一种新能源车辆动力电池容量预测方法及系统

技术领域

本发明涉及车辆电池容量领域，尤其涉及一种新能源车辆动力电池容量预测方法及系统。

背景技术

目前，随着我国对新能源汽车推广力度的加大，越来越多的人开始使用新能源汽车作为出行的主要交通工具,新能源汽车主要以动力电池作为动力源，因此动力电池的容量会直接影响车辆的续航里程，从而影响车辆的性能，车辆电池容量越大，车辆的续航里程越长，车辆的性能越好，现有车辆电池容量计算软件的运行载体是单片机，而单片机的运行资源及存储资源非常有限，只能基于几条已存储的电池历史信息进行计算，已难以满足高精度车辆动力电池容量的计算。

中国专利申请号(CN201710717909.2)公开了一种电池寿命、基于大数据的车辆性能检测方法及系统，该方法通过记录电池充电过程中的荷电状态、电压、电流以及温度，计算电池的实际容量和电池容量保持率，来实时跟踪动力电池的容量，评估动力电池的寿命，将计算得到的这些参数存储于后台大数据库，还可研究影响车辆性能因素与对应车辆电池容量保持率之间的关系。

上述方法实时计算动力电池的容量无法同时处理大量数据且在数据较多时处理的速度不够快，计算的效率不足，上述方法计算动力电池容量的算法比较简单，计算出的准确性不够高，无法满足驾驶员对高精度车辆动力电池容量的需求。

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容量预测方法及系统，其解决的技术问题是如何提高新能源车辆动力电池容量预测的效率。

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容量预测方法，所述方法包括以下步骤：

通过大数据平台采集多辆车的充电工况数据；

根据预设的条件对上述充电工况数据进行筛选,分别得到神经网络训练所需的训练目标数据集以及与动力电池容量相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆动力电池容量预测模型；

获取对动力电池预测容量有需求的车辆的当前充电工况数据代入新能源车辆动力电池容量预测模型，计算出所需车辆动力电池的预测容量。

大数据平台采集所有车辆的充电工况数据后根据预设的条件对多辆车的充电工况数据进行筛选,分别得到神经网络训练所需的训练目标数据集以及与动力电池容量相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆动力电池容量预测模型，获取对动力电池预测容量有需求的车辆的当前充电工况数据代入新能源车辆动力电池容量预测模型，计算出所需车辆动力电池的预测容量。本方法通过对大数据平台收集车辆的充电工况数据进行筛选以及使用神经网络训练方法来改进新能源车辆动力电池容量预测方法，目前大数据平台收集车辆的充电工况数据庞大且获取的数据完整性无法保证，本方法通过预设的过滤条件筛选充电工况数据，提高了大数据平台对充电工况数据的处理速度，且筛选掉不符合的数据提高了建立新能源车辆动力电池容量预测模型的准确性，因此，本方法大大提高了新能源车辆动力电池容量预测的准确性以及效率，本方法还建立新能源动力电池容量预测模型，能够同时处理大量的数据，即使数据量大也不会影响大数据平台的处理速度，模型的算法与传统算法相比有较大的进步，算法的进步使大数据平台对车辆动力电池容量的运算效率的加快，从而提高了车辆动力电池容量预测的效率。

在上述新能源车辆动力电池容量预测方法中，上述得到神经网络训练所需的训练输入数据集步骤包括：

从多辆车的充电工况数据中提取所有车辆数据特征；

根据相关性分析得到与车辆动力电池容量相关性高的所需车辆数据特征；

根据预设的过滤条件对所需车辆数据特征进行过滤得到训练输入数据集。

选取相关性高的所需车辆数据特征可以减少大数据平台的数据处理量，根据过滤条件过滤筛选掉不符合的数据进一步减少了大数据平台的数据处理量，提高了建立新能源车辆动力电池容量预测模型的效率，从而提高新能源车辆动力电池容量预测的效率。

在上述新能源车辆动力电池容量预测方法中，所述相关性分析包括选择与新能源车辆动力电池容量之间皮尔逊相关系数大于预设系数值的车辆数据特征，皮尔逊相关系数是衡量两个变量之间相关性的常用方式，在本方法中可以准确的选择需求车辆数据特征，减少大数据平台数据处理量，提高新能源动力电池容量预测模型建立效率，从而提高新能源动力电池容量预测的准确性。

在上述新能源车辆动力电池容量预测方法中，上述得到神经网络训练所述的训练目标数据集步骤包括根据充电工况数据计算车辆动力电池容量，根据预设的过滤条件过滤计算后的车辆动力电池容量得到训练目标数据集，过滤掉不符合的动力电池容量值可以调高建立新能源车辆动力电池容量预测模型的准确性，从而提高新能源车辆动力电池容量预测的准确性以及效率。

在上述新能源车辆动力电池容量预测方法中，所述过滤条件包括动力电池充电结束SOC与动力电池充电起始SOC差值大于预设值以及动力电池充电结束SOC不低于预设值，设置过滤条件可以过滤一些不合格的数据，减少了新能源车辆动力电池容量计算量以及减少了计算的误差，提高了新能源车辆动力电池容量预测的效率以及准确性。

在上述新能源车辆动力电池容量预测方法中，上述计算车辆动力电池容量的公式包括车辆动力电池的容量＝充电过程累计电量/(充电结束SOC-充电起始SOC)，其中充电过程累计电量为充电过程电流对时间的积分，单位为安时，车辆动力电池的容量单位为安时，充电结束SOC以及充电起始SOC单位均为％，计算车辆动力电池容量的公式比较简单，会与实际车辆动力电池容量有较大的误差，需要建立有更优算法的车辆动力电池容量预测模型。

在上述新能源车辆动力电池容量预测方法中，上述进行神经网络训练建立新能源车辆动力电池容量预测模型步骤包括选取神经网络的一个参数，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集逐一对比，当输出数据集与训练目标数据集误差值小于或等于预设误差值时建立新能源车辆动力电池容量预测模型，当输出数据集与训练目标数据集大于预设误差值时调节神经网络中的参数直到输出数据集与训练目标数据集的误差值小于或等于预设误差值，选择合适的神经网络参数能让当前输入经过网络计算后的当前输出数据集与目标输出数据集误差值小，提高新能源车辆动力电池容量预测模型的准确性，从而提高新能源车辆动力电池容量预测的准确性。

在上述新能源车辆动力电池容量预测方法中，所述新能源车辆动力电池容量预测模型包括

本发明还包括以下方案：一种新能源车辆动力电池容量预测系统，包括与车辆连接并能获取车辆数据的大数据平台，新能源车辆动力电池容量预测系统还包括用于采集充电工况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，大数据平台在接收到控制单元输出的数据后根据预设的条件筛选多辆车的充电工况数据,分别得到神经网络训练所需的训练目标数据集以及与动力电池容量相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆动力电池容量预测模型，大数据平台还用于获取对动力电池预测容量有需求的车辆的当前充电工况数据代入新能源车辆动力电池容量预测模型，计算出所需车辆动力电池的预测容量。

采集模块采集多辆车的充电工况数据后输出至控制单元，控制单元接收采集模块输出的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多辆车的充电工况数据后根据预设的条件筛选充电工况数据,分别得到神经网络训练所需的训练目标数据集以及与动力电池容量相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆动力电池容量预测模型，大数据平台获取对动力电池预测容量有需求的车辆的当前充电工况数据代入新能源车辆动力电池容量预测模型，计算出所需车辆动力电池的预测容量。本系统通过大数据平台预设的新能源车辆动力电池容量预测方法来改进新能源车辆动力电池容量预测系统，目前大数据平台收集车辆的充电工况数据庞大且获取的数据完整性无法保证，通过预设的过滤条件筛选充电工况数据，减少大数据平台的数据处理量，且筛选掉不符合的数据提高了建立新能源车辆动力电池容量预测模型的准确性，大大提高了新能源车辆动力电池容量预测的准确性，本系统建立的新能源动力电池容量预测模型能够同时处理大量的数据，即使数据量大也不会影响大数据平台的处理速度，模型的算法与传统算法相比有较大的进步，算法的进步使大数据平台对车辆动力电池容量的运算效率的加快，从而提高了车辆动力电池容量预测的效率。

在上述新能源车辆动力电池容量预测系统中，所述采集模块包括用于采集动力电池电流的电流表，所述电流表与控制单元连接，电流表是采集动力电池电流的常用仪器，采集的准确性较高。

与现有技术相比，本新能源车辆动力电池容量预测方法及系统，具有以下优点：

1、本发明建立的新能源车辆动力电池容量预测模型能够同时处理大量的数据，即使数据量大也不会影响大数据平台的处理速度，模型的算法与传统算法相比有较大的进步，算法的进步使大数据平台对车辆动力电池容量的运算效率的加快，从而提高了车辆动力电池容量预测的效率。

2、本发明将车辆数据特征做相关性分析后过滤不符合过滤条件的车辆数据特征从而提高新能源车辆动力电池容量预测的准确性以及效率。

附图说明

图1是本发明方法步骤示意图。

图2是本发明系统结构示意图。

1、采集模块；1a、电流表；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容量预测方法包括以下步骤：采集车辆的充电工况数据后计算新能源车辆动力电池容量，计算车辆动力电池容量的公式包括车辆动力电池的容量＝充电过程累计电量/(充电结束SOC-充电起始SOC)，其中充电过程累计电量为充电过程电流对时间的积分，单位为安时，车辆动力电池的容量单位为安时，充电结束SOC以及充电起始SOC单位均为％，当车辆动力电池容量计算出来后根据预设的过滤条件过滤动力电池充电结束SOC与动力电池充电起始SOC差值大于50％的数据以及动力电池充电结束SOC不低于100％的数据得到训练目标数据集，使用车辆动力电池容量计算公式是为了建立新能源车辆动力电池容量预测模型做准备，使用车辆动力电池容量计算公式能得到过滤前的训练目标数据集，计算车辆动力电池容量的公式比较简单，会与实际车辆动力电池容量有较大的误差，需要建立有更优算法的新能源车辆动力电池容量预测模型。

同时提取充电工况数据的所有车辆数据特征，所有车辆数据特征包括里程、动力电池温度、动力电池单体最大压差、动力电池充电起始SOC、动力电池充电结束SOC，对提取到的所有车辆数据特性进行相关性分析,相关性分析包括选取与新能源车辆动力电池容量相关性高的所需车辆数据特征即过滤前的训练输入数据集，选取与新能源车辆动力电池容量之间皮尔逊相关系数大于预设值的车辆数据特征，皮尔逊相关系数可以是0.1-0.3之间的任意一个数，在本实施例中选取与新能源车辆动力电池容量之间皮尔逊相关系数大于0.25的车辆数据特征，所需车辆数据特征包括里程以及动力电池单体最大压差，根据预设的过滤条件过滤动力电池充电结束SOC与动力电池充电起始SOC差值大于预设SOC差值的数据以及动力电池充电结束SOC不低于预设SOC结束值的数据得到训练输入数据集，预设SOC差值可以是30-60％之间任意一个数，预设SOC结束值可以是80％-100％之间任意一个数，在本实施例中选取动力电池充电结束SOC与动力电池充电起始SOC差值大于50％的数据以及动力电池充电结束SOC不低于100％的数据得到训练输入数据集，皮尔逊相关系数是衡量两个变量之间相关性的常用方式，是现有技术。

将训练输入数据集以及训练目标数据集通过神经网络训练方法建立新能源车辆动力电池容量预测模型，选取任意一个神经网络中的参数，神经网络参数包括隐藏层节点数、隐藏层权重参数、输出层权重参数、隐藏层偏置以及输出层偏置，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集对比，当输出数据集与训练目标数据集误差值小于或等于预设误差值时建立新能源车辆动力电池容量预测模型，当输出数据集与训练目标数据集大于预设误差值时调节神经网络中的参数，直到输出数据集与训练目标数据集的误差值小于或等于预设误差值，训练目标数据集可能会在实际车辆动力电池容量的一定范围内波动，神经网络训练的目的就是建立一个模型使得训练输入数据集输出的值能与实际车辆动力电池容量呈一个比较准确的线性关系。

新能源车辆动力电池容量预测模型为

大数据平台3获取对动力电池预测容量有需求的车辆的当前充电工况数据代入新能源车辆动力电池容量预测模型，计算出所需车辆动力电池的预测容量，当车辆对动力电池容量的预测有需求时通过控制单元2输出需求信号，大数据平台3接收需求信号后获取车辆一个或多个里程或动力电池单体压差作为训练输入数据集作为新能源车辆动力电池容量预测模型的训练输入数据集x

本方法通过对大数据平台3收集车辆的充电工况数据进行筛选以及使用神经网络训练方法来改进新能源车辆动力电池容量预测方法，目前大数据平台3收集车辆的充电工况数据庞大且获取的数据完整性无法保证，本方法通过预设的过滤条件筛选充电工况数据，提高了大数据平台3对充电工况数据的处理速度，且筛选掉不符合的数据提高了建立新能源车辆动力电池容量预测模型的准确性，因此，本方法大大提高了新能源车辆动力电池容量预测的准确性以及效率，本方法还建立新能源动力电池容量预测模型，能够同时处理大量的数据，即使数据量大也不会影响大数据平台3的处理速度，模型的算法与传统算法相比有较大的进步，算法的进步使大数据平台3对车辆动力电池容量的运算效率的加快，从而提高了车辆动力电池容量预测的效率。

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，属于常规方式，不做过多赘述。

大数据平台获取的多辆车的数据指的是大数据平台获取与其连接的所有车辆的数据，可以是一辆也可以是多辆，也可以是全部，大数据平台对于其连接的车辆进行实时监控，并得出所有车辆的动力电池容量预测值，可以实时输出，也可以在车辆有需求时才输出。

如图2所示，一种新能源车辆动力电池容量预测系统应用上述新能源车辆动力电池容量预测方法，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包括电流表1a，电流表1a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采集多辆车的充电工况数据后输出至控制单元2，控制单元2接收采集模块输出的数据后输出至大数据平台3，大数据平台3接收控制单元2输出的多辆车的充电工况数据后根据预设的条件筛选充电工况数据,分别得到神经网络训练所需的训练目标数据集以及与动力电池容量相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆动力电池容量预测模型，大数据平台3获取对动力电池预测容量有需求的车辆的当前充电工况数据代入新能源车辆动力电池容量预测模型，计算出所需车辆动力电池的预测容量。

本系统通过大数据平台3预设的新能源车辆动力电池容量预测方法来改进新能源车辆动力电池容量预测系统，目前大数据平台3收集车辆的充电工况数据庞大且获取的数据完整性无法保证，通过预设的过滤条件筛选充电工况数据，减少大数据平台3的数据处理量，且筛选掉不符合的数据提高了建立新能源车辆动力电池容量预测模型的准确性，大大提高了新能源车辆动力电池容量预测的准确性，本系统建立的新能源动力电池容量预测模型能够同时处理大量的数据，即使数据量大也不会影响大数据平台3的处理速度，模型的算法与传统算法相比有较大的进步，算法的进步使大数据平台3对车辆动力电池容量的运算效率的加快，从而提高了车辆动力电池容量预测的效率。

大数据平台3就是后台服务器，能够与车辆的控制单元2连接获取充电工况数据，控制单元2可以是ECU。

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。