首页 / 专利库 / 电池与电池 / 电池 / 一种大数据和BMS结合的电动汽车优化充电方法

一种大数据和BMS结合的电动汽车优化充电方法

阅读:1发布:2020-07-04

专利汇可以提供一种大数据和BMS结合的电动汽车优化充电方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种 大数据 和BMS结合的电动 汽车 优化充电方法。方法为:收集电动汽车的特征数据,训练两个 机器学习 模型,分别预测每天消耗的电量、允许的充电时间;在不同充电模式下,结合日常行车和远程行车两种指令,采用针对性应对充电措施进行充电,包括远程行车指令以及快充模式、远程行车指令以及慢充模式、日常行车指令以及快充模式、日常行车指令以及慢充模式。本发明降低了充电的倍率,在确保用户正常使用车的同时,延长了 电动汽车 电池 寿命。,下面是一种大数据和BMS结合的电动汽车优化充电方法专利的具体信息内容。

1.一种大数据和BMS结合的电动汽车优化充电方法,其特征在于,步骤如下:
步骤1、收集电动汽车的特征数据,训练两个机器学习模型,分别预测每天消耗的电量、允许的充电时间;
步骤2、在不同充电模式下,结合日常行车和远程行车两种指令,采用针对性应对充电措施进行充电。
2.根据权利要求1所述的大数据和BMS结合的电动汽车优化充电方法,其特征在于,步骤1所述的收集电动汽车的特征数据,训练机器学习模型,具体如下:
步骤1.1、实时收集电动汽车的内部特征数据,包括单体电压、单体温度电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH,同时收集当天的外界特征数据,包括星期、外界温度、天气、假期情况、向和特征数据;
步骤1.2、收集用户当天用车消耗的累计电量,公式为:
式中,Q为用户当天消耗的累计电量、t为时间、I为汽车运行时的电流;
步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入,以每天消耗电量为输出,训练随机森林的机器学习模型1,用于预测当天消耗的电量;
步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入,以充电停车时间为输出,训练随机森林的机器学习模型2,用于预测允许的充电时间。
3.根据权利要求1所述的大数据和BMS结合的电动汽车优化充电方法,其特征在于,步骤2所述的在不同充电模式下,结合用户指令采用针对性应对充电措施进行充电,具体如下:
在用户手机端汽车APP中设置日常行车和远程行车两种指令,根据用户的指令以及快慢充模式采用不同的充电策略;
(1)远程行车指令以及快充模式:
当用户发出远程行车指令时,若在快充模式下,则按照BMS固有的快充策略,将电池充满;
(2)远程行车指令以及慢充模式:
当用户发出远程行车指令时,若在慢充模式下,则采用机器学习模型2预测允许的充电时间Time0,根据预测的充电时间计算采取的充电倍率;
(3)日常行车指令以及快充模式:
当用户发出日常行车指令时,若在快充模式下,则采用机器学习模型1预测即将消耗的电量Qm,根据Qm值计算充电截止SOC值SOC_end;
(4)日常行车指令以及慢充模式:
当用户发出日常行车指令时,若在慢充模式下,则采用机器学习模型1预测即将消耗的电量Qm,同时,机器学习模型2预测允许的充电时间Time0,两个结合对充电模式进行优化。
4.根据权利要求3所述的大数据和BMS结合的电动汽车优化充电方法,其特征在于,所述当用户发出远程行车指令时,若在慢充模式下,则采用机器学习模型2预测允许的充电时间Time0,根据预测的充电时间计算采取的充电倍率,具体如下:
(2.1)为防止充电时间预测误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min-60min;
(2.2)计算目标时间Time1,Time1=Time0-BufferTime,在目标时间Time1的时间范围内将电池充满;
(2.3)根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
式中,Ca是额定容量,SOH是当前电芯的健康情况,取值为80%~100%,Cur是在目标时间内将电池充满的最小电流;SOC为荷电状态,取值为剩余容量占电池容量的比值。
5.根据权利要求3所述的大数据和BMS结合的电动汽车优化充电方法,其特征在于,所述当用户发出日常行车指令时,若在快充模式下,则采用机器学习模型1预测即将消耗的电量Qm,根据Qm值计算充电截止SOC值SOC_end,具体如下:
(3.1)计算SOC=70%到40%所放出的电量Qs,公式为:
Qs=(70%-40%)*Ca*SOH
(3.2)计算充电截止SOC值SOC_end;
若预估电流Qm小于等于Qs,则:
SOC_end=70%
若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
则该状况下的充电截止SOC值SOC_end为:
SOC_end=70%+ΔSOC
若计算SOC_end大于100%,则:
SOC_end=100%
(3.3)大数据平台向BMS发送充电截止SOC值SOC_end;
(3.4)按照BMS固有的快充策略充电,直到SOC等于SOC_end。
6.根据权利要求3所述的大数据和BMS结合的电动汽车优化充电方法,其特征在于,所述当用户发出日常行车指令时,若在慢充模式下,则采用机器学习模型1预测即将消耗的电量Qm,同时,机器学习模型2预测允许的充电时间Time0,两个结合对充电模式进行优化,具体如下:
(4.1)计算SOC=70%到40%所放出的电量Qs,公式为:
Qs=(70%-40%)*Ca*SOH
(4.2)计算充电截止SOC值SOC_end;
若预估电流Qm小于等于Qs,则:
SOC_end=70%
若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
则该状况下的充电截止SOC值SOC_end为:
SOC_end=70%+ΔSOC
若计算SOC_end大于100%,则:
SOC_end=100%
(4.3)机器学习模型2预测允许的充电时间;
(4.4)为防止充电时间预估误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min~60min;
(4.5)计算目标时间,Time1=Time0-BufferTime,其中Time1是目标时间,在该时间范围内需要将电池充满;
(4.6)根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
式中,SOC_end是计算的充电截止SOC,Cur是在目标时间内将电池充满的最小电流。

说明书全文

一种大数据和BMS结合的电动汽车优化充电方法

技术领域

[0001] 本发明涉及基于大数据技术以及新能源汽车和储能的电池管理系统技术领域,特别是一种大数据和BMS结合的电动汽车优化充电方法。

背景技术

[0002] 随着国家对新能源产业大支持,新能源汽车产业不断发展。对于新能源汽车来说,电池是动力也是核心,提供汽车所有动力;BMS(电池控制系统)是汽车控制核心,用于保护电池的安全使用,同时决定客户驾驶体验。由于硬件计算资源的限制,BMS功能出厂即固定不变,但是不同客户使用驾驶习惯不同,驾驶环境不同,因此对电池使用程度也不同,功能固定化的BMS无法针对每一位客户进行针对性优化控制。
[0003] 随着电池的使用,电池的容量会逐渐衰减,一般情况下,当容量衰减到出厂额定容量的80%时,认为电池寿命结束,此时电池的循环次数就是电芯的寿命。电芯寿命终结时,不仅容量减少,电池内阻也大幅度增加,电芯热失控险增大。电芯的寿命主要受放电深度、倍率、行车习惯影响。电池最佳的放电深度为SOC=40%-80%之间,资料表明,电池一直处于SOC为40%-80%放电的电芯寿命是满充、满放工况寿命的十几倍。倍率是电流和电池额定容量的比值,也是影响电池寿命的重要因素,充电的电流越小,则对电池损耗越小,电池寿命越长。
[0004] 大数据可以实时记录汽车数据,将BMS和大数据结合,可以突破计算资源的限制,提高BMS的性能,为BMS赋予更多的功能。大数据记录行车数据、充电数据、故障数据,但是目前BMS结合大数据的技术并没有将数据充分的利用出来。目前大数据仅仅作为传统BMS固定功能的辅助应用,例如基于汽车历史数据,协助BMS更准确预测电池SOX、预测充电剩余时间、修改电池模型参数等。随着新能源汽车竞争强度越来越大,基于用户行车习惯,对新能源汽车进行特定化控制,将会是未来的发展趋势。

发明内容

[0005] 本发明的目的在于提供一种在确保用户正常使用车的同时,延长电动汽车电池寿命,提高用户体验的大数据和BMS结合的电动汽车优化充电方法。
[0006] 实现本发明目的的技术解决方案为:一种大数据和BMS结合的电动汽车优化充电方法,步骤如下:
[0007] 步骤1、收集电动汽车的特征数据,训练两个机器学习模型,分别预测每天消耗的电量、允许的充电时间;
[0008] 步骤2、在不同充电模式下,结合日常行车和远程行车两种指令,采用针对性应对充电措施进行充电。
[0009] 进一步地,步骤1所述的收集电动汽车的特征数据,训练机器学习模型,具体如下:
[0010] 步骤1.1、实时收集电动汽车的内部特征数据,包括单体电压、单体温度、电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH,同时收集当天的外界特征数据,包括星期、外界温度、天气、假期情况、风向和风力特征数据;
[0011] 步骤1.2、收集用户当天用车消耗的累计电量,公式为:
[0012]
[0013] 式中,Q为用户当天消耗的累计电量、t为时间、I为汽车运行时的电流;
[0014] 步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入,以每天消耗电量为输出,训练随机森林的机器学习模型1,用于预测当天消耗的电量;
[0015] 步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入,以充电停车时间为输出,训练随机森林的机器学习模型2,用于预测允许的充电时间。
[0016] 进一步地,步骤2所述的在不同充电模式下,结合用户指令采用针对性应对充电措施进行充电,具体如下:
[0017] 在用户手机端汽车APP中设置日常行车和远程行车两种指令,根据用户的指令以及快慢充模式采用不同的充电策略;
[0018] (1)远程行车指令以及快充模式:
[0019] 当用户发出远程行车指令时,若在快充模式下,则按照BMS固有的快充策略,将电池充满;
[0020] (2)远程行车指令以及慢充模式:
[0021] 当用户发出远程行车指令时,若在慢充模式下,则采用机器学习模型2预测允许的充电时间Time0,根据预测的充电时间计算采取的充电倍率;
[0022] (3)日常行车指令以及快充模式:
[0023] 当用户发出日常行车指令时,若在快充模式下,则采用机器学习模型1预测即将消耗的电量Qm,根据Qm值计算充电截止SOC值SOC_end;
[0024] (4)日常行车指令以及慢充模式:
[0025] 当用户发出日常行车指令时,若在慢充模式下,则采用机器学习模型1预测即将消耗的电量Qm,同时,机器学习模型2预测允许的充电时间Time0,两个结合对充电模式进行优化。
[0026] 进一步地,所述当用户发出远程行车指令时,若在慢充模式下,则采用机器学习模型2预测允许的充电时间Time0,根据预测的充电时间计算采取的充电倍率,具体如下:
[0027] (2.1)为防止充电时间预测误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min-60min;
[0028] (2.2)计算目标时间Time1,Time1=Time0-BufferTime,在目标时间Time1的时间范围内将电池充满;
[0029] (2.3)根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
[0030]
[0031] 式中,Ca是额定容量,SOH是当前电芯的健康情况,取值为80%~100%,Cur是在目标时间内将电池充满的最小电流;SOC为荷电状态,取值为剩余容量占电池容量的比值。
[0032] 进一步地,所述当用户发出日常行车指令时,若在快充模式下,则采用机器学习模型1预测即将消耗的电量Qm,根据Qm值计算充电截止SOC值SOC_end,具体如下:
[0033] (3.1)计算SOC=70%到40%所放出的电量Qs,公式为:
[0034] Qs=(70%-40%)*Ca*SOH
[0035] (3.2)计算充电截止SOC值SOC_end;
[0036] 若预估电流Qm小于等于Qs,则:
[0037] SOC_end=70%
[0038] 若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
[0039]
[0040] 则该状况下的充电截止SOC值SOC_end为:
[0041] SOC_end=70%+ΔSOC
[0042] 若计算SOC_end大于100%,则:
[0043] SOC_end=100%
[0044] (3.3)大数据平台向BMS发送充电截止SOC值SOC_end;
[0045] (3.4)按照BMS固有的快充策略充电,直到SOC等于SOC_end。
[0046] 进一步地,所述当用户发出日常行车指令时,若在慢充模式下,则采用机器学习模型1预测即将消耗的电量Qm,同时,机器学习模型2预测允许的充电时间Time0,两个结合对充电模式进行优化,具体如下:
[0047] (4.1)计算SOC=70%到40%所放出的电量Qs,公式为:
[0048] Qs=(70%-40%)*Ca*SOH
[0049] (4.2)计算充电截止SOC值SOC_end;
[0050] 若预估电流Qm小于等于Qs,则:
[0051] SOC_end=70%
[0052] 若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
[0053]
[0054] 则该状况下的充电截止SOC值SOC_end为:
[0055] SOC_end=70%+ΔSOC
[0056] 若计算SOC_end大于100%,则:
[0057] SOC_end=100%
[0058] (4.3)机器学习模型2预测允许的充电时间;
[0059] (4.4)为防止充电时间预估误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min~60min;
[0060] (4.5)计算目标时间,Time1=Time0-BufferTime,其中Time1是目标时间,在该时间范围内需要将电池充满;
[0061] (4.6)根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
[0062]
[0063] 式中,SOC_end是计算的充电截止SOC,Cur是在目标时间内将电池充满的最小电流。
[0064] 本发明与现有技术相比,其显著优点在于:(1)最大程度将用户实际运行工况控制在寿命衰减最低的放电深度范围;(2)基于用户习惯的充电时间,最大程度降低充电的倍率,在确保用户正常使用车的同时,延长了电动汽车电池寿命。附图说明
[0065] 图1是本发明大数据和BMS结合的电动汽车优化充电方法的流程示意图。

具体实施方式

[0066] 本发明大数据和BMS结合的电动汽车优化充电方法,步骤如下:
[0067] 步骤1、收集电动汽车的特征数据,训练两个机器学习模型,分别预测每天消耗的电量、允许的充电时间;
[0068] 步骤2、在不同充电模式下,结合日常行车和远程行车两种指令,采用针对性应对充电措施进行充电。
[0069] 进一步地,步骤1所述的收集电动汽车的特征数据,训练机器学习模型,具体如下:
[0070] 步骤1.1、实时收集电动汽车的内部特征数据,包括单体电压、单体温度、电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH,同时收集当天的外界特征数据,包括星期、外界温度、天气、假期情况、风向和风力特征数据;
[0071] 步骤1.2、收集用户当天用车消耗的累计电量,公式为:
[0072]
[0073] 式中,Q为用户当天消耗的累计电量、t为时间、I为汽车运行时的电流;
[0074] 步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入,以每天消耗电量为输出,训练随机森林的机器学习模型1,用于预测当天消耗的电量;
[0075] 步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入,以充电停车时间为输出,训练随机森林的机器学习模型2,用于预测允许的充电时间。
[0076] 进一步地,步骤2所述的在不同充电模式下,结合用户指令采用针对性应对充电措施进行充电,具体如下:
[0077] 在用户手机端汽车APP中设置日常行车和远程行车两种指令,根据用户的指令以及快慢充模式采用不同的充电策略;
[0078] (1)远程行车指令以及快充模式:
[0079] 当用户发出远程行车指令时,若在快充模式下,则按照BMS固有的快充策略,将电池充满;
[0080] (2)远程行车指令以及慢充模式:
[0081] 当用户发出远程行车指令时,若在慢充模式下,则采用机器学习模型2预测允许的充电时间Time0,根据预测的充电时间计算采取的充电倍率;
[0082] (3)日常行车指令以及快充模式:
[0083] 当用户发出日常行车指令时,若在快充模式下,则采用机器学习模型1预测即将消耗的电量Qm,根据Qm值计算充电截止SOC值SOC_end;
[0084] (4)日常行车指令以及慢充模式:
[0085] 当用户发出日常行车指令时,若在慢充模式下,则采用机器学习模型1预测即将消耗的电量Qm,同时,机器学习模型2预测允许的充电时间Time0,两个结合对充电模式进行优化。
[0086] 进一步地,所述当用户发出远程行车指令时,若在慢充模式下,则采用机器学习模型2预测允许的充电时间Time0,根据预测的充电时间计算采取的充电倍率,具体如下:
[0087] (2.1)为防止充电时间预测误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min-60min;
[0088] (2.2)计算目标时间Time1,Time1=Time0-BufferTime,在目标时间Time1的时间范围内将电池充满;
[0089] (2.3)根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
[0090]
[0091] 式中,Ca是额定容量,SOH是当前电芯的健康情况,取值为80%~100%,Cur是在目标时间内将电池充满的最小电流;SOC为荷电状态,取值为剩余容量占电池容量的比值。
[0092] 进一步地,所述当用户发出日常行车指令时,若在快充模式下,则采用机器学习模型1预测即将消耗的电量Qm,根据Qm值计算充电截止SOC值SOC_end,具体如下:
[0093] (3.1)计算SOC=70%到40%所放出的电量Qs,公式为:
[0094] Qs=(70%-40%)*Ca*SOH
[0095] (3.2)计算充电截止SOC值SOC_end;
[0096] 若预估电流Qm小于等于Qs,则:
[0097] SOC_end=70%
[0098] 若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
[0099]
[0100] 则该状况下的充电截止SOC值SOC_end为:
[0101] SOC_end=70%+ΔSOC
[0102] 若计算SOC_end大于100%,则:
[0103] SOC_end=100%
[0104] (3.3)大数据平台向BMS发送充电截止SOC值SOC_end;
[0105] (3.4)按照BMS固有的快充策略充电,直到SOC等于SOC_end。
[0106] 进一步地,所述当用户发出日常行车指令时,若在慢充模式下,则采用机器学习模型1预测即将消耗的电量Qm,同时,机器学习模型2预测允许的充电时间Time0,两个结合对充电模式进行优化,具体如下:
[0107] (4.1)计算SOC=70%到40%所放出的电量Qs,公式为:
[0108] Qs=(70%-40%)*Ca*SOH
[0109] (4.2)计算充电截止SOC值SOC_end;
[0110] 若预估电流Qm小于等于Qs,则:
[0111] SOC_end=70%
[0112] 若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
[0113]
[0114] 则该状况下的充电截止SOC值SOC_end为:
[0115] SOC_end=70%+ΔSOC
[0116] 若计算SOC_end大于100%,则:
[0117] SOC_end=100%
[0118] (4.3)机器学习模型2预测允许的充电时间;
[0119] (4.4)为防止充电时间预估误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min~60min;
[0120] (4.5)计算目标时间,Time1=Time0-BufferTime,其中Time1是目标时间,在该时间范围内需要将电池充满;
[0121] (4.6)根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
[0122]
[0123] 式中,SOC_end是计算的充电截止SOC,Cur是在目标时间内将电池充满的最小电流。
[0124] 下面结合附图及具体实施例对本发明作进一步详细说明。
[0125] 实施例
[0126] 结合图1,本发明一种大数据和BMS结合的电动汽车优化充电方法,包括以下步骤:
[0127] 步骤1、收集电动汽车的特征数据,训练机器学习模型,具体如下:
[0128] 步骤1.1、实时收集电动汽车的内部特征数据,包括单体电压、单体温度、电流、行车里程、故障记录、充电起始时间、充电停车时间和电池包SOH,同时收集当天的外界特征数据,包括星期、外界温度、天气、假期情况、风向和风力特征数据;
[0129] 步骤1.2、收集用户当天用车消耗的累计电量,公式为:
[0130]
[0131] 步骤1.3、以电池包SOH、星期、外界温度、天气、假期情况、风向、风力数据为特征输入,以每天消耗电量为输出,训练随机森林的机器学习模型1,用于预测当天消耗的电量;
[0132] 步骤1.4、以当天消耗的电量、星期、外界温度、天气、假期情况数据为特征输入,以充电停车时间为输出,训练随机森林的机器学习模型2,用于预测允许的充电时间。
[0133] 步骤2、在不同充电模式下,结合用户指令采用针对性应对充电措施进行充电,具体如下:
[0134] 步骤2.1、在用户手机手机端汽车APP中设置日常行车和远程行车两种指令,根据用户的指令以及快慢充模式采用不同的充电策略;
[0135] 步骤2.2、远程行车指令以及快充模式:
[0136] 当用户发出远程行车指令时,若在快充模式下,则按照BMS固有的快充策略,将电池充满;
[0137] 步骤2.3、远程行车指令以及慢充模式:
[0138] 当用户发出远程行车指令时,若在慢充模式下,则采用机器学习模型2预测允许的充电时间Time0,根据预测的充电时间计算采取的充电倍率,具体如下:
[0139] 步骤2.3.1、为防止充电时间预测误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min—60min;
[0140] 步骤2.3.2、计算目标时间Time1,Time1=Time0-BufferTime,在目标时间Time1的时间范围内将电池充满;
[0141] 步骤2.3.3、根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
[0142]
[0143] 式中,Ca是额定容量,SOH是当前电芯的健康情况,取值为80%—100%,Cur是在目标时间内将电池充满的最小电流;
[0144] 步骤2.4、日常行车指令以及快充模式:
[0145] 当用户发出日常行车指令时,若在快充模式下,则采用机器学习模型1预测即将消耗的电量Qm,根据Qm值计算充电截止SOC值SOC_end,具体如下:
[0146] 步骤2.4.1、计算SOC=70%到40%所放出的电量Qs,公式为:
[0147] Qs=(70%-40%)*Ca*SOH
[0148] 步骤2.4.2、计算充电截止SOC值SOC_end;
[0149] 若预估电流Qm小于等于Qs,则:
[0150] SOC_end=70%
[0151] 若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
[0152]
[0153] 则该状况下的充电截止SOC值SOC_end为:
[0154] SOC_end=70%+ΔSOC
[0155] 若计算SOC_end大于100%,则:
[0156] SOC_end=100%
[0157] 步骤2.4.3、大数据平台向BMS发送充电截止SOC值SOC_end;
[0158] 步骤2.4.4、按照BMS固有的快充策略充电,直到SOC等于SOC_end;
[0159] 步骤2.5、日常行车指令以及慢充模式:
[0160] 当用户发出日常行车指令时,若在慢充模式下,则采用机器学习模型1预测即将消耗的电量Qm,同时,机器学习模型2预测允许的充电时间Time0,两个结合对充电模式进行优化,具体如下:
[0161] 步骤2.5.1、计算SOC=70%到40%所放出的电量Qs,公式为:
[0162] Qs=(70%-40%)*Ca*SOH
[0163] 步骤2.5.2、计算充电截止SOC值SOC_end;
[0164] 若预估电流Qm小于等于Qs,则:
[0165] SOC_end=70%
[0166] 若预估电流Qm大于Qs,计算(Qm-Qs)/2对应的SOC变化量ΔSOC,公式为:
[0167]
[0168] 则该状况下的充电截止SOC值SOC_end为:
[0169] SOC_end=70%+ΔSOC
[0170] 若计算SOC_end大于100%,则:
[0171] SOC_end=100%
[0172] 步骤2.5.3、机器学习模型2预测允许的充电时间;
[0173] 步骤2.5.4、为防止充电时间预估误差对用户造成影响,需预留部分缓冲时间BufferTime,BufferTime的范围为30min—60min;
[0174] 步骤2.5.5、计算目标时间,Time1=Time0-BufferTime,其中Time1是目标时间,在该时间范围内需要将电池充满;
[0175] 步骤2.5.6、根据目标时间Time1、电池当前SOC值计算充电电流,公式为:
[0176]
[0177] 式中,SOC_end是计算的充电截止SOC,Cur是在目标时间内将电池充满的最小电流。
[0178] 通过上述的详细步骤,将大数据和BMS有效结合在一起,根据用户习惯对新能源汽车进行针对性控制,在不影响用户使用的情况下,让充电的电流尽可能小,让汽车最大程度运行在寿命衰减缓慢的放电深度(SOC=40%-70%),延长了电动汽车电池的使用寿命。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈