详情

原文传递一种大数据和BMS结合的电动汽车优化充电方法

专利名称：	一种大数据和BMS结合的电动汽车优化充电方法
摘要：	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。
专利类型：	发明专利
申请人：	苏州正力新能源科技有限公司
发明人：	孙景宝;王志刚;周星星;李中飞;吕丹;田扩
专利状态：	有效
申请日期：	1900-01-20T00:00:00+0805
发布日期：	1900-01-20T00:00:00+0805
申请号：	CN201911350993.4
公开号：	CN111071074A
代理机构：	南京理工大学专利中心
代理人：	薛云燕
分类号：	B60L53/00;B60L53/62;B60L58/12;G06N20/00;G06Q10/04;B;G;B60;G06;B60L;G06N;G06Q;B60L53;B60L58;G06N20;G06Q10;B60L53/00;B60L53/62;B60L58/12;G06N20/00;G06Q10/04
申请人地址：	215500 江苏省苏州市常熟高新技术产业开发区黄浦江路133号2幢
主权项：	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、风向和风力特征数据；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％)CaSOH (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％)CaSOH (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。
所属类别：	发明专利