CN116087809A - 汽车电池的荷电状态值预测方法、装置、设备及存储介质 - Google Patents
汽车电池的荷电状态值预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116087809A CN116087809A CN202310263138.XA CN202310263138A CN116087809A CN 116087809 A CN116087809 A CN 116087809A CN 202310263138 A CN202310263138 A CN 202310263138A CN 116087809 A CN116087809 A CN 116087809A
- Authority
- CN
- China
- Prior art keywords
- state
- charge
- value
- battery
- current
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000036541 health Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供的汽车电池的荷电状态值预测方法、装置、设备及存储介质,通过在监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值,根据当前电池健康度、当前电池温度以及当前电池开路电压值确定汽车电池当前的荷电状态预测值,然后基于荷电状态预测值更新汽车电池的荷电状态,由于在确定荷电状态预测值时,充分考虑了电池健康度、电池温度以及电池开路电压值对荷电状态的影响,使得得到的荷电状态预测值更趋近于真实值,提升了荷电状态预测的准确性。
Description
技术领域
本申请涉及汽车电池技术领域,特别是涉及一种汽车电池的荷电状态值预测方法、装置、设备及存储介质。
背景技术
近年来,电动汽车正在快速发展。动力电池是电动汽车的唯一动力来源,因此对电池进行有效管理显得格外重要。目前,仪表大屏显示的续航里程不准确严重影响用户使用体验。其原因是电池的荷电状态值,也即SOC值估计不准确。因此,准确估计电池SOC值可以提升屏显续航里程的准确性,且可对BMS的均衡、充放电管理等功能提供指导性意见。因此,如何对电池的SOC值进行准确估计成为当前亟待解决的技术问题。
发明内容
本申请实施例的目的在于提供一种汽车电池的荷电状态值预测方法、装置、设备及存储介质,以解决上述技术问题。
一方面,提供一种汽车电池的荷电状态值预测方法,所述方法包括:
当监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值;
根据所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值确定所述汽车电池当前的荷电状态预测值;
基于所述荷电状态预测值更新所述汽车电池的荷电状态。
在其中一个实施例中,所述根据所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值确定所述汽车电池当前的荷电状态预测值,包括:
将所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值输入预设的目标预测模型,得到所述汽车电池当前的荷电状态预测值;所述目标预测模型为采用样本数据集对荷电状态值初始预测模型进行训练得到的模型,所述样本数据集包括多个数据组,每一所述数据组由历史电池健康度、历史电池温度、历史电池开路电压值和历史电池荷电状态值组成。
在其中一个实施例中,所述荷电状态值初始预测模型包括卷积神经网络模型。
在其中一个实施例中,所述卷积神经网络模型包括依次连接的输入层、卷积层、全连接层和输出层,所述采用样本数据集对荷电状态值初始预测模型进行训练,包括:
将所述样本数据集输入所述输入层,并经过所述卷积层进行卷积处理,将卷积处理后的样本数据集输入到全连接层,并由所述输出层进行输出;
通过交叉熵损失函数调整所述全连接层中各个神经元的权值,直至满足预设的收敛条件时,停止训练得到目标预测模型。
在其中一个实施例中,所述基于所述荷电状态预测值更新所述汽车电池的荷电状态,包括:
获取所述汽车当前的静置时长和目标电池荷电状态值;所述当前的静置时长为所述汽车最近一次下电至本次上电之间的时长;所述目标荷电状态值为所述汽车在本次上电时的电池荷电状态值或所述汽车在最近一次下电时的电池荷电状态值;
在基于所述当前的静置时长和所述目标荷电状态值确定所述汽车满足预设的荷电状态值更新条件时,基于所述荷电状态预测值更新所述目标荷电状态值。
在其中一个实施例中,所述在基于所述当前的静置时长和所述目标荷电状态值确定所述汽车满足预设的荷电状态值更新条件时,基于所述荷电状态预测值更新所述目标荷电状态值,包括:
在所述当前的静置时长大于预设时长阈值时,更新所述汽车当前的静置次数,并获取所述荷电状态预测值和所述目标荷电状态值之间的绝对值;所述静置次数为目标静置事件的发生次数,所述目标静置事件为所述汽车从下电状态切换为上电状态之间的静置时长大于所述预设时长阈值的事件;
若所述绝对值大于预设荷电状态阈值,则获取第一荷电状态值,基于所述第一荷电状态值更新所述目标荷电状态值,并将所述汽车当前的静置次数重置为0;所述第一荷电状态值为所述荷电状态预测值。
在其中一个实施例中,在所述获取所述荷电状态预测值和所述目标荷电状态值之间的绝对值之后,还包括:
若所述绝对值小于或等于所述预设荷电状态阈值,则获取所述汽车当前的静置次数,将所述汽车当前的静置次数与预设静置次数阈值进行比较;
若所述汽车当前的静置次数大于或等于所述预设静置次数阈值,则获取第二荷电状态值,基于所述第二荷电状态值更新所述目标荷电状态值,并将所述汽车当前的静置次数重置为0;所述第二荷电状态值为所述荷电状态预测值和所述目标荷电状态值的平均值。
另一方面,提供了一种汽车电池的荷电状态值预测装置,包括:
获取模块,用于当监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值;
确定模块,用于根据所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值确定所述汽车电池当前的荷电状态预测值;
更新模块,用于基于所述荷电状态预测值更新所述汽车电池的荷电状态。
另一方面,提供了一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,以实现上述任意一种方法。
另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时,以实现上述任意一种方法。
本申请提供的汽车电池的荷电状态值预测方法、装置、设备及存储介质,通过在监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值,根据当前电池健康度、当前电池温度以及当前电池开路电压值确定汽车电池当前的荷电状态预测值,然后基于荷电状态预测值更新汽车电池的荷电状态,由于在确定荷电状态预测值时,充分考虑了电池健康度、电池温度以及电池开路电压值对荷电状态的影响,使得得到的荷电状态预测值更趋近于真实值,提升了荷电状态预测的准确性。
附图说明
图1为本申请实施例一提供的汽车电池的荷电状态值预测方法的流程示意图;
图2为本申请实施例一提供的电池健康度为100%时,测得的电池温度、SOC以及电池开路电压值的对应关系;
图3为本申请实施例一提供的对汽车电池的荷电状态进行更新的第一流程示意图;
图4为本申请实施例一提供的对汽车电池的荷电状态进行更新的第二流程示意图;
图5为本申请实施例一提供的对汽车电池的荷电状态进行更新的第三流程示意图;
图6为本申请实施例二提供的汽车电池的荷电状态值预测方法的流程示意图;
图7为本申请实施例三提供的汽车电池的荷电状态值预测装置的结构示意图;
图8为本申请实施例四提供的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例一:
本申请实施例提供一种汽车电池的荷电状态值预测方法,可以应用于电子设备,该电子设备可以设置在汽车上,具体的请参见图1所示,包括如下步骤:
S11:当监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值。
S12:根据当前电池健康度、当前电池温度以及当前电池开路电压值确定汽车电池当前的荷电状态预测值。
S13:基于荷电状态预测值更新汽车电池的荷电状态。
下面,对上述步骤的具体过程进行详细说明。
电子设备可以周期性的对汽车的电池健康度、电池温度以及电池开路电压值进行监测并记录。这样,当监测到汽车上电时,就可以针对汽车电池获取记录的最新的当前电池健康度、当前电池温度以及当前电池开路电压值。
对于步骤S12,可以将当前电池健康度、当前电池温度以及当前电池开路电压值输入预设的目标预测模型,得到汽车电池当前的荷电状态预测值。
本申请实施例中的目标预测模型可以为采用样本数据集对荷电状态值初始预测模型进行训练得到的模型。其中,样本数据集包括多个数据组,每一数据组由历史电池健康度、历史电池温度、历史电池开路电压值和历史电池荷电状态值组成。
电池温度对“电池开路电压值-电池荷电状态值”曲线有较大的影响,电池健康度对电池高SOC时的电池开路电压值影响较大,因此,本申请实施例中充分考虑了电池健康度、电池温度以及电池开路电压值对荷电状态的影响,基于这三种参数对汽车电池的荷电状态进行预测。
首先,可以通过实验得到历史电池健康度、历史电池温度、历史电池开路电压值和历史电池荷电状态值。比如,可以针对各电池健康度,测得电池温度在某一温度时,SOC值在某一数值时的电池开路电压值。请参见图2所示,图2表征在电池健康度为100%时,测得电池温度为-40℃~50℃(可以每间隔5℃设置一个测量点)区间范围,SOC为0~1(可以每间隔0.02设置一个测量点)区间范围时的开路电压值。依照此方法,可以测得电池健康度为100%-80%(可以每隔2%设置一个测量点)区间范围时,电池温度为-40℃~50℃(可以每间隔5℃设置一个测量点)区间范围,SOC为0~1(可以每间隔0.02设置一个测量点)区间范围时的开路电压值。
需要说明的是,在一些实施例中,可以直接将通过实验测得的多组电池健康度、电池温度、电池开路电压值和电池荷电状态值作为样本数据集进行训练。在另外的一些实施例中,可以分别对通过实验测得的电池温度、电池开路电压值、电池健康度和电池荷电状态值进行归一化处理,将经归一化处理后的电池温度、电池开路电压值、电池健康度和电池荷电状态值作为所述历史电池温度、所述历史电池开路电压值、所述历史电池健康度和所述历史电池荷电状态值进行模型训练。
示例性的,可以通过如下方式对实验测得的数据进行归一化处理:
将实验测得的电池健康度、电池温度以及电池开路电压值存入数据库;针对实验测得的每一电池健康度、每一电池温度以及每一电池开路电压值按照上述方式进行归一化处理。也即,对于待处理的参数,将其与该参数在数据库中的最小值之差除以该参数在数据库中的最大值和最小值之差。
其中,SOH'为归一化后的电池健康度,SOH为实验测得的电池健康度,Min(SOH)为数据库中电池健康度最小值,Max(SOH)为数据库中电池健康度最大值;T'为归一化后的电池温度,T为实验测得的电池温度,Min(T)为数据库中电池温度最小值,Max(T)为数据库中电池温度最大值;OCV'为归一化后的电池开路电压值,OCV为实验测得的电池开路电压值,Min(OCV)为数据库中开路电压最小值,Max(OCV)为数据库中开路电压最大值。
需要说明的是,本申请实施例中的荷电状态值初始预测模型可以为卷积神经网络模型。其中,卷积神经网络模型包括依次连接的输入层、卷积层、全连接层和输出层,在训练过程中,采用样本数据集对荷电状态值初始预测模型进行训练,包括:
将样本数据集输入输入层,并经过所述卷积层进行卷积处理,将卷积处理后的样本数据集输入到全连接层,并由输出层进行输出;
通过交叉熵损失函数调整全连接层中各个神经元的权值,直至满足预设的收敛条件时,停止训练得到目标预测模型。
本申请实施例中的预设收敛条件可以由开发人员灵活设置。比如可以设置为训练次数达到预设次数阈值,或者损失函数的输出在预设损失阈值以内。
应当说明的是,本申请实施例中的荷电状态值初始预测模型还可以是其他模型,比如可以是一三元公式模型SOH'=F(SOH'、T'、OCV‘’),基于实验测得的历史数据进行拟合,从而得到目标预测模型,由此得到的目标预测模型也是一个三元公式模型。
对于步骤S13,请参见图3所示,可以包括如下子步骤:
S131:获取汽车当前的静置时长和目标电池荷电状态值。
汽车当前的静置时长为汽车最近一次下电至本次上电之间的时长;目标荷电状态值为汽车在本次上电时的电池荷电状态值或汽车在最近一次下电时的电池荷电状态值。
S132:在基于当前的静置时长和目标荷电状态值确定汽车满足预设的荷电状态值更新条件时,基于荷电状态预测值更新目标荷电状态值。
荷电状态值更新条件可以由开发人员灵活设置,在一种可选的实施方式中,对于子步骤S132,请参见图4所示,可以包括如下子步骤:
S1320:在当前的静置时长大于预设时长阈值时,更新汽车当前的静置次数,并获取荷电状态预测值和目标荷电状态值之间的绝对值。
静置次数为目标静置事件的发生次数,目标静置事件为汽车从下电状态切换为上电状态之间的静置时长大于预设时长阈值的事件。
S1322:若绝对值大于预设荷电状态阈值,则获取第一荷电状态值,基于第一荷电状态值更新目标荷电状态值,并将汽车当前的静置次数重置为0;第一荷电状态值为荷电状态预测值。
在本实施方式中,在当前的静置时长大于预设时长阈值,且荷电状态预测值和目标荷电状态值之间的绝对值大于预设荷电状态阈值时,确定汽车满足预设的荷电状态值更新条件,否则,可以确定汽车当前不满足预设的荷电状态值更新条件,不对汽车电池的荷电状态进行更新,也即汽车当前记录的荷电状态值依然为该目标荷电状态值。
对于子步骤S132,请参见图5所示,在子步骤S1320之后,还可以包括如下子步骤:
S1321:若绝对值小于或等于预设荷电状态阈值,则获取汽车当前的静置次数,将汽车当前的静置次数与预设静置次数阈值进行比较。
S1323:若汽车当前的静置次数大于或等于预设静置次数阈值,则获取第二荷电状态值,基于第二荷电状态值更新目标荷电状态值,并将汽车当前的静置次数重置为0;第二荷电状态值为荷电状态预测值和目标荷电状态值的平均值。
若在步骤S1321之后,确定汽车当前的静置次数小于预设静置次数阈值,可以不对汽车电池的荷电状态进行更新,也即汽车当前记录的荷电状态值依然为该目标荷电状态值。
需要说明的是,电子设备可以对静置次数进行记录,汽车第一次从下电状态切换为上电状态后,若确定对应的静置时长大于预设时长阈值,则将静置次数置为1。每当监测到汽车从下电状态切换为上电状态,且确定对应的静置时长大于预设时长阈值时,就在已记录的静置次数的基础上将静置次数+1作为汽车当前的静置次数,在监测到对目标荷电状态值进行更新后,再将汽车的静置次数重置为0。
最后,还需要说明的是,本申请实施例中的预设时长阈值、预设荷电状态阈值以及预设静置次数阈值均可由开发人员根据用户需求进行设定,也可以由用户进行自定义。例如,预设时长阈值可以设置2h、2.5h、3h、3.5h等,预设荷电状态阈值可以设置为0.03、0.05、0.10等,预设静置次数阈值可以设置为4、5、6等。
应该理解的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
实施例二:
为了更好的理解本申请提供的方案,本申请实施例提供一种更加具体的汽车电池的荷电状态值预测,请参见图6所示,包括:
S601:当汽车上电后,读取汽车当前的静置时长t、电池荷电状态SOC0、电池温度T、电池开路电压值OCV、电池健康度SOH、汽车当前的静置次数N。
假设本申请实施例中的预设时长阈值为3h,预设静置次数阈值为5,预设荷电状态阈值为0.03,应当理解的是,本申请实施例中的设置方式并不构成对预设时长阈值、预设静置次数阈值以及预设荷电状态阈值的限定,在其他实施例中,预设时长阈值、预设荷电状态阈值以及预设静置次数阈值也可以是其他值。
S602:判断t>3h是否成立,如是,转至S604,如否,转至S603。
S603:不更新SOC值。
S604:计算SOCcal。
在步骤S604中,可以根据目标预测模型计算得到荷电状态预测值SOCcal。
S605:将汽车当前的静置次数重置为N+1。
S606:判断abs(SOCcal-SOC0)>0.03是否成立,如是,转至S607,如否,转至S609。
其中,SOC0表示目标荷电状态值。本申请实施例中具体的获取荷电状态预测值SOCcal和目标荷电状态值SOC0的方式可以参照实施例一中的内容,这里不再赘述。
S607:更新SOC,将汽车电池的荷电状态更新为SOCcal。
S608:重置汽车静置次数N=0。
S609:N≥5是否成立,如是,转至S610,如否,转至S603。
S610:更新SOC,将汽车电池的荷电状态更新为(SOCcal+SOC0)/2。
S611:重置汽车静置次数N=0。
实施例三:
基于同一发明构思,本申请实施例提供一种汽车电池的荷电状态值预测装置,请参见图7所示,应当理解的是,汽车电池的荷电状态值预测装置的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。
汽车电池的荷电状态值预测装置包括至少一个能以软件或固件的形式存储于存储器中或固化在装置的操作***中的软件功能单元。具体的,汽车电池的荷电状态值预测装置包括:
获取模块701,用于当监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值;
确定模块702,用于根据所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值确定所述汽车电池当前的荷电状态预测值;
更新模块703,用于基于所述荷电状态预测值更新所述汽车电池的荷电状态。
需要说明的是,出于描述简洁的考量,上述实施例中描述过的内容在本实施例中不再赘述。
实施例四:
本实施例提供一种电子设备,该电子设备可以集成设置在汽车上,请参见图8所示,该电子设备包括处理器801和存储器802,存储器802中存储有计算机程序,处理器801和存储器802通过通信总线实现通信,处理器801执行该计算机程序,以实现上述实施例中方法的各步骤,在此不再赘述。可以理解,图8所示的结构仅为示意,终端还可包括比图8中所示更多或者更少的组件,或者具有与图8所示不同的配置。应当说明的是,本申请实施例中的终端可以设置在汽车上。
处理器801可以是一种集成电路芯片,具有信号处理能力。上述处理器801可以是通用处理器,包括中央处理器(CPU)、网络处理器(NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。其可以实现或者执行本申请实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器802可以包括但不限于随机存取存储器(RAM),只读存储器(ROM),可编程只读存储器(PROM),可擦除只读存储器(EPROM),电可擦除只读存储器(EEPROM)等。
本实施例还提供了一种计算机可读存储介质,如软盘、光盘、硬盘、闪存、U盘、SD卡、MMC卡等,在该计算机存储介质中存储有实现上述各个步骤的一个或者多个程序,这一个或者多个程序可被一个或者多个处理器801执行,以实现上述实施例中方法的各步骤,在此不再赘述。
需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。本说明书所附图式所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时,本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种汽车电池的荷电状态值预测方法,其特征在于,包括:
当监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值;
根据所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值确定所述汽车电池当前的荷电状态预测值;
基于所述荷电状态预测值更新所述汽车电池的荷电状态。
2.如权利要求1所述的汽车电池的荷电状态值预测方法,其特征在于,所述根据所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值确定所述汽车电池当前的荷电状态预测值,包括:
将所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值输入预设的目标预测模型,得到所述汽车电池当前的荷电状态预测值;所述目标预测模型为采用样本数据集对荷电状态值初始预测模型进行训练得到的模型,所述样本数据集包括多个数据组,每一所述数据组由历史电池健康度、历史电池温度、历史电池开路电压值和历史电池荷电状态值组成。
3.如权利要求2所述的汽车电池的荷电状态值预测方法,其特征在于,所述荷电状态值初始预测模型包括卷积神经网络模型。
4.如权利要求3所述的汽车电池的荷电状态值预测方法,其特征在于,所述卷积神经网络模型包括依次连接的输入层、卷积层、全连接层和输出层,所述采用样本数据集对荷电状态值初始预测模型进行训练,包括:
将所述样本数据集输入所述输入层,并经过所述卷积层进行卷积处理,将卷积处理后的样本数据集输入到全连接层,并由所述输出层进行输出;
通过交叉熵损失函数调整所述全连接层中各个神经元的权值,直至满足预设的收敛条件时,停止训练得到目标预测模型。
5.如权利要求1所述的汽车电池的荷电状态值预测方法,其特征在于,所述基于所述荷电状态预测值更新所述汽车电池的荷电状态,包括:
获取所述汽车当前的静置时长和目标电池荷电状态值;所述当前的静置时长为所述汽车最近一次下电至本次上电之间的时长;所述目标荷电状态值为所述汽车在本次上电时的电池荷电状态值或所述汽车在最近一次下电时的电池荷电状态值;
在基于所述当前的静置时长和所述目标荷电状态值确定所述汽车满足预设的荷电状态值更新条件时,基于所述荷电状态预测值更新所述目标荷电状态值。
6.如权利要求5所述的汽车电池的荷电状态值预测方法,其特征在于,所述在基于所述当前的静置时长和所述目标荷电状态值确定所述汽车满足预设的荷电状态值更新条件时,基于所述荷电状态预测值更新所述目标荷电状态值,包括:
在所述当前的静置时长大于预设时长阈值时,更新所述汽车当前的静置次数,并获取所述荷电状态预测值和所述目标荷电状态值之间的绝对值;所述静置次数为目标静置事件的发生次数,所述目标静置事件为所述汽车从下电状态切换为上电状态之间的静置时长大于所述预设时长阈值的事件;
若所述绝对值大于预设荷电状态阈值,则获取第一荷电状态值,基于所述第一荷电状态值更新所述目标荷电状态值,并将所述汽车当前的静置次数重置为0;所述第一荷电状态值为所述荷电状态预测值。
7.如权利要求6所述的汽车电池的荷电状态值预测方法,其特征在于,在所述获取所述荷电状态预测值和所述目标荷电状态值之间的绝对值之后,还包括:
若所述绝对值小于或等于所述预设荷电状态阈值,则获取所述汽车当前的静置次数,将所述汽车当前的静置次数与预设静置次数阈值进行比较;
若所述汽车当前的静置次数大于或等于所述预设静置次数阈值,则获取第二荷电状态值,基于所述第二荷电状态值更新所述目标荷电状态值,并将所述汽车当前的静置次数重置为0;所述第二荷电状态值为所述荷电状态预测值和所述目标荷电状态值的平均值。
8.一种汽车电池的荷电状态值预测装置,其特征在于,包括:
获取模块,用于当监测到汽车上电时,获取汽车电池的当前电池健康度、当前电池温度以及当前电池开路电压值;
确定模块,用于根据所述当前电池健康度、所述当前电池温度以及所述当前电池开路电压值确定所述汽车电池当前的荷电状态预测值;
更新模块,用于基于所述荷电状态预测值更新所述汽车电池的荷电状态。
9.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被至少一个处理器执行时,以实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263138.XA CN116087809A (zh) | 2023-03-17 | 2023-03-17 | 汽车电池的荷电状态值预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310263138.XA CN116087809A (zh) | 2023-03-17 | 2023-03-17 | 汽车电池的荷电状态值预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116087809A true CN116087809A (zh) | 2023-05-09 |
Family
ID=86212271
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310263138.XA Pending CN116087809A (zh) | 2023-03-17 | 2023-03-17 | 汽车电池的荷电状态值预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116087809A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117863969A (zh) * | 2024-03-13 | 2024-04-12 | 国网北京市电力公司 | 一种考虑电池损耗的电动汽车充放电控制方法及*** |
-
2023
- 2023-03-17 CN CN202310263138.XA patent/CN116087809A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117863969A (zh) * | 2024-03-13 | 2024-04-12 | 国网北京市电力公司 | 一种考虑电池损耗的电动汽车充放电控制方法及*** |
CN117863969B (zh) * | 2024-03-13 | 2024-05-17 | 国网北京市电力公司 | 一种考虑电池损耗的电动汽车充放电控制方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109716150B (zh) | 具有远程参数估计的二次电池管理*** | |
EP3748380A1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
CN109196366B (zh) | 使用高斯过程回归估计电池充电状态的方法和*** | |
US10921383B2 (en) | Battery diagnostic system for estimating capacity degradation of batteries | |
US7714736B2 (en) | Adaptive filter algorithm for estimating battery state-of-age | |
CN114072684A (zh) | 在服务器侧表征能重复充电的电池 | |
CN112904208A (zh) | 用于估计电池单元的开路电压的方法和*** | |
CN109991545B (zh) | 一种电池包电量检测方法、装置及终端设备 | |
JP6221884B2 (ja) | 推定プログラム、推定方法および推定装置 | |
CN115698738A (zh) | 劣化推定装置、模型生成装置、劣化推定方法、模型生成方法及程序 | |
KR101996943B1 (ko) | 배터리 용량 상태 추정 장치 및 이의 방법 | |
CN113093027B (zh) | 电池soc校准方法、装置、***、介质及程序产品 | |
CN116087809A (zh) | 汽车电池的荷电状态值预测方法、装置、设备及存储介质 | |
JP6421411B2 (ja) | 電池の充電率を推定する推定プログラム、電池の充電率を推定する推定方法、および、電池の充電率を推定する推定装置 | |
CN116466236A (zh) | 电池剩余寿命预测方法、装置、设备及可读存储介质 | |
CN115453376A (zh) | 电动汽车动力电池的状态监控方法、***及电动汽车 | |
CN115616409A (zh) | 电池荷电状态的计算方法、装置、车辆及存储介质 | |
JP2022044172A (ja) | 複数の電池に関する判定装置、蓄電システム、判定方法及び判定プログラム | |
CN116338463A (zh) | 剩余充电时间估算方法及相关装置 | |
CN115932631A (zh) | 电池寿命的预测方法、装置、电子设备及可读存储介质 | |
CN116323288A (zh) | 确定显示荷电状态的方法、装置和电池管理芯片 | |
WO2018029849A1 (ja) | 推定装置、推定プログラムおよび充電制御装置 | |
WO2018025306A1 (ja) | 推定装置、推定プログラムおよび充電制御装置 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
CN116160914A (zh) | 汽车电池满电容量更新方法、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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20240113 Address after: No. 13 Xingxiang Road, Zengjia Town, High tech Zone, Jiulongpo District, Chongqing, 400039 Applicant after: Chongqing Selis Phoenix Intelligent Innovation Technology Co.,Ltd. Address before: 610095 No. 2901, floor 29, unit 1, building 1, No. 151, Tianfu Second Street, high tech Zone, China (Sichuan) pilot Free Trade Zone, Chengdu, Sichuan Province Applicant before: Chengdu Thalys Technology Co.,Ltd. |