电动汽车的脉冲充电频率优化方法、装置与流程

本发明涉及电动汽车技术领域，具体涉及一种电动汽车的脉冲充电频率优化方法、一种一种电动汽车的脉冲充电频率优化装置。

背景技术：

充电策略对于车载动力电池寿命以及可靠性具有重要影响，相比传统充电方式，脉冲充电在充电速度，能量效率，提高电池寿命等方面均具有优势。近年来，随着新能源电动汽车产业的发展，如何更快更好地充电显得尤为重要，未来脉冲充电在电动汽车充电领域具有巨大的应用前景。

现有研究表明，脉冲充电频率对充电效果有重要影响。电池频谱测试结果显示，不同充电频率下电池阻抗不同，阻抗越低意味着充电损耗越低，充电效率越高，通过优选充电频率可以达到更好的充电效果。

目前，在实验室对于电池脉冲充电频率的优化主要采用交流阻抗等效电路模型等方法，基于此类模型的方法需要对电池进行复杂的充放电标定和测试，以获得建立相关模型的参数。而在电动汽车实际充电过程中，能够获取和统计到的数据很少，不足以支撑相关模型建立；且在电动汽车实际使用过程中，随着行驶里程和使用时间的增长，动力电池会出现比较明显的老化现象，不同温度，soc(stateofcharge，荷电状态)等参数下对应的最优脉冲充电频率也会发生相应改变，无法实时适配充电频率。

技术实现要素：

本发明为解决上述技术问题，提供了一种电动汽车的脉冲充电频率优化方法，该方法实施过程中无需对车载动力电池进行额外的标定和复杂测试，同时，可持续根据充电数据在线优化并输出适配车辆及电池状态的充电频率，无需频繁地进行电池检测，提高了工作效率，降低了成本，且优化过程聚焦于缓解和消除充电过程中浓差极化作用，基于此理论做特征筛选和数据预处理，减少了机器学习算法数据噪声和计算量，进一步降低了算力要求和硬件成本，提高了系统响应速度，提供更好的用户体验。

本发明还提供一种电动汽车的脉冲充电频率优化装置。

本发明采用的技术方案如下：

本发明第一方面实施例提出了一种电动汽车的脉冲充电频率优化方法，包括以下步骤：获取所述电动汽车的历史脉冲充电数据；根据所述历史脉冲充电数据，筛选输入特征值，并对筛选后的所述输入特征值进行预处理，其中，所述输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh(stateofhealth，健康状态)，所述预处理包括：空数据检测，异常检测及特征范围筛选；计算所述电动汽车充电过程中的电池发热均量，以作为输出特征值；根据所述输入特征值和所述输出特征值，对所述电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型；在所述电动汽车充电开始前，获取所述当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用所述优化模型预测所述当前电动汽车充电过程中的电池发热均量；根据所述优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使所述脉冲充电机按照所述优选频率进行充电。

根据本发明的一个实施例，所述空数据检测，包括：检查输入特征值数据是否有缺失；若所述输入特征值数据有缺失，则检查其前后数据是否存在有效数据；若前后数据存在有效数据，则使用前后数据均值补全数据；若前后数据存在无效数据，认为当前输入特征值数据无效，舍弃处理。

根据本发明的一个实施例，所述异常检测包括：检测是否存在soc跨度小于50％的充电区间；如果是，舍弃soc跨度小于50％的充电区间的输入特征值数据。

根据本发明的一个实施例，所述特征范围筛选包括：检查电池订单容量的相对波动是否大于10％；如果是，则舍弃所述相对波动大于10％的输入特征值数据。

根据本发明的一个实施例，所述机器学习算法包括随机森林算法。

本发明的第二方面实施例提出了一种电动汽车的脉冲充电频率优化装置，包括：获取模块，所述获取模块获取所述电动汽车的历史脉冲充电数据；筛选模块，所述筛选模块用于根据所述历史脉冲充电数据，筛选输入特征值，并对筛选后的所述输入特征值进行预处理，其中，所述输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh，所述预处理包括：空数据检测，异常检测及特征范围筛选；计算模块，所述计算模块用于计算所述电动汽车充电过程中的电池发热均量，以作为输出特征值；训练模块，所述训练模块用于根据所述输入特征值和所述输出特征值，对所述电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型；预测模块，所述预测模块用于在所述电动汽车充电开始前，获取所述当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用所述优化模型预测所述当前电动汽车充电过程中的电池发热均量；优化模块，所述优化模块用于根据所述优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使所述脉冲充电机按照所述优选频率进行充电。

根据本发明的一个实施例，所述空数据检测，包括：检查输入特征值数据是否有缺失；若所述输入特征值数据有缺失，则检查其前后数据是否存在有效数据；若前后数据存在有效数据，则使用前后数据均值补全数据；若前后数据存在无效数据，认为当前输入特征值数据无效，舍弃处理。

根据本发明的一个实施例，所述异常检测包括：检测是否存在soc跨度小于50％的充电区间；如果是，舍弃soc跨度小于50％的充电区间的输入特征值数据。

根据本发明的一个实施例，所述特征范围筛选包括：检查电池订单容量的相对波动是否大于10％；如果是，则舍弃所述相对波动大于10％的输入特征值数据。

根据本发明的一个实施例，所述机器学习算法包括随机森林算法。

本发明的有益效果：

本发明实施过程中无需对车载动力电池进行额外的标定和复杂测试，同时，可持续根据充电数据在线优化并输出适配车辆及电池状态的充电频率，无需频繁地进行电池检测，提高了工作效率，降低了成本，且优化过程聚焦于缓解和消除充电过程中浓差极化作用，基于此理论做特征筛选和数据预处理，减少了机器学习算法数据噪声和计算量，进一步降低了算力要求和硬件成本，提高了系统响应速度，提供更好的用户体验。

附图说明

图1是根据本发明一个实施例的锂电池在不同充电脉冲频率下的阻抗曲线示意图；

图2是根据本发明一个实施例的脉冲充电能量损耗机理示意图；

图3是根据本发明一个实施例的电动汽车的脉冲充电频率优化方法的流程图；

图4是根据本发明一个实施例的随机森林算法的决策树模型样例示意图；

图5是根据本发明一个具体示例的优化模型的输入特征值格式示意图；

图6是根据本发明一个具体示例的优化模型的预测结果示意图；

图7是根据本发明一个实施例的电动汽车的脉冲充电频率优化装置的方框示意图。

具体实施方式

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他实施例，都属于本发明保护的范围。

本发明是发明人基于对以下问题的研究和认知做出的：

现有研究表明，脉冲充电频率对充电效果有重要影响。电池频谱测试结果显示，不同充电频率下电池阻抗不同(图1，横轴为脉冲充电频率，纵轴为阻抗)，阻抗越低意味着充电损耗越低，充电效率越高。从电池机理上看，在充电过程中，电池内部会产生极化现象，对充电过程施加诸多负面影响，如使得活性物质参与反应的能力降低，内部电解液反应加剧等，产热增加等。脉冲充电相对于传统恒流充电方式的优势，即在于在恒流充电中增加了空白电流或反向电流，可以降低电池内部的极化程度，从而达到提高充电效率，延缓电池老化，增加电池使用寿命等效果。对极化现象的缓解程度，关键在于空白电流或反向电流的持续时间，因此在占空比不变的情况下，脉冲充电频率即为控制这一持续时间，减少极化现象的决定性因素，通过优选充电频率可以达到更好的充电效果。

从锂电池充电的机理上看，传统充电的方式的主要能量损耗在于发热，本质上来源于电池内阻。而在充电过程中电池内阻主要由三个部分构成，欧姆极化内阻，电化学极化内阻以及浓差极化内阻。欧姆极化瞬间产生，和系统的物理内阻相关，无法消除；电化学极化时间持续时间极短，在目前的脉冲条件下比较难缓解；可以认为在目前可达到的频率范围内浓差极化内阻为影响充电效率和效果的主要因素。如图2所示，浓差极化过程可以分为极化期，平台期和恢复期三个部分，在极化期中，由于电池通电，极板附近的有效电荷载体浓度升高，产生极化现象，使得需要额外的功率损耗来帮助扩散直至达到稳定状态，在这一过程中需求的能量损耗逐渐升高；到达稳定状态后，系统处于一个稳定的平衡状态，需要持续消耗能量来维持这一浓度梯度，可以等效为充电过程中的浓差极化内阻。根据这一理解，认为缓解和消除充电过程中浓差极化作用，是脉冲充电中应考虑的关键问题。

为此，本发明提出如下技术方案：

图3是根据本发明一个实施例的电动汽车的脉冲充电频率优化方法的流程图。如图3所示，该方法包括以下步骤：

s1，获取电动汽车的历史脉冲充电数据。

s2，根据历史脉冲充电数据，筛选输入特征值，并对筛选后的输入特征值进行预处理。其中，输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh，预处理包括：空数据检测，异常检测及特征范围筛选。

s3，计算电动汽车充电过程中的电池发热均量，以作为输出特征值。

s4，根据输入特征值和输出特征值，对电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型。

s5，在电动汽车充电开始前，获取当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用优化模型预测当前电动汽车充电过程中的电池发热均量。

s6，根据优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使脉冲充电机按照优选频率进行充电。

具体的，可以收集某一车辆或车型的历史脉冲充电数据，然后根据电池脉冲频率优化理论对历史脉冲充电数据进行预筛选，筛选出脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh作为输入特征值，然后对筛选出的输入特征值进行预处理，预处理主要包括空数据检测，异常检测及特征范围筛选。计算整个充电过程中的电池发热均量，将其作为输出特征值，根据输入特征值和输出特征值，对电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型。每次充电开始前，输入当前车辆信息，并差异化输入充电机能够提供的脉冲充电频率，例如，冲充电频率处分别差异化填入0.1khz，0.5khz，1khz，5khz，10khz，并使用基于上述步骤得到的优化模型进行预测；根据优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使脉冲充电机按照优选频率进行充电。

由此，该方法实施过程中无需对车载动力电池进行额外的标定和复杂测试，同时，可持续根据充电数据在线优化并输出适配车辆及电池状态的充电频率，无需频繁地进行电池检测，提高了工作效率，降低了成本，且优化过程聚焦于缓解和消除充电过程中浓差极化作用，基于此理论做特征筛选和数据预处理，减少了机器学习算法数据噪声和计算量，进一步降低了算力要求和硬件成本，提高了系统响应速度，提供更好的用户体验。

根据本发明的一个实施例，空数据检测，包括：检查输入特征值数据是否有缺失；若输入特征值数据有缺失，则检查其前后数据是否存在有效数据；若前后数据存在有效数据，则使用前后数据均值补全数据；若前后数据存在无效数据，认为当前输入特征值数据无效，舍弃处理。

根据本发明的一个实施例，异常检测包括：检测是否存在soc跨度小于50％的充电区间；如果是，舍弃soc跨度小于50％的充电区间的输入特征值数据。

具体的，短时间的充电能量不变化不明显，且受外界影响大，不能真实反映电池损耗，因此在数据预处理时舍弃soc跨度小于50的这部分数据。

根据本发明的一个实施例，特征范围筛选包括：检查电池订单容量的相对波动是否大于10％；如果是，则舍弃相对波动大于10％的输入特征值数据。

具体的，现有的电池容量计算方法普遍采用安时积分法，若某次充电电池容量相对波动过大，预示着当次充电可能存在电流采样不准，车辆或电池故障等异常，不宜作为模型的训练数据，因此舍弃相对容量波动大于10％的订单数据。

在本发明的实施例中，机器学习算法可采用各类机器学习算法，例如采用随机森林算法。

具体的，随机森林算法是多个决策树的集合，通过随机选择一部分特征及构建多个决策树并将各个决策树的预测结果综合后给出结论，可减少决策树算法的过拟合现象。决策数模型是一种对实例进行分类的树形结构。决策树由结点和有向边组成，示意图参考图4。决策树包含了一个根结点、若干个内部结点和若干个叶结点。决策树学习的过程中，最为关键的是如何选择最优划分属性。随着划分过程不断进行，决策树的分支结点所包含的样本应尽可能属于同一类别，即结点的纯度应越来越高。判断节点纯度的方法包括信息熵，信息增益率，基尼系数等。信息熵是度量样本集合纯度最常用的一种指标，其基本原理如下：假定当前样本集合d中第k类样本所占的比例为pk(k＝1,2,…,n),则d的信息熵定义为：

信息熵ent(d)的值越小，则d的纯度越高。信息熵表达一个数据所包含的信息量，或者说是信息的复杂程度、不确定性程度。例如当某一随机变量只取0、1两个值时，当取0的概率＝取1的概率＝0.5时，信息熵达到最大值，值为1，可以看做此时系统的不确定性最高；当某一取值的概率为0，另一取值概率为1时，此时可以认为系统是完全确定的，因为只能取到0或1，相应的，信息熵取值为0。

决策树模型以ent(d)值为标准，遍历特征值的判断条件，选取信息熵值最低即分支节点纯度最高的方式作为当前节点的分类条件，因而可以起到筛选特征值的作用。若某一输入特征值和结果相关性低，则其在分类时不会被选择作为分类判断条件。因此使用这一算法时无必要对输入特征进行筛选，实际实施时可将所有可能相关的特征值作为输入，算法本身可基于数据驱动判断逻辑做出选择。

举例而言，获取到某一电动汽车的历史脉冲充电数据集共有529次充电订单数据，将其拆分为训练集和测试集，其中训练集中有423条数据，测试集中有106条数据。使用以上数据集和测试集训练模型。随机森林算法的相关技术参数可以如下：

随机森林决策树数量：10；分裂标准：信息熵；最小节点分裂个数：2；最小叶样本数量：1；随机数状态：1；并行计算数：2。

为使本领域技术人员更清楚地理解本发明，下面结合具体的示例进行说明。

获取其车辆识别码【****f8d6494a0】，在充电数据库中筛选出其历史脉冲充电数据；基于车辆【****f8d6494a0】的历史充电数据，根据电池脉冲频率优化理论筛选特征值，选取脉冲频率，占空比，初始soc，目标soc，电池初始温度，电池容量，soh，充电电流作为本车辆优化模型的输入特征，并对筛选后的数据进行预处理。

采用训练好的优化模型计算输出特征值，本发明中输出特征值为电池发热均量或者电池分均温升，计算方法为累计温升除以充电时间(单位：分)，将其作为目输出特征值添加到特征数据集中。根据输入特征值和输出特征值，对历史充电数据使用机器学习算法进行建模，以获取优化模型。

某电动汽车发起脉冲充电请求，获取当前车辆的特征信息，输入优化模型计算得到预测结果。例如，获取到当前车辆当前soc为42％，电池充电起始温度8℃，电池容量为104a·h，电池soh为85％，目标soc未获取到用户输入，填入默认值100％，充电电流和占空比均输入系统默认值(50a，0.9),并在脉冲充电频率处分别差异化填入0.1khz，0.5khz，1khz，5khz，10khz,具体数据格式及数值如图5所示，输入至上述步骤中随机森林算法建立的优化模型，得到模型预测的不同充电频率下的电池发热均量水平，如图5所示。图5中横轴为脉冲充电频率，纵轴为电池发热均量。

选择电池发热均量最低水平的对应的充电频率作为输出值，输出给脉冲充电机进行充电。由图6可以看出，不同脉冲频率的充电方案中，模型预测采用5khz频率充电时发热均量最低，即能量损失最低，所以选择5khz的脉冲充电频率输出给脉冲充电机进行充电。

综上所述，根据本发明实施例的电动汽车的脉冲充电频率优化方法，获取电动汽车的历史脉冲充电数据，根据历史脉冲充电数据，筛选输入特征值，并对筛选后的输入特征值进行预处理，其中，输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh，预处理包括：空数据检测，异常检测及特征范围筛选，计算电动汽车充电过程中的电池发热均量，以作为输出特征值，根据输入特征值和输出特征值，对电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型，在电动汽车充电开始前，获取当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用优化模型预测当前电动汽车充电过程中的电池发热均量，根据优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使脉冲充电机按照优选频率进行充电。由此，该方法实施过程中无需对车载动力电池进行额外的标定和复杂测试，同时，可持续根据充电数据在线优化并输出适配车辆及电池状态的充电频率，无需频繁地进行电池检测，提高了工作效率，降低了成本，且优化过程聚焦于缓解和消除充电过程中浓差极化作用，基于此理论做特征筛选和数据预处理，减少了机器学习算法数据噪声和计算量，进一步降低了算力要求和硬件成本，提高了系统响应速度，提供更好的用户体验。

与上述的电动汽车的脉冲充电频率优化方法相对应，本发明还提出一种电动汽车的脉冲充电频率优化装置。由于本发明的装置实施例与上述的方法实施例相对应，对于装置实施例中未披露的细节可参照上述的方法实施例，本发明中不再进行赘述。

图7是根据本发明一个实施例的电动汽车的脉冲充电频率优化装置的方框示意图。如图7所示，该装置包括：获取模块1、筛选模块2、计算模块3、训练模块4、预测模块5、优化模块6。

其中，获取模块1用于获取电动汽车的历史脉冲充电数据；筛选模块2用于根据历史脉冲充电数据，筛选输入特征值，并对筛选后的输入特征值进行预处理，其中，输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh，预处理包括：空数据检测，异常检测及特征范围筛选；计算模块3用于计算电动汽车充电过程中的电池发热均量，以作为输出特征值；训练模块4用于根据输入特征值和输出特征值，对电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型；预测模块5用于在电动汽车充电开始前，获取当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用优化模型预测当前电动汽车充电过程中的电池发热均量；优化模块6用于根据优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使脉冲充电机按照优选频率进行充电。

根据本发明的一个实施例，空数据检测，包括：检查输入特征值数据是否有缺失；若输入特征值数据有缺失，则检查其前后数据是否存在有效数据；若前后数据存在有效数据，则使用前后数据均值补全数据；若前后数据存在无效数据，认为当前输入特征值数据无效，舍弃处理。

根据本发明的一个实施例，异常检测包括：检测是否存在soc跨度小于50％的充电区间；如果是，舍弃soc跨度小于50％的充电区间的输入特征值数据。

具体的，短时间的充电能量不变化不明显，且受外界影响大，不能真实反映电池损耗，因此在数据预处理时舍弃soc跨度小于50的这部分数据。

根据本发明的一个实施例，特征范围筛选包括：检查电池订单容量的相对波动是否大于10％；如果是，则舍弃相对波动大于10％的输入特征值数据。

具体的，现有的电池容量计算方法普遍采用安时积分法，若某次充电电池容量相对波动过大，预示着当次充电可能存在电流采样不准，车辆或电池故障等异常，不宜作为模型的训练数据，因此舍弃相对容量波动大于10％的订单数据。

在本发明的实施例中，机器学习算法可采用各类机器学习算法，例如采用随机森林算法。

综上所述，根据本发明实施例的电动汽车的脉冲充电频率优化装置，通过获取模块获取电动汽车的历史脉冲充电数据，筛选模块根据历史脉冲充电数据，筛选输入特征值，并对筛选后的输入特征值进行预处理，其中，输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh，预处理包括：空数据检测，异常检测及特征范围筛选，计算模块计算电动汽车充电过程中的电池发热均量，以作为输出特征值，训练模块根据输入特征值和输出特征值，对电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型，预测模块在电动汽车充电开始前，获取当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用优化模型预测当前电动汽车充电过程中的电池发热均量，优化模块根据优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使脉冲充电机按照优选频率进行充电。由此，该装置实施过程中无需对车载动力电池进行额外的标定和复杂测试，同时，可持续根据充电数据在线优化并输出适配车辆及电池状态的充电频率，无需频繁地进行电池检测，提高了工作效率，降低了成本，且优化过程聚焦于缓解和消除充电过程中浓差极化作用，基于此理论做特征筛选和数据预处理，减少了机器学习算法数据噪声和计算量，进一步降低了算力要求和硬件成本，提高了系统响应速度，提供更好的用户体验。

此外，本发明还提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述程序时，实现上述的电动汽车的脉冲充电频率优化方法。

根据本发明实施例的计算机设备，存储在存储器上的计算机程序被处理器执行时，获取电动汽车的历史脉冲充电数据，根据历史脉冲充电数据，筛选输入特征值，并对筛选后的输入特征值进行预处理，其中，输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh，预处理包括：空数据检测，异常检测及特征范围筛选，计算电动汽车充电过程中的电池发热均量，以作为输出特征值，根据输入特征值和输出特征值，对电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型，在电动汽车充电开始前，获取当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用优化模型预测当前电动汽车充电过程中的电池发热均量，根据优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使脉冲充电机按照优选频率进行充电，由此，无需对车载动力电池进行额外的标定和复杂测试，同时，可持续根据充电数据在线优化并输出适配车辆及电池状态的充电频率，无需频繁地进行电池检测，提高了工作效率，降低了成本，且优化过程聚焦于缓解和消除充电过程中浓差极化作用，基于此理论做特征筛选和数据预处理，减少了机器学习算法数据噪声和计算量，进一步降低了算力要求和硬件成本，提高了系统响应速度，提供更好的用户体验。

此外，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的电动汽车的脉冲充电频率优化方法。

根据本发明实施例的非临时性计算机可读存储介质，存储在其上的计算机程序被处理器执行时，获取电动汽车的历史脉冲充电数据，根据历史脉冲充电数据，筛选输入特征值，并对筛选后的输入特征值进行预处理，其中，输入特征值包括：脉冲频率、占空比、初始soc、目标soc、电池初始温度、电池容量、soh，预处理包括：空数据检测，异常检测及特征范围筛选，计算电动汽车充电过程中的电池发热均量，以作为输出特征值，根据输入特征值和输出特征值，对电动汽车的历史充电数据使用机器学习算法进行建模，以获取优化模型，在电动汽车充电开始前，获取当前电动汽车的信息，并差异化输入充电机能够提供的脉冲充电频率，使用优化模型预测当前电动汽车充电过程中的电池发热均量，根据优化模型预测的电池发热均量，选择最低发热均量的充电频率作为优选频率输出至脉冲充电机，以使脉冲充电机按照优选频率进行充电，由此，无需对车载动力电池进行额外的标定和复杂测试，同时，可持续根据充电数据在线优化并输出适配车辆及电池状态的充电频率，无需频繁地进行电池检测，提高了工作效率，降低了成本，且优化过程聚焦于缓解和消除充电过程中浓差极化作用，基于此理论做特征筛选和数据预处理，减少了机器学习算法数据噪声和计算量，进一步降低了算力要求和硬件成本，提高了系统响应速度，提供更好的用户体验。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，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模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。