CN116572799B - 基于深度学习的动力电池荷电续航预测方法、***及终端 - Google Patents
基于深度学习的动力电池荷电续航预测方法、***及终端 Download PDFInfo
- Publication number
- CN116572799B CN116572799B CN202310855033.3A CN202310855033A CN116572799B CN 116572799 B CN116572799 B CN 116572799B CN 202310855033 A CN202310855033 A CN 202310855033A CN 116572799 B CN116572799 B CN 116572799B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- battery
- road section
- real
- electric quantity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 230000005611 electricity Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 238000007599 discharging Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Navigation (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了基于深度学习的动力电池荷电续航预测方法、***及终端，涉及动力电池技术领域，其技术方案要点是：本发明直接采集目标电池在车辆行驶过程中进行放电的历史状态数据作为样本数据来训练构建深度神经网络模型，无需考虑由驾驶员所引起的车辆驾驶习惯对电池电量情况估算的影响，所需样本数据相对较少；且以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测。
Description
技术领域
本发明涉及动力电池技术领域，更具体地说，它涉及基于深度学习的动力电池荷电续航预测方法、***及终端。
背景技术
电池荷电状态是指电池使用一段时间后剩余电量与未使用前的容量的比值，由于电池剩余电量不能直接测量，只能通过电池电压、放电电流等参数进行估算，而这些参数还会受到电池表面温度变化及汽车行驶状态等多种不确定因素的影响，所以对电池电量情况进行准确估算是当前的研究重点。
为此，现有技术中记载有通过模拟采集不同车辆驾驶习惯情况下车辆电池的状态信息，并依据状态信息来构建基于深度学习的预测模型，从而实现电池电量情况的估算。然而，上述预测模型仅能实现对当前时间的电池电量情况估算，对于新能源汽车的动力电池续航里程需要结合电池剩余电量和单位里程所需的标准能耗进行计算得到，而新能源车辆在实际行驶过程中单位里程所需的标准能耗受导航路径中的路况影响，例如限速、道理拥堵以及红绿灯等路况，所以直接采用单位里程所需的标准能耗难以准确的得到动力电池荷电续航预测结果，无法为新能源汽车导航驾驶提供可靠的参考，存在车辆电池没有及时充电而无法正常行驶的情况。
因此，如何研究设计一种能够克服上述缺陷的基于深度学习的动力电池荷电续航预测方法、***及终端是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供基于深度学习的动力电池荷电续航预测方法、***及终端，以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了基于深度学习的动力电池荷电续航预测方法，包括以下步骤：
获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；
获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；
采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；
从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；
依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
进一步的，所述历史状态数据包括电池电流、电池电压、电池温度以及电池消耗电量随时间变化的数据；
其中，电池电流、电池电压和电池温度构成输入向量，电池消耗电量为标签。
进一步的，所述实时消耗电量的估算过程具体为：
实时状态数据包括电池电流、电池电压以及电池温度随时间变化的数据；
实时状态数据输入深度神经网络模型后，输出得到起始阶段各个时刻的估算消耗电量；
对各个时刻的估算消耗电量进行累计求和，得到目标电池在起始阶段的实时消耗电量。
进一步的，所述电量消耗差异参数的确定过程具体为：
针对单个参考电池，依据历史消耗电量确定导航路径中各个路段的路段消耗电量；
以各个路段的路段消耗电量与第一个路段的路段消耗电量之比计算得到各个路段的电量消耗差异比值；
依据所有参考电池在同一路段的电量消耗差异比值的均值确定对应路段的电量消耗差异参数。
进一步的，所述电量消耗差异参数的计算公式具体为：
；
其中，表示第/>个路段的路段消耗电量；/>表示历史消耗电量中位于里程数处的消耗电量，/>为单个路段的里程数；/>表示历史消耗电量中位于里程数处的消耗电量；/>表示第/>个路段的路段消耗电量；/>表示第/>个路段的电量消耗差异比值；/>表示第/>个路段的电量消耗差异参数；/>表示参考电池的数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值。
进一步的，所述电量消耗差异参数的计算公式具体为：
；
其中，表示第/>个路段的路段消耗电量；/>表示历史消耗电量中位于里程数处的消耗电量，/>为单个路段的里程数；/>表示历史消耗电量中位于里程数处的消耗电量；/>表示第/>个路段的路段消耗电量；/>表示第/>个路段的电量消耗差异比值；/>表示参考电池的数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值；/>表示所有参考电池在第/>个路段的电量消耗差异比值的均值；/>表示第/>个路段的电量消耗差异参数；/>表示比值波动幅度阈值；/>表示满足比值波动幅度阈值的参考电池数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值。
进一步的，所述预测消耗电量的计算过程具体为：
确定起始阶段中所覆盖路段的段数，并以目标电池的实时消耗电量与段数之比确定起始阶段中单路段的实时消耗电量；
依据起始阶段中所覆盖路段的电量消耗差异参数进行加权平均计算，得到起始阶段中单路段的电量消耗差异参数；
以各个路段的电量消耗差异参数与起始阶段中单路段的电量消耗差异参数之比计算得到参数比值；
以起始阶段中单路段的电量消耗差异参数与参数比值之积计算得到各个路段的预测消耗电量。
进一步的，所述续航结果的预测分析过程具体为：
若各个路段的预测消耗电量以及实时消耗电量之和大于或等于初始剩余电量，则输出目标电池供应目标车辆进行导航行驶所能达到的地点；
若各个路段的预测消耗电量以及实时消耗电量之和小于初始剩余电量，则输出目标电池供应目标车辆完成导航行驶后的最终剩余电量。
第二方面，提供了基于深度学习的动力电池荷电续航预测***，包括：
信息获取模块，用于获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；
模型构建模块，用于获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；
数据采集模块，用于采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；
差异参考模块，用于从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；
续航预测模块，用于依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的基于深度学习的动力电池荷电续航预测方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提供的基于深度学习的动力电池荷电续航预测方法，以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测；
2、本发明直接采集目标电池在车辆行驶过程中进行放电的历史状态数据作为样本数据来训练构建深度神经网络模型，无需考虑由驾驶员所引起的车辆驾驶习惯对电池电量情况估算的影响，所需样本数据相对较少；
3、本发明在电量消耗差异参数计算过程中，依据比值波动幅度阈值将部分存在异常波动的电量消耗差异比值进行过滤，提高了所计算的电量消耗差异参数的准确性；
4、本发明依据起始阶段所覆盖的路段情况来实现实时消耗电量和电量消耗差异参数在起始阶段与路段之间的转换，可以随着实时导航信息的更新动态进行动力电池荷电续航预测。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例1中的流程图；
图2是本发明实施例2中的***框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：基于深度学习的动力电池荷电续航预测方法，如图1所示，包括以下步骤：
步骤S1：获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；实时导航信息包括起始点和中间路径等信息；
步骤S2：获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；
步骤S3：采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；
步骤S4：从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；历史消耗电量是以起始点为0值且随着时间逐渐累积的累积值；
步骤S5：依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
在本实施例中，历史状态数据包括但不限于电池电流、电池电压、电池温度以及电池消耗电量随时间变化的数据；其中，电池电流、电池电压和电池温度构成输入向量，电池消耗电量为标签。需要说明的是，历史状态数据可以采用实时采样获得；历史状态数据也可以采用间隔采样获得，但需要对获得的数据进行拟合。
实时消耗电量的估算过程具体为：实时状态数据包括电池电流、电池电压以及电池温度随时间变化的数据；实时状态数据输入深度神经网络模型后，输出得到起始阶段各个时刻的估算消耗电量；对各个时刻的估算消耗电量进行累计求和，得到目标电池在起始阶段的实时消耗电量。
在本实施例中，电量消耗差异参数的确定过程具体为：针对单个参考电池，依据历史消耗电量确定导航路径中各个路段的路段消耗电量；以各个路段的路段消耗电量与第一个路段的路段消耗电量之比计算得到各个路段的电量消耗差异比值；依据所有参考电池在同一路段的电量消耗差异比值的均值直接或间接确定对应路段的电量消耗差异参数。
若依据所有参考电池在同一路段的电量消耗差异比值的均值直接确定对应路段的电量消耗差异参数，则电量消耗差异参数的计算公式具体为：
；
其中，表示第/>个路段的路段消耗电量；/>表示历史消耗电量中位于里程数处的消耗电量，/>为单个路段的里程数；/>表示历史消耗电量中位于里程数处的消耗电量；/>表示第/>个路段的路段消耗电量；/>表示第/>个路段的电量消耗差异比值；/>表示第/>个路段的电量消耗差异参数；/>表示参考电池的数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值。
若以所有参考电池在同一路段的电量消耗差异比值的均值间接确定对应路段的电量消耗差异参数，则电量消耗差异参数的计算公式具体为：
；
其中，表示第/>个路段的路段消耗电量；/>表示历史消耗电量中位于里程数处的消耗电量，/>为单个路段的里程数；/>表示历史消耗电量中位于里程数处的消耗电量；/>表示第/>个路段的路段消耗电量；/>表示第/>个路段的电量消耗差异比值；/>表示参考电池的数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值；/>表示所有参考电池在第/>个路段的电量消耗差异比值的均值；/>表示第/>个路段的电量消耗差异参数；/>表示比值波动幅度阈值；/>表示满足比值波动幅度阈值的参考电池数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值。
预测消耗电量的计算过程具体为：确定起始阶段中所覆盖路段的段数，并以目标电池的实时消耗电量与段数之比确定起始阶段中单路段的实时消耗电量；依据起始阶段中所覆盖路段的电量消耗差异参数进行加权平均计算，得到起始阶段中单路段的电量消耗差异参数；以各个路段的电量消耗差异参数与起始阶段中单路段的电量消耗差异参数之比计算得到参数比值；以起始阶段中单路段的电量消耗差异参数与参数比值之积计算得到各个路段的预测消耗电量。
例如，将导航路径划分为每10公里为一段的多个路段，对应的前面四个路段的电量消耗差异参数分别为1、1.1、1.0、0.9。若起始阶段总长度为25公里，那么段数为2.5，起始阶段中单路段的电量消耗差异参数则为：（1*0.4+1.1*0.4+1.0*0.2）=1.04。需要说明的是，起始阶段也可以直接选用第一个路段，其计算过程更为简单。
续航结果的预测分析过程具体为：若各个路段的预测消耗电量以及实时消耗电量之和大于或等于初始剩余电量，则输出目标电池供应目标车辆进行导航行驶所能达到的地点；若各个路段的预测消耗电量以及实时消耗电量之和小于初始剩余电量，则输出目标电池供应目标车辆完成导航行驶后的最终剩余电量。
实施例2：基于深度学习的动力电池荷电续航预测***，如图2所示，包括信息获取模块、模型构建模块、数据采集模块、差异参考模块和续航预测模块。
其中，信息获取模块，用于获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；模型构建模块，用于获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；数据采集模块，用于采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；差异参考模块，用于从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；续航预测模块，用于依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
工作原理：本发明以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测；此外，本发明直接采集目标电池在车辆行驶过程中进行放电的历史状态数据作为样本数据来训练构建深度神经网络模型，无需考虑由驾驶员所引起的车辆驾驶习惯对电池电量情况估算的影响，所需样本数据相对较少。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.基于深度学习的动力电池荷电续航预测方法，其特征是，包括以下步骤：
获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；
获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；
采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；
从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；
依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
2.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述历史状态数据包括电池电流、电池电压、电池温度以及电池消耗电量随时间变化的数据；
其中，电池电流、电池电压和电池温度构成输入向量，电池消耗电量为标签。
3.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述实时消耗电量的估算过程具体为：
实时状态数据包括电池电流、电池电压以及电池温度随时间变化的数据；
实时状态数据输入深度神经网络模型后，输出得到起始阶段各个时刻的估算消耗电量；
对各个时刻的估算消耗电量进行累计求和，得到目标电池在起始阶段的实时消耗电量。
4.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述电量消耗差异参数的确定过程具体为：
针对单个参考电池，依据历史消耗电量确定导航路径中各个路段的路段消耗电量；
以各个路段的路段消耗电量与第一个路段的路段消耗电量之比计算得到各个路段的电量消耗差异比值；
依据所有参考电池在同一路段的电量消耗差异比值的均值确定对应路段的电量消耗差异参数。
5.根据权利要求4所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述电量消耗差异参数的计算公式具体为：
；
其中，表示第/>个路段的路段消耗电量；/>表示历史消耗电量中位于/>里程数处的消耗电量，/>为单个路段的里程数；/>表示历史消耗电量中位于/>里程数处的消耗电量；/>表示第/>个路段的路段消耗电量；/>表示第/>个路段的电量消耗差异比值；/>表示第/>个路段的电量消耗差异参数；/>表示参考电池的数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值。
6.根据权利要求4所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述电量消耗差异参数的计算公式具体为：
；
其中，表示第/>个路段的路段消耗电量；/>表示历史消耗电量中位于/>里程数处的消耗电量，/>为单个路段的里程数；/>表示历史消耗电量中位于/>里程数处的消耗电量；/>表示第/>个路段的路段消耗电量；/>表示第/>个路段的电量消耗差异比值；/>表示参考电池的数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值；/>表示所有参考电池在第/>个路段的电量消耗差异比值的均值；/>表示第/>个路段的电量消耗差异参数；/>表示比值波动幅度阈值；/>表示满足比值波动幅度阈值的参考电池数量；/>表示第/>个参考电池中第/>个路段的电量消耗差异比值。
7.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述预测消耗电量的计算过程具体为：
确定起始阶段中所覆盖路段的段数，并以目标电池的实时消耗电量与段数之比确定起始阶段中单路段的实时消耗电量；
依据起始阶段中所覆盖路段的电量消耗差异参数进行加权平均计算，得到起始阶段中单路段的电量消耗差异参数；
以各个路段的电量消耗差异参数与起始阶段中单路段的电量消耗差异参数之比计算得到参数比值；
以起始阶段中单路段的电量消耗差异参数与参数比值之积计算得到各个路段的预测消耗电量。
8.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述续航结果的预测分析过程具体为：
若各个路段的预测消耗电量以及实时消耗电量之和大于或等于初始剩余电量，则输出目标电池供应目标车辆进行导航行驶所能达到的地点；
若各个路段的预测消耗电量以及实时消耗电量之和小于初始剩余电量，则输出目标电池供应目标车辆完成导航行驶后的最终剩余电量。
9.基于深度学习的动力电池荷电续航预测***，其特征是，包括：
信息获取模块，用于获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；
模型构建模块，用于获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；
数据采集模块，用于采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；
差异参考模块，用于从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；
续航预测模块，用于依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
10.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-8中任意一项所述的基于深度学习的动力电池荷电续航预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310855033.3A CN116572799B (zh) | 2023-07-13 | 2023-07-13 | 基于深度学习的动力电池荷电续航预测方法、***及终端 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310855033.3A CN116572799B (zh) | 2023-07-13 | 2023-07-13 | 基于深度学习的动力电池荷电续航预测方法、***及终端 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116572799A CN116572799A (zh) | 2023-08-11 |
| CN116572799B true CN116572799B (zh) | 2023-09-05 |
Family
ID=87538180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310855033.3A Active CN116572799B (zh) | 2023-07-13 | 2023-07-13 | 基于深度学习的动力电池荷电续航预测方法、***及终端 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116572799B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117246187A (zh) * | 2023-09-11 | 2023-12-19 | 三一重工股份有限公司 | 车辆的续航预测方法、装置、电子设备及车辆 |
| CN116989817B (zh) * | 2023-09-26 | 2023-12-08 | 常州满旺半导体科技有限公司 | 基于数据分析的能源设备安全检测数据传输***及方法 |
| CN117705137A (zh) * | 2023-12-14 | 2024-03-15 | 中科华芯(东莞)科技有限公司 | 一种全地形车续航管理方法、***及电子设备 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013242198A (ja) * | 2012-05-18 | 2013-12-05 | Sumitomo Electric System Solutions Co Ltd | 経路探索装置及びコンピュータプログラム |
| JP2014202643A (ja) * | 2013-04-05 | 2014-10-27 | 三菱自動車工業株式会社 | 車両の目的地到達推定装置 |
| CN104260724A (zh) * | 2014-09-22 | 2015-01-07 | 李治良 | 一种车辆智能预测控制***及其方法 |
| CN104867348A (zh) * | 2014-02-24 | 2015-08-26 | 丰田自动车株式会社 | 行驶支持设备、行驶支持方法和驱动支持*** |
| CN107791854A (zh) * | 2016-09-06 | 2018-03-13 | 现代自动车株式会社 | 用于估算电动车辆的可用行驶距离的***和方法 |
| CN109141455A (zh) * | 2018-08-21 | 2019-01-04 | 上海博泰悦臻网络技术服务有限公司 | 导航路径规划方法及服务器 |
| KR20190029875A (ko) * | 2017-09-13 | 2019-03-21 | 현대자동차주식회사 | 전기 자동차 및 그 제어 방법 |
| CN110281812A (zh) * | 2019-06-27 | 2019-09-27 | 一汽解放汽车有限公司 | 一种基于工况识别的续航里程估算*** |
| CN110329266A (zh) * | 2019-07-15 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 可续航里程确定方法、装置、终端及存储介质 |
| CN111452619A (zh) * | 2020-01-22 | 2020-07-28 | 北京理工大学 | 电动车辆在线能耗预测方法及*** |
| CN111582596A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合交通状态信息的纯电动汽车续航里程风险预警方法 |
| CN111670340A (zh) * | 2018-09-07 | 2020-09-15 | 深圳配天智能技术研究院有限公司 | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 |
| CN112208338A (zh) * | 2020-09-29 | 2021-01-12 | 广州小鹏自动驾驶科技有限公司 | 一种目的地剩余续航里程计算方法和装置 |
| CN113419123A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种用于变温度环境的串联超级电容组荷电状态估计方法 |
| CN115146009A (zh) * | 2021-03-29 | 2022-10-04 | 本田技研工业株式会社 | 信息管理装置、信息管理方法及存储介质 |
| CN115164922A (zh) * | 2022-06-17 | 2022-10-11 | 上海钧正网络科技有限公司 | 一种路径规划方法、***、设备及存储介质 |
| CN115230526A (zh) * | 2022-04-28 | 2022-10-25 | 长城汽车股份有限公司 | 一种预估汽车剩余续航里程的方法、装置及车辆 |
| WO2022236751A1 (zh) * | 2021-05-12 | 2022-11-17 | 华为技术有限公司 | 电池剩余电量预估方法及装置 |
| CN115660501A (zh) * | 2022-11-08 | 2023-01-31 | 国网陕西省电力公司电力科学研究院 | 电动汽车充电负荷可调裕度评估方法 |
| CN115817183A (zh) * | 2022-12-02 | 2023-03-21 | 中汽研汽车检验中心（天津）有限公司 | 一种纯电动汽车续驶里程预测方法及预测装置 |
-
2023
- 2023-07-13 CN CN202310855033.3A patent/CN116572799B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013242198A (ja) * | 2012-05-18 | 2013-12-05 | Sumitomo Electric System Solutions Co Ltd | 経路探索装置及びコンピュータプログラム |
| JP2014202643A (ja) * | 2013-04-05 | 2014-10-27 | 三菱自動車工業株式会社 | 車両の目的地到達推定装置 |
| CN104867348A (zh) * | 2014-02-24 | 2015-08-26 | 丰田自动车株式会社 | 行驶支持设备、行驶支持方法和驱动支持*** |
| CN104260724A (zh) * | 2014-09-22 | 2015-01-07 | 李治良 | 一种车辆智能预测控制***及其方法 |
| CN107791854A (zh) * | 2016-09-06 | 2018-03-13 | 现代自动车株式会社 | 用于估算电动车辆的可用行驶距离的***和方法 |
| KR20190029875A (ko) * | 2017-09-13 | 2019-03-21 | 현대자동차주식회사 | 전기 자동차 및 그 제어 방법 |
| CN109141455A (zh) * | 2018-08-21 | 2019-01-04 | 上海博泰悦臻网络技术服务有限公司 | 导航路径规划方法及服务器 |
| CN111670340A (zh) * | 2018-09-07 | 2020-09-15 | 深圳配天智能技术研究院有限公司 | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 |
| CN110281812A (zh) * | 2019-06-27 | 2019-09-27 | 一汽解放汽车有限公司 | 一种基于工况识别的续航里程估算*** |
| CN110329266A (zh) * | 2019-07-15 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 可续航里程确定方法、装置、终端及存储介质 |
| CN111452619A (zh) * | 2020-01-22 | 2020-07-28 | 北京理工大学 | 电动车辆在线能耗预测方法及*** |
| CN111582596A (zh) * | 2020-05-14 | 2020-08-25 | 公安部交通管理科学研究所 | 融合交通状态信息的纯电动汽车续航里程风险预警方法 |
| CN112208338A (zh) * | 2020-09-29 | 2021-01-12 | 广州小鹏自动驾驶科技有限公司 | 一种目的地剩余续航里程计算方法和装置 |
| CN115146009A (zh) * | 2021-03-29 | 2022-10-04 | 本田技研工业株式会社 | 信息管理装置、信息管理方法及存储介质 |
| WO2022236751A1 (zh) * | 2021-05-12 | 2022-11-17 | 华为技术有限公司 | 电池剩余电量预估方法及装置 |
| CN113419123A (zh) * | 2021-05-25 | 2021-09-21 | 四川轻化工大学 | 一种用于变温度环境的串联超级电容组荷电状态估计方法 |
| CN115230526A (zh) * | 2022-04-28 | 2022-10-25 | 长城汽车股份有限公司 | 一种预估汽车剩余续航里程的方法、装置及车辆 |
| CN115164922A (zh) * | 2022-06-17 | 2022-10-11 | 上海钧正网络科技有限公司 | 一种路径规划方法、***、设备及存储介质 |
| CN115660501A (zh) * | 2022-11-08 | 2023-01-31 | 国网陕西省电力公司电力科学研究院 | 电动汽车充电负荷可调裕度评估方法 |
| CN115817183A (zh) * | 2022-12-02 | 2023-03-21 | 中汽研汽车检验中心（天津）有限公司 | 一种纯电动汽车续驶里程预测方法及预测装置 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多层混合效应的电动汽车能耗估计模型;刘锴;王江波;陈晋;;武汉理工大学学报(交通科学与工程版)(第06期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116572799A (zh) | 2023-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116572799B (zh) | 基于深度学习的动力电池荷电续航预测方法、***及终端 | |
| CN109733248B (zh) | 基于路径信息的纯电动汽车剩余里程模型预测方法 | |
| CN111497679B (zh) | 一种纯电动汽车能耗监测优化方法及*** | |
| CN109367433B (zh) | 一种智能充电桩 | |
| Bi et al. | Estimating remaining driving range of battery electric vehicles based on real-world data: A case study of Beijing, China | |
| CN109532556B (zh) | 一种纯电动汽车续航里程的获取方法及*** | |
| CN104442825B (zh) | 一种电动汽车剩余行驶里程的预测方法和*** | |
| CN111670340B (zh) | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 | |
| CN109784560A (zh) | 一种电动汽车续航里程估算方法及估算*** | |
| CN112526351B (zh) | 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 | |
| CN106483470A (zh) | 一种基于未来运行工况预测的电池剩余放电能量预测方法 | |
| CN105128853A (zh) | 一种用于计算增程式混合动力汽车续驶里程的*** | |
| CN108556682A (zh) | 一种续驶里程预测方法、装置及设备 | |
| CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及*** | |
| CN114274780A (zh) | 车辆续航里程预测方法、装置、设备和存储介质 | |
| EP3875976A1 (en) | Electricity storage element evaluating device, computer program, electricity storage element evaluating method, learning method, and creation method | |
| 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 | |
| CN113219336B (zh) | 电池劣化判断***、方法及存储有程序的非临时性存储介质 | |
| CN113335131B (zh) | 一种车辆续航里程预测方法、装置、设备和存储介质 | |
| CN112083332A (zh) | 一种考虑用户感受的纯电动车续驶里程估算方法 | |
| CN111191824A (zh) | 一种动力电池容量衰减预测方法及*** | |
| CN113642768A (zh) | 一种基于工况重构的车辆行驶能耗预测方法 | |
| CN113665431A (zh) | 电动汽车的剩余续航里程估算方法及装置 | |
| CN115219913A (zh) | 一种基于容量增量法的动力电池全生命周期管理*** | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern |
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 |