[发明专利]一种基于大数据的自适应电动汽车SOC估计方法

说明书

本发明公开了一种基于大数据的自适应电动汽车SOC估计方法，通过从车上预先采集到车辆各时刻时间、经度、纬度、SOC值、车速、里程表总里程值、电池包输出总电流和电池包输出总电压作为训练数据集，根据训练数据集中的时间、速度、经纬度、电流和电压值计算出加速度、距离、能耗值，再将特征速度、加速度、距离以及因变量能耗值用于构建极度随机决策树模型，再由里程表总里程值和能耗值以及SOC值得到基于里程和能耗的SOC预测模型，从而由基于里程和能耗的SOC预测模型根据遗传算法得到最终的SOC预测模型，每隔T时间，模型会更新训练数据集中的数据，从而达到自适应预测的效果。

技术领域

本发明涉及电动汽车SOC估计领域，具体的说是一种基于大数据的自适应电动汽车SOC估计方法。

背景技术

近年来，随着锂离子电池技术的迅猛发展，电动汽车的地位与日俱增。但由于锂离子电池的荷电状态(SOC)呈现明显的非线性和时变性等特征，因此SOC的预测问题一直是电动汽车领域中的重点和难点，由于缺乏预测长时间跨度的SOC的手段，因此往往会出现驾驶员里程焦虑现象。且长时间跨度的SOC预测对智能交通，无人驾驶等方面也有着重要的意义。

目前，实现对SOC估计的常用方法主要有以下三种：第一种是以安培积分法、开路电压法、查表法等为代表的完全基于电池模型的估计方法；第二种是以粒子滤波、无迹卡尔曼滤波、拓展卡尔曼滤波等为代表的递归类方法；第三种是以支持向量机、神经网络等为代表的机器学习方法。但其都存在各自的缺点与不足。在使用第一种完全基于电池模型的估计方法时，此类方法随着预测时间跨度的增长，其误差会渐渐累积，因此预测结果可能会有较大的误差；递归类算法依赖于电池模型，并且随着单次预测时间跨度的增长预测正确率显著下降，递归类算法在计算的过程中其不确定性可能会不断积累，可能会严重影响结果甚至导致算法发散；第三类机器学习方法不足之处在于需要大量的数据支持，计算量较大，且算法模型并不容易被训练好。

发明内容

本发明为解决技术问题存在的不足之处，提供一种基于大数据的自适应电动汽车SOC估计方法，以期通过汽车在以往行驶中产生的大数据能准确地在车辆尚未到达终点时预估到达终点的SOC值，从而满足车辆控制、无人驾驶、路径规划、智能交通等方面的需求。

为解决上述技术问题，本发明是采用如下技术方案实现：

本发明一种基于大数据的自适应电动汽车SOC估计方法的特点是按如下步骤进行；

步骤1、计算加速度、距离以及能耗值：

步骤1.1、在汽车上通过传感器以时间t为周期采集经度、纬度、SOC值、车速、里程表总里程值、电池包输出总电流和电池包输出总电压作为训练数据集；其中，第i个时间周期t_i所采集的数据记为：第i个经度α_i、第i个纬度β_i、第i个时间周期t_i的SOC值、第i个车速v_i、里程表总里程值、第i个输出总电流i_i和第i个输出总电压u_i；

步骤1.2、利用式(1)得到第i个加速度a_i：

式(1)中，当i＝1时，令v_i-1＝v_i；

利用式(2)得到第i个距离S_i：

S_i＝Rcos[cosβ_icosβ_i-1cos(α_i-α_i-1)+sinβ_isinβ_i-1] (2)