本發明涉及動力電池，尤其涉及基于偏差調整的動力電池充電曲線動態預測方法。

背景技術：

1、目前，針對電動汽車用動力電池充電時長預測的研究，多數文獻從充電網點的角度展開分析，重點集中在充電站資源分配、電網負載均衡以及用戶充電體驗優化等方面。然而，這些研究主要面向智能化程度較高的公共充電網點，這類充電設施通常集中分布于大城市或高速服務區等基礎設施配套良好的區域。對于需要頻繁跨區域出行的車輛而言，僅依賴特定充電網點進行預測存在較大局限性。如果車輛能夠在不限充電網點的條件下，基于本地動力電池實時充電數據自主預測其充電時長，不僅能夠幫助駕駛者合理規劃行程，減少不必要的等待時間，還可以顯著提高出行效率和用戶體驗，實現更加智能化的充電行為管理。

2、車輛的充電時長預測問題，實際上可以視為充電模式分類問題和充電曲線自動擬合問題的集合。首先，不同充電模式(如恒流模式和恒壓模式)下，充電曲線的形態具有高度相似性。因此，針對特定的充電模式進行分類，是實現動力電池充電時長精準預測的前提。其次，從新能源車輛的實際使用場景來看，實時預測充電時長仍然面臨諸多挑戰。其主要原因是充電過程中，受電池當前溫度、soc和充電速率等因素的綜合影響，充電功率容易存在動態調整或者波動，從而導致充電曲線的階段性不規律特性，這些問題直接影響了充電時長預測的準確性。由此，在充電過程中，為有效應對電流、電壓的動態波動，提出相應的高效、適配偏差調整模型是實現電池充電時長精準預測的另外一個前提。

3、因此，亟需基于偏差調整的動力電池充電曲線動態預測方法，能夠準確預測充電時長，并動態優化充電過程，減少充電時間，提高充電樁和車載動力電池的利用效率。

技術實現思路

1、為了解決上述技術問題，本發明提供了基于偏差調整的動力電池充電曲線動態預測方法，能夠準確預測充電時長，并動態優化充電過程，減少充電時間，提高充電樁和車載動力電池的利用效率。

2、本發明提供了基于偏差調整的動力電池充電曲線動態預測方法，包括如下步驟：

3、s1、獲取車輛歷史充電數據；其中，歷史充電數據包括時間、電壓、電流、溫度和soc值；

4、s2、根據車輛歷史充電數據確定充電模式分類、各分類對應的理想充電曲線以及各分類的歷史充電片段特征數據，并根據充電模式分類和各分類的歷史充電片段特征數據構建數據集；

5、s3、構建分類模型，使用數據集對分類模型進行訓練，得到訓練好的分類模型；

6、s4、獲取實時充電片段特征數據，通過訓練好的分類模型，得到預測的充電模式分類，并根據預測的充電模式分類得到對應的理想充電曲線作為初始預測曲線；

7、s5、根據實時充電片段特征數據通過偏差調整公式計算偏差調整項，基于偏差調整項對初始預測曲線進行調整，得到修正后的預測曲線。

8、進一步的，s3中，分類模型為lstm模型，分類模型的輸入為歷史充電片段特征數據，分類模型的輸出為歷史充電片段特征數據對應的充電模式分類。

9、進一步的，s5中，根據實時充電片段特征數據通過偏差調整公式計算偏差調整項，基于偏差調整項對初始預測曲線進行調整，得到修正后的預測曲線，其中，偏差調整公式如下：

10、si+1＝si+ωciδt+δ＝f(t，ciδt,si，σ)；

11、其中，si表示當前時刻的soc值，si+1表示下一時刻的soc值，ci表示當前時刻的電流，△t表示采樣時間間隔，δ表示偏差調整項，σ表示靜態特征的統計值，ω表示電流和soc值之間線性關系的系數，f(t，ciδt，si，σ)表示電流和soc值之間線性關系的系數以及電流和靜態特征之間的關系，t表示t時刻；其中，偏差調整項分為線性偏差調整項、對數偏差調整項、比例偏差調整項和基于深度學習模型的偏差調整項。

12、進一步的，當偏差調整項為線性偏差調整項時，偏差調整項的計算公式如下：

13、

14、其中，δ表示偏差調整項，ci表示當前時刻的充電電流，表示預測電流的期望值，k表示調整系數。

15、進一步的，當偏差調整項為對數偏差調整項時，偏差調整項的計算公式如下：

16、

17、其中，δ表示偏差調整項，ci表示當前時刻的充電電流，表示預測電流的期望值，k表示調整系數。

18、進一步的，當偏差調整項為比例偏差調整項時，偏差調整項的計算公式如下：

19、

20、其中，δ表示偏差調整項，ci表示當前時刻的充電電流，表示預測電流的期望值。

21、進一步的，當偏差調整項為基于深度學習模型的偏差調整項時，偏差調整項的計算公式如下：

22、δ＝f(t,ci,si,σ)；

23、其中，δ表示偏差調整項，si表示當前時刻的soc值，ci表示當前時刻的電流，σ表示靜態特征的統計值，t表示t時刻，f表示基于時序預測模型的深度學習模型。

24、本發明還提供了基于偏差調整的動力電池充電曲線動態預測系統，用于實現如上任一項所述的基于偏差調整的動力電池充電曲線動態預測方法，系統包括如下模塊：

25、數據獲取模塊，用于獲取車輛歷史充電數據；

26、數據集構建模塊，與數據獲取模塊連接，用于根據車輛歷史充電數據確定充電模式分類、各分類對應的理想充電曲線以及各分類的歷史充電片段特征數據，并根據充電模式分類和各分類的歷史充電片段特征數據構建數據集；

27、分類模型構建模塊，與數據集構建模塊連接，用于構建分類模型，使用數據集對分類模型進行訓練，得到訓練好的分類模型；

28、初始曲線預測模塊，與分類模型構建模塊連接，用于獲取實時充電片段特征數據，通過訓練好的分類模型，得到預測的充電模式分類，并根據預測的充電模式分類得到對應的理想充電曲線作為初始預測曲線；

29、偏差調整模塊，與初始曲線預測模塊連接，用于根據實時充電片段特征數據通過偏差調整公式計算偏差調整項，基于偏差調整項對初始預測曲線進行調整，得到修正后的預測曲線。

30、本發明實施例具有以下技術效果：

31、1、本發明通過對充電模式的精準分類和實時偏差調整，本發明能夠更準確地預測充電時長，并動態優化充電過程，減少充電時間，提高充電樁和車載動力電池的利用效率；

32、2、本發明針對不同算力條件，提供了線性、對數、比例和深度學習(如lstm)四種偏差調整方法；在基于線性、對數和比例的調整方法中，計算復雜度低，適用于算力有限的場景；而在算力充足時，基于深度學習模型的動態偏差調整方法可進一步提升充電曲線的預測精度和實時調整能力，靈活適應多樣化的充電環境；

33、3、本發明通過動態偏差調整模塊，有效解決了電流、電壓等充電參數波動帶來的預測誤差，確保預測曲線與實際充電行為高度匹配，特別是在電池老化、環境溫度變化等復雜工況下，本發明仍能保持高精度預測；

34、4、動態偏差調整能夠實時響應充電過程中可能發生的異常，如過充、欠充或電流過大等問題，通過實時修正充電曲線，保障電池的使用安全；

35、5、對于算力較低的設備，本發明提供了線性、對數和比例偏差調整方法，顯著降低了對硬件性能的要求，擴展了算法的適用范圍，使其在普通充電設備中也能穩定運行。