CN117538765A - 一种电动自行车电池的电量监测方法及系统 - Google Patents
一种电动自行车电池的电量监测方法及系统 Download PDFInfo
- Publication number
- CN117538765A CN117538765A CN202410031187.5A CN202410031187A CN117538765A CN 117538765 A CN117538765 A CN 117538765A CN 202410031187 A CN202410031187 A CN 202410031187A CN 117538765 A CN117538765 A CN 117538765A
- Authority
- CN
- China
- Prior art keywords
- riding
- battery
- frequency
- habit
- user
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 98
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 65
- 238000011156 evaluation Methods 0.000 claims description 59
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 230000006399 behavior Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 12
- 238000013075 data extraction Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 4
- 238000004347 surface barrier Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000036626 alertness Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- 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
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62M—RIDER PROPULSION OF WHEELED VEHICLES OR SLEDGES; POWERED PROPULSION OF SLEDGES OR SINGLE-TRACK CYCLES; TRANSMISSIONS SPECIALLY ADAPTED FOR SUCH VEHICLES
- B62M6/00—Rider propulsion of wheeled vehicles with additional source of power, e.g. combustion engine or electric motor
- B62M6/40—Rider propelled cycles with auxiliary electric motor
- B62M6/45—Control or actuating devices therefor
- B62M6/50—Control or actuating devices therefor characterised by detectors or sensors, or arrangement thereof
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62M—RIDER PROPULSION OF WHEELED VEHICLES OR SLEDGES; POWERED PROPULSION OF SLEDGES OR SINGLE-TRACK CYCLES; TRANSMISSIONS SPECIALLY ADAPTED FOR SUCH VEHICLES
- B62M6/00—Rider propulsion of wheeled vehicles with additional source of power, e.g. combustion engine or electric motor
- B62M6/80—Accessories, e.g. power sources; Arrangements thereof
- B62M6/90—Batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- B60L2200/00—Type of vehicles
- B60L2200/46—Vehicles with auxiliary ad-on propulsions, e.g. add-on electric motor kits for bicycles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Sustainable Development (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Sustainable Energy (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电动自行车电池的电量监测方法及系统,涉及电池的技术领域,首先系统将采集用户骑行电动自行车时的日常习惯相关参数,系统能够深入了解用户的骑行习惯和充电习惯,以便系统能够更准确地根据用户的个性化需求提供电池电量信息,降低了传统电量显示系统简单百分比显示的不足;通过监测外界环境子数据集,系统引入了路面障碍因子Zayz和人流量Rlz等因素,综合考虑了用户骑行时的实际环境,这使得系统更具智能化,能够根据不同环境条件对电池电量进行动态分析,进一步提高了用户骑行体验;通过采用监测识别模块和电池电量分析模块,系统引入了卷积神经网络和机器学习计算,实现了对复杂数据的深度分析。
Description
技术领域
本发明涉及电池的技术领域,具体为一种电动自行车电池的电量监测方法及系统。
背景技术
电动自行车作为环保与便捷的交通工具,逐渐受到了广泛关注。其中电池作为电动自行车的重要组成部分,其性能直接关系到用户的骑行体验和续航能力。为了更好地满足用户需求,提高电池的使用寿命和性能,电量监测系统应运而生。
在电动自行车电池的领域中,对电池电量的准确监测成为关键问题。用户对于电池续航能力的需求多种多样,而目前常见的电量显示系统通常只提供一个简单的电量百分比,这背后通常通过对电压、电流积分以及电池的内部电阻的分析,综合评估出电池电量的数值,但并未能充分考虑用户的骑行习惯、充电习惯以及外界环境对电池性能的影响,导致电池的实际使用寿命与用户期望之间存在较大差距。因此,为了更好地满足用户个性化需求,提高电池的使用寿命和性能,该电量监测系统着眼于深入分析用户骑行习惯和外界环境的综合影响。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种电动自行车电池的电量监测方法及系统,解决了上述背景技术中的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种电动自行车电池的电量监测系统,包括数据采集模块、监测识别模块、电池电量分析模块、阈值评估模块以及综合判断模块;
所述数据采集模块用于采集与记录用户骑行电动自行车时的日常习惯子数据集,并定时监测骑行中外界环境子数据集,并将所述日常习惯子数据集和所述外界环境子数据集传输至电池监测数据集;
所述监测识别模块用于建立数据识别模型,通过卷积神经网络CNN提取外界环境子数据集的特征,获取路面障碍因子Zayz和人流量Rlz;并利用数据预处理技术,对所述日常习惯子数据集进行特征提取,其中,所述日常习惯子数据集包括用户骑行习惯数据信息和用户充电习惯数据信息,经提取后,获取起步频率Pbpl、停止频率Tzpl、变速频率Bspl、停充时长Tcsc以及拔插频率Bcpz;
所述电池电量分析模块用于将所述起步频率Pbpl与所述变速频率Bspl相关联,以获取骑行习惯影响系数Qxxs,通过所述路面障碍因子Zayz和所述人流量Rlz相关联,获取骑行环境系数Qhxs,通过所述停充时长Tcsc与所述拔插频率Bcpz相关联,获取充电习惯影响系数CXxs,并通过机器学习计算,将所述骑行习惯影响系数Qxxs与所述充电习惯影响系数CXxs相关联,拟合获取电量变化状态指数Dbzs,所述电量变化状态指数Dbzs通过以下公式获取:
;
式中,Fz表示为负载值,F1、F2、F3和F4分别表示为骑行习惯影响系数Qxxs、充电习惯影响系数CXxs、骑行环境系数Qhxs和负载值Fz的预设比例系数,其中,0.20≤F1≤0.25,0.33≤F2≤0.40,0.10≤F3≤0.20,0.05≤F4≤0.15,且0.70≤F1+F2+F3+F4≤1.0,P表示为第一修正常数;
所述阈值评估模块用于将所述骑行习惯影响系数Qxxs与第一阈值N1进行对比,获取第一评估结果,将所述电量变化状态指数Dbzs与第二阈值N2进行对比,获取第二评估结果;
所述综合判断模块用于通过分析第一评估结果和第二评估结果,以生成相对应的预警信息。
优选的,所述数据采集模块包括传感器单元、骑行时监测单元、充电时监测单元和环境监测单元;
所述传感器单元用于在电动自行车前端安装若干组前置传感器,以及电动自行车座垫底部安置重力传感器,其中若干组前置传感器包括红外摄像头、转动传感器、温度传感器以及充电器状态监测器;
所述骑行时监测单元用于在重量传感器处于工作状态时,监测用户在骑行电动自行车时的用户骑行习惯数据信息,用户骑行习惯数据信息包括起步频率Pbpl、停止频率Tzpl、变速频率Bspl、刹车频率Scpl、骑行速度Qxsd以及起步速度;
所述充电时监测单元用于监测在电动自行车处于充电时用户充电习惯数据信息,所述用户充电习惯数据信息包括停充时长Tcsc、拔插频率Bcpz以及快充频率Kcpl;
所述环境监测单元用于在重量传感器处于工作状态时,监测用户在骑行电动自行车时的外界环境子数据集,其中所述外界环境子数据集包括转弯路口数量Zwls、人流量Rlz、温度值Wdz、车流量、石子分布状态以及洼坑频率Wkpl。
优选的,所述监测识别模块包括数据提取单元和统一单元;
所述数据提取单元用于利用卷积神经网络CNN和数据预处理技术,将所述日常习惯子数据集和所述外界环境子数据集均进行识别和消除错误、异常值或噪音数据信息,并对数据进行特征提取,从其中提取有用的特征数据;
所述统一单元用于依据无量纲处理技术,将所述数据提取单元处理后的相关数据信息进行标准化,并使用标准化方法使其具有统一的尺度,其中,标准化方法包括Z-score标准化,将所述数据提取单元处理后的相关数据信息转化为均值为0和标准差为1的标准正态分布。
优选的,经过无量纲处理后,所述骑行习惯影响系数Qxxs通过以下公式获取:
;
式中,a1、a2和a3分别表示为变速频率Bspl、刹车频率Scpl和骑行速度Qxsd的预设比例系数,a4表示为起步频率Pbpl和停止频率Tzpl之和的预设比例系数,其中,0.05≤a1≤0.20,0.05≤a2≤0.20,0.12≤a3≤0.30,0.20≤a4≤0.30,且0.45≤a1+a2+a3+a4≤1.0,C1表示为第二修正常数。
优选的,将所述转弯路口数量Zwls与所述洼坑频率Wkpl相关联,并经过无量纲处理后,获取路面障碍因子Zayz,所述路面障碍因子Zayz通过以下公式获取:
;
式中,h1和h2分别表示为转弯路口数量Zwls和洼坑频率Wkpl的预设比例系数,其中,0.25≤h1≤0.50,0.10≤h2≤0.50,且0.40≤h1+h2≤1.0。
优选的,经过无量纲处理后,所述骑行环境系数Qhxs通过以下公式获取:
;
式中,Zayz表示为路面障碍因子,Wdz表示为温度值,Rlz表示为人流量,b1、b2和b3分别表示为路面障碍因子Zayz、温度值Wdz和人流量Rlz的预设比例系数,其中,0.10≤b1≤0.41,0.15≤b2≤0.20,0.10≤b3≤39,且0.40≤b1+b2+b3≤1.0,C2表示为第三修正常数。
优选的,经过无量纲处理后,所述充电习惯影响系数CXxs通过以下公式获取:
;
式中,Tcsc表示为停充时长,Bcpz表示为拔插频率,Kcpl表示为快充频率,和均
表示为预设比例,其中,0.20≤≤0.62,0.16≤≤0.38,且0.40≤+≤1.0,C3表示为第
四修正常数。
优选的,所述阈值评估模块用于预先设置第一阈值N1和第二阈值N2,并将所述第一阈值N1与所述骑行习惯影响系数Qxxs进行对比,获取第一评估结果,所述第一评估结果具体内容如下:
若所述骑行习惯影响系数Qxxs大于或等于所述第一阈值N1时,表示为此时用户的骑行行为在对电池的影响方面处于非正常状态;
若所述骑行习惯影响系数Qxxs小于所述第一阈值N1时,表示为此时用户的骑行行为在对电池的影响方面处于正常状态;
由所述第二阈值N2与所述电量变化状态指数Dbzs进行对比分析,获取第二评估结果,所述第二评估结果具体内容如下:
若所述电量变化状态指数Dbzs大于第二阈值N2时,即Dbzs>N2时,表示为电池的电量变化状态处于异常状态;
若所述电量变化状态指数Dbzs等于第二阈值N2时,即Dbzs=N2时,表示为电池的电量变化状态处于非异常状态;
若所述电量变化状态指数Dbzs小于第二阈值N2时,即Dbzs<N2时,表示为电池的电量变化状态处于非异常且保守的状态,以更好地适应用户的骑行习惯和提高电池的利用率。
优选的,所述综合判断模块将依据所述第一评估结果和所述第二评估结果,做出相应预警信息,所述预警信息内容如下:
当用户的骑行行为在对电池的影响方面处于非正常状态时,此时提醒用户注意电池状态,采取减缓骑行的速度或增加充电频率,以保护电池性能;
当用户的骑行行为在对电池的影响方面处于正常状态时,此时无需采取提醒措施;
当电池的电量变化状态处于异常状态时,此时发出红色语音预警通知,并在电动自行车的显示面进行循环闪烁;
当电池的电量变化状态处于非异常状态时,此时发出橙色预警通知,并在电动自行车的显示面闪烁10次;
当电池的电量变化状态处于非异常且保守的状态时,此时无需发出额外预警通知。
优选的,一种电动自行车电池的电量监测方法,包括以下步骤,
步骤一、首先数据采集模块将对用户骑行电动自行车时的日常习惯子数据集和骑行中外界环境子数据集进行监测,并将所述日常习惯子数据集和所述外界环境子数据集传输至电池监测数据集;
步骤二、其次监测识别模块将对电池监测数据集中的相关数据信息进行数据提取,以获取路面障碍因子Zayz、人流量Rlz、起步频率Pbpl、停止频率Tzpl、变速频率Bspl、停充时长Tcsc以及拔插频率Bcpz;
步骤三、此外电池电量分析模块将所述起步频率Pbpl与所述变速频率Bspl相关联,以获取骑行习惯影响系数Qxxs,通过所述路面障碍因子Zayz和所述人流量Rlz相关联,获取骑行环境系数Qhxs,通过所述停充时长Tcsc与所述拔插频率Bcpz相关联,获取充电习惯影响系数CXxs,并通过机器学习计算,将所述骑行习惯影响系数Qxxs与所述充电习惯影响系数CXxs相关联,拟合获取电量变化状态指数Dbzs;
步骤四、接着阈值评估模块用于将所述骑行习惯影响系数Qxxs与第一阈值N1进行对比,获取第一评估结果,将所述电量变化状态指数Dbzs与第二阈值N2进行对比,获取第二评估结果;
步骤五、最后综合判断模块用于通过分析第一评估结果和第二评估结果,以生成相对应的预警信息。
(三)有益效果
本发明提供了一种电动自行车电池的电量监测方法及系统,具备以下有益效果:
(1)首先系统将采集用户骑行电动自行车时的日常习惯相关参数,系统能够深入了解用户的骑行习惯和充电习惯,以便系统能够更准确地根据用户的个性化需求提供电池电量信息,降低了传统电量显示系统简单百分比显示的不足;通过监测外界环境子数据集,系统引入了路面障碍因子Zayz和人流量Rlz等因素,综合考虑了用户骑行时的实际环境,这使得系统更具智能化,能够根据不同环境条件对电池电量进行动态分析,进一步提高了用户骑行体验;通过采用监测识别模块和电池电量分析模块,系统引入了卷积神经网络和机器学习计算,实现了对复杂数据的深度分析,有助于更精确地评估用户骑行习惯影响、充电习惯影响和外界环境因素对电池状态的综合影响,提高了电量监测的准确性和智能化水平。总之,该系统结合了个性化、智能化和实时性的特点,通过不同用户习惯分析和环境感知,为用户提供更为准确和智能的电池状态监测服务,提高了电动自行车的使用寿命和性能,同时提升了用户的骑行体验。
(2)通过阈值评估模块和综合判断模块,系统实现了对电池状态的实时监测和评估,一旦系统检测到骑行习惯或电量变化状态异常,能够及时生成预警信息,提醒用户采取相应措施,有效预防电池性能问题的发生。
附图说明
图1为本发明一种电动自行车电池的电量监测系统框图流程示意图;
图2为本发明一种电动自行车电池的电量监测方法步骤流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
电动自行车作为环保与便捷的交通工具,逐渐受到了广泛关注。其中电池作为电动自行车的重要组成部分,其性能直接关系到用户的骑行体验和续航能力。为了更好地满足用户需求,提高电池的使用寿命和性能,电量监测系统应运而生。
在电动自行车电池的领域中,对电池电量的准确监测成为关键问题。用户对于电池续航能力的需求多种多样,而目前常见的电量显示系统通常只提供一个简单的电量百分比,这背后通常通过对电压、电流积分以及电池的内部电阻的分析,综合评估出电池电量的数值,但并未能充分考虑用户的骑行习惯、充电习惯以及外界环境对电池性能的影响,导致电池的实际使用寿命与用户期望之间存在较大差距。因此,为了更好地满足用户个性化需求,提高电池的使用寿命和性能,该电量监测系统着眼于深入分析用户骑行习惯和外界环境的综合影响。
实施例1
请参阅图1,本发明提供一种电动自行车电池的电量监测系统,包括数据采集模块、监测识别模块、电池电量分析模块、阈值评估模块以及综合判断模块;
所述数据采集模块用于采集与记录用户骑行电动自行车时的日常习惯子数据集,并定时监测骑行中外界环境子数据集,并将所述日常习惯子数据集和所述外界环境子数据集传输至电池监测数据集;
所述监测识别模块用于建立数据识别模型,通过卷积神经网络CNN提取外界环境子数据集的特征,获取路面障碍因子Zayz和人流量Rlz;并利用数据预处理技术,对所述日常习惯子数据集进行特征提取,其中,所述日常习惯子数据集包括用户骑行习惯数据信息和用户充电习惯数据信息,经提取后,获取起步频率Pbpl、停止频率Tzpl、变速频率Bspl、停充时长Tcsc以及拔插频率Bcpz;
所述电池电量分析模块用于将所述起步频率Pbpl与所述变速频率Bspl相关联,以获取骑行习惯影响系数Qxxs,通过所述路面障碍因子Zayz和所述人流量Rlz相关联,获取骑行环境系数Qhxs,通过所述停充时长Tcsc与所述拔插频率Bcpz相关联,获取充电习惯影响系数CXxs,并通过机器学习计算,将所述骑行习惯影响系数Qxxs与所述充电习惯影响系数CXxs相关联,拟合获取电量变化状态指数Dbzs,所述电量变化状态指数Dbzs通过以下公式获取:
;
式中,Fz表示为负载值,F1、F2、F3和F4分别表示为骑行习惯影响系数Qxxs、充电习惯影响系数CXxs、骑行环境系数Qhxs和负载值Fz的预设比例系数,其中,0.20≤F1≤0.25,0.33≤F2≤0.40,0.10≤F3≤0.20,0.05≤F4≤0.15,且0.70≤F1+F2+F3+F4≤1.0,P表示为第一修正常数;
所述阈值评估模块用于将所述骑行习惯影响系数Qxxs与第一阈值N1进行对比,获取第一评估结果,将所述电量变化状态指数Dbzs与第二阈值N2进行对比,获取第二评估结果;
所述综合判断模块用于通过分析第一评估结果和第二评估结果,以生成相对应的预警信息。
本系统运行中,通过采集用户骑行电动自行车时的日常习惯子数据集,系统能够深入了解用户的骑行习惯和充电习惯;通过监测外界环境子数据集,系统引入了路面障碍因子Zayz和人流量Rlz等因素,综合考虑了用户骑行时的实际环境,这使得系统更具智能化,能够根据不同环境条件对电池电量进行动态分析,进一步提高了用户骑行体验;通过采用监测识别模块和电池电量分析模块,系统引入了卷积神经网络和机器学习计算,实现了对复杂数据的深度分析,有助于更精确地评估用户骑行习惯影响、充电习惯影响和外界环境因素对电池状态的综合影响,提高了电量监测的准确性和智能化水平。
实施例2
请参照图1,具体的:所述数据采集模块包括传感器单元、骑行时监测单元、充电时监测单元和环境监测单元;
所述传感器单元用于在电动自行车前端安装若干组前置传感器,以及电动自行车座垫底部安置重力传感器,其中若干组前置传感器包括红外摄像头、转动传感器、温度传感器以及充电器状态监测器;
所述骑行时监测单元用于在重量传感器处于工作状态时,监测用户在骑行电动自行车时的用户骑行习惯数据信息,用户骑行习惯数据信息包括起步频率Pbpl、停止频率Tzpl、变速频率Bspl、刹车频率Scpl、骑行速度Qxsd以及起步速度;
所述充电时监测单元用于监测在电动自行车处于充电时用户充电习惯数据信息,所述用户充电习惯数据信息包括停充时长Tcsc、拔插频率Bcpz以及快充频率Kcpl;
所述环境监测单元用于在重量传感器处于工作状态时,监测用户在骑行电动自行车时的外界环境子数据集,其中所述外界环境子数据集包括转弯路口数量Zwls、人流量Rlz、温度值Wdz、车流量、石子分布状态以及洼坑频率Wkpl。
所述监测识别模块包括数据提取单元和统一单元;
所述数据提取单元用于利用卷积神经网络CNN和数据预处理技术,将所述日常习惯子数据集和所述外界环境子数据集均进行识别和消除错误、异常值或噪音数据信息,并对数据进行特征提取,从其中提取有用的特征数据;
所述统一单元用于依据无量纲处理技术,将所述数据提取单元处理后的相关数据信息进行标准化,并使用标准化方法使其具有统一的尺度,其中,标准化方法包括Z-score标准化,将所述数据提取单元处理后的相关数据信息转化为均值为0和标准差为1的标准正态分布,进一步确保了各个特征数据具有统一的尺度,提高了数据的可比性和模型的鲁棒性。
本实施例中,传感器单元通过若干组前置传感器和重量传感器,实现了对骑行时和充电时的多维数据采集;通过骑行时监测单元、充电时监测单元以及环境监测单元,有助于系统更全面与准确地了解用户的骑行行为,以及环境数据为电池性能受外部条件影响的分析提供了重要依据;总之,该系统通过多维度的数据采集和智能化的数据处理,提供了更为全面、准确的用户行为和环境信息,为电池状态监测提供了更为科学和可靠的基础,从而优化了电池管理系统的性能和用户体验。
实施例3
请参照图1,具体的:经过无量纲处理后,所述骑行习惯影响系数Qxxs通过以下公式获取:
;
式中,a1、a2和a3分别表示为变速频率Bspl、刹车频率Scpl和骑行速度Qxsd的预设比例系数,a4表示为起步频率Pbpl和停止频率Tzpl之和的预设比例系数,其中,0.05≤a1≤0.20,0.05≤a2≤0.20,0.12≤a3≤0.30,0.20≤a4≤0.30,且0.45≤a1+a2+a3+a4≤1.0,C1表示为第二修正常数。
上述的变速频率Bspl指的是用户在骑行工作中,骑行速度发生的变化频率,并在前后变速差达到50米每分时,处于变速状态;
刹车频率Scpl通过刹车传感器进行采集获取;骑行速度Qxsd通过速度传感器进行采集获取;起步频率Pbpl指的是用户开始骑行的频率;停止频率Tzpl指的是用户停止骑行的频率,并且起步频率Pbpl和停止频率Tzpl均通过转动传感器进行监测获取;
本实施例中,通过引入变速频率Bspl、刹车频率Scpl、骑行速度Qxsd、起步频率Pbpl和停止频率Tzpl等多个骑行行为参数,综合地分析用户的骑行习惯;其中不同的行为参数在影响电池状态方面可能有不同的权重,通过这种方式可以更好地反映用户的实际骑行特征,同时有助于适应不同用户的骑行风格,使得骑行习惯影响系数更符合用户个性化的使用情况,提高了系统的灵活性和适用性。
实施例4
请参照图1,具体的:将所述转弯路口数量Zwls与所述洼坑频率Wkpl相关联,并经过无量纲处理后,获取路面障碍因子Zayz,所述路面障碍因子Zayz通过以下公式获取:
;
式中,h1和h2分别表示为转弯路口数量Zwls和洼坑频率Wkpl的预设比例系数,其中,0.25≤h1≤0.50,0.10≤h2≤0.50,且0.40≤h1+h2≤1.0。
上述的转弯路口数量Zwls通过红外摄像头进行采集获取;
洼坑频率Wkpl通过重力感应器进行采集获取,可以通过检测电动自行车在不同路面情况下的震动来获取洼坑频率信息;
经过无量纲处理后,所述骑行环境系数Qhxs通过以下公式获取:
;
式中,Zayz表示为路面障碍因子,Wdz表示为温度值,Rlz表示为人流量,b1、b2和b3分别表示为路面障碍因子Zayz、温度值Wdz和人流量Rlz的预设比例系数,其中,0.10≤b1≤0.41,0.15≤b2≤0.20,0.10≤b3≤39,且0.40≤b1+b2+b3≤1.0,C2表示为第三修正常数。
上述的温度值Wdz通过温度传感器进行采集获取;人流量Rlz指的是用户在骑行的过程中道理上的人流量情况,通过红外摄像头进行采集获取;
经过无量纲处理后,所述充电习惯影响系数CXxs通过以下公式获取:
;
式中,Tcsc表示为停充时长,Bcpz表示为拔插频率,Kcpl表示为快充频率,和均
表示为预设比例,其中,0.20≤≤0.62,0.16≤≤0.38,且0.40≤+≤1.0,C3表示为第
四修正常数。
上述的停充时长Tcsc、拔插频率Bcpz和快充频率Kcpl均通过充电器状态监测器进行监测获取;其中,停充时长Tcsc指的是自电动自行车在无电量起算到用户对其进行充电的时长,拔插频率Bcpz指的是用户在电动自行车的电量未处于百分之百时,就将其充电器进行拔出的情况;
本实施例中,通过路面障碍因子Zayz、温度值Wdz和人流量Rlz参数,综合分析出骑行环境系数Qhxs,有助于系统更准确地分析骑行环境对电池状态的影响,进一步提高了系统的智能化水平;并且通过充电习惯影响系数CXxs的计算,系统将掌握用户对日常的充电习惯,以便为后续的电池电量的变化做基础。
实施例5
请参照图1,具体的:所述阈值评估模块用于预先设置第一阈值N1和第二阈值N2,并将所述第一阈值N1与所述骑行习惯影响系数Qxxs进行对比,获取第一评估结果,所述第一评估结果具体内容如下:
若所述骑行习惯影响系数Qxxs大于或等于所述第一阈值N1时,表示为此时用户的骑行行为在对电池的影响方面处于非正常状态;
若所述骑行习惯影响系数Qxxs小于所述第一阈值N1时,表示为此时用户的骑行行为在对电池的影响方面处于正常状态;
由所述第二阈值N2与所述电量变化状态指数Dbzs进行对比分析,获取第二评估结果,所述第二评估结果具体内容如下:
若所述电量变化状态指数Dbzs大于第二阈值N2时,即Dbzs>N2时,表示为电池的电量变化状态处于异常状态,可能出现电池的充电或放电速度过快、过慢等异常状态;
若所述电量变化状态指数Dbzs等于第二阈值N2时,即Dbzs=N2时,表示为电池的电量变化状态处于非异常状态,这种状态的提醒有助于用户时刻保持对电池状态的关注,预防潜在问题的发生,确保电池的正常工作;
若所述电量变化状态指数Dbzs小于第二阈值N2时,即Dbzs<N2时,表示为电池的电量变化状态处于非异常且保守的状态,以更好地适应用户的骑行习惯和提高电池的利用率。
本实施例中,第一评估结果通过比较骑行习惯影响系数Qxxs与第一阈值N1,能够在用户骑行过程中实时判断骑行行为是否正常;当骑行习惯影响系数Qxxs大于或等于第一阈值N1时,系统发出非正常状态的警示,提示用户可能存在异常的骑行行为对电池产生不利影响,有助于用户及时调整骑行方式,减少对电池性能造成潜在风险,第二评估结果通过对比电量变化状态指数Dbzs与第二阈值N2,系统能够实时诊断电池的电量变化状态。当电量变化状态指数Dbzs大于第二阈值N2时,系统提示电池可能处于异常状态,可能充电或放电速度过快或过慢,这提醒用户可能存在电池问题,促使用户及时将电动自行车拿去检查和管理,以确保电池性能和寿命不受到损害。总之,通过以上评估结果,系统能够及时发现和提示用户潜在的异常情况,有助于提高电动自行车电池监测系统的安全性和用户体验。
实施例6
请参照图1,具体的:所述综合判断模块将依据所述第一评估结果和所述第二评估结果,做出相应预警信息,所述预警信息内容如下:
当用户的骑行行为在对电池的影响方面处于非正常状态时,此时提醒用户注意电池状态,采取减缓骑行的速度或增加充电频率,以保护电池性能;
当用户的骑行行为在对电池的影响方面处于正常状态时,此时无需采取提醒措施;
当电池的电量变化状态处于异常状态时,此时发出红色语音预警通知,并在电动自行车的显示面进行循环闪烁;
当电池的电量变化状态处于非异常状态时,此时发出橙色预警通知,并在电动自行车的显示面闪烁10次,并继续监测电池状态;
当电池的电量变化状态处于非异常且保守的状态时,此时无需发出额外预警通知。
本实施例中,在用户的骑行行为对电池的影响处于正常状态时,系统不进行额外的提醒,避免对用户造成干扰,这有助于提高系统的智能性,确保用户在正常骑行状态下不受到无谓的干扰,提升用户体验。当电池的电量变化状态处于异常状态时,系统采用红色语音预警通知,通过声音形式直观传达电池问题的紧急性,使用户更容易察觉电池异常,进一步强调用户的警觉性;在电池的电量变化状态处于非异常状态时,系统采用橙色预警通知和在电动自行车显示面的闪烁提示;通过视觉和听觉的双重手段,让用户得知电池状态的变化,提醒用户保持关注,并继续监测电池状态。这种多层次的提醒方式有助于用户更全面地了解电池状态,提高用户对电池的管理水平。
实施例7
请参照图1和图2,具体的:一种电动自行车电池的电量监测方法,包括以下步骤,
步骤一、首先数据采集模块将对用户骑行电动自行车时的日常习惯子数据集和骑行中外界环境子数据集进行监测,并将所述日常习惯子数据集和所述外界环境子数据集传输至电池监测数据集;
步骤二、其次监测识别模块将对电池监测数据集中的相关数据信息进行数据提取,以获取路面障碍因子Zayz、人流量Rlz、起步频率Pbpl、停止频率Tzpl、变速频率Bspl、停充时长Tcsc以及拔插频率Bcpz;
步骤三、此外电池电量分析模块将所述起步频率Pbpl与所述变速频率Bspl相关联,以获取骑行习惯影响系数Qxxs,通过所述路面障碍因子Zayz和所述人流量Rlz相关联,获取骑行环境系数Qhxs,通过所述停充时长Tcsc与所述拔插频率Bcpz相关联,获取充电习惯影响系数CXxs,并通过机器学习计算,将所述骑行习惯影响系数Qxxs与所述充电习惯影响系数CXxs相关联,拟合获取电量变化状态指数Dbzs;
步骤四、接着阈值评估模块用于将所述骑行习惯影响系数Qxxs与第一阈值N1进行对比,获取第一评估结果,将所述电量变化状态指数Dbzs与第二阈值N2进行对比,获取第二评估结果;
步骤五、最后综合判断模块用于通过分析第一评估结果和第二评估结果,以生成相对应的预警信息。
示例:
数据采集:变速频率Bspl为38%;刹车频率Scpl为52%;骑行速度Qxsd为48;起步频
率Pbpl为68%;停止频率Tzpl为68%;a1为0.10;a2为0.10;a3为0.13;a4为0.22;C1为0.61;转弯
路口数量Zwls为2;洼坑频率Wkpl为43%;h1为0.26;h2为0.20;温度值Wdz为36;人流量Rlz为
58;b1为0.15;b2为0.17;b3为0.11;C2为0.44;停充时长Tcsc为4.6;拔插频率Bcpz为84%;快
充频率Kcpl为82%;为0.30;为0.21;C3为0.5;负载值Fz为108;F1为0.22;F2为0.35;F3为
0.10;F4为0.05;P为0.64;
通过以上数据,可以进行以下计算:
骑行习惯影响系数=20.0;
路面障碍因子=0.77;
骑行环境系数=30.0;
充电习惯影响系数=3.0;
电量变化状态指数=18.0;
若第一阈值N1为15,第二阈值N2为12,
此时骑行习惯影响系数Qxxs大于所述第一阈值N1,表示为此时用户的骑行行为在对电池的影响方面处于非正常状态,此时提醒用户注意电池状态,采取减缓骑行的速度或增加充电频率,以保护电池性能;
所述电量变化状态指数Dbzs大于第二阈值N2,即Dbzs>N2,表示为电池的电量变化状态处于异常状态,此时发出红色语音预警通知,并在电动自行车的显示面进行循环闪烁。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种电动自行车电池的电量监测系统,其特征在于:包括数据采集模块、监测识别模块、电池电量分析模块、阈值评估模块以及综合判断模块;
所述数据采集模块用于采集与记录用户骑行电动自行车时的日常习惯子数据集,并定时监测骑行中外界环境子数据集,并将所述日常习惯子数据集和所述外界环境子数据集传输至电池监测数据集;
所述监测识别模块用于建立数据识别模型,通过卷积神经网络CNN提取外界环境子数据集的特征,获取路面障碍因子Zayz和人流量Rlz;并利用数据预处理技术,对所述日常习惯子数据集进行特征提取,其中,所述日常习惯子数据集包括用户骑行习惯数据信息和用户充电习惯数据信息,经提取后,获取起步频率Pbpl、停止频率Tzpl、变速频率Bspl、停充时长Tcsc以及拔插频率Bcpz;
所述电池电量分析模块用于将所述起步频率Pbpl与所述变速频率Bspl相关联,以获取骑行习惯影响系数Qxxs,通过所述路面障碍因子Zayz和所述人流量Rlz相关联,获取骑行环境系数Qhxs,通过所述停充时长Tcsc与所述拔插频率Bcpz相关联,获取充电习惯影响系数CXxs,并通过机器学习计算,将所述骑行习惯影响系数Qxxs与所述充电习惯影响系数CXxs相关联,拟合获取电量变化状态指数Dbzs,所述电量变化状态指数Dbzs通过以下公式获取:
;
式中,Fz表示为负载值,F1、F2、F3和F4分别表示为骑行习惯影响系数Qxxs、充电习惯影响系数CXxs、骑行环境系数Qhxs和负载值Fz的预设比例系数,P表示为第一修正常数;
所述阈值评估模块用于将所述骑行习惯影响系数Qxxs与第一阈值N1进行对比,获取第一评估结果,将所述电量变化状态指数Dbzs与第二阈值N2进行对比,获取第二评估结果;
所述综合判断模块用于通过分析第一评估结果和第二评估结果,以生成相对应的预警信息。
2.根据权利要求1所述的一种电动自行车电池的电量监测系统,其特征在于:所述数据采集模块包括传感器单元、骑行时监测单元、充电时监测单元和环境监测单元;
所述传感器单元用于在电动自行车前端安装若干组前置传感器,以及电动自行车座垫底部安置重力传感器,其中若干组前置传感器包括红外摄像头、转动传感器、温度传感器以及充电器状态监测器;
所述骑行时监测单元用于在重量传感器处于工作状态时,监测用户在骑行电动自行车时的用户骑行习惯数据信息,用户骑行习惯数据信息包括起步频率Pbpl、停止频率Tzpl、变速频率Bspl、刹车频率Scpl、骑行速度Qxsd以及起步速度;
所述充电时监测单元用于监测在电动自行车处于充电时用户充电习惯数据信息,所述用户充电习惯数据信息包括停充时长Tcsc、拔插频率Bcpz以及快充频率Kcpl;
所述环境监测单元用于在重量传感器处于工作状态时,监测用户在骑行电动自行车时的外界环境子数据集,其中所述外界环境子数据集包括转弯路口数量Zwls、人流量Rlz、温度值Wdz、车流量、石子分布状态以及洼坑频率Wkpl。
3.根据权利要求2所述的一种电动自行车电池的电量监测系统,其特征在于:所述监测识别模块包括数据提取单元和统一单元;
所述数据提取单元用于利用卷积神经网络CNN和数据预处理技术,将所述日常习惯子数据集和所述外界环境子数据集均进行识别和消除错误、异常值或噪音数据信息,并对数据进行特征提取,从其中提取有用的特征数据;
所述统一单元用于依据无量纲处理技术,将所述数据提取单元处理后的相关数据信息进行标准化,并使用标准化方法使其具有统一的尺度,其中,标准化方法包括Z-score标准化,将所述数据提取单元处理后的相关数据信息转化为均值为0和标准差为1的标准正态分布。
4.根据权利要求2所述的一种电动自行车电池的电量监测系统,其特征在于:经过无量纲处理后,所述骑行习惯影响系数Qxxs通过以下公式获取:
;
式中,a1、a2和a3分别表示为变速频率Bspl、刹车频率Scpl和骑行速度Qxsd的预设比例系数,a4表示为起步频率Pbpl和停止频率Tzpl之和的预设比例系数,C1表示为第二修正常数。
5.根据权利要求2所述的一种电动自行车电池的电量监测系统,其特征在于:将所述转弯路口数量Zwls与所述洼坑频率Wkpl相关联,并经过无量纲处理后,获取路面障碍因子Zayz,所述路面障碍因子Zayz通过以下公式获取:
;
式中,h1和h2分别表示为转弯路口数量Zwls和洼坑频率Wkpl的预设比例系数。
6.根据权利要求5所述的一种电动自行车电池的电量监测系统,其特征在于:经过无量纲处理后,所述骑行环境系数Qhxs通过以下公式获取:
;
式中,Zayz表示为路面障碍因子,Wdz表示为温度值,Rlz表示为人流量,b1、b2和b3分别表示为路面障碍因子Zayz、温度值Wdz和人流量Rlz的预设比例系数,C2表示为第三修正常数。
7.根据权利要求6所述的一种电动自行车电池的电量监测系统,其特征在于:经过无量纲处理后,所述充电习惯影响系数CXxs通过以下公式获取:
;
式中,Tcsc表示为停充时长,Bcpz表示为拔插频率,Kcpl表示为快充频率,和/>均表示为预设比例,C3表示为第四修正常数。
8.根据权利要求1所述的一种电动自行车电池的电量监测系统,其特征在于:所述阈值评估模块用于预先设置第一阈值N1和第二阈值N2,并将所述第一阈值N1与所述骑行习惯影响系数Qxxs进行对比,获取第一评估结果,所述第一评估结果具体内容如下:
若所述骑行习惯影响系数Qxxs大于或等于所述第一阈值N1时,表示为此时用户的骑行行为在对电池的影响方面处于非正常状态;
若所述骑行习惯影响系数Qxxs小于所述第一阈值N1时,表示为此时用户的骑行行为在对电池的影响方面处于正常状态;
由所述第二阈值N2与所述电量变化状态指数Dbzs进行对比分析,获取第二评估结果,所述第二评估结果具体内容如下:
若所述电量变化状态指数Dbzs大于第二阈值N2时,即Dbzs>N2时,表示为电池的电量变化状态处于异常状态;
若所述电量变化状态指数Dbzs等于第二阈值N2时,即Dbzs=N2时,表示为电池的电量变化状态处于非异常状态;
若所述电量变化状态指数Dbzs小于第二阈值N2时,即Dbzs<N2时,表示为电池的电量变化状态处于非异常且保守的状态,以更好地适应用户的骑行习惯和提高电池的利用率。
9.根据权利要求8所述的一种电动自行车电池的电量监测系统,其特征在于:所述综合判断模块将依据所述第一评估结果和所述第二评估结果,做出相应预警信息,所述预警信息内容如下:
当用户的骑行行为在对电池的影响方面处于非正常状态时,此时提醒用户注意电池状态,采取减缓骑行的速度或增加充电频率,以保护电池性能;
当用户的骑行行为在对电池的影响方面处于正常状态时,此时无需采取提醒措施;
当电池的电量变化状态处于异常状态时,此时发出红色语音预警通知,并在电动自行车的显示面进行循环闪烁;
当电池的电量变化状态处于非异常状态时,此时发出橙色预警通知,并在电动自行车的显示面闪烁10次;
当电池的电量变化状态处于非异常且保守的状态时,此时无需发出额外预警通知。
10.一种电动自行车电池的电量监测方法,包括上述权利要求1~9任一一项所述的一种电动自行车电池的电量监测系统,其特征在于:包括以下步骤,
步骤一、首先数据采集模块将对用户骑行电动自行车时的日常习惯子数据集和骑行中外界环境子数据集进行监测,并将所述日常习惯子数据集和所述外界环境子数据集传输至电池监测数据集;
步骤二、其次监测识别模块将对电池监测数据集中的相关数据信息进行数据提取,以获取路面障碍因子Zayz、人流量Rlz、起步频率Pbpl、停止频率Tzpl、变速频率Bspl、停充时长Tcsc以及拔插频率Bcpz;
步骤三、此外电池电量分析模块将所述起步频率Pbpl与所述变速频率Bspl相关联,以获取骑行习惯影响系数Qxxs,通过所述路面障碍因子Zayz和所述人流量Rlz相关联,获取骑行环境系数Qhxs,通过所述停充时长Tcsc与所述拔插频率Bcpz相关联,获取充电习惯影响系数CXxs,并通过机器学习计算,将所述骑行习惯影响系数Qxxs与所述充电习惯影响系数CXxs相关联,拟合获取电量变化状态指数Dbzs;
步骤四、接着阈值评估模块用于将所述骑行习惯影响系数Qxxs与第一阈值N1进行对比,获取第一评估结果,将所述电量变化状态指数Dbzs与第二阈值N2进行对比,获取第二评估结果;
步骤五、最后综合判断模块用于通过分析第一评估结果和第二评估结果,以生成相对应的预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410031187.5A CN117538765B (zh) | 2024-01-09 | 2024-01-09 | 一种电动自行车电池的电量监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410031187.5A CN117538765B (zh) | 2024-01-09 | 2024-01-09 | 一种电动自行车电池的电量监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117538765A true CN117538765A (zh) | 2024-02-09 |
CN117538765B CN117538765B (zh) | 2024-04-12 |
Family
ID=89794297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410031187.5A Active CN117538765B (zh) | 2024-01-09 | 2024-01-09 | 一种电动自行车电池的电量监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117538765B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107525515A (zh) * | 2017-09-15 | 2017-12-29 | 江西爱驰亿维实业有限公司 | 应用于新能源汽车的充电设备搜索方法、系统及电子设备 |
CN108710084A (zh) * | 2018-06-01 | 2018-10-26 | 王泽霖 | 一种电动汽车电源监控及能源管理系统 |
CN113109714A (zh) * | 2020-01-10 | 2021-07-13 | 宁波吉利汽车研究开发有限公司 | 一种汽车蓄电池智能监测方法、装置及系统 |
CN114734872A (zh) * | 2022-04-06 | 2022-07-12 | 江苏英拓动力科技有限公司 | 一种车辆动力电池的用电习惯监控设备 |
CN116109025A (zh) * | 2023-04-04 | 2023-05-12 | 深圳天溯计量检测股份有限公司 | 基于大数据的电池续航测试方法 |
CN116685495A (zh) * | 2021-12-29 | 2023-09-01 | 宁德时代新能源科技股份有限公司 | 确定续航里程的方法、装置、系统、电动汽车和存储介质 |
CN116700296A (zh) * | 2023-07-26 | 2023-09-05 | 杜咏峻 | 基于深度学习的自主充电无人电动车智能规划方法及系统 |
CN116901773A (zh) * | 2023-08-31 | 2023-10-20 | 深圳市井人科技有限公司 | 一种用于电动车的无线充电引导系统及方法 |
CN117104074A (zh) * | 2023-10-25 | 2023-11-24 | 天津海关工业产品安全技术中心 | 一种充放电控制的方法及充放电控制系统 |
-
2024
- 2024-01-09 CN CN202410031187.5A patent/CN117538765B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107525515A (zh) * | 2017-09-15 | 2017-12-29 | 江西爱驰亿维实业有限公司 | 应用于新能源汽车的充电设备搜索方法、系统及电子设备 |
CN108710084A (zh) * | 2018-06-01 | 2018-10-26 | 王泽霖 | 一种电动汽车电源监控及能源管理系统 |
CN113109714A (zh) * | 2020-01-10 | 2021-07-13 | 宁波吉利汽车研究开发有限公司 | 一种汽车蓄电池智能监测方法、装置及系统 |
CN116685495A (zh) * | 2021-12-29 | 2023-09-01 | 宁德时代新能源科技股份有限公司 | 确定续航里程的方法、装置、系统、电动汽车和存储介质 |
CN114734872A (zh) * | 2022-04-06 | 2022-07-12 | 江苏英拓动力科技有限公司 | 一种车辆动力电池的用电习惯监控设备 |
CN116109025A (zh) * | 2023-04-04 | 2023-05-12 | 深圳天溯计量检测股份有限公司 | 基于大数据的电池续航测试方法 |
CN116700296A (zh) * | 2023-07-26 | 2023-09-05 | 杜咏峻 | 基于深度学习的自主充电无人电动车智能规划方法及系统 |
CN116901773A (zh) * | 2023-08-31 | 2023-10-20 | 深圳市井人科技有限公司 | 一种用于电动车的无线充电引导系统及方法 |
CN117104074A (zh) * | 2023-10-25 | 2023-11-24 | 天津海关工业产品安全技术中心 | 一种充放电控制的方法及充放电控制系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117538765B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
CN117093879B (zh) | 一种数据中心智能化运营管理方法及系统 | |
CN114148216B (zh) | 电池自放电率异常检测方法、系统、设备及存储介质 | |
CN101720453A (zh) | 利用时序信号处理进行电池组件预测维护的系统和方法 | |
CN111641236B (zh) | 基于大数据ai的动态阈值动力电池充电电压状态判断方法 | |
CN113928158B (zh) | 基于模型自学习的非侵入式电动自行车监测方法及系统 | |
CN114889433A (zh) | 一种电动汽车电池热失控报警系统及方法 | |
CN114022307A (zh) | 分等级、分时级的孤寡老人用电量异常变化分析方法 | |
CN115575842A (zh) | 电池管理方法、装置、电子设备以及存储介质 | |
CN114244866A (zh) | 一种基于物联网的生产设备监管系统 | |
CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
US11573271B1 (en) | Battery fault detection | |
CN116664015A (zh) | 一种智能充电桩管理系统及其方法 | |
CN117691722B (zh) | 一种锂电池充电安全监测预警方法及系统 | |
CN117538765B (zh) | 一种电动自行车电池的电量监测方法及系统 | |
CN109696635B (zh) | 一种基于车联网应用的电池充电状态判断方法及管理系统 | |
CN116008820B (zh) | 针对车辆电池单体不一致性的检测方法、设备和介质 | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
CN116923188A (zh) | 一种新能源车的充电保护系统 | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN113581015B (zh) | 燃料电池系统的安全预警方法及装置 | |
CN115389949A (zh) | 一种基于车-云协同的电动自行车电池安全评估预警方法 | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN110912270A (zh) | 一种配电自动化智能馈线终端 | |
CN117517993B (zh) | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |