CN117022047A - 动力电池的电量跳变预警方法、装置和设备 - Google Patents
动力电池的电量跳变预警方法、装置和设备 Download PDFInfo
- Publication number
- CN117022047A CN117022047A CN202310958746.2A CN202310958746A CN117022047A CN 117022047 A CN117022047 A CN 117022047A CN 202310958746 A CN202310958746 A CN 202310958746A CN 117022047 A CN117022047 A CN 117022047A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- vehicle
- sample data
- power battery
- current
- 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 73
- 230000007613 environmental effect Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 97
- 230000036541 health Effects 0.000 claims description 53
- 238000012937 correction Methods 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 26
- 238000003066 decision tree Methods 0.000 description 21
- 238000012795 verification Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000003862 health status Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60Q—ARRANGEMENT OF SIGNALLING OR LIGHTING DEVICES, THE MOUNTING OR SUPPORTING THEREOF OR CIRCUITS THEREFOR, FOR VEHICLES IN GENERAL
- B60Q9/00—Arrangement or adaptation of signal devices not provided for in one of main groups B60Q1/00 - B60Q7/00, e.g. haptic signalling
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/10—Vehicle control parameters
- B60L2240/12—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/60—Navigation input
- B60L2240/66—Ambient conditions
- B60L2240/662—Temperature
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种动力电池的电量跳变预警方法、装置和设备,属于计算机技术领域。方法包括:获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数;基于行驶参数、电池状态以及环境参数,确定车辆的动力电池的剩余电量在预设时长后是否发生跳变;在动力电池的剩余电量在预设时长后发生跳变的情况下,向车辆发送预警信息,预警信息用于指示修正车辆的剩余电量。本申请通过在确定剩余电量会在预设时长后发生跳变的情况下,向车辆发送预警信息,可以使得车辆及时对动力电池的剩余电量进行修正,从而保证后续能够准确确定并显示车辆的剩余里程,进而提升了用户体验。
Description
技术领域
本申请涉及计算机技术领域,特别涉及一种动力电池的电量跳变预警方法、装置和设备。
背景技术
随着科技的发展,技术的进步,电动车辆的出现为人们的日常生活带来了极大的便利。由于电动车辆是以动力电池作为动力源来驱动车辆行驶的,因此,环保性作为电动车辆的亮点受到大众的欢迎。
一般情况下,是由电动车辆的BMS(Battery Management System,电池管理系统)来计算动力电池的剩余电量的。然而,在一些特殊场景下,比如电动车辆行驶在颠簸路面或者处于低温环境下时,BMS对剩余电量的计算会不准确,从而会导致动力电池的剩余电量发生跳变,进而电动车辆的剩余里程会发生跳变,这会导致当前显示的剩余里程与实际里程不相符,如此,降低了用户体验。
发明内容
本申请提供了一种动力电池的电量跳变预警方法、装置、设备和存储介质,可以预测动力电池的剩余电量在未来是否会发生跳变,并在剩余电量在未来会发生跳变的情况下,对车辆进行预警,使得车辆可以提前对剩余电量进行修正,从而保证车辆的剩余里程的准确显示,进而提升了用户体验。技术方案如下:
第一方面,提供了一种动力电池的电量跳变预警方法,所述方法包括:
获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数;
基于所述行驶参数、所述电池状态以及所述环境参数,确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变;
在所述动力电池的剩余电量在预设时长后发生跳变的情况下,向所述车辆发送预警信息,所述预警信息用于指示修正所述车辆的剩余电量。
在本申请中,先获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数,也即是获取车辆中可以影响动力电池的剩余电量的参数。之后基于该行驶参数、该电池状态以及该环境参数确定车辆的动力电池的剩余电量在预设时长后是否发生跳变,也即是基于车辆中可以影响动力电池的剩余电量的参数,确定动力电池的剩余电量在预设时长后是否会发生跳变。最后在动力电池的剩余电量在预设时长后发生跳变的情况下,向车辆发送预警信息,也即是向车辆进行电量跳变预警,使得车辆后续可以对动力电池的剩余电量进行修正。如此,通过在确定剩余电量会在预设时长后发生跳变的情况下,向车辆发送预警信息,可以使得车辆及时对动力电池的剩余电量进行修正,从而保证后续能够准确确定并显示车辆的剩余里程,进而提升了用户体验。
可选地,所述在所述动力电池的剩余电量在预设时长后发生跳变的情况下,向所述车辆发送预警信息,包括:
在所述动力电池的剩余电量在预设时长后发生跳变的情况下,基于所述行驶参数、所述电池状态以及所述环境参数,确定所述动力电池的充放电效率修正系数;
向所述车辆发送携带有所述充放电效率修正系数的预警信息,以指示所述车辆基于所述充放电效率修正系数对所述动力电池的剩余电量进行修正。
可选地,所述行驶参数包括所述车辆的当前车速和当前行驶里程,所述电池状态包括所述动力电池的当前剩余电量和当前健康状态,所述环境参数包括所述车辆所处环境的当前温度,所述基于所述行驶参数、所述电池状态以及所述环境参数,确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变,包括:
将所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度输入电量跳变预测模型,通过所述电量跳变预测模型对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行处理,输出所述动力电池的剩余电量在预设时长后发生跳变的概率;
在所述概率大于或等于预设概率阈值的情况下,确定所述车辆的动力电池的剩余电量在预设时长后会发生跳变;
在所述概率小于所述预设概率阈值的情况下,确定所述车辆的动力电池的剩余电量在预设时长后不发生跳变。
可选地,所述电量跳变预测模型包括多个叶子节点,所述通过所述电量跳变预测模型对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行处理,输出发生跳变的概率,包括:
通过所述多个叶子节点对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行决策判断,输出所述动力电池的剩余电量在预设时长后发生跳变的概率。
可选地,所述电量跳变预测模型的训练方法,包括:
获取第一训练数据集,所述第一训练数据集包括多组样本数据以及所述多组样本数据的标签,所述多组样本数据中的每组样本数据包括多个特征属性的值,所述多个特征属性包括历史行驶参数、历史电池状态、历史环境参数,所述标签用于指示在所述样本数据下动力电池的剩余电量在目标时间段内是否发生跳变;
对于所述多组样本数据中任意的一组样本数据,对所述样本数据进行特征提取,得到所述样本数据的特征;
将所述样本数据的特征与所述样本数据进行拼接,得到第二训练数据集,所述第二训练数据集包括所述多组样本数据、所述多组样本数据的特征、所述多组样本数据的标签;
基于所述第二训练数据集,训练所述电量跳变预测模型。
可选地,所述多个特征属性包括连续类型和离散类型的特征属性,所述对所述样本数据进行特征提取,得到所述样本数据的特征,包括:
对于所述样本数据中任意一个连续类型的特征属性,确定所述样本数据中所述连续类型的特征属性对应的平均值、最大值、最小值以及方差;
对于所述样本数据中任意一个离散类型的特征属性,确定所述样本数据中所述离散类型的特征属性对应的中位数。
可选地,所述基于所述第二训练数据集,训练所述电量跳变预测模型,包括:
对于n个层级的第1个层级中的根节点,将所述第二训练数据集输入所述根节点,确定所述根节点下的多个特征属性的信息增益,并以信息增益最大的特征属性划分所述第二训练数据集,以基于所述根节点分裂得到多个叶子节点;
对于所述n个层级的第i个层级中的每个叶子节点,确定所述每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点,所述i为大于或等于2且小于或等于n的整数;
令i=i+1,执行对于所述n个层级的第i个层级中的每个叶子节点,确定所述每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点的步骤,直至根据所分裂得到的叶子节点包含的数据集确定得到预测跳变概率;
基于所述预测跳变概率与所述标签之间的差异,调整所述电量跳变预测模型的参数。
可选地,所述获取第一训练数据集,包括:
获取历史车辆数据,所述历史车辆数据包括历史行驶参数、历史电池状态、历史环境参数;
将所述历史车辆数据以目标时间段为时间间隔进行划分,得到多组样本数据,所述多组样本数据中的每组样本数据均包括对应时间段的历史行驶参数、历史电池状态、历史环境参数;
对于所述多组样本数据中任意的一组样本数据,基于所述对应时间段的历史电池状态,确定所述样本数据的标签。
可选地,所述样本数据中的对应时间段的历史电池状态包括对应时间段内的历史剩余电量,所述基于所述对应时间段的历史电池状态,确定所述样本数据的标签,包括:
确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值;
在所述电量差值大于或等于预设电量阈值的情况下,确定所述样本数据的标签为跳变;
在所述电量差值小于所述预设电量阈值的情况下,确定所述样本数据的标签为未跳变。
第二方面,提供了一种动力电池的电量跳变预警装置,所述装置包括:
第一获取模块,用于获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数;
确定模块,用于基于所述行驶参数、所述电池状态以及所述环境参数,确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变;
预警模块,用于在所述动力电池的剩余电量在预设时长后发生跳变的情况下,向所述车辆发送预警信息,所述预警信息用于指示修正所述车辆的剩余电量。
可选地,所述预警模块用于:
在所述动力电池的剩余电量在预设时长后发生跳变的情况下,基于所述行驶参数、所述电池状态以及所述环境参数,确定所述动力电池的充放电效率修正系数;
向所述车辆发送携带有所述充放电效率修正系数的预警信息,以指示所述车辆基于所述充放电效率修正系数对所述动力电池的剩余电量进行修正。
可选地,所述确定模块用于:
将所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度输入电量跳变预测模型,通过所述电量跳变预测模型对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行处理,输出所述动力电池的剩余电量在预设时长后发生跳变的概率;
在所述概率大于或等于预设概率阈值的情况下,确定所述车辆的动力电池的剩余电量在预设时长后会发生跳变;
在所述概率小于所述预设概率阈值的情况下,确定所述车辆的动力电池的剩余电量在预设时长后不发生跳变。
可选地,所述电量跳变预测模型包括多个叶子节点,所述确定模块用于:
通过所述多个叶子节点对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行决策判断,输出所述动力电池的剩余电量在预设时长后发生跳变的概率。
可选地,所述装置还包括:
第二获取模块,用于获取第一训练数据集,所述第一训练数据集包括多组样本数据以及所述多组样本数据的标签,所述多组样本数据中的每组样本数据包括多个特征属性的值,所述多个特征属性包括历史行驶参数、历史电池状态、历史环境参数,所述标签用于指示在所述样本数据下动力电池的剩余电量在目标时间段内是否发生跳变;
特征提取模块,用于对于所述多组样本数据中任意的一组样本数据,对所述样本数据进行特征提取,得到所述样本数据的特征;
拼接模块,用于将所述样本数据的特征与所述样本数据进行拼接,得到第二训练数据集,所述第二训练数据集包括所述多组样本数据、所述多组样本数据的特征、所述多组样本数据的标签;
训练模块,用于基于所述第二训练数据集,训练所述电量跳变预测模型。
可选地,所述多个特征属性包括连续类型和离散类型的特征属性,所述特征提取模块用于:
对于所述样本数据中任意一个连续类型的特征属性,确定所述样本数据中所述连续类型的特征属性对应的平均值、最大值、最小值以及方差;
对于所述样本数据中任意一个离散类型的特征属性,确定所述样本数据中所述离散类型的特征属性对应的中位数。
可选地,所述训练模块用于:
对于n个层级的第1个层级中的根节点,将所述第二训练数据集输入所述根节点,确定所述根节点下的多个特征属性的信息增益,并以信息增益最大的特征属性划分所述第二训练数据集,以基于所述根节点分裂得到多个叶子节点;
对于所述n个层级的第i个层级中的每个叶子节点,确定所述每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点,所述i为大于或等于2且小于或等于n的整数;
令i=i+1,执行对于所述n个层级的第i个层级中的每个叶子节点,确定所述每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点的步骤,直至根据所分裂得到的叶子节点包含的数据集确定得到预测跳变概率;
基于所述预测跳变概率与所述标签之间的差异,调整所述电量跳变预测模型的参数。
可选地,所述第二获取模块用于:
获取历史车辆数据,所述历史车辆数据包括历史行驶参数、历史电池状态、历史环境参数;
将所述历史车辆数据以目标时间段为时间间隔进行划分,得到多组样本数据,所述多组样本数据中的每组样本数据均包括对应时间段的历史行驶参数、历史电池状态、历史环境参数;
对于所述多组样本数据中任意的一组样本数据,基于所述对应时间段的历史电池状态,确定所述样本数据的标签。
可选地,所述第二获取模块用于:
确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值;
在所述电量差值大于或等于预设电量阈值的情况下,确定所述样本数据的标签为跳变;
在所述电量差值小于所述预设电量阈值的情况下,确定所述样本数据的标签为未跳变。
第三方面,提供了一种计算机设备,所述计算机设备包括存储器、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,所述计算机程序被所述处理器执行时实现上述的动力电池的电量跳变预警方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的动力电池的电量跳变预警方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述的动力电池的电量跳变预警方法的步骤。
可以理解的是,上述第二方面、第三方面、第四方面、第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例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申请的一些实施例,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是本申请实施例提供的一种动力电池的电量跳变预警方法的场景示意图;
图2是本申请实施例提供的一种动力电池的电量跳变预警方法的流程图;
图3是本申请实施例提供的一种电量跳变预测模型的结构示意图;
图4是本申请实施例提供的一种电量跳变预测模型的训练流程图;
图5是本申请实施例提供的一种动力电池的电量跳变预警装置的结构示意图;
图6是本申请实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
应当理解的是,本申请提及的“多个”是指两个或两个以上。在本申请的描述中,除非另有说明,“/”表示或的意思,比如,A/B可以表示A或B;本文中的“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,比如,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。另外,为了便于清楚描述本申请的技术方案,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
在对本申请实施例进行详细地解释说明之前,先对本申请实施例的应用场景予以说明。
车辆的动力电池的剩余电量受到多方面因素的影响,从而使得车辆在一些特殊场景下比如高温、低温环境下,BMS对动力电池的剩余电量的计算会受到影响,而导致计算的动力电池的剩余电量不准确。另外,由于车辆的剩余里程是依据动力电池的剩余电量来计算得到的。因此在剩余电量不准确的情况下,会导致车辆的剩余里程也计算不准确,那么用户不能看到真实的剩余里程,如此,降低了用户体验。
为此,本申请实施例提供了一种动力电池的电量跳变预警方法,该动力电池的电量跳变预警方法可以应用于对车辆的动力电池的剩余电量是否发生跳变进行预测的场景中。
例如,图1是一种动力电池的电量跳变预警方法的场景示意图,参见图1,图1包括车辆101、云平台102,车辆101上具有动力电池103。
车辆101可以是电动车辆,且车辆101上部署有T-BOX(Telematics BOX,车联网智能终端)。T-BOX可以与车辆101的CAN(Controller Area Network,控制器局域网)总线连接,以接收车辆101的各项参数。另外,T-BOX还与云平台102进行通信连接,从而车辆101可以通过T-BOX与云平台102进行通信。
云平台102可以是TSP(Telematics Service Provider,汽车远程服务)平台,也可以是其他云平台,只要是能够实现本申请实施例提供的动力电池的电量跳变预警方法的平台均可,本申请实施例对此不做限定。
具体地,在进行动力电池的电量跳变预警时,车辆101上的各控制器先获取当前行驶参数、当前电池状态以及车辆101所处环境的环境参数,之后将当前行驶参数、当前电池状态以及车辆101所处环境的环境参数发送至T-BOX。之后由T-BOX向云平台102发送当前行驶参数、当前电池状态以及车辆101所处环境的环境参数。
云平台102在接收到车辆101的T-BOX发送的各种参数之后,基于当前行驶参数、当前电池状态以及当前环境参数确定车辆101的动力电池103的剩余电量在预设时长之后是否会发生跳变。在动力电池103的剩余电量在预设时长后会发生跳变的情况下,云平台102向车辆101发送预警信息,以使得车辆101在接收到预警信息之后,可以对车辆101的剩余电量进行修正。
如此,通过在确定动力电池103的剩余电量会在预设时长后发生跳变的情况下,向车辆101发送预警信息,可以使得车辆101及时对动力电池103的剩余电量进行修正,从而保证后续能够准确确定并显示车辆101的剩余里程,进而提升了用户体验。
下面对本申请实施例提供的动力电池的电量跳变预警方法进行详细地解释说明。
图2是本申请实施例提供的一种动力电池的电量跳变预警方法的流程图。该方法可以应用于计算机设备,例如,计算机设备可以是部署有上述云平台的服务器。参见图2,该方法包括以下步骤。
步骤201:计算机设备获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数。
在本申请实施例中,车辆可以为电动车辆。
该行驶参数是指车辆行驶过程中产生的参数,其用于指示车辆的当前行驶状态。可选地,该行驶参数可以包括车辆的当前车速、当前行驶里程等参数。其中,当前行驶里程是指车辆截止当前时刻的总行驶里程。可选地,可以通过获取车辆的里程表上的行驶里程来得到当前行驶里程。
可选地,可以通过如下任意一种方式实现对当前车速的确定。
示例1,车辆上可以安装有车速传感器,那么车辆的当前车速可以由车速传感器采集得到。
示例2,车辆的当前车速还可以通过轮速转换计算得到。可选地,根据轮速计算当前车速的方法包括平均轮速法、最大轮速法等。其中,平均轮速法是将车辆的两个后轮的车轮速度(轮速)取平均值作为当前车速;最大轮速法是将车辆的四个车轮的轮速的最大值作为当前车速。
示例3,车辆的当前车速还可以通过另一种轮速转换方法得到。具体的计算过程为:车速=车轮周长*轮速。其中,轮速可以通过轮速传感器获取,车轮周长是轮胎的固有参数。
应理解,上述几种方式只是示意性的举例,且计算出来的车速差异不大,都可以作为车辆的实际车速。凡是用于计算车速的任何方式都属于本申请的保护范围。
该电池状态是指车辆的动力电池的状态,可选地,该电池状态可以包括车辆的动力电池的SOC(State Of Charge,荷电状态),也即是动力电池的剩余电量,还可以包括动力电池的健康状态(State Of Health,SOH),该健康状态用于指示动力电池的老化程度,也即是用于反映动力电池的健康寿命。其中,动力电池的剩余电量以及健康状态可以由BMS计算得到。
可选地,BMS可以通过安时积分法计算动力电池的剩余电量。另外,BMS可以通过如下公式(1)计算动力电池的健康寿命。
其中,REoL为动力电池的寿命终结时的内阻,RBoL为动力电池出厂时的内阻,R为动力电池当前状态下的内阻。
该环境参数可以包括温度,也即是车辆所处环境的环境温度。一般情况下,车辆的前格栅后具有温度传感器,可选地,车辆所处环境的环境温度可以通过前格栅后的温度传感器检测得到。
这种情况下,车辆在检测得到该行驶参数、该电池状态以及该环境参数之后,通过车辆的T-BOX向计算机设备发送该行驶参数、该电池状态以及该环境参数,从而使得计算机设备可以获取该行驶参数、该电池状态以及该环境参数。
作为另一种实施方式,也可以是计算机设备先通过TSP服务向车辆发送参数请求,该参数请求用于请求车辆发送该行驶参数、该电池状态、该环境参数。之后,车辆在接收到该参数请求时,采集车辆当前的行驶参数、电池状态、环境参数,并通过T-BOX向计算机设备发送该行驶参数、该电池状态以及该环境参数。
步骤202:计算机设备基于该行驶参数、该电池状态以及该环境参数,确定车辆的动力电池的剩余电量在预设时长后是否发生跳变。
预设时长可以预先进行设置,且预设时长可以由技术人员依据实际需求进行设置。比如,需要确定动力电池的剩余电量在5分钟后是否发生跳变,那么预设时长可以设置为5分钟。
具体地,在该行驶参数包括车辆的当前车速和当前行驶里程,该电池状态包括当前剩余电量和当前健康状态,该环境参数包括车辆所处环境的当前温度的情况下,步骤202的操作可以为:将当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度输入电量跳变预测模型,通过该电量跳变预测模型对当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度进行处理,输出动力电池的剩余电量在预设时长后发生跳变的概率;在该概率大于或等于预设概率阈值的情况下,确定车辆的动力电池的剩余电量在预设时长后会发生跳变;在该概率小于预设概率阈值的情况下,确定车辆的动力电池的剩余电量在预设时长后不发生跳变。
该电量跳变预测模型用于对动力电池的剩余电量在预设时长后是否发生跳变进行预测。可选地,该电量跳变预测模型可以是如决策树、随机森林等机器学习模型,也可以是如深度卷积神经网络、全连接神经网络等基于深度学习的神经网络模型,本申请实施例对此不做限定。
预设概率阈值可以由技术人员依据实际需求进行设置,且预设概率阈值可以设置的较大。例如,预设概率阈值可以设置为0.8。这种情况下,在该概率大于或等于预设概率阈值的情况下,说明该电量跳变预测模型预测剩余电量在预设时长后发生跳变的概率较大,那么也就可以确定动力电池的剩余电量在预设时长后会发生跳变。在该概率小于或等于预设概率阈值的情况下,说明该电量跳变预测模型预测剩余电量在预设时长后发生跳变的概率较小,那么也就是说动力电池的剩余电量在预设时长后不会发生跳变。
可选地,在该电量跳变预测模型为决策树模型的情况下,该电量跳变预测模型可以包括多个叶子节点。该多个叶子节点构成一个决策树模型,也即是构成该电量跳变预测模型。
应理解,该多个叶子节点是对该电量跳变预测模型训练完成时得到的,也即是在该电量跳变预测模型的训练过程中,会逐渐确定出该多个叶子节点,以及该多个叶子节点之间的关系。另外,在对该电量跳变预测模型进行训练的过程中,也即是学习动力电池的剩余电量的变化规律的过程以及据此确定决策条件的过程,因此,该多个叶子节点可以看作是判断剩余电量在预设时长后是否发生跳变的决策条件。
这种情况下,计算机设备通过该电量跳变预测模型对当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度进行处理,输出发生跳变的概率的操作可以为:通过该多个叶子节点对当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度进行决策判断,输出动力电池的剩余电量在预设时长后发生跳变的概率。
决策判断也即是判断当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度是否符合该多个叶子节点所指示的决策条件。
如此,通过提前学习动力电池的剩余电量的变化规律,并构建得到决策树,使得通过决策树的方式对当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度进行决策判断,可以准确确定出动力电池的剩余电量在预设时长后是否会发生跳变。
例如,图3是一种该电量跳变预测模型的结构示意图,参见图3,图3包括根节点301、8个叶子节点302以及输出数据303(发生跳变的概率)。具体地,通过该电量跳变预测模型预测剩余电量在预设时长后是否会发生跳变的过程包括如下步骤。
(1)将当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度输入根节点301,先判断车辆的当前车速是否大于目标车速阈值。
(2)在当前车速大于目标车速阈值的情况下,将当前行驶里程、当前剩余电量、当前健康状态以及当前温度输入第1个叶子节点302,由第1个叶子节点302判断当前行驶里程是否大于目标里程阈值。
(3)在当前行驶里程大于目标里程阈值的情况下,将当前剩余电量、当前健康状态以及当前温度输入第4个叶子节点302,由第4个叶子节点302判断当前健康状态是否符合目标健康条件。
例如,车辆的当前健康状态为60%,而目标健康状态为80%,则表示当前健康状态不符合目标健康条件。
(4)在当前健康状态不符合目标健康条件的情况下,将当前剩余电量和当前温度输入第6个叶子节点302,由第6个叶子节点302判断当前温度是否大于目标温度阈值。
(5)在当前温度大于目标温度阈值的情况下,将当前剩余电量输入第7个叶子节点,由第7个叶子节点302判断当前剩余电量是否小于目标电量阈值。
(6)在当前剩余电量小于目标电量阈值的情况下,输出动力电池的剩余电量在预设时长后发生跳变的概率303。
其中,目标车速阈值、目标里程阈值、目标健康条件、目标温度阈值、目标电量阈值可以在对该电量跳变预测模型进行训练的过程中确定。
值得注意的是,在使用该电量跳变预测模型预测动力电池的剩余电量在预设时长后是否发生跳变之前,需要先训练得到该电量跳变预测模型。
具体地,对该电量跳变预测模型进行训练的过程可以包括如下步骤(1)-步骤(4)。
(1)获取第一训练数据集。
第一训练数据集包括多组样本数据以及该多组样本数据的标签。该多组样本数据的标签与该多组样本数据一一对应。该多组样本数据中的每组样本标签用于指示对应样本数据下动力电池在预设时长后是否发生跳变。
该多组样本数据中的每组样本数据包括多个特征属性的值,该多个特征属性包括历史行驶参数、历史电池状态、历史环境参数。
具体地,在历史行驶参数包括车速、行驶里程,历史电池状态包括剩余电量、健康状态,历史环境参数包括车辆所处环境的温度的情况下,该多个特征属性包括车速、行驶里程、剩余电量、健康状态、温度。那么该多组样本数据的每组样本数据中可以包括车速、行驶里程、剩余电量、健康状态、温度的具体取值。
另外,在本申请实施例中,该多组样本数据的每组样本数据中是包括多个时刻的车速、行驶里程、剩余电量、健康状态、温度的取值。比如,该多组样本数据是包括不同时间段内多个时刻的车速、行驶里程、剩余电量、健康状态、温度的取值。
如此,通过基于不同时间段内采集的车辆的车速、行驶里程、剩余电量、健康状态、温度数据,对该电量跳变预测模型进行训练,使得该电量跳变预测模型可以学习在连续时间段内动力电池的SOC变化规律,从而后续可以准确预测到动力电池的剩余电量在预设时长后是否发生跳变。
值得说明的是,第一训练数据集可以是针对同一车型的车辆所采集的车辆数据处理得到的训练数据集。且基于第一训练数据集训练得到的电量跳变预测模型是用于预测该种车型的车辆的动力电池在预设时长后是否发生跳变。
在本申请实施例中,针对不同的车型,可以分别获取不同车型的车辆所采集的车辆数据,对其处理后可以得到不同车型对应的训练数据集。后续对于不同的车型,通过对应的训练数据集训练得到相应的电量跳变预测模型,该电量跳变预测模型用于预测对应车型的车辆的动力电池在预设时长后是否发生跳变。
如此,可以训练得到多个电量跳变预测模型,该多个电量跳变预测模型分别用于预测对应车型的车辆的动力电池在预设时长后是否发生跳变。并且,由于该多个电量跳变预测模型是通过对应车型对应的训练数据集训练得到的,所以后续该多个电量跳变预测模型可以准确预测得到对应车型的车辆的动力电池在预设时长后是否发生跳变。
进一步地,在训练得到该多个电量跳变预测模型之后,还可以将该多个电量跳变预测模型与多个车型的车型标识进行一一对应存储。
该车型标识用于唯一标识车辆的车型。同一车型的车辆具有相同的车型标识,不同车型的车辆具有不同的车型标识。
这种情况下,计算机设备在获取该行驶参数、电池状态以及该环境参数时,还可以获取车辆的车型标识。之后,计算机设备可以从该多个电量跳变预测模型中获取车辆的车型标识对应的电量跳变预测模型。后续通过该车型标识对应的电量跳变预测模型预测该车型标识对应的车辆的动力电池的剩余电量是否会发生跳变。
具体地,步骤(1)的操作可以为:获取历史车辆数据;将历史车辆数据以目标时间段为时间间隔进行划分,得到多组样本数据,该多组样本数据中的每组样本数据均包括对应时间段的历史行驶参数、历史电池状态、历史环境参数;对于该多组样本数据中任意的一组样本数据,基于对应时间段的历史电池状态,确定这组样本数据的标签。
历史车辆数据是指在车辆历次行驶的过程中连续采集的车辆在多个时刻的行驶参数、电池状态、环境参数,也即是历史车辆数据包括历史行驶参数、历史电池状态、历史环境参数。
目标时间段可以预先进行设置,且目标时间段可以由技术人员根据实际需求进行设置。目标时间段可以设置的较小,比如,设置目标时间段为10分钟,那么是将历史车辆数据以10分钟为时间间隔进行划分。
例如,目标时间段为10分钟,历史车辆数据是历史采集的车辆在10点-11点之间的行驶参数、电池状态、环境参数。那么以10分钟为时间间隔可以划分得到6组样本数据,这6组样本数据中每一组样本数据包括对应时间段内的行驶参数、电池状态、环境参数。比如:第1组样本数据包括10:01-10:10之间车辆的行驶参数、电池状态、环境参数。第2组样本数据包括10:11-10:20之间车辆的行驶参数、电池状态、环境参数。
这种情况下,通过对历史车辆数据进行划分,得到多组样本数据,可以增加该电量跳变预测模型的样本数量,并降低该电量跳变预测模型的输入维度。从而为该电量跳变预测模型的训练提供更多的数据支撑,进而可以训练得到更为准确的电量跳变预测模型。
其中,对应时间段的历史电池状态可以包括对应时间段的历史剩余电量。则这种情况下,对于该多组样本数据中任意的一组样本数据,基于对应时间段的历史电池状态,确定这组样本数据的标签的操作可以为:确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值;在该电量差值大于或等于预设电量阈值的情况下,确定这组样本数据的标签为跳变;在该电量差值小于预设电量阈值的情况下,确定这组样本数据的标签为未跳变。
由于车辆在行驶的过程中,动力电池一直处于放电状态,因此在一个较短时间段内起始时刻和结束时刻的剩余电量会存在差值,这个差值如果太大,那么就是剩余电量发生跳变了。因此可以先确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值,之后依据差值确定这组样本数据的标签。
预设电量阈值可以预先进行设置,且预设电量阈值可以设置的较大。这种情况下,在该电量差值大于或等于预设电量阈值的情况下,说明该电量差值较大,也即是对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值较大,也就是说在对应时间段内剩余电量的波动较大,那么就可以确定在对应时间段内剩余电量发生了跳变。则可以确定这组样本数据的标签为跳变。
在该电量差值小于预设电量阈值的情况下,说明该电量差值较小,也即是对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值较小,也就是说在对应时间段内剩余电量的波动正常,那么就可以确定在对应时间段内剩余电量未发生跳变。则可以确定这组样本数据的标签为未跳变。
如此,通过上述操作可以自动确定出该多组样本数据中每组样本数据的标签,而无需人工介入来标注每组样本数据的标签,从而节省了人力,提高了该多组样本数据的标签确定效率,降低了前期训练数据集的制作成本。
(2)对于该多组样本数据中任意的一组样本数据,对这组样本数据进行特征提取,得到这组样本数据的特征。
这种情况下,通过确定该多组样本数据中每组样本数据的特征,可以降低该多组样本数据的数据维度,从而减少该电量跳变预测模型的计算量,从而提高该电量跳变预测模型的训练效率。
可选地,该多组样本数据的多个特征属性可以包括连续类型的特征属性和离散类型的特征属性,那么这种情况下可以依据特征属性类型的不同,对样本数据提取不同的特征。
连续类型的特征属性是指对应时间段内样本数据中一个特征属性的取值为连续的。离散类型的特征属性是指对应时间段内样本数据中一个特征属性的取值为离散的。例如该多个特征属性为车速、行驶里程、剩余电量、健康度、温度。那么该多个特征属性中连续类型的特征属性为车速、行驶里程、剩余电量、健康度。离散类型的特征属性为温度。
具体地,步骤(2)的操作可以为:对于这组样本数据中任意一个连续类型的特征属性,确定这组样本数据中这个连续类型的特征属性对应的平均值、最大值、最小值以及方差;对于这组样本数据中任意一个离散类型的特征属性,确定这组样本数据中这个离散类型的特征属性对应的中位数。
这种情况下,通过对对应时间段内连续类型的特征属性以及离散类型的特征属性进行不同的特征提取方式,使得从样本数据中针对不同类型的特征属性可以提取出不同的特征,如此,可以提取得到较为准确的特征。
例如,这组样本数据是一个时间段内采集的三个时刻的历史车辆数据。这组样本数据包括在三个时刻采集的车速(40、45、50)、行驶里程(300、310、320)、剩余电量(90%、89%、88%)、健康状态(90%、90%、89%)、温度(26℃(摄氏度)、26℃、28℃)。那么可以得到连续类型的特征属性车速对应的平均值为45,最大值为50,最小值为40,方差为16.7。连续类型的特征属性行驶里程对应的平均值为310,最大值为320,最小值为300,方差为66.7。连续类型的特征属性剩余电量对应的平均值为89%,最大值为90%,最小值为88%,方差为0.7。连续类型的特征属性健康状态对应的平均值为89.7%,最大值为90%,最小值为89%,方差为0.2。离散类型的特征属性温度对应的中位数为26℃。
(3)将这组样本数据的特征与这组样本数据进行拼接,得到第二训练数据集。
可选地,计算机设备可以通过CONCAT连接的方式对这组样本数据的特征和这组样本数据进行拼接。
如此,通过对该多组样本数据中每一组样本数据均执行上述步骤(3)的操作,可以得到第二训练数据集。第二训练数据集包括该多组样本数据、该多组样本数据的特征以及该多组样本数据的标签。
(4)基于第二训练数据集,训练该电量跳变预测模型。
可选地,在该电量跳变预测模型为决策树模型的情况下,步骤(4)的操作可以为:对于n个层级的第1个层级中的根节点,将第二训练数据集输入根节点,确定根节点下的多个特征属性的信息增益,并以信息增益最大的特征属性划分第二训练数据集,以基于根节点分裂得到多个叶子节点;对于该n个层级的第i个层级中的每个叶子节点,确定每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点,i为大于或等于2且小于或等于n的整数;令i=i+1,执行对于该n个层级的第i个层级中的每个叶子节点,确定每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点的步骤,直至根据所分裂得到的叶子节点包含的数据集确定得到预测跳变概率;基于该预测跳变概率与该标签之间的差异,调整该电量跳变预测模型的参数。
决策树模型是一个树性结构的模型,其由若干节点构成,若干个节点处于n个层级上,各节点之间通过分支相连。其中,节点包括根节点和叶子节点,位于树形结构的最顶层(第1层)的节点称为根节点,其余节点称为叶子节点。决策树模型的生成过程是有监督学习的过程,通过给出若干组样本数据,且每组样本数据都有其对应的真实分类结果(标签)。也即是在分类结果已知的情况下,通过学习这些样本数据的分类结果即可得到一个决策树模型,也即是得到该电量跳变预测模型。可选地,该决策树模型可以为基于LightGBM(LightGradient Boosting Machine,梯度提升框架)的决策树模型。
具体地,上述步骤(4)的训练过程实质上是使用满足特征选择的准则将数据集不断地划分为最优的数据子集的过程,其对于数据集的每一次划分,都希望划分得到最优的数据子集,由此使得最终生成的决策树模型是最优的,也即是使得训练得到的该电量跳变预测模型是最准确的。
决策树模型的根节点所包含的数据集为初始的数据集,也即是包含第二训练数据集。其余叶子节点所包含的数据集为根据对应特征属性对其父叶子节点所包含的数据集划分后得到的数据集。
信息增益表示以某特征属性划分数据集前后的信息熵的差值。其中,特征属性对应的信息增益可以通过如下公式(2)计算得到。
其中,D为第二训练数据集,ai为当前节点包含的数据集中的第i个特征属性。G(D,ai)为第i个特征属性对应的信息增益,Ent(D)为决策树模型的根节点的信息熵。表示第i个特征属性下的第k个叶子节点所划分的数据集包含的样本数量,|D|表示第二训练数据集包含的全部样本数量。/>表示第i个特征属性下的第k个叶子节点的信息熵,K表示第i个特征属性下的叶子节点总数。
由上可知看出,特征属性对应的信息增益是表示以该特征属性划分数据集前后的信息熵的差值。一般情况下,决策树模型中根节点的信息熵Ent(D)是固定不变的,若数据集划分后的信息熵越小,则特征属性对应的信息增益越大,说明使用该特征属性进行数据集划分的效果比较好。
这种情况下,在划分数据集时,总是以多个特征属性中信息增益的特征属性进行数据集的划分,可以减小划分数据的不确定性,从而可以提高模型训练效率。
现举例对上述步骤(4)的训练过程进行说明。
例如,多个特征属性为车速、行驶里程、健康状态、温度。设置决策树的层数为4。
对于根节点(第1个层级的节点),将第二训练数据集输入根节点,分别确定车速、行驶里程、健康状态、温度对应的信息增益。假设从中确定出行驶里程对应的信息增益最大,那么可以以行驶里程来对第二训练数据集进行划分,划分得到两个数据子集。比如划分为行驶里程大于预设行驶里程的数据子集和划分为行驶里程小于或等于预设行驶里程的数据子集。值得说明的是,这两个数据子集中还包括车速、健康状态、温度其他三个特征属性对应的样本数据。
对于第2个层级上的两个叶子节点,也即是根节点分裂后得到的两个叶子节点,对于第一个叶子节点(包含行驶里程大于预设行驶里程的数据子集),分别确定车速、健康状态、温度对应的信息增益。假设从中确定出车速对应的信息增益最大,那么接下来以车速划分第一个叶子节点包含的数据子集,得到两个数据子集(行驶里程大于预设行驶里程下车速大于预设车速阈值的数据子集,和行驶里程大于预设行驶里程下车速小于或等于预设车速阈值的数据子集)。对于第二个叶子节点(包含行驶里程小于或等于预设行驶里程的数据子集)分别确定车速、健康状态、温度对应的信息增益。假设从中确定出健康状态对应的信息增益最大,那么接下来以健康状态划分第二个叶子节点包含的数据子集,得到两个数据子集(行驶里程小于或等于预设行驶里程下健康状态满足预设健康状态的数据子集,和行驶里程小于或等于预设行驶里程下健康状态不满足预设健康状态的数据子集)。
依次类推,对于第三个层级下的每个叶子节点也执行上述操作过程,可以分别对各个叶子节点下的数据子集进行最优的数据集划分,以分裂得到第4个层级的叶子节点。对于第4个层级的每个叶子节点,可以基于当前叶子节点所包含的数据集确定出预测跳变概率。
预测跳变概率为在模型训练过程中预测得到的动力电池的剩余电量是否会发生跳变的概率。
之后,在训练该电量跳变预测模型的过程中,每输出预测跳变概率,就将预测跳变概率与对应的标签进行比较,得到预测跳变概率与对应的标签之间的差值,也即是得到该电量跳变预测模型的预测值与真实值之间的差异,后续基于该差异对该电量跳变预测模型的参数进行更新。
值得说明的是,在训练该电量跳变预测模型的过程中,需要不断迭代执行上述步骤(4)的详细操作,也即是不断根据该电量跳变预测模型的预测值与真实值之间的差异,对该电量跳变预测模型的参数进行更新,才可以训练得到该电量跳变预测模型。后续通过使用该电量跳变预测模型可以准确预测得到动力电池的剩余电量在预设时长后是否会发生跳变。
可选地,在训练该电量跳变预测模型的过程中,还可以输出特征重要度,也即是输出该多个特征属性对该电量跳变预测模型的重要程度。该特征重要度可以作为迭代训练过程中该电量跳变预测模型的参数的更新依据。比如,一个特征属性的特征重要度越高,那么可以优先考虑这个特征属性对应叶子节点的参数。从而提升该电量跳变预测模型的训练效率。
可选地,还可以基于特征重要度对训练生成的决策树模型(电量跳变预测模型)进行剪枝操作。
由于决策树是充分考虑了所有的数据点而生成的复杂树,它在学习的过程中为了尽可能的正确的分类样本数据,不停地对结点进行划分,因此这会导致整棵树的分支过多,造成决策树很庞大。决策树过于庞大,有可能出现过拟合的情况,决策树越复杂,过拟合的程度会越高。所以为了避免过拟合,可以对决策模型进行剪枝。
进一步地,在训练得到该电量跳变预测模型之后,还可以获取验证数据集,将验证数据集输入该电量跳变预测模型,以通过该电量跳变预测模型对验证数据集中的样本数据进行预测,得到动力电池的剩余电量会发生跳变的验证概率。
验证数据集中包括多组样本数据和对应的标签。
进一步地,计算机设备还可以基于该电量跳变预测模型对验证数据集中多组样本数据预测得到的发生跳变的验证概率以及多组样本数据对应的标签对该电量跳变预测模型进行评估。
具体地,对该电量跳变预测模型进行评估的操作包括:确定验证数据集在该电量跳变预测模型上的AUC(Area Under Curve,曲线下的面积)以及平均误差;在该AUC值大于预设评估阈值,且平均误差小于预设误差阈值的情况下,确定完成对该电量跳变预测模型的训练。
AUC是指ROC(receiver operating characteristic curve,接收者操作特征曲线)曲线下与坐标轴围成的面积,其用于衡量该电量预测模型对验证数据集中样本数据的预测准确率。ROC曲线是一种二元分类效果的分析工具。ROC曲线的横坐标是伪阳性率(预测为正样本但实际不为正样本的概率)、纵坐标是真阳性率(预测为正样本实际也为正样本的概率)。
这种情况下,在该AUC值大于预设评估阈值,且平均误差小于预测误差阈值时,说明该电量跳变预测模型对验证数据集中的样本数据的预测准确率较大,也即是该电量跳变预测模型的预测较为准确,说明该电量跳变预测模型可以进行预测任务,那么可以完成对该电量跳变模型的训练。
可选地,在该AUC值小于或等于预设评估阈值的情况下,或者平均误差大于或等于预设误差阈值的情况下,说明该电量跳变预测模型的预测准确率较低。则可以对该电量跳变预测模型的超参数进行更新,以重新训练该电量跳变预测模型。
例如,可以对该电量跳变预测模型的学习率进行更新,之后依据更新后的学习率对该电量跳变预测模型进行训练。
下面举例对该电量跳变预测模型的训练流程进行总体说明。例如,图4为一种电量跳变预测模型的训练流程图,参见图4,该电量跳变预测模型的训练过程包括如下步骤401-步骤406。
步骤401:数据提取。
在车辆历次行驶的过程中,连续采集车辆在多个时刻的行驶参数、电池状态、环境参数等,得到历史车辆数据。
步骤402:数据划分。
将历史车辆数据以目标时间段为时间间隔进行划分,得到多组样本数据。
步骤403:特征工程。
分别对该多组样本数据进行特征提取,得到该多组样本数据的特征。
步骤404:标签定义。
对于该多组样本数据中的每一组样本数据,确定每一组样本数据对应的标签,也即是确定每一组样本数据下剩余电量是否发生跳变。
步骤405:模型训练。
基于该多组样本数据、该多组样本数据的特征、该多组样本数据的标签,对该电量跳变预测模型进行训练。
步骤406:参数调优。
基于训练过程中该电量跳变预测模型输出的发生跳变的预测概率与对应标签之间的差异,对该电量跳变预测模型的参数进行更新。
如此,通过上述步骤202可以预测得到动力电池的剩余电量在预设时长后是否会发生跳变。
步骤203:计算机设备在动力电池的剩余电量在预设时长后发生跳变的情况下,向车辆发送预警信息,该预警信息用于指示修正车辆的剩余电量。
该预警信息用于警示车辆的动力电池的剩余电量会在预设时长后发生跳变,需要对动力电池的剩余电量进行修正。
可选地,计算机设备可以通过TSP服务向车辆的T-BOX发送该预警信息,再由T-BOX向车辆的BMS转发该预警信息,使得BMS可以获知车辆的剩余电量需要进行修正,那么后续BMS可以对动力电池的剩余电量进行修正。
如果动力电池的剩余电量在预设时长后会发生跳变,那么说明预设时长后动力电池的电量计算不准确。由于车辆的剩余里程是基于车辆的剩余电量确定出来的,因此在剩余电量计算不准确的情况下,会导致车辆的剩余里程也计算不准确。那么就需要向车辆发送预警信息,以指示车辆修正动力电池的剩余电量。
这种情况下,通过在确定剩余电量会在预设时长后发生跳变的情况下,向车辆发送预警信息,可以使得车辆及时对动力电池的剩余电量进行修正,从而保证后续能够准确确定并显示车辆的剩余里程,进而提升了用户体验。
可选地,步骤203的操作可以为:在动力电池的剩余电量在预设时长后发生跳变的情况下,基于该行驶参数、该健康状态以及该环境参数,确定动力电池的充放电效率修正系数;向车辆发送携带有充放电效率修正系数的预警信息,以指示车辆基于充放电效率修正系数对动力电池的剩余电量进行修正。
充放电效率系数是指在动力电池进行充放电的过程中动力电池内部的能量消耗。其受到温度、电解质等多种因素的影响,也即是在温度、电解质等发生改变的情况下,充放电效率系数也会发生改变。
充放电效率修正系数是指对充放电效率系数进行修正的系数。在本申请实施例中,充放电效率修正系数可以是动力电池实际的充放电效率系数。由于BMS可能会对动力电池的剩余电量计算不准确,所以计算机设备可以确定出充放电效率修正系数,以修正在计算剩余电量过程中使用的充放电效率系数。
这种情况下,计算机设备通过计算动力电池的充放电效率修正系数,使得可以得到动力电池在进行充放电的过程中较为准确的能量消耗,从而后续可以计算得到更为准确的动力电池的剩余电量。
其中,基于该行驶参数、该电池状态以及该环境参数,确定动力电池的充放电效率修正系数的操作可以为:从目标映射表中获取该行驶参数、该电池状态以及该环境参数对应充放电效率修正系数。
目标映射表用于指示不同行驶参数、不同电池状态、不同环境参数下,动力电池的实际充放电效率系数。目标映射表可以由技术人员提前标定得到。
例如,技术人员可以通过对照实验的方式,分别设置不同的行驶参数、不同的电池状态和不同的环境参数,计算在不同行驶参数、不同电池状态和不同环境参数下,动力电池实际的充放电效率系数。如此会标定得到较为准确的动力电池的充放电效率系数。
例如,该行驶参数包括行驶里程,电池状态包括动力电池的健康状态,环境参数包括车辆所处环境的温度。表1为目标映射表,参见表1,表1包括多个行驶里程、多个健康状态、多个温度,不同行驶里程、不同健康状态、不同温度下对应有动力电池实际的充放电效率系数。比如,车辆的当前行驶里程为300,当前健康状态为95%,车辆当前所处环境的温度为26℃,则从表1中可以获取到动力电池实际的充放电效率系数,也即是获取到对应的充放电效率修正系数为0.8。
表1
本申请实施例仅以上述表1为例来对目标映射表进行示例性说明,并不对本申请构成限定。
如此,在计算机设备事先存储有技术人员标定的目标映射表,在剩余电量会发生跳变时,从目标映射表中获取该行驶参数、该电池状态、该环境参数下实际的充放电效率系数。从而是可以得到较为准确的该充放电效率修正系数,进而车辆可以基于该充放电效率修正系数确定出较为准确的剩余电量。
进一步地,在车辆接收到携带有该充放电效率修正系数的预警信息之后,车辆可以基于该充放电效率修正系数,对动力电池的剩余电量进行修正。
可选地,可以由车辆的BMS基于该充放电效率修正系数,对动力电池的剩余电量进行修正。
在车辆的BMS接收到携带有充放电效率修正系数的预警信息之后,可以先获取动力电池的瞬时电流,之后基于动力电池的瞬时电流、动力电池的额定容量以及该充放电效率修正系数,对动力电池的剩余电量进行修正。
具体地,车辆的BMS可以基于动力电池的瞬时电流、动力电池在上一时刻的剩余电量、动力电池的额定容量以及该充放电效率修正系数,通过如下公式(3)对动力电池的剩余电量进行修正。
其中,SOC为修正后动力电池的剩余电量,SOC0为动力电池在上一时刻的剩余电量。CE为动力电池的额定容量。η为该充放电效率修正系数,I(t)为动力电池的瞬时电流。
如此,BMS可以完成对动力电池的剩余电量的修正,也即是计算得到较为准确动力电池的剩余电量,从而可以保证后续得到较为准确的剩余里程。
进一步地,在对动力电池的剩余电量进行修正之后,可以基于修正后的动力电池的剩余电量确定车辆的剩余里程。如此,可以确定出较为准确的车辆的剩余里程,从而提高了剩余里程的确定准确率。
具体地,车辆可以基于修正后的动力电池的剩余电量,通过如下公式(4),确定车辆的剩余里程。
其中,S剩为车辆的剩余里程,S总为车辆的满电里程,也即是动力电池的电量在充满状态下车辆可以行驶的里程。SOC总为动力电池的总电量。
例如,车辆的满电里程为500,动力电池的总电量为100%,修正后的动力电池的剩余电量为80%,那么通过上述公式(4)计算得到车辆的剩余里程为400。
进一步地,在确定出车辆的剩余里程之后,还可以对车辆的剩余里程进行显示。
可选地,车辆可以将剩余里程显示在仪表盘,或者还可以显示在HUD(Head UpDisplay,抬头显示器)上,当然也可以显示在车辆中其他具有显示功能的装置上,本申请实施例对此不作限定。
如此,在得到准确的剩余里程之后,对车辆的剩余里程进行显示,可以使用户准确获知车辆还可以行驶的里程数,从而提升了用户体验。
在本申请实施例中,计算机设备先获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数,也即是获取车辆中可以影响动力电池的剩余电量的参数。之后基于该行驶参数、该电池状态以及该环境参数确定车辆的动力电池的剩余电量在预设时长后是否发生跳变,也即是基于车辆中可以影响动力电池的剩余电量的参数,确定动力电池的剩余电量在预设时长后是否会发生跳变。最后在动力电池的剩余电量在预设时长后发生跳变的情况下,向车辆发送预警信息,也即是向车辆进行电量跳变预警,使得车辆后续可以对动力电池的剩余电量进行修正。如此,通过在确定剩余电量会在预设时长后发生跳变的情况下,向车辆发送预警信息,可以使得车辆及时对动力电池的剩余电量进行修正,从而保证后续能够准确确定并显示车辆的剩余里程,进而提升了用户体验。
图5是本申请实施例提供的一种动力电池的电量跳变预警装置的结构示意图。该动力电池的电量跳变预警装置可以由软件、硬件或者两者的结合实现成为计算机设备的部分或者全部,该计算机设备可以为下文图6所示的计算机设备。参见图5,该装置包括:第一获取模块501、确定模块502、预警模块503。
第一获取模块501,用于获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数;
确定模块502,用于基于该行驶参数、该电池状态以及该环境参数,确定车辆的动力电池的剩余电量在预设时长后是否发生跳变;
预警模块503,用于在动力电池的剩余电量在预设时长后发生跳变的情况下,向车辆发送预警信息,该预警信息用于指示修正车辆的剩余电量。
可选地,预警模块503用于:
在动力电池的剩余电量在预设时长后发生跳变的情况下,基于该行驶参数、该电池状态以及该环境参数,确定动力电池的充放电效率修正系数;
向车辆发送携带有该充放电效率修正系数的预警信息,以指示车辆基于该充放电效率修正系数对动力电池的剩余电量进行修正。
可选地,确定模块502用于:
将当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度输入电量跳变预测模型,通过该电量跳变预测模型对当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度进行处理,输出所述动力电池的剩余电量在预设时长后发生跳变的概率;
在该概率大于或等于预设概率阈值的情况下,确定车辆的动力电池的剩余电量在预设时长后会发生跳变;
在该概率小于预设概率阈值的情况下,确定车辆的动力电池的剩余电量在预设时长后不发生跳变。
可选地,该电量跳变预测模型包括多个叶子节点,确定模块502用于:
通过该多个叶子节点对当前车速、当前行驶里程、当前剩余电量、当前健康状态以及当前温度进行决策判断,输出所述动力电池的剩余电量在预设时长后发生跳变的概率。
可选地,该装置还包括:
第二获取模块,用于获取第一训练数据集,第一训练数据集包括多组样本数据以及该多组样本数据的标签,该多组样本数据中的每组样本数据包括多个特征属性的值,该多个特征属性包括历史行驶参数、历史电池状态、历史环境参数,该标签用于指示在这组样本数据下动力电池的剩余电量在目标时间段内是否发生跳变;
特征提取模块,用于对于该多组样本数据中任意的一组样本数据,对这组样本数据进行特征提取,得到这组样本数据的特征;
拼接模块,用于将这组样本数据的特征与这组样本数据进行拼接,得到第二训练数据集,第二训练数据集包括该多组样本数据、该多组样本数据的特征、该多组样本数据的标签;
训练模块,用于基于第二训练数据集,训练该电量跳变预测模型。
可选地,该多个特征属性包括连续类型和离散类型的特征属性,特征提取模块用于:
对于这组样本数据中任意一个连续类型的特征属性,确定这组样本数据中连续类型的特征属性对应的平均值、最大值、最小值以及方差;
对于这组样本数据中任意一个离散类型的特征属性,确定这组样本数据中离散类型的特征属性对应的中位数。
可选地,训练模块用于:
对于n个层级的第1个层级中的根节点,将第二训练数据集输入根节点,确定根节点下的多个特征属性的信息增益,并以信息增益最大的特征属性划分第二训练数据集,以基于根节点分裂得到多个叶子节点;
对于该n个层级的第i个层级中的每个叶子节点,确定每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点,i为大于或等于2且小于或等于n的整数;
令i=i+1,执行对于该n个层级的第i个层级中的每个叶子节点,确定每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点的步骤,直至根据所分裂得到的叶子节点包含的数据集确定得到预测跳变概率;
基于该预测跳变概率与该标签之间的差异,调整该电量跳变预测模型的参数。
可选地,第二获取模块用于:
获取历史车辆数据,该历史车辆数据包括历史行驶参数、历史电池状态、历史环境参数;
将该历史车辆数据以目标时间段为时间间隔进行划分,得到多组样本数据,该多组样本数据中的每组样本数据均包括对应时间段的历史行驶参数、历史电池状态、历史环境参数;
对于该多组样本数据中任意的一组样本数据,基于该对应时间段的历史电池状态,确定该样本数据的标签。
可选地,第二获取模块用于:
确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值;
在该电量差值大于或等于预设电量阈值的情况下,确定该样本数据的标签为跳变;
在该电量差值小于该预设电量阈值的情况下,确定该样本数据的标签为未跳变。
在本申请实施例中,先获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数,也即是获取车辆中可以影响动力电池的剩余电量的参数。之后基于该行驶参数、该电池状态以及该环境参数确定车辆的动力电池的剩余电量在预设时长后是否发生跳变,也即是基于车辆中可以影响动力电池的剩余电量的参数,确定动力电池的剩余电量在预设时长后是否会发生跳变。最后在动力电池的剩余电量在预设时长后发生跳变的情况下,向车辆发送预警信息,也即是向车辆进行电量跳变预警,使得车辆后续可以对动力电池的剩余电量进行修正。如此,通过在确定剩余电量会在预设时长后发生跳变的情况下,向车辆发送预警信息,可以使得车辆及时对动力电池的剩余电量进行修正,从而保证后续能够准确确定并显示车辆的剩余里程,进而提升了用户体验。
需要说明的是:上述实施例提供的动力电池的电量跳变预警装置在对动力电池的剩余电量发生跳变的情况下进行预警时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
上述实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请实施例的保护范围。
上述实施例提供的动力电池的电量跳变预警装置与动力电池的电量跳变预警方法实施例属于同一构思,上述实施例中单元、模块的具体工作过程及带来的技术效果,可参见方法实施例部分,此处不再赘述。
图6为本申请实施例提供的一种计算机设备的结构示意图。如图6所示,计算机设备6包括:处理器60、存储器61以及存储在存储器61中并可在处理器60上运行的计算机程序62,处理器60执行计算机程序62时实现上述实施例中的动力电池的电量跳变预警方法中的步骤。
计算机设备6可以是一个服务器,该服务器可以是一个独立的服务器,也可以是由多个独立的服务器构成的服务器集群。本申请实施例不限定计算机设备6的具体类型。本领域技术人员可以理解,图6仅仅是计算机设备6的举例,并不构成对计算机设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,比如还可以包括输入输出设备、网络接入设备等。
处理器60可以是中央处理单元(Central Processing Unit,CPU),处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,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也可以是任何常规的处理器。
存储器61在一些实施例中可以是计算机设备6的内部存储单元,比如计算机设备6的硬盘或内存。存储器61在另一些实施例中也可以是计算机设备6的外部存储设备,比如计算机设备6上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,存储器61还可以既包括计算机设备6的内部存储单元也包括外部存储设备。存储器61用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等。存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当其在计算机上运行时,使得计算机执行上述各个方法实施例中的步骤。
集成的单元如果以软件功能单元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,本申请实现上述方法实施例中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,该计算机程序包括计算机程序代码,该计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。该计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、ROM(Read-Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、CD-ROM(Compact Disc Read-Only Memory,只读光盘)、磁带、软盘和光数据存储设备等。本申请提到的计算机可读存储介质可以为非易失性存储介质,换句话说,可以是非瞬时性存储介质。
应当理解的是,实现上述实施例的全部或部分步骤可以通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。该计算机指令可以存储在上述计算机可读存储介质中。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/计算机设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/计算机设备实施例仅仅是示意性的,例如,模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种动力电池的电量跳变预警方法,其特征在于,所述方法包括:
获取车辆当前的行驶参数、电池状态以及所述车辆所处环境的环境参数;
基于所述行驶参数、所述电池状态以及所述环境参数,确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变;
在所述动力电池的剩余电量在预设时长后发生跳变的情况下,向所述车辆发送预警信息,所述预警信息用于指示修正所述车辆的剩余电量。
2.如权利要求1所述的方法,其特征在于,所述在所述动力电池的剩余电量在预设时长后发生跳变的情况下,向所述车辆发送预警信息,包括:
在所述动力电池的剩余电量在预设时长后发生跳变的情况下,基于所述行驶参数、所述电池状态以及所述环境参数,确定所述动力电池的充放电效率修正系数;
向所述车辆发送携带有所述充放电效率修正系数的预警信息,以指示所述车辆基于所述充放电效率修正系数对所述动力电池的剩余电量进行修正。
3.如权利要求1所述的方法,其特征在于,所述行驶参数包括所述车辆的当前车速和当前行驶里程,所述电池状态包括所述动力电池的当前剩余电量和当前健康状态,所述环境参数包括所述车辆所处环境的当前温度,所述基于所述行驶参数、所述电池状态以及所述环境参数,确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变,包括:
将所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度输入电量跳变预测模型,通过所述电量跳变预测模型对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行处理,输出所述动力电池的剩余电量在预设时长后发生跳变的概率;
在所述概率大于或等于预设概率阈值的情况下,确定所述车辆的动力电池的剩余电量在预设时长后会发生跳变;
在所述概率小于所述预设概率阈值的情况下,确定所述车辆的动力电池的剩余电量在预设时长后不发生跳变。
4.如权利要求3所述的方法,其特征在于,所述电量跳变预测模型的训练方法,包括:
获取第一训练数据集,所述第一训练数据集包括多组样本数据以及所述多组样本数据的标签,所述多组样本数据中的每组样本数据包括多个特征属性的值,所述多个特征属性包括历史行驶参数、历史电池状态、历史环境参数,所述标签用于指示在所述样本数据下动力电池的剩余电量在目标时间段内是否发生跳变;
对于所述多组样本数据中任意的一组样本数据,对所述样本数据进行特征提取,得到所述样本数据的特征;
将所述样本数据的特征与所述样本数据进行拼接,得到第二训练数据集,所述第二训练数据集包括所述多组样本数据、所述多组样本数据的特征、所述多组样本数据的标签;
基于所述第二训练数据集,训练所述电量跳变预测模型。
5.如权利要求4所述的方法,其特征在于,所述多个特征属性包括连续类型和离散类型的特征属性,所述对所述样本数据进行特征提取,得到所述样本数据的特征,包括:
对于所述样本数据中任意一个连续类型的特征属性,确定所述样本数据中所述连续类型的特征属性对应的平均值、最大值、最小值以及方差;
对于所述样本数据中任意一个离散类型的特征属性,确定所述样本数据中所述离散类型的特征属性对应的中位数。
6.如权利要求4所述的方法,其特征在于,所述基于所述第二训练数据集,训练所述电量跳变预测模型,包括:
对于n个层级的第1个层级中的根节点,将所述第二训练数据集输入所述根节点,确定所述根节点下的多个特征属性的信息增益,并以信息增益最大的特征属性划分所述第二训练数据集,以基于所述根节点分裂得到多个叶子节点;
对于所述n个层级的第i个层级中的每个叶子节点,确定所述每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点,所述i为大于或等于2且小于或等于n的整数;
令i=i+1,执行对于所述n个层级的第i个层级中的每个叶子节点,确定所述每个叶子节点下的多个特征属性的信息增益,以信息增益最大的特征属性划分当前叶子节点包含的数据集,以基于当前叶子节点分裂形成第i+1层的多个叶子节点的步骤,直至根据所分裂得到的叶子节点包含的数据集确定得到预测跳变概率;
基于所述预测跳变概率与所述标签之间的差异,调整所述电量跳变预测模型的参数。
7.如权利要求4所述的方法,其特征在于,所述获取第一训练数据集,包括:
获取历史车辆数据,所述历史车辆数据包括历史行驶参数、历史电池状态、历史环境参数;
将所述历史车辆数据以目标时间段为时间间隔进行划分,得到多组样本数据,所述多组样本数据中的每组样本数据均包括对应时间段的历史行驶参数、历史电池状态、历史环境参数;
对于所述多组样本数据中任意的一组样本数据,基于所述对应时间段的历史电池状态,确定所述样本数据的标签。
8.如权利要求7所述的方法,其特征在于,所述样本数据中的对应时间段的历史电池状态包括对应时间段内的历史剩余电量,所述基于所述对应时间段的历史电池状态,确定所述样本数据的标签,包括:
确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值;
在所述电量差值大于或等于预设电量阈值的情况下,确定所述样本数据的标签为跳变;
在所述电量差值小于所述预设电量阈值的情况下,确定所述样本数据的标签为未跳变。
9.一种动力电池的电量跳变预警装置,其特征在于,所述装置包括:
第一获取模块,用于获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数;
确定模块,用于基于所述行驶参数、所述电池状态以及所述环境参数,确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变;
预警模块,用于在所述动力电池的剩余电量在预设时长后发生跳变的情况下,向所述车辆发送预警信息,所述预警信息用于指示修正所述车辆的剩余电量。
10.一种计算机设备,其特征在于,所述计算机设备包括存储器、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,所述计算机程序被所述处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958746.2A CN117022047A (zh) | 2023-08-01 | 2023-08-01 | 动力电池的电量跳变预警方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310958746.2A CN117022047A (zh) | 2023-08-01 | 2023-08-01 | 动力电池的电量跳变预警方法、装置和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117022047A true CN117022047A (zh) | 2023-11-10 |
Family
ID=88634608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310958746.2A Pending CN117022047A (zh) | 2023-08-01 | 2023-08-01 | 动力电池的电量跳变预警方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117022047A (zh) |
-
2023
- 2023-08-01 CN CN202310958746.2A patent/CN117022047A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11065978B2 (en) | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack | |
US20210188290A1 (en) | Driving model training method, driver identification method, apparatuses, device and medium | |
CN113049976B (zh) | 一种车辆电池健康状态评估方法及系统 | |
KR102627949B1 (ko) | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 | |
CN107037370B (zh) | 基于监控数据的电动汽车剩余电量计算方法 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
Sautermeister et al. | Influence of measurement and prediction uncertainties on range estimation for electric vehicles | |
CN113884961B (zh) | Soc校准方法、建模方法、建模装置、计算机设备及介质 | |
KR20160067510A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
US20220281345A1 (en) | Battery Performance Management System And Method | |
CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
CN113219336B (zh) | 电池劣化判断系统、方法及存储有程序的非临时性存储介质 | |
CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
CN112345956A (zh) | 一种电池组荷电状态检测方法和装置 | |
CN113868884A (zh) | 一种基于证据理论的动力电池多模型容错融合建模方法 | |
CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN112765726A (zh) | 一种寿命预测方法及装置 | |
CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
CN117332337A (zh) | 电池热失控预警方法、装置、服务器和存储介质 | |
CN117022047A (zh) | 动力电池的电量跳变预警方法、装置和设备 | |
CN116125298A (zh) | 电池故障检测方法及装置 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
US20240217388A1 (en) | Probabilistic modelling of electric vehicle charging and driving usage behavior with hidden markov model-based clustering |
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 |