[發明專利]電池狀態預測方法、裝置和相關產品

在審

• 申請號: 202110983105.3
• 申請日: 2021-08-25
• 公開（公告）號: CN115723624A
• 公開（公告）日: 2023-03-03
• 發明（設計）人: 姜波;李東岳;李廣宇;車正平
• 申請（專利權）人: 北京航跡科技有限公司
• 主分類號: B60L58/12
• 分類號: B60L58/12
• 代理公司: 北京華進京聯知識產權代理有限公司 11606
• 代理人: 吳迪

本公開實施例涉及一種電池狀態預測方法、裝置和相關產品，通過獲取電動車輛當前時刻的狀態影響因素，并將狀態影響因素輸入至預設的狀態預測模型中，得到電動車輛的下一時刻的預測電池狀態信息。該方法可以提高了預測電池狀態信息的準確度，基于準確的預測電池狀態信息，可以準確推算出電荷消耗，有效緩解里程焦慮。

技術領域

本公開實施例涉及電池技術領域，特別是涉及一種電池狀態預測方法、裝置和相關產品。

背景技術

電動汽車(BEV)是指以車載電源為動力，用電機驅動車輪行駛，符合道路交通、安全法規各項要求的車輛。電動汽車的增長開始改變人們的交通方式。與內燃機驅動的車輛相比，電動汽車具有許多優勢，例如，更好的能源效率、零排放、少噪音和低運營成本。

然而，由于電動汽車駕駛范圍有限、充電時間長、充電站有限等原因，使得電動汽車的使用出現了里程焦慮，里程焦慮可以理解為在行駛途中存在斷電風險，可能導致電動汽車在長途駕駛中被迫關閉的情況，因此，里程焦慮成為阻止電動汽車廣泛應用的主要問題之一。

發明內容

本公開實施例提供一種電池狀態預測方法、裝置和相關產品，可以用于準確預測行駛途中的電池狀態信息，從而準確推算出電荷消耗，有效緩解里程焦慮。

第一方面，本公開實施例提供一種電池狀態預測方法，該方法包括：

獲取電動車輛當前時刻的狀態影響因素；狀態影響因素包括：監測電池狀態信息、環境信息和駕駛信息；

將狀態影響因素輸入至預設的狀態預測模型中，得到電動車輛的下一時刻的預測電池狀態信息；

其中，狀態預測模型為結合神經網絡和線性濾波器構建的。

在其中一個實施例中，上述神經網絡包括非線性預測網絡和非線性觀測網絡；

非線性預測網絡，用于根據當前時刻的隱藏電池狀態信息、當前時刻的環境信息和當前時刻的駕駛信息，生成下一時刻的隱藏電池狀態信息；

非線性觀測網絡，用于根據下一時刻的隱藏電池狀態信息生成下一時刻的預測電池狀態信息。

在其中一個實施例中，在上述得到電動車輛的目標時刻的預測電池狀態信息之后，該方法還包括：

根據下一時刻的預測電池狀態信息，確定狀態影響因素中各因素的權重，權重表示各因素對下一時刻的預測電池狀態信息的影響程度；

根據各因素的權重，生成下一時刻的預測電池狀態信息的可解釋原因。

在其中一個實施例中，上述狀態預測模型的構建過程包括：

獲取多種電動車輛的不同時刻的樣本狀態影響因素；樣本狀態影響因素包括樣本監測電池狀態信息、樣本環境信息和樣本駕駛信息；

根據樣本狀態影響因素，對初始狀態預測模型進行訓練，直至滿足預設的收斂條件，得到狀態預測模型。

在其中一個實施例中，上述初始狀態預測模型包括基于神經網絡構建的初始非線性預測網絡和初始非線性觀測網絡；

則上述根據樣本狀態影響因素，對初始狀態預測模型進行訓練，直至滿足預設的收斂條件，得到狀態預測模型，包括：

以初始時刻的樣本監測電池狀態信息對樣本隱藏電池狀態信息進行初始化；

將初始化后的樣本隱藏電池狀態信息、初始時刻的樣本環境信息和初始時刻的樣本駕駛信息，作為初始非線性預測網絡的輸入，將初始非線性預測網絡的輸出作為初始非線性觀測網絡的輸入，對初始非線性預測網絡和初始非線性觀測網絡進行迭代訓練，直至滿足預設的收斂條件，得到狀態預測模型。

在其中一個實施例中，上述預設的收斂條件包括預設閾值；