CN116388343B - 基于充电控制器软件数据的充电负荷预测方法 - Google Patents

Abstract

本发明涉及用于预测用途的数据处理技术领域，具体涉及基于充电控制器软件数据的充电负荷预测方法，包括：分析初始电量以及当前充电状态，获取充电特征趋势，根据各电池组在时序上充电趋势波动判断当前时刻的充电状态转变必要性Z，综合获得更新卡尔曼滤波增益。本发明能够根据多个电池单元充电过程中产生的充电电压的变化情况对卡尔曼增益进行实时调节，避免了当历史数据较少时卡尔曼增益数值不理想，导致预测数据的准确性不足的问题，提高了充电负荷的预测准确性，利用预测结果有效保护了充电过程中电池模组的电路，避免因过充导致电池寿命减少的问题。

Description

基于充电控制器软件数据的充电负荷预测方法

技术领域

本发明涉及用于预测用途的数据处理技术领域，具体涉及基于充电控制器软件数据的充电负荷预测方法。

背景技术

充电场景中，所充电设备的电池模组中存在多个电池单元，进行充电时需要由控制单元对充电电压进行调节，进而平衡各电池单元之间的电量，最大化发挥电池模组性能的同时，根据充电情况及时转变电压强度进行充电，防止高电压过充，以平衡电池模组中各电池单元的寿命。

通常为了及时转变充电电压，需要根据当前的充电电压进行预测，获取下一时刻可能出现的充电电压，在数据预测的具体方法中，通常利用现有的卡尔曼滤波对充电电压进行预测，卡尔曼滤波通过当前的充电电压测量值预测下一时刻的预测值的过程中，由于各组电池的充电量不同，导致部分电池组组已经由高压充电转变为低电压的涓流充电，而部分组仍在高压充电，两种充电状态的充电参数差异较大，对预测值的误差影响较大，需要综合不同充电状态与电池单元的充电电压相关特征的波动变化情况对卡尔曼滤波算法中的卡尔曼增益进行调节优化，以更准确地预测充电电压数据。

发明内容

本发明提供基于充电控制器软件数据的充电负荷预测方法，以解决现有的问题。

本发明的基于充电控制器软件数据的充电负荷预测方法采用如下技术方案：

本发明提供了基于充电控制器软件数据的充电负荷预测方法，该方法包括以下步骤：

获取电池模组中电池单元在充电过程中每一时刻下的充电电压和温度数据；

根据电池单元在充电过程中当前时刻的充电电压与预设完成电压之间的差异，获得第一差异，根据电池单元充电过程中当前时刻的温度与前一时刻的温度之间的差异与第一差异获得第一趋势因子；根据当前时刻电池单元的温度与预设电池充电最佳温度之间的差异，获得第二差异，根据当前时刻电池单元的充电电压与前一时刻的充电电压之间的差异与第二差异获得第二趋势因子；根据第一趋势因子和第二趋势因子的融合获得电池单元的充电趋势特征；

根据任意电池单元的充电趋势特征与所有电池单元的平均充电趋势特征之间的平均差异获得所有电池单元所对应电池模组的高压充电的需求特征；

对所有电池单元对应的充电趋势特征，按照从大到小的顺序进行排列，获取排列后序列对应的前向差分序列中的最大值，记为差分最大值；根据高压充电的需求特征对充电趋势特征和差分最大值的均值进行调节，获得对电池模组的充电状态的转变必要性；

获取每一时刻下的充电电压数据对应的卡尔曼增益，利用对电池模组的充电状态的转变必要性对卡尔曼增益进行调节，根据调节后的卡尔曼增益结合卡尔曼滤波算法对各电池单元的充电电压进行预测，获得充电电压预测结果。

进一步的，所述充电趋势特征，获取方法如下：

获取电池单元对应的充电趋势特征：

其中，表示第i个电池单元在充电过程中第t时刻对应的充电趋势特征，表示 第i个电池单元第t时刻的温度；表示第i个电池单元第t-1时刻的温度；表示第i个 电池单元第t时刻的充电电压；表示第i个电池单元第t-1时刻的充电电压；表示电池 单元的完成充电电压；表示电池单元的充电最佳温度；表示避免分母为0的预设参数。

进一步的，所述高压充电的需求特征，获取方法如下：

其中，表示第t时刻下电池模组的高压充电的需求特征，表示第i个电池单元 在充电过程中第t时刻对应的充电趋势特征；表示所有电池单元在充电过程中第t时刻对 应的平均充电趋势特征；I表示电池模组中包含的电池单元的总数量；表示第t时刻下 所有电池单元的充电趋势特征的方差。

进一步的，所述对电池模组的充电状态的转变必要性，获取方法如下：

其中，表示第t时刻对电池模组的充电状态的转变必要性；表示第t时刻下电 池模组的高压充电的需求特征；表示所有电池单元的充电趋势特征中的最大值；表示 差分最大值；avg()表示获取括号内所有数值的平均值；sigmoid()函数表示利用sigmoid 归一化方法，对括号内的数值进行归一化处理。

进一步的，所述根据调节后的卡尔曼增益结合卡尔曼滤波算法对各电池单元的充电电压进行预测，获得充电电压预测结果，包括的具体步骤如下：

首先，利用对电池模组的充电状态的转变必要性对所获取的卡尔曼增益进行乘积，获得对应时刻下调节后的卡尔曼增益；

然后，利用调节后的卡尔曼增益，根据卡尔曼滤波算法对电池模组中各电池单元的充电电压进行预测，获取下一时刻可能的充电电压，即获得充电电压预测结果的数据。

本发明的技术方案的有益效果是：能够根据电池在充电过程中，产生的电压波动以及多组电池组之间反馈的电压数据的异常情况对卡尔曼增益进行加权判断，相比利用传统的卡尔曼滤波算法直接根据较少的历史值进行下一时刻预测值的确定，参照的历史值带有的数据经验较少，避免了导致增益判断准确性不足的缺陷，提高了对充电负荷的预测准确性，更好的保护了充电电池，延长了电池的使用寿命。

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为本发明基于充电控制器软件数据的充电负荷预测方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于充电控制器软件数据的充电负荷预测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于充电控制器软件数据的充电负荷预测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于充电控制器软件数据的充电负荷预测方法的步骤流程图，该方法包括以下步骤：

步骤S001，通过控制器中电压表和温度传感器采集所充电设备的电池模组中各电池单元的充电电压以及温度数据。

目前新能源汽车中的电池模组有若干个电池单元进行串联和并联组成；

利用与电池模组相连接的控制器中的电压表实时采集电池模组中各电池单元在充电过程中，各电池单元对应的电压数据，同时利用电池模组内的温度传感器获取电池单元在充电过程中的温度数据。

步骤S002，根据电池单元的充电电压以及温度在当前时刻与上一时刻之间的差异进行分析，获取各电池单元的充电趋势特征。

电池所剩余的初始电压不相同，而电池的损耗程度也不完全相同，导致了不同电池占有不同大小的输入电压。最终各电池的充电速率不相同。

电池在充电时，负极发生还原反应，不断吸收电子，产生正负极的电势差，电压升高。

因此充电过程可以视为电子团从正极移动到负极，而高输入电压带来较强的外部电势差，令电子团移动速度加快，使充电速度得到提升。

需要说明的是，本实施例中所述的当前时刻即为第t时刻，前一时刻即为第t-1时刻，下一时刻为第t+1时刻。

将第i个电池单元第t时刻的充电电压记为，将预设电池单元充电完成时的电 压记为完成充电电压；而充电过程中，由于电流的热效应，伴随电流经过电池产生热量，通 过温度传感器获取第i个电池单元第t时刻的温度，将预设电池充电最佳温度记为；

对于第i个电池单元，在第t时刻相较于第t-1时刻所上升的电压越多，对应的温度上升越高时，表示当前第t时刻将电池单元充电至完成电压的趋势越快，则获取第i个电池单元在充电过程中第t时刻对应的充电趋势特征：

其中，表示第i个电池单元在充电过程中第t时刻对应的充电趋势特征，表示 第i个电池单元第t时刻的温度；表示第i个电池单元第t-1时刻的温度；表示第i个 电池单元第t时刻的充电电压；表示第i个电池单元第t-1时刻的充电电压；表示电池 单元的完成充电电压；表示电池单元的充电最佳温度；表示预设参数，避免分母为0，根据 经验可预设。

获取第t时刻下电池单元的充电电压和完成充电电压之间差值，记为第一差异，则第一趋势因子表示第t时刻电池单元的温度相较前一时刻电池单元 的温度之间的变化，与第一差异之间的比例关系，比值结果越大则表示电池单元的电压升 高趋势越明显。

获取第t时刻下电池单元的温度与电池充电最佳温度之间的差值，记为第二差异，则第二趋势因子表示，为通过温度对电压进行约束，温度上升越大则增长 趋势应放缓，避免高温损伤电池。

至此，获得第i个电池单元在第t时刻的充电趋势特征。

步骤S003，根据各电池单元的充电趋势特征的偏离情况，获得所有电池单元所对应的电池模组的高压充电的需求特征。

电池单元之间每次放电的程度不同，电池单元的寿命损耗也不相同，在充电过程中实时的反馈数据存在波动，需要通过时序上当前充电特征趋势C的变化综合电池单元之间的变化情况判断控制器变更充电状态的必要性Z。

由于充电时，电池状态是实时变化的，而充电目标是在充电结束时，多组电池单元的电压相同，保证所有电池单元放电时电压稳定。

在第t时刻下，多个电池单元之间的充电趋势特征差异越大，距离完成电压相差 越大，对于多个电池单元，转变为低压充电后，则第t时刻下电池单元对于高压充电的需求 仍然保持较高。

则获得在第t时刻下，根据多个电池单元的充电趋势特征获取对应电池模组的高压充电的需求特征：

其中，表示第t时刻下电池模组的高压充电的需求特征，表示第i个电池单元 在充电过程中第t时刻对应的充电趋势特征；表示所有电池单元在充电过程中第t时刻对 应的平均充电趋势特征；I表示电池模组中包含的电池单元的总数量；表示第t时刻下 所有电池单元的充电趋势特征的方差；

反映了所有电池单元中，对应充电趋势特征中产生的较大离群差异的程度。

当高压充电的需求特征越接近0时，表示第t时刻下电池单元之间充电趋势特征越相似，体现为各电池单元内负极对于电子的吸收速率相近，可以视作电子团从正极移动到负极的速度差异较小；

但实际充电过程中，各电池单元的充电进度是不同的，通过需求的偏向进行分析，将实际发生的充电异常通过电池模组的高压充电的需求特征进行反映，分析电池模组中各电池单元的充电趋势特征出现的异常对于整个电池模组的影响。

当高压充电的需求特征时，代表有部分电池单元的充电趋势特征小于平均 充电趋势特征，反映电池模组中各电池单元的温度变化小，电压升高也较小，体现为这部分 异常充电的电池单元的充电进度落后于其他电池单元；同理，当高压充电的需求特征 时，说明异常充电的电池单元的充电进度远高于其他电池单元。

步骤S004，根据所有电池单元的充电趋势特征和对应电池模组的高压充电的需求特征获得对电池模组进行充电状态的转变必要性。

需要综合电池模块在时序上高压充电的需求特征产生的累计偏离差异获得转变必要性Z，对于上一时刻属于异常充电的电池单元，在下一时刻需求计算时，仍处于异常充电状态，则代表充电负荷对电池模组的影响过大，可能处于异常，需要从快速充电的高压状态转换为较慢速的低压充电状态，减少高电压引起的极化，令电池模组中充电时的化学反应缓和。

所述充电状态的转变必要性的获取方法如下：

首先，获取电池模组中所有电池单元的充电趋势特征中的最大值，记为；

然后，将电池模组中所有电池单元对应的充电趋势特征，按照从大到小的顺序进 行排列，获得电池模组对应的充电趋势特征降序序列，获取充电趋势特征降序序列对应的 前向差分序列中的最大值，记为差分最大值；

则根据所有电池单元的充电趋势特征中的最大值以及差分最大值，获得对电池模组的充电状态的转变必要性：

其中，表示第t时刻对电池模组的充电状态的转变必要性；表示第t时刻下电 池模组的高压充电的需求特征；表示所有电池单元的充电趋势特征中的最大值；表示 差分最大值；avg()表示获取括号内所有数值的平均值；sigmoid()函数表示利用sigmoid 归一化方法，对括号内的数值进行归一化处理。

在电池模组中，充电进度落后的电池单元的充电进度，对于充电进度相对较快的电池单元，充电进度落后的电池单元具有更大的电量容量，若继续保持高压充电状态会引起充电进度较快的电池单元电压过高，致使出现异常，因此在第t时刻下对电池模组中所有电池单元的充电趋势特征进行排序，体现了电池单元之间的充电进度的差异；

进一步的，反映了充电趋势特征最大的部分电池单元，限制了对电池模组的充电状态的转变，通过充电趋势特征中的最大值与差分最大值，在最大差值处将充电趋势特征的大小程度不同的部分电池单元进行划分，并利用电池模组的高压充电的需求特征进行综合判断，实现将电池模组与电池单元之间的特征结合，实现对电池模组的充电状态的转变判断的准确性以及智能性得到提升。

至此，获取电池模组的充电状态的转变必要性。

步骤S005，根据对电池模组的充电状态的转变必要性对卡尔曼增益进行调节，利用调节后的卡尔曼增益实现充电电压的数据预测。

卡尔曼滤波根据历史的充电电压数据实现对下一时刻的充电电压进行预测，获取 下一时刻的电压数据，而对历史的电压数据利用常规的卡尔曼滤波所获取的卡尔曼增益 ，在历史的充电电压数据较小时，对于电池模组的下一时刻的充电状态的转变预测的准确 性，在未触发硬件安全机制的情况下，并未考虑到电池单元的充电情况已经发生异常，因此 为了准确获取电池模组的下一充电状态的预测结果，需要通过转变必要性对卡尔曼增益 进行调节改进：

其中，表示调节后的第t时刻下的卡尔曼增益；表示第t时刻对电池模组的充 电状态的转变必要性；表示常规的卡尔曼滤波所获取的第t时刻下的卡尔曼增益。

在电池单元在充电过程中，因为各个电池单元之间的充电程度不均衡，出现充电异常，通过将出现充电异常而产生的不确定性加入考虑，使卡尔曼滤波对充电电压的预测结果更加准确。

最后，利用调节后的卡尔曼增益，根据卡尔曼滤波算法对电池模组中各电池单元的充电电压进行预测，获取下一时刻可能的充电电压，并根据预测结果及时利用与电池模组相连接的控制器，对电池模组的充电状态进行转变，将高电压充电，转变为低电压的涓流充电模式，直到所有电池单元的充电电压都达到完成充电电压，实现充电控制，增强对电池模组中电路的保护，避免电池模组的使用寿命减少。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.基于充电控制器软件数据的充电负荷预测方法，其特征在于，该方法包括以下步骤：

获取电池模组中电池单元在充电过程中每一时刻下的充电电压和温度数据；

根据电池单元在充电过程中当前时刻的充电电压与预设完成电压之间的差异，获得第一差异，根据电池单元充电过程中当前时刻的温度与前一时刻的温度之间的差异与第一差异获得第一趋势因子；根据当前时刻电池单元的温度与预设电池充电最佳温度之间的差异，获得第二差异，根据当前时刻电池单元的充电电压与前一时刻的充电电压之间的差异与第二差异获得第二趋势因子；根据第一趋势因子和第二趋势因子的融合获得电池单元的充电趋势特征；

根据任意电池单元的充电趋势特征与所有电池单元的平均充电趋势特征之间的平均差异获得所有电池单元所对应电池模组的高压充电的需求特征；

对所有电池单元对应的充电趋势特征，按照从大到小的顺序进行排列，获取排列后序列对应的前向差分序列中的最大值，记为差分最大值；根据高压充电的需求特征对充电趋势特征和差分最大值的均值进行调节，获得对电池模组的充电状态的转变必要性；

获取每一时刻下的充电电压数据对应的卡尔曼增益，利用对电池模组的充电状态的转变必要性对卡尔曼增益进行调节，根据调节后的卡尔曼增益结合卡尔曼滤波算法对各电池单元的充电电压进行预测，获得充电电压预测结果；

所述充电趋势特征，获取方法如下：

获取电池单元对应的充电趋势特征：

其中，表示第i个电池单元在充电过程中第t时刻对应的充电趋势特征，/>表示第i个电池单元第t时刻的温度；/>表示第i个电池单元第t-1时刻的温度；/>表示第i个电池单元第t时刻的充电电压；/>表示第i个电池单元第t-1时刻的充电电压；/>表示电池单元的完成充电电压；/>表示电池单元的充电最佳温度；/>表示避免分母为0的预设参数；

所述高压充电的需求特征，获取方法如下：

其中，表示第t时刻下电池模组的高压充电的需求特征，/>表示第i个电池单元在充电过程中第t时刻对应的充电趋势特征；/>表示所有电池单元在充电过程中第t时刻对应的平均充电趋势特征；I表示电池模组中包含的电池单元的总数量；/>表示第t时刻下所有电池单元的充电趋势特征的方差；

所述对电池模组的充电状态的转变必要性，获取方法如下：

其中，表示第t时刻对电池模组的充电状态的转变必要性；/>表示第t时刻下电池模组的高压充电的需求特征；/>表示所有电池单元的充电趋势特征中的最大值；/>表示差分最大值；avg()表示获取括号内所有数值的平均值；sigmoid()函数表示利用sigmoid归一化方法，对括号内的数值进行归一化处理。

2.根据权利要求1所述基于充电控制器软件数据的充电负荷预测方法，其特征在于，所述根据调节后的卡尔曼增益结合卡尔曼滤波算法对各电池单元的充电电压进行预测，获得充电电压预测结果，包括的具体步骤如下：

首先，利用对电池模组的充电状态的转变必要性对所获取的卡尔曼增益进行乘积，获得对应时刻下调节后的卡尔曼增益；

然后，利用调节后的卡尔曼增益，根据卡尔曼滤波算法对电池模组中各电池单元的充电电压进行预测，获取下一时刻可能的充电电压，即获得充电电压预测结果的数据。