[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

说明书

本发明公开了一种基于大数据的电动汽车剩余充电时间预测方法。方法为：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；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；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。本发明提高了电动汽车剩余充电时间预测的准确度，改善了用户的体验，增强了电动汽车的竞争力。

技术领域

本发明涉及新能源BMS和大数据结合的技术领域，特别是一种基于大数据的电动汽车剩余充电时间预测方法。

背景技术

电池管理系统BMS，是新能源汽车控制的大脑，汽车能够安全、有效使用关键。目前BMS的各项技术指标越来成熟，但是对充电时间预测功能依然非常粗糙。常用的剩余时间预测方法，基于SOC、充电电流来简单估算充电剩余时间，该方法过于简单，误差较大。

充电时间预测准确性被厂家忽视，原因主要有两个：其一是充电剩余时间和功能安全无关，其准确性也并没有在国标中体现；其二是除了SOC和充电电流外，电池老化程度、电池温度、外界温度、快慢充策略，电池SOC的一致性等许多因素会对充电时间产生影响，但是这些因素如何影响，影响的程度有多大，很难用实验的方式得到结果，因此无法建立有效的函数预测模型。

发明内容

本发明的目的在于提供一种准确度高、时效性强的基于大数据的电动汽车剩余充电时间预测方法。

实现本发明目的的技术解决方案为：一种基于大数据的电动汽车剩余充电时间预测方法，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。

进一步地，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、将特征信息电池SOC、循环次数、电池温度、外界温度、快充或慢充的标志位上传到云端；

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。

进一步地，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，包括电池SOC、循环次数、电池温度、外界温度、快慢充的标志位，以及充电到80％的真实时间、充满的真实时间，上传到大数据系统。

进一步地，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：