[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113085656B - 一种基于用户习惯大数据的衰减智能预控方法和装置 - Google Patents

一种基于用户习惯大数据的衰减智能预控方法和装置 Download PDF

Info

Publication number
CN113085656B
CN113085656B CN202110447777.2A CN202110447777A CN113085656B CN 113085656 B CN113085656 B CN 113085656B CN 202110447777 A CN202110447777 A CN 202110447777A CN 113085656 B CN113085656 B CN 113085656B
Authority
CN
China
Prior art keywords
time
charging
soc
determining
preset
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
CN202110447777.2A
Other languages
English (en)
Other versions
CN113085656A (zh
Inventor
梁海强
沈帅
张骞慧
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.)
Beijing Electric Vehicle Co Ltd
Original Assignee
Beijing Electric Vehicle 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 Beijing Electric Vehicle Co Ltd filed Critical Beijing Electric Vehicle Co Ltd
Priority to CN202110447777.2A priority Critical patent/CN113085656B/zh
Publication of CN113085656A publication Critical patent/CN113085656A/zh
Application granted granted Critical
Publication of CN113085656B publication Critical patent/CN113085656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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
    • 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
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/27—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by heating
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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"
    • 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
    • G06Q50/06—Energy or water supply
    • 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
    • B60L2240/545—Temperature
    • 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
    • B60L2240/547—Voltage
    • 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
    • B60L2240/549—Current
    • 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
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本申请提供了一种基于用户习惯大数据的衰减智能预控方法和装置，涉及汽车技术领域。所述方法包括：获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；根据所述充电允许延长时长，确定充电允许输入电流；其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间。本申请实施例通过用户设置的用车时间或者云端服务器发送的用车时间，和车端预测的第一剩余充电时长，计算允许延长时长，可以充电过程中的允许电流，延缓电池衰减，保护动力电池的寿命。

Description

一种基于用户习惯大数据的衰减智能预控方法和装置
技术领域
本申请涉及汽车技术领域，特别涉及一种基于用户习惯大数据的衰减智能预控方法和装置。
背景技术
随着科技迅猛发展及芯片制造技术的提升，在汽车领域出现了以动力电池为能量来源的电动汽车。电动汽车的问世，不但解决了传统燃油车尾气排放对大气污染的问题，也降低了石油等不可再生资源的消耗。为电动汽车的动力电池充电的过程中，精准预测出电池的寿命性能对发挥电池真实能力和保护电池两方面都至关重要。
目前，现有技术在预测电池寿命时，通常采用的是线下预测法，如基于标准条件下的寿命数据规律，建立模型，进而采集一段时间内的电池相关数据，线下预测电池未来的寿命衰减趋势，操作复杂，且无法在充电过程中实时预测电池寿命，其预测结果仅限于车端的预测，准确性较低，亟需改进。
申请内容
本申请实施例提供一种基于用户习惯大数据的衰减智能预控方法和装置，以解决现有技术预测电池衰减的准确性较低的问题。
为了解决上述技术问题，本申请采用如下技术方案：
本申请实施例提供一种基于用户习惯大数据的衰减智能预控方法，应用于车辆，包括：
获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；
根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；
根据所述充电允许延长时长，确定充电允许输入电流；
其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间。
可选的，所述获取动力电池的当前第一剩余充电时长，包括：
获取动力电池的初始温度和充电过程中多个时间检测点的荷电状态SOC，以及获取多个时间检测周期的温升变化速率、SOC变化量和充电平均电流；
根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长。
可选的，所述根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长，包括：
根据当前存储的加热参数映射表，获取充电过程中的温升速率和加热过程中的荷电状态SOC变化量，所述当前存储的加热参数映射表包括每一SOC区间对应的温升变化速率、SOC变化量和充电电流的多个对应关系；
根据所述初始温度和各所述温升变化速率，确定加热时长；
根据加热截止后的多个时间检测点的SOC、每一SOC对应区间的充电电流和限值，确定加热截止后多个时间检测点的第二剩余充电时长；
根据第二剩余充电时长和加热时长，确定所述第一剩余充电时长。
可选的，所述确定充电允许延长时长，包括：
将所述预计用车时间和所述当前充电时间作差值运算，确定第一差值；
将所述第一差值和所述第一剩余充电时长作差值运算，确定所述充电允许延长时长。
可选的，所述方法还包括：
所述充电允许延长时长满足预设范围时，执行根据充电允许延长时长，确定充电允许输入电流的步骤；在所述充电允许延长时长不满足预设范围时，确定所述动力电池以正常输入电流进行充电；
其中，所述预设范围为所述充电允许延长时长大于第一预设值与所述第一剩余充电时长的乘积，且所述充电允许延长时长小于或者等于第二预设值。
可选的，所述充电允许延长时长满足预设范围时，所述根据所述充电允许延长时长，确定充电允许输入电流，包括：
获取充电设备发送的最大输出能力CML；
根据CML和所述第一剩余充电时长，确定充电允许输入电流。
可选的，所述方法还包括：
在充电过程中，若满足第一预设条件，则确定充电过程采用恒压充电模式；
其中，所述第一预设条件包括：
所述充电允许输入电流小于第三预设值，且动力电池的当前SOC大于第一预设SOC，且预计用车时间与当前充电时间的第二差值大于第四预设值；
其中，所述第一预设SOC为云端服务器发送的预计SOC。
可选的，所述方法还包括：
在充电过程中，若满足第二预设条件，则确定退出恒压充电模式；
其中，所述第二预设条件包括：所述第二差值小于第五预设值，其中，所述第五预设值小于所述第四预设值。
可选的，所述方法还包括：
若所述预计用车时间处于预设晚上时间范围时，确定充电允许输入电流为动力电池的最大允许充电电流。
可选的，所述方法还包括：
若所述充电允许延长时长小于零，则确定在第一剩余充电时长内可充电的最大SOC；
若所述可充电的最大SOC小于第二预设SOC，则确定所述动力电池正常充电，其中，所述最大SOC从充电截止SOC以第一预设衰减速率递减得到；
其中，所述第二预设SOC为云端服务器发送的预计SOC。
本申请实施例还提供一种充电控制装置，应用于车辆，包括：
第一获取模块，用于获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；
第一确定模块，用于根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；
第二确定模块，用于根据所述充电允许延长时长，确定充电允许输入电流；
其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间。
本申请实施例还提供一种基于用户习惯大数据的衰减智能预控方法，应用于云端服务器，包括：
获取目标车辆在预设时间范围内的用车时间数据；
根据标准差公式，确定所述目标车辆的预计用车时间；
将所述预计用车时间发送至所述目标车辆。
可选的，所述方法还包括：
获取所述目标车辆的动力电池当前SOC、长距离行驶概率、长距离行驶的平均值和预设标准里程；
根据所述当前SOC、所述长距离行驶概率、所述长距离行驶的平均值和所述预设标准里程，确定预计SOC；
发送所述预计SOC至所述目标车辆。
可选的，所述获取长距离行驶概率和长距离行驶的平均值，包括：
获取所述目标车辆的在预设时间范围内的第一出行总天数，以及大于或者等于预设倍数的预设标准里程的第一出行天数，其中所述第一出行总天数大于五天；
根据所述第一出行天数和所述第一出行总天数的第一比值，确定为长距离行驶概率；根据第一出行天数对应的总出行距离和所述第一出行天数的第二比值，确定为长距离行驶的平均值；
其中，若连续三次出现小于预设倍数的预设标准里程的第二出行天数，则确定长距离行驶概率和长距离行驶的平均值均为0。
可选的，所述获取长距离行驶概率和长距离行驶的平均值，还包括：
获取所述目标车辆的在预设时间范围内的第二出行总天数，以及大于或者等于预设倍数的预设标准里程的第三出行天数，其中所述第二出行总天数小于或者等于五天；
计算所述第三出行天数和所述第二出行总天数的第三比值，若所述第三比值大于或者等于60％，则确定为长距离行驶概率；根据第三出行天数对应的总出行距离和所述第三出行天数的第四比值，确定为长距离行驶的平均值；
若所述第三比值小于60％，则确定长距离行驶概率和长距离行驶的平均值均为0。
本申请实施例还提供一种充电控制装置，应用于云端服务器，包括：
第二获取模块，用于获取目标车辆在预设时间范围内的用车时间数据；
第三确定模块，用于根据标准差公式，确定所述目标车辆的预计用车时间；
发送模块，用于将所述预计用车时间发送至所述目标车辆。
本申请实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的基于用户习惯大数据的衰减智能预控方法的步骤。
本申请的有益效果是：
上述技术方案中，所述方法包括：获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；根据所述充电允许延长时长，确定充电允许输入电流；其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间。本申请不仅获取了动力电池当前的剩余时长，还根据云端服务器发送的用车时间，加以调整当前的充电速率，可以控制电池充电的充电电流，延缓电池衰减，增加电池的寿命。
附图说明
图1表示本申请实施例提供的基于用户习惯大数据的衰减智能预控方法的模块示意图之一；
图2表示本申请实施例提供的基于用户习惯大数据的衰减智能预控方法的模块示意图之二；
图3表示本申请实施例提供的基于用户习惯大数据的衰减智能预控方法的系统流程图；
图4表示本申请实施例提供的充电控制装置的模块示意图之一；
图5表示本申请实施例提供的充电控制装置的模块示意图之二。
具体实施方式
为使本申请要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本申请的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本申请的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本申请的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
本申请针对现有技术预测电池衰减的准确性较低的问题，提供一种基于用户习惯大数据的衰减智能预控方法和装置。
如图1所示，本申请提供一种基于用户习惯大数据的衰减智能预控方法，应用于车辆，包括：
步骤100，获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；
步骤200，根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；
步骤300，根据所述充电允许延长时长，确定充电允许输入电流；
其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间。
该实施例中，在充电过程中，根据所述预计用车时间，可以为设置的用车时间(或自学习用车时间)下和预计用车时间(BMS)预估的第一剩余充电时长，计算允许延长时长；基于允许延长时长，逆推充电允许电流(低于最大允许电流)，若时间宽裕，充电至某SOC暂定后再充电至截止SOC(或充满)，减少充满放置时间，降低电池衰减速度。本申请不仅考虑了车端控制器控制策略，还兼顾了云端控制策略，保证了数据的准确性。
车端控制策略根据预计用车时间(或自学习用车时间)和BMS预估的剩余充电时间，计算允许延长时长，基于允许延长时长，逆推充电允许电流(低于最大允许电流)，延缓电池衰减。云端控制策略学习用户出行时间，并根据用户出行距离计算充电截止SOC。
可选的，所述获取动力电池的当前第一剩余充电时长，包括：
获取动力电池的初始温度和充电过程中多个时间检测点的荷电状态SOC，以及获取多个时间检测周期的温升变化速率、SOC变化量和充电平均电流；
根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长。
该实施例中，根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长，保证了数据的准确性。
可选的，所述根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长，包括：
根据当前存储的加热参数映射表，获取充电过程中的温升速率和加热过程中的荷电状态SOC变化量，所述当前存储的加热参数映射表包括每一SOC区间对应的温升变化速率、SOC变化量和充电电流的多个对应关系；
根据所述初始温度和各所述温升变化速率，确定加热时长；
这里，所述加热时长为(Ts-T)/VTavg，其中，T为初始温度，Ts为启动加热的最低阈值(默认值5℃)，Vtavg为电池加热时的温升变化速率。
根据加热截止后的多个时间检测点的SOC、每一SOC对应区间的充电电流和限值，确定加热截止后多个时间检测点的第二剩余充电时长；
根据第二剩余充电时长和加热时长，确定所述第一剩余充电时长。
确定所述第一剩余充电时长用公式表示为：
tN＝(Ts-T)/VTavg+(SOC2-△SOC-SOC0)*C/Iavgi+∑{【SOC(i+1)-SOCi】*C/Iavgi}(假定加热后SOC＜SOC2)；其中，t为充电剩余时间，Ts为启动加热的最低阈值(默认值5℃)，Vtavg为电池加热时平均温升速率，△SOC为从初始加热至Ts温度时电池SOC的变化量，Iavgi为各SOC区间的充电平均电流(由去补偿的充电请求电流计算)，SOCi用于计算平均电流的起始和结束SOC点，i最小值为2，最大值为9；C为预估充电结束温度对应电池最大可用容量。
可选的，所述确定充电允许延长时长，包括：
将所述预计用车时间和所述当前充电时间作差值运算，确定第一差值；
将所述第一差值和所述第一剩余充电时长作差值运算，确定所述充电允许延长时长。
该实施例中，将所述预计用车时间t1和所述当前充电时间t2作差值运算，确定第一差值，将所述第一差值和所述第一剩余充电时长t3作差值运算，确定所述充电允许延长时长。即计算允许延长时长t0＝t1-t2-t3，式中，t1为预计用车时间，t2为当前充电时间，t3是由剩余时间公式计算的剩余时间tN。
可选的，所述方法还包括：
所述充电允许延长时长满足预设范围时，执行根据充电允许延长时长，确定充电允许输入电流的步骤；在所述充电允许延长时长不满足预设范围时，确定所述动力电池以正常输入电流进行充电；
其中，所述预设范围为所述充电允许延长时长大于第一预设值与所述第一剩余充电时长的乘积，且所述充电允许延长时长小于或者等于第二预设值。
该实施例中，所述预设范围为20％*tN＜t0≤5h，这里，所述第一预设值与所述第一剩余充电时长的乘积为20％*tN，所述t0为充电允许延长时长，所述第二预设值为5h，所述充电允许延长时长满足预设范围时，执行根据充电允许延长时长，确定充电允许输入电流的步骤；在所述充电允许延长时长不满足预设范围时，即t0≤20％*tN或t0＞5h时，则不调节充电电流，即确定所述动力电池以正常输入电流进行充电。
可选的，所述充电允许延长时长满足预设范围时，所述根据所述充电允许延长时长，确定充电允许输入电流，包括：
获取充电设备发送的最大输出能力CML；
根据CML和所述第一剩余充电时长，确定充电允许输入电流。
该实施例中，所述充电允许延长时长满足预设范围时，计算用于调节的基准电流：根据CML和所述第一剩余充电时长，确定充电允许输入电流，可以按照CML划分节点逐级计算时间，如当前CML为250A，则逐级计算CML(i)＝230，190，150，110，70(充电需要5h)所对应的时间tref(i)，i＝0,1，2，3，4，5，若tref(i)＜(tN+t0)≤tref(i+1)，则以CML(i)(即为CML(tN+t0)，初始值为动力电池最大允许充电电流)作为当前充电桩的CML(用于剩余时间计算)，并用于请求充电电流和剩余时间计算，否则不变更CML。
每个CML对应的区间划分可以为CML＜70A时，优选对应CML为50；70≤CML＜110A时，优选对应CML为90；110≤CML＜150A时，优选对应CML为130；150≤CML＜190A时，优选对应CML为170；190≤CML＜230A时，优选对应CML为210；230≤CML＜110A时，优选对应CML为250。
可选的，所述方法还包括：
在充电过程中，若满足第一预设条件，则确定充电过程采用恒压充电模式；
其中，所述第一预设条件包括：
所述充电允许输入电流小于第三预设值，且动力电池的当前SOC大于第一预设SOC，且预计用车时间与当前充电时间的第二差值大于第四预设值；
其中，所述第一预设SOC为云端服务器发送的预计SOC。
该实施例中，在充电过程中，若满足第一预设条件，充电过程进入停滞状态，即动力电池采用恒压充电模式(恒压充电至停止充电)，即请求电压为动力电池当前总电压。所述第一预设条件为：根据CML和所述第一剩余充电时长，确定充电允许输入电流中的CML(tN+t0)＜70A，且动力电池的当前SOC＞第一预设SOC(SOCU)，动力电池的所述SOCU与用户习惯出行的距离有关，所述SOCU初始值为90％，且预计用车时间与当前充电时间的第二差值＞第四预设值，所述第四预设值为第一剩余充电时长的1.5倍，或者为第一剩余充电时长加1h。
可选的，所述方法还包括：
在充电过程中，若满足第二预设条件，则确定退出恒压充电模式；
其中，所述第二预设条件包括：所述第二差值小于第五预设值，其中，所述第五预设值小于所述第四预设值。
该实施例中，所述第二预设条件为：预计用车时间与当前充电时间的第二差值＜第五预设值，所述第五预设值为第一剩余充电时长的1.3倍；或预计用车时间与当前充电时间的第二差值＜第五预设值，此时所述第五预设值为所述第一剩余充电时间加上0.5h。在满足第二预设条件时，充电过程退出停滞状态，即则确定退出恒压充电模式。
可选的，所述方法还包括：
若所述预计用车时间处于预设晚上时间范围时，确定充电允许输入电流为动力电池的最大允许充电电流。
该实施例中，所述预设晚上时间范围优选为当天23点至第二天的7点之间的时间段，确定充电允许输入电流为动力电池的最大允许充电电流，即按动力电池最大允许充电电流(MAP)请求充电。
可选的，所述方法还包括：
若所述充电允许延长时长小于零，则确定在第一剩余充电时长内可充电的最大SOC；
需要说明的是，预计用车时间与当前充电时间的差值-第一剩余充电时长≥0，则可充至截止SOC；预计用车时间与当前充电时间的差值-第一剩余充电时长＜0，则按如下方法预估所述充电允许延长时长的时间段内可充至的最大SOC。
若所述可充电的最大SOC小于第二预设SOC，则确定所述动力电池正常充电，其中，所述最大SOC从充电截止SOC以第一预设衰减速率递减得到；
其中，所述第二预设SOC为云端服务器发送的预计SOC。
该实施例中，所述最大SOC从充电截止SOC以第一预设衰减速率递减得到，即最大SOC从充电截止SOC以1％的分辨率递减，即t*(SOCi)，并计算递减后SOC对应的剩余时间，由充电时间反推最大SOC，最大SOC＝t*(SOCi)；若t*(SOCi)＞所述充电允许延长时长&t*(SOCi-1)≤所述充电允许延长时长，则认为在所述充电允许延长时长的时间段内可充电至(SOCi-1)。通过预估可充电量判断是否满足用户出行需求，该电量值需大于第二预设SOC，若小于第二预设SOC，则不延长充电时间，确定所述动力电池正常充电。
如图2所示，本申请实施例还提供一种基于用户习惯大数据的衰减智能预控方法，应用于云端服务器，包括：
步骤400，获取目标车辆在预设时间范围内的用车时间数据；
步骤500，根据标准差公式，确定所述目标车辆的预计用车时间；
步骤600，将所述预计用车时间发送至所述目标车辆。
该实施例中，为了区分工作日和节假日计算用户用车时间习惯，所述预设时间范围优选为分别统计工作日和节假日内早晨4:00-12:00时间段(若用户设置时间则优先使用用户设置时间)的第一次准备“ready”时间，并根据标准差公式至少计算3次，且计算最大数据长度为30次，即当计算次数大于30次时，将30次之前的数据舍弃，保留最近30次的计算结果，并将计算的所述预计用车时间发送至所述目标车辆。
这里的标准差公式为：
Figure BDA0003037592100000111
公式中数值X1，X2，X3，......XN(皆为实数)，其平均值(算术平均值)为μ，标准差为σ。
可选的，所述方法还包括：
获取所述目标车辆的动力电池当前SOC、长距离行驶概率、长距离行驶的平均值和预设标准里程；
根据所述当前SOC、所述长距离行驶概率、所述长距离行驶的平均值和所述预设标准里程，确定预计SOC；
发送所述预计SOC至所述目标车辆。
该实施例中，根据所述当前SOC、所述长距离行驶概率、所述长距离行驶的平均值和所述预设标准里程，确定预计SOC，所述预计SOC用SOCU表示：
亦即，SOCU的公式为：
Figure BDA0003037592100000112
其中，R为所述预设标准里程，
Figure BDA0003037592100000113
最大值为1，PL为所述长距离行驶概率，
Figure BDA0003037592100000114
为所述长距离行驶的平均值。
可选的，PL和
Figure BDA0003037592100000115
计算方法如下，计算时需区分周六日，将计算结果返回至车端
可选的，所述获取长距离行驶概率和长距离行驶的平均值，包括：
获取所述目标车辆的在预设时间范围内的第一出行总天数Day，以及大于或者等于预设倍数的预设标准里程的第一出行天数DayL，其中所述第一出行总天数大于五天；即前提条件是当Day>5天时，Distance(i)≥0.3*Rkm(R为预设标称里程，0.3为预设倍数)。
根据所述第一出行天数DayL和所述第一出行总天数Day的第一比值，确定为长距离行驶概率PL；根据第一出行天数对应的总出行距离∑DistanceL(j)和所述第一出行天数DayL的第二比值，确定为长距离行驶的平均值；
亦即，通过下面公式表示为：
当Day>5天时，Distance(i)≥0.3*Rkm(R为预设标称里程)，下次出行为长距离行驶概率为PL＝DayL/Day；长距离行驶天数内的平均距离为长距离行驶的平均值，即长距离行驶的平均值
Figure BDA0003037592100000116
其中，若连续三次出现小于预设倍数的预设标准里程的第二出行天数DayL1，则确定长距离行驶概率和长距离行驶的平均值均为0。
即连续出现3天，每天的行驶距离Distance均＜0.3*R*km，则PL＝0，DayL1＝0，Day＝0，
可选的，所述获取长距离行驶概率和长距离行驶的平均值，还包括：
获取所述目标车辆的在预设时间范围内的第二出行总天数Day1，以及大于或者等于预设倍数的预设标准里程的第三出行天数DayL2，其中所述第二出行总天数Day1小于或者等于五天；即前提条件是当Day1≤5天时，Distance(i)≥0.3*Rkm(R为预设标称里程，0.3为预设倍数)。
计算所述第三出行天数DayL2和所述第二出行总天数Day1的第三比值，若所述第三比值大于或者等于60％，则确定为长距离行驶概率；根据第三出行天数对应的总出行距离∑DistanceL(j1)和所述第三出行天数DayL2的第四比值，确定为长距离行驶的平均值；
亦即，通过下面公式表示为：
当Day1≤5天时，Distance(i)≥0.3*Rkm(R为预设标称里程，0.3为预设
倍数)，下次出行为长距离行驶概率为PL＝DayL2/5；长距离行驶的平均值
Figure BDA0003037592100000121
Figure BDA0003037592100000122
若所述第三比值小于60％，则确定长距离行驶概率和长距离行驶的平均值均为0。
该实施例中，若所述第三比值小于60％，即确定所述第三出行天数DayL2小于3天，即一周工作日内出现天数小于三天，这三天可以为不连续的三天，确定长距离行驶概率和长距离行驶的平均值均为0。即PL＝0，DayL2＝0，Day＝0。
综上所述，本申请结合用户用车时间，降低电池衰减速度，延长电池寿命，并可提升用户智能化用车体验。
如图3所示，综合上述的两个方法，在“用车时间判断”中是通过所述预计用车时间、所述当前充电时间和第一剩余充电时长确定的，在所述充电允许延长时长满足预设范围时允许“逆推允许电流”，在预设晚上时间范围，即优选为23点至第二天的7点时间段内，当充电温度升温至合适温度时“提升充电电流”，在非预设晚上时间范围时“维持充电电流”，在任意条件电流的状态下，还需要判断当前是否满足停滞条件，即“充电至某SOC停滞后再充电”或者“充电至某SOC不停滞”，判断停滞的条件，即上述车端方法中说明的停滞条件，在判断停滞条件后，即可以确定“用户用车起始时间”，在“用车时间判断”时，若所述充电允许延长时长不满足预设范围时，即确定当前为正常充电。在“正常充电”时，若车端获取的设置用车时间有效，则可以根据时间预估可充电量，若车端获取的设置用车时间无效(即出现用车时间设置故障提醒时)，则正常充满。
综上所示，本申请实施例的方法不仅获取了动力电池当前的剩余时长，还根据云端服务器发送的用车时间，加以调整当前的充电速率，可以控制电池充电的充电电流，延缓电池衰减，增加电池的寿命。
如图4所示，本申请实施例还提供一种充电控制装置，应用于车辆，包括：
第一获取模块10，用于获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；
第一确定模块20，用于根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；
第二确定模块30，用于根据所述充电允许延长时长，确定充电允许输入电流；
其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间。
可选的，所述第一获取模块10，包括：
第一获取单元，用于获取动力电池的初始温度和充电过程中多个时间检测点的荷电状态SOC，以及获取多个时间检测周期的温升变化速率、SOC变化量和充电平均电流；
第一确定单元，用于根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长。
可选的，所述第一确定单元，包括：
第一获取子单元，用于根据当前存储的加热参数映射表，获取充电过程中的温升速率和加热过程中的荷电状态SOC变化量，所述当前存储的加热参数映射表包括每一SOC区间对应的温升变化速率、SOC变化量和充电电流的多个对应关系；
第一确定子单元，用于根据所述初始温度和各所述温升变化速率，确定加热时长；
第二确定子单元，用于根据加热截止后的多个时间检测点的SOC、每一SOC对应区间的充电电流和限值，确定加热截止后多个时间检测点的第二剩余充电时长；
根据第二剩余充电时长和加热时长，确定所述第一剩余充电时长。
可选的，所述第一确定模块20，包括：
第二确定单元，用于将所述预计用车时间和所述当前充电时间作差值运算，确定第一差值；
第三确定单元，用于将所述第一差值和所述第一剩余充电时长作差值运算，确定所述充电允许延长时长。
需要说明的是，所述充电允许延长时长满足预设范围时，所述第一确定模块20用于根据充电允许延长时长，确定充电允许输入电流；在所述充电允许延长时长不满足预设范围时，所述第一确定模块20用于确定所述动力电池以正常输入电流进行充电；
其中，所述预设范围为所述充电允许延长时长大于第一预设值与所述第一剩余充电时长的乘积，且所述充电允许延长时长小于或者等于第二预设值。
可选的，所述第二确定模块30，包括：
第二获取单元，用于获取充电设备发送的最大输出能力CML；
第四确定单元，用于根据CML和所述第一剩余充电时长，确定充电允许输入电流。
可选的，所述装置还包括：
第一确定子模块，用于在充电过程中，若满足第一预设条件，则确定充电过程采用恒压充电模式；
其中，所述第一预设条件包括：
所述充电允许输入电流小于第三预设值，且动力电池的当前SOC大于第一预设SOC，且预计用车时间与当前充电时间的第二差值大于第四预设值；
其中，所述第一预设SOC为云端服务器发送的预计SOC。
可选的，所述装置还包括：
第二确定子模块，用于在充电过程中，若满足第二预设条件，则确定退出恒压充电模式；
其中，所述第二预设条件包括：所述第二差值小于第五预设值，其中，所述第五预设值小于所述第四预设值。
可选的，所述装置还包括：
第三确定子模块，用于若所述预计用车时间处于预设晚上时间范围时，确定充电允许输入电流为动力电池的最大允许充电电流。
可选的，所述装置还包括：
第四确定子模块，用于若所述充电允许延长时长小于零，则确定在第一剩余充电时长内可充电的最大SOC；
第五确定子模块，用于若所述可充电的最大SOC小于第二预设SOC，则确定所述动力电池正常充电，其中，所述最大SOC从充电截止SOC以第一预设衰减速率递减得到；
其中，所述第二预设SOC为云端服务器发送的预计SOC。
如图5所示，本申请实施例还提供一种充电控制装置，应用于云端服务器，包括：
第二获取模块40，用于获取目标车辆在预设时间范围内的用车时间数据；
第三确定模块50，用于根据标准差公式，确定所述目标车辆的预计用车时间；
发送模块60，用于将所述预计用车时间发送至所述目标车辆。
可选的，所述装置还包括：
第三获取模块，用于获取所述目标车辆的动力电池当前SOC、长距离行驶概率、长距离行驶的平均值和预设标准里程；
第四确定模块，用于根据所述当前SOC、所述长距离行驶概率、所述长距离行驶的平均值和所述预设标准里程，确定预计SOC；
发送模块，用于发送所述预计SOC至所述目标车辆。
可选的，所述第三获取模块，包括：
第三获取单元，用于获取所述目标车辆的在预设时间范围内的第一出行总天数，以及大于或者等于预设倍数的预设标准里程的第一出行天数，其中所述第一出行总天数大于五天；
第五确定单元，用于根据所述第一出行天数和所述第一出行总天数的第一比值，确定为长距离行驶概率；根据第一出行天数对应的总出行距离和所述第一出行天数的第二比值，确定为长距离行驶的平均值；
其中，若连续三次出现小于预设倍数的预设标准里程的第二出行天数，则确定长距离行驶概率和长距离行驶的平均值均为0。
可选的，所述第三获取模块，还包括：
第四获取单元，用于获取所述目标车辆的在预设时间范围内的第二出行总天数，以及大于或者等于预设倍数的预设标准里程的第三出行天数，其中所述第二出行总天数小于或者等于五天；
第六确定单元，用于计算所述第三出行天数和所述第二出行总天数的第三比值，若所述第三比值大于或者等于60％，则确定为长距离行驶概率；根据第三出行天数对应的总出行距离和所述第三出行天数的第四比值，确定为长距离行驶的平均值；
第七确定单元，用于若所述第三比值小于60％，则确定长距离行驶概率和长距离行驶的平均值均为0。
本申请实施例还提供一种可读存储介质，该可读存储介质上存储有程序，该程序被处理器执行时实现如上所述的基于用户习惯大数据的衰减智能预控方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，该可读存储介质，如只读存储器(Read-Only Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述的是本申请的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本申请所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本申请的保护范围内。

Claims (14)

1.一种基于用户习惯大数据的衰减智能预控方法，其特征在于，应用于车辆，包括：
获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；
根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；
根据所述充电允许延长时长，确定充电允许输入电流；
其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间；
其中，所述获取动力电池的当前第一剩余充电时长，包括：
获取动力电池的初始温度和充电过程中多个时间检测点的荷电状态SOC，以及获取多个时间检测周期的温升变化速率、SOC变化量和充电平均电流；
根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长；
其中，所述根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长，包括：
根据当前存储的加热参数映射表，获取充电过程中的温升速率和加热过程中的荷电状态SOC变化量，所述当前存储的加热参数映射表包括每一SOC区间对应的温升变化速率、SOC变化量和充电电流的多个对应关系；
根据所述初始温度和各所述温升变化速率，确定加热时长；
根据加热截止后的多个时间检测点的SOC、每一SOC对应区间的充电电流和限值，确定加热截止后多个时间检测点的第二剩余充电时长；
根据第二剩余充电时长和加热时长，确定所述第一剩余充电时长；
其中，确定所述第一剩余充电时长用公式表示为：
tN＝(Ts-T)/VTavg+(SOC2-△SOC-SOC0)*C/Iavgi+∑{[SOC(i+1)-SOCi]*C/Iavgi}；其中，加热时长为(Ts-T)/VTavg，T为初始温度，Ts为启动加热的最低阈值，Vtavg为电池加热时的温升变化速率，△SOC为从初始加热至Ts温度时电池SOC的变化量，Iavgi为各SOC区间的充电平均电流，SOCi用于计算平均电流的起始和结束SOC点，i最小值为2，最大值为9；C为预估充电结束温度对应电池最大可用容量。
2.根据权利要求1所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，所述确定充电允许延长时长，包括：
将所述预计用车时间和所述当前充电时间作差值运算，确定第一差值；
将所述第一差值和所述第一剩余充电时长作差值运算，确定所述充电允许延长时长。
3.根据权利要求1所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，所述方法还包括：
所述充电允许延长时长满足预设范围时，执行根据充电允许延长时长，确定充电允许输入电流的步骤；在所述充电允许延长时长不满足预设范围时，确定所述动力电池以正常输入电流进行充电；
其中，所述预设范围为所述充电允许延长时长大于第一预设值与所述第一剩余充电时长的乘积，且所述充电允许延长时长小于或者等于第二预设值。
4.根据权利要求3所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，所述充电允许延长时长满足预设范围时，所述根据所述充电允许延长时长，确定充电允许输入电流，包括：
获取充电设备发送的最大输出能力CML；
根据CML和所述第一剩余充电时长，确定充电允许输入电流。
5.根据权利要求1所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，所述方法还包括：
在充电过程中，若满足第一预设条件，则确定充电过程采用恒压充电模式；
其中，所述第一预设条件包括：
所述充电允许输入电流小于第三预设值，且动力电池的当前SOC大于第一预设SOC，且预计用车时间与当前充电时间的第二差值大于第四预设值；
其中，所述第一预设SOC为云端服务器发送的预计SOC。
6.根据权利要求5所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，所述方法还包括：
在充电过程中，若满足第二预设条件，则确定退出恒压充电模式；
其中，所述第二预设条件包括：所述第二差值小于第五预设值，其中，所述第五预设值小于所述第四预设值。
7.根据权利要求1所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，所述方法还包括：
若所述预计用车时间处于预设晚上时间范围时，确定充电允许输入电流为动力电池的最大允许充电电流。
8.根据权利要求1所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，所述方法还包括：
若所述充电允许延长时长小于零，则确定在第一剩余充电时长内可充电的最大SOC；
若所述可充电的最大SOC小于第二预设SOC，则确定所述动力电池正常充电，其中，所述最大SOC从充电截止SOC以第一预设衰减速率递减得到；
其中，所述第二预设SOC为云端服务器发送的预计SOC。
9.一种充电控制装置，其特征在于，应用于车辆，包括：
第一获取模块，用于获取动力电池的当前第一剩余充电时长、当前充电时间和预计用车时间；
第一确定模块，用于根据所述第一剩余充电时长、当前充电时间和预计用车时间，确定充电允许延长时长；
第二确定模块，用于根据所述充电允许延长时长，确定充电允许输入电流；
其中，所述预计用车时间为用户设置的用车时间或者云端服务器发送的用车时间；
其中，所述第一获取模块，包括：
第一获取单元，用于获取动力电池的初始温度和充电过程中多个时间检测点的荷电状态SOC，以及获取多个时间检测周期的温升变化速率、SOC变化量和充电平均电流；
第一确定单元，用于根据所述荷电状态SOC、所述温升变化速率、所述SOC变化量和所述充电平均电流，确定所述第一剩余充电时长；
其中，所述第一确定单元，包括：
第一获取子单元，用于根据当前存储的加热参数映射表，获取充电过程中的温升速率和加热过程中的荷电状态SOC变化量，所述当前存储的加热参数映射表包括每一SOC区间对应的温升变化速率、SOC变化量和充电电流的多个对应关系；
第一确定子单元，用于根据所述初始温度和各所述温升变化速率，确定加热时长；
第二确定子单元，用于根据加热截止后的多个时间检测点的SOC、每一SOC对应区间的充电电流和限值，确定加热截止后多个时间检测点的第二剩余充电时长；
根据第二剩余充电时长和加热时长，确定所述第一剩余充电时长；
其中，确定所述第一剩余充电时长用公式表示为：
tN＝(Ts-T)/VTavg+(SOC2-△SOC-SOC0)*C/Iavgi+∑{[SOC(i+1)-SOCi]*C/Iavgi}；其中，加热时长为(Ts-T)/VTavg，T为初始温度，Ts为启动加热的最低阈值，Vtavg为电池加热时的温升变化速率，△SOC为从初始加热至Ts温度时电池SOC的变化量，Iavgi为各SOC区间的充电平均电流，SOCi用于计算平均电流的起始和结束SOC点，i最小值为2，最大值为9；C为预估充电结束温度对应电池最大可用容量。
10.一种基于用户习惯大数据的衰减智能预控方法，其特征在于，应用于云端服务器，包括：
获取目标车辆在预设时间范围内的用车时间数据；
根据标准差公式，确定所述目标车辆的预计用车时间；
将所述预计用车时间发送至所述目标车辆；
其中，所述方法还包括：
获取所述目标车辆的动力电池当前SOC、长距离行驶概率、长距离行驶的平均值和预设标准里程；
根据所述当前SOC、所述长距离行驶概率、所述长距离行驶的平均值和所述预设标准里程，确定预计SOC；
发送所述预计SOC至所述目标车辆；
其中，预计SOC用SOCU表示：SOCU的公式为：
Figure FDA0003688536710000041
其中，R为所述预设标准里程，
Figure FDA0003688536710000042
最大值为1，PL为所述长距离行驶概率，
Figure FDA0003688536710000051
为所述长距离行驶的平均值。
11.根据权利要求10所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，获取长距离行驶概率和长距离行驶的平均值，包括：
获取所述目标车辆的在预设时间范围内的第一出行总天数，以及大于或者等于预设倍数的预设标准里程的第一出行天数，其中所述第一出行总天数大于五天；
根据所述第一出行天数和所述第一出行总天数的第一比值，确定为长距离行驶概率；根据第一出行天数对应的总出行距离和所述第一出行天数的第二比值，确定为长距离行驶的平均值；
其中，若连续三次出现小于预设倍数的预设标准里程的第二出行天数，则确定长距离行驶概率和长距离行驶的平均值均为0。
12.根据权利要求11所述的基于用户习惯大数据的衰减智能预控方法，其特征在于，获取长距离行驶概率和长距离行驶的平均值，还包括：
获取所述目标车辆的在预设时间范围内的第二出行总天数，以及大于或者等于预设倍数的预设标准里程的第三出行天数，其中所述第二出行总天数小于或者等于五天；
计算所述第三出行天数和所述第二出行总天数的第三比值，若所述第三比值大于或者等于60％，则确定为长距离行驶概率；根据第三出行天数对应的总出行距离和所述第三出行天数的第四比值，确定为长距离行驶的平均值；
若所述第三比值小于60％，则确定长距离行驶概率和长距离行驶的平均值均为0。
13.一种充电控制装置，其特征在于，应用于云端服务器，包括：
第二获取模块，用于获取目标车辆在预设时间范围内的用车时间数据；
第三确定模块，用于根据标准差公式，确定所述目标车辆的预计用车时间；
发送模块，用于将所述预计用车时间发送至所述目标车辆；
其中，所述装置还包括：
第三获取模块，用于获取所述目标车辆的动力电池当前SOC、长距离行驶概率、长距离行驶的平均值和预设标准里程；
第四确定模块，用于根据所述当前SOC、所述长距离行驶概率、所述长距离行驶的平均值和所述预设标准里程，确定预计SOC；
发送模块，用于发送所述预计SOC至所述目标车辆；
其中，预计SOC用SOCU表示：SOCU的公式为：
Figure FDA0003688536710000061
其中，R为所述预设标准里程，
Figure FDA0003688536710000062
最大值为1，PL为所述长距离行驶概率，
Figure FDA0003688536710000063
为所述长距离行驶的平均值。
14.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至8中任一项所述的基于用户习惯大数据的衰减智能预控方法的步骤，或者所述程序被处理器执行时实现如权利要求10至12中任一项所述的基于用户习惯大数据的衰减智能预控方法的步骤。
CN202110447777.2A 2021-04-25 2021-04-25 一种基于用户习惯大数据的衰减智能预控方法和装置 Active CN113085656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110447777.2A CN113085656B (zh) 2021-04-25 2021-04-25 一种基于用户习惯大数据的衰减智能预控方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110447777.2A CN113085656B (zh) 2021-04-25 2021-04-25 一种基于用户习惯大数据的衰减智能预控方法和装置

Publications (2)

Publication Number Publication Date
CN113085656A CN113085656A (zh) 2021-07-09
CN113085656B true CN113085656B (zh) 2022-07-15

Family

ID=76680217

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110447777.2A Active CN113085656B (zh) 2021-04-25 2021-04-25 一种基于用户习惯大数据的衰减智能预控方法和装置

Country Status (1)

Country Link
CN (1) CN113085656B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116160897A (zh) * 2021-11-24 2023-05-26 比亚迪股份有限公司 充电控制方法及装置、车辆、计算机可读存储介质
CN116424118A (zh) * 2021-12-31 2023-07-14 北京罗克维尔斯科技有限公司 一种电池充电剩余时长预测方法、装置及存储介质
CN114604131A (zh) * 2022-03-02 2022-06-10 阿尔特汽车技术股份有限公司 车辆的电池充电的方法、装置、电子设备及可读存储介质
CN114779081B (zh) * 2022-03-11 2025-06-17 北京新能源汽车股份有限公司 车辆电池寿命的互学习预测方法、装置及存储介质
CN117183824B (zh) * 2022-05-30 2024-10-29 比亚迪股份有限公司 充电控制方法、充电控制装置及车辆
CN115498288A (zh) * 2022-08-11 2022-12-20 金琥新能源汽车(成都)有限公司 一种动力电池保养方法和新能源车

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106682703A (zh) * 2017-01-13 2017-05-17 北京航空航天大学 一种基于obd数据的驾驶人出行模式识别方法
CN111257752B (zh) * 2018-11-30 2021-02-26 宁德时代新能源科技股份有限公司 剩余充电时间估算方法、装置、系统和存储介质
DE102019206125A1 (de) * 2019-04-29 2020-10-29 Volkswagen Aktiengesellschaft Verfahren zum Laden einer Traktionsbatterie eines elektrisch angetriebenen Kraftfahrzeugs
CN110203099A (zh) * 2019-05-22 2019-09-06 湖北国电众恒电气有限公司 考虑用户可用充电时间的动力锂电池高效充电方法
US10807493B1 (en) * 2019-07-30 2020-10-20 Goodwyn George Reeves Vehicle battery pack and battery exchange system

Also Published As

Publication number Publication date
CN113085656A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113085656B (zh) 一种基于用户习惯大数据的衰减智能预控方法和装置
CN113147507B (zh) 剩余充电时长的估算方法、装置及电动汽车
CN101371156B (zh) 在混合机车应用中的无ir的电压确定
CN101371154B (zh) 充电复原的电池状态
CN103344919B (zh) 一种校准锂离子动力电池soc的方法
CN101371155B (zh) 充电电压滞后估算器的电池状态
US9037426B2 (en) Systems and methods for determining cell capacity values in a multi-cell battery
CN111123137B (zh) 电池组的soc和soh的估算方法
Okoshi et al. Battery condition monitoring (BCM) technologies about lead–acid batteries
US20170141589A1 (en) Battery System
CN113147506B (zh) 基于大数据的车与车互学习充电剩余时间预测方法和装置
CN111123138B (zh) 一种电池组的soh的估算方法
JP2015155859A (ja) 電池残量推定装置、電池パック、蓄電装置、電動車両および電池残量推定方法
Tannahill et al. Future vision for reduction of range anxiety by using an improved state of charge estimation algorithm for electric vehicle batteries implemented with low‐cost microcontrollers
CN113232553A (zh) 一种加热电动汽车电池组的方法、装置、设备及可存储介质
KR102057311B1 (ko) 배터리의 충전-종료 시각을 추정하기 위한 시스템 및 방법
CN111376792A (zh) 一种纯电动车续航里程的估算方法
CN106340689A (zh) 一种电池组系统容量自学习的方法
CN113533964B (zh) 一种显示荷电状态的计算方法及装置
CN107031425A (zh) 基于电流脉冲持续时间的电池荷电状态估计
Kataoka et al. Battery state estimation system for automobiles
CN113071373B (zh) 一种基于云端智能互联大数据的温度预测和装置
US20210300204A1 (en) Power calculation apparatus and power calculation method
JP2013502687A5 (zh)
JP4564999B2 (ja) 車載二次電池の内部状態検出装置

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