充电时间预测方法、系统、控制装置及可读存储介质与流程

本发明涉及充电，具体提供一种充电时间预测方法、系统、控制装置及可读存储介质。

背景技术：

1、随着车辆的快速发展，如何实现车辆的快速补能也受到了更多的关注。而对充电行程中电池状态进行准确估计以及有效监控，并对电池的满充时间进行准确估计，是提升用户在快速补能行程中的产品体验的重要影响因素。

2、在电池管理系统的应用中，针对电池满充时间主要通过两种方式来获得，一种是根据电池包的当前充电电流，和电池当前状态到充电目标状态的安时数计算出充电预估时间；另一种是根据电池包的出厂数据，通过电池包的当前温度状态和soc(state ofcharge，荷电状态)估计理论满充的预估时间。这两种预估时间的算法都是基于车辆本地端的电芯数据做预设时间计算的。第一种方法无法考虑到电池包充电行程中的电流降流情况，仅使用当前电池包充电电流的大小计算充电所需要时间存在较大误差。第二种方法没有考虑电池包电芯的不同老化程度对于充电请求大小的影响，预估时间会存在偏差，且如果出现充电桩能力不足的情况，即实际充电电流远小于请求电流的情况，通过这种方法多得到的预估时间会远低于实际充电所需时间。

3、相应地，本领域需要一种新的车辆的充电时间预测方案来解决上述问题。

技术实现思路

1、为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何更为准确地对车辆的充电时间进行准确预测，以提升用户在快速加电场景下的用户体验的问题。

2、在第一方面，本发明提供一种充电时间预测方法，所述方法包括：

3、响应于车辆的加电请求，为所述车辆分配对应的充电桩；

4、根据所述充电桩的充电桩信息和所述车辆的电池包的充电参数，判断当前的充电场景；

5、根据所述电池包的充电参数，应用预设的soh算法，获取所述电池包的当前老化状态参数；

6、根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测。

7、在上述充电时间预测方法的一个技术方案中，所述充电桩信息包括当前进包电流和所述充电桩的分配情况，所述充电参数包括当前请求电流，“根据所述充电桩的桩端能力和所述车辆的充电参数，判断当前的充电场景”的步骤包括：

8、根据所述当前进包电流、所述充电桩的分配情况和所述当前请求电流，判断当前的充电场景。

9、在上述充电时间预测方法的一个技术方案中，所述充电场景包括桩端部分满足满充充电场景、桩端不满足满充充电场景和桩端满足满充充电场景，“根据所述当前进包电流、所述充电桩的分配情况和所述当前请求电流，判断当前的充电场景”的步骤包括：

10、当所述充电桩的分配情况为仅为单一车辆充电且所述当前请求电流和所述当前进包电流的差值的绝对值小于预设的电流阈值时，判定当前的充电场景为桩端满足满充充电场景；

11、当所述充电桩的分配情况为仅为单一车辆充电且所述当前请求电流和所述当前进包电流的差值的绝对值大于等于所述电流阈值时，判定当前的充电场景为桩端不满足满充充电场景；

12、当所述充电桩的分配情况为多于一台车辆充电时，判定当前的充电场景为桩端部分满足满充充电场景。

13、在上述充电时间预测方法的一个技术方案中，所述充电桩信息还包括所述充电桩的最大输出功率，“根据所述充电桩的充电桩信息和所述车辆的电池包的充电参数，判断当前的充电场景”的步骤还包括：

14、当所述最大输出功率小于预设的功率阈值时，判定当前的充电场景为桩端不满足满充充电场景。

15、在上述充电时间预测方法的一个技术方案中，“根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测”的步骤包括：

16、应用预设的神经网络模型，根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测。

17、在上述充电时间预测方法的一个技术方案中，所述神经网络模型中针对不同充电场景的部署不同的自学习算法，“应用预设的神经网络模型，根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测”的步骤包括：

18、设置所述神经网络模型的输入变量，其中，所述输入变量包括所述当前老化状态参数；

19、根据所述充电场景选择进行充电时间预测的自学习算法；

20、应用选择的自学习算法，根据所述输入变量，对所述电池包的充电时间进行预测。

21、在上述充电时间预测方法的一个技术方案中，所述输入变量还包括所述电池包的最高温度、最低温度、平均电芯温度、电芯最大荷电状态、请求电流、进包电流、充电环境温度、所述充电桩的最大输出功率、最大输出电流和所述车辆的附件消耗功率中的至少一种。

22、在上述充电时间预测方法的一个技术方案中，所述方法还包括根据以下步骤对所述神经网络模型进行迭代训练，以实现所述神经网络模型的自学习：

23、获取车辆历史充电行程的充电参数和充电桩信息；

24、根据所述充电参数和所述充电桩信息，对每个历史充电行程进行充电场景标注；

25、将标注的不同充电场景的历史充电行程的充电参数和充电桩信息作为训练集，将电池包充满的充电时间作为学习目标，对所述神经网络模型中部署的所述充电场景对应的自学习算法进行迭代训练，以实现所述神经网络模型的自学习。

26、在上述充电时间预测方法的一个技术方案中，所述充电桩信息包括所述进包电流和最大输出功率，所述充电参数包括所述车辆的电池包的请求电流，“根据所述充电参数和所述充电桩信息，对每个历史充电行程进行充电场景标注”的步骤包括：

27、针对每个历史充电行程，当当前历史充电行程为充电桩仅为单一车辆充电，且所述车辆电池包的请求电流与所述充电桩的进包电流的差值的绝对值小于预设的电流阈值时，将所述历史充电行程标注为满足满充充电场景；

28、当当前历史充电行程为充电桩仅为单一车辆充电，且所述车辆电池包的请求电流与所述充电桩的进包电流的差值的绝对值大于等于所述电流阈值时，将所述历史充电行程标注为不满足满充充电场景；

29、当所述充电行程为充电桩为多于一台车辆充电时，将所述历史充电行程标注为部分满足满充充电场景；

30、当所述充电行程充电桩的最大输出功率小于预设的功率阈值时，将所述历史充电行程标注为不满足满充充电场景。

31、在上述充电时间预测方法的一个技术方案中，所述方法还包括：

32、根据预设的时间间隔，定期将符合所述充电场景的充电行程作为更新的训练集；

33、基于更新的训练集对所述神经网络模型的进行再训练，以实现所述神经网络模型的优化。

34、在第二方面，本发明提供一种充电时间预测系统，所述系统包括：

35、充电桩分配模块，其被配置为响应于车辆的加电请求，为所述车辆分配对应的充电桩；

36、充电场景判断模块，其被配置为根据所述充电桩的充电桩信息和所述车辆的电池包的充电参数，判断当前的充电场景；

37、老化状态参数获取模块，其被配置为根据所述电池包的充电参数，应用预设的soh算法，获取所述电池包的当前老化状态参数；

38、充电时间预测模块，其被配置为根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测。

39、在第三方面，提供一种控制装置，该控制装置包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述充电时间预测方法的技术方案中任一项技术方案所述的充电时间预测方法。

40、在第四方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述充电时间预测方法的技术方案中任一项技术方案所述的充电时间预测方法。

41、本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：

42、在实施本发明的技术方案中，本发明在车辆发出加电请求后会为车辆分配充电桩，根据充电桩信息和车辆电池包的充电参数，判定当前的充电场景，并根据电池包的充电参数预测电池包的当前老化状态参数，进一步根据当前老化状态参数和充电场景，对电池包的充电时间进行预测。通过上述配置方式，本发明能够根据充电场景考虑到电池包在充电过程中，存在电流降流的情况，并根据当前老化状态参数，预测到电池包的老化程度，结合充电场景和当前老化状态参数对充电时间进行预测，能够使得预测获得的充电时间更为接近实际充电所需时间，实现了车辆充电时间的准确预测，提升了用户的用户体验。

43、方案1.一种充电时间预测方法，其特征在于，所述方法包括：

44、响应于车辆的加电请求，为所述车辆分配对应的充电桩；

45、根据所述充电桩的充电桩信息和所述车辆的电池包的充电参数，判断当前的充电场景；

46、根据所述电池包的充电参数，应用预设的soh算法，获取所述电池包的当前老化状态参数；

47、根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测。

48、方案2.根据方案1所述的充电时间预测方法，其特征在于，所述充电桩信息包括当前进包电流和所述充电桩的分配情况，所述充电参数包括当前请求电流，“根据所述充电桩的桩端能力和所述车辆的充电参数，判断当前的充电场景”的步骤包括：

49、根据所述当前进包电流、所述充电桩的分配情况和所述当前请求电流，判断当前的充电场景。

50、方案3.根据方案2所述的充电时间预测方法，其特征在于，所述充电场景包括桩端部分满足满充充电场景、桩端不满足满充充电场景和桩端满足满充充电场景，“根据所述当前进包电流、所述充电桩的分配情况和所述当前请求电流，判断当前的充电场景”的步骤包括：

51、当所述充电桩的分配情况为仅为单一车辆充电且所述当前请求电流和所述当前进包电流的差值的绝对值小于预设的电流阈值时，判定当前的充电场景为桩端满足满充充电场景；

52、当所述充电桩的分配情况为仅为单一车辆充电且所述当前请求电流和所述当前进包电流的差值的绝对值大于等于所述电流阈值时，判定当前的充电场景为桩端不满足满充充电场景；

53、当所述充电桩的分配情况为多于一台车辆充电时，判定当前的充电场景为桩端部分满足满充充电场景。

54、方案4.根据方案3所述的充电时间预测方法，其特征在于，所述充电桩信息还包括所述充电桩的最大输出功率，“根据所述充电桩的充电桩信息和所述车辆的电池包的充电参数，判断当前的充电场景”的步骤还包括：

55、当所述最大输出功率小于预设的功率阈值时，判定当前的充电场景为桩端不满足满充充电场景。

56、方案5.根据方案1所述的充电时间预测方法，其特征在于，“根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测”的步骤包括：

57、应用预设的神经网络模型，根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测。

58、方案6.根据方案5所述的充电时间预测方法，其特征在于，所述神经网络模型中针对不同充电场景的部署不同的自学习算法，“应用预设的神经网络模型，根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测”的步骤包括：

59、设置所述神经网络模型的输入变量，其中，所述输入变量包括所述当前老化状态参数；

60、根据所述充电场景选择进行充电时间预测的自学习算法；

61、应用选择的自学习算法，根据所述输入变量，对所述电池包的充电时间进行预测。

62、方案7.根据方案6所述的充电时间预测方法，其特征在于，所述输入变量还包括所述电池包的最高温度、最低温度、平均电芯温度、电芯最大荷电状态、请求电流、进包电流、充电环境温度、所述充电桩的最大输出功率、最大输出电流和所述车辆的附件消耗功率中的至少一种。

63、方案8.根据方案6所述的充电时间预测方法，其特征在于，所述方法还包括根据以下步骤对所述神经网络模型进行迭代训练，以实现所述神经网络模型的自学习：

64、获取车辆历史充电行程的充电参数和充电桩信息；

65、根据所述充电参数和所述充电桩信息，对每个历史充电行程进行充电场景标注；

66、将标注的不同充电场景的历史充电行程的充电参数和充电桩信息作为训练集，将电池包充满的充电时间作为学习目标，对所述神经网络模型中部署的所述充电场景对应的自学习算法进行迭代训练，以实现所述神经网络模型的自学习。

67、方案9.根据方案8所述的充电时间预测方法，其特征在于，所述充电桩信息包括所述进包电流和最大输出功率，所述充电参数包括所述车辆的电池包的请求电流，“根据所述充电参数和所述充电桩信息，对每个历史充电行程进行充电场景标注”的步骤包括：

68、针对每个历史充电行程，当当前历史充电行程为充电桩仅为单一车辆充电，且所述车辆电池包的请求电流与所述充电桩的进包电流的差值的绝对值小于预设的电流阈值时，将所述历史充电行程标注为满足满充充电场景；

69、当当前历史充电行程为充电桩仅为单一车辆充电，且所述车辆电池包的请求电流与所述充电桩的进包电流的差值的绝对值大于等于所述电流阈值时，将所述历史充电行程标注为不满足满充充电场景；

70、当所述充电行程为充电桩为多于一台车辆充电时，将所述历史充电行程标注为部分满足满充充电场景；

71、当所述充电行程充电桩的最大输出功率小于预设的功率阈值时，将所述历史充电行程标注为不满足满充充电场景。

72、方案10.根据方案8所述的充电时间预测方法，其特征在于，所述方法还包括：

73、根据预设的时间间隔，定期将符合所述充电场景的充电行程作为更新的训练集；

74、基于更新的训练集对所述神经网络模型的进行再训练，以实现所述神经网络模型的优化。

75、方案11.一种充电时间预测系统，其特征在于，所述系统包括：

76、充电桩分配模块，其被配置为响应于车辆的加电请求，为所述车辆分配对应的充电桩；

77、充电场景判断模块，其被配置为根据所述充电桩的充电桩信息和所述车辆的电池包的充电参数，判断当前的充电场景；

78、老化状态参数获取模块，其被配置为根据所述电池包的充电参数，应用预设的soh算法，获取所述电池包的当前老化状态参数；

79、充电时间预测模块，其被配置为根据所述当前老化状态参数和所述充电场景，对所述电池包的充电时间进行预测。

80、方案12.一种控制装置，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行方案1至10中任一项所述的充电时间预测方法。

81、方案13.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行方案1至10中任一项所述的充电时间预测方法。