动力电池的电量跳变预警方法、装置和设备与流程

本技术涉及计算机，特别涉及一种动力电池的电量跳变预警方法、装置和设备。

背景技术：

1、随着科技的发展，技术的进步，电动车辆的出现为人们的日常生活带来了极大的便利。由于电动车辆是以动力电池作为动力源来驱动车辆行驶的，因此，环保性作为电动车辆的亮点受到大众的欢迎。

2、一般情况下，是由电动车辆的bms(battery management system，电池管理系统)来计算动力电池的剩余电量的。然而，在一些特殊场景下，比如电动车辆行驶在颠簸路面或者处于低温环境下时，bms对剩余电量的计算会不准确，从而会导致动力电池的剩余电量发生跳变，进而电动车辆的剩余里程会发生跳变，这会导致当前显示的剩余里程与实际里程不相符，如此，降低了用户体验。

技术实现思路

1、本技术提供了一种动力电池的电量跳变预警方法、装置、设备和存储介质，可以预测动力电池的剩余电量在未来是否会发生跳变，并在剩余电量在未来会发生跳变的情况下，对车辆进行预警，使得车辆可以提前对剩余电量进行修正，从而保证车辆的剩余里程的准确显示，进而提升了用户体验。技术方案如下：

2、第一方面，提供了一种动力电池的电量跳变预警方法，所述方法包括：

3、获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数；

4、基于所述行驶参数、所述电池状态以及所述环境参数，确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变；

5、在所述动力电池的剩余电量在预设时长后发生跳变的情况下，向所述车辆发送预警信息，所述预警信息用于指示修正所述车辆的剩余电量。

6、在本技术中，先获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数，也即是获取车辆中可以影响动力电池的剩余电量的参数。之后基于该行驶参数、该电池状态以及该环境参数确定车辆的动力电池的剩余电量在预设时长后是否发生跳变，也即是基于车辆中可以影响动力电池的剩余电量的参数，确定动力电池的剩余电量在预设时长后是否会发生跳变。最后在动力电池的剩余电量在预设时长后发生跳变的情况下，向车辆发送预警信息，也即是向车辆进行电量跳变预警，使得车辆后续可以对动力电池的剩余电量进行修正。如此，通过在确定剩余电量会在预设时长后发生跳变的情况下，向车辆发送预警信息，可以使得车辆及时对动力电池的剩余电量进行修正，从而保证后续能够准确确定并显示车辆的剩余里程，进而提升了用户体验。

7、可选地，所述在所述动力电池的剩余电量在预设时长后发生跳变的情况下，向所述车辆发送预警信息，包括：

8、在所述动力电池的剩余电量在预设时长后发生跳变的情况下，基于所述行驶参数、所述电池状态以及所述环境参数，确定所述动力电池的充放电效率修正系数；

9、向所述车辆发送携带有所述充放电效率修正系数的预警信息，以指示所述车辆基于所述充放电效率修正系数对所述动力电池的剩余电量进行修正。

10、可选地，所述行驶参数包括所述车辆的当前车速和当前行驶里程，所述电池状态包括所述动力电池的当前剩余电量和当前健康状态，所述环境参数包括所述车辆所处环境的当前温度，所述基于所述行驶参数、所述电池状态以及所述环境参数，确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变，包括：

11、将所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度输入电量跳变预测模型，通过所述电量跳变预测模型对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行处理，输出所述动力电池的剩余电量在预设时长后发生跳变的概率；

12、在所述概率大于或等于预设概率阈值的情况下，确定所述车辆的动力电池的剩余电量在预设时长后会发生跳变；

13、在所述概率小于所述预设概率阈值的情况下，确定所述车辆的动力电池的剩余电量在预设时长后不发生跳变。

14、可选地，所述电量跳变预测模型包括多个叶子节点，所述通过所述电量跳变预测模型对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行处理，输出发生跳变的概率，包括：

15、通过所述多个叶子节点对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行决策判断，输出所述动力电池的剩余电量在预设时长后发生跳变的概率。

16、可选地，所述电量跳变预测模型的训练方法，包括：

17、获取第一训练数据集，所述第一训练数据集包括多组样本数据以及所述多组样本数据的标签，所述多组样本数据中的每组样本数据包括多个特征属性的值，所述多个特征属性包括历史行驶参数、历史电池状态、历史环境参数，所述标签用于指示在所述样本数据下动力电池的剩余电量在目标时间段内是否发生跳变；

18、对于所述多组样本数据中任意的一组样本数据，对所述样本数据进行特征提取，得到所述样本数据的特征；

19、将所述样本数据的特征与所述样本数据进行拼接，得到第二训练数据集，所述第二训练数据集包括所述多组样本数据、所述多组样本数据的特征、所述多组样本数据的标签；

20、基于所述第二训练数据集，训练所述电量跳变预测模型。

21、可选地，所述多个特征属性包括连续类型和离散类型的特征属性，所述对所述样本数据进行特征提取，得到所述样本数据的特征，包括：

22、对于所述样本数据中任意一个连续类型的特征属性，确定所述样本数据中所述连续类型的特征属性对应的平均值、最大值、最小值以及方差；

23、对于所述样本数据中任意一个离散类型的特征属性，确定所述样本数据中所述离散类型的特征属性对应的中位数。

24、可选地，所述基于所述第二训练数据集，训练所述电量跳变预测模型，包括：

25、对于n个层级的第1个层级中的根节点，将所述第二训练数据集输入所述根节点，确定所述根节点下的多个特征属性的信息增益，并以信息增益最大的特征属性划分所述第二训练数据集，以基于所述根节点分裂得到多个叶子节点；

26、对于所述n个层级的第i个层级中的每个叶子节点，确定所述每个叶子节点下的多个特征属性的信息增益，以信息增益最大的特征属性划分当前叶子节点包含的数据集，以基于当前叶子节点分裂形成第i+1层的多个叶子节点，所述i为大于或等于2且小于或等于n的整数；

27、令i＝i+1，执行对于所述n个层级的第i个层级中的每个叶子节点，确定所述每个叶子节点下的多个特征属性的信息增益，以信息增益最大的特征属性划分当前叶子节点包含的数据集，以基于当前叶子节点分裂形成第i+1层的多个叶子节点的步骤，直至根据所分裂得到的叶子节点包含的数据集确定得到预测跳变概率；

28、基于所述预测跳变概率与所述标签之间的差异，调整所述电量跳变预测模型的参数。

29、可选地，所述获取第一训练数据集，包括：

30、获取历史车辆数据，所述历史车辆数据包括历史行驶参数、历史电池状态、历史环境参数；

31、将所述历史车辆数据以目标时间段为时间间隔进行划分，得到多组样本数据，所述多组样本数据中的每组样本数据均包括对应时间段的历史行驶参数、历史电池状态、历史环境参数；

32、对于所述多组样本数据中任意的一组样本数据，基于所述对应时间段的历史电池状态，确定所述样本数据的标签。

33、可选地，所述样本数据中的对应时间段的历史电池状态包括对应时间段内的历史剩余电量，所述基于所述对应时间段的历史电池状态，确定所述样本数据的标签，包括：

34、确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值；

35、在所述电量差值大于或等于预设电量阈值的情况下，确定所述样本数据的标签为跳变；

36、在所述电量差值小于所述预设电量阈值的情况下，确定所述样本数据的标签为未跳变。

37、第二方面，提供了一种动力电池的电量跳变预警装置，所述装置包括：

38、第一获取模块，用于获取车辆当前的行驶参数、电池状态以及车辆所处环境的环境参数；

39、确定模块，用于基于所述行驶参数、所述电池状态以及所述环境参数，确定所述车辆的动力电池的剩余电量在预设时长后是否发生跳变；

40、预警模块，用于在所述动力电池的剩余电量在预设时长后发生跳变的情况下，向所述车辆发送预警信息，所述预警信息用于指示修正所述车辆的剩余电量。

41、可选地，所述预警模块用于：

42、在所述动力电池的剩余电量在预设时长后发生跳变的情况下，基于所述行驶参数、所述电池状态以及所述环境参数，确定所述动力电池的充放电效率修正系数；

43、向所述车辆发送携带有所述充放电效率修正系数的预警信息，以指示所述车辆基于所述充放电效率修正系数对所述动力电池的剩余电量进行修正。

44、可选地，所述确定模块用于：

45、将所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度输入电量跳变预测模型，通过所述电量跳变预测模型对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行处理，输出所述动力电池的剩余电量在预设时长后发生跳变的概率；

46、在所述概率大于或等于预设概率阈值的情况下，确定所述车辆的动力电池的剩余电量在预设时长后会发生跳变；

47、在所述概率小于所述预设概率阈值的情况下，确定所述车辆的动力电池的剩余电量在预设时长后不发生跳变。

48、可选地，所述电量跳变预测模型包括多个叶子节点，所述确定模块用于：

49、通过所述多个叶子节点对所述当前车速、所述当前行驶里程、所述当前剩余电量、所述当前健康状态以及所述当前温度进行决策判断，输出所述动力电池的剩余电量在预设时长后发生跳变的概率。

50、可选地，所述装置还包括：

51、第二获取模块，用于获取第一训练数据集，所述第一训练数据集包括多组样本数据以及所述多组样本数据的标签，所述多组样本数据中的每组样本数据包括多个特征属性的值，所述多个特征属性包括历史行驶参数、历史电池状态、历史环境参数，所述标签用于指示在所述样本数据下动力电池的剩余电量在目标时间段内是否发生跳变；

52、特征提取模块，用于对于所述多组样本数据中任意的一组样本数据，对所述样本数据进行特征提取，得到所述样本数据的特征；

53、拼接模块，用于将所述样本数据的特征与所述样本数据进行拼接，得到第二训练数据集，所述第二训练数据集包括所述多组样本数据、所述多组样本数据的特征、所述多组样本数据的标签；

54、训练模块，用于基于所述第二训练数据集，训练所述电量跳变预测模型。

55、可选地，所述多个特征属性包括连续类型和离散类型的特征属性，所述特征提取模块用于：

56、对于所述样本数据中任意一个连续类型的特征属性，确定所述样本数据中所述连续类型的特征属性对应的平均值、最大值、最小值以及方差；

57、对于所述样本数据中任意一个离散类型的特征属性，确定所述样本数据中所述离散类型的特征属性对应的中位数。

58、可选地，所述训练模块用于：

59、对于n个层级的第1个层级中的根节点，将所述第二训练数据集输入所述根节点，确定所述根节点下的多个特征属性的信息增益，并以信息增益最大的特征属性划分所述第二训练数据集，以基于所述根节点分裂得到多个叶子节点；

60、对于所述n个层级的第i个层级中的每个叶子节点，确定所述每个叶子节点下的多个特征属性的信息增益，以信息增益最大的特征属性划分当前叶子节点包含的数据集，以基于当前叶子节点分裂形成第i+1层的多个叶子节点，所述i为大于或等于2且小于或等于n的整数；

61、令i＝i+1，执行对于所述n个层级的第i个层级中的每个叶子节点，确定所述每个叶子节点下的多个特征属性的信息增益，以信息增益最大的特征属性划分当前叶子节点包含的数据集，以基于当前叶子节点分裂形成第i+1层的多个叶子节点的步骤，直至根据所分裂得到的叶子节点包含的数据集确定得到预测跳变概率；

62、基于所述预测跳变概率与所述标签之间的差异，调整所述电量跳变预测模型的参数。

63、可选地，所述第二获取模块用于：

64、获取历史车辆数据，所述历史车辆数据包括历史行驶参数、历史电池状态、历史环境参数；

65、将所述历史车辆数据以目标时间段为时间间隔进行划分，得到多组样本数据，所述多组样本数据中的每组样本数据均包括对应时间段的历史行驶参数、历史电池状态、历史环境参数；

66、对于所述多组样本数据中任意的一组样本数据，基于所述对应时间段的历史电池状态，确定所述样本数据的标签。

67、可选地，所述第二获取模块用于：

68、确定对应时间段内起始时刻的历史剩余电量与对应时间段内结束时刻的历史剩余电量之间的电量差值；

69、在所述电量差值大于或等于预设电量阈值的情况下，确定所述样本数据的标签为跳变；

70、在所述电量差值小于所述预设电量阈值的情况下，确定所述样本数据的标签为未跳变。

71、第三方面，提供了一种计算机设备，所述计算机设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的动力电池的电量跳变预警方法。

72、第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的动力电池的电量跳变预警方法。

73、第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述的动力电池的电量跳变预警方法的步骤。

74、可以理解的是，上述第二方面、第三方面、第四方面、第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。