CN116533817A - 一种充电剩余时间的预测方法、装置及存储介质 - Google Patents
一种充电剩余时间的预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN116533817A CN116533817A CN202210090247.1A CN202210090247A CN116533817A CN 116533817 A CN116533817 A CN 116533817A CN 202210090247 A CN202210090247 A CN 202210090247A CN 116533817 A CN116533817 A CN 116533817A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- remaining time
- cloud
- charging
- data set
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012545 processing Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 abstract description 19
- 238000004891 communication Methods 0.000 description 35
- 230000006855 networking Effects 0.000 description 24
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 125000004122 cyclic group Chemical group 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003287 optical effect Effects 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/68—Off-site monitoring or control, e.g. remote control
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/10—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles characterised by the energy transfer between the charging station and the vehicle
- B60L53/14—Conductive energy transfer
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/30—Constructional details of charging stations
- B60L53/305—Communication interfaces
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/62—Monitoring or controlling charging stations in response to charging parameters, e.g. current, voltage or electrical charge
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
- B60L53/665—Methods related to measuring, billing or payment
-
- 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)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请实施例提供一种充电剩余时间的预测方法、系统及存储介质，在车机侧该方法包括：获取车辆的网络状态信息；根据车辆与云端设备的网络状态，确定预测充电剩余时间的设备为车辆或云端设备，以使所述车辆或运动设备中的至少一个完成所述充电剩余时间的预测方法。本方案能够结合多模态预估充电剩余时间，不完全依赖本地车机中部署的充电剩余时间预测模型，不仅提升了计算结果获取效率，而且提高了计算结果精度。
Description
技术领域
本申请实施例涉及新能源汽车的电池技术领域，具体涉及一种充电剩余时间的预测方法、系统及存储介质。
背景技术
目前，新能源汽车(如电动汽车)的充电剩余时间预测模型一般都部署汽车本地的车机中。但是，如果单纯的依赖本地车机的CPU算力来计算电池组的充电剩余时间，不仅算力消耗过多，而且计算结果精度不高。而且本地车机中部署的充电剩余时间预测模型，后续迭代速度慢，不便于升级。
发明内容
本申请实施例提供一种充电剩余时间的预测方法、系统及存储介质，能够结合多模态预估充电剩余时间，不完全依赖本地车机中部署的充电剩余时间预测模型，不仅提升了计算结果获取效率，而且提高了计算结果精度。
第一方面，本申请实施例提供了一种充电剩余时间的预测方法，所述方法包括：
获取车辆的网络状态信息；
根据车辆与云端设备的网络状态，确定预测充电剩余时间的设备为车辆或云端设备，以使所述车辆或运动设备中的至少一个完成所述充电剩余时间的预测方法。
第二方面，本申请实施例还提供一种充电剩余时间的预测装置，所述充电剩余时间的预测装置包括：获取单元和处理单元；所述获取单元，用于获取车辆的网络状态信息；所述处理单元，用于根据车辆与云端设备的网络状态，确定预测充电剩余时间的设备为车辆或云端设备，以使所述车辆或运动设备中的至少一个完成所述充电剩余时间的预测方法。
第三方面，本申请实施例还提供了一种处理设备，包括处理器和存储器，存储器中存储有计算机程序，处理器调用存储器中的计算机程序时执行本申请第一方面中实施例提供的任一种充电剩余时间的预测方法中的步骤。
第四方面，本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有多条指令，指令适于处理器进行加载，以执行本申请第一方面中实施例提供的任一种充电剩余时间的预测方法中的步骤。
从以上内容可得出，本申请能够结合多模态预估充电剩余时间，不完全依赖本地车机中部署的充电剩余时间预测模型，不仅提升了计算结果获取效率，而且提高了计算结果精度。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请中充电剩余时间的预测方法的一种流程示意图；
图2本申请中充电剩余时间预测系统的一种结构示意图；
图3是本申请处理设备的一种结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
在以下的说明中，本申请的具体实施例将参考由一部或多部计算机所执行的步骤及符号来说明，除非另有述明。因此，这些步骤及操作将有数次提到由计算机执行，本申请实施例所指的计算机执行包括了由代表了以一结构化型式中的数据的电子信号的计算机处理单元的操作。此操作转换该数据或将其维持在该计算机的内存系统中的位置处，其可重新配置或另外以本领域测试人员所熟知的方式来改变该计算机的运作。该数据所维持的数据结构为该内存的实体位置，其具有由该数据格式所定义的特定特性。但是，本申请原理以上述文字来说明，其并不代表为一种限制，本领域测试人员将可了解到以下所述的多种步骤及操作亦可实施在硬件当中。
本申请的原理使用许多其它泛用性或特定目的运算、通信环境或组态来进行操作。所熟知的适合用于本申请的运算系统、环境与组态的范例可包括(但不限于)手持电话、个人计算机、服务器、多处理器系统、微电脑为主的系统、主架构型计算机、及分布式运算环境，其中包括了任何的上述系统或装置。
本申请中的术语“第一”、“第二”和“第三”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。
首先，在介绍本申请实施例之前，先介绍下本申请关于应用背景的相关内容。
本申请提供的充电剩余时间的预测方法的执行主体可以为本申请提供的车机(也可以理解为车辆)或云端设备，或者是服务器设备、物理主机、车载终端或者用户设备(UserEquipment，UE)等处理设备，其中，车机或云端设备均可以采用硬件或者软件的方式实现，UE具体可以为智能手机、平板电脑、笔记本电脑、掌上电脑、台式电脑或者个人数字助理(Personal Digital Assitant， PDA)等终端设备。
下面，开始介绍本申请提供的充电剩余时间的预测方法。
参阅图1，图1示出了本申请充电剩余时间的预测方法的一种流程示意图，。本申请提供的方法，具体可包括如下步骤：
101、获取车辆的网络状态信息；
102、根据车辆与云端设备的网络状态，确定预测充电剩余时间的设备为车辆或云端设备，以使所述车辆或运动设备中的至少一个完成所述充电剩余时间的预测方法。
本申请实施例中，当检测到电动汽车已连接交流充电枪进行充电时，此时可以基于车辆或云端设备对充电剩余时间进行预测，从而估算出充满电所需时长。为了选择稳定性更高且精度更高的预测方式，此时需要先判断车辆的当前网络信号是否正常以支持数据的上下行。若确定车机的车辆当前网络信号可以正常支持数据的上下行(例如可以获取车机与云端设备进行通讯的ping值，若该ping值未超出预设的ping阈值则可以正常支持数据的上下行，若该ping值超出预设的ping阈值则不可以支持数据的上下行)，则可以判定车辆当前网络信号是正常联网状态时，车机自动切换至云端预测模式，以将所获取的参数数据集上传至云端设备进行预测。若判定车辆当前网络信号是非正常联网状态时 (非正常联网状态是指ping值超出预设的ping阈值则不可以支持数据的上下行)，自动切换至本地预测模式。可见，可以基于车辆当前网络信号为正常联网状态时选择算力更强的云端预测模式，还可以基于车辆当前网络信号为非正常联网状态时选择本地预测模式。
示例性的，确定预测充电剩余时间的设备为云端设备时，步骤102包括：
向云端设备发送参数数据集，所述参数数据集至少包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度中的至少一个；
接收云端设备根据所述参数数据集进行预测运算得到所述充电剩余时间。
本申请实施例中，当选定了云端预测模式来进行充电剩余时间预测时，此时车机无需基于本地的预测算法来进行预测，只需及时的获取电动汽车的参数数据集并上传至云端设备，从而在云端设备中进行云端处理和预测；其中所述参数数据集包括电池剩余电量百分比(即SOC)、充电电流、充电电压、电池温度、电池健康度(即SOH)中的至少一个。由于云端的算力更为强大，而且云端预测模型还可以更加方面的更新，故在云端预测模式下可以有效提高预测结果的获取效率和预测精度。
作为步骤102的替代方案，可以是在切换为云端预测模式后，将车辆通讯唯一识别号和车辆参数数据集获取指令发送至充电桩，以触发充电桩在获取了车辆通讯唯一识别号和车辆参数数据集获取指令后获取参数数据集，然后由充电桩将车辆通讯唯一识别号、参数数据集和充电桩唯一设备编码打包后发送至云端设备。相当于基于连接了互联网的充电桩作为通讯中转站，实现将参数数据集及时的上传至云端设备。
当云端设备接收到了包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集后，可以基于云端设备中存储的云端预测模型进行运算，得到充电剩余时间，并将所述充电剩余时间发送至车机以及时进行车机的本地显示。具体的，云端预测模型可以采用卷积神经网络、循环神经网络模型等预测模型。
示例性的，确定预测充电剩余时间的设备为车辆时，步骤102包括：
获取参数数据集，将所述参数数据集输入至本地预测模型进行预测运算，得到充电剩余时间，并将所述充电剩余时间进行显示。
本申请实施例中，若确定车机的车辆当前网络信号不可以支持数据的上下行，则可以判定车辆当前网络信号是非正常联网状态时(一般车机与云端设备进行通讯的ping值高于预设的ping阈值，可以视为非正常联网状态)，车机自动切换至本地预测模式，以基于本地获取的参数数据集进行预测。可见，可以基于车辆当前网络信号为非正常联网状态时选择算力低于云端设备但能确保获取预测结果的本地预测模式。
当车机本地采集到了包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集后，可以基于本地存储的本地预测模型进行运算，得到充电剩余时间，并将所述充电剩余时间及时进行本地显示 (如显示在车机的显示屏上)。具体的，本地预测模型与云端预测模型一样也可以采用卷积神经网络、循环神经网络模型等预测模型。
其中，用户定期对车机进行系统维护时，可以要求服务提供商写入最新版本的本地预测模型。但因为用户的系统维护频率较低，故车机中的本地预测模型更新频率较低，而且升级过程复杂。但在车机中部署本地预测模型，能在网络断网的情况下，能确保输出一个精度基本满足实际需求的预测结果。
一种实施例中，所述获取参数数据集，包括：
通过与充电桩建立本地通讯连接，以从充电桩获取所述参数数据集。
本申请实施例中，当检测到电动汽车已连接交流充电枪进行充电时，车机与所连接的充电桩也是建立了本地通讯连接，这样车机与充电桩之间能及时的互传数据，也就确保了充电桩获取所述参数数据集可以及时的发送至车机，从而实现本地预测运算。
一种实施例中，所述通过与充电桩建立本地通讯连接，包括：
与所述充电桩以电动汽车CAN协议建立本地通讯连接。
本申请实施例中，所述车机与充电桩之间通过CAN总线连接，从而实现与所述充电桩以电动汽车CAN协议建立本地通讯连接。通过电动汽车CAN协议确保车机与充电桩之间数据的准确互传。
一种实施例中，确定预测充电剩余时间的设备为车辆时，所述方法还包括：
将所获取的参数数据集上传至车载智能终端；
接收车载智能终端根据所述参数数据集进行终端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。
本申请实施例中，作为本地辅助预测模式的第一实施例，当确定车辆当前网络信息是与车载智能终端联网状态时，即判定车机与车载智能终端(如用户智能手机)是无线通讯连接状态且车载智能终端是正常上网状态时，可以借用车载智能终端的CPU算力进行充电剩余时间预测，将车机所获取包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集上传至车载智能终端，然后由车载智能终端进行终端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。在车载智能终端中基于终端预测运算得到的充电剩余时间，并将所述充电剩余时间发送至车机以及时进行本地显示。
一种实施例中，确定预测充电剩余时间的设备为车辆时，所述充电剩余时间的预测方法还包括：
将所获取的参数数据集上传至车载智能终端，以由车载智能终端将所述参数数据集上传至云端设备；
接收云端设备根据所述参数数据集进行云端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。
本申请实施例中，作为本地辅助预测模式的第二实施例，当确定车辆当前网络信息是与车载智能终端联网状态时，即判定车机与车载智能终端(如用户智能手机)是无线通讯连接状态且车载智能终端是正常上网状态时，可以车载智能终端作为通讯中转站，将车机所获取包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集上传至车载智能终端，然后由车载智能终端将车辆通讯唯一识别号、参数数据集和车载智能终端唯一设备编码打包后发送至云端设备。在云端设备中基于云端预测运算得到的充电剩余时间，并将所述充电剩余时间发送至车机以及时进行本地显示。
可见，结合多模态预估充电剩余时间，不完全依赖本地车机中部署的充电剩余时间预测模型，不仅提升了计算结果获取效率，而且提高了计算结果精度。
一种实施例中，所述接收云端设备根据所述参数数据集进行预测运算得到所述充电剩余时间，包括：
将所述参数数据集输入至云端设备本地存储的云端预测模型进行云端预测运算得到的充电剩余时间，将所述充电剩余时间发送至车辆。
本申请实施例中，当云端设备接收到了车机在网络连接正常状态下所上传的参数数据集后，可以基于云端预测模式来进行充电剩余时间预测时，此时车机无需基于本地的预测算法来进行预测，只需及时的获取电动汽车的参数数据集并上传至云端设备，从而在云端设备中进行云端处理和预测；其中所述参数数据集包括电池剩余电量百分比(即SOC)、充电电流、充电电压、电池温度、电池健康度(即SOH)中的至少一个。由于云端的算力更为强大，而且云端预测模型还可以更加方面的更新，故在云端预测模式下可以有效提高预测结果的获取效率和预测精度。当然，所述参数数据集不局限于是车机上传，也可以是与车机通讯连接的车载智能终端(如智能手机)或是充电桩上传。
其中，在将所述参数数据集进行云端预测运算得到的充电剩余时间时，可以采用卷积神经网络、循环神经网络模型等预测模型。
当在云端设备中预测获取了所述充电剩余时间后，及时将其反馈发送至车机以实现及时提示用户充电剩余时间。
一种实施例中，所述充电剩余时间的预测方法还包括：
当检测到云端预测模型更新指令时，将云端预测模型对应进行更新，得到更新后云端预测模型。
本申请实施例中，在云端设备中可以可依赖历史数据迭代训练云端预测模型，以更新云端预测模型后实时发布。而且选择将复杂云端预测算法部署云端，充分利用云端的强大算力，提高预测结果的精确度。
为便于更好的实施本申请方法，本申请实施例还提供充电剩余时间的预测装置20。
请参阅图2，图2为本申请充电剩余时间预测系统20的一种结构示意图，其中该充电剩余时间预测系统20具体可包括如下结构：获取单元201和处理单元 202。
其中，所述获取单元201，用于获取车辆的网络状态信息；
所述处理单元202，用于根据车辆与云端设备的网络状态，确定预测充电剩余时间的设备为车辆或云端设备，以使所述车辆或运动设备中的至少一个完成所述充电剩余时间的预测方法。
本申请实施例中，当检测到电动汽车已连接交流充电枪进行充电时，此时可以基于车辆或云端设备对充电剩余时间进行预测，从而估算出充满电所需时长。为了选择稳定性更高且精度更高的预测方式，此时需要先判断车机的车辆当前网络信号是否正常以支持数据的上下行。若确定车机的车辆当前网络信号可以正常支持数据的上下行(例如可以获取车机与云端设备进行通讯的ping 值，若该ping值未超出预设的ping阈值则可以正常支持数据的上下行，若该ping 值超出预设的ping阈值则不可以支持数据的上下行)，则可以判定车辆当前网络信号是正常联网状态时，车机自动切换至云端预测模式，以将所获取的参数数据集上传至云端设备进行预测。若判定车辆当前网络信号是非正常联网状态时(非正常联网状态是指ping值超出预设的ping阈值则不可以支持数据的上下行)，自动切换至本地预测模式。可见，可以基于车辆当前网络信号为正常联网状态时选择算力更强的云端预测模式，还可以基于车辆当前网络信号为非正常联网状态时选择本地预测模式。
示例性的，确定预测充电剩余时间的设备为云端设备时，处理单元202具体用于：
向云端设备发送参数数据集，所述参数数据集至少包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度中的至少一个；
接收云端设备根据所述参数数据集进行预测运算得到所述充电剩余时间。
本申请实施例中，当选定了云端预测模式来进行充电剩余时间预测时，此时车机无需基于本地的预测算法来进行预测，只需及时的获取电动汽车的参数数据集并上传至云端设备，从而在云端设备中进行云端处理和预测；其中所述参数数据集包括电池剩余电量百分比(即SOC)、充电电流、充电电压、电池温度、电池健康度(即SOH)中的至少一个。由于云端的算力更为强大，而且云端预测模型还可以更加方面的更新，故在云端预测模式下可以有效提高预测结果的获取效率和预测精度。
作为第一发送单元312的替代方案，可以是在切换为云端预测模式后，将车辆通讯唯一识别号和车辆参数数据集获取指令发送至充电桩，以触发充电桩在获取了车辆通讯唯一识别号和车辆参数数据集获取指令后获取参数数据集，然后由充电桩将车辆通讯唯一识别号、参数数据集和充电桩唯一设备编码打包后发送至云端设备。相当于基于连接了互联网的充电桩作为通讯中转站，实现将参数数据集及时的上传至云端设备。
当云端设备接收到了包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集后，可以基于云端设备中存储的云端预测模型进行运算，得到充电剩余时间，并将所述充电剩余时间发送至车机以及时进行车机的本地显示。具体的，云端预测模型可以采用卷积神经网络、循环神经网络模型等预测模型。
示例性的，确定预测充电剩余时间的设备为车辆时，处理单元202具体用于：
获取参数数据集，将所述参数数据集输入至本地预测模型进行预测运算，得到充电剩余时间，并将所述充电剩余时间进行显示。
本申请实施例中，若确定车机的车辆当前网络信号不可以支持数据的上下行，则可以判定车辆当前网络信号是非正常联网状态时(一般车机与云端设备进行通讯的ping值高于预设的ping阈值，可以视为非正常联网状态)，车机自动切换至本地预测模式，以基于本地获取的参数数据集进行预测。可见，可以基于车辆当前网络信号为非正常联网状态时选择算力低于云端设备但能确保获取预测结果的本地预测模式。
当车机本地采集到了包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集后，可以基于本地存储的本地预测模型进行运算，得到充电剩余时间，并将所述充电剩余时间及时进行本地显示 (如显示在车机的显示屏上)。具体的，本地预测模型与云端预测模型一样也可以采用卷积神经网络、循环神经网络模型等预测模型。
其中，用户定期对车机进行系统维护时，可以要求服务提供商写入最新版本的本地预测模型。但因为用户的系统维护频率较低，故车机中的本地预测模型更新频率较低，而且升级过程复杂。但在车机中部署本地预测模型，能在网络断网的情况下，能确保输出一个精度基本满足实际需求的预测结果。
一种实施例中，所述处理单元202还具体用于：
通过与充电桩建立本地通讯连接，以从充电桩获取所述参数数据集。
本申请实施例中，当检测到电动汽车已连接交流充电枪进行充电时，车机与所连接的充电桩也是建立了本地通讯连接，这样车机与充电桩之间能及时的互传数据，也就确保了充电桩获取所述参数数据集可以及时的发送至车机，从而实现本地预测运算。
一种实施例中，所述通过与充电桩建立本地通讯连接还具体包括：
与所述充电桩以电动汽车CAN协议建立本地通讯连接。
本申请实施例中，所述车机与充电桩之间通过CAN总线连接，从而实现与所述充电桩以电动汽车CAN协议建立本地通讯连接。通过电动汽车CAN协议确保车机与充电桩之间数据的准确互传。
示例性的，确定预测充电剩余时间的设备为车辆时，处理单元202还具体用于：
将所获取的参数数据集上传至车载智能终端；
接收车载智能终端根据所述参数数据集进行终端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。
本申请实施例中，作为本地辅助预测模式的第一实施例，当确定车辆当前网络信息是与车载智能终端联网状态时，即判定车机与车载智能终端(如用户智能手机)是无线通讯连接状态且车载智能终端是正常上网状态时，可以借用车载智能终端的CPU算力进行充电剩余时间预测，将车机所获取包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集上传至车载智能终端，然后由车载智能终端进行终端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。在车载智能终端中基于终端预测运算得到的充电剩余时间，并将所述第三充电剩余时间发送至车机以及时进行本地显示。
示例性的，确定预测充电剩余时间的设备为车辆时，处理单元202还具体用于：
将所获取的参数数据集上传至车载智能终端，以由车载智能终端将所述参数数据集上传至云端设备；
接收云端设备根据所述参数数据集进行云端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。
本申请实施例中，作为本地辅助预测模式的第二实施例，当确定车辆当前网络信息是与车载智能终端联网状态时，即判定车机与车载智能终端(如用户智能手机)是无线通讯连接状态且车载智能终端是正常上网状态时，可以车载智能终端作为通讯中转站，将车机所获取包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度等参数值的参数数据集上传至车载智能终端，然后由车载智能终端将车辆通讯唯一识别号、参数数据集和车载智能终端唯一设备编码打包后发送至云端设备。在云端设备中基于云端预测运算得到的充电剩余时间，并将所述充电剩余时间发送至车机以及时进行本地显示。
一种实施例中，所述处理单元202还具体用于：
将所述参数数据集输入至云端设备本地存储的云端预测模型进行云端预测运算得到的充电剩余时间，将所述充电剩余时间发送至车辆。
本申请实施例中，当云端设备接收到了车机在网络连接正常状态下所上传的参数数据集后，可以基于云端预测模式来进行充电剩余时间预测时，此时车机无需基于本地的预测算法来进行预测，只需及时的获取电动汽车的参数数据集并上传至云端设备，从而在云端设备中进行云端处理和预测；其中所述参数数据集包括电池剩余电量百分比(即SOC)、充电电流、充电电压、电池温度、电池健康度(即SOH)中的至少一个。由于云端的算力更为强大，而且云端预测模型还可以更加方面的更新，故在云端预测模式下可以有效提高预测结果的获取效率和预测精度。当然，所述参数数据集不局限于是车机上传，也可以是与车机通讯连接的车载智能终端(如智能手机)或是充电桩上传。
其中，在将所述参数数据集进行云端预测运算得到的第一充电剩余时间时，可以采用卷积神经网络、循环神经网络模型等预测模型。
当在云端设备中预测获取了所述第一充电剩余时间后，及时将其反馈发送至车机以实现及时提示用户充电剩余时间。
一种实施例中，所述处理单元202还具体用于：
当检测到云端预测模型更新指令时，将云端预测模型对应进行更新，得到更新后云端预测模型。
本申请实施例中，在云端设备中可以可依赖历史数据迭代训练云端预测模型，以更新云端预测模型后实时发布。而且选择将复杂云端预测算法部署云端，充分利用云端的强大算力，提高预测结果的精确度。
本申请还提供了处理设备，参阅图3，图3示出了本申请处理设备的一种结构示意图，具体的，本申请提供的处理设备包括处理器，处理器用于执行存储器中存储的计算机程序时实现如图1对应的实施例中的各步骤；或者，处理器用于执行存储器中存储的计算机程序时实现如图3对应实施例中各模块的功能。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在计算机装置中的执行过程。
处理设备可包括，但不仅限于处理器、存储器。本领域技术人员可以理解，示意仅仅是处理设备的示例，并不构成对处理设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如处理设备还可以包括输入输出设备、网络接入设备、总线等，处理器、存储器、输入输出设备以及网络接入设备等通过总线相连。
处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是处理设备的控制中心，利用各种接口和线路连接整个处理设备的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现计算机装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据处理设备的使用所创建的数据(比如音频数据、视频数据等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
显示屏用于显示输入输出单元输出的至少一种字符类型的字符。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、处理设备及其相应模块的具体工作过程，可以参考如图1对应的实施例中的说明，具体在此不再赘述。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种计算机可读存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请如图1对应的实施例中的步骤，具体操作可参考如图1对应的实施例中的说明，在此不再赘述。
其中，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该计算机可读存储介质中所存储的指令，可以执行本申请如图1对应的实施例中的步骤，因此，可以实现本申请如图1对应的实施例中的所能实现的有益效果，详见前面的说明，在此不再赘述。
以上对本申请提供的一种充电剩余时间的预测方法、系统及存储介质进行了详细介绍，本申请实施例中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种充电剩余时间的预测方法，其特征在于，所述方法包括：
获取车辆的网络状态信息；
根据车辆与云端设备的网络状态，确定预测充电剩余时间的设备为车辆或云端设备，以使所述车辆或运动设备中的至少一个完成所述充电剩余时间的预测方法。
2.根据权利要求1所述的方法，其特征在于，确定预测充电剩余时间的设备为云端设备时，所述方法还包括：
向云端设备发送参数数据集，所述参数数据集至少包括电池剩余电量百分比、充电电流、充电电压、电池温度、电池健康度中的至少一个；
接收云端设备根据所述参数数据集进行预测运算得到所述充电剩余时间。
3.根据权利要求1所述的方法，其特征在于，确定预测充电剩余时间的设备为车辆时，所述方法还包括：
获取参数数据集，将所述参数数据集输入至本地预测模型进行预测运算，得到充电剩余时间，并将所述充电剩余时间进行显示。
4.根据权利要求1所述的方法，其特征在于，确定预测充电剩余时间的设备为车辆时，所述方法还包括：
将所获取的参数数据集上传至车载智能终端；
接收车载智能终端根据所述参数数据集进行终端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所获取的参数数据集上传至车载智能终端，以由车载智能终端将所述参数数据集上传至云端设备；
接收云端设备根据所述参数数据集进行云端预测运算得到的充电剩余时间，并将所述充电剩余时间进行显示。
6.根据权利要求2所述的方法，其特征在于，所述接收云端设备根据所述参数数据集进行预测运算得到所述充电剩余时间，包括：
将所述参数数据集输入至云端设备本地存储的云端预测模型进行云端预测运算得到的充电剩余时间，将所述充电剩余时间发送至车辆。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括：
当检测到云端预测模型更新指令时，将云端预测模型对应进行更新，得到更新后云端预测模型。
8.一种充电剩余时间的预测装置，其特征在于，所述充电剩余时间的预测装置包括：获取单元和处理单元；
所述获取单元，用于获取车辆的网络状态信息；
所述处理单元，用于根据车辆与云端设备的网络状态，确定预测充电剩余时间的设备为车辆或云端设备，以使所述车辆或运动设备中的至少一个完成所述充电剩余时间的预测方法。
9.一种处理设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时执行如权利要求1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述指令适于处理器进行加载，以执行权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210090247.1A CN116533817A (zh) | 2022-01-25 | 2022-01-25 | 一种充电剩余时间的预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210090247.1A CN116533817A (zh) | 2022-01-25 | 2022-01-25 | 一种充电剩余时间的预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116533817A true CN116533817A (zh) | 2023-08-04 |
Family
ID=87445784
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210090247.1A Pending CN116533817A (zh) | 2022-01-25 | 2022-01-25 | 一种充电剩余时间的预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116533817A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933433A (zh) * | 2024-03-22 | 2024-04-26 | 成都信息工程大学 | 基于区块链的充电桩预约充电调度方法及装置 |
| CN118539565A (zh) * | 2024-07-18 | 2024-08-23 | 深圳安培时代数字能源科技有限公司 | 电池充电管理方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-25 CN CN202210090247.1A patent/CN116533817A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117933433A (zh) * | 2024-03-22 | 2024-04-26 | 成都信息工程大学 | 基于区块链的充电桩预约充电调度方法及装置 |
| CN117933433B (zh) * | 2024-03-22 | 2024-05-31 | 成都信息工程大学 | 基于区块链的充电桩预约充电调度方法及装置 |
| CN118539565A (zh) * | 2024-07-18 | 2024-08-23 | 深圳安培时代数字能源科技有限公司 | 电池充电管理方法、装置、电子设备及存储介质 |
| CN118539565B (zh) * | 2024-07-18 | 2024-11-12 | 深圳安培时代数字能源科技有限公司 | 电池充电管理方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108357382B (zh) | 电池充电方法和系统、远程监控平台和存储介质 | |
| CN103279370B (zh) | 一种数据处理的方法、终端、服务器及系统 | |
| CN115275443A (zh) | 车载动力电池的加热控制方法、加热控制装置、车辆 | |
| CN116533817A (zh) | 一种充电剩余时间的预测方法、装置及存储介质 | |
| CN106970816B (zh) | 一种软件升级处理方法、装置及音频播放设备 | |
| CN112383107B (zh) | 换电站信息显示方法、装置、计算机设备和存储介质 | |
| CN111211585B (zh) | 充电设备分配方法及终端设备 | |
| CN113291192A (zh) | 电池的更换方法、装置和存储介质 | |
| CN110518668A (zh) | 用于手持设备的快速充电系统及方法、手持设备 | |
| CN103634032A (zh) | 数据转移方法、系统及移动终端 | |
| CN109714369B (zh) | 分布式充电桩通信系统的通信方法、充电桩及联网装置 | |
| CN111123728A (zh) | 无人车仿真方法、装置、设备及计算机可读介质 | |
| CN118342996A (zh) | 车辆充电剩余时间的预测方法、装置、设备及存储介质 | |
| CN115593265B (zh) | 充电时长的预测方法、装置、计算机设备以及存储介质 | |
| CN113595174A (zh) | 电池管理方法、装置、设备和服务器 | |
| CN115499315B (zh) | Ota升级任务的执行方法、装置和电子设备 | |
| US20230021611A1 (en) | Battery charging process prediction method and apparatus | |
| CN118245082A (zh) | 用于优化更新车辆控制器的设备和方法 | |
| CN113673157B (zh) | 电池容量预测模型的训练方法、装置、电子设备和介质 | |
| CN111123727B (zh) | 无人车仿真搭建方法、装置、设备及计算机可读介质 | |
| CN112911620A (zh) | 信息处理方法、装置及电子设备和存储介质 | |
| CN104869171A (zh) | 一种信息处理方法及智能家居设备 | |
| CN104967640A (zh) | 一种数据存储方法、装置和系统 | |
| CN105430727A (zh) | 一种通信终端的载波聚合模式设定方法及通信终端 | |
| CN118736726B (zh) | 基于rfid标签的离线换电方法及相关设备 |
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 |