CN113071373B - 一种基于云端智能互联大数据的温度预测和装置 - Google Patents
一种基于云端智能互联大数据的温度预测和装置 Download PDFInfo
- Publication number
- CN113071373B CN113071373B CN202110447776.8A CN202110447776A CN113071373B CN 113071373 B CN113071373 B CN 113071373B CN 202110447776 A CN202110447776 A CN 202110447776A CN 113071373 B CN113071373 B CN 113071373B
- Authority
- CN
- China
- Prior art keywords
- temperature
- temperature rise
- soc
- predicted
- initial
- 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.)
- Active
Links
Images
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
- 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
-
- 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
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供了一种基于云端智能互联大数据的温度预测和装置,涉及汽车技术领域。所述方法包括:获取动力电池的初始荷电状态SOC和初始温度;根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。本申请实时例提供的技术方案可以预测动力电池自身升温的时间,还可以预测温升量,可以通过预测的温升量,降低加热阈值,从而实现降低热能耗管理的目的。
Description
技术领域
本申请涉及汽车技术领域,特别涉及一种基于云端智能互联大数据的温度预测和装置。
背景技术
随着科技迅猛发展及芯片制造技术的提升,在汽车领域出现了以动力电池为能量来源的电动汽车。电动汽车的问世,不但解决了传统燃油车尾气排放对大气污染的问题,也降低了石油等不可再生资源的消耗。
为电动汽车的动力电池充电的过程中,随着充电时长的增加,电池加热会产生更多的热量,一方面造成了能源上的浪费,还会影响电池的使用寿命。而且现有技术对预测电池的温升量的估算,都只是考虑车端的温度预测,往往造成温度预测的不准确。
申请内容
本申请实施例提供一种基于云端智能互联大数据的温度预测和装置,以解决电池充电过程的温升量预测不准确的问题。
为了解决上述技术问题,本申请采用如下技术方案:
本申请实施例提供一种基于云端智能互联大数据的温度预测,应用于车辆,包括:
获取动力电池的初始荷电状态SOC和初始温度;
根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;
获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;
根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。
可选的,所述根据所述初始荷电状态SOC和所述初始温度,确定充电截止时的第一预测温升量,包括:
根据所述初始荷电状态SOC,确定充电过程中的多个SOC区间;其中,每一所述SOC区间对应一个时间检测周期;
根据预存的第一充电参数映射表,确定与所述初始温度对应在每一所述SOC区间对应的温升变化量;所述第一充电参数映射表包括多个温度区间内,每一SOC区间与温升变化量的对应关系;
根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量;
其中,所述第一充电参数映射表为根据前一次充电过程更新的映射表。
可选的,根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量,包括:
根据初始温度和第一预设温度,确定所述第一预设温度与所述初始温度的差值为加热过程中的第一温度变化量;
根据所述温度区间,从当前存储的第一充电参数映射表,获取每一SOC区间的多个温升变化量;
根据多个所述温升变化量作求和运算,确定所述动力电池加热过程中的第二温度变化量;
根据所述第一温度变化量和所述第二温度变化量,确定所述动力电池充电截止时的第一预测温升量;
其中,所述第一预设温度是用于划分常温和高温的临界温度值。
可选的,所述方法还包括:
获取所述动力电池充电截止时的目标荷电状态SOC和充电过程中的多个SOC变化量;
若所述目标荷电状态SOC和所述初始荷电状态SOC的差值,大于多个SOC变化量之和,执行根据所述初始荷电状态SOC和初始温度,确定所述动力电池充电截止时的第一预测温升量的步骤;
否则,确定所述第一预测温升量为第二预设温度与所述初始温度的差值;
其中,所述第二预设温度是用于划分常温和高温的临界温度值。
可选的,所述根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度,包括:
获取与所述第一预测温升量对应的第一权重,以及与所述第二预测温升量对应的第二权重;
根据所述第一权重、所述第二权重、所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。
可选的,获取与所述第一预测温升量对应的第一权重,以及与所述第二预测温升量对应的第二权重,包括:
确定全部预测温升量为所述第一预测温升量和所述第二预测温升量之和;
根据所述第一预测温升量、所述全部预测温升量,确定所述第一权重;
根据所述第二预测温升量、所述全部预测温升量,确定所述第二权重;其中,所述第一权重和所述第二权重之和为1。
本申请实施例还提供一种基于云端智能互联大数据的温度预测,应用于云端服务器,包括:
获取目标车辆的动力电池的初始荷电状态SOC和初始温度;
根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池在充电截止时的第二预测温升量;
将所述第二预测温升量发送至所述目标车辆。
可选的,所述确定与所述初始荷电状态SOC和所述初始温度对应的第二预测温升量,包括:
获取车辆状态与所述目标车辆的车辆状态相匹配的多个车辆,在初始荷电状态SOC和初始温度分别进行充电后的第三预测温升量;
根据多个所述第三预测温升量,确定所述第二预测温升量;
其中,所述车辆状态至少包括车辆所处的区域位置信息。
可选的,所述根据多个所述第三预测温升量,确定所述第二预测温升量,包括:
将多个所述第三预测温升量累加求和,并根据累加求和的结果与所述第三预测温升量的数量作除法运算,确定所述第二预测温升量。
可选的,所述确定所述动力电池在充电截止时的第二预测温升量,还包括:
获取车辆在充电过程中的批量训练数据;
对获取的批量训练数据进行解析后进行大数据学习,按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令,和初始温度的预测控制指令;
将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后,生成预测指令数据库;
根据所述初始荷电状态SOC和初始温度,与所述预测指令数据库进行匹配,确定所述第二预测温升量;
其中,所述训练数据包括:车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升变化量的对应关系。
可选的,所述训练数据包括行驶地点、动力电池的初始温度和动力电池的初始荷电状态SOC,所述预设的学习规则包括以下规则的至少一种:
提取多台车辆在所处相同区域的充电控制行为;
提取同一台车辆在同一地点的多个历史充电控制行为;
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为;
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
本申请实施例还提供一种温度预测装置,应用于车辆,包括:
第一获取模块,用于获取动力电池的初始荷电状态SOC和初始温度;
第一确定模块,用于根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;
第二获取模块,用于获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;
第二确定模块,用于根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。
本申请实施例还提供一种温度预测装置,应用于云端服务器,包括:
第三获取模块,用于获取目标车辆的动力电池的初始荷电状态SOC和初始温度;
第三确定模块,用于根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池在充电截止时的第二预测温升量;
发送模块,用于将所述第二预测温升量发送至所述目标车辆。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序,所述程序被处理器执行时实现如上所述的基于云端智能互联大数据的温度预测的步骤。
本申请的有益效果是:
上述技术方案中,所述方法通过获取动力电池的初始荷电状态SOC和初始温度;根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;又获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。这里,不仅考虑的云端预测的温升量,还可以通过云端预测的温升量调整车端预测的温升量,起到数据修正的目的,还可以通过确定的动力电池充电截止时的预测温度,降低热管理的能耗。
附图说明
图1表示本申请实施例提供的基于云端智能互联大数据的温度预测的流程示意图之一;
图2表示本申请实施例提供的基于云端智能互联大数据的温度预测的流程示意图之二;
图3表示本申请实施例提供的温度预测装置的流程示意图之一;
图4表示本申请实施例提供的温度预测装置的流程示意图之二。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。在下面的描述中,提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此,本领域技术人员应该清楚,可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外,为了清楚和简洁,省略了对已知功能和构造的描述。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中,应理解,下述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本申请针对电池充电过程的温升量预测不准确的问题,提供一种基于云端智能互联大数据的温度预测和装置。
如图1所述,本申请实施例提供一种基于云端智能互联大数据的温度预测,应用于车辆,包括:
步骤S100,获取动力电池的初始荷电状态(SOC)和初始温度;
这里,通过获取动力电池的初始SOC和初始温度,为后续提供数据支撑,还可以知道初始SOC升温到充电截止时SOC和截止温度的数据对比。
步骤S200,根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;
这里,通过车端获取所述第一预测温升量,可以先根据车辆的预测值做个参考,当然在网络通讯故障时,主要以所述第一预测温升量作为本次预测的结果,保证了无论是否存在网络通讯的情况,都可以获取动力电池充电截止使得第一预测温升量。
步骤S300,获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;
这里,通过获取云端服务器发送的第二预测温升量,可以保证在同一初始荷电状态SOC和初始温度下,通过大数据获取的温升量作为另一个辅助或者修正数据,使其车端预测的第一预测温升量更为准确,提高了预测温升量的准确度。
步骤S400,根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。
该实施例,根据所述第一预测温升量和所述第二预测温升量,获取每个温升量对应的权重,确定所述动力电池充电截止时的预测温度,使其预测数据更加准确。
需要说明的是,在充电时间较宽裕,对充电时间诉求不强烈,有意向降低充电能耗的前提下,可通上述步骤S100至步骤S400过预估动力电池充电截止时的预测温度,合理利用电池自身充电温升,智能降低加热阈值,结合云端服务器发送的第二预测温升量的计算结果,进一步修正控制阀值,降低热管理能耗。
可选的,所述步骤S200,包括:
根据所述初始荷电状态SOC,确定充电过程中的多个SOC区间;其中,每一所述SOC区间对应一个时间检测周期;
这里,需要说明的是,用户或开发人员可以预先划分SOC区间,比如:随着SOC区间的增大,SOC区间的跨度逐渐减小,如:20%≤SOC≤40%,90%≤SOC≤95%等。当然,也可以把初始温度划分区间,或者,将加热过程中的实时温度划分区间,如:初始温度≤15℃为一温度区间,初始温度>15℃为另一温度区间;或者,根据实时温度划分。
根据预存的第一充电参数映射表,确定与所述初始温度对应在每一所述SOC区间对应的温升变化量;所述第一充电参数映射表包括多个温度区间内,每一SOC区间与温升变化量的对应关系;
举例说明第一SOC区间和第二SOC区间对应的温升变化量,即△T=△T(2)-△T(1),△T(2)为第二SOC区间对应的温升,△T(1)为第一SOC区间对应的温升,故温升变化量的总公式为:△T=△T(i+1)-△T(i),△T(i+1)、△T(i)分别为SOC到达SOC(i+1)、SOC(i)时单体最高温度对应的温度。
也就是说,本步骤具体可以为,根据初始温度获取对应温度区间内的数据,而每一温度区间,包括多个SOC区间对应的温升变化量,也就是,获取第一SOC区间和第一SOC区间之后的各个SOC区间的温升变化量。
根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量;其中,所述第一充电参数映射表为根据前一次充电过程更新的映射表。
在动力电池的初始温度小于第一预设温度的情况下,根据当前存储的充电参数映射表,获取每一SOC区间与温升变化量,当前存储的加热参数映射表为根据前一次加热过程更新的映射表;
也就是说,本可选的实现方式中,所述充电参数映射表为根据动力电池的加热过程不断更新的映射表,这样,使得本可选实现方式中获得的温升变化量更接近于动力电池的真实的温升变化量,如此,能够提高对动力电池的加热截止时的温升预测的准确性。
具体地,根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量,包括:
根据初始温度和第一预设温度,确定所述第一预设温度与所述初始温度的差值为加热过程中的第一温度变化量;其中,所述第一预设温度是用于划分常温和高温的临界温度值。
这里,所述第一预设温度值优选为15℃,即初始温度小于或者15℃时,确定为常温情况,所述第一温度变化量即为15-T0,所述T0为初始温度,可以计算第一部分的温升量。
根据所述温度区间,从当前存储的第一充电参数映射表,获取每一SOC区间的多个温升变化量;
根据多个所述温升变化量作求和运算,确定所述动力电池加热过程中的第二温度变化量;
亦即,根据如下公式,确定所述第二温度变化量:
根据所述第一温度变化量和所述第二温度变化量,确定所述动力电池充电截止时的第一预测温升量;
需要说明的是,所述第一预测温升量是从SOC0+Σ△SOC(i)累加至充电截止SOC,SOC初始值为SOC0,当SOC≥SOC(i+1)时,SOC=SOC(i+1)。
具体地,所述方法还包括:
获取所述动力电池充电截止时的目标荷电状态SOC和充电过程中的多个SOC变化量;
若所述目标荷电状态SOC和所述初始荷电状态SOC的差值,大于多个SOC变化量之和,执行根据所述初始荷电状态SOC和初始温度,确定所述动力电池充电截止时的第一预测温升量的步骤;
否则,确定所述第一预测温升量为第二预设温度与所述初始温度的差值;
其中,所述第二预设温度是用于划分常温和高温的临界温度值。
这里,所述第二预设温度优选为15℃,即SOCE-SOC≤Σ△SOC(i),确定所述第一预测温升量为(15-T0),这里T0为动力电池的初始温度。
当然,无论初始温度喝处于什么状态,计算公式都是如上所述的公式。
可选的,所述步骤S400,包括:
获取与所述第一预测温升量对应的第一权重P1,以及与所述第二预测温升量对应的第二权重P2;
根据所述第一权重P1、所述第二权重P2、所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。
将上述转化为公式,即:
若SOCE-SOC>Σ△SOC(i),△SOC(i)为加热过程中充电的SOC;
△Ts(SOCs)=(15-T0)+P1*b1+P2*Σ△T(i+1)(温升从SOC0+Σ△SOC(i)累加至充电截止SOCE,SOCE为动力电池充电截止时的目标荷电状态SOC),SOC初始值为SOC0,当SOC≥SOC(i+1)时,SOC=SOC(i+1);b1为所述第二预测温升量,b1初始值为0。△Ts(SOCs)为所述动力电池充电截止时的预测温度。
若SOCE-SOC≤Σ△SOC(i),△Ts(SOCs)=(15-T0),△Ts(SOCs)为所述动力电池充电截止时的预测温度。
若Tbat0>15℃,△Ts(SOCs)=Σb2(i)*△T(i+1);b2(i)为第二第二预测温升量,Tbat0为初始温度,△Ts(SOCs)为所述动力电池充电截止时的预测温度。
可选的,获取与所述第一预测温升量对应的第一权重,以及与所述第二预测温升量对应的第二权重,包括:
确定全部预测温升量为所述第一预测温升量和所述第二预测温升量之和;
这里,将所述全部预测温升量设为(Eb1+ET),Eb1为第二预测温升量所计算的结果,ET为第一预测温升量所计算的结果。
根据所述第一预测温升量、所述全部预测温升量,确定所述第一权重P1;
即,P1=ET/(Eb1+ET)。
根据所述第二预测温升量、所述全部预测温升量,确定所述第二权重P2;其中,所述第一权重和所述第二权重之和为1。
即P2=Eb1/(Eb1+ET),或者P2=1-ET/(Eb1+ET)。
如图2所示,本申请实施例还提供一种基于云端智能互联大数据的温度预测,应用于云端服务器,包括:
步骤S500,获取目标车辆的动力电池的初始荷电状态SOC和初始温度;
步骤S600,根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池在充电截止时的第二预测温升量;
步骤S700,将所述第二预测温升量发送至所述目标车辆。
该实施例可以通过云端服务器,计算与目标车辆的动力电池的初始荷电状态SOC和初始温度相同的第二预测温升量,增加了大数据的计算;可以通过车辆的车辆识别号码(VIN)学习历史充电温升曲线,即存储在云端服务器的第一充电参数映射表,学习方式与车端相同,下次充电时分段累加存储结果进行温升预测。
可选的,所述步骤S600,包括:
获取车辆状态与所述目标车辆的车辆状态相匹配的多个车辆,在初始荷电状态SOC和初始温度分别进行充电后的第三预测温升量;
根据多个所述第三预测温升量,确定所述第二预测温升量;
其中,所述车辆状态至少包括车辆所处的区域位置信息。
该实施例中,获取车辆状态与所述目标车辆的车辆状态相匹配的多个车辆,可以认为是获取与车辆所处的区域位置信息相同的多个车辆,在满足相同区域的前提下,再获取在初始荷电状态SOC和初始温度相同情况下的车辆,分别计算两个条件均满足的车辆的第三预测温升量;根据多个所述第三预测温升量,确定所述第二预测温升量,可以保证云端数据的准确性,不仅获取之前目标车辆的云端历史数据,还获取多个车辆的数据,综合对比,保证了云端数据的准确性。
具体地,所述根据多个所述第三预测温升量,确定所述第二预测温升量,包括:
将多个所述第三预测温升量累加求和,并根据累加求和的结果与所述第三预测温升量的数量作除法运算,确定所述第二预测温升量。
需要说明的是,b1=Σ△b1(SOCs)/N,N为相同区域(如,同在北京的车辆的数量,且与所述目标车辆的的初始荷电状态SOC和初始温度相同)参数计算的车辆数量,b1为所述第二预测温升量。
可选的,所述步骤S600,还包括:
获取车辆在充电过程中的批量训练数据;
对获取的批量训练数据进行解析后进行大数据学习,按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令,和初始温度的预测控制指令;
将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后,生成预测指令数据库;
根据所述初始荷电状态SOC和初始温度,与所述预测指令数据库进行匹配,确定所述第二预测温升量;
其中,所述训练数据包括:车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升变化量的对应关系。
具体的,训练数据的选取可以根据充电控制目的来选择,例如是基于监测车辆所处相同区域的充电控制行为,则选取行驶数据作为训练数据即可,反之,如果是基于车辆型号或者车辆之前的历史数据监测,则选取工作参数中可以根据实际情况更改。
可选的,所述训练数据包括行驶地点、动力电池的初始温度和动力电池的初始荷电状态SOC,所述预设的学习规则包括以下规则的至少一种:
提取多台车辆在所处相同区域的充电控制行为;
提取同一台车辆在同一地点的多个历史充电控制行为;
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为;
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
需要说明的是,预设的学习规则是根据对目标车辆的充电控制目的来设定的,可以任意更改,例如“提取多台车辆在所处相同区域的充电控制行为”这一规则,还可以增加时间限制,细化为“提取多台车辆在同一时间段内所处相同区域的充电控制行为”。因此,本申请实施例只是简单列举了几种可能的学习规则,实际上可以根据需要任意设定学习规则。通过设定预设的学习规则后,设定了大数据学习的方式,从而基于大数据学习,获得具有统计意义的数据以及对应的控制行为并生成对应的预测控制指令,从而可以实现对充电的加热过程的温升预测。
综上所述,本申请的基于云端智能互联大数据的温度预测能有效智能降低加热能耗,降低用户用车成本,并可提升用户智能化用车体验。
如图3所示,本申请实施例还提供一种温度预测装置,应用于车辆,包括:
第一获取模块10,用于获取动力电池的初始荷电状态SOC和初始温度;
第一确定模块20,用于根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;
第二获取模块30,用于获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;
第二确定模块40,用于根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。
可选的,所述第一确定模块20,包括:
第一确定单元,用于根据所述初始荷电状态SOC,确定充电过程中的多个SOC区间;其中,每一所述SOC区间对应一个时间检测周期;
第二确定单元,用于根据预存的第一充电参数映射表,确定与所述初始温度对应在每一所述SOC区间对应的温升变化量;所述第一充电参数映射表包括多个温度区间内,每一SOC区间与温升变化量的对应关系;
第三确定单元,用于根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量;
其中,所述第一充电参数映射表为根据前一次充电过程更新的映射表。
可选的,所述第三确定单元,包括:
第一确定子单元,用于根据初始温度和第一预设温度,确定所述第一预设温度与所述初始温度的差值为加热过程中的第一温度变化量;
第一获取子单元,用于根据所述温度区间,从当前存储的第一充电参数映射表,获取每一SOC区间的多个温升变化量;
第二确定子单元,用于根据多个所述温升变化量作求和运算,确定所述动力电池加热过程中的第二温度变化量;
第三确定子单元,用于根据所述第一温度变化量和所述第二温度变化量,确定所述动力电池充电截止时的第一预测温升量;
其中,所述第一预设温度是用于划分常温和高温的临界温度值。
可选的,所述装置还包括:
第四获取模块,用于获取所述动力电池充电截止时的目标荷电状态SOC和充电过程中的多个SOC变化量;
第四确定单元,用于若所述目标荷电状态SOC和所述初始荷电状态SOC的差值,大于多个SOC变化量之和,执行根据所述初始荷电状态SOC和初始温度,确定所述动力电池充电截止时的第一预测温升量的步骤;
第五确定单元,用于否则,确定所述第一预测温升量为第二预设温度与所述初始温度的差值;
其中,所述第二预设温度是用于划分常温和高温的临界温度值。
可选的,所述第二确定模块40,包括:
第一获取单元,用于获取与所述第一预测温升量对应的第一权重,以及与所述第二预测温升量对应的第二权重;
第六确定单元,用于根据所述第一权重、所述第二权重、所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度。
可选的,所述第六确定单元,包括:
第四确定子单元,用于确定全部预测温升量为所述第一预测温升量和所述第二预测温升量之和;
第五确定子单元,用于根据所述第一预测温升量、所述全部预测温升量,确定所述第一权重;
第六确定子单元,用于根据所述第二预测温升量、所述全部预测温升量,确定所述第二权重;其中,所述第一权重和所述第二权重之和为1。
如图4所示,本申请实施例还提供一种温度预测装置,应用于云端服务器,包括:
第三获取模块50,用于获取目标车辆的动力电池的初始荷电状态SOC和初始温度;
第三确定模块60,用于根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池在充电截止时的第二预测温升量;
发送模块70,用于将所述第二预测温升量发送至所述目标车辆。
可选的,所述第三确定模块60,包括:
第一获取子模块,用于获取车辆状态与所述目标车辆的车辆状态相匹配的多个车辆,在初始荷电状态SOC和初始温度分别进行充电后的第三预测温升量;
第一确定子模块,用于根据多个所述第三预测温升量,确定所述第二预测温升量;
其中,所述车辆状态至少包括车辆所处的区域位置信息。
可选的,所述第一确定子模块,包括:
第七确定单元,用于将多个所述第三预测温升量累加求和,并根据累加求和的结果与所述第三预测温升量的数量作除法运算,确定所述第二预测温升量。
可选的,所述第三确定模块60,还包括:
第二获取子模块,用于获取车辆在充电过程中的批量训练数据;
第三获取子模块,用于对获取的批量训练数据进行解析后进行大数据学习,按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令,和初始温度的预测控制指令;
生成子模块,用于将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后,生成预测指令数据库;
第二确定子模块,用于根据所述初始荷电状态SOC和初始温度,与所述预测指令数据库进行匹配,确定所述第二预测温升量;
其中,所述训练数据包括:车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升变化量的对应关系。
可选的,所述训练数据包括行驶地点、动力电池的初始温度和动力电池的初始荷电状态SOC,所述预设的学习规则包括以下规则的至少一种:
提取多台车辆在所处相同区域的充电控制行为;
提取同一台车辆在同一地点的多个历史充电控制行为;
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为;
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
本申请实施例还提供一种可读存储介质,该可读存储介质上存储有程序,该程序被处理器执行时实现如上所述的基于云端智能互联大数据的温度预测实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,该可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述的是本申请的优选实施方式,应当指出对于本技术领域的普通人员来说,在不脱离本申请所述的原理前提下还可以作出若干改进和润饰,这些改进和润饰也在本申请的保护范围内。
Claims (9)
1.一种基于云端智能互联大数据的温度预测方法,其特征在于,包括:
车辆获取动力电池的初始荷电状态SOC和初始温度;
车辆根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;所述第一预测温升量是由所述车辆获取的;
车辆获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;
车辆根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度;
其中,根据所述初始荷电状态SOC和所述初始温度,确定充电截止时的第一预测温升量,包括:
根据所述初始荷电状态SOC,确定充电过程中的多个SOC区间;其中,每一所述SOC区间对应一个时间检测周期;
根据预存的第一充电参数映射表,确定与所述初始温度对应在每一所述SOC区间对应的温升变化量;所述第一充电参数映射表包括多个温度区间内,每一SOC区间与温升变化量的对应关系;
根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量;
其中,所述第一充电参数映射表为根据前一次充电过程更新的映射表;
其中,所述方法还包括:
获取所述动力电池充电截止时的目标荷电状态SOC和充电过程中的多个SOC变化量;
若所述目标荷电状态SOC和所述初始荷电状态SOC的差值,大于多个SOC变化量之和,执行根据所述初始荷电状态SOC和初始温度,确定所述动力电池充电截止时的第一预测温升量的步骤;
否则,确定所述第一预测温升量为第二预设温度与所述初始温度的差值;
其中,所述第二预设温度是用于划分常温和高温的临界温度值;
其中,根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度,包括:
获取与所述第一预测温升量对应的第一权重,以及与所述第二预测温升量对应的第二权重;
根据所述第一权重、所述第二权重、所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度;
其中,获取与所述第一预测温升量对应的第一权重,以及与所述第二预测温升量对应的第二权重,包括:
确定全部预测温升量为所述第一预测温升量和所述第二预测温升量之和;
根据所述第一预测温升量、所述全部预测温升量,确定所述第一权重;
根据所述第二预测温升量、所述全部预测温升量,确定所述第二权重;其中,所述第一权重和所述第二权重之和为1。
2.根据权利要求1所述的基于云端智能互联大数据的温度预测方法,其特征在于,根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量,包括:
根据初始温度和第一预设温度,确定所述第一预设温度与所述初始温度的差值为加热过程中的第一温度变化量;
根据所述温度区间,从当前存储的第一充电参数映射表,获取每一SOC区间的多个温升变化量;
根据多个所述温升变化量作求和运算,确定所述动力电池加热过程中的第二温度变化量;
根据所述第一温度变化量和所述第二温度变化量,确定所述动力电池充电截止时的第一预测温升量;
其中,所述第一预设温度是用于划分常温和高温的临界温度值。
3.根据权利要求1所述的基于云端智能互联大数据的温度预测方法,其特征在于,
云端服务器获取目标车辆的动力电池的初始荷电状态SOC和初始温度;
云端服务器根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池在充电截止时的第二预测温升量;
云端服务器将所述第二预测温升量发送至所述目标车辆。
4.根据权利要求3所述的基于云端智能互联大数据的温度预测方法,其特征在于,所述确定与所述初始荷电状态SOC和所述初始温度对应的第二预测温升量,包括:
获取车辆状态与所述目标车辆的车辆状态相匹配的多个车辆,在初始荷电状态SOC和初始温度分别进行充电后的第三预测温升量;
根据多个所述第三预测温升量,确定所述第二预测温升量;
其中,所述车辆状态至少包括车辆所处的区域位置信息。
5.根据权利要求4所述的基于云端智能互联大数据的温度预测方法,其特征在于,所述根据多个所述第三预测温升量,确定所述第二预测温升量,包括:
将多个所述第三预测温升量累加求和,并根据累加求和的结果与所述第三预测温升量的数量作除法运算,确定所述第二预测温升量。
6.根据权利要求3所述的基于云端智能互联大数据的温度预测方法,其特征在于,所述确定所述动力电池在充电截止时的第二预测温升量,还包括:
获取车辆在充电过程中的批量训练数据;
对获取的批量训练数据进行解析后进行大数据学习,按照预设的学习规则生成针对车辆的初始荷电状态SOC的预测控制指令,和初始温度的预测控制指令;
将学习生成的所有预测控制指令与其对应的初始荷电状态SOC和初始温度进行关联后,生成预测指令数据库;
根据所述初始荷电状态SOC和初始温度,与所述预测指令数据库进行匹配,确定所述第二预测温升量;
其中,所述训练数据包括:车辆充电过程中的初始荷电状态SOC、初始温度、车辆充电过程中的多个SOC区间与每一SOC区间与温升变化量的对应关系。
7.根据权利要求6所述的基于云端智能互联大数据的温度预测方法,其特征在于,所述训练数据包括行驶地点、动力电池的初始温度和动力电池的初始荷电状态SOC,所述预设的学习规则包括以下规则的至少一种:
提取多台车辆在所处相同区域的充电控制行为;
提取同一台车辆在同一地点的多个历史充电控制行为;
提取多台车辆在针对相同的初始温度和初始荷电状态SOC的充电控制行为;
提取同一台车辆在相同的初始温度和初始荷电状态SOC的多个历史充电控制行为。
8.一种温度预测装置,其特征在于,包括:
第一获取模块,用于车辆获取动力电池的初始荷电状态SOC和初始温度;
第一确定模块,用于车辆根据所述初始荷电状态SOC和所述初始温度,确定所述动力电池充电截止时的第一预测温升量;所述第一预测温升量是由所述车辆获取的;
第二获取模块,用于车辆获取云端服务器确定的、由所述初始荷电状态SOC和初始温度进行充电开始至充电截止时的第二预测温升量;
第二确定模块,用于车辆根据所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度;
其中,所述第一确定模块,包括:
第一确定单元,用于根据所述初始荷电状态SOC,确定充电过程中的多个SOC区间;其中,每一所述SOC区间对应一个时间检测周期;
第二确定单元,用于根据预存的第一充电参数映射表,确定与所述初始温度对应在每一所述SOC区间对应的温升变化量;所述第一充电参数映射表包括多个温度区间内,每一SOC区间与温升变化量的对应关系;
第三确定单元,用于根据与每一所述SOC区间对应的所述温升变化量,确定所述第一预测温升量;
其中,所述第一充电参数映射表为根据前一次充电过程更新的映射表;
其中,所述装置还包括:
第四获取模块,用于获取所述动力电池充电截止时的目标荷电状态SOC和充电过程中的多个SOC变化量;
第四确定单元,用于若所述目标荷电状态SOC和所述初始荷电状态SOC的差值,大于多个SOC变化量之和,执行根据所述初始荷电状态SOC和初始温度,确定所述动力电池充电截止时的第一预测温升量的步骤;
第五确定单元,用于否则,确定所述第一预测温升量为第二预设温度与所述初始温度的差值;
其中,所述第二预设温度是用于划分常温和高温的临界温度值;
其中,所述第二确定模块,包括:
第一获取单元,用于获取与所述第一预测温升量对应的第一权重,以及与所述第二预测温升量对应的第二权重;
第六确定单元,用于根据所述第一权重、所述第二权重、所述第一预测温升量和所述第二预测温升量,确定所述动力电池充电截止时的预测温度;
其中,所述第六确定单元,包括:
第四确定子单元,用于确定全部预测温升量为所述第一预测温升量和所述第二预测温升量之和;
第五确定子单元,用于根据所述第一预测温升量、所述全部预测温升量,确定所述第一权重;
第六确定子单元,用于根据所述第二预测温升量、所述全部预测温升量,确定所述第二权重;其中,所述第一权重和所述第二权重之和为1。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有程序,所述程序被处理器执行时实现如权利要求1至7中任一项所述的基于云端智能互联大数据的温度预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447776.8A CN113071373B (zh) | 2021-04-25 | 2021-04-25 | 一种基于云端智能互联大数据的温度预测和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110447776.8A CN113071373B (zh) | 2021-04-25 | 2021-04-25 | 一种基于云端智能互联大数据的温度预测和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113071373A CN113071373A (zh) | 2021-07-06 |
CN113071373B true CN113071373B (zh) | 2022-07-29 |
Family
ID=76618620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110447776.8A Active CN113071373B (zh) | 2021-04-25 | 2021-04-25 | 一种基于云端智能互联大数据的温度预测和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113071373B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116380251B (zh) * | 2023-06-06 | 2023-08-04 | 山东金帝精密机械科技股份有限公司 | 一种基于温升的轴承保持器状态检测方法、设备及介质 |
CN117141262B (zh) * | 2023-11-01 | 2024-01-23 | 成都赛力斯科技有限公司 | 一种电池充电方法、装置及车辆 |
CN117962688A (zh) * | 2024-03-29 | 2024-05-03 | 长城汽车股份有限公司 | 电池温度的确定方法、装置、车载终端及车辆 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014221388A1 (de) * | 2013-10-23 | 2015-05-13 | Suzuki Motor Corporation | Ladezustands-Berechungsvorrichtung |
CN104881550A (zh) * | 2015-06-15 | 2015-09-02 | 清华大学 | 动力电池运行温度的自适应预测方法 |
CN108773278A (zh) * | 2018-04-27 | 2018-11-09 | 北京长城华冠汽车科技股份有限公司 | 新能源车辆充电方法及装置 |
CN109987000A (zh) * | 2019-02-19 | 2019-07-09 | 中国第一汽车股份有限公司 | 一种动力电池温度预测***及方法 |
CN109986997A (zh) * | 2019-03-26 | 2019-07-09 | 芜湖职业技术学院 | 一种动力电池soc预测装置、汽车及方法 |
CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理***及方法 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN111948540A (zh) * | 2020-06-29 | 2020-11-17 | 东风商用车有限公司 | 一种动力电池包温度预测方法及*** |
CN112255552A (zh) * | 2020-12-17 | 2021-01-22 | 广州汽车集团股份有限公司 | 燃料电池的温度采集装置故障诊断方法、装置和车辆 |
-
2021
- 2021-04-25 CN CN202110447776.8A patent/CN113071373B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014221388A1 (de) * | 2013-10-23 | 2015-05-13 | Suzuki Motor Corporation | Ladezustands-Berechungsvorrichtung |
CN104881550A (zh) * | 2015-06-15 | 2015-09-02 | 清华大学 | 动力电池运行温度的自适应预测方法 |
CN108773278A (zh) * | 2018-04-27 | 2018-11-09 | 北京长城华冠汽车科技股份有限公司 | 新能源车辆充电方法及装置 |
CN109987000A (zh) * | 2019-02-19 | 2019-07-09 | 中国第一汽车股份有限公司 | 一种动力电池温度预测***及方法 |
CN109986997A (zh) * | 2019-03-26 | 2019-07-09 | 芜湖职业技术学院 | 一种动力电池soc预测装置、汽车及方法 |
CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理***及方法 |
CN111823952A (zh) * | 2020-04-17 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 电芯温度的诊断方法、存储介质和电子设备 |
CN111948540A (zh) * | 2020-06-29 | 2020-11-17 | 东风商用车有限公司 | 一种动力电池包温度预测方法及*** |
CN112255552A (zh) * | 2020-12-17 | 2021-01-22 | 广州汽车集团股份有限公司 | 燃料电池的温度采集装置故障诊断方法、装置和车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN113071373A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113071373B (zh) | 一种基于云端智能互联大数据的温度预测和装置 | |
Liu et al. | A highly accurate predictive-adaptive method for lithium-ion battery remaining discharge energy prediction in electric vehicle applications | |
Suri et al. | A control-oriented cycle-life model for hybrid electric vehicle lithium-ion batteries | |
Schwenk et al. | Integrating battery aging in the optimization for bidirectional charging of electric vehicles | |
CN113064089B (zh) | 动力电池的内阻检测方法、装置、介质以及*** | |
CN113232553B (zh) | 一种加热电动汽车电池组的方法、装置、设备及可存储介质 | |
WO2022262583A1 (zh) | 电池健康状态测算方法以及相关设备 | |
US20220242390A1 (en) | Energy management method and system for hybrid electric vehicle | |
CN104881550A (zh) | 动力电池运行温度的自适应预测方法 | |
CN110598300A (zh) | 一种电池soh预测方法及装置 | |
CN112421717B (zh) | 一种电池***的充电方法及充电装置 | |
CN112368198A (zh) | 车辆动力管理***和方法 | |
CN113147506B (zh) | 基于大数据的车与车互学习充电剩余时间预测方法和装置 | |
EP3862764B1 (en) | Battery deterioration judging system, battery deterioration judging method, and battery deterioration judging program | |
CN114676495A (zh) | 一种汽车能耗的预测方法、装置和设备 | |
CN111325402A (zh) | 基于bp神经网络的电动汽车用户充电行为的预测方法 | |
CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN116804706A (zh) | 一种电动汽车锂电池温度预测方法及装置 | |
CN113761789A (zh) | 基于萤火虫群算法优化后的bp神经网络估算电池soc的方法 | |
CN116826254A (zh) | 重载货运列车自组网低温下电池直流自加热方法、***、介质及终端 | |
CN112417767A (zh) | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 | |
CN110503301B (zh) | 一种基于Cox比例风险模型的电动汽车传导充电安全影响因素评价方法 | |
CN112765726A (zh) | 一种寿命预测方法及装置 | |
CN114035064B (zh) | 一种电池电荷状态校正方法、装置、车辆及存储介质 | |
CN111830411B (zh) | 车用蓄电池老化控制***及交通工具 |
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 |