一种基于电动汽车充电大数据的荷电状态修正及预测方法与流程

技术特征：
1.一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，包括如下步骤：s1、获取电动汽车电池传感器充电数据并在大数据平台对其进行预处理；s2、利用大数据平台对电池充电过程中的每一时刻的荷电状态soc值进行修正，得到修正之后的当前soc连续值；s3、基于修正后的soc连续值，利用残差修正模型对电池的真实soc值进行预测。2.根据权利要求1所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s1中预处理的方式具体为：s11、将获取充电数据按照采集时间顺序进行重新排序；s12、采用箱型图对重新排序后的充电数据进行异常值识别，剔除高于箱型图上限及低于箱型图下限的数据；s13、对经过步骤s12处理后的充电数据进行空值填充。3.根据权利要求2所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s13中空值填充的具体方法为：s131、判断步骤s12处理后的充电数据数据的数据缺失类型；s132、若缺失类型定为特征数目缺失，则判断缺失比例是否高于设定阈值，若是，则将该条数据删除；若不是，则判断该数据中每列特征的随机缺失比例；s132、若每列特征的数据随机缺失比例小于30％，则采用均值填充缺失特征；若数据随机缺失在30％
‑
50％之间，则采用随机森林算法对缺失数据进行填充；若数据缺失比例高于50％，则舍弃该列特征；s133、若数据缺失类型为时间序列特征的随机缺失，则采用缺失点前一时刻的值进行填充。4.根据权利要求3所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s2具体包括：s21、获取充电过程中任意两个时刻大数据平台获取的电池soc值，并计算其真实soc差值，其中，任意两个时刻大数据平台获取的电池soc值计算方式为：数据平台获取的电池soc值计算方式为：soc
s
为充电结束时的真实soc，且soc
s
＝100％，soc
a1
为t1时刻大数据平台收集到的soc值，soc
a2
为t2时刻大数据平台收集到的soc值，i(t)为t时刻的电流大小，t
s
为充电soc＝soc
s
的时刻，c为充电电池的电池容量，i
i
为第i个采集点的电流，δt
i
为第i个采集时间间隔；s22、根据步骤s21得到的真实soc差值计算当前时间段所表示的充电电池的电池容量，计算方式为：其中，c
i
为当前时间段所表示的充电电池的电池容量；
s23、对当前充电过程进行滑窗得到多个电池容量，并经过箱型图提出异常值后求取平均值，得到当前充电阶段的电池容量，表示为：其中，n表示滑窗之后所计算出的电池容量的个数；s24、重复步骤s21
‑
s24，计算不同时刻的充电电池容量得到修正后的充电修正后的当前soc连续值，表示为：其中，soc
r
为修正后的当前soc连续值，t
s
和t
r
为任意滑窗的时间取值上下限。5.根据权利要求4所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s23中，滑窗的大小选择为2％≤δsoc≤5％，滑窗的滑动范围为充电过程的25％
‑
95％。6.根据权利要求5所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s3具体包括：s31、将步骤s2得到的当前soc连续值作为真实值序列，并对步骤s2得到的当前soc连续值进行归一化，得到soc时间序列；s32、对步骤s31得到的soc时间序列进行滑窗处理构建数据集；s33、将步骤s32构建的训练数据集输入lstm神经网络模型进行训练，利用训练好的模型对soc整体趋势进行趋势序列预测，得到当前时刻以后多个时刻soc预测值序列；s34、将步骤s31中的真实值序列与趋势预测序列相减，得到残差预测序列；s35、将步骤s34得到的残差预测序列作为真实值序列重复步骤s33
‑
s34，对当前时刻以后多个时刻的趋势序列进行修正，得到当前时刻以后多个时刻对应的soc预测值。7.根据权利要求6所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s31中归一化的方法为：其中，x’为归一化后的值，x
max
为数据当中的最大值，x
min
为数据当中的最小值。8.根据权利要求7所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s32中的构建数据集的具体方法为：s321、利用长度为n的滑窗提取soc时间序列的当前时刻前n个时刻数据；s322、将提取的n个时刻数据作为特征输入神经网络模型，预测下一个时刻soc值，并将其放置于soc时间序列后；s323、步骤s321中的滑窗以步长为1移动，并重复步骤s321
‑
s322，预测得到当前时刻之后多个时刻的soc值；s324、以经过步骤s323预测之后的soc时间序列为数据集。9.根据权利要求8所述的一种基于电动汽车充电大数据的荷电状态修正及预测方法，其特征在于，所述步骤s35中当前时刻以后多个时刻对应的soc预测值表示为：soc
ri
＝soc
pi
e
pi
；
其中，soc
ri
为当前时刻以后时刻的soc预测值，soc
pi
为当前时刻以后时刻的趋势预测值，e
pi
为当前时刻以后时刻的残差序列值。

技术总结
本发明公开了一种基于电动汽车充电大数据的荷电状态修正及预测方法，首先获取电动汽车电池传感器充电数据并在大数据平台对其进行预处理；然后利用大数据平台对电池充电过程中的每一时刻的荷电状态SOC值进行修正，得到修正之后的当前SOC连续值；最后基于修正后的SOC连续值，利用残差修正模型对电池的真实SOC值进行预测，通过上述方式，本发明对大数据平台存在的充电SOC值不准确问题提出了修正方法，并对此应用，提出了残差修正模型，与单一模型对比，本发明提出的模型可以更好的预测SOC值。值。值。


技术研发人员：胡广地 赵旭 胡坚耀 李丞 王旭
受保护的技术使用者：四川嘉垭汽车科技有限公司
技术研发日：2021.07.27
技术公布日：2021/10/8