System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及新能源汽车电池管理,具体是指基于人工智能的新能源汽车电池充电状态管理方法及系统。
技术介绍
1、基于人工智能的新能源汽车电池充电状态管理方法是指利用人工智能技术,如机器学习和深度学习算法,对电动汽车的电池进行实时监控、预测和优化管理的一套系统。其核心作用包括:通过智能算法预测电池的寿命和性能,优化充电策略以延长电池使用寿命,确保充电过程的安全性和效率,同时通过数据分析提供用户个性化的充电建议和管理方案,从而提高新能源汽车的整体性能和经济性。
2、但是,在已有的新能源汽车电池充电状态管理方法中,存在着传统的智能化方法聚焦于电池本身的状态评估和整体数据管理,但缺少了从用户角度出发进行充电需求和策略分析进行充电管理的视角,进而导致了电池充电状态管理的数据维度不充分,降低了新能源汽车电池综合分析管理的分析深度的技术问题;在已有的充电需求预测方法中,存在着新能源汽车的电池充电需求既需要考虑短期内的充电具体时刻分析,也要考虑趋势性的需求长期分析,而现有的智能技术难以同时兼顾两者预测的同时,在常用的时序特征模态分解过程中,还容易出现噪声残留和伪模态干扰,影响了充电需求预测的准确性和扩展性的技术问题;在已有的充电策略优化方法中,存在着现有的新能源汽车充电是一个多维的充电需求过程,既可能涉及充电速度、充电电池保护度,也可能涉及充电成本的综合考虑,而传统的策略优化算法往往聚焦于对一种固定的既定策略进行优化,忽略了可能存在的多种目标的技术问题。
技术实现思路
1、针对上述情况,
2、本专利技术采取的技术方案如下:本专利技术提供的基于人工智能的新能源汽车电池充电状态管理方法,该方法包括以下步骤:
3、步骤s1:数据收集;
4、步骤s2:数据预处理;
5、步骤s3:充电需求预测;
6、步骤s4:充电策略优化;
7、步骤s5:充电安全管理。
8、进一步地,在步骤s1中,所述数据收集,用于收集新能源汽车电池充电状态管理所需的原始数据集,具体为通过车载记录和驾驶环境数据记录采集,得到充电状态管理原始数据集;
9、所述充电状态管理原始数据集,具体包括车载原始数据、驾驶原始数据、环境原始数据、车主行为数据和历史充电数据。
10、进一步地,在步骤s2中,所述数据预处理,用于对原始数据集进行优化和处理,具体为对所述充电状态管理原始数据集依次进行异常值处理、数据清洗、特征提取、数据归一化和时序处理操作,得到优化充电状态管理数据集;
11、所述优化充电状态管理数据集,具体包括充电需求预测时序特征数据、充电策略优化特征数据和清洗优化原始数据。
12、进一步地,在步骤s3中,所述充电需求预测,用于提供长时和短时充电需求预测,具体为依据所述优化充电状态管理数据集,采用结合模态分解时序卷积和长短期记忆的集成分类方法,进行充电需求预测,得到充电需求预测参考数据;
13、所述结合模态分解时序卷积和长短期记忆的集成分类方法,具体包括经验模态分解算子、时序卷积子网、长短期记忆子网和集成分类子网;
14、所述采用结合模态分解时序卷积和长短期记忆的集成分类方法,进行充电需求预测,得到充电需求预测参考数据的步骤,包括:
15、步骤s31:改进集合经验模态分解,具体为通过在标准的集合经验模态分解过程的初始化步骤中,引入期望值和偏差为零的初始化白噪声,优化初始化数据,之后对所述优化充电状态管理数据集中的特征数据进行集合经验模态分解,得到特征模态分量数据,所述特征模态分量数据,具体包括模态分量和残差数;
16、步骤s32:构建时序卷积子网,用于提取长期和短期时间步长特征,具体为构建标准时序卷积网络作为时序卷积子网,并通过引入扩展卷积层,进行长期和短期时间步长的特征提取,得到时序卷积特征数据;
17、步骤s33:构建长短期记忆子网,用于优化长时序数据的处理过程,具体为构建包括遗忘门、输入门和输出门的标准长短期记忆神经网络作为长短期记忆子网,依据所述时序卷积特征数据中的长时序特征数据,进行时间依赖性分解,得到长时序优化特征数据;
18、步骤s34:构建集成分类子网,具体为采用支持向量机、随机森林模型和极限梯度提升模型的三结构分类子网,并通过均值预测,得到集成分类输出数据,计算公式为:
19、;
20、式中,是集成分类输出数据,是集成分类子网的输入数据,用于表示长时序优化特征数据和时序卷积特征数据的特征连接数据,argmaxn是对分类子网预测结果n的求和函数,q是分类子网总数,此处具体取值为3,q是分类子网索引,当q取值为1时,表示支持向量机子网,q取值为2时,表示随机森林模型子网,q取值为3时,表示极限梯度提升模型子网,i(·)是子网输出标准化函数,fq(·)是第q个子网的预测函数;
21、步骤s35:充电需求预测模型训练,具体为通过所述改进集合经验模态分解、所述构建时序卷积子网、所述构建长短期记忆子网和所述构建集成分类子网,进行充电需求预测模型训练,并应用模型损失函数优化本文档来自技高网...
【技术保护点】
1.基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:该方法包括以下步骤:
2.根据权利要求1所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤S1中,所述数据收集,用于收集新能源汽车电池充电状态管理所需的原始数据集,具体为通过车载记录和驾驶环境数据记录采集,得到充电状态管理原始数据集;
3.根据权利要求2所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤S2中,所述数据预处理,用于对原始数据集进行优化和处理,具体为对所述充电状态管理原始数据集依次进行异常值处理、数据清洗、特征提取、数据归一化和时序处理操作,得到优化充电状态管理数据集;
4.根据权利要求3所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤S3中,所述充电需求预测,用于提供长时和短时充电需求预测,具体为依据所述优化充电状态管理数据集,采用结合模态分解时序卷积和长短期记忆的集成分类方法,进行充电需求预测,得到充电需求预测参考数据;
5.根据权利要求4所述的基于人工智能的新能源汽车电池充电状态管理方法,其
6.根据权利要求5所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤S44中,所述多目标奖励权重更新规则,具体包括快速充电权重序列、电池保护权重序列和成本节省权重序列;
7.根据权利要求6所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤S5中,所述充电安全管理,用于结合长短时充电需求预测的结果和多目标充电策略优化结果进行充电安全综合管理,具体为结合所述充电需求预测参考数据和所述充电策略优化参考数据,进行充电安全管理,并通过设置电池状态阈值,进行实时电池充电状态管理和充电状态监控,得到电池状态管理参考数据。
8.基于人工智能的新能源汽车电池充电状态管理系统,用于实现如权利要求1-7中任一项所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:包括数据收集模块、数据预处理模块、充电需求预测模块、充电策略优化模块和充电安全管理模块。
9.根据权利要求8所述的基于人工智能的新能源汽车电池充电状态管理系统,其特征在于:所述数据收集模块,用于数据收集,通过数据收集,得到充电状态管理原始数据集,并将所述充电状态管理原始数据集发送至数据预处理模块;
...【技术特征摘要】
1.基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:该方法包括以下步骤:
2.根据权利要求1所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤s1中,所述数据收集,用于收集新能源汽车电池充电状态管理所需的原始数据集,具体为通过车载记录和驾驶环境数据记录采集,得到充电状态管理原始数据集;
3.根据权利要求2所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤s2中,所述数据预处理,用于对原始数据集进行优化和处理,具体为对所述充电状态管理原始数据集依次进行异常值处理、数据清洗、特征提取、数据归一化和时序处理操作,得到优化充电状态管理数据集;
4.根据权利要求3所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤s3中,所述充电需求预测,用于提供长时和短时充电需求预测,具体为依据所述优化充电状态管理数据集,采用结合模态分解时序卷积和长短期记忆的集成分类方法,进行充电需求预测,得到充电需求预测参考数据;
5.根据权利要求4所述的基于人工智能的新能源汽车电池充电状态管理方法,其特征在于:在步骤s4中,所述充电策略优化,用于进行多目标充电策略生成和优化,具体为依据所述优化充电状态管理数据集和所述充电需求预测参考数据,采用充电...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。