CN115622203B - 基于车载无线充电器充电数据的分析提醒方法及*** - Google Patents
基于车载无线充电器充电数据的分析提醒方法及*** Download PDFInfo
- Publication number
- CN115622203B CN115622203B CN202211612238.0A CN202211612238A CN115622203B CN 115622203 B CN115622203 B CN 115622203B CN 202211612238 A CN202211612238 A CN 202211612238A CN 115622203 B CN115622203 B CN 115622203B
- Authority
- CN
- China
- Prior art keywords
- charging
- health
- mobile equipment
- battery
- acquiring
- 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
- 238000007600 charging Methods 0.000 title claims abstract description 401
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 230000036541 health Effects 0.000 claims abstract description 167
- 230000002159 abnormal effect Effects 0.000 claims abstract description 71
- 230000003044 adaptive effect Effects 0.000 claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 26
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000005457 optimization Methods 0.000 claims description 15
- 238000010277 constant-current charging Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000010280 constant potential charging Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 230000006698 induction Effects 0.000 description 4
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于车载无线充电器充电数据的分析提醒方法及***，包括：获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；通过健康特征对根据预设健康指标对移动设备电池进行健康评估；根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示。本发明通过对无线充电器的充电数据进行电池健康分析评估，并进行智能提醒，将移动设备的充电过程实现可视化，通过充电智能提醒防止移动设备在异常情况下持续充电，增强用户的体验。
Description
技术领域
本发明涉及车载无线充电领域，更具体的，涉及一种基于车载无线充电器充电数据的分析提醒方法及***。
背景技术
随着现在手机无线充电标准的制定，现在无线充电功能已经成为高端手机的标配，无线充电器的需求也随之增加。另外汽车行业的迅猛发展，汽车已经成为现代人工作及旅行最主要的出行方式，也逐渐的配备了手机无线充电设备，汽车车载无线充电设备作为一种绝佳的无线充电应用场景，无需频繁插拔充电线，是增加行车安全、提高车主生活品质的一大利器，极大的改善了车内手机使用和充电的体验。
目前的车载无线充电设备分为前装及后装，前装是指汽车在出厂前带有无线充电装置，后装则是在汽车上额外加装一个车载支架等装置来实现无线充电。但无论是前装或后装无线充电设备在为乘客带来便利的同时，存在一个比较普遍的问题，即缺少智能提醒***，目前无线充电设备的提醒***仅能够提供充电面板存在杂物、用户移动设备遗落或者无线充电设备存在故障等简单提醒，并不能根据移动设备的充电状态进行智能提醒。因此，如何根据无线充电设备的充电数据分析充电状态，并根据移动设备的充电状态进行智能提醒是亟不可待需要解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于车载无线充电器充电数据的分析提醒方法及***。
本发明第一方面提供了一种基于车载无线充电器充电数据的分析提醒方法，包括：
获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；
通过健康特征对根据预设健康指标对移动设备电池进行健康评估；
根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；
根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示。
本方案中，获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征，具体为：
获取车载无线充电器上移动设备的设备ID信息，根据设备ID信息获取历史充电数据，根据所述历史充电数据获取无线充电器的恒流充电阶段及恒压充电阶段的充电曲线；
根据所述充电曲线通过预设时间间隔获取各间隔的峰值点，提取充电曲线上的峰值点位置、峰值点高度及峰值点的之间的高度差；
通过所述充电曲线的曲线类型结合其峰值点位置、峰值点高度及峰值点的之间的高度差进行相关性分析；
根据相关性系数获取相关度大于预设相关度阈值的特征点作为移动设备电池的健康特征。
本方案中，通过健康特征对根据预设健康指标对移动设备电池进行健康评估，具体为：
获取移动设备电池预设时间内的健康特征序列，基于LSTM网络构建移动设备电池的健康评估模型，将所述健康特征序列进行标准化处理，通过差分将健康特征序列划分为训练集及测试集；
通过粒子优化算法对健康评估模型中LSTM层进行超参数优化，将健康评估模型的损失函数作为适应度函数，通过迭代对粒子的速度参数及位置参数进行更新，根据适应度最小原则获取最优粒子位置；
根据最优粒子位置获取LSTM层的最优超参数，将所述最优超参数导入健康评估模型根据训练集及测试集进行训练及预测，将健康评估模型训练至损失函数收敛后通过验证集进行验证；
将移动设备电池当前的健康特征序列生成特征矩阵，将所述特征矩阵输入训练后的健康评估模型进行预测，输出移动设备电池当前的健康状态评估结果。
本方案中，根据所述充电曲线获取充电异常情况，具体为：
根据移动设备的电池健康评估结果及适应性充电策略确定移动设备的充电基准曲线，并根据充电基准曲线进行分段，获取各段充电基准曲线的曲线特征生成充电基准曲线特征序列；
获取行程中移动设备的充电曲线，将所述充电曲线根据充电基准曲线特征序列进行分段，并计算特征偏差，根据所述特征偏差与偏差阈值进行对比，若特征偏差大于偏差阈值时，则标记为充电异常情况；
根据充电策略及对应特征偏差获取充电异常情况的异常特征，根据所述异常特征通过相似度计算获取符合相似度标准的充电异常数据；
选取相似度最大的充电异常数据，根据相似度最大的充电异常数据确定充电异常情况的所属类型，将充电异常情况进行充电异常所属类型标注后按照预设方式进行显示。
本方案中，根据移动设备电池的健康评估结果制定适应性充电策略，具体为：
获取移动设备电池当前健康状态信息，初始化状态变量，并根据无线充电器的参数信息获取电流、电压及热安全约束信息；
根据移动设备电池的电池健康状态及充电时间设置充电策略的目标函数，通过粒子群算法获取移动设备电池的充电策略，将恒流阶段电流作为优化变量，将所述初始化状态变量代入；
当约束信息到达达到预设阈值时，进行移动设备电池恒流阶段的充电，根据充电策略的目标函数作为适应度函数，通过适应度函数计算粒子的最优解，根据最优解获取恒流充电阶段的电流，设置移动设备电池的充电策略；
根据车内乘客的行程信息获取路程距离，根据所述路程距离判断是否大于预设路程距离阈值；
若大于预设路程距离阈值，则根据移动设备电池健康优先制定适应性充电策略，若不大于预设路程距离阈值，则根据移动设备电池充电速度优先制定适应性充电策略。
本方案中，还包括，根据用户反馈获取移动设备电池充电策略的调整，具体为：
根据移动设备电池健康评估获取电池的容量信息，根据当前电量及对应充电策略获取移动设备的预计充满时间；
获取目的地的路程信息判断预计达到时间，根据所述预计达到时间及预计充满时间获取达到时移动设备的充电容量，将所述充电容量按照预设方式显示提醒信息；
获取车内乘客对提醒信息的反馈，根据所述反馈获取所述充电容量是否满足车内乘客的使用需求；
当车内乘客反馈为不能满足使用，则根据车内乘客的期望充电容量调整充电策略，根据调整后充电策略进行移动设备的无线充电。
本发明第二方面还提供了一种基于车载无线充电器充电数据的分析提醒***，该***包括：存储器、处理器，所述存储器中包括一种基于车载无线充电器充电数据的分析提醒方法程序，所述一种基于车载无线充电器充电数据的分析提醒方法程序被所述处理器执行时实现如下步骤：
获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；
通过健康特征对根据预设健康指标对移动设备电池进行健康评估；
根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；
根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示。
本发明公开了一种基于车载无线充电器充电数据的分析提醒方法及***，包括：获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；通过健康特征对根据预设健康指标对移动设备电池进行健康评估；根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示。本发明通过对无线充电器的充电数据进行电池健康分析评估，并进行智能提醒，将移动设备的充电过程实现可视化，通过充电智能提醒防止移动设备在异常情况下持续充电，增强用户的体验。
附图说明
图1示出了本发明一种基于车载无线充电器充电数据的分析提醒方法的流程图；
图2示出了本发明对移动设备电池进行健康评估的方法流程图；
图3示出了本发明根据移动设备电池的健康评估结果制定适应性充电策略的方法流程图；
图4示出了本发明一种基于车载无线充电器充电数据的分析提醒***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于车载无线充电器充电数据的分析提醒方法的流程图。
如图1所示，本发明第一方面提供了一种基于车载无线充电器充电数据的分析提醒方法，包括：
S102，获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；
S104，通过健康特征对根据预设健康指标对移动设备电池进行健康评估；
S106，根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；
S108，根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示。
需要说明的是，所述无线充电器通过磁耦合感应式无线电能传输技术进行充电，包括直流电流源、串-串补偿拓扑的磁耦合感应式电能传输变换器、基于耦合电感的钳位辅助电路、电池负载以及滤波电容等，车载无线充电器进行充电时获取车载无线充电器上移动设备的设备ID信息，将充电数据进行匹配存储至云端数据库，根据设备ID信息获取历史充电数据，根据所述历史充电数据获取无线充电器的恒流充电阶段及恒压充电阶段的充电曲线；根据所述充电曲线通过预设时间间隔获取各间隔的峰值点，提取充电曲线上的峰值点位置、峰值点高度及峰值点的之间的高度差；通过所述充电曲线的曲线类型结合其峰值点位置、峰值点高度及峰值点的之间的高度差进行相关性分析，所述相关性分析通过Pearson相关性分析获Spearman秩相关分析等方法实现；根据相关性系数获取相关度大于预设相关度阈值的特征点作为移动设备电池的健康特征。
图2示出了本发明对移动设备电池进行健康评估的方法流程图。
根据本发明实施例，通过健康特征对根据预设健康指标对移动设备电池进行健康评估，具体为：
S202，获取移动设备电池预设时间内的健康特征序列，基于LSTM网络构建移动设备电池的健康评估模型，将所述健康特征序列进行标准化处理，通过差分将健康特征序列划分为训练集及测试集；
S204，通过粒子优化算法对健康评估模型中LSTM层进行超参数优化，将健康评估模型的损失函数作为适应度函数，通过迭代对粒子的速度参数及位置参数进行更新，根据适应度最小原则获取最优粒子位置；
S206，根据最优粒子位置获取LSTM层的最优超参数，将所述最优超参数导入健康评估模型根据训练集及测试集进行训练及预测，将健康评估模型训练至损失函数收敛后通过验证集进行验证；
S208，将移动设备电池当前的健康特征序列生成特征矩阵，将所述特征矩阵输入训练后的健康评估模型进行预测，输出移动设备电池当前的健康状态评估结果。
需要说明的是，通过粒子群算法对样本时间步数、隐藏层神经元数、隐藏层数、训练批次大小、学习率、训练轮数、初始化权值偏置等超参数进行优化设置，LSTM单元结构主要通过遗忘门，记忆门，输出门控制传输状态，最后通过全连接层将输出维度转换为预设时间的时间步数，输出层将移动设备电池的健康状态进行输出。
根据移动设备的电池健康评估结果及适应性充电策略确定移动设备的充电基准曲线，并根据充电基准曲线进行分段，获取各段充电基准曲线的曲线特征生成充电基准曲线特征序列；获取行程中移动设备的充电曲线，将所述充电曲线根据充电基准曲线特征序列进行分段，并计算特征偏差，根据所述特征偏差与偏差阈值进行对比，若特征偏差大于偏差阈值时，则标记为充电异常情况；根据充电策略及对应特征偏差获取充电异常情况的异常特征，根据所述异常特征通过相似度计算获取符合相似度标准的充电异常数据；选取相似度最大的充电异常数据，根据相似度最大的充电异常数据确定充电异常情况的所属类型，将充电异常情况进行充电异常所属类型标注后按照预设方式进行显示。
图3示出了本发明根据移动设备电池的健康评估结果制定适应性充电策略的方法流程图。
根据本发明实施例，根据移动设备电池的健康评估结果制定适应性充电策略，具体为：
S302，获取移动设备电池当前健康状态信息，初始化状态变量，并根据无线充电器的参数信息获取电流、电压及热安全约束信息；
S304，根据移动设备电池的电池健康状态及充电时间设置充电策略的目标函数，通过粒子群算法获取移动设备电池的充电策略，将恒流阶段电流作为优化变量，将所述初始化状态变量代入；
S306，当约束信息到达达到预设阈值时，进行移动设备电池恒流阶段的充电，根据充电策略的目标函数作为适应度函数，通过适应度函数计算粒子的最优解，根据最优解获取恒流充电阶段的电流，设置移动设备电池的充电策略；
S308，根据车内乘客的行程信息获取路程距离，根据所述路程距离判断是否大于预设路程距离阈值；
S310，若大于预设路程距离阈值，则根据移动设备电池健康优先制定适应性充电策略，若不大于预设路程距离阈值，则根据移动设备电池充电速度优先制定适应性充电策略。
需要说明的是，初始化粒子群数量，随机赋予粒子速度和位置信息；获取粒子当前速度与约束进行比较，若满足约束，则根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置。其中，根据移动设备电池的电池健康状态及充电时间设置充电策略的目标函数，目标函数为：
其中，为预设权重系数，为根据路程获取的充电预测时间，为预设最大的充电时间，为起始充电时间，为充电结束时移动设备电池的健康状态，为充电结束时移动设备电池的健康状态；
所述状态变量包括充电电流及充电电压等变量信息，当根据移动设备电池健康优先制定适应性充电策略时，目标函数中只包含后半部分，通过较小的充电电流进行恒流充电阶段的设置，电压达不到约束条件，无恒压阶段，电池温度变化很小，因此电池的健康状态受损较小，根据移动设备电池充电速度优先制定适应性充电策略时，根据约束条件获取最大约束电流设置初始充电电流，较大的充电电流导致电池内阻上的欧姆电压和极化电压快速增加，使得电池电压快速达到约束电压，切换到下一恒流阶段进行充电。
同时，根据用户反馈获取移动设备电池充电策略的调整，具体为：根据移动设备电池健康评估获取电池的容量信息，根据当前电量及对应充电策略获取移动设备的预计充满时间；获取目的地的路程信息判断预计达到时间，根据所述预计达到时间及预计充满时间获取达到时移动设备的充电容量，将所述充电容量按照预设方式显示提醒信息；获取车内乘客对提醒信息的反馈，根据所述反馈获取所述充电容量是否满足车内乘客的使用需求；当车内乘客反馈为不能满足使用，则根据车内乘客的期望充电容量作为约束条件之一调整充电策略，根据调整后充电策略进行移动设备的无线充电。
根据本发明实施例，当移动设备充电曲线不完整时，通过数据补全对充电曲线进行修补，存入对应数据库中，具体为：
根据移动设备电池的充电起止时间，根据所述起止时间获取设备的部分充电曲线，所述充电曲线包括但不限于电压曲线及电流曲线；
获取部分充分曲线的几何特征，根据所述几何特征筛选充电曲线的拐点特征，通过所述拐点特征及移动设备的设备ID信息建立数据索引；
通过大数据检索获取已授权的多个充电平台的充电数据，根据获取的充电数据进行数据相似度计算，获取相似度满足预设相似度标准的充电数据；
通过满足预设相似度标准的充电数据获取对应的充电曲线，将所述充电曲线进行曲线与所述部分充电曲线进行曲线拟合，实现部分充电曲线的充电曲线补全；
将补全后的充电曲线匹配移动设备电池的健康状态存入云端数据库的预设存储路径中。
图4示出了本发明一种基于车载无线充电器充电数据的分析提醒***的框图。
本发明第二方面还提供了一种基于车载无线充电器充电数据的分析提醒***4，该***包括：存储器41、处理器42，所述存储器中包括一种基于车载无线充电器充电数据的分析提醒方法程序，所述一种基于车载无线充电器充电数据的分析提醒方法程序被所述处理器执行时实现如下步骤：
获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；
通过健康特征对根据预设健康指标对移动设备电池进行健康评估；
根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；
根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示。
需要说明的是，所述无线充电器通过磁耦合感应式无线电能传输技术进行充电，包括直流电流源、串-串补偿拓扑的磁耦合感应式电能传输变换器、基于耦合电感的钳位辅助电路、电池负载以及滤波电容等，车载无线充电器进行充电时获取车载无线充电器上移动设备的设备ID信息，将充电数据进行匹配存储至云端数据库，根据设备ID信息获取历史充电数据，根据所述历史充电数据获取无线充电器的恒流充电阶段及恒压充电阶段的充电曲线；根据所述充电曲线通过预设时间间隔获取各间隔的峰值点，提取充电曲线上的峰值点位置、峰值点高度及峰值点的之间的高度差；通过所述充电曲线的曲线类型结合其峰值点位置、峰值点高度及峰值点的之间的高度差进行相关性分析，所述相关性分析通过Pearson相关性分析获Spearman秩相关分析等方法实现；根据相关性系数获取相关度大于预设相关度阈值的特征点作为移动设备电池的健康特征。
根据本发明实施例，通过健康特征对根据预设健康指标对移动设备电池进行健康评估，具体为：
获取移动设备电池预设时间内的健康特征序列，基于LSTM网络构建移动设备电池的健康评估模型，将所述健康特征序列进行标准化处理，通过差分将健康特征序列划分为训练集及测试集；
通过粒子优化算法对健康评估模型中LSTM层进行超参数优化，将健康评估模型的损失函数作为适应度函数，通过迭代对粒子的速度参数及位置参数进行更新，根据适应度最小原则获取最优粒子位置；
根据最优粒子位置获取LSTM层的最优超参数，将所述最优超参数导入健康评估模型根据训练集及测试集进行训练及预测，将健康评估模型训练至损失函数收敛后通过验证集进行验证；
将移动设备电池当前的健康特征序列生成特征矩阵，将所述特征矩阵输入训练后的健康评估模型进行预测，输出移动设备电池当前的健康状态评估结果。
需要说明的是，通过粒子群算法对样本时间步数、隐藏层神经元数、隐藏层数、训练批次大小、学习率、训练轮数、初始化权值偏置等超参数进行优化设置，LSTM单元结构主要通过遗忘门，记忆门，输出门控制传输状态，最后通过全连接层将输出维度转换为预设时间的时间步数，输出层将移动设备电池的健康状态进行输出。
根据移动设备的电池健康评估结果及适应性充电策略确定移动设备的充电基准曲线，并根据充电基准曲线进行分段，获取各段充电基准曲线的曲线特征生成充电基准曲线特征序列；获取行程中移动设备的充电曲线，将所述充电曲线根据充电基准曲线特征序列进行分段，并计算特征偏差，根据所述特征偏差与偏差阈值进行对比，若特征偏差大于偏差阈值时，则标记为充电异常情况；根据充电策略及对应特征偏差获取充电异常情况的异常特征，根据所述异常特征通过相似度计算获取符合相似度标准的充电异常数据；选取相似度最大的充电异常数据，根据相似度最大的充电异常数据确定充电异常情况的所属类型，将充电异常情况进行充电异常所属类型标注后按照预设方式进行显示。
根据本发明实施例，根据移动设备电池的健康评估结果制定适应性充电策略，具体为：
获取移动设备电池当前健康状态信息，初始化状态变量，并根据无线充电器的参数信息获取电流、电压及热安全约束信息；
根据移动设备电池的电池健康状态及充电时间设置充电策略的目标函数，通过粒子群算法获取移动设备电池的充电策略，将恒流阶段电流作为优化变量，将所述初始化状态变量代入；
当约束信息到达达到预设阈值时，进行移动设备电池恒流阶段的充电，根据充电策略的目标函数作为适应度函数，通过适应度函数计算粒子的最优解，根据最优解获取恒流充电阶段的电流，设置移动设备电池的充电策略；
根据车内乘客的行程信息获取路程距离，根据所述路程距离判断是否大于预设路程距离阈值；
若大于预设路程距离阈值，则根据移动设备电池健康优先制定适应性充电策略，若不大于预设路程距离阈值，则根据移动设备电池充电速度优先制定适应性充电策略。
需要说明的是，初始化粒子群数量，随机赋予粒子速度和位置信息；获取粒子当前速度与约束进行比较，若满足约束，则根据适应度值判断粒子的优劣，若不满足约束，则将粒子排除，将排除的粒子进行迭代训练，直到满足约束；进行若干次粒子速度及位置信息的更新后，获取每一个粒子搜寻的最优位置及全部粒子中的最优位置。其中，根据移动设备电池的电池健康状态及充电时间设置充电策略的目标函数，目标函数为：
其中，为预设权重系数，为根据路程获取的充电预测时间，为预设最大的充电时间，为起始充电时间，为充电结束时移动设备电池的健康状态，为充电结束时移动设备电池的健康状态；
所述状态变量包括充电电流及充电电压等变量信息，当根据移动设备电池健康优先制定适应性充电策略时，目标函数中只包含后半部分，通过较小的充电电流进行恒流充电阶段的设置，电压达不到约束条件，无恒压阶段，电池温度变化很小，因此电池的健康状态受损较小，根据移动设备电池充电速度优先制定适应性充电策略时，根据约束条件获取最大约束电流设置初始充电电流，较大的充电电流导致电池内阻上的欧姆电压和极化电压快速增加，使得电池电压快速达到约束电压，切换到下一恒流阶段进行充电。
同时，根据用户反馈获取移动设备电池充电策略的调整，具体为：根据移动设备电池健康评估获取电池的容量信息，根据当前电量及对应充电策略获取移动设备的预计充满时间；获取目的地的路程信息判断预计达到时间，根据所述预计达到时间及预计充满时间获取达到时移动设备的充电容量，将所述充电容量按照预设方式显示提醒信息；获取车内乘客对提醒信息的反馈，根据所述反馈获取所述充电容量是否满足车内乘客的使用需求；当车内乘客反馈为不能满足使用，则根据车内乘客的期望充电容量调整充电策略，根据调整后充电策略进行移动设备的无线充电。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于车载无线充电器充电数据的分析提醒方法程序，所述一种基于车载无线充电器充电数据的分析提醒方法程序被处理器执行时，实现如上述任一项所述的一种基于车载无线充电器充电数据的分析提醒方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种基于车载无线充电器充电数据的分析提醒方法，其特征在于，包括以下步骤：
获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；
通过健康特征且根据预设健康指标对移动设备电池进行健康评估；
根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；
根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示；
通过健康特征且根据预设健康指标对移动设备电池进行健康评估，具体为：
获取移动设备电池预设时间内的健康特征序列，基于LSTM网络构建移动设备电池的健康评估模型，将所述健康特征序列进行标准化处理，通过差分将健康特征序列划分为训练集及测试集；
通过粒子优化算法对健康评估模型中LSTM层进行超参数优化，将健康评估模型的损失函数作为适应度函数，通过迭代对粒子的速度参数及位置参数进行更新，根据适应度最小原则获取最优粒子位置；
根据最优粒子位置获取LSTM层的最优超参数，将所述最优超参数导入健康评估模型根据训练集及测试集进行训练及预测，将健康评估模型训练至损失函数收敛后通过验证集进行验证；
将移动设备电池当前的健康特征序列生成特征矩阵，将所述特征矩阵输入训练后的健康评估模型进行预测，输出移动设备电池当前的健康状态评估结果；
根据移动设备电池的健康评估结果制定适应性充电策略，具体为：
获取移动设备电池当前健康状态信息，初始化状态变量，并根据无线充电器的参数信息获取电流、电压及热安全约束信息；
根据移动设备电池的电池健康状态及充电时间设置充电策略的目标函数，通过粒子群算法获取移动设备电池的充电策略，将恒流阶段电流作为优化变量，将所述初始化状态变量代入；
当热安全约束信息达到预设阈值时，进行移动设备电池恒流阶段的充电，根据充电策略的目标函数作为适应度函数，通过适应度函数计算粒子的最优解，根据最优解获取恒流充电阶段的电流，设置移动设备电池的充电策略；
根据车内乘客的行程信息获取路程距离，根据所述路程距离判断是否大于预设路程距离阈值；
若大于预设路程距离阈值，则根据移动设备电池健康优先制定适应性充电策略，若不大于预设路程距离阈值，则根据移动设备电池充电速度优先制定适应性充电策略。
2.根据权利要求1所述的一种基于车载无线充电器充电数据的分析提醒方法，其特征在于，获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征，具体为：
获取车载无线充电器上移动设备的设备ID信息，根据设备ID信息获取历史充电数据，根据所述历史充电数据获取无线充电器的恒流充电阶段及恒压充电阶段的充电曲线；
根据所述充电曲线通过预设时间间隔获取各间隔的峰值点，提取充电曲线上的峰值点位置、峰值点高度及峰值点的之间的高度差；
通过所述充电曲线的曲线类型结合其峰值点位置、峰值点高度及峰值点的之间的高度差进行相关性分析；
根据相关性系数获取相关度大于预设相关度阈值的特征点作为移动设备电池的健康特征。
3.根据权利要求1所述的一种基于车载无线充电器充电数据的分析提醒方法，其特征在于，根据所述充电曲线获取充电异常情况，具体为：
根据移动设备的电池健康评估结果及适应性充电策略确定移动设备的充电基准曲线，并根据充电基准曲线进行分段，获取各段充电基准曲线的曲线特征生成充电基准曲线特征序列；
获取行程中移动设备的充电曲线，将所述充电曲线根据充电基准曲线特征序列进行分段，并计算特征偏差，根据所述特征偏差与偏差阈值进行对比，若特征偏差大于偏差阈值时，则标记为充电异常情况；
根据充电策略及对应特征偏差获取充电异常情况的异常特征，根据所述异常特征通过相似度计算获取符合相似度标准的充电异常数据；
选取相似度最大的充电异常数据，根据相似度最大的充电异常数据确定充电异常情况的所属类型，将充电异常情况进行充电异常所属类型标注后按照预设方式进行显示。
4.根据权利要求1所述的一种基于车载无线充电器充电数据的分析提醒方法，其特征在于，还包括：
根据移动设备电池健康评估获取电池的容量信息，根据当前电量及对应充电策略获取移动设备的预计充满时间；
获取目的地的路程信息判断预计达到时间，根据所述预计达到时间及预计充满时间获取达到时移动设备的充电容量，将所述充电容量按照预设方式显示提醒信息；
获取车内乘客对提醒信息的反馈，根据所述反馈获取所述充电容量是否满足车内乘客的使用需求；
当车内乘客反馈为不能满足使用，则根据车内乘客的期望充电容量调整充电策略，根据调整后充电策略进行移动设备的无线充电。
5.一种基于车载无线充电器充电数据的分析提醒***，其特征在于，该***包括：存储器、处理器，所述存储器中包括一种基于车载无线充电器充电数据的分析提醒方法程序，所述一种基于车载无线充电器充电数据的分析提醒方法程序被所述处理器执行时实现如下步骤：
获取车载无线充电器的充电数据，根据所述充电数据进行特征提取获取移动设备电池的健康特征；
通过健康特征且根据预设健康指标对移动设备电池进行健康评估；
根据移动设备电池的健康评估结果制定适应性充电策略，根据所述适应性充电策略进行充电，生成充电曲线；
根据所述充电曲线获取充电异常情况，将电池的健康特征、充电曲线及充电异常情况按照预设方式发送到车机显示***进行显示；
通过健康特征且根据预设健康指标对移动设备电池进行健康评估，具体为：
获取移动设备电池预设时间内的健康特征序列，基于LSTM网络构建移动设备电池的健康评估模型，将所述健康特征序列进行标准化处理，通过差分将健康特征序列划分为训练集及测试集；
通过粒子优化算法对健康评估模型中LSTM层进行超参数优化，将健康评估模型的损失函数作为适应度函数，通过迭代对粒子的速度参数及位置参数进行更新，根据适应度最小原则获取最优粒子位置；
根据最优粒子位置获取LSTM层的最优超参数，将所述最优超参数导入健康评估模型根据训练集及测试集进行训练及预测，将健康评估模型训练至损失函数收敛后通过验证集进行验证；
将移动设备电池当前的健康特征序列生成特征矩阵，将所述特征矩阵输入训练后的健康评估模型进行预测，输出移动设备电池当前的健康状态评估结果；
根据移动设备电池的健康评估结果制定适应性充电策略，具体为：
获取移动设备电池当前健康状态信息，初始化状态变量，并根据无线充电器的参数信息获取电流、电压及热安全约束信息；
根据移动设备电池的电池健康状态及充电时间设置充电策略的目标函数，通过粒子群算法获取移动设备电池的充电策略，将恒流阶段电流作为优化变量，将所述初始化状态变量代入；
当热安全约束信息达到预设阈值时，进行移动设备电池恒流阶段的充电，根据充电策略的目标函数作为适应度函数，通过适应度函数计算粒子的最优解，根据最优解获取恒流充电阶段的电流，设置移动设备电池的充电策略；
根据车内乘客的行程信息获取路程距离，根据所述路程距离判断是否大于预设路程距离阈值；
若大于预设路程距离阈值，则根据移动设备电池健康优先制定适应性充电策略，若不大于预设路程距离阈值，则根据移动设备电池充电速度优先制定适应性充电策略。
6.根据权利要求5所述的一种基于车载无线充电器充电数据的分析提醒***，其特征在于，根据所述充电曲线获取充电异常情况，具体为：
根据移动设备的电池健康评估结果及适应性充电策略确定移动设备的充电基准曲线，并根据充电基准曲线进行分段，获取各段充电基准曲线的曲线特征生成充电基准曲线特征序列；
获取行程中移动设备的充电曲线，将所述充电曲线根据充电基准曲线特征序列进行分段，并计算特征偏差，根据所述特征偏差与偏差阈值进行对比，若特征偏差大于偏差阈值时，则标记为充电异常情况；
根据充电策略及对应特征偏差获取充电异常情况的异常特征，根据所述异常特征通过相似度计算获取符合相似度标准的充电异常数据；
选取相似度最大的充电异常数据，根据相似度最大的充电异常数据确定充电异常情况的所属类型，将充电异常情况进行充电异常所属类型标注后按照预设方式进行显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211612238.0A CN115622203B (zh) | 2022-12-15 | 2022-12-15 | 基于车载无线充电器充电数据的分析提醒方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211612238.0A CN115622203B (zh) | 2022-12-15 | 2022-12-15 | 基于车载无线充电器充电数据的分析提醒方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115622203A CN115622203A (zh) | 2023-01-17 |
| CN115622203B true CN115622203B (zh) | 2023-04-07 |
Family
ID=84880144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211612238.0A Active CN115622203B (zh) | 2022-12-15 | 2022-12-15 | 基于车载无线充电器充电数据的分析提醒方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115622203B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116545077B (zh) * | 2023-07-06 | 2023-12-22 | 深圳市磁迹科技有限公司 | 基于人工智能的无线充电方法、装置、设备及存储介质 |
| CN116683588B (zh) * | 2023-08-02 | 2024-01-26 | 深圳市神通天下科技有限公司 | 锂离子电池充放电控制方法及*** |
| CN117214766B (zh) * | 2023-11-09 | 2024-02-09 | 深圳市蓝之洋科技有限公司 | 一种移动电源故障检测方法、装置及设备 |
| CN117375266B (zh) * | 2023-12-05 | 2024-02-09 | 深圳市亿控电子科技有限公司 | 一种基于无线充电器充电数据的智能分析方法及*** |
| CN117554737B (zh) * | 2024-01-11 | 2024-03-26 | 深圳市美顺和电子有限公司 | 一种车载充电器的健康状况检测方法及*** |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344921A (zh) * | 2013-07-08 | 2013-10-09 | 华南师范大学 | 锂离子动力电池健康状态评估***及方法 |
| CN107576912A (zh) * | 2011-09-12 | 2018-01-12 | 伊格皮切尔科技有限责任公司 | 用于确定电池组健康状态的***和方法 |
| CN109932663A (zh) * | 2019-03-07 | 2019-06-25 | 清华四川能源互联网研究院 | 电池健康状态评估方法、装置、存储介质及电子装置 |
| WO2020246932A1 (en) * | 2019-06-03 | 2020-12-10 | Alelion Energy Systems Ab | Method for estimating state of health of a battery |
-
2022
- 2022-12-15 CN CN202211612238.0A patent/CN115622203B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107576912A (zh) * | 2011-09-12 | 2018-01-12 | 伊格皮切尔科技有限责任公司 | 用于确定电池组健康状态的***和方法 |
| CN103344921A (zh) * | 2013-07-08 | 2013-10-09 | 华南师范大学 | 锂离子动力电池健康状态评估***及方法 |
| CN109932663A (zh) * | 2019-03-07 | 2019-06-25 | 清华四川能源互联网研究院 | 电池健康状态评估方法、装置、存储介质及电子装置 |
| WO2020246932A1 (en) * | 2019-06-03 | 2020-12-10 | Alelion Energy Systems Ab | Method for estimating state of health of a battery |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115622203A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115622203B (zh) | 基于车载无线充电器充电数据的分析提醒方法及*** | |
| KR102627949B1 (ko) | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 | |
| JP5343168B2 (ja) | 電池の劣化度を取得するための方法及びそのシステム | |
| JP7269437B2 (ja) | 電気車充電ステーションを用いたバッテリー性能管理システム及び方法 | |
| CN107677962A (zh) | 基于充电所需时间来管理电池的***和方法 | |
| CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
| CN117040028B (zh) | 一种工商业园区光储充微电网的控制策略优化方法及*** | |
| CN109934955A (zh) | 充电模式识别方法、装置、终端设备及存储介质 | |
| CN113158947A (zh) | 一种动力电池健康评分方法、***及存储介质 | |
| CN109291826B (zh) | 一种根据电动汽车特征自动搜索充电设备的方法和装置 | |
| CN112215434A (zh) | 一种lstm模型的生成方法、充电时长预测方法及介质 | |
| CN110254285B (zh) | 一种基于车联网的对里程焦虑用户提供服务的方法及*** | |
| 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*** | |
| JP2014013245A (ja) | 電池劣化度モデルの生成及び更新方法 | |
| CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
| CN113119796A (zh) | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及*** | |
| CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
| CN112765726A (zh) | 一种寿命预测方法及装置 | |
| CN114690040A (zh) | 一种电动汽车动力电池最优充电起始soc预测的方法 | |
| CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
| CN115545276A (zh) | 网约车异常订单的接单率预测方法及*** | |
| CN114239388A (zh) | 一种融合测试与车联网的电池剩余寿命预测方法及*** | |
| CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
| CN116945907B (zh) | 一种新能源电动汽车里程计算方法及*** | |
| CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 |
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 |