CN115759434A - 电池电量实时预测方法、系统、计算机设备和存储介质 - Google Patents

Abstract

本申请涉及一种电池电量实时预测方法、系统、计算机设备和存储介质，其中，该方法包括：基于车辆的电池类型，获取相应的历史运行数据并建立数据集；根据预设条件对数据集进行筛选并划分得到训练集和验证集，基于验证集对训练集进行扩展，得到扩展训练集；基于扩展训练集对神经网络进行训练，以建立电池电量预测模型；获取车辆的实时运行数据，结合关联的历史运行数据输入到与电池类型对应的电池电量预测模型中，处理得到实时电池电量预测值。通过本申请，能够提高电池电量预测模型建立过程中使用的的数据质量，进而提高预测模型的准确性以及实时电池电量预测的准确性，解决了预测模型不准确，导致电池电量预测误差大的问题。

Description

电池电量实时预测方法、系统、计算机设备和存储介质

技术领域

本申请涉及新能源汽车电池技术领域，特别是涉及一种电池电量实时预测方法、系统、计算机设备和存储介质。

背景技术

随着我国新能源汽车技术逐渐成熟发展，新能源汽车逐渐作为出行的主要交通工具。电池的主要功能是为新能源汽车提供电能，特别是在电池的使用过程中，受到用户驾驶习惯和电池内部化学物质的变化等因素影响，会造成电池性能的退化。因此，对电池SOC(State of charge，荷电状态)的准确预测直接影响到对车辆续航里程的预测，同时也关系到车辆的性能问题。

以往通常是采用固定的算法对车辆的电池进行SOC预测，结果往往不够准确。目前存在一些基于机器学习的方法，通过构建相应的模型对SOC进行预测，但是其模型在构建过程中，对特征组和训练集的选择方式不够完善，导致构建的模型不准确，从而导致电池电量预测误差大的问题。

针对相关技术中存在预测模型不准确，导致电池电量预测误差大的问题，目前还没有提出有效的解决方案。

发明内容

在本实施例中提供了一种电池电量实时预测方法、系统、计算机设备和存储介质，以解决相关技术中存在预测模型不准确，导致电池电量预测误差大的问题。

第一个方面，在本实施例中提供了一种电池电量实时预测方法，其特征在于，包括：

基于车辆的电池类型，获取相应的历史运行数据并建立数据集；

根据预设条件对所述数据集进行筛选并划分得到训练集和验证集，基于所述验证集对所述训练集进行扩展，得到扩展训练集；

基于所述扩展训练集对神经网络进行训练，以建立电池电量预测模型；

获取车辆的实时运行数据，结合关联的所述历史运行数据输入到与电池类型对应的所述电池电量预测模型中，处理得到实时电池电量预测值。

在其中的一些实施例中，所述基于车辆的电池类型，获取相应的历史运行数据并建立数据集，包括：

基于车辆的电池类型，从云端大数据平台获取对应的车辆历史运行数据；

通过对所述历史运行数据进行预处理，以建立与各电池类型对应的数据集。

在其中的一些实施例中，所述历史运行数据包括车辆ID、电池类型、电池单体电压、电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电池电流、车速、电池充电状态、车辆当前能耗值以及电池电量值。

在其中的一些实施例中，所述根据预设条件对所述数据集进行筛选并划分得到训练集和验证集，基于所述验证集对所述训练集进行扩展，得到扩展训练集，包括：

通过对所述数据集进行相关性分析，结合相关性阈值的预设条件筛选所述数据集，并降维处理得到特征数据组；

基于预设比例对所述特征数据组进行划分，得到训练集和验证集；

基于所述训练集训练得到测试模型，将所述测试模型在所述验证集上验证，根据验证结果对所述训练集进行优化得到扩展训练集。

在其中的一些实施例中，所述通过对所述数据集进行相关性分析，结合相关性阈值的预设条件筛选所述数据集，并降维处理得到特征数据组，包括：

计算所述数据集中特征数据与电池电量的相关性大小，筛选达到所述相关性阈值的特征数据并进行降维处理，以得到所述特征数据组。

在其中的一些实施例中，所述基于所述训练集训练得到测试模型，将所述测试模型在所述验证集上验证，根据验证结果对所述训练集进行优化得到扩展训练集，包括：

通过将所述测试模型在所述验证集上验证的误差与预设误差阈值进行比较，得到所述验证结果；

若所述验证结果为验证的误差大于所述预设误差阈值，则将所述验证集并入所述训练集中重新训练得到测试模型，直到所述测试模型在所有验证集上验证的误差小于或等于所述预设误差阈值，得到所述扩展训练集。

在其中的一些实施例中，所述获取车辆的实时运行数据，结合关联的所述历史运行数据输入到与电池类型对应的所述电池电量预测模型中，处理得到实时电池电量预测值，包括：

将车辆的实时运行数据与关联的最近时刻的历史运行数据按时间顺序合并，处理后输入到所述电池电量预测模型中，得到模型预测值；

通过对所述模型预测值进行平滑滤波处理，将最后时刻的电池电量值作为所述实时电量预测值。

第二个方面，在本实施例中提供了一种电池电量实时预测系统，其特征在于，包括：数据处理模块、模型训练模块以及实时预测模块；

所述数据处理模块，用于基于车辆的电池类型，获取相应的历史运行数据并建立数据集；

所述模型训练模块，用于根据预设条件对所述数据集进行筛选并划分得到训练集和验证集，基于所述验证集对所述训练集进行扩展，得到扩展训练集；基于所述扩展训练集对神经网络进行训练，以建立电池电量预测模型；

所述实时预测模块，用于获取车辆的实时运行数据，结合关联的所述历史运行数据输入到与电池类型对应的所述电池电量预测模型中，处理得到实时电池电量预测值。

第三个方面，在本实施例中提供了一种计算机设备，包括存储器、处理器以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计算机程序时实现上述第一个方面所述的电池电量实时预测方法。

第四个方面，在本实施例中提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一个方面所述的电池电量实时预测方法。

与相关技术相比，在本实施例中提供的一种电池电量实时预测方法、系统、计算机设备和存储介质，通过基于车辆的电池类型，获取相应的历史运行数据并建立数据集；根据预设条件对所述数据集进行筛选并划分得到训练集和验证集，基于所述验证集对所述训练集进行扩展，得到扩展训练集；基于所述扩展训练集对神经网络进行训练，以建立电池电量预测模型；获取车辆的实时运行数据，结合关联的所述历史运行数据输入到与电池类型对应的所述电池电量预测模型中，处理得到实时电池电量预测值。通过针对不同电池类型的历史运行数据，对数据集进行筛选和对训练集进行扩展，能够提高电池电量预测模型建立过程中使用的的数据质量，进而提高预测模型的准确性以及实时电池电量预测的准确性，解决了相关技术中存在预测模型不准确，导致电池电量预测误差大的问题。

本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是一个实施例中电池电量实时预测方法的终端的硬件结构框图；

图2是一个实施例中电池电量实时预测方法的流程图；

图3是一个优选实施例中电池电量实时预测方法的流程图；

图4是一个实施例中电池电量实时预测系统的结构框图。

图中：102、处理器；104、存储器；106、传输设备；108、输入输出设备；10、数据处理模块；20、模型训练模块；30、实时预测模块。

具体实施方式

为更清楚地理解本申请的目的、技术方案和优点，下面结合附图和实施例，对本申请进行了描述和说明。

除另作定义外，本申请所涉及的技术术语或者科学术语应具有本申请所属技术领域具备一般技能的人所理解的一般含义。在本申请中的“一”、“一个”、“一种”、“该”、“这些”等类似的词并不表示数量上的限制，它们可以是单数或者复数。在本申请中所涉及的术语“包括”、“包含”、“具有”及其任何变体，其目的是涵盖不排他的包含；例如，包含一系列步骤或模块(单元)的过程、方法和系统、产品或设备并未限定于列出的步骤或模块(单元)，而可包括未列出的步骤或模块(单元)，或者可包括这些过程、方法、产品或设备固有的其他步骤或模块(单元)。在本申请中所涉及的“连接”、“相连”、“耦接”等类似的词语并不限定于物理的或机械连接，而可以包括电气连接，无论是直接连接还是间接连接。在本申请中所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。通常情况下，字符“/”表示前后关联的对象是一种“或”的关系。在本申请中所涉及的术语“第一”、“第二”、“第三”等，只是对相似对象进行区分，并不代表针对对象的特定排序。

在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的电池电量实时预测方法的终端的硬件结构框图。如图1所示，终端可以包括一个或多个(图1中仅示出一个)处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。

存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的电池电量实时预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(NetworkInterface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。

随着我国新能源汽车技术逐渐成熟发展，新能源汽车逐渐作为出行的主要交通工具。电池的主要功能是为新能源汽车提供电能，特别是在电池的使用过程中，受到用户驾驶习惯和电池内部化学物质的变化等因素影响，会造成电池性能的退化。因此，对电池SOC(State of charge，荷电状态)的准确预测直接影响到对车辆续航里程的预测，同时也关系到车辆的性能问题。

以往通常是采用固定的算法对车辆的电池进行SOC预测，结果往往不够准确。比如常用的安时积分法、OCV-SOC(开路电压)查表法、基于模型的估计方法以及数据驱动方法共四大类。但是这些方法都没有考虑车辆的具体状态，如：每个车辆的电池包化学特性存在差异、驾驶员的充电习惯以及实际车辆行驶时的工况(路面状况和当前负载)等。

目前存在一些基于机器学习的方法，通过构建相应的模型对SOC进行预测，但是其模型在构建过程中，对特征组和训练集的选择往往出于主观选择，比如缺乏相应的选择标准，选择方式不够完善，导致构建的模型不准确，并且在模型表现不佳时也难以分析原因，从而导致电池电量预测误差大的问题。

为了解决以上问题，在以下实施例中提供了一种电池电量实时预测方法、系统、计算机设备和存储介质，其中方法针对不同电池类型的历史运行数据，对数据集进行筛选和对训练集进行扩展，提高了电池电量预测模型建立过程中使用的的数据质量，进而提高预测模型的准确性以及实时电池电量预测的准确性。

在本实施例中提供了一种电池电量实时预测方法，图2是本实施例的方法的流程图，如图2所示，该方法包括以下步骤：

步骤S210，基于车辆的电池类型，获取相应的历史运行数据并建立数据集。

具体地，目前常用的电池类型有三元锂电池、磷酸铁锂电池以及镍氢电池，不同类型的电池在化学组成和性能等各方面都有很大差别，现有的电池电量预测方法大多采用同一种预测模型，这往往会带来不可避免的误差。因此在建立数据集时，根据车辆的电池类型获取对应电池类型的历史运行数据，由此建立基于不同电池类型的数据集。

其中，历史运行数据包括多种与SOC预测相关的数据，并非单一的历史SOC值，具体包括车辆ID、电池类型、电池单体电压、电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电池电流、车速、电池充电状态、车辆当前能耗值以及电池电量值。

步骤S220，根据预设条件对数据集进行筛选并划分得到训练集和验证集，基于验证集对训练集进行扩展，得到扩展训练集。

具体地，根据相关性的预设条件对数据集中的多种历史运行数据进行筛选，得到特征数据组，并将特征数据组进行划分，得到训练集和验证集。对于在训练集上训练得到的测试模型，通过验证集对其进行验证，以实现对训练集的扩展。

步骤S230，基于扩展训练集对神经网络进行训练，以建立电池电量预测模型。

具体地，根据电池类型选用相应的深度学习模型，所用的模型可以包括CNN(Convolutional Neural Networks，卷积神经网络)、LSTM(Long Short Term Memory，长短期记忆)以及RNN(Recurrent Neural Network，循环神经网络)等。基于扩展训练集对深度学习模型的神经网络进行训练，得到多种电池类型对应的电池电量预测模型。

步骤S240，获取车辆的实时运行数据，结合关联的历史运行数据输入到与电池类型对应的电池电量预测模型中，处理得到实时电池电量预测值。

具体地，从车辆的BMS系统(Battery Management System，电池管理系统)中获取实时运行数据，与关联的历史运行数据合并后输入到对应的电池电量预测模型中，对模型输出结果进行处理，得到实时电池电量预测值。

上述步骤通过针对不同的电池类型，获取多种历史运行数据对应建立数据集，再根据相关性的预设条件对数据集进行筛选得到特征数据组，以及基于验证集对训练集进行扩展，因此对特征组和训练集的选择构建了对应的选择标准，相应完善了预测模型的构建过程，提高了模型的准确性和性能表现，进而解决了预测模型不准确，导致电池电量预测误差大的问题。

进一步地，针对现有技术中仅获取车辆当前时刻的数据估算SOC，在车辆工况发生较大变化时(如突然加速或减速)，可能导致SOC预测结果误差增大的问题，本实施例中在基于电池电量预测模型进行电池电量实时预测时，将车辆的实时运行数据与关联的历史运行数据合并后输入预测模型中，这样能够避免瞬时的车辆工况变化对电池电量预测造成的影响。

在其中的一些实施例中，上述基于车辆的电池类型，获取相应的历史运行数据并建立数据集，包括以下步骤：

基于车辆的电池类型，从云端大数据平台获取对应的车辆历史运行数据；

通过对历史运行数据进行预处理，以建立与各电池类型对应的数据集。

具体地，获取车辆电池类型对应的历史运行数据后，对历史运行数据进行预处理，其中包括聚类剔除异常值和空缺值填充等，经过处理后得到与电池类型对应的数据集。

进一步地，根据数据采集时间对历史运行数据进行排序，再根据已知的各字段数据范围对历史运行数据进行初步筛选，去除该字段规定范围以外的数据。对空值和NAN值进行取均值或取相邻值等方式填充。通过K-means(K均值)聚类方法，根据设定的阈值确定离群点为异常数据并去除。

通过本实施例中对获取的历史运行数据进行预处理后建立数据集，能够提高数据集的数据质量，进而提高后续建立模型的性能表现。

在其中的一些实施例中，上述根据预设条件对数据集进行筛选并划分得到训练集和验证集，基于验证集对训练集进行扩展，得到扩展训练集，包括以下步骤：

步骤S221，通过对数据集进行相关性分析，结合相关性阈值的预设条件筛选数据集，并降维处理得到特征数据组。

具体地，计算数据集中特征数据与电池电量的相关性大小，筛选达到相关性阈值的特征数据并进行降维处理，以得到特征数据组。

其中，可以采用皮尔逊相关系数计算各特征数据与电池电量的相关性大小，通过筛选去除相关性极小的部分特征后，进行PCA(Principal Component Analysis，主成分分析)降维处理，得到特征数据组。这样通过相关性分析得到可靠性更高的特征数据，同时去除多余重复特征数据，并且具有相应的数据分析支持，使得得到的特征数据组包含最全面的特征信息的同时特征数量最小，提高精度的同时也减少了特征数据的计算量。

步骤S222，基于预设比例对特征数据组进行划分，得到训练集和验证集。

具体地，将特征数据组按预设比例氛围训练集和验证集，优选地，预设比例可以设置为5:5。

步骤S223，基于训练集训练得到测试模型，将测试模型在验证集上验证，根据验证结果对训练集进行优化得到扩展训练集。

具体地，选择拟合能力较强且训练速度快的模型在训练集上进行初步测试，如XGBoost(Extreme gradient boosting，极端梯度增强算法)、Lightgbm(Light GradientBoosting Machine，轻量梯度提升机)等模型，训练得到测试模型，之后测试模型用于在验证集上进行验证，得到验证结果。

其中，通过将测试模型在验证集上验证的误差与预设误差阈值进行比较，得到验证结果；若验证结果为验证的误差大于预设误差阈值，则将验证集并入训练集中重新训练得到测试模型，直到测试模型在所有验证集上验证的误差小于或等于预设误差阈值，得到扩展训练集。

具体地，预设误差阈值可以为平均绝对误差(MAE)，优选设置为2％。若该测试模型在验证集上的误差大于预设误差阈值，将该验证集并入训练集，重新训练得到测试模型，所有验证集均验证过后，得到扩展训练集。这样能够优化训练集，扩展训练集的泛化能力，并且提高数据质量，同时也减少了训练集数据量，降低引入的随机误差。进一步地，还可以基于交叉验证方法对训练集进行优化。

通过本实施例中对数据集中的特征数据进行相关系数分析和降维处理，能够得到可靠性更高的特征，并且减少了大量冗余无效的特征，在提高精度的同时减少了计算量。另外，基于验证集对训练集进行优化，一方面能够优化训练集的泛化能力，另一方面能够尽可能降低引入的随机误差，这样为特征数据和训练集的选择提供了可靠的数据分析和标准，通过提高数据质量来提高模型的性能，并且在模型性能表现不佳时，能够根据数据分析和标准来分析原因。

在其中的一些实施例中，上述获取车辆的实时运行数据，结合关联的历史运行数据输入到与电池类型对应的电池电量预测模型中，处理得到实时电池电量预测值，包括以下步骤：

将车辆的实时运行数据与关联的最近时刻的历史运行数据按时间顺序合并，处理后输入到电池电量预测模型中，得到模型预测值；通过对模型预测值进行平滑滤波处理，将最后时刻的电池电量值作为实时电量预测值。

具体地，从车辆的BMS系统中获取实时运行数据，将实时运行数据与最近时刻的历史运行数据按时间顺序合并，经过上述实施例中的预处理、相关性分析以及降维处理后，输入到电池类型对应的电池电量预测模型中，得到一串连续时刻的模型预测值。通过对模型预测值进行平滑滤波处理，取滤波处理后最后时刻的电池电流值作为实时电量预测值。其中，合并的历史运行数据可以选取最近半小时的历史运行数据，以防止瞬时的车辆工况变化对电池电量预测造成影响。平滑滤波处理可以采用Savitzky-Golay滤波器进行处理。

通过本实施例中将实时运行数据结合历史运行数据输入预测模型进行预测，能有效避免现有技术中仅获取车辆当前时刻的数据估算SOC，在车辆工况发生较大变化时(如突然加速或减速)，可能导致SOC预测结果误差增大的问题，这样预测得到的实时电量预测值会更加准确。

下面通过优选实施例对本实施例进行描述和说明。

图3是本优选实施例的电池电量实时预测方法的流程图，如图3所示，该方法包括以下步骤：

步骤S310，基于车辆的电池类型，从云端大数据平台获取对应的车辆历史运行数据。

其中，历史运行数据包括车辆ID、电池类型、电池单体电压、电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电池电流、车速、电池充电状态、车辆当前能耗值以及电池电量值。

步骤S320，通过对历史运行数据进行预处理，以建立与各电池类型对应的数据集。

步骤S330，通过皮尔逊相关系数分析，计算数据集中特征数据与电池电量的相关性大小，筛选达到相关性阈值的特征数据并进行降维处理，以得到特征数据组。

步骤S340，将特征数据组按照5:5的比例分为训练集和验证集，基于训练集训练得到测试模型，并用于在验证集上进行验证。若测试模型在验证集上验证的误差大于预设误差阈值，则将该验证集并入训练集中重新训练得到测试模型，直到所有验证集均验证过后，得到扩展训练集。

步骤S350，将车辆的实时运行数据与关联的最近半小时的历史运行数据按时间顺序合并，经过预处理、相关性分析以及降维处理后输入到电池电量预测模型中，得到模型预测值。

步骤S360，通过对模型预测值进行平滑滤波处理，将最后时刻的电池电量值作为实时电量预测值。

通过本优选实施例，将相关性分析和特征降维进行结合，通过相关性分析得到可靠性更高的特征数据，进而进行特征降维，减少了大量冗余无效的特征，提高数据精度的同时减少了计算量。

另外，现有的机器学习预测SOC模型训练集的确定缺乏一定的标准，大多都是将获得的历史数据集直接划分为训练集和测试集，但是如何划分数据集却没有明确的标准。从某种角度来看，机器学习其实就是数据驱动，模型的质量取决于数据的质量，因此训练集质量的好坏直接影响模型的性能。为解决该问题，本优选实施例中将数据集分为训练集和验证集，之后将测试模型在训练集上训练，进而根据模型在验证集上的验证的结果，将验证集并入训练集，以此对训练集进行优化，一方面能够优化训练集的泛化能力，另一方面能够尽可能减小引入的随机误差。同时，本优选实施例中在实时预测时，结合了历史运行数据进行考虑，避免了在车辆工况发生较大变化时(如突然加速或减速)，可能导致SOC预测结果误差增大的问题，这样预测得到的实时电量预测值会更加准确。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中还提供了一种电池电量实时预测系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的系统较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图4是本实施例的电池电量实时预测系统的结构框图，如图4所示，该系统包括：数据处理模块10、模型训练模块20以及实时预测模块30。

数据处理模块10，用于基于车辆的电池类型，获取相应的历史运行数据并建立数据集。

模型训练模块20，用于根据预设条件对数据集进行筛选并划分得到训练集和验证集，基于验证集对训练集进行扩展，得到扩展训练集；基于扩展训练集对神经网络进行训练，以建立电池电量预测模型。

实时预测模块30，用于获取车辆的实时运行数据，结合关联的历史运行数据输入到与电池类型对应的电池电量预测模型中，处理得到实时电池电量预测值。

通过本实施例中提供的系统，针对不同的电池类型，获取多种历史运行数据对应建立数据集，再根据相关性的预设条件对数据集进行筛选得到特征数据组，以及基于验证集对训练集进行扩展，因此对特征组和训练集的选择构建了对应的选择标准，相应完善了预测模型的构建过程，提高了模型的准确性和性能表现，进而解决了预测模型不准确，导致电池电量预测误差大的问题。

进一步地，针对现有技术中仅获取车辆当前时刻的数据估算SOC，在车辆工况发生较大变化时(如突然加速或减速)，可能导致SOC预测结果误差增大的问题，本实施例中在基于电池电量预测模型进行电池电量实时预测时，将车辆的实时运行数据与关联的历史运行数据合并后输入预测模型中，这样能够避免瞬时的车辆工况变化对电池电量预测造成的影响。

在其中的一些实施例中，模型训练模块20包括：特征确定子模块和训练集确定子模块。

特征确定子模块，用于对数据集进行相关性分析，结合相关性阈值的预设条件筛选数据集，并降维处理得到特征数据组。

训练集确定子模块，用于基于预设比例对特征数据组进行划分，得到训练集和验证集；基于训练集训练得到测试模型，将测试模型在验证集上验证，根据验证结果对训练集进行优化得到扩展训练集。

需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

在本实施例中还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述计算机设备还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

需要说明的是，在本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，在本实施例中不再赘述。

此外，结合上述实施例中提供的电池电量实时预测方法，在本实施例中还可以提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种电池电量实时预测方法。

需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。

应该明白的是，这里描述的具体实施例只是用来解释这个应用，而不是用来对它进行限定。根据本申请提供的实施例，本领域普通技术人员在不进行创造性劳动的情况下得到的所有其它实施例，均属本申请保护范围。

显然，附图只是本申请的一些例子或实施例，对本领域的普通技术人员来说，也可以根据这些附图将本申请适用于其他类似情况，但无需付出创造性劳动。另外，可以理解的是，尽管在此开发过程中所做的工作可能是复杂和漫长的，但是，对于本领域的普通技术人员来说，根据本申请披露的技术内容进行的某些设计、制造或生产等更改仅是常规的技术手段，不应被视为本申请公开的内容不足。

“实施例”一词在本申请中指的是结合实施例描述的具体特征、结构或特性可以包括在本申请的至少一个实施例中。该短语出现在说明书中的各个位置并不一定意味着相同的实施例，也不意味着与其它实施例相互排斥而具有独立性或可供选择。本领域的普通技术人员能够清楚或隐含地理解的是，本申请中描述的实施例在没有冲突的情况下，可以与其它实施例结合。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种电池电量实时预测方法，其特征在于，包括：

基于车辆的电池类型，获取相应的历史运行数据并建立数据集；

根据预设条件对所述数据集进行筛选并划分得到训练集和验证集，基于所述验证集对所述训练集进行扩展，得到扩展训练集；

基于所述扩展训练集对神经网络进行训练，以建立电池电量预测模型；

获取车辆的实时运行数据，结合关联的所述历史运行数据输入到与电池类型对应的所述电池电量预测模型中，处理得到实时电池电量预测值。

2.根据权利要求1所述的电池电量实时预测方法，其特征在于，所述基于车辆的电池类型，获取相应的历史运行数据并建立数据集，包括：

基于车辆的电池类型，从云端大数据平台获取对应的车辆历史运行数据；

通过对所述历史运行数据进行预处理，以建立与各电池类型对应的数据集。

3.根据权利要求1所述的电池电量实时预测方法，其特征在于，所述历史运行数据包括车辆ID、电池类型、电池单体电压、电池单体平均电压、电池单体最大电压、电池单体最小电压、温度、电池电流、车速、电池充电状态、车辆当前能耗值以及电池电量值。

4.根据权利要求1所述的电池电量实时预测方法，其特征在于，所述根据预设条件对所述数据集进行筛选并划分得到训练集和验证集，基于所述验证集对所述训练集进行扩展，得到扩展训练集，包括：

通过对所述数据集进行相关性分析，结合相关性阈值的预设条件筛选所述数据集，并降维处理得到特征数据组；

基于预设比例对所述特征数据组进行划分，得到训练集和验证集；

基于所述训练集训练得到测试模型，将所述测试模型在所述验证集上验证，根据验证结果对所述训练集进行优化得到扩展训练集。

5.根据权利要求4所述的电池电量实时预测方法，其特征在于，所述通过对所述数据集进行相关性分析，结合相关性阈值的预设条件筛选所述数据集，并降维处理得到特征数据组，包括：

计算所述数据集中特征数据与电池电量的相关性大小，筛选达到所述相关性阈值的特征数据并进行降维处理，以得到所述特征数据组。

6.根据权利要求4所述的电池电量实时预测方法，其特征在于，所述基于所述训练集训练得到测试模型，将所述测试模型在所述验证集上验证，根据验证结果对所述训练集进行优化得到扩展训练集，包括：

通过将所述测试模型在所述验证集上验证的误差与预设误差阈值进行比较，得到所述验证结果；

若所述验证结果为验证的误差大于所述预设误差阈值，则将所述验证集并入所述训练集中重新训练得到测试模型，直到所述测试模型在所有验证集上验证的误差小于或等于所述预设误差阈值，得到所述扩展训练集。

7.根据权利要求1所述的电池电量实时预测方法，其特征在于，所述获取车辆的实时运行数据，结合关联的所述历史运行数据输入到与电池类型对应的所述电池电量预测模型中，处理得到实时电池电量预测值，包括：

将车辆的实时运行数据与关联的最近时刻的历史运行数据按时间顺序合并，处理后输入到所述电池电量预测模型中，得到模型预测值；

通过对所述模型预测值进行平滑滤波处理，将最后时刻的电池电量值作为所述实时电量预测值。

8.一种电池电量实时预测系统，其特征在于，包括：数据处理模块、模型训练模块以及实时预测模块；

所述数据处理模块，用于基于车辆的电池类型，获取相应的历史运行数据并建立数据集；

所述模型训练模块，用于根据预设条件对所述数据集进行筛选并划分得到训练集和验证集，基于所述验证集对所述训练集进行扩展，得到扩展训练集；基于所述扩展训练集对神经网络进行训练，以建立电池电量预测模型；

所述实时预测模块，用于获取车辆的实时运行数据，结合关联的所述历史运行数据输入到与电池类型对应的所述电池电量预测模型中，处理得到实时电池电量预测值。

9.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的电池电量实时预测方法。

10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的电池电量实时预测方法的步骤。

Images