车辆充电时间预测方法、装置、设备及介质制造方法及图纸

本发明专利技术属于充电领域，提供了一种车辆充电时间预测方法、装置、设备及介质，该方法包括：获取车辆充电数据集，所述车辆充电数据集包括车辆充电数据、充电桩设备数据以及车辆充电时长形成标签变量；对所述车辆充电数据集进行归一化处理，获得归一化数据集；对所述归一化数据集内的变量进行因子相关性分析，进而构建用于目标变量分类的逻辑回归分类器；根据所述归一化数据集训练所述逻辑回归分类器，得到多分类的归一化指数函数为预测模型；将待测的目标车辆当前充电参数输入所述预测模型，获得所述目标车辆的剩余充电时长，本申请实施例能够准确地预测剩余充电时间，能够为用户用电提供准确的参考，提升用户体验。提升用户体验。提升用户体验。

【技术实现步骤摘要】
车辆充电时间预测方法、装置、设备及介质


[0001]本专利技术涉及新能源车辆充电领域，具体涉及一种车辆充电时间预测方法、装置、设备及介质。

技术介绍

[0002]电池管理系统，是新能源汽车控制的大脑，汽车能够安全、有效使用关键。目前电池管理系统的各项技术指标越来成熟，但是对充电时间预测功能依然非常粗糙。常用的剩余时间预测方法，基于SOC(state
‑
of
‑
charge，剩余容量)、充电电流来简单估算充电剩余时间，该方法过于简单，误差较大。
[0003]值得注意的是，在电池充电过程中，除了SOC和充电电流外，电池老化程度、电池温度、外界温度、充电桩设备数据，以及数据之间相关性等许多因素会对充电时间产生影响，但是这些因素如何影响，影响的程度有多大，很难用实验的方式得到结果，因此，无法建立有效的函数预测模型。比如，中国专利CN113335125A公开了一种车辆充电方法，基于车辆工作数据和预先训练好的耗电模型得到车辆耗电量；基于车辆充电数据、车辆耗电量和预先训练好的充电模型，得到车辆充电时长；并未考虑充电本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆充电时间预测方法，其特征在于，包括：获取车辆充电数据集，所述车辆充电数据集包括车辆充电数据、充电桩设备数据以及车辆充电时长形成标签变量；对所述车辆充电数据集进行归一化处理，获得归一化数据集；对所述归一化数据集内的变量进行因子相关性分析，进而构建用于目标变量分类的逻辑回归分类器；根据所述归一化数据集训练所述逻辑回归分类器，得到多分类的归一化指数函数为预测模型；将待测的目标车辆当前充电参数输入所述预测模型，获得所述目标车辆的剩余充电时长。2.根据权利要求1所述的车辆充电时间预测方法，其特征在于，对所述车辆充电数据集进行归一化处理之前，还包括：确定所述车辆充电数据集各自所对应的缺失变量的个数；将所述缺失变量的个数大于或等于预设缺失阈值的变量进行删除，同时，对所述缺失变量的个数小于预设缺失阈值的变量进行均值填充，以使所述车辆充电数据集完成数据预处理。3.根据权利要求2所述的车辆充电时间预测方法，其特征在于，对所述车辆充电数据集进行归一化处理，包括：对所述车辆充电数据集内数值变量进行归一化处理，得到第一归一化数据集，所述车辆充电数据为数值变量；利用哑变量生成算法对所述车辆充电数据集内分类变量进行归一化处理，得到第二归一化数据集，所述充电桩设备数据的部分字段与标签变量均为分类变量；所述第一归一化数据集与所述第二归一化数据集构成同一维度的所述归一化数据集。4.根据权利要求1所述的车辆充电时间预测方法，其特征在于，对所述归一化数据集内的变量进行因子相关性分析，进而构建用于目标变量分类的逻辑回归分类器，包括：将所述归一化数据集内的变量进行因子相关性分析，得到自变量与因变量；利用所述自变量与所述因变量构建逻辑回归分类器，计算变量系数Beta和R2，其中，所述因变量为分类变量，Beta用于表征各变量对充电时长的影响力，R2用于表征各变量对充电时长的预测结果的可信度；电时长的预测结果的可信度；式中，通过对L(θ)求取最小值确定变量系数Beta，y
t
是真实标签，是预测标签，是标签的平均值；α是截距，y是标签变量，θ表示截距和变量系数的向量组合，X表示分类变量，θ
T
为θ的转置矩阵。5.根据权利要求4所述的车辆充电时间预测方法，其特征在于，根据所述归一化数据集训练所述逻辑回归分类器，得到多分类的归一化指数函数为预测模型，包括：将所述归一化数据集内携带标签变量的数据作为训练集，利用所述训练集训练所述逻辑回归分类器；其中，所述逻辑回...

【专利技术属性】
技术研发人员：刁冠通，陈叶浪，刘星江，翟钧，苏琳珂，
申请(专利权)人：重庆长安新能源汽车科技有限公司，
类型：发明
国别省市：