A CN115270481A (zh) | 2022-08-02 | 2022-08-02 | 汽车电池的工况预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115270481A true CN115270481A (zh) | 2022-11-01 |
Family
ID=83747447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210923731.8A Pending CN115270481A (zh) | 2022-08-02 | 2022-08-02 | 汽车电池的工况预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115270481A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933608A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
-
2022
- 2022-08-02 CN CN202210923731.8A patent/CN115270481A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933608A (zh) * | 2023-09-15 | 2023-10-24 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
CN116933608B (zh) * | 2023-09-15 | 2023-12-22 | 深圳市正和兴电子有限公司 | 一种存储类芯片的管理方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patil et al. | A novel multistage Support Vector Machine based approach for Li ion battery remaining useful life estimation | |
Toughzaoui et al. | State of health estimation and remaining useful life assessment of lithium-ion batteries: A comparative study | |
US20210188290A1 (en) | Driving model training method, driver identification method, apparatuses, device and medium | |
JP7450741B2 (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN113376526A (zh) | 汽车电池容量预测方法、寿命预测方法、装置及存储介质 | |
CN115270481A (zh) | 汽车电池的工况预测方法、装置、电子设备及存储介质 | |
CN112562863A (zh) | 流行病监测预警方法、装置、电子设备 | |
Mao et al. | A multi-mode electric vehicle range estimator based on driving pattern recognition | |
CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
Hema et al. | Hyperparameter optimization of LSTM based Driver’s aggressive behavior prediction model | |
CN115146478A (zh) | 基于优化算法的行驶工况构建方法、装置及相关设备 | |
JP5917932B2 (ja) | 状態推定装置、状態推定方法及びプログラム | |
CN117445677A (zh) | 车辆行驶预测方法、装置、电子设备及存储介质 | |
CN109376473B (zh) | 车辆控制器、车辆及其续航里程的计算方法和装置 | |
CN116442786A (zh) | 动力电池压差异常的识别方法、装置、服务器及存储介质 | |
CN116811870A (zh) | 能量回收策略的确定方法、装置、设备和存储介质 | |
CN116668321A (zh) | 网络流量预测方法、装置、设备和存储介质 | |
Puzicha et al. | Multiscale annealing for real-time unsupervised texture segmentation | |
CN113538735B (zh) | 一种车辆用途识别方法及装置 | |
CN113782092B (zh) | 一种生存期预测模型的生成方法及装置、存储介质 | |
CN115963404A (zh) | 一种电池荷电状态预测方法、设备和存储介质 | |
CN114740389A (zh) | 电池健康评估方法、装置、电子设备和可读存储介质 | |
CN115508713A (zh) | 一种电池系统安全预警方法、装置、存储介质及设备 | |
CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 |
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 |