CN113191547B - 一种新能源车辆动力电池充电优化方法及*** - Google Patents

一种新能源车辆动力电池充电优化方法及*** Download PDF

Info

Publication number
CN113191547B
CN113191547B CN202110474721.6A CN202110474721A CN113191547B CN 113191547 B CN113191547 B CN 113191547B CN 202110474721 A CN202110474721 A CN 202110474721A CN 113191547 B CN113191547 B CN 113191547B
Authority
CN
China
Prior art keywords
power battery
charging
data
model
energy consumption
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
Application number
CN202110474721.6A
Other languages
English (en)
Other versions
CN113191547A (zh
Inventor
段鹏
张俊杰
霍艳红
翟一明
陈玉星
王芳芳
陶雷
张鲁宁
邵晶晶
岳翔
潘福中
牛亚琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Geely Automobile Research Institute Ningbo Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202110474721.6A priority Critical patent/CN113191547B/zh
Publication of CN113191547A publication Critical patent/CN113191547A/zh
Application granted granted Critical
Publication of CN113191547B publication Critical patent/CN113191547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • 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
    • 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
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Electrochemistry (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Power Engineering (AREA)

Abstract

本发明提供一种新能源车辆动力电池充电优化方法及***，涉及车辆动力电池充电优化领域，本发明解决的技术问题是如何提高新能源车辆动力电池充电优化的准确性，本发明获取与大数据平台连接的车辆的动力电池充电优化相关数据,对上述动力电池充电优化相关数据进行筛选得到动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,将筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型,建立模型后获取与大数据平台连接的车辆的当前动力电池充电优化相关数据，并代入车辆动力电池充电相关模型进行最优控制后输出充电优化结果。建立车辆动力电池充电相关模型可以提高新能源车辆动力电池充电优化的准确性。

Description

一种新能源车辆动力电池充电优化方法及***
技术领域
本发明涉及车辆动力电池充电优化领域，尤其涉及一种新能源车辆动力电池充电优化方法及***。
背景技术
目前，越来越多的人购买新能源车辆，新能源车辆以动力电池为唯一动力源，当车辆动力电池电能不足时需要对动力电池进行充电，目前常用的时对车辆设置一个包括充电时间、充电能耗以及充电健康状态的充电策略，根据预设的充电策略表查表对充电策略进行调整，导致无法根据车辆实际情况对充电方法进行调整。
为了解决上述问题，中国专利申请号(CN201911350993.4)公开了一种大数据和BMS结合的电动汽车优化充电方法，该方法收集电动汽车的特征数据，训练两个机器学习模型，分别预测每天消耗的电量、允许的充电时间；在不同充电模式下，结合日常行车和远程行车两种指令，采用针对性应对充电措施进行充电。
上述方法通过训练学***台在获取车辆上传的数据时会产生错误的数据，建立模型对数据的准确性要求很高，一旦使用带有错误的数据将导致建立的模型是一个错误的模型，无法得出正确的充电优化方法，且上述方法建立两个模型，充电优化不仅仅只有两个方面，建立两个得出的充电优化方法不够准确，上述方法考虑的不够全面，仅仅预测充电时间以及消耗的电能，没有对动力电池充电能耗、动力电池充电时间以及动力电池的健康状态进行综合考虑。
发明内容
本发明针对现有技术存在的上述问题，提供了一种新能源车辆动力电池充电优化方法及***，其解决的技术问题是如何提高新能源车辆动力电池充电优化的准确性。
本发明通过下列技术方案来实现：一种新能源车辆动力电池充电优化方法，所述方法包括以下步骤：
获取与大数据平台连接的车辆的动力电池充电优化相关数据；
对上述动力电池充电优化相关数据进行筛选得到动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,将筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型；
建立模型后获取与大数据平台连接的车辆的当前动力电池充电优化相关数据，并代入车辆动力电池充电相关模型进行最优控制后输出充电优化结果。
大数据平台获取与其连接的车辆的动力电池充电优化相关数据后进行筛选得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,将筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型，建立模型后获取与大数据平台连接的车辆的当前动力电池充电优化相关数据，代入车辆动力电池充电相关模型进行最优控制后输出动力电池充电优化结果。本方法通过筛选动力电池充电优化相关数据以及建立车辆动力电池充电相关模型来改进新能源车辆动力电池充电优化方法，本方法对不符合的动力电池充电优化相关数据进行筛选从而减少大数据平台的数据处理量，且对不符合的动力电池充电优化相关数据进行筛选提高了建立车辆动力电池充电相关模型的准确性，因此，本方法大大提高了车辆动力电池充电优化的准确性，本方法还建立车辆动力电池充电相关模型，建立车辆动力电池充电相关模型可以准确得出的结果，提高驾驶员的驾驶体验。
在上述新能源车辆动力电池充电优化方法中，上述筛选步骤包括对上述动力电池充电优化相关数据进行清洗，去除异常数据和空数据，对清洗后的动力电池充电优化相关数据进行相关性分析得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据，对动力电池充电优化相关数据进行清洗可以去除掉与其他数据偏差过大且不符合统计规律的数据不可读取数据、内容为空或内容为0的数据，防止这些数据干扰车辆动力电池充电相关模型的建立，如果存在异常数据或空数据将会降低模型建立的准确性，相关性分析可以找到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据，这些数据能提高神经网络训练建立车辆动力电池充电相关模型的准确性。
在上述新能源车辆动力电池充电优化方法中，所述相关性分析包括选取皮尔逊相关系数大于预设系数值的动力电池充电优化相关数据,皮尔逊相关系数是用于相关性分析的常用方法，提高车辆动力电池充电相关模型的准确性，从而提高新能源车辆充电优化的准确性。
在上述新能源车辆动力电池充电优化方法中，上述建立车辆动力电池充电相关模型包括建立动力电池充电时间模型、动力电池充电能耗模型以及动力电池健康状态模型，驾驶员可以根据建立的车辆动力充电相关模型得出全面的充电相关信息，从而提高新能源车辆充电优化的准确性。
在上述新能源车辆动力电池充电优化方法中，上述建立动力电池充电时间模型步骤包括将动力电池充电时间相关数据通过预设算法输出的充电时间与参考充电时间对比，当充电时间与参考充电时间的差值不大于预设误差值时建立动力电池充电时间模型，当充电时间与参考充电时间的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到充电时间与参考充电时间的差值不大于预设误差值，动力电池充电时间模型为
Figure BDA0003046599230000031
其中y1为充电时间预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ti为动力电池充电时间相关输入参数，/>
Figure BDA0003046599230000032
为隐藏层权重参数，/>
Figure BDA0003046599230000033
为隐藏层偏置，/>
Figure BDA0003046599230000034
为输出层权重参数，b0为输出层偏置，fH为激活函数，参考建立动力电池充电时间模型提高车辆充电时间检测的准确性，从而提高新能源车辆动力电池充电优化方法的准确性。
在上述新能源车辆动力电池充电优化方法中，上述建立动力电池充电能耗模型步骤包括将动力电池充电能耗相关数据通过预设算法输出的充电能耗与参考充电能耗对比，当充电能耗与参考充电能耗的差值不大于预设误差值时建立动力电池充电能耗模型，当充电能耗与参考充电能耗的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到充电能耗与参考充电能耗的差值不大于预设误差值，动力电池充电能耗模型为
Figure BDA0003046599230000041
其中y2为充电能耗预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，pi为动力电池充电能耗输入参数，/>
Figure BDA0003046599230000042
为隐藏层权重参数，/>
Figure BDA0003046599230000043
为隐藏层偏置，/>
Figure BDA0003046599230000044
为输出层权重参数，b0为输出层偏置，fH为激活函数，参考建立动力电池充电能耗模型提高车辆充电耗能调整的准确性，从而提高新能源车辆动力电池充电优化方法的准确性。
在上述新能源车辆动力电池充电优化方法中，上述建立动力电池健康状态模型步骤包括将动力电池健康状态相关数据通过预设算法输出的健康状态与参考健康状态对比，当健康状态与参考健康状态的差值不大于预设误差值时建立动力电池健康状态模型，当健康状态与参考健康状态的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到健康状态与参考健康状态的差值不大于预设误差值，动力电池健康状态模型包括
Figure BDA0003046599230000045
其中y3为健康状态预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ci为动力电池健康状态输入参数，/>
Figure BDA0003046599230000046
为隐藏层权重参数，/>
Figure BDA0003046599230000047
为隐藏层偏置，/>
Figure BDA0003046599230000048
为输出层权重参数，b0为输出层偏置，fH为激活函数，参考建立动力电池健康状态模型提高动力电池健康状态获取的准确性，从而提高新能源车辆动力电池充电优化方法的准确性。
在上述新能源车辆动力电池充电优化方法中，上述进行最优控制步骤包括预设y1约束条件、y2约束条件以及y3约束条件，预设的y1约束条件为y1处于预设充电时间范围内，y2的约束条件为y2处于预设充电能耗范围内，y3的约束为y3处于预设健康状态范围内，上述进行最优控制步骤包括当y1满足预设的y1约束条件、y2满足预设的y2约束条件以及y3满足预设的约束条件时,选取最小的y1、最小的y2且最大的y3作为充电优化结果输出，采用最优控制，综合考虑车辆充电时间、充电能耗以及动力电池健康指数之间的关系，选取一个较优的方案，保证电池是在合适的温度、合适的电流下进行充电，进而保证电池的健康状态，延长电池的使用寿命。
在上述新能源车辆动力电池充电优化方法中，所述动力电池充电时间相关数据包括动力电池温度以及动力电池电流数据，所述动力电池充电能耗相关数据包括动力电池电流以及动力电池电压数据，所述动力电池健康状态相关数据包括动力电池电压以及动力电池绝缘电阻数据，选取相关性高的数据能得到更准确的线性关系，从而提高了动力电池充电相关模型建立的准确性。
本发明还包括以下方案：一种新能源车辆动力电池充电优化***，包括与车辆连接并能够获取车辆上的数据的大数据平台，新能源车辆动力电池充电优化***还包括用于采集动力电池充电优化相关数据的采集模块以及设置在车辆上用于接收采集模块输出的数据的控制单元，所述采集模块与控制单元连接，所述控制单元与大数据平台无线连接，大数据平台用于接收与其连接的车辆的控制单元输出的车辆的动力电池优化相关数据，并对接收到的数据进行筛选得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,对筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型，大数据平台还用于在建立模型后获取与大数据平台连接的车辆的当前动力电池充电优化相关数据，并代入车辆动力电池充电相关模型后输出充电优化结果。
采集模块采集动力电池充电优化相关数据输出至控制单元，控制单元接收采集模块输出的动力电池充电优化相关数据后输出至大数据平台，大数据平台接收控制单元输出的车辆动力电池充电优化相关数据后进行筛选得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,大数据平台将筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型，大数据平台建立模型后获取与其连接的车辆的当前动力电池充电优化相关数据，代入车辆动力电池充电相关模型进行最优控制后输出动力电池充电优化结果。本***通过大数据平台预设新能源车辆动力电池充电优化方法来改进新能源车辆动力电池充电优化***，筛选所有车辆动力电池充电优化相关数据以及建立车辆动力电池充电相关模型来改进新能源车辆动力电池充电优化方法，本***对不符合的动力电池充电优化相关数据进行筛选从而减少大数据平台的数据处理量，且对不符合的动力电池充电优化相关数据进行筛选提高了建立车辆动力电池充电相关模型的准确性，因此，本***大大提高了车辆动力电池充电优化的准确性，本方法还建立车辆动力电池充电相关模型，建立车辆动力电池充电相关模型可以准确得出的结果，提高驾驶员的驾驶体验。
与现有技术相比，本新能源车辆动力电池充电优化方法及***，具有以下优点：
1、本方法建立车辆动力电池充电相关模型可以准确得出的结果，从而提高新能源车辆的准确性，同时还能提高驾驶员的使用体验以及工作人员检修的便捷性。
2、本发明采用最优控制，综合考虑车辆充电时间、充电能耗以及动力电池健康指数之间的关系，选取一个较优的方案，保证电池是在合适的温度、合适的电流下进行充电，进而保证电池的健康状态，延长电池的使用寿命。
附图说明
图1是本发明方法步骤示意图。
图2是本发明***结构示意图。
图中1、采集模块；2、控制单元；3、大数据平台。
具体实施方式
为了使本发明所解决的技术问题、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本新能源车辆动力电池充电优化方法包括以下步骤：
获取与大数据平台3连接的车辆的动力电池充电优化相关数据，动力电池充电优化相关数据包括数据采集时间、充放电状态、动力电池电流、动力电池电压、动力电池容量、单体最大电压、动力电池温度以及速度，对上述动力电池充电优化相关数据进行筛选，并进行清洗，去除异常数据和空数据，异常数据为动力电池充电优化相关数据中存在与其他数据偏差过大且不符合统计规律的数据，空数据为动力电池充电优化相关数据中没有输入值的数据，没有输入值的数据包括没有内容、内容无法确定以及内容为0的数据，对数据清洗后的动力电池充电优化相关数据进行相关性分析，选取皮尔逊相关系数大于预设值的动力电池充电优化相关数据，皮尔逊相关系数可以是0.1-0.3之间的任意一个数，在本实施例中选取皮尔逊相关系数大于0.27的动力电池充电优化相关数据，得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据。
将筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型，建立车辆动力电池充电相关模型包括建立动力电池充电时间模型、动力电池充电能耗模型以及动力电池健康状态模型。
上述建立动力电池充电时间模型步骤包括将动力电池充电时间相关数据通过预设算法输出的充电时间与参考充电时间对比，当充电时间与参考充电时间的差值不大于预设误差值时建立动力电池充电时间模型，当充电时间与参考充电时间的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到充电时间与参考充电时间的差值不大于预设误差值。
动力电池充电时间模型为
Figure BDA0003046599230000081
其中y1为充电时间预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ti为动力电池充电时间相关输入参数，/>
Figure BDA0003046599230000082
为隐藏层权重参数，/>
Figure BDA0003046599230000083
为隐藏层偏置，/>
Figure BDA0003046599230000084
为输出层权重参数，b0为输出层偏置，fH为激活函数。
选择设置隐藏层节点数，如在本实施例中选择设置隐藏层节点数21，大数据平台3将筛选后的动力电池充电时间相关数据，动力电池时间相关数据包括动力电池温度以及动力电池电流数据，将动力电池温度或动力电池电流根据预设算法得出模型各参数以及充电时间，大数据平台将充电时间与参考充电时间对比，当充电时间与参考充电时间差值大于2％时说明参数选取不合理，调整隐藏层权重参数、隐藏层偏置、输出层权重参数以及输出层偏置后重复上述过程，当充电时间与参考充电时间差值小于或等于2％时将此时选取的参数作为动力电池充电时间模型相应的参数建立动力电池充电时间模型，参考充电时间为大数据平台3获取到的动力电池优化相关历史数据中在与当前车辆动力电池温度以及动力电池电流数据相同的状态下对应的充电时间，也就是通过当前车辆动力电池温度以及动力电池电流数据查找历史数据得到对应的历史实际充电时间，例如当前动力电池温度为40℃、动力电池电流数据为1A，通过上述数据查看大数据平台3历史数据下在动力电池温度为40℃、动力电池电流数据为1A的充电时间，该时间即为参考充电时间，选取参考充电时间是为了防止代入模型输出的值与车辆动力电池当前的充电时间有较大偏差，导致建立的模型不够准确。
建立动力电池充电能耗模型步骤包括将动力电池充电能耗相关数据通过预设算法输出的充电能耗与参考充电能耗对比，当充电能耗与参考充电能耗的差值不大于预设误差值时建立动力电池充电能耗模型，当充电能耗与参考充电能耗的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到充电能耗与参考充电能耗的差值不大于预设误差值。
动力电池充电能耗模型为
Figure BDA0003046599230000091
其中y2为充电能耗预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，pi为动力电池充电能耗输入参数，/>
Figure BDA0003046599230000092
为隐藏层权重参数，/>
Figure BDA0003046599230000093
为隐藏层偏置，/>
Figure BDA0003046599230000094
为输出层权重参数，b0为输出层偏置，fH为激活函数。
选择设置隐藏层节点数，如在本实施例中选择设置隐藏层节点数21，大数据平台3将筛选后的动力电池充电能耗相关数据，动力电池充电能耗相关数据包括动力电池电流以及动力电池电压数据，将动力电池电流或动力电池电压数据根据预设算法得出模型各参数以及充电能耗，大数据平台3将动力电池充电能耗相关数据通过预设算法输出的充电能耗与参考充电能耗对比，当充电能耗与参考充电能耗的差值大于2％时说明参数选取不合理，调整隐藏层权重参数、隐藏层偏置、输出层权重参数以及输出层偏置后重复上述过程，当充电能耗与参考充电能耗的差值不大于2％时将此时的选取的参数作为动力电池充电能耗模型相应的参数建立动力电池充电能耗模型，参考充电能耗为大数据平台3获取到的动力电池优化相关历史数据中在与当前车辆动力电池电流以及动力电池电压数据相同的状态下对应的充电能耗，也就是通过当前车辆动力电池电流以及动力电池电压数据查找历史数据得到对应的历史实际充电能耗，例如当前动力电池电流数据为2A、动力电池电压数据为3V，通过上述数据查看大数据平台3历史数据下在动力电池电流数据为2A、动力电池电压数据为3V的充电能耗，该能耗即为参考充电能耗，选取参考充电能耗是为了防止代入模型输出的值与车辆动力电池当前的充电能耗有较大偏差，导致建立的模型不够准确。
上述建立动力电池健康状态模型步骤包括将动力电池健康状态相关数据通过预设算法输出的健康状态与参考健康状态对比，当健康状态与参考健康状态的差值不大于预设误差值时建立动力电池健康状态模型，当健康状态与参考健康状态的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到健康状态与参考健康状态的差值不大于预设误差值。
动力电池健康状态模型包括
Figure BDA0003046599230000101
其中y3为健康状态预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ci为动力电池健康状态输入参数，/>
Figure BDA0003046599230000102
为隐藏层权重参数，/>
Figure BDA0003046599230000103
为隐藏层偏置，/>
Figure BDA0003046599230000104
为输出层权重参数，b0为输出层偏置，fH为激活函数。
选择设置隐藏层节点数，如在本实施例中选择设置隐藏层节点数21，大数据平台3将筛选后的动力电池健康状态相关数据，动力电池健康状态相关数据包括动力电池电压以及动力电池绝缘电阻数据，将动力电池电压或动力电池绝缘电阻数据根据预设算法得出模型各参数以及健康状态，大数据平台3将健康状态与参考健康状态对比，当健康状态与参考健康状态的差值大于2％时说明参数选取不合理，调整隐藏层权重参数、隐藏层偏置、输出层权重参数以及输出层偏置后重复上述过程，当健康状态与参考健康状态的差值不大于2％时将此时的选取的参数作为动力电池健康状态模型的相应的参数建立动力电池健康状态模型，参考充电健康状态为大数据平台3获取到的动力电池优化相关历史数据中在与当前车辆动力电池电流以及动力电池电压数据相同的状态下对应的充电能耗，也就是通过当前车辆动力电池电压以及动力电池绝缘电阻数据查找历史数据得到对应的历史实际健康状态，例如当前动力电池电压数据为3V、动力电池绝缘电阻数据为40Ω，通过上述数据查看大数据平台3历史数据下在动力电池电压数据为3V、动力电池绝缘电阻数据为40Ω的健康状态，该健康状态即为参考健康状态，选取参考健康状态是为了防止代入模型输出的值与车辆动力电池当前的健康状态有较大偏差，导致建立的模型不够准确。
动力电池健康状态是衡量一个动力电池能储存电荷的能力，通常是通过参考的容量与电池的额定容量的比值得到电池***的健康状态，是一个百分比值，百分比值越大说明存储电荷的能力越强，一般规定当动力电池健康状态等于一定值时电池报废。
本发明的预设算法包括贝叶斯正则化算法,属于现有技术，在本实施例中，贝叶斯正则化算法的作用是在选取隐藏层节点数后根据输入的车辆的动力电池充电优化相关数据得出动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据以及模型各参数，在建立动力电池充电时间模型中根据输入的动力电池温度或动力电池电流得到充电时间以及动力电池充电时间模型各参数，在建立动力电池充电能耗模型中根据输入的动力电池电流或动力电池电压数据得到充电能耗以及动力电池充电能耗模型各参数，在建立动力电池健康状态模型中根据输入的动力电池电压或动力电池绝缘电阻数据得到健康状态以及动力电池健康状态模型各参数，这是神经网络建立模型采用的其中一种方法，也可以采用其他具有相同或相似功能的方法。
建立模型后获取与大数据平台3连接的车辆的当前动力电池充电优化相关数据，并代入车辆动力电池充电相关模型进行最优控制后输出充电优化结果，在本实施例中预设y1约束条件、y2约束条件以及y3约束条件，预设的y1约束条件为y1处于预设充电时间范围内，y2的约束条件为y2处于预设充电能耗范围内，y3的约束为y3处于预设健康状态范围内，进行最优控制步骤包括当y1满足预设的y1约束条件、y2满足预设的y2约束条件以及y3满足预设的约束条件时,选取最小的y1、最小的y2且最大的y3作为充电优化结果输出，动力电池没有最优的情况，需要综合考虑y1、y2以及y3，得出一个适合车辆充电的充电优化方案。
建立模型后，大数据平台3采集一个或多个车辆动力电池充电优化相关数据后筛选出动力电池充电时间相关、动力电池充电能耗相关、动力电池健康状态相关数据，大数据平台3将动力电池充电时间相关数据作为动力电池温度模型的输入参数ti，代入到动力电池充电相关模型，得出充电时间预测值y1，大数据平台3还将动力电池充电能耗数据作为动力电池充电能耗模型的输入参数pi，代入到动力电池充电能耗模型，得出充电能耗预测值y2，大数据平台3还将动力电池健康状态数据作为动力电池健康状态模型的输入参数ci，代入到动力电池健康状态模型，得出健康状态预测值y3，当y1在3-5小时范围内，y2在100-120kwh范围内，y3在70％-80％内，选取y1为3小时，y2为100kwh，y3为80％作为充电优化结果输出，y1、y2以及y3的范围均可以根据动力电池的实际情况选取。
作为另一种方案，当得出y1、y2以及y3时，将y1、y2或y3其中一个或两个或三个作为动力电池优化结果输出。调节动力电池充电时间、动力电池充电能耗以及动力电池健康状态均为现有常规技术。
大数据平台3能在车辆对动力电池有需求时建立动力电池充电时间模型、动力电池充电能耗模型以及动力电池健康状态模型中的一个或两个或三个模型。
大数据平台3能够对与其进行数据通信的车辆进行动力电池充电优化，能够对其中任意一辆车进行充电优化也可对所有车辆进行充电优化。
当动力电池充电优化相关数据更新时，对车辆动力电池充电相关模型进行更新，得到新的车辆动力电池充电相关模型。
现有神经网络包括输入层、隐藏层以及输出层，输入层输入的数据经过隐藏层以及输出层的计算在输出层输出，神经网络训练就是一个建立模型的过程，也是现有的用于找到神经网络隐藏层以及输出层参数的方法，现有神经网络训练常用的方式是正向计算得到误差函数，反向求导梯度下降。
本方法通过筛选动力电池充电优化相关数据以及建立车辆动力电池充电相关模型来改进新能源车辆动力电池充电优化方法，本方法对不符合的动力电池充电优化相关数据进行筛选从而减少大数据平台的数据处理量，且对不符合的动力电池充电优化相关数据进行筛选提高了建立车辆动力电池充电相关模型的准确性，因此，本方法大大提高了车辆动力电池充电优化的准确性，本方法还建立车辆动力电池充电相关模型，建立车辆动力电池充电相关模型可以准确得出的结果，提高驾驶员的驾驶体验，本发明采用最优控制，综合考虑车辆充电时间、充电能耗以及动力电池健康指数之间的关系，选取一个较优的方案，保证电池是在合适的温度、合适的电流下进行充电，进而保证电池的健康状态，延长电池的使用寿命。
如图2所述，一种新能源车辆动力电池充电优化***包括采集模块1、控制单元2以及大数据平台3，采集模块1与控制单元2连接，控制单元2与大数据平台3无线连接。
采集模块1采集动力电池充电优化相关数据输出至控制单元2，控制单元2接收采集模块输出的动力电池充电优化相关数据后输出至大数据平3台，大数据平台3接收控制单元2输出的车辆动力电池充电优化相关数据后进行筛选得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,大数据平台3将筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型，大数据平台3建立模型后获取与与其连接的车辆的当前动力电池充电优化相关数据，代入车辆动力电池充电相关模型进行最优控制后输出动力电池充电优化结果。
本***通过大数据平台3设新能源车辆动力电池充电优化方法来改进新能源车辆动力电池充电优化***，筛选所有车辆动力电池充电优化相关数据以及建立车辆动力电池充电相关模型来改进新能源车辆动力电池充电优化方法，本***对不符合的动力电池充电优化相关数据进行筛选从而减少大数据平台的数据处理量，且对不符合的动力电池充电优化相关数据进行筛选提高了建立车辆动力电池充电相关模型的准确性，因此，本***大大提高了车辆动力电池充电优化的准确性，本方法还建立车辆动力电池充电相关模型，建立车辆动力电池充电相关模型可以准确得出的结果，提高驾驶员的驾驶体验，本发明采用最优控制，综合考虑车辆充电时间、充电能耗以及动力电池健康指数之间的关系，选取一个较优的方案，保证电池是在合适的温度、合适的电流下进行充电，进而保证电池的健康状态，延长电池的使用寿命。
采集模块1包括用于采集充电时间的计时器、用于采集车辆充电能耗的能耗传感器以及用于采集车辆健康状态的蓄电池传感器。
大数据平台3就是后台服务器，能够与车辆的控制单元2即车载电脑连接获取车辆动力电池充电优化相关数据，车载电脑可以是T-box。
本文中所描述的具体实施例仅仅是对本发明作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (7)

1.一种新能源车辆动力电池充电优化方法，其特征在于，所述方法包括以下步骤：
获取与大数据平台(3)连接的车辆的动力电池充电优化相关数据；
对上述动力电池充电优化相关数据进行筛选得到动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,其中，动力电池充电时间相关数据包括动力电池温度以及动力电池电流数据，动力电池充电能耗相关数据包括动力电池电流以及动力电池电压数据，动力电池健康状态相关数据包括动力电池电压以及动力电池绝缘电阻数据；将筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型，包括建立动力电池充电时间模型、动力电池充电能耗模型以及动力电池健康状态模型；
建立模型后获取与大数据平台(3)连接的车辆的当前动力电池充电优化相关数据，并代入车辆动力电池充电相关模型进行最优控制后输出充电优化结果,具体操作为：大数据平台(3)将动力电池充电时间相关数据代入到动力电池充电相关模型，得出充电时间预测值y1，将动力电池充电能耗相关数据代入到动力电池充电能耗模型，得出充电能耗预测值y2，将动力电池健康状态相关数据代入到动力电池健康状态模型，得出健康状态预测值y3；
预设y1约束条件、y2约束条件以及y3约束条件，预设的y1约束条件为y1处于预设充电时间范围内，y2的约束条件为y2处于预设充电能耗范围内，y3的约束为y3处于预设健康状态范围内，进行最优控制步骤包括当y1满足预设的y1约束条件、y2满足预设的y2约束条件以及y3满足预设的约束条件时,选取最小的y1、最小的y2且最大的y3作为充电优化结果输出。
2.根据权利要求1所述的新能源车辆动力电池充电优化方法，其特征在于，上述筛选步骤包括对上述动力电池充电优化相关数据进行清洗，去除异常数据和空数据，对清洗后的多辆车的动力电池充电优化相关数据进行相关性分析得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据。
3.根据权利要求2所述的新能源车辆动力电池充电优化方法，其特征在于，所述相关性分析包括选取皮尔逊相关系数大于预设系数值的动力电池充电优化相关数据。
4.根据权利要求3所述的新能源车辆动力电池充电优化方法，其特征在于，上述建立动力电池充电时间模型步骤包括将动力电池充电时间相关数据通过预设算法输出的充电时间与参考充电时间对比，当充电时间与参考充电时间的差值不大于预设误差值时建立动力电池充电时间模型，当充电时间与参考充电时间的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到充电时间与参考充电时间的差值不大于预设误差值，动力电池充电时间模型为
Figure FDA0003978887780000021
其中y1为充电时间预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ti为动力电池充电时间相关输入参数，
Figure FDA0003978887780000022
为隐藏层权重参数，
Figure FDA0003978887780000023
为隐藏层偏置，
Figure FDA0003978887780000024
为输出层权重参数，b0为输出层偏置，fH为激活函数。
5.根据权利要求4所述的新能源车辆动力电池充电优化方法，其特征在于，上述建立动力电池充电能耗模型步骤包括将动力电池充电能耗相关数据通过预设算法输出的充电能耗与参考充电能耗对比，当充电能耗与参考充电能耗的差值不大于预设误差值时建立动力电池充电能耗模型，当充电能耗与参考充电能耗的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到充电能耗与参考充电能耗的差值不大于预设误差值，动力电池充电能耗模型为
Figure FDA0003978887780000025
其中y2为充电能耗预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，pi为动力电池充电能耗输入参数，
Figure FDA0003978887780000026
为隐藏层权重参数，
Figure FDA0003978887780000027
为隐藏层偏置，
Figure FDA0003978887780000028
为输出层权重参数，b0为输出层偏置，fH为激活函数。
6.根据权利要求5所述的新能源车辆动力电池充电优化方法，其特征在于，上述建立动力电池健康状态模型步骤包括将动力电池健康状态相关数据通过预设算法输出的健康状态与参考健康状态对比，当健康状态与参考健康状态的差值不大于预设误差值时建立动力电池健康状态模型，当健康状态与参考健康状态的差值大于预设误差值时调节隐藏层权重参数、隐藏层偏置、输出层的权重参数以及输出层的偏置直到健康状态与参考健康状态的差值不大于预设误差值，动力电池健康状态模型包括
Figure FDA0003978887780000031
其中y3为健康状态预测值，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，ci为动力电池健康状态输入参数，
Figure FDA0003978887780000032
为隐藏层权重参数，
Figure FDA0003978887780000033
为隐藏层偏置，
Figure FDA0003978887780000034
为输出层权重参数，b0为输出层偏置，fH为激活函数。
7.一种新能源车辆动力电池充电优化***，包括与车辆连接并能够获取车辆上的数据的大数据平台(3)，其特征在于，新能源车辆动力电池充电优化***还包括用于采集动力电池充电优化相关数据的采集模块(1)以及设置在车辆上用于接收采集模块(1)输出的数据的控制单元(2)，所述采集模块(1)与控制单元(2)连接，所述控制单元(2)与大数据平台(3)无线连接，大数据平台(3)用于接收与其连接的车辆的控制单元(2)输出的车辆的动力电池优化相关数据，并对接收到的数据进行筛选得到包括动力电池充电时间相关、动力电池充电能耗相关以及动力电池健康状态相关的数据,其中，动力电池充电时间相关数据包括动力电池温度以及动力电池电流数据，动力电池充电能耗相关数据包括动力电池电流以及动力电池电压数据，动力电池健康状态相关数据包括动力电池电压以及动力电池绝缘电阻数据；对筛选后的数据进行神经网络训练建立车辆动力电池充电相关模型，包括建立动力电池充电时间模型、动力电池充电能耗模型以及动力电池健康状态模型；
大数据平台(3)还用于在建立模型后获取与大数据平台(3)连接的车辆的当前动力电池充电优化相关数据，并代入车辆动力电池充电相关模型后输出充电优化结果，具体操作为：大数据平台(3)将动力电池充电时间相关数据代入到动力电池充电相关模型，得出充电时间预测值y1，将动力电池充电能耗相关数据代入到动力电池充电能耗模型，得出充电能耗预测值y2，将动力电池健康状态相关数据代入到动力电池健康状态模型，得出健康状态预测值y3；
预设y1约束条件、y2约束条件以及y3约束条件，预设的y1约束条件为y1处于预设充电时间范围内，y2的约束条件为y2处于预设充电能耗范围内，y3的约束为y3处于预设健康状态范围内，进行最优控制步骤包括当y1满足预设的y1约束条件、y2满足预设的y2约束条件以及y3满足预设的约束条件时,选取最小的y1、最小的y2且最大的y3作为充电优化结果输出。
CN202110474721.6A 2021-04-29 2021-04-29 一种新能源车辆动力电池充电优化方法及*** Active CN113191547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110474721.6A CN113191547B (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池充电优化方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474721.6A CN113191547B (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池充电优化方法及***

Publications (2)

Publication Number Publication Date
CN113191547A CN113191547A (zh) 2021-07-30
CN113191547B true CN113191547B (zh) 2023-03-24

Family

ID=76980489

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474721.6A Active CN113191547B (zh) 2021-04-29 2021-04-29 一种新能源车辆动力电池充电优化方法及***

Country Status (1)

Country Link
CN (1) CN113191547B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591221B (zh) * 2021-08-04 2023-07-04 中公高远(北京)汽车检测技术有限公司 一种检测车辆能量消耗变化的方法及***
CN114274800B (zh) * 2021-12-31 2024-04-12 同济大学 一种营运电动汽车群体聚合充电行为预测方法及相关装置
CN117118004B (zh) * 2023-07-11 2024-05-07 速源芯(东莞)能源科技有限公司 一种智能充电器的自动调控***

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2011156776A2 (en) * 2010-06-10 2011-12-15 The Regents Of The University Of California Smart electric vehicle (ev) charging and grid integration apparatus and methods
CN107215228B (zh) * 2017-06-14 2019-11-15 上海蔚来汽车有限公司 加电优化方法及装置、终端、设施、设备、存储介质
CN107323300B (zh) * 2017-07-26 2019-05-24 河海大学 一种基于路-站-车联合模型的电动汽车预约充电方法
CN108162771B (zh) * 2017-11-09 2020-11-10 贵州电网有限责任公司电力科学研究院 一种电动汽车智能充电导航方法
CN107813725B (zh) * 2017-11-10 2021-01-19 爱驰汽车有限公司 用于电动汽车的充电方法及装置
CN110116652A (zh) * 2019-05-24 2019-08-13 福建工程学院 一种电动汽车前往充电桩的推荐方法
CN110449280A (zh) * 2019-08-14 2019-11-15 浙江奥利达气动工具股份有限公司 一种喷枪与壶体的连接组件及带有该组件的喷枪
CN110723029B (zh) * 2019-09-27 2021-09-14 东软睿驰汽车技术（沈阳）有限公司 一种充电策略的确定方法及装置
CN110987862A (zh) * 2019-11-06 2020-04-10 汉谷云智(武汉)科技有限公司 一种柴油在线调和方法
CN112070300B (zh) * 2020-09-07 2023-05-23 电子科技大学 一种基于多目标优化的电动汽车充电平台选取方法
CN112485689B (zh) * 2020-10-26 2024-02-06 沃太能源股份有限公司 一种基于Xgboost模型预测储能***中锂电池剩余循环寿命的方法

Also Published As

Publication number Publication date
CN113191547A (zh) 2021-07-30

Similar Documents

Publication Publication Date Title
CN113191547B (zh) 一种新能源车辆动力电池充电优化方法及***
Zhang et al. Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm
EP2660616B1 (en) Battery pack management device and method involving indicating the degree of degradation of a secondary battery cell
CN107870306A (zh) 一种基于深度神经网络下的锂电池荷电状态预测算法
CN112711892A (zh) 一种基于数字孪生和区块链技术的云电池管理***及方法
CN113173104B (zh) 一种新能源车辆动力电池预警方法及***
US20230384392A1 (en) Method for detecting abnormal condition or fault of battery, and a battery management system operating the same
CN113159435B (zh) 一种新能源车辆剩余驾驶里程预测方法及***
CN116882981B (zh) 基于数据分析的智能电池管理***
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及***
CN113158345A (zh) 一种新能源车辆动力电池容量预测方法及***
CN113554200B (zh) 动力电池电压不一致性预测方法、***及设备
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
CN113868884B (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
CN116125278A (zh) 一种基于lstm-ekf算法的锂电池soc估计方法和***
CN114880939A (zh) 一种动力电池寿命的智能预测方法及装置
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN116542148A (zh) 一种超级电容器剩余寿命的预测方法及***
CN113212244B (zh) 一种新能源车辆动力电池寿命预测方法及***
CN116819328A (zh) 一种电动汽车动力电池故障诊断方法、***、设备及介质
CN115993555A (zh) 储能电池组一致性等级的确定方法及装置
CN115544900A (zh) 一种基于Shap算法分析电动车续航里程影响因素的方法
CN113420494B (zh) 一种超级电容贝叶斯概率融合建模方法
CN114966407A (zh) 一种锂电池多传感器信息融合荷电状态的估计方法
CN115101836A (zh) 一种云-端融合的电池***管理方法及装置

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