[发明专利]一种基于大数据的电动汽车剩余充电时间预测方法

权利要求书

1.一种基于大数据的电动汽车剩余充电时间预测方法，其特征在于，包括以下步骤：

步骤1、开始充电时，汽车将特征信息上传到大数据系统，预测模型进行剩余充电时间预测，向车辆反馈充满剩余时间和充电到80%剩余时间；

步骤2、充电过程中，累计充电时间；充电完成后，车辆将真实充电时间上传到大数据系统；

步骤3、每月从大数据系统中，筛选数据样本，将样本随机划分为训练数据集、验证数据集A和验证数据集B，利用训练样本训练多个机器学习模型，利用验证数据集A和验证数据集B验证训练好的模型，根据验证结果综合评价，选取最佳的预测模型；

步骤1所述的开始充电时，汽车将特征信息上传到大数据系统，预测模型进行剩余充电时间预测，向车辆反馈充满剩余时间和充电到80%剩余时间，具体如下：

步骤1.1、当刚开始充电时，利用BMS系统采集电池信息、周围环境信息；

步骤1.2、将电池SOC、循环次数、电池温度、外界温度、快充或慢充的标志位这些特征信息全部上传到云端；

步骤1.3、将数据处理为模型输入的形式；

步骤1.4、通过最佳预测模型预测充电剩余时间、充电到SOC=80%所需时间；

步骤1.5、将预测的结果传递给电池管理系统，由电池管理系统显示；

步骤2所述的充电过程中，累计充电时间；充电完成后，车辆将真实充电时间上传到大数据系统，具体如下：

步骤2.1、充电过程中，BMS累计充电时间；

步骤2.2、充电完成后，将充电初期的特征信息全部上传到大数据系统，充电初期的特征信息包括电池SOC、循环次数、电池温度、外界温度、快充或慢充的标志位，以及充电到80%的真实时间、充满的真实时间；

步骤3所述的每月从大数据系统中，筛选数据样本，将样本随机划分为训练数据集、验证数据集A和验证数据集B，利用训练样本训练多个机器学习模型，利用验证数据集A和验证数据集B验证训练好的模型，根据验证结果综合评价，选取最佳的预测模型，具体如下：

步骤3.1、每月根据数据训练一次预测模型；

步骤3.2、对上传的数据进行筛选，选取一年以内数据，通过下采样或过采样方式，确保数据在不同循环次数区间内平衡分布；

使用筛选模块，首先剔除一年前的数据，统计不同循环次数区间的数据数量，对不同区间采用下采样或过采样的方式，使得训练数据在循环次数特征尺度上均衡分布；

步骤3.3、将样本数据进行处理，随机划分为训练集和验证集A，同时从最近一个月的数据中，随机提取一定比例的数据作为验证集B；

步骤3.4、利用训练数据训练多个模型，分别采用训练集在验证集A和验证集B进行验证，计算其准确度Ea、Eb，按照相同的权重比例得到最终的准确度E=0.5*Ea+0.5*Eb；

步骤3.5、选择准确度E作为最佳预测模型的最终判断标准。