电池组荷电状态数据检测方法、装置、介质、终端及汽车制造方法及图纸

本申请涉及车辆控制领域，具体涉及一种电池组荷电状态数据的检测方法、装置、介质、控制终端及汽车，所述方法包括：获取电动汽车在当前运行状态下的电池监测数据；将所述电池监测数据作时序化处理后输入网络模型进行识别，得到电动汽车的电池组荷电状态的量化数据；利用滤波算法对所述电池组荷电状态的量化数据进行滤波处理，确定当前运行状态下电动汽车的电池组荷电状态的估值数据。本申请能够更准确地检测当前运行状态下电动汽车的电池组荷电状态的估值数据，实现对电池组的有效管理。

Test method, device, medium, terminal and vehicle of battery pack charge state data

【技术实现步骤摘要】
电池组荷电状态数据检测方法、装置、介质、终端及汽车
本申请涉及车辆控制领域，具体涉及一种电池组荷电状态数据的检测方法、装置、介质、控制终端及汽车。
技术介绍
在纯电动汽车领域，电动汽车的电池组是电动汽车的动力来源及电动汽车上其它设备运行的资源保障，因此对于电池数据的监测尤为重要，电池的荷电状态是表征电池组的工作容量，目前对于电池的荷电状态的估计算法是安时积分法，安时积分法的精度与电流传感器的采样精度及采样频率有着重要的关系，在电流传感器使用的一段时间内才具有较高的精度，而受电池的工作状态影响，电流传感器的精度降低，会对荷电状态误差有累积效应，导致对电池的荷电状态的检测存在较大的误差。
技术实现思路
为克服以上技术问题，特别是现有技术无法准确地检测电池组的荷电状态的估算值的问题，特提出以下技术方案：第一方面，本申请提供了一种电池组荷电状态数据的检测方法，包括：获取电动汽车在当前运行状态下的电池监测数据；将所述电池监测数据作时序化处理后输入网络模型进行识别，得到电动汽车的电池组荷电状态的量化数据；利用滤波算法对所述电池组荷电状态的量化数据进行滤波处理，确定当前运行状态下电动汽车的电池组荷电状态的估值数据。进一步的，所述网络模型包括循环神经网络模型；所述网络模型通过以下方式构建：采集电动汽车在若干种运行状态下的电池监测数据，所述电池监测数据包括电压输出信号数据和电流输出信号数据；构建循环神经网络模型，重构所述电压输出信号数据及电流输出信号数据；r>将重构后的电压输出信号数据及电流输出信号数据作为循环神经网络模型的时序输入，进行训练；在完成预设的训练任务后，得到所述循环神经网络模型。进一步的，所述循环神经网络模型包括电动汽车在第一运行状态下得到的循环神经网络模型；所述得到所述循环神经网络模型之后，还包括：采集电动汽车在第二运动状态下的电池监测数据；将所述电池监测数据输入循环神经网络模型进行测试，得到电动汽车的电池组荷电状态的估值数据；将所述电池监测数据及估值数据作为循环神经网络模型的测试数据，优化循环神经网络模型的网络参数。进一步的，所述滤波算法包括卡尔曼滤波算法；所述利用滤波算法对所述电池组荷电状态的量化数据进行滤波处理，包括：利用卡尔曼滤波算法对所述电池组荷电状态的量化数据进行去除噪声处理，去除量化数据中包含的系统噪声。进一步的，所述确定当前运行状态下电动汽车的电池组荷电状态的估值数据之后，还包括：根据所述电池组荷电状态的估值数据，生成行车策略；向用户推送所述行车策略。进一步的，所述向用户推送所述行车策略之后，还包括：响应于用户对所述行车策略的确认指令，获取所述行车策略对应的目标运行状态；控制所述电动汽车在预设时间内调节至所述目标运行状态。第二方面，本申请提供一种电池组荷电状态数据的检测装置，包括：获取模块：用于获取电动汽车在当前运行状态下的电池监测数据；量化模块：用于将所述电池监测数据作时序化处理后输入网络模型进行识别，得到电动汽车的电池组荷电状态的量化数据；估算模块：用于利用滤波算法对所述电池组荷电状态的量化数据进行滤波处理，确定当前运行状态下电动汽车的电池组荷电状态的估值数据。第三方面，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述的电池组荷电状态数据的检测方法。第四方面，本申请还提供了一种控制终端，所述控制终端包括一个或多个处理器、存储器、一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于执行上述的电池组荷电状态数据的检测方法。第五方面，本申请还提供一种汽车，所述汽车包括车载控制系统，所述车载控制系统配置用于执行上述的电池组荷电状态数据的检测方法。本申请与现有技术相比，具有以下有益效果：本申请提供了一种电池组荷电状态数据的检测方法，在车辆行驶过程中，实时监测车辆的行驶数据，确定汽车的运行状态，同时获取电动汽车在当前运行状态下的电池监测数据，然后将所述电池监测数据作时序化处理，为电池监测数据增加时间信息，得到电动汽车在当前运行状态下的电池的数字信号，再将数字信号输入到网络模型进行识别，从而得到电动汽车的电池组荷电状态的量化数据，再对所述电池组荷电状态的量化数据进行滤波处理，去除量化数据中的干扰数据，更准确地检测当前运行状态下电动汽车的电池组荷电状态的估值数据，确定电池组剩余容量与其满充容量的比值，保证电池组的安全稳定运行，为电动汽车提供可靠的剩余续航里程信息。本申请附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本申请的实践了解到。附图说明本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：图1为本申请电池组荷电状态数据的检测方法的一实施例流程示意图；图2中为本申请循环神经网络模型的训练及测试的一实施例示意图；图3为本申请电池组荷电状态数据的检测装置的一实施例示意图；图4为本申请控制终端的一实施例结构示意图。具体实施方式下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。本申请实施例提供一种电池组荷电状态数据的检测方法，如图1所示，所述方法包括以下步骤：S10：获取电动汽车在当前运行状态下的电池监测数据。本实施例中，车辆在行驶过程中，当路况较为良好时，车辆会达到一个相对稳定的行驶状态，所述相对稳定的行驶状态包括车速在一定范围内变化、车辆温度(包括车内温度及电机温度)在一定范围内变化；而当路况较为复杂时，车辆在行驶过程中无法达到一个相对稳定的状态，例如车辆存在急加速、急刹车等行为。在一种实施方式中，获取电动汽车的当前运行状态，具体的，获取电动汽车的车速、车辆温度等行驶数据，然后根据所述行驶数据匹配相应的运行状态，然后本文档来自技高网...

【技术保护点】
1.一种电池组荷电状态数据的检测方法，其特征在于，包括以下步骤：/n获取电动汽车在当前运行状态下的电池监测数据；/n将所述电池监测数据作时序化处理后输入网络模型进行识别，得到电动汽车的电池组荷电状态的量化数据；/n利用滤波算法对所述电池组荷电状态的量化数据进行滤波处理，确定当前运行状态下电动汽车的电池组荷电状态的估值数据。/n

【技术特征摘要】
1.一种电池组荷电状态数据的检测方法，其特征在于，包括以下步骤：
获取电动汽车在当前运行状态下的电池监测数据；
将所述电池监测数据作时序化处理后输入网络模型进行识别，得到电动汽车的电池组荷电状态的量化数据；
利用滤波算法对所述电池组荷电状态的量化数据进行滤波处理，确定当前运行状态下电动汽车的电池组荷电状态的估值数据。


2.根据权利要求1所述的方法，其特征在于，所述网络模型包括循环神经网络模型；所述网络模型通过以下方式构建：
采集电动汽车在若干种运行状态下的电池监测数据，所述电池监测数据包括电压输出信号数据和电流输出信号数据；
构建循环神经网络模型，重构所述电压输出信号数据及电流输出信号数据；
将重构后的电压输出信号数据及电流输出信号数据作为循环神经网络模型的时序输入，进行训练；
在完成预设的训练任务后，得到所述循环神经网络模型。


3.根据权利要求2所述的方法，其特征在于，所述循环神经网络模型包括电动汽车在第一运行状态下得到的循环神经网络模型；所述得到所述循环神经网络模型之后，还包括：
采集电动汽车在第二运动状态下的电池监测数据；
将所述电池监测数据输入循环神经网络模型进行测试，得到电动汽车的电池组荷电状态的估值数据；
将所述电池监测数据及估值数据作为循环神经网络模型的测试数据，优化循环神经网络模型的网络参数。


4.根据权利要求1所述的方法，其特征在于，所述滤波算法包括卡尔曼滤波算法；所述利用滤波算法对所述电池组荷电状态的量化数据进行滤波处理，包括：
利用卡尔曼滤波算法对所述电池组荷电状态的量化数据进行去除噪声处理，去除量化数据中包含的系统噪声。

【专利技术属性】
技术研发人员：陈秋利，
申请(专利权)人：广州小鹏汽车科技有限公司，
类型：发明
国别省市：广东;44