基于深度学习的动力电池荷电续航预测方法、系统及终端

1.本发明涉及动力电池技术领域，更具体地说，它涉及基于深度学习的动力电池荷电续航预测方法、系统及终端。


背景技术：

2.电池荷电状态是指电池使用一段时间后剩余电量与未使用前的容量的比值，由于电池剩余电量不能直接测量，只能通过电池电压、放电电流等参数进行估算，而这些参数还会受到电池表面温度变化及汽车行驶状态等多种不确定因素的影响，所以对电池电量情况进行准确估算是当前的研究重点。
3.为此，现有技术中记载有通过模拟采集不同车辆驾驶习惯情况下车辆电池的状态信息，并依据状态信息来构建基于深度学习的预测模型，从而实现电池电量情况的估算。然而，上述预测模型仅能实现对当前时间的电池电量情况估算，对于新能源汽车的动力电池续航里程需要结合电池剩余电量和单位里程所需的标准能耗进行计算得到，而新能源车辆在实际行驶过程中单位里程所需的标准能耗受导航路径中的路况影响，例如限速、道理拥堵以及红绿灯等路况，所以直接采用单位里程所需的标准能耗难以准确的得到动力电池荷电续航预测结果，无法为新能源汽车导航驾驶提供可靠的参考，存在车辆电池没有及时充电而无法正常行驶的情况。
4.因此，如何研究设计一种能够克服上述缺陷的基于深度学习的动力电池荷电续航预测方法、系统及终端是我们目前急需解决的问题。


技术实现要素：

5.为解决现有技术中的不足，本发明的目的是提供基于深度学习的动力电池荷电续航预测方法、系统及终端，以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测。
6.本发明的上述技术目的是通过以下技术方案得以实现的：第一方面，提供了基于深度学习的动力电池荷电续航预测方法，包括以下步骤：获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个
路段的电量消耗差异参数；依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
7.进一步的，所述历史状态数据包括电池电流、电池电压、电池温度以及电池消耗电量随时间变化的数据；其中，电池电流、电池电压和电池温度构成输入向量，电池消耗电量为标签。
8.进一步的，所述实时消耗电量的估算过程具体为：实时状态数据包括电池电流、电池电压以及电池温度随时间变化的数据；实时状态数据输入深度神经网络模型后，输出得到起始阶段各个时刻的估算消耗电量；对各个时刻的估算消耗电量进行累计求和，得到目标电池在起始阶段的实时消耗电量。
9.进一步的，所述电量消耗差异参数的确定过程具体为：针对单个参考电池，依据历史消耗电量确定导航路径中各个路段的路段消耗电量；以各个路段的路段消耗电量与第一个路段的路段消耗电量之比计算得到各个路段的电量消耗差异比值；依据所有参考电池在同一路段的电量消耗差异比值的均值确定对应路段的电量消耗差异参数。
10.进一步的，所述电量消耗差异参数的计算公式具体为：；其中，表示第个路段的路段消耗电量；表示历史消耗电量中位于里程数处的消耗电量，为单个路段的里程数；表示历史消耗电量中位于里程数处的消耗电量；表示第个路段的路段消耗电量；表示第个路段的电量消耗差异比值；表示第个路段的电量消耗差异参数；表示参考电池的数量；表示第个参考电池中第个路段的电量消耗差异比值。
11.进一步的，所述电量消耗差异参数的计算公式具体为：
；其中，表示第个路段的路段消耗电量；表示历史消耗电量中位于里程数处的消耗电量，为单个路段的里程数；表示历史消耗电量中位于里程数处的消耗电量；表示第个路段的路段消耗电量；表示第个路段的电量消耗差异比值；表示参考电池的数量；表示第个参考电池中第个路段的电量消耗差异比值；表示所有参考电池在第个路段的电量消耗差异比值的均值；表示第个路段的电量消耗差异参数；表示比值波动幅度阈值；表示满足比值波动幅度阈值的参考电池数量；表示第个参考电池中第个路段的电量消耗差异比值。
12.进一步的，所述预测消耗电量的计算过程具体为：确定起始阶段中所覆盖路段的段数，并以目标电池的实时消耗电量与段数之比确定起始阶段中单路段的实时消耗电量；依据起始阶段中所覆盖路段的电量消耗差异参数进行加权平均计算，得到起始阶段中单路段的电量消耗差异参数；以各个路段的电量消耗差异参数与起始阶段中单路段的电量消耗差异参数之比计算得到参数比值；以起始阶段中单路段的电量消耗差异参数与参数比值之积计算得到各个路段的预测消耗电量。
13.进一步的，所述续航结果的预测分析过程具体为：若各个路段的预测消耗电量以及实时消耗电量之和大于或等于初始剩余电量，则输出目标电池供应目标车辆进行导航行驶所能达到的地点；若各个路段的预测消耗电量以及实时消耗电量之和小于初始剩余电量，则输出目标电池供应目标车辆完成导航行驶后的最终剩余电量。
14.第二方面，提供了基于深度学习的动力电池荷电续航预测系统，包括：信息获取模块，用于获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；模型构建模块，用于获取目标电池在车辆行驶过程中进行放电的历史状态数据，
并依据历史状态数据训练构建深度神经网络模型；数据采集模块，用于采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；差异参考模块，用于从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；续航预测模块，用于依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
15.第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的基于深度学习的动力电池荷电续航预测方法。
16.与现有技术相比，本发明具有以下有益效果：1、本发明提供的基于深度学习的动力电池荷电续航预测方法，以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测；2、本发明直接采集目标电池在车辆行驶过程中进行放电的历史状态数据作为样本数据来训练构建深度神经网络模型，无需考虑由驾驶员所引起的车辆驾驶习惯对电池电量情况估算的影响，所需样本数据相对较少；3、本发明在电量消耗差异参数计算过程中，依据比值波动幅度阈值将部分存在异常波动的电量消耗差异比值进行过滤，提高了所计算的电量消耗差异参数的准确性；4、本发明依据起始阶段所覆盖的路段情况来实现实时消耗电量和电量消耗差异参数在起始阶段与路段之间的转换，可以随着实时导航信息的更新动态进行动力电池荷电续航预测。
附图说明
17.此处所说明的附图用来提供对本发明实施例的进一步理解，构成本技术的一部分，并不构成对本发明实施例的限定。在附图中：图1是本发明实施例1中的流程图；图2是本发明实施例2中的系统框图。
具体实施方式
18.为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
19.实施例1：基于深度学习的动力电池荷电续航预测方法，如图1所示，包括以下步
骤：步骤s1：获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；实时导航信息包括起始点和中间路径等信息；步骤s2：获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；步骤s3：采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；步骤s4：从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；历史消耗电量是以起始点为0值且随着时间逐渐累积的累积值；步骤s5：依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
20.在本实施例中，历史状态数据包括但不限于电池电流、电池电压、电池温度以及电池消耗电量随时间变化的数据；其中，电池电流、电池电压和电池温度构成输入向量，电池消耗电量为标签。需要说明的是，历史状态数据可以采用实时采样获得；历史状态数据也可以采用间隔采样获得，但需要对获得的数据进行拟合。
21.实时消耗电量的估算过程具体为：实时状态数据包括电池电流、电池电压以及电池温度随时间变化的数据；实时状态数据输入深度神经网络模型后，输出得到起始阶段各个时刻的估算消耗电量；对各个时刻的估算消耗电量进行累计求和，得到目标电池在起始阶段的实时消耗电量。
22.在本实施例中，电量消耗差异参数的确定过程具体为：针对单个参考电池，依据历史消耗电量确定导航路径中各个路段的路段消耗电量；以各个路段的路段消耗电量与第一个路段的路段消耗电量之比计算得到各个路段的电量消耗差异比值；依据所有参考电池在同一路段的电量消耗差异比值的均值直接或间接确定对应路段的电量消耗差异参数。
23.若依据所有参考电池在同一路段的电量消耗差异比值的均值直接确定对应路段的电量消耗差异参数，则电量消耗差异参数的计算公式具体为：；其中，表示第个路段的路段消耗电量；表示历史消耗电量中位于里程数处的消耗电量，为单个路段的里程数；表示历史消耗电量中位于
里程数处的消耗电量；表示第个路段的路段消耗电量；表示第个路段的电量消耗差异比值；表示第个路段的电量消耗差异参数；表示参考电池的数量；表示第个参考电池中第个路段的电量消耗差异比值。
24.若以所有参考电池在同一路段的电量消耗差异比值的均值间接确定对应路段的电量消耗差异参数，则电量消耗差异参数的计算公式具体为：；其中，表示第个路段的路段消耗电量；表示历史消耗电量中位于里程数处的消耗电量，为单个路段的里程数；表示历史消耗电量中位于里程数处的消耗电量；表示第个路段的路段消耗电量；表示第个路段的电量消耗差异比值；表示参考电池的数量；表示第个参考电池中第个路段的电量消耗差异比值；表示所有参考电池在第个路段的电量消耗差异比值的均值；表示第个路段的电量消耗差异参数；表示比值波动幅度阈值；表示满足比值波动幅度阈值的参考电池数量；表示第个参考电池中第个路段的电量消耗差异比值。
25.预测消耗电量的计算过程具体为：确定起始阶段中所覆盖路段的段数，并以目标电池的实时消耗电量与段数之比确定起始阶段中单路段的实时消耗电量；依据起始阶段中所覆盖路段的电量消耗差异参数进行加权平均计算，得到起始阶段中单路段的电量消耗差异参数；以各个路段的电量消耗差异参数与起始阶段中单路段的电量消耗差异参数之比计算得到参数比值；以起始阶段中单路段的电量消耗差异参数与参数比值之积计算得到各个路段的预测消耗电量。
26.例如，将导航路径划分为每10公里为一段的多个路段，对应的前面四个路段的电量消耗差异参数分别为1、1.1、1.0、0.9。若起始阶段总长度为25公里，那么段数为2.5，起始阶段中单路段的电量消耗差异参数则为：（1*0.4+1.1*0.4+1.0*0.2）=1.04。需要说明的是，起始阶段也可以直接选用第一个路段，其计算过程更为简单。
27.续航结果的预测分析过程具体为：若各个路段的预测消耗电量以及实时消耗电量之和大于或等于初始剩余电量，则输出目标电池供应目标车辆进行导航行驶所能达到的地
点；若各个路段的预测消耗电量以及实时消耗电量之和小于初始剩余电量，则输出目标电池供应目标车辆完成导航行驶后的最终剩余电量。
28.实施例2：基于深度学习的动力电池荷电续航预测系统，如图2所示，包括信息获取模块、模型构建模块、数据采集模块、差异参考模块和续航预测模块。
29.其中，信息获取模块，用于获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；模型构建模块，用于获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；数据采集模块，用于采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；差异参考模块，用于从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；续航预测模块，用于依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。
30.工作原理：本发明以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测；此外，本发明直接采集目标电池在车辆行驶过程中进行放电的历史状态数据作为样本数据来训练构建深度神经网络模型，无需考虑由驾驶员所引起的车辆驾驶习惯对电池电量情况估算的影响，所需样本数据相对较少。
31.以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于深度学习的动力电池荷电续航预测方法，其特征是，包括以下步骤：获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。2.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述历史状态数据包括电池电流、电池电压、电池温度以及电池消耗电量随时间变化的数据；其中，电池电流、电池电压和电池温度构成输入向量，电池消耗电量为标签。3.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述实时消耗电量的估算过程具体为：实时状态数据包括电池电流、电池电压以及电池温度随时间变化的数据；实时状态数据输入深度神经网络模型后，输出得到起始阶段各个时刻的估算消耗电量；对各个时刻的估算消耗电量进行累计求和，得到目标电池在起始阶段的实时消耗电量。4.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述电量消耗差异参数的确定过程具体为：针对单个参考电池，依据历史消耗电量确定导航路径中各个路段的路段消耗电量；以各个路段的路段消耗电量与第一个路段的路段消耗电量之比计算得到各个路段的电量消耗差异比值；依据所有参考电池在同一路段的电量消耗差异比值的均值确定对应路段的电量消耗差异参数。5.根据权利要求4所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述电量消耗差异参数的计算公式具体为：；
其中，表示第个路段的路段消耗电量；表示历史消耗电量中位于里程数处的消耗电量，为单个路段的里程数；表示历史消耗电量中位于里程数处的消耗电量；表示第个路段的路段消耗电量；表示第个路段的电量消耗差异比值；表示第个路段的电量消耗差异参数；表示参考电池的数量；表示第个参考电池中第个路段的电量消耗差异比值。6.根据权利要求4所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述电量消耗差异参数的计算公式具体为：；其中，表示第个路段的路段消耗电量；表示历史消耗电量中位于里程数处的消耗电量，为单个路段的里程数；表示历史消耗电量中位于里程数处的消耗电量；表示第个路段的路段消耗电量；表示第个路段的电量消耗差异比值；表示参考电池的数量；表示第个参考电池中第个路段的电量消耗差异比值；表示所有参考电池在第个路段的电量消耗差异比值的均值；表示第个路段的电量消耗差异参数；表示比值波动幅度阈值；表示满足比值波动幅度阈值的参考电池数量；表示第个参考电池中第个路段的电量消耗差异比值。7.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述预测消耗电量的计算过程具体为：确定起始阶段中所覆盖路段的段数，并以目标电池的实时消耗电量与段数之比确定起始阶段中单路段的实时消耗电量；依据起始阶段中所覆盖路段的电量消耗差异参数进行加权平均计算，得到起始阶段中单路段的电量消耗差异参数；以各个路段的电量消耗差异参数与起始阶段中单路段的电量消耗差异参数之比计算得到参数比值；以起始阶段中单路段的电量消耗差异参数与参数比值之积计算得到各个路段的预测
消耗电量。8.根据权利要求1所述的基于深度学习的动力电池荷电续航预测方法，其特征是，所述续航结果的预测分析过程具体为：若各个路段的预测消耗电量以及实时消耗电量之和大于或等于初始剩余电量，则输出目标电池供应目标车辆进行导航行驶所能达到的地点；若各个路段的预测消耗电量以及实时消耗电量之和小于初始剩余电量，则输出目标电池供应目标车辆完成导航行驶后的最终剩余电量。9.基于深度学习的动力电池荷电续航预测系统，其特征是，包括：信息获取模块，用于获取目标车辆的实时导航信息以及目标车辆所配置目标电池的初始剩余电量；模型构建模块，用于获取目标电池在车辆行驶过程中进行放电的历史状态数据，并依据历史状态数据训练构建深度神经网络模型；数据采集模块，用于采集目标电池在实时导航信息所对应导航路径的起始阶段中的实时状态数据，并将实时状态数据输入深度神经网络模型估算得到目标车辆完成起始阶段行驶的过程中目标电池的实时消耗电量；差异参考模块，用于从数据库中筛选出与实时导航信息具有同一导航路径的参考车辆所对应的参考电池，并依据所有参考电池在导航路径中随里程变化的历史消耗电量确定导航路径中各个路段的电量消耗差异参数；续航预测模块，用于依据实时消耗电量和电量消耗差异参数计算得到目标电池在导航路径中各个路段的预测消耗电量，并结合初始剩余电量预测得到目标电池供应目标车辆进行导航行驶的续航结果。10.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-8中任意一项所述的基于深度学习的动力电池荷电续航预测方法。

技术总结
本发明公开了基于深度学习的动力电池荷电续航预测方法、系统及终端，涉及动力电池技术领域，其技术方案要点是：本发明直接采集目标电池在车辆行驶过程中进行放电的历史状态数据作为样本数据来训练构建深度神经网络模型，无需考虑由驾驶员所引起的车辆驾驶习惯对电池电量情况估算的影响，所需样本数据相对较少；且以目标车辆在导航路径中行驶一段距离后所得到的实时消耗电量为基础，再以其他参考车辆中参考电池的电量消耗作为参考数据，预测分析得到导航路径中各个路段的预测消耗电量，在考虑道路路况和驾驶习惯的影响因素情况下，从全局实现了针对实时导航信息的动力电池荷电续航预测。续航预测。续航预测。


技术研发人员：陈超 李振华 魏杰 李颢
受保护的技术使用者：四川轻化工大学
技术研发日：2023.07.13
技术公布日：2023/8/14