(19)中华人民共和国国家知识产权局
(12)发明专利
(10)授权公告号 (45)授权公告日 (21)申请号 202111184129.9
(22)申请日 2021.10.11
(65)同一申请的已公布的文献号
申请公布号 CN 113625175 A
(43)申请公布日 2021.11.09
(73)专利权人 北京理工大学深圳汽车研究院
研究院）
地址 518000 广东省深圳市坪山区坪山街
道坪山大道2007号创新广场A座19层
(72)发明人 王文伟 陈填 魏波
(74)专利代理机构 深圳鼎合诚知识产权代理有
限公司 44281
代理人 郭燕 彭家恩
(51)Int.Cl.G01R 31/382(2019.01)G01R 31/367(2019.01)G06K 9/62(2022.01)H01M 10/48(2006.01)审查员 王灿明
(54)发明名称一种基于云端大数据平台的SOC估算方法和系统(57)摘要本申请公开了一种基于云端大数据平台的SOC估算方法，首先接收电动车上传的车端电池数据，并对该车端电池数据进行预处理；然后依据预处理后的车端电池数据确定电动车的SOC估算类型，其中，每种SOC估算类型对应一种SOC估算算法；再依据电动车的SOC估算类型所对应的SOC估算算法获取电动车的云端计算SOC值和SOC 修正系数，然后将获取的SOC估算算法、云端计算SOC值和SOC修正系数发送给电动车。通过云端大数据平台来计算电动车的SOC值，并可以实现在整车工况满足的情况下修正整车端的SOC值，不但可以简化电动车BMS端算法，以减少相应的存储空间，还可以通过完善云端大数据平台的SOC 估算算法来实现维护电动车端的SOC估算算法， 以简化电动车的售后服务流程。权利要求书3页 说明书9页 附图2页CN 113625175 B 2022.03.25
C N 113625175
B
1.一种基于云端大数据平台的SOC估算方法，其特征在于，包括：
接收电动车上传的车端电池数据；
对所述车端电池数据进行预处理；
依据预处理后的所述车端电池数据确定所述电动车的SOC估算类型；每种所述SOC估算类型对应一种SOC估算算法；
依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数；
将获取的所述SOC估算算法、云端计算SOC值和SOC修正系数发送给所述电动车；
所述车端电池数据包括每个充放电循环的采集时间、电池充放电电流、单体电压、单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池故障信息和车端计算的SOC值；
所述对所述车端电池数据进行预处理，包括：
对所述车端电池数据进行数据清洗，并获取数据清洗的比例值；
依据所述数据清洗的比例值获取所述车端电池数据的置信度；
依据所述车端电池数据的置信度确定所述车端电池数据的有效性；
所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，包括：
每种所述SOC估算类型对应所述电动车的车载电池的一种工作状态；所述车载电池的工作状态包括充电和放电；
通过综合算法获取所述电动车的云端计算SOC值，所述综合算法是将每种所述SOC估算算法获取的SOC值与该算法预设的算法比例的乘积求和，并将该和作为所述电动车的云端计算SOC值；其中，每种所述SOC估算算法的算法比例之和为1；
所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，所述当前车端电池数据是所述电动车最后一次上传的所述车端电池数据，所述历史车载数据是历史上预先存储的所述车端电池数据；
所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，包括：
分别将依据所述当前车端电池数据和所述历史车载数据获取的SOC值与各自预设的权重值求积后再求和，并将获取的和作为该SOC估算算法获取的SOC值；所述预设的权重值与所述当前车端电池数据的数据清洗的比例值相关；
其中，所述预设的权重值与所述当前车端电池数据的数据清洗的比例值相关，包括：当所述数据清洗的比例值不大于2%时，所述当前车端电池数据的权重为80%，所述历史车载数据的权重为20%；
当所述数据清洗的比例值大于2%，且不大于5%时，所述当前车端电池数据的权重为60%，所述历史车载数据的权重为40%；
当所述数据清洗的比例值大于5%时，所述当前车端电池数据的权重为50%，所述历史车载数据的权重为50%。
2.如权利要求1所述的方法，其特征在于，对所述车端电池数据进行预处理，包括：
对所述车端电池数据进行空余赋值、错值去除和/或交叉检验；
所述空余赋值用于对所述车端电池数据在采集和/或传输过程中因发生掉包或采集失
败而产生的缺失进行赋值；
所述错值去除用于删除所述车端电池数据中大于一第一预设阈值的数据，和/或用于纠正所述车端数据中小于一第二预设阈值的数据；
所述交叉检验用于将所述车端电池数据与预先存储的历史车端电池数据进行交叉校验，以校正和/或删除所述车端电池数据。
3.如权利要求1所述的方法，其特征在于，所述依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，包括：所述SOC修正系数依据所述车端计算的SOC值和所述云端计算SOC值获取；
当所述车端计算的SOC值大于所述云端计算SOC值，且所述电动车的车载电池电流为放电电流时，所述SOC修正系数为向下大于1的值；
当所述车端计算的SOC值大于所述云端计算SOC值，且所述电动车的车载电池电流为充电电流时，所述SOC修正系数为向上小于1的值；
当所述车端计算的SOC值小于所述云端计算SOC值，且所述电动车的车载电池电流为放电电流时，所述SOC修正系数为向下小于1的值；
当所述车端计算的SOC值小于所述云端计算SOC值，且所述电动车的车载电池电流为充电电流时，所述SOC修正系数为向上大于1的值。
4.一种计算机可读存储介质，其特征在于，所述介质上存储有程序，所述程序能够被处理器执行以实现如权利要求1‑3中任一项所述的方法。
5.一种基于云端大数据平台的SOC估算系统，其特征在于，包括：
云端大数据平台，用于获取电动车上传的车端电池数据，并依据所述车端电池数据获取所述电动车的SOC估算方法和SOC修正系数，再将获取的所述SOC估算方法、云端计算SOC 值和SOC修正系数发送给所述电动车，以用于更新所述电动车的 SOC估算方法和SOC修正系数；其中，所述车端电池数据包括所述电动车的ID、每次充放电循环的采集时间、电池充放电电流、电池单体电压、电池单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池历史故障信息、所述电动车的SOC估算方法和SOC值；
所述云端大数据平台包括数据获取模块、数据预处理模块、数据分类模块、估算获取模块和更新数据发送模块；
所述数据获取模块用于接收所述电动车上传的所述车端电池数据；
所述数据预处理模块用于对所述车端电池数据进行数据清洗并获取数据清洗的比例值，还用于对所述车端电池数据进行空余赋值、错值去除和/或交叉检验后发送给所述数据分类模块；
所述数据分类模块用于依据所述车端电池数据确定所述电动车的SOC估算类型；其中，每种所述SOC估算类型对应一种SOC估算算法；
所述估算获取模块用于依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数，包括：
每种所述SOC估算类型对应所述电动车的车载电池的一种工作状态；所述车载电池的工作状态包括充电和放电；
通过综合算法获取所述电动车的云端计算SOC值，所述综合算法是将每种所述SOC估算算法获取的SOC值与该算法预设的算法比例的乘积求和，并将该和作为所述电动车的云端
计算SOC值；其中，每种所述SOC估算算法的算法比例之和为1；
所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，所述当前车端电池数据是所述电动车最后一次上传的所述车端电池数据，所述历史车载数据是历史上预先存储的所述车端电池数据；
所述SOC估算算法依据当前车端电池数据和历史车载数据获取SOC值，包括：
分别将依据所述当前车端电池数据和所述历史车载数据获取的SOC值与各自预设的权重值求积后再求和，并将获取的和作为该SOC估算算法获取的SOC值；所述预设的权重值与所述当前车端电池数据的数据清洗的比例值相关；
其中，所述预设的权重值与所述当前车端电池数据的数据清洗的比例值相关，包括：当所述数据清洗的比例值不大于2%时，所述当前车端电池数据的权重为80%，所述历史车载数据的权重为20%；
当所述数据清洗的比例值大于2%，且不大于5%时，所述当前车端电池数据的权重为60%，所述历史车载数据的权重为40%；
当所述数据清洗的比例值大于5%时，所述当前车端电池数据的权重为50%，所述历史车载数据的权重为50%；
所述更新数据发送模块用于将获取的所述SOC估算算法、云端计算SOC值和SOC修正系数发送给所述电动车。
一种基于云端大数据平台的SOC估算方法和系统技术领域
[0001]本发明涉及新能源汽车电池管理及控制器技术领域，具体涉及一种基于云端大数据平台的SOC估算方法和系统。
背景技术
[0002]电池作为新能源汽车的核心部件，其主要给新能源汽车提供电能，但是由于电池剩余电量不能够准确预估，使得驾驶员无法在当前剩余电量下确定新能源车能够行驶的里程；尤其是当电量较低时，这种问题更严重，驾驶员普遍存在里程焦虑问题。电池剩余电量的预估不准确，主要原因包括：1）由于每个电池组的物理特性存在差异、使用者的充电习惯(充电次数和充电方式)不同、实际新能源
车行驶的工况(包含有负载、路面状况、外界温度)等差异；2）由于电池本身的电池荷电状态(State of Charge , SOC)曲线的获得是来自于电池化学特性模型，其自身化学模型本身不准确，从而使得新能源车的驾驶员无法实时获得准确的电量与当前驾驶路面的能够行驶的，特别是当电池处于不同温度或不同寿命时期，尽管开路电压一样，但实际上的SOC估计值则差别较大。
[0003]目前，SOC预测都是由电池的管理系统(Battery Management System，BMS)完成，其预测方法有安时积分法、开路电压法、负载电压法、卡尔曼滤波法以及人工神经网络法。这些方法都是基于已有的电池化学充放电模型来进行，在预测的时候，仅是大致通过模型估算从而给出曲线，未考虑到实际每个新能源车的已有状态(新能源车的前期使用状态)与当前工作状态来进行估算，使得存在SOC曲线估计不准确。还有就是汽车上的电池管理系统BMS中电池荷电状态SOC估算前期标定复杂，出厂后因算法不可更改而导致SOC估算误差增大的技术问题。
发明内容
[0004]在本发明主要解决的技术问题是现有技术中电动车因算法不可更改而导致SOC估算误差增大的技术问题。
[0005]第一方面，一种实施例中提供一种基于云端大数据平台的SOC估算方法，包括：
[0006]接收电动车上传的车端电池数据；
[0007]对所述车端电池数据进行预处理；
[0008]依据预处理后的所述车端电池数据确定所述电动车的SOC估算类型；每种所述SOC 估算类型对应一种SOC估算算法；
[0009]依据所述电动车的SOC估算类型所对应的所述SOC估算算法获取所述电动车的云端计算SOC值和SOC修正系数；
[0010]将获取的所述SOC估算算法、云端计算SOC值和SOC修正系数发送给所述电动车。
[0011]一实施例中，所述车端电池数据包括每个充放电循环的采集时间、电池充放电电流、单体电压、单体温度、电池当前累计循环次数、电池容量变化、电池出厂信息、电池故障信息和/或车端计算的SOC值。
说 明 书
1/9页CN 113625175 B
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议