CN112782584A - 电池电量的剩余使用额度的预测方法、***、介质及设备 - Google Patents
电池电量的剩余使用额度的预测方法、***、介质及设备 Download PDFInfo
- Publication number
- CN112782584A CN112782584A CN201911068408.1A CN201911068408A CN112782584A CN 112782584 A CN112782584 A CN 112782584A CN 201911068408 A CN201911068408 A CN 201911068408A CN 112782584 A CN112782584 A CN 112782584A
- Authority
- CN
- China
- Prior art keywords
- battery
- current
- discharge
- historical
- predicting
- 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
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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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)
Abstract
本发明公开了一种电池电量的剩余使用额度的预测方法、***、介质及电子设备,所述预测方法包括如下步骤:获取待预测电池的历史放电过程数据;从所述历史放电过程数据中提取多组放电变量以及与每组放电变量分别对应的历史使用额度;以多组所述放电变量以及所述历史使用额度作为训练数据,训练得到预测模型;获取所述待预测电池的当前放电变量;将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度。本发明技术方案提高了预测的准确度和时效性,提高了用户体验。
Description
技术领域
本发明涉及电动汽车电池换电技术领域,具体涉及一种电池电量的剩余使用额度的预测方法、***、介质及电子设备。
背景技术
电动汽车是近年来越来越普及的节能环保的交通工具之一,具有二氧化碳排放量低、养护成本低以及用户体验好的优点。用户在使用电动汽车时,最关心的就是电池电量的使用情况,以判断电动汽车是否会在长距离行驶的途中因电池电量耗尽而无法行驶。
现有技术中,通常只对电池剩余电量SOC进行评估,继而将评估得到的电池剩余电量SOC值展示给用户即可。然而,用户获知该电池剩余电量SOC值后,根本无从下手,并不清楚电动汽车究竟能够行驶多久或多长里程,只能依据历史行驶情况进行模糊判断。而且,由于用户习惯、电池健康度、温度等多种变量都会对电池电量的剩余使用额度造成不同程度的影响,由用户根据电池剩余电量来主观判断电池电量的剩余使用额度,不仅准确性差,而且效率很低,严重影响了用户体验。
发明内容
本发明要解决的技术问题是为了克服现有技术仅向用户展示电池剩余电量而无法获取对应的剩余使用额度的缺陷,提供一种电池电量的剩余使用额度的预测方法、***、介质及电子设备。
本发明是通过下述技术方案来解决上述技术问题:
一种电池电量的剩余使用额度的预测方法,所述预测方法包括:
获取待预测电池的历史放电过程数据;
从所述历史放电过程数据中提取多组放电变量以及与每组放电变量分别对应的历史使用额度;
以多组所述放电变量以及所述历史使用额度作为训练数据,训练得到预测模型;
获取所述待预测电池的当前放电变量;
将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度。
较佳地,不同的所述放电变量具有不同的权重系数;
所述将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度的步骤包括:
将所述当前放电变量输入所述预测模型,以匹配确定所述当前放电变量对应的所述权重系数,并利用所述权重系数预测所述当前剩余使用额度。
较佳地,所述利用所述权重系数预测所述当前剩余使用额度的公式为:
yi为所述当前剩余使用额度;yi-1为距离当前最近一次预测得到的剩余使用额度。
较佳地,所述历史使用额度包括历史剩余使用时间或历史剩余使用里程;
和/或,
所述放电变量包括电池健康度、用户画像、电池包外部的环境温度、电池包外部的环境湿度、放电过程电压、放电过程电流、电池包内部温度、电池包内部湿度以及电池内阻的一种或多种。
较佳地,所述将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度的步骤之后还包括:
根据所述当前剩余使用额度生成换电建议;
将所述当前剩余使用额度和/或所述换电建议发送至预定的用户终端。
一种电池电量的剩余使用额度的预测***,所述预测***包括:
历史数据获取模块,用于获取待预测电池的历史放电过程数据;
数据提取模块,用于从所述历史放电过程数据中提取多组放电变量以及与每组放电变量分别对应的历史使用额度;
训练模块,用于以多组所述放电变量以及所述历史使用额度作为训练数据,训练得到预测模型;
当前数据获取模块,用于获取所述待预测电池的当前放电变量;
预测模块,用于将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度。
较佳地,不同的所述放电变量具有不同的权重系数;
所述预测模块用于将所述当前放电变量输入所述预测模型,以匹配确定所述当前放电变量对应的所述权重系数,并利用所述权重系数预测所述当前剩余使用额度。
较佳地,所述利用所述权重系数预测所述当前剩余使用额度的公式为:
yi为所述当前剩余使用额度;yi-1为距离当前最近一次预测得到的剩余使用额度。
较佳地,所述历史使用额度包括历史剩余使用时间或历史剩余使用里程;
和/或,
所述放电变量包括电池健康度、用户画像、电池包外部的环境温度、电池包外部的环境湿度、放电过程电压、放电过程电流、电池包内部温度、电池包内部湿度以及电池内阻的一种或多种。
较佳地,所述预测***还包括换电建议生成模块以及发送模块;
所述换电建议生成模块用于根据所述当前剩余使用额度生成换电建议;
所述发送模块用于将所述当前剩余使用额度和/或所述换电建议发送至预定的用户终端。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现前述的电池电量的剩余使用额度的预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述的电池电量的剩余使用额度的预测方法的步骤。
本发明的积极进步效果在于:本发明提供的电池电量的剩余使用额度的预测方法、***、介质及电子设备在进行剩余使用额度预测时考虑了多种影响因素对电池使用过程的影响,并且利用训练后的预测模型对数据进行拟合处理,直观地向用户显示电池剩余电量的使用额度,提高了预测的准确度和时效性,提高了用户体验。
附图说明
图1为本发明实施例1中的电池电量的剩余使用额度的预测方法的流程图。
图2为本发明实施例2中的电池电量的剩余使用额度的预测***的结构框图。
图3是本发明实施例3中的实现电池电量的剩余使用额度的预测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在所述的实施例范围之中。
实施例1
本实施例提供一种电池电量的剩余使用额度的预测方法,该预测方法包括如下步骤:
步骤S10:获取待预测电池的历史放电过程数据;
此处的历史放电过程数据可以是预设的历史时段的放电过程数据,例如,距当前时间1个月以内的数据或者距当前时间3个月内的数据等。
步骤S11:从历史放电过程数据中提取多组放电变量以及与每组放电变量分别对应的历史使用额度;
本实施例中,放电变量可以包括电池健康度、用户画像、电池包外部的环境温度、电池包外部的环境湿度、放电过程电压、放电过程电流、电池包内部温度、电池包内部湿度以及电池内阻的一种或多种。
优选地,历史使用额度可以包括历史剩余使用时间或历史剩余使用里程。
步骤S12:以多组放电变量以及历史使用额度作为训练数据,训练得到预测模型;
其中,预测模型可以是训练后的线性回归模型。
步骤S13:获取待预测电池的当前放电变量;
步骤S14:将当前放电变量输入预测模型,得到待预测电池的当前剩余使用额度。
本实施例中,可以为不同的放电变量设置不同的权重系数;
基于此,将当前放电变量输入预测模型后,可以匹配确定当前放电变量对应的权重系数,接下来,再利用权重系数预测当前剩余使用额度。
具体地,利用权重系数预测当前剩余使用额度的公式可以为:
yi为当前剩余使用额度;yi-1为距离当前最近一次预测得到的剩余使用额度。
进一步地,在获取待预测电池的历史放电过程数据后,还可以对历史放电过程数据进行预处理,以提高后续计算的精确度。预处理包括但不限于数据清理、数据集成、数据变换以及数据规约。
具体地,数据清理是指,通过填写缺失的值、光滑噪声数据、识别或删除离群点(如波峰或波谷数据)并解决不一致性来“清理”数据。通过数据清理可以使数据格式标准化,清除异常数据,纠正错误数据以及清除重复数据。
数据集成是指,把多个数据源中的数据结合起来并统一存储,从而简化数据存储空间。
数据变换是指,通过平滑聚集、数据概化或者规范化等方式将数据转换成适用于数据计算的形式,提高后续数据计算的速度。
数据归约是指将大量数据归约为数据集,不但能保持原始数据的完整性,还能够提高数据存放的秩序性。
本实施例中,历史放电过程数据可以包括训练集数据以及测试集数据;
优选地,在对模型进行训练时,可以以训练集数据中的多组放电变量作为输入,并且以历史使用额度作为输出对模型进行训练,得到预测模型;接下来,还可以利用测试集数据对预测模型进行测试,并判断测试的结果是否符合预设条件,若是,则表明预测模型较为准确,则可以用于后续的预测操作,若否,则调整权重系数,并重新利用训练集数据对模型进行训练,直到预测结果符合要求。
进一步地,在预测得到待预测电池的当前剩余使用额度之后,本实施例中的预测方法还可以包括如下步骤:
步骤S15:根据当前剩余使用额度生成换电建议;
步骤S16:将当前剩余使用额度和/或所述换电建议发送至预定的用户终端。
具体地,用户终端可以为任意型号的PC端或移动终端(例如:手机,ipad)等,本发明实施例对此不做限制。
本实施例提供的电池电量的剩余使用额度的预测方法在进行剩余使用额度预测时考虑了多种影响因素对电池使用过程的影响,并且利用训练后的预测模型对数据进行拟合处理,直观地向用户显示电池剩余电量的使用额度,提高了预测的准确度和时效性,提高了用户体验。
实施例2
本实施例提供一种电池电量的剩余使用额度的预测***,如图2所示,该预测***1可以包括:
历史数据获取模块10,用于获取待预测电池的历史放电过程数据;此处的历史放电过程数据可以是预设的历史时段的放电过程数据,例如,距当前时间1个月以内的数据或者距当前时间3个月内的数据等。
数据提取模块11,用于从历史放电过程数据中提取多组放电变量以及与每组放电变量分别对应的历史使用额度;
本实施例中,放电变量可以包括电池健康度、用户画像、电池包外部的环境温度、电池包外部的环境湿度、放电过程电压、放电过程电流、电池包内部温度、电池包内部湿度以及电池内阻的一种或多种。
优选地,历史使用额度可以包括历史剩余使用时间或历史剩余使用里程。
训练模块12,用于以多组放电变量以及历史使用额度作为训练数据,训练得到预测模型;其中,预测模型可以是训练后的线性回归模型。
当前数据获取模块13,用于获取待预测电池的当前放电变量;
预测模块14,用于将当前放电变量输入预测模型,得到待预测电池的当前剩余使用额度。
本实施例中,不同的放电变量具有不同的权重系数;
预测模块14用于将当前放电变量输入预测模型,以匹配确定当前放电变量对应的权重系数,并利用权重系数预测当前剩余使用额度。
具体地,利用权重系数预测当前剩余使用额度的公式为:
yi为当前剩余使用额度;yi-1为距离当前最近一次预测得到的剩余使用额度。
进一步地,该预测***1还可以包括预处理模块15,在获取待预测电池的历史放电过程数据后,预处理模块15还可以对历史放电过程数据进行预处理,以提高后续计算的精确度。预处理包括但不限于数据清理、数据集成、数据变换以及数据规约。
具体地,数据清理是指,通过填写缺失的值、光滑噪声数据、识别或删除离群点(如波峰或波谷数据)并解决不一致性来“清理”数据。通过数据清理可以使数据格式标准化,清除异常数据,纠正错误数据以及清除重复数据。
数据集成是指,把多个数据源中的数据结合起来并统一存储,从而简化数据存储空间。
数据变换是指,通过平滑聚集、数据概化或者规范化等方式将数据转换成适用于数据计算的形式,提高后续数据计算的速度。
数据归约是指将大量数据归约为数据集,不但能保持原始数据的完整性,还能够提高数据存放的秩序性。
本实施例中,历史放电过程数据可以包括训练集数据以及测试集数据;
优选地,训练模块12可以以训练集数据中的多组放电变量作为输入,并且以历史使用额度作为输出对模型进行训练,得到预测模型;接下来,还可以利用测试集数据对预测模型进行测试,并判断测试的结果是否符合预设条件,若是,则表明预测模型较为准确,则可以用于后续的预测操作,若否,则调整权重系数,并重新利用训练集数据对模型进行训练,直到预测结果符合要求。
进一步地,预测***1还包括换电建议生成模块16以及发送模块17;换电建议生成模块16用于根据当前剩余使用额度生成换电建议;发送模块17用于将当前剩余使用额度和/或换电建议发送至预定的用户终端。
具体地,用户终端可以为任意型号的PC端或移动终端(例如:手机,ipad)等,本发明实施例对此不做限制。
本实施例提供的电池电量的剩余使用额度的预测***在运行时,综合考虑了多种影响因素对电池使用过程的影响,并且利用训练后的预测模型对数据进行拟合处理,直观地向用户显示电池剩余电量的使用额度,提高了预测的准确度和时效性,提高了用户体验。
实施例3
本发明还提供一种电子设备,如图3所示,电子设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现前述实施例1中的电池电量的剩余使用额度的预测方法的步骤。
可以理解的是,图3所示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备2可以以通用计算设备的形式表现,例如:其可以为服务器设备。电子设备2的组件可以包括但不限于:上述至少一个处理器3、上述至少一个存储器4、连接不同***组件(包括存储器4和处理器3)的总线5。
总线5可以包括数据总线、地址总线和控制总线。
存储器4可以包括易失性存储器,例如随机存取存储器(RAM)41和/或高速缓存存储器42,还可以进一步包括只读存储器(ROM)43。
存储器4还可以包括具有一组(至少一个)程序模块44的程序工具45(或实用工具),这样的程序模块44包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器3通过运行存储在存储器4中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1中的电池电量的剩余使用额度的预测方法的步骤。
电子设备2也可以与一个或多个外部设备6(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口7进行。并且,模型生成的电子设备2还可以通过网络适配器8与一个或者多个网络(例如局域网LAN,广域网WAN和/或公共网络)通信。
如图3所示,网络适配器8可以通过总线5与模型生成的电子设备2的其它模块通信。本领域技术人员应当明白,尽管图中未示出,可以结合模型生成的电子设备2使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
需要说明的是,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1中的电池电量的剩余使用额度的预测方法的步骤。
其中,计算机可读存储介质可以采用的更具体方式可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1中的电池电量的剩余使用额度的预测方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (12)
1.一种电池电量的剩余使用额度的预测方法,其特征在于,所述预测方法包括:
获取待预测电池的历史放电过程数据;
从所述历史放电过程数据中提取多组放电变量以及与每组放电变量分别对应的历史使用额度;
以多组所述放电变量以及所述历史使用额度作为训练数据,训练得到预测模型;
获取所述待预测电池的当前放电变量;
将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度。
2.如权利要求1所述的电池电量的剩余使用额度的预测方法,其特征在于,不同的所述放电变量具有不同的权重系数;
所述将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度的步骤包括:
将所述当前放电变量输入所述预测模型,以匹配确定所述当前放电变量对应的所述权重系数,并利用所述权重系数预测所述当前剩余使用额度。
4.如权利要求1所述的电池电量的剩余使用额度的预测方法,其特征在于,
所述历史使用额度包括历史使用时间或历史使用里程;
和/或,
所述放电变量包括电池健康度、用户画像、电池包外部的环境温度、电池包外部的环境湿度、放电过程电压、放电过程电流、电池包内部温度、电池包内部湿度以及电池内阻的一种或多种。
5.如权利要求1-4任一项所述的电池电量的剩余使用额度的预测方法,其特征在于,所述将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度的步骤之后还包括:
根据所述当前剩余使用额度生成换电建议;
将所述当前剩余使用额度和/或所述换电建议发送至预定的用户终端。
6.一种电池电量的剩余使用额度的预测***,其特征在于,所述预测***包括:
历史数据获取模块,用于获取待预测电池的历史放电过程数据;
数据提取模块,用于从所述历史放电过程数据中提取多组放电变量以及与每组放电变量分别对应的历史使用额度;
训练模块,用于以多组所述放电变量以及所述历史使用额度作为训练数据,训练得到预测模型;
当前数据获取模块,用于获取所述待预测电池的当前放电变量;
预测模块,用于将所述当前放电变量输入所述预测模型,得到所述待预测电池的当前剩余使用额度。
7.如权利要求6所述的电池电量的剩余使用额度的预测***,其特征在于,不同的所述放电变量具有不同的权重系数;
所述预测模块用于将所述当前放电变量输入所述预测模型,以匹配确定所述当前放电变量对应的所述权重系数,并利用所述权重系数预测所述当前剩余使用额度。
9.如权利要求6所述的电池电量的剩余使用额度的预测***,其特征在于,
所述历史使用额度包括历史使用时间或历史使用里程;
和/或,
所述放电变量包括电池健康度、用户画像、电池包外部的环境温度、电池包外部的环境湿度、放电过程电压、放电过程电流、电池包内部温度、电池包内部湿度以及电池内阻的一种或多种。
10.如权利要求6-9任一项所述的电池电量的剩余使用额度的预测***,其特征在于,所述预测***还包括换电建议生成模块以及发送模块;
所述换电建议生成模块用于根据所述当前剩余使用额度生成换电建议;
所述发送模块用于将所述当前剩余使用额度和/或所述换电建议发送至预定的用户终端。
11.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1-5任一项所述的电池电量的剩余使用额度的预测方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的电池电量的剩余使用额度的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068408.1A CN112782584B (zh) | 2019-11-05 | 2019-11-05 | 电池电量的剩余使用额度的预测方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068408.1A CN112782584B (zh) | 2019-11-05 | 2019-11-05 | 电池电量的剩余使用额度的预测方法、***、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112782584A true CN112782584A (zh) | 2021-05-11 |
CN112782584B CN112782584B (zh) | 2023-06-23 |
Family
ID=75748807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911068408.1A Active CN112782584B (zh) | 2019-11-05 | 2019-11-05 | 电池电量的剩余使用额度的预测方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112782584B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447820A (zh) * | 2021-06-29 | 2021-09-28 | 国网北京市电力公司 | 电量监测方法、装置、智能电表及处理器 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030626A1 (en) * | 2005-06-03 | 2009-01-29 | The Furukawa Electric Co, Ltd. | Remaining electrical charge/remaining capacity estimating method, battery state sensor and battery power source system |
US20090228225A1 (en) * | 2008-03-04 | 2009-09-10 | Eaton Corporation | Battery Service Life Estimation Methods, Apparatus and Computer Program Products Using State Estimation Techniques Initialized Using a Regression Model |
US20110234167A1 (en) * | 2010-03-24 | 2011-09-29 | Chin-Hsing Kao | Method of Predicting Remaining Capacity and Run-time of a Battery Device |
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN104459553A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种预测电动汽车电池效率和健康状况的方法和*** |
US20160274193A1 (en) * | 2015-03-19 | 2016-09-22 | Sii Semiconductor Corporation | Battery remaining power predicting device and battery pack |
CN107783057A (zh) * | 2017-10-13 | 2018-03-09 | 广汽菲亚特克莱斯勒汽车有限公司 | 一种动力电池soc估算方法及估算*** |
CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
CN108556682A (zh) * | 2018-03-30 | 2018-09-21 | 北京新能源汽车股份有限公司 | 一种续驶里程预测方法、装置及设备 |
CN109409571A (zh) * | 2018-09-21 | 2019-03-01 | 国家电网有限公司 | 一种电动汽车充电需求预测方法及装置 |
CN109583629A (zh) * | 2018-11-09 | 2019-04-05 | 广东电网有限责任公司电力调度控制中心 | 基于偏差自校正的改进相似日短期负荷预测方法及装置 |
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
-
2019
- 2019-11-05 CN CN201911068408.1A patent/CN112782584B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090030626A1 (en) * | 2005-06-03 | 2009-01-29 | The Furukawa Electric Co, Ltd. | Remaining electrical charge/remaining capacity estimating method, battery state sensor and battery power source system |
US20090228225A1 (en) * | 2008-03-04 | 2009-09-10 | Eaton Corporation | Battery Service Life Estimation Methods, Apparatus and Computer Program Products Using State Estimation Techniques Initialized Using a Regression Model |
US20110234167A1 (en) * | 2010-03-24 | 2011-09-29 | Chin-Hsing Kao | Method of Predicting Remaining Capacity and Run-time of a Battery Device |
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN104459553A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种预测电动汽车电池效率和健康状况的方法和*** |
US20160274193A1 (en) * | 2015-03-19 | 2016-09-22 | Sii Semiconductor Corporation | Battery remaining power predicting device and battery pack |
CN107783057A (zh) * | 2017-10-13 | 2018-03-09 | 广汽菲亚特克莱斯勒汽车有限公司 | 一种动力电池soc估算方法及估算*** |
CN108492141A (zh) * | 2018-03-28 | 2018-09-04 | 联想(北京)有限公司 | 一种多模型融合的预测方法及装置 |
CN108556682A (zh) * | 2018-03-30 | 2018-09-21 | 北京新能源汽车股份有限公司 | 一种续驶里程预测方法、装置及设备 |
CN109409571A (zh) * | 2018-09-21 | 2019-03-01 | 国家电网有限公司 | 一种电动汽车充电需求预测方法及装置 |
CN109583629A (zh) * | 2018-11-09 | 2019-04-05 | 广东电网有限责任公司电力调度控制中心 | 基于偏差自校正的改进相似日短期负荷预测方法及装置 |
CN110059377A (zh) * | 2019-04-02 | 2019-07-26 | 西南交通大学 | 一种基于深度卷积神经网络的燃料电池寿命预测方法 |
CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447820A (zh) * | 2021-06-29 | 2021-09-28 | 国网北京市电力公司 | 电量监测方法、装置、智能电表及处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN112782584B (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108287317B (zh) | 电池功率预测模型生成方法及***、功率预测方法及*** | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
CN112068003B (zh) | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 | |
CN115330275B (zh) | 一种退役电池的梯次利用方法及装置 | |
US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
CN111231758B (zh) | 一种电池容量的估算方法、装置、电子设备及介质 | |
US20220381848A1 (en) | Method and system for detecting vehicle battery cell imbalance | |
CN117151329A (zh) | 一种考虑碳排放强度预测方法、装置、设备及存储介质 | |
CN115718263A (zh) | 基于注意力的锂离子电池日历老化预测模型和方法 | |
CN114970665A (zh) | 模型训练方法、电解电容剩余寿命预测方法及*** | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、***、介质及设备 | |
CN113487086A (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN112895967B (zh) | 换电里程的剩余使用时间的预测方法、***、介质及设备 | |
CN111472941A (zh) | 风机状态判断方法、装置及存储介质 | |
CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
CN112560325B (zh) | 换电业务的预测方法、***、设备及存储介质 | |
CN115473216A (zh) | 一种改进电网线损计算的方法及*** | |
CN114660468A (zh) | 一种退役电池荷电状态预测方法、装置及电子设备 | |
CN112782601A (zh) | 电池健康度的获取方法、***、设备及可读存储介质 | |
CN112241580B (zh) | 动力***参数确定方法、装置、计算机设备和存储介质 | |
CN113962095A (zh) | 自卸车故障预测方法、***、设备及存储介质 | |
CN112622682B (zh) | 电动汽车电池换电里程管理方法、***、电子设备及介质 | |
CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 | |
CN114415049B (zh) | 蓄电池健康度评分卡的确定方法、装置、设备及存储介质 |
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 |