CN116359775A - 校正剩余电量的方法、车辆及存储介质 - Google Patents

校正剩余电量的方法、车辆及存储介质 Download PDF

Info

Publication number
CN116359775A
CN116359775A CN202310201826.3A CN202310201826A CN116359775A CN 116359775 A CN116359775 A CN 116359775A CN 202310201826 A CN202310201826 A CN 202310201826A CN 116359775 A CN116359775 A CN 116359775A
Authority
CN
China
Prior art keywords
electric quantity
battery
residual
residual electric
voltage
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
CN202310201826.3A
Other languages
English (en)
Inventor
谢施旋
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.)
Zhaoqing Xiaopeng Automobile Co Ltd
Original Assignee
Guangzhou Xiaopeng Motors Technology 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 Guangzhou Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN202310201826.3A priority Critical patent/CN116359775A/zh
Publication of CN116359775A publication Critical patent/CN116359775A/zh
Pending legal-status Critical Current

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本申请涉及锂电池技术领域和人工智能技术领域，具体涉及校正剩余电量的方法、车辆及存储介质。该校正剩余电量的方法包括：获得电池的预估剩余电量，并且获得所述电池的剩余电量校正值，所述预估剩余电量是基于采集的所述电池的剩余电量关联信息和/或安时积分法来确定的；利用所述剩余电量校正值校正所述预估剩余电量；其中，所述剩余电量校正值是经训练的电量校正模型处理输入数据后得到的校正值，所述输入数据包括在特定电量区间采集到的剩余电量关联信息，所述电量校正模型的训练数据以与所述剩余电量关联信息对应的剩余电量校正值作为标签信息。本申请提供的方案，能够提升电池的剩余电量的精准度。

Description

校正剩余电量的方法、车辆及存储介质
技术领域
本申请涉及锂电池技术领域和人工智能技术领域，尤其涉及一种校正剩余电量的方法、车辆及存储介质。
背景技术
社会对环境污染越来越重视，减少汽车尾气排放是一种有效减少环境污染的途径。电动汽车的电动机相对于燃油汽车的内燃机无需排放尾气，能有效减少空气污染。然而，电动汽车也存在单次充电后行驶里程短的缺点，造成了电动汽车乘员的里程焦虑问题。
相关技术中，为了改善乘员里程焦虑，可以向用户提供更加准确的剩余电量(也叫荷电状态，State of Charge，简称SOC)信息，以便用户能根据SOC和行程及时充电，减少行驶途中因缺电导致滞留的风险。然而，相关技术只能在电池低电量和满电时进行剩余电量校正，不易实现对处于常用剩余电量区间内的电池进行电量校正，导致用户体验有待提升。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种校正剩余电量的方法、车辆及存储介质，能够实现对处于常用剩余电量区间内的电池进行电量校正，有效提升用户体验。
本申请一方面提供一种校正剩余电量的方法，包括：获得电池的预估剩余电量，并且获得所述电池的剩余电量校正值，所述预估剩余电量是基于采集的所述电池的剩余电量关联信息和/或安时积分法来确定的；利用所述剩余电量校正值校正所述预估剩余电量；其中，所述剩余电量校正值是经训练的电量校正模型处理输入数据后得到的校正值，所述输入数据包括在特定电量区间采集到的剩余电量关联信息，所述电量校正模型的训练数据以与所述剩余电量关联信息对应的剩余电量校正值作为标签信息。
在一种实施方式中，上述方法还包括：获得所述训练数据；所述获得所述训练数据，包括：获得所述预估剩余电量在特定电量区间采集到的剩余电量关联信息；获得充满电时的预估剩余电量和实际剩余电量之间的差值；将所述差值作为所述剩余电量关联信息的标签信息。
在一种实施方式中，所述获得充满电时的预估剩余电量和实际剩余电量之间的差值，包括：如果所述预估剩余电量达到100％，且所述电池在充电中状态，则获得自当前时刻起，直至所述电池中的电压最高的电芯到充电截止电压期间的充电电量，将所述充电电量作为所述预估剩余电量和所述实际剩余电量之间的差值；如果所述预估剩余电量未达到100％，且所述电池在充电完成状态，则将充满电量与所述预估剩余电量之间的差值，作为所述预估剩余电量和所述实际剩余电量之间的差值。
在一种实施方式中，所述电量校正模型包括：依序串联的输入层、至少一个卷积对和至少一层全连接层，每个卷积对包括串联的卷积层和池化层；所述输入层的输入数据包括：充入电量、预估剩余电量、最高单体电压、压差、最高电压电芯的电压电量比值、最低电压电芯的电压电量比值或者电芯的电压电量比值一致性中至少一种。
在一种实施方式中，所述利用所述剩余电量校正值校正所述预估剩余电量，包括：向所述电池充电过程中，如果所述预估剩余电量达到剩余电量特征点，则利用所述剩余电量校正值校正所述预估剩余电量，所述剩余电量特征点是根据电压电量比值特征点来确定的。
在一种实施方式中，上述方法还包括：获得所述电池在充电过程中的电压电量比值数据；对所述电压电量比值数据进行差分运算，以提取所述电压电量比值数据的特征点；确定与所述电压电量比值数据的特征点对应的当前剩余电量，并且将所述当前剩余电量作为所述剩余电量特征点。
在一种实施方式中，所述电池包括铁元素和锂元素；所述剩余电量特征点的取值范围包括60％×充满电量±10％×充满电量。
在一种实施方式中，所述电池的充电电流小于特定充电电流阈值，所述电池在所述特定充电电流阈值下的特定最大值和特定最小值之间的波动幅度超过预设波动幅度；其中，所述特定最大值为所述预估剩余电量在特定电量区间内的电压电量比值的差分运算结果的最大值，所述特定最小值为所述预估剩余电量在特定电量区间内的电压电量比值的差分运算结果的最小值。
在一种实施方式中，所述方法适用于服务器端；所述方法还包括：接收来自车端的所述输入数据，以利用经训练的电量校正模型处理所述输入数据，得到所述剩余电量校正值；将所述剩余电量校正值发送给所述车端，以便所述车端利用所述剩余电量校正值校正所述预估剩余电量。
在一种实施方式中，所述方法适用于车端；所述方法还包括：至少接收来自服务器端的经训练的电量校正模型的模型拓扑信息和/或模型参数信息；基于所述模型拓扑信息和/或模型参数信息构建所述电量校正模型；所述获得所述电池的剩余电量校正值包括：所述车端利用所述电量校正模型处理所述输入数据后得到所述剩余电量校正值。
本申请另一方面提供一种校正剩余电量的装置，包括：信息获得模块和电量校正模块。其中，信息获得模块用于获得电池的预估剩余电量，并且获得所述电池的剩余电量校正值，所述预估剩余电量是基于采集的所述电池的剩余电量关联信息和/或安时积分法来确定的；电量校正模块用于利用所述剩余电量校正值校正所述预估剩余电量；其中，所述剩余电量校正值是经训练的电量校正模型处理输入数据后得到的校正值，所述输入数据包括在特定电量区间采集到的剩余电量关联信息，所述电量校正模型的训练数据以与所述剩余电量关联信息对应的剩余电量校正值作为标签信息。
本申请另一方面提供一种车辆，包括：车身主体；电池，设置于所述车身主体，用于存储电能；感测装置，与所述电池耦接，用于采集所述电池的剩余电量关联信息；处理器，与所述感测装置耦接，用于处理所述剩余电量关联信息；存储器，其上存储有可执行代码，当可执行代码被处理器执行时，使处理器执行如上述的方法。
本申请另一方面提供一种计算机可读存储介质，其上存储有可执行代码，当可执行代码被电子设备的处理器执行时，使处理器执行如上的方法。
本申请另一方面提供一种计算机程序产品，包括可执行代码，当可执行代码被执行时，实现如上的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请实施例的技术方案，在获得电池的预估剩余电量后，还基于电量校正模型和在特定电量区间采集到的剩余电量关联信息确定剩余电量校正值。这样使得可以基于针对特定电量区间的剩余电量校正值来校正预估剩余电量，便于用户得到针对诸如常用剩余电量区间的精确剩余电量。
在本申请的某些实施例中，利用充满电阶段的预估剩余电量和实际剩余电量之间的差值作为训练数据的标签，提升了训练数据的标签的精确度，有助于提升基于经训练的电量校正模型确定的剩余电量校正值的精准度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细地描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请一实施例示出的可以应用校正剩余电量的方法、车辆及存储介质的一种示例性系统架构；
图2是本申请一实施例示出的车辆、电池的结构示意图；
图3是本申请一实施例示出的校正剩余电量的方法的流程图；
图4是本申请一实施例示出的磷酸铁锂电池的剩余电量和电池电压之间对应关系的示意图；
图5是本申请一实施例示出的SOC/电压的特性曲线的示意图；
图6是本申请一实施例示出的对图5中曲线求差分得到的差分曲线示意图；
图7是本申请一实施例示出的与不同测试温度对应的差分曲线示意图；
图8是本申请一实施例示出的电量校正模型的结构的示意图；
图9是本申请一实施例的校正剩余电量的装置的框图；
图10是本申请另一实施例示出的校正剩余电量的装置的框图；以及
图11是本申请一实施例的车辆的框图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
里程焦虑(range anxiety)，是指乘员乘坐电动汽车时，因担心突然没电引起的精神痛苦或忧虑。里程焦虑是制约电动汽车发展的因素，根本原因是电池的续航里程有限，并且充电时间较长。
剩余电量，是指电池内的可用电量占标称容量的比例，是电池管理系统的一个重要监控数据。电池管理系统根据SOC值控制电池工作状态。电池的剩余电量反映的是电池的荷电状态。
电动汽车行驶里程取决于很多因素，对天气、路面条件、驾驶习惯、乘坐人数的敏感度要比传统汽车大得多。因此，电动汽车一次充电后实际可行驶里程数有很大的不确定性。而驾驶者并不习惯在开始旅程前就要做好诸如路况等各方面的调研，加重了乘员的里程焦虑。
电池电量管理是电池管理的核心内容之一，对于整个电池状态的控制，电动车辆续驶里程的预测和估计具有重要的意义。例如，乘员可以根据剩余电量调整行驶路线、充电方案、行驶速度、空调控制策略等，以确保乘员能到达目的地或者临近的充电桩。
由于动力电池荷电状态(SOC)的非线性、或者剩余电量和电池电压之间对应关系不明显，并且受到多种因素的影响，导致电池电量估计和预测方法复杂，准确估计SOC比较困难。例如，铁锂电池的特性是端电压-SOC曲线(v/q曲线)在30％SOC～80％SOC期间近似为直线，使得较难实现对剩余电量的校正。
相关技术为了校正电池的剩余电量，考虑到电池在高SOC区间和低SOC区间内，SOC随电压变化的趋势比较明显，使用的SOC校正点也位于30％SOC以下阶段和接近满充阶段。由于里程焦虑、电池过放电保护以及充电时长的限制，绝大多数用户使用电动汽车的充放电区间均位于30％SOC～90％SOC之间，这就导致用户在使用电动汽车时几乎无法触发SOC修正策略。随着时间增长，安时积分法的误差将会累积，使得预估SOC的误差会逐渐增大，影响用户体验。
例如，在剩余电量充足时却显示剩余电量有限，导致用户不敢前往目的地或者先前往充电。例如，在剩余电量不足时却显示剩余电量较充足，导致用户未行驶至目的地时已发生电量不足。
本申请实施例利用经训练的电量校正模型处理在特定电量区间采集的剩余电量关联信息，得到剩余电量校正值。使得该剩余电量校正值可以是针对如常用剩余电量区间的校正值，便于用户在常用剩余电量区间对电池的剩余电量进行校正。本申请实施例无需用户把电量耗尽或者充满电等特定操作，即可精准地实现剩余电量校正，改善用户体验。
以下将通过图1至图11对本申请实施例的一种校正剩余电量的方法、车辆及存储介质进行详细描述。
图1是本申请一实施例示出的可以应用校正剩余电量的方法、车辆及存储介质的一种示例性系统架构。需要注意的是，图1所示仅为可以应用本申请实施例的系统架构的示例，以帮助本领域技术人员理解本申请的技术内容，但并不意味着本申请实施例不可以用于其他设备、系统、环境或场景。
参见图1，根据该实施例的系统架构100可以包括移动平台101、102、103，网络104和云端105。网络104用以在移动平台101、102、103和云端105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。移动平台101、102上可以搭载有电池和电池管理系统等，以为移动平台供电。此外，移动平台101、102上还可以设置有感测装置，以实现感测移动平台101、102的周围环境信息，如障碍物信息和车道线信息等。
用户可以使用移动平台101、102、103通过网络104与其他移动平台和云端105进行交互，以接收或发送信息等。如发送模型训练请求、模型参数下载请求和接收经训练的模型参数等。经训练的模型可以对剩余电量关联信息进行处理，得到剩余电量校正值。此外，移动平台101、102还可以通图像识别、点云识别等得到障碍物信息等。移动平台101、102、103可以安装有各种通讯客户端应用，例如，辅助驾驶应用、自动驾驶应用、车机应用、网页浏览器应用、数据库类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等应用等。
移动平台101、102、103包括但不限于汽车、机器人、飞行器、平板电脑、膝上型便携计算机等电子设备。
云端105可以接收模型训练请求、接收模型参数下载请求、调整模型参数进行模型训练、下发模型拓扑结构、下发经训练的模型参数等，还可以发送气象信息、实时交通信息等给移动平台101、102、103。例如，云端105可以为后台管理服务器、服务器集群、车联网等。
需要说明的是，移动平台、网络和云端的服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的移动平台、网络和云端。
图2是本申请一实施例示出的车辆、车载传感器的结构示意图。
参见图2，车辆100可以包括一个或多个如下部件：车身主体110、和电池150。电池150用于给车辆100的用电设备提供电能。电动汽车能源管理系统是能够对电动汽车动力系统能源转换装置的工作能量进行协调、分配和控制的软、硬件系统。能源管理系统的硬件由一系列传感器、控制单元ECU和执行元件等组成，软件系统的功能主要是对传感器的信号进行分析处理，对能源转换装置的工作能量进行优化分析，并向执行元件发出指令。
此外，为了提升乘车体验，还可以提供辅助驾驶或自动驾驶性能。例如，车辆100还可以设置激光雷达(Laser Detecting and Ranging，简称Lidar)120、惯性测量单元(Inertial Measurement Unit，简称IMU)130、拍摄装置140等。Lidar120、IMU 130和拍摄装置140设置于车身主体110上。
例如，激光雷达120可以安装在前保险杠两侧的位置。此外，激光雷达还可以安装在车顶位置或者车前窗上方位置等，在此不做限定。激光雷达120可以包括脉冲激光雷达和连续波激光雷达，可以使用紫外线、可见光或近红外光作为光源。由于激光雷达120能够准确地检测出特定目标与移动平台之间的距离，能有效消除一些因图像误识别造成的交通事故。
例如，拍摄装置140包括摄像头，在光敏器件上对摄像头采集的光信号进行成像，并传输给图像处理器。这样使得可以通过图像识别的方式得到障碍物。
此外，车辆100上还可以设置一个或多个超声波传感器、毫米波雷达等，以提升感知的车辆环境信息的全面性和准确性。例如，超声波传感器可以设置在前后保险杠内部。例如，毫米波雷达可以设置在前后保险杠内部。
以上设备都需要电池150提供电能，以实现特定功能。为了提高电能利用率，防止电池出现过度充电和过度放电的现象，可以由电池管理系统(Battery ManagementSystem，简称BMS)管理电池150。BMS是电动汽车能源管理系统的一个子系统，能达到延长电池的使用寿命，监控电池状态等目的。例如，BMS可以输出剩余电量，以便用户了解电池的当前荷电状态，以便更好地安排出行策略。然而，相关技术输出的剩余电量的精准度有待提升。
以铁锂电池为例，由于铁锂电池的特性是在SOC30％～80％期间的端电压-SOC曲线近似为直线。只有在高SOC区间(如接近满电状态区间)和低SOC区间(如小于30％SOC区间)内，SOC随电压变化的趋势才比较明显。对于铁锂电池，当前车端策略使用的SOC校正点也位于30％SOC以下和满充时。由于里程焦虑以及充电时长的限制，绝大多数用户使用电动汽车的充放电区间均位于[30％SOC，90％SOC]之间，无法触发SOC修正策略。随着时间增长，安时积分法的误差将会累积，使得估计SOC的误差会逐渐增大，影响用户体验。
本申请的某些实施例以电池慢充数据(如充电电流<20A)为基础，使用电量校正模型识别特征点处端电压-SOC曲线变化率(dv/dq)的特征点，对电池当前SOC进行修正，实现了电动汽车的常见充放电区间[30％SOC，90％SOC]对电池的剩余电量进行精准校正。
图3是相关技术示出的容易发生交通事故的一种应用场景。
参见图3，该校正剩余电量的方法可以包括操作S310～操作S320。
在操作S310，获得电池的预估剩余电量，并且获得所述电池的剩余电量校正值，所述预估剩余电量是基于采集的所述电池的剩余电量关联信息和/或安时积分法来确定的。
在本实施例中，剩余电量关联信息包括但不限于：电压、电流、充放速率、自放电率、电芯电压均一性、电压电量比值、电压电量比值曲线变化率等中至少一种。
例如，在电池的使用过程中，当电池剩余电量不同的时候，对外表现的电压是不一样的。以某种三元的电芯为例，当电池充满电的时候，电压是4.2v，而当电池电量放光的时候，电压则降到2.7v左右。这样就可以基于电池的开路电压来表征电池的剩余电量。具体地，可以通过测量电池两端的电压，来近似的得到电池的剩余电量。这种方法简单但是精准度有待提升。如锂电池在放电过程中，剩余电量的多少和电压的关系并不是线性的，如三元电池能够较长时间工作在3.6v。
在某些实施例中，可以结合安时积分提升预估剩余电量的准确度。其中，安时积分是把电流在时间上进行积分。安是电流大小的单位，全称为安培。根据欧姆定律可知，在纯电阻回路中，电流的大小等于电压与电阻的比值。安时积分法，是用一个元器件一直测量回路电流的大小，实时测试(如每隔数毫秒测量一次)，每个时刻的电流大小已知。这样能计算出整个使用过程的消耗电量、充进电量，再加上原剩余电量，即可得到当前剩余电量，如其计算公式可以为：当前剩余电量＝原剩余电量-消耗电量+充进电量。其中，消耗电量SOC消耗的计算公式可以如式(1)所示。
SOC消耗＝(Inow×t)/ Cmax 式(1)
其中，Inow是当前电流，t是时间，SOC消耗是电池容量(单位为Ah)。
需要说明的是，电池充电和放电的影响因素很多，充入20％额定电量不等于可以放出20％额定电量。比如其中一个非常明显的影响因素就是温度，常温下充满了电，低温下可能放出的电量就会打折。这是因为低温下化学物质活性低，化学反应进行的速度慢，强度低。以上多种原因导致预估剩余电量不准确。
在某些实施例中，可以从SOC系统获取预估剩余电量。如上所示，由于安时积分法仍然存在问题，还需要进一步对该预估剩余电量进行校正。例如，上述安时计算过程总的消耗电量大小并不是连续计量的，而是隔着时间段的，虽然是毫秒间隔，但是时间久了还是会累计起较大的误差。一种解决办法就是电池的电量耗尽或者电池充满电时进行校准。即当电池电量满充时，即便SOC等按照安时积分法确定当前剩余电量为95％时，也将电量校准到100％；或者，当电池电量耗尽时，即便安时积分法输出的剩余电量为3％时，也将电量校准到0％。
例如，相关技术中的车端策略使用的SOC校正点也位于30％SOC以下和满充时。由于里程焦虑、过放电保护(20％SOC以下可能对电池寿命有影响)以及充电时长(直流快充从30％SOC～80％SOC需要约30分钟；为了保护电池，80％SOC以上会限制充电电流，导致从30％SOC～100％SOC需要约70分钟，部分用户不愿意等到完全充满电)的限制。由于以上多种原因，绝大多数用户使用电动汽车的充放电区间均位于30％SOC至90％SOC之间，无法触发SOC修正策略。随着时间增长，安时积分法的误差将会累积，使得估计SOC的误差会逐渐增大，影响用户体验。
为了实现在常用充放电区间对预估剩余电量进行校正，本实施例中还获得了电池的剩余电量校正值，该剩余电量校正值是经训练的电量校正模型处理输入数据后得到的校正值，所述输入数据包括在特定电量区间采集到的剩余电量关联信息，所述电量校正模型的训练数据以与所述剩余电量关联信息对应的剩余电量校正值作为标签信息。
其中，电量校正模型的种类包括但不限于：线性回归(Linear Regression)、逻辑回归(Logistic Regression)、决策树(Decision Trees)、Naive Bayes(贝叶斯)、K临近(K-Nearest Neighbors)、支持向量机(Support Vector Machines)、随机决策森林(RandomDecision Forests or Bagging)、神经网络(Neural Networks)等。
以神经网络作为电量校正模型为例，其输出结果的精准度受到网络拓扑结构、训练数据(输入数据种类、剩余电量区间、标签质量)、损失函数、设备计算能力等的影响。卷积神经网络(CNN)是一种图像特征提取算法。随着网络的加深，通过卷积层-池化层的交替使用，该算法可以逐步提取低维特征和全局图像特征，进而达到分类的目的。
卷积神经网络的核心在于卷积核。卷积核可以类比为一个滤波器。其与滤波器最大的不同在于：滤波器的参数是已知的，是根据前人的经验使用一阶/二阶差分等方法定义的；而卷积核的参数是未知的，是通过神经网络的反向传播算法训练出来的。电量校正模型的输入数据包括在特定电量区间采集到的剩余电量关联信息，该剩余电量关联信息具有标签信息。该标签信息表征剩余电量校正值。这样使得经训练的电量校正模型处理输入的剩余电量关联信息后，可以输出对应的剩余电量校正值。
在操作S320，利用所述剩余电量校正值校正所述预估剩余电量。
在本实施例中，在得到电池的预估剩余电量和对应的剩余电量校正值之后，可以利用剩余电量校正值校正所述预估剩余电量。例如，可以将预估剩余电量和剩余电量校正值(可以为正数、零或者负数)相加，得到校正后的剩余电量。
本实施例中，由于剩余电量校正值是针对特定电量区间(如常用剩余电量区间)的校正值，使得可以实现在特定电量区间内对剩余电量进行校正，而非只能在电量用尽、低电量或者充满电时才能校正剩余电量，用户可以在特定电量区间内得到精准的剩余电量，提升用户体验。
在某些实施例中，为了提升校准结果的精准度，在识别到特征点时进行剩余电量校正。
具体地，所述利用所述剩余电量校正值校正所述预估剩余电量可以包括如下操作：在所述电池充电过程中，如果所述预估剩余电量达到剩余电量特征点，则利用所述剩余电量校正值校正所述预估剩余电量，所述剩余电量特征点是根据电压电量比值特征点来确定的。
图4是本申请一实施例示出的磷酸铁锂电池的剩余电量和电池电压之间对应关系的示意图。
参见图4，由于磷酸铁锂电池的特性，电压和剩余电量之间对应关系不够显著，如采集的电压发生小波动时，电池的剩余电量发生剧烈波动。为了解决该问题，本实施例中获取了电压电量比值。
在某些实施例中，为了提升电量校正模型输出校正值的精准度，可以对模型的适用场景进行更细致地限定，如更适用于慢充场景中。具体地，所述电池的充电电流小于特定充电电流阈值，所述电池在所述特定充电电流阈值下的特定最大值和特定最小值之间的波动幅度超过预设波动幅度；其中，所述特定最大值为所述预估剩余电量在特定电量区间内的电压电量比值的差分运算结果的最大值，所述特定最小值为所述预估剩余电量在特定电量区间内的电压电量比值的差分运算结果的最小值。例如，特定充电电流阈值可以是通过标定等方式来确定的。特定最大值和特定最小值之间的波动幅度越大，则特征越明显，便于提取更显著的特征。预设波动幅度可以基于专家经验、标定等方式来确定的，如特定最大值和特定最小值的比值超过30％、40％、60％、80％、100％、150％或者300％等。
图5是本申请一实施例示出的SOC/电压的特性曲线的示意图。
参见图5，相对于图4中常用剩余电量区间内近乎水平的曲线，图5中常用剩余电量区间内的曲线的变化率有了明显波动，这就为提升模型预测结果精准度提供了较好的基础。
在SOC30％SOC～80％SOC期间，端电压-SOC曲线除了在60％SOC附近存在一个相对变化较为明显的区域，其他区域近似为直线。此外，只有在高SOC区间和低SOC区间内，SOC随电压变化的趋势才比较明显，而低SOC区间不属于用户常用电量区间。
参见图5，以较小倍率电流向铁锂磷电池(LFP)充电时，铁锂电池的SOC-电压曲线如图所示(按每0.5％SOC离散化)，在60％SOC左右时，电压变化率较前后出现明显变化。如最高电压(voltmax)和最低电压(voltmin)都出现明显变化。
为了进一步使得特征点更加明显，本实施例中还可以对SOC/电压的特性曲线进行差分运算，以确定剩余电量特征点。
具体地，上述方法还可以包括如下操作。
首先，获得所述电池在充电过程中的电压电量比值数据。
然后，对所述电压电量比值数据进行差分运算，以提取所述电压电量比值数据的特征点。具体地，可以将电压电量比值数据以曲线形式进行表示，然后，对该曲线求差分：dv/dq＝(vt-vt-1)/(qt-qt-1)。参见图6，电池电压最大值差分结果(dv/dq_cellvoltmax)和电池电压最小值差分结果(dv/dq_cellvoltmin)都出现明显特征峰。
接着，确定与所述电压电量比值数据的特征点对应的当前剩余电量，并且将所述当前剩余电量作为所述剩余电量特征点。
在一个具体实施例中，所述电池包括铁元素和锂元素。相应地，所述剩余电量特征点的取值范围包括60％×充满电量±10％×充满电量。由于铁锂电池的特性，在SOC30％SOC～80％SOC期间，端电压-SOC曲线除了在60％SOC附近存在一个相对变化较为明显的区域。例如，剩余电量特征点为55％SOC、58％SOC、60％SOC、62％SOC、65％SOC等。图5是本申请一实施例示出的SOC/电压的特性曲线的示意图。
请一并参见图5和图6，通过对图5所示的曲线求差分：dv/dq，得到如图6所示的曲线。从图5可以看出，60％SOC处有非常明显的峰值特征点，可以以60％SOC附近为剩余电量特征点。这对于提升剩余电量校正值的精准度非常有帮助。
需要说明的是，本实施例能够很好地适用于多种不同温度场景，即在不同温度下都能较好地确定剩余电量特征点。图7是本申请一实施例示出的与不同测试温度对应的差分曲线示意图。
参见图7，虽然在不同温度下，经差分运算的端电压-SOC曲线不重合，但是，剩余电量特征点(如60％SOC)的位置很稳定，使得在对剩余电量进行校正时可以很好地找到稳定的剩余电量特征点，有助于提升校正后的剩余电量的精准度。
在一个具体实施例中，对于铁锂电池，在以电池慢充数据(充电电流<20A)为基础，使用卷积神经网络(CNN)识别60％SOC处端电压-SOC曲线变化率较大的点，对电池当前SOC进行修正。
相对于相关技术使用的SOC校正点也位于30％SOC以下和接近满充时，能触发的几率有限，本实施例通过识别小倍率充电过程中60％SOC附近dv/dq曲线的特征变化，校正当前SOC，覆盖率大大提升，并且有效提升校正精准度。
此外，相对于相关技术中BMS内部参数和策略固化，本实施例利用电池(包)的历史数据，经过大数据建模，既可以对单次的随机误差产生的跳动进行消除，又可以对SOC不准的电池进行校正。
为了更好地理解本申请的技术方案，以下对电量校正模型的相关信息(如训练数据、训练方式、拓扑结构等)进行示例性说明。
在某些实施例中，可以通过如下方式得到高质量的训练数据。具体地，上述方法还包括获得所述训练数据。
具体地，所述获得所述训练数据可以包括如下操作。首先，获得所述预估剩余电量在特定电量区间内采集到的剩余电量关联信息。例如，特定电量区间为30％SOC～90％SOC，则当预估剩余电量在该区间时，采集剩余电量关联信息。如从电池管理系统读取电池电压、电流、电压电量比值、电芯电压均匀性等信息，如通过传感器采集电池电压、电流等信息。
然后，获得充满电时的预估剩余电量和实际剩余电量之间的差值。例如，当电量充满是获得的预估剩余电量和实际剩余电量之间的差值。接着，将所述差值作为所述剩余电量关联信息的标签信息。
标签信息可以定义如下：作为一种监督学习算法，神经网络需要在已知输入和输出的情况下进行建模。模型的输入为电压，电流，温度等特征，输出(可以作为标签label)为当前观测SOC与真实SOC之间的差值，如式(2)所示。
label ＝ |SOCBMS - SOCreal| 式(2)
其中，预估剩余电量(SOCBMS)可以由BMS观测或记录。真实SOC(SOCreal)无法直接被BMS观测或记录，可以通过标定、检测等方式来确定。例如，将电池包自动充电结束时的剩余电量记录为100％SOC。
在某些实施例中，所述获得充满电时的预估剩余电量和实际剩余电量之间的差值可以包括如下操作。
例如，如果所述预估剩余电量达到100％，且所述电池在充电中状态，则获得自当前时刻起，直至所述电池中的电压最高的电芯到充电截止电压期间的充电电量，将所述充电电量作为所述预估剩余电量和所述实际剩余电量之间的差值。
例如，如果所述预估剩余电量未达到100％，且所述电池在充电完成状态，则将充满电量与所述预估剩余电量之间的差值，作为所述预估剩余电量和所述实际剩余电量之间的差值。
在一个具体实施例中，在电池充满电时，SOC无疑是最准确的，因此本实施例中可以取满充的前一刻作为标签。
基于当前的SOC系统策略，若SOCBMS与SOCreal相差不大，则接近满充时，SOCBMS应接近匀速地上升到100％，而若SOCBMS与SOCreal相差较大，则可能发生以下两种情况：
1.SOCBMS立刻从较低SOC跳至100％。这种情况可以认为BMS发出来的SOC虚低，即SOCBMS＜SOCreal，导致满充的前一刻，最高电芯已达到截止电压，充电必须结束，SOCBMS强行跳到100％SOC。
2.SOCBMS在98.9％SOC处继续充电较长一段时间后才跳至100％。这种情况可以认为BMS发出来的SOC虚高，即SOCBMS＞SOCreal，导致SOCBMS在高SOC区段停留并不断充电，直至最高电芯到达截止电压。
由于在不丢数据的情况下，单次充电造成的误差可以忽略不计。因此该算法旨在对每一个满充的充电段，观察充电末端SOCBMS与SOCreal的差值，将其作为标签。通过以上方式得到了标签信息(训练数据和测试数据的标签信息)，以便基于标签进行模型训练和模型测试。
以下对模型拓扑结构和输入数据等进行示例性说明。
在某些实施例中，所述电量校正模型可以是卷积神经网络，具体可以包括：依序串联的输入层、至少一个卷积对和至少一层全连接层，每个卷积对包括串联的卷积层和池化层。卷积神经网络随着网络的加深，通过下采样(具体使用交替的卷积层-池化层)，可以逐步提取低维特征和全局特征，进而达到分类的目的。电量校正模型的核心在于卷积核。卷积核的参数是未知的，是通过神经网络的反向传播算法训练出来的。
图8是本申请一实施例示出的电量校正模型的结构的示意图。参见图8，该电量校正模型为卷积神经网络，包括输入层、三个卷积对、两个全连接层和输出层。例如，卷积核个数，卷积层数，全连接层数，全连接层中的节点数量是模型训练中主要调整的模型参数。
例如，所述输入层的输入数据包括：充入电量、预估剩余电量、最高单体电压、压差、最高电压电芯的电压电量比值、最低电压电芯的电压电量比值或者电芯的电压电量比值一致性中至少一种。例如，卷积神经网络输入为：充入电量q，电池的剩余电量SOC，最高单体电压，压差，最高电压电芯的dv/dq值，最低电压电芯的dv/dq值。以上6个变量均按照每0.5％SOC取平均值，SOC范围可以为[50％，75％]、[30％，90％]、[40％，80％]等。本实施例中，考虑到电池包中有多个电芯，且整包SOC计算实际上使用的是最高电芯和最低电芯SOC的加权，使用最高和最低的dv/dq可以考虑电池包的整体情况，能够有效增加算法精度。此外，最高电压电芯的dv/dq值、最低电压电芯的dv/dq值还可以扩展成为计算电芯一致性，如分别求出最高电芯的SOC和最低电芯的SOC，来评价一致性。
例如，可以使用50％SOC～75％SOC区间的充电数据作为输入，每0.5％SOC离散一次。从覆盖率来说，本实施例能覆盖的充电段包括了用户常用剩余电量范围，有效改善了部分用户不会将电池电量放到30％以下导致的无法激活剩余电量校正流程的问题。电量位于50％SOC～75％SOC是非常常见的，使得用户可以在常用剩余电量范围能精确的得知当前剩余电量。
需要说明的是，本申请的技术方案可以适用于服务器端和/或车端。
图9是本申请一实施例的校正剩余电量的装置的框图。参见图9，该校正剩余电量的装置900可以包括服务器端910和车端920。其中，服务器端910和车端920之间通信连接。
以上述方法适用于服务器端910为例，可以由服务器端910利用电量校正模型确定剩余电量校正值，以便车端920基于接收的剩余电量校正值来校正剩余电量。具体地，上述方法还可以包括如下操作。
首先，接收来自车端的所述输入数据，以利用经训练的电量校正模型处理所述输入数据，得到所述剩余电量校正值。其中，车端可以从BMS获取上述输入数据，并发送给服务器端。电量校正模型的训练方式可以参考上述相关部分内容。
然后，将所述剩余电量校正值发送给所述车端，以便所述车端利用所述剩余电量校正值校正所述预估剩余电量。这样使得车端无需消耗大量算力来计算剩余电量校正值，降低车端硬件成本。
以上述方法适用于车端920为例，可以由服务器端910训练电量校正模型，车端920从服务器端910下载模型拓扑结构和模型参数等，以便在本地计算剩余电量校正值。具体地，上述方法还可以包括如下操作。
首先，至少接收来自服务器端的经训练的电量校正模型的模型拓扑信息和/或模型参数信息。需要说明的是，如果服务器端没有更新模型，则无需下载模型拓扑信息和/或模型参数信息。
然后，基于所述模型拓扑信息和/或模型参数信息构建所述电量校正模型。
相应地，所述获得所述电池的剩余电量校正值包括：所述车端利用所述电量校正模型处理所述输入数据后得到所述剩余电量校正值。
本实施提供的校正剩余电量的方法可以采用多种部署方式，有助于满足市场多种多样的需求。
本实施例在校正电池的剩余电量时，无需对电池进行过放电或者过充电。对于蓄电池而言，过充电和过放电都可能对蓄电池造成永久性的损害，严重缩短电池的使用寿命。校正后的剩余电量更加准确，便于整车控制策略可以将SOC控制在一定的范围之内(如20％电量～80％电量)，起到防止对电池过充电或过放电的作用，从而保证电池的正常使用，延长电池的使用寿命。
本申请的另一方面还提供了一种校正剩余电量装置的框图。
图10是本申请另一实施例示出的校正剩余电量的装置的框图。
参见图10，该校正剩余电量的装置1000可以包括：信息获得模块1010和电量校正模块1020。
其中，信息获得模块1010用于获得电池的预估剩余电量，并且获得所述电池的剩余电量校正值，所述预估剩余电量是基于采集的所述电池的剩余电量关联信息和/或安时积分法来确定的。
电量校正模块1020用于利用所述剩余电量校正值校正所述预估剩余电量；其中，所述剩余电量校正值是经训练的电量校正模型处理输入数据后得到的校正值，所述输入数据包括在特定电量区间采集到的剩余电量关联信息，所述电量校正模型的训练数据以与所述剩余电量关联信息对应的剩余电量校正值作为标签信息。
此外，校正剩余电量的装置1000还可以包括：模型训练模块、标签信息获得模块等，具体参考如上相关部分内容。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
本申请的另一方面还提供了一种车辆。
图11是本申请一实施例的车辆的框图。
参见图11，车辆1100包括车身主体、存储器1110、处理器1120、感测装置1130和电池1140。
存储器1110可以包括各种类型的存储单元，例如系统内存、只读存储器(ROM)和永久存储装置。其中，ROM可以存储处理器1120或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。系统内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。系统内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器1110可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(例如DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器1110可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等)、磁性软盘等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
处理器1120可以是中央处理单元(Central Processing Unit，简称CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。处理器与至少两个激光雷达耦接，至少用于接收来自激光雷达的点云。
存储器1110上存储有可执行代码，当可执行代码被处理器1120处理时，可以使处理器1120执行上文述及的方法中的部分或全部。
感测装置1130与所述电池耦接，用于采集所述电池的剩余电量关联信息和环境信息等。例如，感测装置1130可以包括传感器、拍摄装置等，设置于车身内部、顶部或者车身前端等。例如，传感器包括温度传感器、电流传感器、电压传感器等。例如，拍摄装置可以包括机体、镜头和感光材料。此外，还可以包括光圈、快门、测距、取景、测光、输片、计数、自拍、对焦、变焦等系统。
此外，车辆1100还可以包括激光雷达1130。激光雷达1130可以设置一个或者多个。例如，至少两个激光雷达1130分别设置于车身主体的至少两个位置，分别用于采集点云。例如，一个激光雷达1130设置在车身主体的前端的左侧，一个激光雷达1130设置在车身主体的前端的右侧。例如，一个激光雷达1130设置在车身主体的前端的左侧，一个激光雷达1130设置在车身主体的前端的右侧，一个激光雷达1130设置在车身主体的前挡风玻璃的上方，或者设置在车顶的上方。
可以理解的，如果无特别说明，在本申请各个实施例中的各功能单元/模块可以集成在一个单元/模块中，也可以是各个单元/模块单独物理存在，也可以两个或两个以上单元/模块集成在一起。上述集成的单元/模块既可以采用硬件的形式实现，也可以采用软件程序模块的形式实现。
集成的单元/模块如果以硬件的形式实现时，该硬件可以是数字电路，模拟电路等等。硬件结构的物理实现包括但不局限于晶体管，忆阻器等等。如果无特别说明，人工智能处理器可以是任何适当的硬件处理器，比如CPU、GPU、FPGA、DSP和ASIC等等。如果无特别说明，存储模块可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器(Resistive Random Access Memory，简称RRAM)、动态随机存取存储器(Dynamic RandomAccess Memory，简称DRAM)、静态随机存取存储器(Static Random-Access Memory，简称SRAM)、增强动态随机存取存储器(Enhanced Dynamic Random Access Memory，简称EDRAM)、高带宽内存(High-Bandwidth Memory，简称HBM)、或者混合存储立方(HybridMemory Cube，简称HMC)等等。
集成的单元/模块如果以软件程序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器中。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全部或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器中，包括如果干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
在一种可能的实现方式中，还公开了一种板卡，其包括存储器件、接口装置和控制器件以及上述处理器；其中，处理器与存储器件、控制器件以及接口装置分别连接；存储器件用于存储数据；接口装置用于实现处理器与外部设备之间的数据传输；控制器件用于对处理器的状态进行监控。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种计算机可读存储介质(或非暂时性机器可读存储介质或机器可读存储介质)，其上存储有可执行代码(或计算机程序或计算机指令代码)，当可执行代码(或计算机程序或计算机指令代码)被电子设备(或服务器等)的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其他普通技术人员能理解本文披露的各实施例。

Claims (12)

1.一种校正剩余电量的方法，其特征在于，包括：
获得电池的预估剩余电量，并且获得所述电池的剩余电量校正值，所述预估剩余电量是基于采集的所述电池的剩余电量关联信息和/或安时积分法来确定的；
利用所述剩余电量校正值校正所述预估剩余电量；
其中，所述剩余电量校正值是经训练的电量校正模型处理输入数据后得到的校正值，所述输入数据包括在特定电量区间采集到的剩余电量关联信息，所述电量校正模型的训练数据以与所述剩余电量关联信息对应的剩余电量校正值作为标签信息。
2.如权利要求1所述的方法，其特征在于，还包括：获得所述训练数据；
所述获得所述训练数据，包括：
获得所述预估剩余电量在所述特定电量区间时采集到的剩余电量关联信息；
获得充满电时的预估剩余电量和实际剩余电量之间的差值；
将所述差值作为所述剩余电量关联信息的标签信息。
3.如权利要求2所述的方法，其特征在于，所述获得充满电时的预估剩余电量和实际剩余电量之间的差值，包括：
如果所述预估剩余电量达到100％，且所述电池在充电中状态，则获得自当前时刻起，直至所述电池中的电压最高的电芯到充电截止电压期间的充电电量，将所述充电电量作为所述预估剩余电量和所述实际剩余电量之间的差值；
如果所述预估剩余电量未达到100％，且所述电池在充电完成状态，则将充满电量与所述预估剩余电量之间的差值，作为所述预估剩余电量和所述实际剩余电量之间的差值。
4.如权利要求1所述的方法，其特征在于，所述电量校正模型包括：依序串联的输入层、至少一对卷积对和至少一层全连接层，每个卷积对包括串联的卷积层和池化层；所述输入层的输入数据包括：充入电量、预估剩余电量、最高单体电压、压差、最高电压电芯的电压电量比值、最低电压电芯的电压电量比值或者电芯的电压电量比值一致性中至少一种。
5.如权利要求1所述的方法，其特征在于，所述利用所述剩余电量校正值校正所述预估剩余电量，包括：
在所述电池充电过程中，如果所述预估剩余电量达到剩余电量特征点，则利用所述剩余电量校正值校正所述预估剩余电量，所述剩余电量特征点是根据电压电量比值的特征点来确定的。
6.如权利要求5所述的方法，其特征在于，还包括：
获得所述电池在充电过程中的电压电量比值数据；
对所述电压电量比值数据进行差分运算，以提取所述电压电量比值数据的特征点；
确定与所述电压电量比值数据的特征点对应的当前剩余电量，并且将所述当前剩余电量作为所述剩余电量特征点。
7.如权利要求5所述的方法，其特征在于，所述电池包括铁元素和锂元素；
所述剩余电量特征点的取值范围包括60％×充满电量±10％×充满电量。
8.如权利要求1至7任一项所述的方法，其特征在于，所述电池的充电电流小于特定充电电流阈值，所述电池在所述特定充电电流阈值下的特定最大值和特定最小值之间的波动幅度超过预设波动幅度；其中，所述特定最大值为所述预估剩余电量在特定电量区间内的电压电量比值的差分运算结果的最大值，所述特定最小值为所述预估剩余电量在特定电量区间内的电压电量比值的差分运算结果的最小值。
9.如权利要求1至7任一项所述的方法，其特征在于，所述方法适用于服务器端；
所述方法还包括：
接收来自车端的所述输入数据，以利用经训练的电量校正模型处理所述输入数据，得到所述剩余电量校正值；
将所述剩余电量校正值发送给所述车端，以便所述车端利用所述剩余电量校正值校正所述预估剩余电量。
10.如权利要求1至7任一项所述的方法，其特征在于，所述方法适用于车端；
所述方法还包括：
至少接收来自服务器端的经训练的电量校正模型的模型拓扑信息和/或模型参数信息；
基于所述模型拓扑信息和/或模型参数信息构建所述电量校正模型；
所述获得所述电池的剩余电量校正值包括：所述车端利用所述电量校正模型处理所述输入数据后得到所述剩余电量校正值。
11.一种车辆，其特征在于，包括：
车身主体；
电池，设置于所述车身主体，用于存储电能；
感测装置，与所述电池耦接，用于采集所述电池的剩余电量关联信息；
处理器，与所述感测装置耦接，用于处理所述剩余电量关联信息；
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如权利要求1-10任一项所述的方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序代码，所述程序代码可被处理器调用执行如权利要求1-10任一项所述的方法。
CN202310201826.3A 2023-03-03 2023-03-03 校正剩余电量的方法、车辆及存储介质 Pending CN116359775A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310201826.3A CN116359775A (zh) 2023-03-03 2023-03-03 校正剩余电量的方法、车辆及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310201826.3A CN116359775A (zh) 2023-03-03 2023-03-03 校正剩余电量的方法、车辆及存储介质

Publications (1)

Publication Number Publication Date
CN116359775A true CN116359775A (zh) 2023-06-30

Family

ID=86938755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310201826.3A Pending CN116359775A (zh) 2023-03-03 2023-03-03 校正剩余电量的方法、车辆及存储介质

Country Status (1)

Country Link
CN (1) CN116359775A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116979662A (zh) * 2023-09-22 2023-10-31 山东领傲电子科技有限公司 一种充电机充电异常检测系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116979662A (zh) * 2023-09-22 2023-10-31 山东领傲电子科技有限公司 一种充电机充电异常检测系统
CN116979662B (zh) * 2023-09-22 2023-12-19 山东领傲电子科技有限公司 一种充电机充电异常检测系统

Similar Documents

Publication Publication Date Title
CN112703125B (zh) 一种锂电池的析锂检测方法及装置
CN111273180B (zh) 一种锂电池的析锂检测方法及装置
US11038214B2 (en) Systems and methods of managing battery cell degradation
KR20180128961A (ko) 다수의 옵저버를 갖는 배터리 관리 시스템
US10471847B1 (en) Multi-particle reduced order Li-ion battery controller
CN110542866B (zh) 一种预估电池剩余电量参数的方法
US10048320B2 (en) Systems and methods for estimating battery system power capability
KR100901252B1 (ko) 슬라이딩 모드 관측기를 이용한 ２차 전지 ｓｏｃ 예측방법 및 장치
WO2018127645A1 (fr) Procede d&#39;optmisation de la consommation energetique d&#39;un vehicule hybride
CN116359775A (zh) 校正剩余电量的方法、车辆及存储介质
US20200033420A1 (en) Apparatus and method for estimating soc of battery
EP3756937B1 (en) Apparatus and method for estimating soc
CN116512976A (zh) 一种续航里程的估算方法、装置、电子设备及存储介质
CN115219939A (zh) 电池温度预测方法、装置、车辆和存储介质
Adedeji et al. A feedforward deep neural network for predicting the state-of-charge of lithium-ion battery in electric vehicles
US20210129683A1 (en) Power source system and management device
US10449861B1 (en) Vehicle battery controller based on a reduced order model
CN117368726A (zh) 一种确定电池剩余电量的方法、装置及存储介质
Xavier et al. A model-based approach for correcting state of charge drift in hybrid electric vehicles
US11762032B2 (en) Diagnosis method of battery, diagnosis device of battery, diagnosis system of battery, battery-mounted device, and non-transitory storage medium
US20230275450A1 (en) Management method, management device and management system of secondary battery, battery-mounted device and non-transitory storage medium
Javid Contribution to the state of charge estimation and the optimised management of a Li-ion battery: application for the electric vehicles
CN116774046A (zh) 电池安全状态监测方法、装置、计算机设备、存储介质
FR3130038A1 (fr) Procede de determination et de recalage de l’etat de charge des batteries d’un vehicule hybride
Navyasri et al. Smart Controller IoT based for Electric Vehicles

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230927

Address after: No. 33, Longhu Avenue, High-tech Zone, Zhaoqing City, Guangdong Province, 526238

Applicant after: ZHAOQING XIAOPENG AUTOMOBILE Co.,Ltd.

Address before: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province

Applicant before: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd.