一种基于电动汽车充电大数据的荷电状态修正及预测方法与流程

1.本发明涉及新能源汽车电池领域，具体涉及一种基于电动汽车充电大数据的荷电状态修正及预测方法。


背景技术：

2.随着新能源技术和大数据的发展，新能源汽车和车辆大数据的融合应用成为时代发展要求的必然结果，应运而生的就是新能源汽车大数据平台，通过大数据平台可以从多个维度对电动汽车进行监测和管理，其中也包括动力电池参数的收集。但是电池的soc值多是采用bms报文解析所得，由于厂家电池的策略问题，此时的大数据平台的soc值并不是真实的soc值，因此基于大数据平台soc的相关计算应用都存在一定误差，误差的积累将会影响对电动汽车的准确监测与管理。因此，本发明对充电阶段soc进行修正，同时对修正后的soc进行应用，提出了残差修正模型对soc进行预测，通过与单一模型对比，本模型可以更好的预测soc，获得更高的精度。


技术实现要素：

3.针对现有技术中的上述不足，本发明提供了一种基于电动汽车充电大数据的荷电状态修正及预测方法。
4.为了达到上述发明目的，本发明采用的技术方案为：
5.一种基于电动汽车充电大数据的荷电状态修正及预测方法，包括如下步骤：
6.s1、获取电动汽车电池传感器充电数据并在大数据平台对其进行预处理；
7.s2、利用大数据平台对电池充电过程中的每一时刻的荷电状态soc值进行修正，得到修正之后的当前soc连续值；
8.s3、基于修正后的soc连续值，利用残差修正模型对电池的真实soc值进行预测。
9.上述方案的有益效果是，解决了由于传感器采集和传输错误等导致的数据质量差问题，提高了原始采集数据质量；适应不同电池厂家soc的估算策略对soc修正，提高了建模准确度；残差修正模型可以减轻自回归导致的误差积累问题，平均误差较原始算法的1.07％降为0.0480％，提高了soc预测的准确度。
10.进一步的，所述步骤s1中预处理的方式具体为：
11.s11、将获取充电数据按照采集时间顺序进行重新排序；
12.s12、采用箱型图对重新排序后的充电数据进行异常值识别，剔除高于箱型图上限及低于箱型图下限的数据；
13.s13、对经过步骤s12处理后的充电数据进行空值填充。
14.上述方案的有益效果是，采集数据将更符合实际真实情况，避免了异常数据对后续计算应用带来的干扰，mape误差降低了0.94％。
15.进一步的，所述步骤s13中空值填充的具体方法为：
16.s131、判断步骤s12处理后的充电数据数据的数据缺失类型；
17.s132、若缺失类型定为特征数目缺失，则判断缺失比例是否高于设定阈值，若是，则将该条数据删除；若不是，则判断该数据中每列特征的随机缺失比例；
18.s132、若每列特征的数据随机缺失比例小于30％，则采用均值填充缺失特征；若数据随机缺失在30％
‑
50％之间，则采用随机森林算法对缺失数据进行填充；若数据缺失比例高于50％，则舍弃该列特征；
19.s133、若数据缺失类型为时间序列特征的随机缺失，则采用缺失点前一时刻的值进行填充。
20.上述方案的有益效果是，原始数据依据其特征之间的联系进行补全，数据分布更接近实际情况，保证了数据的完整性。
21.进一步的，所述步骤s2具体包括：
22.s21、获取充电过程中任意两个时刻大数据平台获取的电池soc值，并计算其真实soc差值，其中，任意两个时刻大数据平台获取的电池soc值计算方式为：
[0023][0024][0025]
soc
s
为充电结束时的真实soc，且soc
s
＝100％，soc
a1
为t1时刻大数据平台收集到的soc值，soc
a2
为t2时刻大数据平台收集到的soc值，i(t)为t时刻的电流大小，t
s
为充电soc＝soc
s
的时刻，c为充电电池的电池容量，i
i
为第i个采集点的电流，δt
i
为第i个采集时间间隔；
[0026]
s22、根据步骤s21得到的真实soc差值计算当前时间段所表示的充电电池的电池容量，计算方式为：
[0027][0028]
其中，c
i
为当前时间段所表示的充电电池的电池容量；
[0029]
s23、对当前充电过程进行滑窗得到多个电池容量，并经过箱型图提出异常值后求取平均值，得到当前充电阶段的电池容量，表示为：
[0030][0031]
其中，soc
r
为修正后的当前soc连续值，t
s
和t
r
为任意滑窗的时间取值上下限。
[0032]
s24、重复步骤s21
‑
s24，计算不同时刻的充电电池容量得到修正后的充电修正后的当前soc连续值，表示为：
[0033][0034]
其中，soc
r
为修正后的当前soc连续值。
[0035]
上述方案的有益效果是，滑窗均值处理，避免了一次处理造成的偶然情况，使电池容量c更加稳定且接近真实值；通过对soc修正，修正的最大误差为4.12％，soc精度可提高到0.001，同时避免了不同soc估算策略带来的后续建模误差问题。
[0036]
进一步的，所述步骤s23中，滑窗的大小选择为2％≤δsoc≤5％，滑窗的滑动范围为充电过程的25％
‑
95％。
[0037]
上述方案的有益效果是，2％
‑
5％区间依据实际充电范围进行确定，大充电范围取较大值，同理小充电范围取较小值，保证了滑窗数量以及充电间隔大小，滑窗范围为25％
‑
95％，避免了涓流充电的影响，电池容量c估算提高1.23ah。
[0038]
进一步的，所述步骤s3具体包括：
[0039]
s31、将步骤s2得到的当前soc连续值作为真实值序列，并对步骤s2得到的当前soc连续值进行归一化，得到soc时间序列；
[0040]
s32、对步骤s31得到的soc时间序列进行滑窗处理构建数据集；
[0041]
s33、将步骤s32构建的训练数据集输入lstm神经网络模型进行训练，利用训练好的模型对soc整体趋势进行趋势序列预测，得到当前时刻以后多个时刻soc预测值序列；
[0042]
s34、将步骤s31中的真实值序列与趋势预测序列相减，得到残差预测序列；
[0043]
s35、将步骤s34得到的残差预测序列作为真实值序列重复步骤s33
‑
s34，对当前时刻以后多个时刻的趋势序列进行修正，得到当前时刻以后多个时刻对应的soc预测值。
[0044]
上述方案的有益效果是，考虑了由于自回归导致的误差积累问题，模型既可以捕捉趋势项，同时学习了误差的变化趋势，较单一模型对比，最大预测误差的绝对值为由1.34％降低为0.0579％。
[0045]
进一步的，所述步骤s31中归一化的方法为：
[0046][0047]
其中，x’为归一化后的值，x
max
为数据当中的最大值，x
min
为数据当中的最小值。
[0048]
上述方案的有益效果是，输入可以控制在一定范围之内，模型可以更好的学习相关特征，归一化后模型较以前的模型平均绝对误差降低0.006％。
[0049]
进一步的，所述步骤s32中的构建数据集的具体方法为：
[0050]
s321、利用长度为n的滑窗提取soc时间序列的当前时刻前n个时刻数据；
[0051]
s322、将提取的n个时刻数据作为特征输入神经网络模型，预测下一个时刻soc值，并将其放置于soc时间序列后；
[0052]
s323、步骤s321中的滑窗以步长为1移动，并重复步骤s321
‑
s322，预测得到当前时刻之后多个时刻的soc值；
[0053]
s324、以经过步骤s323预测之后的soc时间序列为数据集。
[0054]
上述方案的有益效果是，通过滑窗取数据集进行自回归，模型学习soc自身的变化趋势，减少了对其他特征的依赖，使模型简单有效。
[0055]
进一步的，所述步骤s35中当前时刻以后多个时刻对应的soc预测值表示为：
[0056]
soc
ri
＝soc
pi
e
pi
；
[0057]
其中，soc
ri
为当前时刻以后时刻的soc预测值，soc
pi
为当前时刻以后时刻的趋势预测值，e
pi
为当前时刻以后时刻的残差序列值。
附图说明
[0058]
图1为本发明一种基于电动汽车充电大数据的荷电状态修正及预测方法流程示意
图。
[0059]
图2为本发明实施例充电开始和结束阶段修正曲线示意图。
[0060]
图3为本发明实施例soc修正前后对比示意图。
[0061]
图4为本发明实施例残差修正模型预测流程图。
[0062]
图5为本发明实施例单一lstm模型预测结果示意图。
[0063]
图6为本发明实施例单一lstm模型误差示意图。
[0064]
图7为本发明实施例残差修正模型预测结果示意图。
[0065]
图8为本发明实施例单一lstm模型原始误差和残差修正模型误差对比示意图。
具体实施方式
[0066]
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
[0067]
一种基于电动汽车充电大数据的荷电状态修正及预测方法，如图1所示，包括如下步骤：
[0068]
s1、获取电动汽车电池传感器充电数据并在大数据平台对其进行预处理；
[0069]
具体而言，在本实施例里，由于传感器在传输过程中可能出现的传输不稳定等问题，导致在大数据平台上收集的数据质量变差，因此需要对大数据平台收集的数据进行预处理，预处理过程包含了对时间序列的重构、异常值剔除以及空值的填充。
[0070]
s11、将获取充电数据按照采集时间顺序进行重新排序。
[0071]
大数据平台的数据存在时间乱序的情况，由于soc对于时间具有较强依赖性，因此必须将原始数据按照采集时间顺序进行重新排序，避免数据的混乱对建模的影响。
[0072]
s12、采用箱型图对重新排序后的充电数据进行异常值识别，剔除高于箱型图上限及低于箱型图下限的数据。
[0073]
在时间序列重构之后，采用了箱型图对重构数据进行了异常值识别,对在高于箱型图上边缘和低于箱型图下边缘的数据进行剔除。
[0074]
s13、对经过步骤s12处理后的充电数据进行空值填充。
[0075]
对于大数据平台的每条数据，如果特征数目缺失达到2/3，则将本条数据删除；对于每列特征，如果随机缺失在30％以下，采取均值填充，数据随机缺失在30％
‑
50％时采用随机森林算法填充，将缺失50％以上的特征舍弃，对于时间序列特征的随机缺失，因为其具有时间依赖性，可以采用前一时刻的值进行填充。
[0076]
s2、利用大数据平台对电池充电过程中的每一时刻的荷电状态soc值进行修正，得到修正之后的当前soc连续值；
[0077]
在本实施例里，电池容量在短时间内不会发生突变，因此在某个充电过程中，可以认为容量是个定值，在大数据平台当中，容量不作为参数进行上传统计，因此需要间接进行求出。实验车辆的动力电池为三元锂电池，在此认为电池充满的条件是电池处于恒压充电阶段且最高单体电池电压达到4.2v,此时充电结束的真实soc
s
＝100％。
[0078]
s21、获取充电过程中任意两个时刻大数据平台获取的电池soc值，并计算其真实
soc差值，其中，任意两个时刻大数据平台获取的电池soc值计算方式为：
[0079][0080][0081]
soc
s
为充电结束时的真实soc，且soc
s
＝100％，soc
a1
为t1时刻大数据平台收集到的soc值，soc
a2
为t2时刻大数据平台收集到的soc值，i(t)为t时刻的电流大小，t
s
为充电soc＝soc
s
的时刻，c为充电电池的电池容量，i
i
为第i个采集点的电流，δt
i
为第i个采集时间间隔；
[0082]
根据步骤s21得到的真实soc差值计算当前时间段所表示的充电电池的电池容量，计算方式为：
[0083][0084]
其中，c1为当前时间段所表示的充电电池的电池容量；
[0085]
s23、对当前充电过程进行滑窗得到多个电池容量，并经过箱型图提出异常值后求取平均值，得到当前充电阶段的电池容量，表示为：
[0086][0087]
其中，n表示滑窗之后所计算出的电池容量的个数；
[0088]
针对充电过程进行滑窗，选取δsoc＝2％,窗口，排除大窗口带来的干扰，又因为在soc过低时，电池性能会不稳定，影响计算结果，而当soc>95％时，电池处于涓流充电模式，因此滑动范围选取在25％
‑
95％范围。
[0089]
s24、重复步骤s21
‑
s24，计算不同时刻的充电电池容量得到修正后的充电修正后的当前soc连续值，表示为：
[0090][0091]
其中，soc
r
为修正后的当前soc连续值，t
s
和t
r
为任意滑窗移动之后的时刻上下限。
[0092]
s3、基于修正后的soc连续值，利用残差修正模型对电池的真实soc值进行预测。
[0093]
在本实施例里，大数据平台soc值的精确度为1％，因此存在多个时刻对应同一个soc值的现象，而soc预测本质是回归预测，多对一的情况对预测是不利的，因此在基于修正后的soc连续值，可以作为真实标签进行后续的建模预测。传统的时间序列建模，由于在训练模型时使用的是真实的soc值进行自回归，在多步的预测中会出现误差积累，从而导致了模型预测准确度的下降，本发明提出了残差修正模型，使用两个lstm神经网络分别对趋势预测和残差预测，对整体预测的结果进行了修正，从而在长时间预测情况下保持着较高的精度。残差修正模型预测主要包含四个阶段，数据集的构建、趋势预测、残差预测、最终结果输出。
[0094]
s31、将步骤s2得到的当前soc连续值作为真实值序列，并对步骤s1获取的充电数据进行归一化，得到soc时间序列；
[0095]
为了使得模型有较快的收敛速度，首先对原始数据进行了归一化处理，根据公式6，将原始数据映射到[0,1]之间,其中x’为归一化后的值，x
max
为数据当中的最大值，x
min
为数据当中的最小值。
[0096][0097]
s32、对步骤s31得到的soc时间序列进行滑窗处理构建数据集。
[0098]
soc对时间依赖性较强，在此将soc视为时间序列，对于时间序列采用历史数据对未来进行预测，所以进行滑窗处理构建数据集，假设滑动窗口的大小为n，滑动的步长为1，则通过之前的n个历史数据作为特征输入，对下一时刻的值进行预测，不断重复操作，构建出所需的数据集，为了验证模型的准确性，将最后的141时刻的值作为测试数据集，其余时刻数据作为训练数据集。
[0099]
具体方式为：
[0100]
s321、利用长度为n的滑窗提取soc时间序列的当前时刻前n个时刻数据；
[0101]
s322、将提取的n个时刻数据作为特征输入神经网络模型，预测下一个时刻soc值，并将其放置于soc时间序列后；
[0102]
s323、步骤s321中的滑窗以步长为1移动，并重复步骤s321
‑
s322，预测得到当前时刻之后多个时刻的soc值；
[0103]
s324、以经过步骤s323预测之后的soc时间序列为数据集。
[0104]
s33、将步骤s32构建的训练数据集输入lstm神经网络模型进行训练，利用训练好的模型对soc整体趋势进行趋势序列预测，得到当前时刻以后多个时刻soc预测值序列。
[0105]
将构建好的特征输入到lstm神经网络模型当中进行训练，对于前n个时刻，真实标签是修正后的soc
r
，见公式7，利用训练好的模型对soc整体趋势进行初步的预测，lstm网络包含输入层、隐藏层和输出层，为了防止过拟合，在隐藏层当中加入了dropout层，通过lstm模型即可初步预测出soc的整体趋势序列soc
p
，见公式8。
[0106]
soc
r
＝[soc
r1
,soc
r2
,
…
,soc
rn
]
ꢀꢀꢀ
(7)
[0107]
soc
p
＝[soc
p1
,soc
p2
,
…
,soc
pn
]
ꢀꢀꢀ
(8)
[0108]
s34、将步骤s31中的真实值序列与趋势预测序列相减，得到残差预测序列；
[0109]
通过趋势预测后可以得到对应时刻的soc预测值，因为在训练集上输入是真实值构建的数据集，而在以后的预测过程中，当前时刻的预测值则是通过前面时刻的预测值进行预测的，其中存在误差的累积，对此需要进行修正，根据公式9，将真实值序列soc
r
与趋势预测值soc
p
相减即可得到残差的序列值e
r
，并将其作为真实标签对接下来模型进行训练。
[0110]
e
r
＝[e
r1
,e
r2
,
…
,e
rn
]＝soc
r
‑
soc
p
ꢀꢀꢀ
(9)
[0111]
将e
r
做和soc
r
相同的数据处理，通过新的lstm模型，利用前面时刻的残差值对当前残差e
pi
进行预测，从而接下来对趋势序列进行修正。
[0112]
s35、将步骤s34得到的残差预测序列作为真实值序列重复步骤s33
‑
s34，对当前时刻以后多个时刻的趋势序列进行修正，得到当前时刻以后多个时刻对应的soc预测值。
[0113]
对于任意以后的i＝n 1时刻都有一个趋势预测值soc
pi
和一个残差预测值e
pi
，根据公式10，得到结果为soc
ri
。
[0114]
soc
ri
＝soc
pi
e
pi
ꢀꢀꢀ
(10)；
[0115]
其中，soc
ri
为当前时刻以后时刻的soc预测值，soc
pi
为当前时刻以后时刻的趋势预测值，e
pi
为当前时刻以后时刻的残差序列值。
[0116]
实验验证：
[0117]
本发明大数据平台实验数据来自某型号电动汽车，其动力电池为三元锂离子电池，选取某次充电过程，大数据平台收集到的充电soc值从20％
‑
100％，依据上述数据预处理过程，首先对数据依照采集时间进行排序，起始充电时间为2018年5月19日12时52分52秒，充电结束时间为2018年5月19日18时16分12秒，去掉了其中的负值等异常值。接着对当前充电容量进行修正，选取当前充电阶段25％≤soc≤95％的数据并以δsoc＝2％进行滑窗处理，进行安时积分，将不同滑窗得到的容量求均值得c＝195.31ah，然后对充电阶段的每一时刻都进行修正，图2是充电开始80s和结束前80s的soc修正值与原始soc值对比图，从图中可以看到，在开始阶段修正soc值要高于原始soc值，在结束阶段时刻二者趋于一致,图3是整个过程的soc值修正情况。
[0118]
残差修正模型预测的整体流程图如图4所示。为了模型效果对比，采用了单一lstm模型和残差修正模型分别进行了预测，单一lstm模型在测试集上的表现见图5，其相对于标签的预测误差见图6，可以看出，单一lstm模型可以预测出整体的趋势，但是随着时间的推移，误差在不断的累积，且呈现出增大的趋势，其在测试集上的平均误差为0.0107，最后时刻的误差绝对值最大，并且达到了0.0134。采用残差修正模型预测得到的结果见图7，可以看出，模型不仅很好的预测趋势，且随着时间的推移仍然能保持较高的预测精度，其在测试集上的平均误差为0.000480，且最大预测误差的绝对值为0.000579，图7对两模型的预测误差进行了对比，通过对比明显看出残差修正模型预测的效果要比单一lstm模型好。
[0119]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0120]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0121]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0122]
本发明中应用了具体实施例对本发明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发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，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发明的限制。
[0123]
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发
明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。