电池的剩余充电时间的确定方法、装置、存储介质和车辆与流程

1.本发明涉及电池领域，具体而言，涉及一种电池的剩余充电时间的确定方法、装置、存储介质和车辆。


背景技术：

2.目前，在当前的电池的剩余充电时间的计算方法中，通常是采用基于充电电流和电池充电状态(state of charge，简称为soc)的计算方法、基于历史充电数据的加权计算方法和基于反向传播(back propagation，简称为bp)神经网络智能的算法，但是采用基于充电电流和soc的计算方法在充电电流变化较大的充电阶段计算误差较大，采用基于历史充电数据的加权计算方法在读取存储发生故障时无法实现计算剩余充电时间的功能，采用基于bp神经网络智能的算法在电池温度变化较大时其计算误差也相应地增大，从而导致确定电池的剩余充电时间的局限性大的技术问题。
3.针对上述确定电池的剩余充电时间的局限性大的技术问题，目前尚未提出有效的解决方案。


技术实现要素：

4.本发明实施例提供了一种电池的剩余充电时间的确定方法、装置、存储介质和车辆，以至少解决确定电池的剩余充电时间的局限性大的技术问题。
5.根据本发明实施例的一个方面，提供了一种电池的剩余充电时间的确定方法。该方法可以包括：分别获取电池在不同历史充电阶段的温度变化数据；在温度变化数据中，确定电池的目标温度变化数据，其中，目标温度变化数据包括稳定变化的温度数据或非稳定变化的温度数据；基于目标温度变化数据，确定剩余充电时间。
6.可选地，在温度变化数据中，确定电池的目标温度变化数据，包括：对温度变化数据进行识别，得到与电池的温度变化对应的目标阶段，其中，目标阶段包括：与稳定变化的温度数据对应的阶段和与非稳定变化的温度数据对应的阶段；在与稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第一目标温度变化数据，并在与非稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第二目标温度变化数据。
7.可选地，在与稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第一目标温度变化数据，包括：在与稳定变化的温度数据对应的阶段，对温度变化数据进行平滑处理，得到第一温度变化数据；确定与第一温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；将一阶梯度温度变化数据和二阶梯度温度变化数据确定为第一目标温度变化数据。
8.可选地，在与非稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第二目标温度变化数据，包括：在与非稳定变化的温度数据对应的阶段，对温度变化数据进行平滑处理，得到第二温度变化数据；确定与第二温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；将一阶梯度温度变化数据和二阶梯度温度变化数据确定
为第二目标温度变化数据。
9.可选地，基于目标温度变化数据，确定剩余充电时间，包括：基于第一目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据，或，基于第二目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据；基于温度变化数据和电量变化数据，确定剩余充电时间。
10.可选地，基于温度变化数据和电量变化数据，确定剩余充电时间，还包括：将温度变化数据和电量变化数据输入至第一目标模型中进行预测，得到电池在目标充电阶段的剩余充电时间，其中，第一目标模型为通过对基于学习机的神经网络进行训练而得到的；或，将温度变化数据和电量变化数据输入至第二目标模型中进行预测，得到电池在目标充电阶段的剩余充电时间，其中，第二目标模型为通过对基于长短时记忆的神经网络进行训练而得到的。
11.根据本发明实施例的一个方面，提供了一种电池的剩余充电时间的确定装置。该装置可以包括：获取单元，用于分别获取电池在不同历史充电阶段的温度变化数据；第一确定单元，用于在温度变化数据中，确定电池的目标温度变化数据，其中，目标温度变化数据包括稳定变化的温度数据或非稳定变化的温度数据；第二确定单元，用于基于目标温度变化数据，确定剩余充电时间。
12.根据本发明实施例的另一方面，还提供了一种计算机可读存储介质。该计算机可读存储介质包括存储的程序，其中，在程序运行时控制计算机可读存储介质所在设备执行本发明实施例的电池的剩余充电时间的确定方法。
13.根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序被该处理器运行时执行本发明实施例的电池的剩余充电时间的确定方法。
14.根据本发明实施例的另一方面，还提供了一种车辆，车辆用于执行本发明实施例的电池的剩余充电时间的确定方法。
15.在本发明实施例中，分别获取电池在不同历史充电阶段的温度变化数据，在温度变化数据中，确定电池的目标温度变化数据，也即，确定稳定变化的温度数据或非稳定变化的温度数据，根据稳定变化的温度数据或非稳定变化的温度数据，可以确定电池的剩余充电时间，从而达到了可以分阶段使用不同的神经网络模型来计算电池的剩余充电时间的目的，进而解决了确定电池的剩余充电时间的局限性大的技术问题，实现了可以降低电池的剩余充电时间的局限性的技术效果。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明实施例的一种电池的剩余充电时间的确定方法的流程图；
18.图2是根据本发明实施例的一种温度选择方法的流程图；
19.图3是根据本发明实施例的一种充电过程中电池的温度发生变化的示意图；
20.图4是根据本发明实施例的一种滤波帧数为31、滤波阶数为1时的sg滤波效果的示意图；
21.图5(a)是根据本发明实施例的一种滑动滤波窗口长度为8时的平滑效果及收敛效
果的示意图；
22.图5(b)是根据本发明实施例的一种滑动滤波窗口长度为128时的平滑效果及收敛效果的示意图；
23.图5(c)是根据本发明实施例的一种滑动滤波处理电流波动的整体效果的示意图；
24.图6是根据本发明实施例的一种采用主成分分析法处理温度一阶导数和二阶导数的二维数据的示意图；
25.图7是根据本发明实施例的一种计算电池剩余充电时间的装置的示意图；
26.图8是根据本发明实施例的一种电池的剩余充电时间的确定装置的示意图。
具体实施方式
27.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都应当属于本发明保护的范围。
28.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
29.实施例1
30.根据本发明实施例，提供了一种电池的剩余充电时间的确定方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
31.图1是根据本发明实施例的一种电池的剩余充电时间的确定方法的流程图，该方法可以包括如下步骤：
32.步骤s101，分别获取电池在不同历史充电阶段的温度变化数据。
33.在本发明上述步骤s101提供的技术方案中，上述温度变化数据可以包括但不限于：电池的最高温度数据与电池的最低温度数据，此处仅作举例说明，不作具体限定。
34.可选地，对电池的最高温度是否超过温度阈值一(temp
threshold1
)进行判断，如果电池的最高温度超过temp
threshold1
，则选取电池的最高温度作为输入数据，如果电池的最高温度小于temp
threshold1
，则对电池的最高温度是否超过温度阈值二(temp
threshold2
)进行判断，如果电池的最高温度超过temp
threshold2
，则对电池的最高温度关于时间的一阶导数temp
′
max
是否超过0进行判断，如果temp
′
max
超过0，则选取电池的最低温度作为输入数据，如果temp
′
max
小于0，则选取电池的最高温度作为输入数据，如果电池的最高温度小于temp
threshold2
，则选取电池的最低温度作为输入数据。
35.步骤s102，在温度变化数据中，确定电池的目标温度变化数据。
36.在本发明上述步骤s102提供的技术方案中，上述目标温度变化数据可以包括稳定变化的温度数据或非稳定变化的温度数据。
37.可选地，在分别获取电池在不同历史充电阶段的温度变化数据之后，在温度变化数据中，可以确定电池的目标温度变化数据，例如，通过聚类算法可以将获取的温度变化数据划分为稳定变化的温度数据和非稳定变化的温度数据。
38.可选地，在使用聚类算法对温度变化数据进行划分之前，对获取的温度变化数据进行主成分分析，由此对温度变化数据完成数据降维，从而实现转换后的空间中温度数据的方差最大。
39.步骤s103，基于目标温度变化数据，确定剩余充电时间。
40.在本发明上述步骤s103提供的技术方案中，上述电池的剩余充电时间可以为通过极限学习机神经网络而得到的，或者，上述电池的剩余充电时间可以为通过基于长短时记忆的神经网络而得到的。
41.可选地，在在温度变化数据中，确定电池的目标温度变化数据之后，基于目标温度变化数据，确定剩余充电时间，例如，根据稳定变化的温度数据和极限学习机神经网络，可以得到电池的剩余充电时间，或者，根据非稳定变化的温度数据和基于长短时记忆的神经网络，可以得到电池的剩余充电时间。
42.可选地，可以将稳定变化的温度数据、经过预处理的电流数据以及电池包的当前电压等数据输入至极限学习机神经网络中进行预测，得到电池的剩余充电时间，或者可以将非稳定变化的温度数据、经过预处理的电流数据以及电池包的当前电压等数据输入至基于长短时记忆的神经网络中进行预测，得到电池的剩余充电时间。
43.本技术上述步骤s101至步骤s103，分别获取电池在不同历史充电阶段的温度变化数据，在温度变化数据中，确定电池的目标温度变化数据，也即，确定稳定变化的温度数据或非稳定变化的温度数据，根据稳定变化的温度数据或非稳定变化的温度数据，可以确定电池的剩余充电时间，从而达到了可以分阶段使用不同的神经网络模型来计算电池的剩余充电时间的目的，进而解决了确定电池的剩余充电时间的局限性大的技术问题，实现了可以降低电池的剩余充电时间的局限性的技术效果。
44.下面对该实施例的上述方法进行进一步介绍。
45.作为一种可选的实施例方式，步骤s102，在温度变化数据中，确定电池的目标温度变化数据，包括：对温度变化数据进行识别，得到与电池的温度变化对应的目标阶段；在与稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第一目标温度变化数据，并在与非稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第二目标温度变化数据。
46.在该实施例中，上述识别过程可以为通过聚类算法识别整个充电过程中温度变化明显的阶段和温度相对稳定的阶段的过程，上述目标阶段可以包括：与稳定变化的温度数据对应的阶段和与非稳定变化的温度数据对应的阶段，此处仅作举例说明，不作具体限定。
47.可选地，在分别获取电池在不同历史充电阶段的温度变化数据之后，通过聚类算法对温度变化数据进行识别，可以得到与温度变化对应的目标阶段，也即，可以得到与稳定变化的温度数据对应的阶段和与非稳定变化的温度数据对应的阶段，在与稳定变化的温度
数据对应的阶段中，对温度变化数据进行预处理，可以得到第一目标温度变化数据，也即，可以得到经过预处理的稳定变化的温度数据，并在与非稳定变化的温度数据对应的阶段中，对温度变化数据进行预处理，可以得到第二目标温度变化数据，也即，可以得到经过预处理的非稳定变化的温度数据。
48.作为一种可选的实施例方式，在与稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第一目标温度变化数据，包括：在与稳定变化的温度数据对应的阶段，对温度变化数据进行平滑处理，得到第一温度变化数据；确定与第一温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；将一阶梯度温度变化数据和二阶梯度温度变化数据确定为第一目标温度变化数据。
49.在该实施例中，上述平滑处理可以为采用多项式平滑(savitzky golay，简称为sg)滤波而进行的平滑处理。
50.可选地，在对温度变化数据进行识别，得到与温度变化对应的目标阶段之后，在与稳定变化的温度数据对应的阶段中，对温度变化数据进行sg滤波平滑处理，可以得到第一温度变化数据，也即，可以得到经过平滑处理的稳定变化的温度数据，并根据经过平滑处理的稳定变化的温度数据，可以确定与第一温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据，从而将一阶梯度温度变化数据和二阶梯度温度变化数据确定为第一目标温度变化数据，也即，将一阶梯度温度变化数据和二阶梯度温度变化数据确定为经过预处理的稳定变化的温度数据。
51.作为一种可选的实施例方式，在与非稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第二目标温度变化数据，包括：在与非稳定变化的温度数据对应的阶段，对温度变化数据进行平滑处理，得到第二温度变化数据；确定与第二温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；将一阶梯度温度变化数据和二阶梯度温度变化数据确定为第二目标温度变化数据。
52.在该实施例中，在对温度变化数据进行识别，得到与温度变化对应的目标阶段之后，在与非稳定变化的温度数据对应的阶段中，对温度变化数据进行sg滤波平滑处理，可以得到第二温度变化数据，也即，可以得到经过平滑处理的非稳定变化的温度数据，并根据经过平滑处理的非稳定变化的温度数据，可以确定与第二温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据，从而将一阶梯度温度变化数据和二阶梯度温度变化数据确定为第二目标温度变化数据，也即，将一阶梯度温度变化数据和二阶梯度温度变化数据确定为经过预处理的非稳定变化的温度数据。
53.作为一种可选的实施例方式，步骤s103，基于目标温度变化数据，确定剩余充电时间，包括：基于第一目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据，或，基于第二目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据；基于温度变化数据和电量变化数据，确定剩余充电时间。
54.在该实施例中，上述目标充电阶段可以包括但不限于：对电池进行满充的阶段、对电池进行快充的阶段和对电池进行普充的阶段。
55.可选地，在在温度变化数据中，确定电池的目标温度变化数据之后，如果需要对电池进行满充，则根据经过预处理的稳定变化的温度数据，可以确定电池在该阶段的温度变化数据和电量变化数据，根据电池在该阶段的温度变化数据和电量变化数据，可以确定电
池完成满充的剩余充电时间。
56.可选地，在在温度变化数据中，确定电池的目标温度变化数据之后，如果需要对电池进行快充，则根据经过预处理的稳定变化的温度数据，可以确定电池在该阶段的温度变化数据和电量变化数据，根据电池在该阶段的温度变化数据和电量变化数据，可以确定电池完成快充的剩余充电时间。
57.可选地，在在温度变化数据中，确定电池的目标温度变化数据之后，如果需要对电池进行普充，则根据经过预处理的稳定变化的温度数据，可以确定电池在该阶段的温度变化数据和电量变化数据，根据电池在该阶段的温度变化数据和电量变化数据，可以确定电池完成普充的剩余充电时间。
58.作为一种可选的实施例方式，基于温度变化数据和电量变化数据，确定剩余充电时间，还包括：将温度变化数据和电量变化数据输入至第一目标模型中进行预测，得到电池在目标充电阶段的剩余充电时间；或，将温度变化数据和电量变化数据输入至第二目标模型中进行预测，得到电池在目标充电阶段的剩余充电时间。
59.在该实施例中，上述第一目标模型可以为通过对基于学习机的神经网络进行训练而得到的，上述第二目标模型可以为通过对基于长短时记忆的神经网络进行训练而得到的。
60.可选地，在基于第一目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据之后，如果需要对电池进行满充，则将电池的温度变化数据和电量变化数据输入至基于学习机的神经网络中进行预测，可以得到在对电池进行满充的阶段的剩余充电时间。
61.可选地，在基于第一目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据之后，如果需要对电池进行快充，则将电池的温度变化数据和电量变化数据输入至基于学习机的神经网络中进行预测，可以得到在对电池进行快充的阶段的剩余充电时间。
62.可选地，在基于第一目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据之后，如果需要对电池进行普充，则将电池的温度变化数据和电量变化数据输入至基于学习机的神经网络中进行预测，可以得到在对电池进行普充的阶段的剩余充电时间。
63.可选地，在基于第二目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据之后，如果需要对电池进行满充，则将电池的温度变化数据和电量变化数据输入至基于长短时记忆的神经网络中进行预测，可以得到在对电池进行满充的阶段的剩余充电时间。
64.可选地，在基于第二目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据之后，如果需要对电池进行快充，则将电池的温度变化数据和电量变化数据输入至基于长短时记忆的神经网络中进行预测，可以得到在对电池进行快充的阶段的剩余充电时间。
65.可选地，在基于第二目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据之后，如果需要对电池进行普充，则将电池的温度变化数据和电量变化数据输入至基于长短时记忆的神经网络中进行预测，可以得到在对电池进行普充的阶段的
剩余充电时间。
66.本实施例分别获取电池在不同历史充电阶段的温度变化数据，在温度变化数据中，确定电池的目标温度变化数据，也即，确定稳定变化的温度数据或非稳定变化的温度数据，根据稳定变化的温度数据或非稳定变化的温度数据，可以确定电池的剩余充电时间，从而解决了确定电池的剩余充电时间的局限性大的技术问题，达到了可以降低电池的剩余充电时间的局限性的技术效果。
67.实施例2
68.下面结合优选的实施方式对本发明实施例的技术方案进行举例说明。
69.在在当前的电池的剩余充电时间的计算方法中，通常是采用基于充电电流和soc的计算方法、基于历史充电数据的加权计算方法和基于bp神经网络智能的算法，但是采用基于充电电流和soc的计算方法在充电电流变化较大的充电阶段计算误差较大，采用基于历史充电数据的加权计算方法在读取存储发生故障时无法实现计算剩余充电时间的功能，采用基于bp神经网络智能的算法在电池温度变化较大时其计算误差也相应地增大，从而导致确定电池的剩余充电时间的局限性大的技术问题。因此，需要一种电池的剩余充电时间的确定方法，以可以降低电池的剩余充电时间的局限性。
70.在一种相关技术中，公开了一种电动汽车充电剩余时间的估算方法及估算系统，该方法包括：根据电池的实时soc值与已存储的每个阶段的预估充电时间计算当前的剩余充电时间，在完成充电后下电或者未完成充电而下电时，根据本次充电过程中每个阶段的充电时间与之前已存储的每个阶段的预估充电时间进行加权计算，并更新存储。但是该方法仅直接根据电池的实时soc值对电动汽车的充电剩余时间进行估算，无法根据温度变化明显的阶段和温度相对稳定的阶段而采用不同的时间预测模型，进而难以保证可以降低电池的剩余充电时间的局限性。
71.然而，本发明实施例提出一种电池剩余充电时间的计算方法，通过确定车辆充电各阶段电池的温度变化数据，通过聚类算法识别整个充电过程中温度变化明显的阶段和温度相对稳定的阶段，在温度变化相对稳定的阶段进行数据预处理，使用复杂度较低的神经网络训练数据，获得未来充电过程中电池温度的变化和soc的变化趋势，在温度变化明显的阶段进行数据预处理，使用可以学习时序规律的神经网络训练数据，获得未来充电过程中电池温度的变化和soc的变化趋势，达到了可以分阶段使用不同的神经网络模型来计算电池的剩余充电时间的目的，解决了确定电池的剩余充电时间的局限性大的技术问题，实现了可以降低电池的剩余充电时间的局限性的技术效果。
72.图2是根据本发明实施例的一种温度选择方法的流程图，如图2所示，该方法可以包括以下步骤：
73.步骤s201，对电池的最高温度是否超过温度阈值一(temp
threshold1
)进行判断，如果电池的最高温度超过temp
threshold1
，则进入步骤s202，选取电池的最高温度作为输入数据，如果电池的最高温度小于temp
threshold1
，则进入步骤s203，对电池的最高温度是否超过温度阈值二(temp
threshold2
)进行判断，如果电池的最高温度超过temp
threshold2
，则进入步骤s204，对电池的最高温度关于时间的一阶导数temp
′
max
是否超过0进行判断，如果temp
′
max
超过0，则进入步骤s205，选取电池的最低温度作为输入数据，如果temp
′
max
小于0，则进入步骤s206，选取电池的最高温度作为输入数据，如果电池的最高温度小于temp
threshold2
，则进入步骤
s207，选取电池的最低温度作为输入数据。
74.可选地，根据选取的温度数据，采用sg滤波的数据平滑方法对温度数据进行平滑处理，从而在滤波平滑温度数据的同时，能够有效地保留信号的变化信息，进而实现平滑温度数据的一阶梯度和二阶梯度。
75.图3是根据本发明实施例的一种充电过程中电池的温度发生变化的示意图，如图3所示，选用sg滤波，首先根据实际需求，选择滤波窗口长度，依据温度数据特征，模组最大/最小温度在变化时会出现反复现象(例如，图3中的圈出处)。
76.图4是根据本发明实施例的一种滤波帧数为31、滤波阶数为1时的sg滤波效果的示意图，如图4所示，在sg滤波器的作用下，对温度数据出现的反复现象(例如，上下跳变的现象)进行滤波处理。
77.图5(a)是根据本发明实施例的一种滑动滤波窗口长度为8时的平滑效果及收敛效果的示意图，如图5(a)所示，根据电池的实际充电剩余时间更新频率需求，选择滑动滤波窗口长度，经参数调试，采用窗口长度为8的滑动滤波，在窗口长度为8的滑动滤波的情况下，滤波后的数值较为不平滑，收敛速度较快。
78.图5(b)是根据本发明实施例的一种滑动滤波窗口长度为128时的平滑效果及收敛效果的示意图，如图5(b)所示，采用窗口长度为128的滑动滤波，在窗口长度为128的滑动滤波的情况下，滤波后的数值较为平滑，收敛速度较慢。
79.图5(c)是根据本发明实施例的一种滑动滤波处理电流波动的整体效果的示意图，如图5(c)所示，在sg滤波器的作用下，成功克服了充电过程中电池包的电流一直波动的难题，并保证了电流剧烈变化时的数据跟随性。
80.图6是根据本发明实施例的一种采用主成分分析法处理温度一阶导数和二阶导数的二维数据的示意图，如图6所示，对选取的n个温度数据进行主成分分析，由此对温度对时间的一阶导数以及温度对时间的二阶导数进行数据降维，实现转换后的空间中温度数据的方差最大，例如，将选取的n个温度数据投影至一维空间中，选择温度数据方差最大的方向进行投影，从而增大温度数据之间的差异性。
81.图7是根据本发明实施例的一种计算电池剩余充电时间的装置的示意图，如图7所示，该装置可以包括：数据输入模块701、数据采样模块702、温度判断模块703、温度数据预处理模块704、电流数据预处理模块705、阵列数据预处理模块706、温度变化程度判断模块707、基于长短时记忆模型的计算模块708、基于极限学习模型的计算模块709和数据输出模块710。
82.可选地，通过数据输入模块701可以将电池的数据输入至数据采样模块702，通过数据采样模块702可以将电池的温度数据输入至温度判断模块703，通过数据采样模块702可以将电池的电流数据输入至电流数据预处理模块705，通过数据采样模块702还可以将电池的其余数据，通过温度判断模块703可以将温度数据输入至温度数据预处理模块704输入至阵列数据预处理模块706，通过电流数据预处理模块705可以将电流数据输入至阵列数据预处理模块706，通过温度数据预处理模块704可以将温度数据输入至阵列数据预处理模块706，通过温度数据预处理模块704还可以将温度数据输入至温度变化程度判断模块707，通过温度变化程度判断模块707可以判断温度变化是否明显，如果温度变化相对稳定，则将温度数据输入至基于极限学习模型的计算模块709，如果温度变化明显，则将温度数据输入至
基于长短时记忆模型的计算模块708，通过阵列数据预处理模块706可以将训练所需输出输入至基于长短时记忆模型的计算模块708和基于极限学习模型的计算模块709，通过基于长短时记忆模型的计算模块708和基于极限学习模型的计算模块709可以将电池的剩余充电时间的预测结果输入至数据输出模块710。
83.可选地，数据采样模块可以用于采集计算剩余充电时间所需的数据，温度数据预处理模块、电流数据预处理模块和阵列数据预处理模块可以用于对直接采集的原始数据进行数据预处理及特征提取，计算模块可以用于包括训练成功的温度变化聚类模型、极限学习机模型和长短时记忆模型，温度变化聚类模型可以用于无监督情况下区分温度变化的稳定与否，极限学习机模型可以用于在温度变化稳定阶段进行充电剩余时间的估计，长短时记忆模型可以用于在温度变化稳定阶段进行充电剩余时间的估计。
84.可选地，计算电池的剩余充电时间的方法可以包括以下步骤：
85.步骤一，对数据进行采集，其中，需要采集的数据有：充电过程中电池的最高温度、最低温度、流入电池包内的电流、充电请求电流值、电池包当前电压、电池包当前soc、空调压缩机工作状态、空调压缩机功率、水暖ptc工作功率和充电状态。
86.步骤二，对温度进行选取与预处理，根据温度阈值，选取电池的最高温度或电池的最低温度作为温度输入数据，可选地，对电池的最高温度是否超过温度阈值一(temp
threshold1
)进行判断，如果电池的最高温度超过temp
threshold1
，则选取电池的最高温度作为输入数据，如果电池的最高温度小于temp
threshold1
，则对电池的最高温度是否超过温度阈值二(temp
threshold2
)进行判断，如果电池的最高温度超过temp
threshold2
，则对电池的最高温度关于时间的一阶导数temp
′
max
是否超过0进行判断，如果temp
′
max
超过0，则选取电池的最低温度作为输入数据，如果temp
′
max
小于0，则选取电池的最高温度作为输入数据，如果电池的最高温度小于temp
threshold2
，则选取电池的最低温度作为输入数据。
87.可选地，根据选取的温度数据，采用sg滤波的数据平滑方法对温度数据进行平滑处理，从而在滤波平滑温度数据的同时，能够有效地保留信号的变化信息，进而实现平滑温度数据的一阶梯度和二阶梯度。
88.步骤三，对电流进行预处理，对采集到的电流值进行滑动滤波处理，减小电流脉冲变化点对整个充电过程中电流变化趋势的影响，同时随着窗口的移动丢弃窗外数据点，降低数据处理量，其中滑动滤波的阶数由剩余充电时间的更新频率确定。
89.步骤四，提取数据特征，提取电池包的电流和温度等计算剩余充电时间的必要数据，根据充电时不同的工况将数据划分为四组；每组数据中将温度二阶导数、步骤二中选取出的电池温度、温度一阶导数、空调压缩机功率，充电桩输出功率，水暖ptc工作功率，电池包电压，电池包soc，电池包电流列为三阶二维矩阵；之后使用数据池化法，去除相关性较低的数据点，保留相关性较高的数据，降低学习难度与神经网络复杂度，提高数据收敛速度。
90.可选地，以秒为单位，提取相同时刻的电池包soc值、流入电池包的电流值、请求电流值、空调压缩机工作状态、空调压缩机功率、水暖ptc工作状态和水暖ptc工作功率，将数据划分为4组，分别为仅水暖ptc工作(加热)、仅空调压缩机工作(加热/制冷)、水暖ptc和空调压缩机均工作(加热)、水暖ptc和空调压缩机均不工作(不加热不制冷)，其中，上述数据在矩阵中的排列位置可以如下所示：
[0091][0092]
对于上述三阶矩阵，运用2
×
2规格的池化滤波器，进行步长为1的平均池化处理，生成一个二阶方阵，再进行一次与上一步方法相同的池化，生成一个数字池化结果，以当前时刻和下一时刻的数字池化结果组成二阶方阵，其中当前时刻和下一时刻的数字池化结果位于二阶方阵的主对角线上，同一列用相同的池化结果补齐，最终所有时刻的二阶矩阵组成n阶方阵，二阶方阵及n阶方阵可以如下所示：
[0093][0094][0095][0096][0097][0098][0099][0100]
其中，a
t1
可以用于表示当前时刻温度二阶导数值、当前时刻温度值、当前时刻空调功率值和当前时刻充电机功率值的算术平均值，物理量均采用国际标准单位，temp
t1
可以用于表示当前时刻的温度，p
comp，t1
可以用于表示当前时刻空调的功率，p
charger，t1
可以用于表示当前时刻充电机的功率，temp
″
t1
可以用于表示当前时刻温度的二阶导数，b
t1
可以用于表示当前时刻温度一阶导数值、当前时刻温度值、当前时刻ptc功率值和当前时刻充电机功率值的算术平均值，物理量均采用国际标准单位，temp
′
t1
可以用于表示当前时刻温度的一阶导数，p
ptc，t1
可以用于表示当前时刻充电机的功率，c
t1
可以用于表示当前时刻电池包电压值、当前时刻电池包soc值、当前时刻空调功率值和当前时刻充电机功率值的算术平均值，物理量均采用国际标准单位，soc
pack，t1
可以用于表示当前时刻电池包soc，d
t1
可以用于表示当前时刻电池包电流值、当前时刻电池包soc值、当前时刻ptc功率值和当前时刻充电机功率值的算术平均值，物理量均采用国际标准单位，curr
pack，t1
可以用于表示当前时刻电池包电流，a
t2
可以用于表示下一时刻温度二阶导数值、下一时刻温度值、下一时刻空调功率值和下一时刻充电机功率值的算术平均值，物理量均采用国际标准单位，b
t2
可以用于表示下一时刻温度一阶导数值、下一时刻温度值、下一时刻ptc功率值和下一时刻充电机功率值的算术平均值，物理量均采用国际标准单位，c
t2
可以用于表示下一时刻电池包电压值、下一时刻电池包soc值、下一时刻空调功率值和下一时刻充电机功率值的算术平均值，物理量均采用国际标准单位，d
t2
可以用于表示下一时刻电池包电流值、下一时刻电池包soc值、下一时刻ptc
功率值和下一时刻充电机功率值的算术平均值，物理量均采用国际标准单位，a
tn
可以用于表示最后时刻温度二阶导数值、最后时刻温度值、最后时刻空调功率值和最后时刻充电机功率值的算术平均值，物理量均采用国际标准单位，b
tn
可以用于表示最后时刻温度一阶导数值、最后时刻温度值、最后时刻ptc功率值和最后时刻充电机功率值的算术平均值，物理量均采用国际标准单位，c
tn
可以用于表示最后时刻电池包电压值、最后时刻电池包soc值、最后时刻空调功率值和最后时刻充电机功率值的算术平均值，物理量均采用国际标准单位，d
tn
可以用于表示最后时刻电池包电流值、最后时刻电池包soc值、最后时刻ptc功率值和最后时刻充电机功率值的算术平均值，物理量均采用国际标准单位，e
t1
可以用于表示a
t1
、b
t1
、c
t1
和d
t1
的算术平均值，e
t2
可以用于表示a
t2
、b
t2
、c
t2
和d
t2
的算术平均值。
[0101]
步骤五，使用无监督学习，通过训练实现温度变化类别的聚类。
[0102]
可选地，使用无监督学习旨在没有标签信息的前提下，将数据通过聚类算法划分为温度变化明显的一组(cluster 1)和数据变化较稳定的一组(cluster 2)。首先进行温度数据的主成分分析，之后使用聚类算法(k-means)，实现无标签条件下通过无监督学习，依据数据方差识别出温度变化明显的温度族。
[0103]
可选地，对选取的n个温度数据进行主成分分析，由此对温度对时间的一阶导数以及温度对时间的二阶导数进行数据降维，实现转换后的空间中温度数据的方差最大，例如，将选取的n个温度数据投影至一维空间中，选择温度数据方差最大的方向进行投影，从而增大温度数据之间的差异性。
[0104]
可选地，从n个温度数据(样本)随机选取k个(例如，k＝2)温度数据作为质心(聚类中心)。
[0105]
可选地，对每个温度数据测量其到每个质心的距离，并把它归到最近的质心的类。
[0106]
可选地，重新计算已经得到的各个类的质心，迭代上述对每个温度数据测量其到每个质心的距离，并把它归到最近的质心的类的过程以及重新计算已经得到的各个类的质心的过程，直至新的质心与原质心相等或小于指定阈值，算法结束，当所有样本所属的质心都不再变化时，算法收敛。
[0107]
步骤六，极限学习机神经网络的搭建及训练。
[0108]
可选地，极限学习机为单隐藏层的前馈神经网络中的一种，其中只有一层隐藏层，在温度变化相对稳定的阶段，主要需要提取的数据关系主要有以下种：温度与剩余充电时间的关系，soc与剩余充电时间的关系，ocv与剩余充电时间的关系，电池热管理负载与剩余充电时间的关系以及乘员舱负载与剩余充电时间的关系，所以第二层隐藏神经网络共使用5个神经元，用于提取五类数据与剩余充电时间的关系。隐藏层的权重矩阵w和偏差矩阵b均使用随机法生成，最后激活函数(sigmoid)，整合五种逻辑，向输出层发出剩余充电时间的归一化值，最后通过矩阵，获取输出层β值，以实现输出值与标签值的近似平方差最小化。其中，在求解输出层β值时，为了避免求moore-penrose广义逆矩阵时的矩阵为奇异矩阵，即矩阵不可逆现象发生，本技术不使用正交投影法、迭代法等求解输出层β值的普遍方法，而是使用奇异值分解法(singular value decomposition，简称为svd)。
[0109]
步骤七，搭建长短时记忆的神经网络及训练。
[0110]
可选地，长短时记忆神经网络共分为五层，前两层为输入层和全连接层，第三层为长短时记忆层，第四层为全连接层，第五层为输出层，其中长短时记忆层仅考虑本层数据与
上一时刻本层数据的关系，不考虑上上时刻的逻辑关系，在长短时记忆层判断本时刻和上时刻的关系，计算出本时刻和上时刻的权重，依据权重加权后将数据输出给本时刻下一层全连接层和下时刻的长短时记忆层，最终通过本时刻的输出层输出本时刻剩余充电时间为目标值的概率，选取最大概率的剩余充电时间作为模型输出。
[0111]
可选地，针对剩余充电时间估算搭建的长短时记忆神经网络结构为：一层输入层，其中共两个神经元；一个全连接层，其中共四个神经元；一个长短时记忆层，其中共十个神经元；一个全连接层，其中共两个神经元，一个输出层，其中共一个神经元。输入层的激活函数与全连接层的激活函数均为relu函数，长短时记忆层激活函数为sigmoid函数，输出层的激活函数使用softmax函数，其中，长短时记忆层中用于判定时序相关性的激活函数可以选用σ函数和tanh函数。
[0112]
在该实施例中，通过根据云端历史数据进行未来行驶工况预测，将预测到的未来行驶工况以及环境温度、电池初始温度、soc、冷却液温度和流量等基本参数输入至动力电池性能预测模型中进行预测，得到未来指定时刻的电池温度t
预测
及平均温升速率dt
预测
/dt，通过判断预测温度t
预测
及平均温升速率dt
预测
/dt所处区间，对电池热管理开启条件进行优化，从而解决了确定电池的剩余充电时间的局限性大的技术问题，达到了可以降低电池的剩余充电时间的局限性的技术效果。
[0113]
实施例3
[0114]
根据本发明实施例，还提供了一种电池的剩余充电时间的确定装置。需要说明的是，该电池的剩余充电时间的确定装置可以用于执行实施例1中的一种电池的剩余充电时间的确定方法。
[0115]
图8是根据本发明实施例的一种电池的剩余充电时间的确定装置的示意图。如图8所示，该电池的剩余充电时间的确定装置800可以包括：获取单元801、第一确定单元802和第二确定单元803。
[0116]
获取单元801，用于分别获取电池在不同历史充电阶段的温度变化数据。
[0117]
第一确定单元802，用于在温度变化数据中，确定电池的目标温度变化数据，其中，目标温度变化数据包括稳定变化的温度数据或非稳定变化的温度数据。
[0118]
第二确定单元803，用于基于目标温度变化数据，确定剩余充电时间。
[0119]
可选地，第一确定单元802可以包括：识别模块，用于对温度变化数据进行识别，得到与电池的温度变化对应的目标阶段，其中，目标阶段包括：与稳定变化的温度数据对应的阶段和与非稳定变化的温度数据对应的阶段；预处理模块，用于在与稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第一目标温度变化数据，并在与非稳定变化的温度数据对应的阶段，对温度变化数据进行预处理，得到第二目标温度变化数据。
[0120]
可选地，预处理模块可以包括：第一平滑处理子模块，用于在与稳定变化的温度数据对应的阶段，对温度变化数据进行平滑处理，得到第一温度变化数据；第一确定子模块，用于确定与第一温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；第二确定子模块，用于将一阶梯度温度变化数据和二阶梯度温度变化数据确定为第一目标温度变化数据。
[0121]
可选地，预处理模块可以包括：第二平滑处理子模块，用于在与非稳定变化的温度数据对应的阶段，对温度变化数据进行平滑处理，得到第二温度变化数据；第三确定子模
块，用于确定与第二温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；第四确定子模块，用于将一阶梯度温度变化数据和二阶梯度温度变化数据确定为第二目标温度变化数据。
[0122]
可选地，第二确定单元803可以包括：第一确定模块，用于基于第一目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据，或，基于第二目标温度变化数据，确定电池在目标充电阶段的温度变化数据和电量变化数据；第二确定模块，用于基于温度变化数据和电量变化数据，确定剩余充电时间。
[0123]
可选地，第二确定模块可以包括：预测子模块，用于将温度变化数据和电量变化数据输入至第一目标模型中进行预测，得到电池在目标充电阶段的剩余充电时间，其中，第一目标模型为通过对基于学习机的神经网络进行训练而得到的；或，将温度变化数据和电量变化数据输入至第二目标模型中进行预测，得到电池在目标充电阶段的剩余充电时间，其中，第二目标模型为通过对基于长短时记忆的神经网络进行训练而得到的。
[0124]
在该实施例中，获取单元，用于分别获取电池在不同历史充电阶段的温度变化数据；第一确定单元，用于在温度变化数据中，确定电池的目标温度变化数据，其中，目标温度变化数据包括稳定变化的温度数据或非稳定变化的温度数据；第二确定单元，用于基于目标温度变化数据，确定剩余充电时间，解决了确定电池的剩余充电时间的局限性大的技术问题，达到了可以降低电池的剩余充电时间的局限性的技术效果。
[0125]
实施例4
[0126]
根据本发明实施例，还提供了一种计算机可读存储介质，该存储介质包括存储的程序，其中，程序执行实施例1中的电池的剩余充电时间的确定方法。
[0127]
实施例5
[0128]
根据本发明实施例，还提供了一种处理器，该处理器用于运行程序，其中，程序被处理器运行时执行实施例1中的电池的剩余充电时间的确定方法。
[0129]
实施例6
[0130]
根据本发明实施例，还提供一种车辆，该车辆用于执行实施例1中任意一项电池的剩余充电时间的确定方法。
[0131]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0132]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
[0133]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0134]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0135]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以
是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0136]
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0137]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种电池的剩余充电时间的确定方法，其特征在于，包括：分别获取电池在不同历史充电阶段的温度变化数据；在所述温度变化数据中，确定所述电池的目标温度变化数据，其中，所述目标温度变化数据包括稳定变化的温度数据或非稳定变化的温度数据；基于所述目标温度变化数据，确定所述剩余充电时间。2.根据权利要求1所述的方法，其特征在于，在所述温度变化数据中，确定所述电池的目标温度变化数据，包括：对所述温度变化数据进行识别，得到与所述电池的温度变化对应的目标阶段，其中，所述目标阶段包括：与所述稳定变化的温度数据对应的阶段和与所述非稳定变化的温度数据对应的阶段；在与所述稳定变化的温度数据对应的阶段，对所述温度变化数据进行预处理，得到第一目标温度变化数据，并在与所述非稳定变化的温度数据对应的阶段，对所述温度变化数据进行预处理，得到第二目标温度变化数据。3.根据权利要求2所述的方法，其特征在于，在与所述稳定变化的温度数据对应的阶段，对所述温度变化数据进行预处理，得到第一目标温度变化数据，包括：在与所述稳定变化的温度数据对应的阶段，对所述温度变化数据进行平滑处理，得到第一温度变化数据；确定与所述第一温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；将所述一阶梯度温度变化数据和所述二阶梯度温度变化数据确定为所述第一目标温度变化数据。4.根据权利要求2所述的方法，其特征在于，在与所述非稳定变化的温度数据对应的阶段，对所述温度变化数据进行预处理，得到第二目标温度变化数据，包括：在与所述非稳定变化的温度数据对应的阶段，对所述温度变化数据进行平滑处理，得到第二温度变化数据；确定与所述第二温度变化数据对应的一阶梯度温度变化数据和二阶梯度温度变化数据；将所述一阶梯度温度变化数据和所述二阶梯度温度变化数据确定为所述第二目标温度变化数据。5.根据权利要求3所述的方法，其特征在于，基于所述目标温度变化数据，确定所述剩余充电时间，包括：基于所述第一目标温度变化数据，确定所述电池在目标充电阶段的温度变化数据和电量变化数据，或，基于所述第二目标温度变化数据，确定所述电池在所述目标充电阶段的所述温度变化数据和所述电量变化数据；基于所述温度变化数据和所述电量变化数据，确定所述剩余充电时间。6.根据权利要求5所述的方法，其特征在于，基于所述温度变化数据和所述电量变化数据，确定所述剩余充电时间，包括：将所述温度变化数据和所述电量变化数据输入至第一目标模型中进行预测，得到所述电池在所述目标充电阶段的所述剩余充电时间，其中，所述第一目标模型为通过对基于学
习机的神经网络进行训练而得到的；或，将所述温度变化数据和所述电量变化数据输入至第二目标模型中进行预测，得到所述电池在所述目标充电阶段的所述剩余充电时间，其中，所述第二目标模型为通过对基于长短时记忆的神经网络进行训练而得到的。7.一种电池的剩余充电时间的确定装置，其特征在于，包括：获取单元，用于分别获取电池在不同历史充电阶段的温度变化数据；第一确定单元，用于在所述温度变化数据中，确定所述电池的目标温度变化数据，其中，所述目标温度变化数据包括稳定变化的温度数据或非稳定变化的温度数据；；第二确定单元，用于基于所述目标温度变化数据，确定所述剩余充电时间。8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至6中任意一项所述电池的剩余充电时间的确定方法。9.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序被所述处理器运行时执行权利要求1至6中任意一项所述电池的剩余充电时间的确定方法。10.一种车辆，其特征在于，所述车辆用于执行权利要求1至6中任意一项所述电池的剩余充电时间的确定方法。

技术总结
本发明公开了一种电池的剩余充电时间的确定方法、装置、存储介质和车辆。该方法包括：分别获取电池在不同历史充电阶段的温度变化数据；在温度变化数据中，确定电池的目标温度变化数据，其中，目标温度变化数据包括稳定变化的温度数据或非稳定变化的温度数据；基于目标温度变化数据，确定剩余充电时间。本发明解决了确定电池的剩余充电时间的局限性大的技术问题。术问题。术问题。


技术研发人员：孙雪同 刘永山 刘轶鑫 张頔 霍艳红 王晓玉 孙佳
受保护的技术使用者：中国第一汽车股份有限公司
技术研发日：2023.06.21
技术公布日：2023/9/20