CN118578903A - 一种双电压电池储能器充电方法、装置、控制器及车辆 - Google Patents

Abstract

本申请公开了一种双电压电池储能器充电方法、装置、控制器及车辆，通过获取车辆的行驶数据和双电压电池的充电数据；利用预构建的电量回收预测模型处理车辆的行驶数据，获得双电压电池在当前驾驶模式下的最大回收电量值，为电量分配做好准备工作，然后根据最大回收电量值确定目标充电电池，从而确定充电的目标；基于预构建的充电预测模型处理最大回收电量值和充电数据，获得目标充电电池的充电功率控制曲线，该功率控制曲线包括了电流信息和电压信息，从而实现了精确地控制目标电池充电的充电电压和电流；基于充电功率控制曲线对目标充电电池进行充电，解决了充电管理方法不能将不同的回收电量精确地按照双电源电池的状态向双电压电池充电的问题。

Description

一种双电压电池储能器充电方法、装置、控制器及车辆

技术领域

本申请涉及电池充电技术领域，尤其涉及一种双电压电池储能器充电方法、装置、控制器及车辆。

背景技术

新提出的汽车标准（称为LV 148）将二级48 V总线与现有汽车12 V系统合而为一。48 V电源轨包括一个集成启动发电机（ISG）或皮带启动发电机、48 V锂离子电池以及一个双向DC-DC转换器。

此新标准要求12 V总线继续为点火、照明、信息娱乐和音频系统供电。而48 V总线将为主动底盘系统、空调压缩机、可调悬架、电动增压器/涡轮增压器供电。

汽车在不同的驾驶模式下，存在大量的可回收能量，汽车将这些能量通过变换器转换为电能后存储至双电压电池，既可以解决能量浪费的问题，又提高了双电压电池蓄电时间，但是，不同驾驶模式下产生的回收电量并不相同，而双电压电池的状态各不相同，目前的充电管理方法不能将不同的回收电量精确地按照双电源电池的状态向双电压电池充电。

发明内容

本申请的主要目的在于提供一种双电压电池储能器充电方法、装置、控制器及车辆，旨在解决目前的充电管理方法不能将不同的回收电量精确地按照双电源电池的状态向双电压电池充电的技术问题。

为了解决上述技术问题，本申请提供一种双电压电池储能器充电方法，包括：获取车辆的行驶数据和双电压电池的充电数据；利用预构建的电量回收预测模型处理所述车辆的行驶数据，获得所述双电压电池在当前驾驶模式下的能量回收策略，并根据能量回收策略获得最大回收电量值；根据所述最大回收电量值确定所述目标充电电池；基于预构建的充电预测模型处理所述最大回收电量值和充电数据，获得所述目标充电电池的充电功率控制曲线；基于所述充电功率控制曲线对所述目标充电电池进行充电。

可选地，所述车辆的行驶数据包括：道路数据、天气数据、车辆加速度数据、刹车压力数据、刹车片使用时间数据、车辆行驶速度数据；所述充电数据包括：温度数据、电压数据、电流数据和剩余电量数据。

可选地，在所述利用预构建的电量回收预测模型处理所述车辆的行驶数据和充电数据之前，所述双电压电池储能器充电方法包括：基于所述通用回归神经网络构建所述电量回收预测模型，其中，所述通用回归神经网络的输入层的神经元个数为10个，输出层神经元的个数为2个，所述通用回归神经网络的径向基函数为多二次函数；基于随机搜索法确定所述电量回收预测模型的超参数；基于中心损失函数联合Focal-loss损失函数监督训练所述电量回收预测模型。

可选地，在所述基于预构建的充电预测模型处理所述最大回收电量值和充电数据之前，所述双电压电池储能器充电方法还包括：基于全连接神经网络残差神经网络构建充电预测模型，其中，所述充电预测模型的输入层的输入节点数量为5个，隐藏层包括Bi-GUR层和全连接层，其中，全连接层的数量为3层，输出层的节点数量为一个；利用均方误差控制所述充电预测模型的预测误差，并利用Adam优化器提高所述充电预测模型的训练效率。

可选地，所述双电压电池包括第一电池和第二电池，其中，所述第一电池的额定电压值大于第二电池的额定电压值，电池的待充电量值为额定电量值减去剩余电量值，根据所述最大回收电量值确定所述目标充电电池包括：若所述第一电池的待充电量值和第二电池的待充电量值均大于最大回收电量值，则以第一电池作为目标充电电池；若所述第一电池的待充电量值和第二电池的待充电量值均小于最大回收电量值，则先以所述第一电池作为目标充电电池，待所述第一电池充满后再向所述第二电池充电；若所述第一电池的待充电量值小于最大回收电量值且第二电池的待充电量值均大于最大回收电量值，则以第二电池作为目标充电电池；若所述第一电池的待充电量值大于最大回收电量值且第二电池的待充电量值均小于最大回收电量值，则以第一电池作为目标充电电池。

可选地，在所述基于所述充电功率控制曲线对所述目标充电电池进行充电之后，所述双电压电池储能器充电方法还包括：根据所述充电数据确定所述第一电池和/或第二电池的电量回收启动时间。

可选地，在所述利用预构建的电量回收预测模型处理所述车辆的行驶数据之前，所述双电压电池储能器充电方法还包括：对所述行驶数据和双电压电池的充电数据进行预处理。

为了实现上述目的，本申请还提供一种双电压电池储能器充电装置，包括：获取模块，用于获取车辆的行驶数据和双电压电池的充电数据；第一预测模块，用于利用预构建的电量回收预测模型处理所述车辆的行驶数据，获得所述双电压电池在当前驾驶模式下的能量回收策略，并根据能量回收策略获得最大回收电量值；目标确定模块，用于根据所述最大回收电量值确定所述目标充电电池；第二预测模块，用于基于预构建的充电预测模型处理所述最大回收电量值和充电数据，获得所述目标充电电池的充电功率控制曲线；输出模块，用于基于所述充电功率控制曲线对所述目标充电电池进行充电。

为了实现上述目的，本申请还提供一种车辆控制器，车辆控制器包括处理器、通信接口、存储器和通信总线，所述处理器、通信接口、存储器之间通过通信总线完成相互间的通信，存储器，所述存储器用于存储计算机程序，处理器，所述处理器用于执行存储器上所存储的计算机程序以实现双电压电池储能器充电方法。

为了实现上述目的，本申请还提供一种车辆，包括车辆控制器。

本申请实施例提出的一种双电压电池储能器充电方法、装置、控制器及车辆，通过获取车辆的行驶数据和双电压电池的充电数据；利用预构建的电量回收预测模型处理车辆的行驶数据，获得双电压电池在当前驾驶模式下的最大回收电量值，从而获得不同驾驶模式下精确的最大回收电量值，为电量分配做好准备工作，然后根据最大回收电量值确定目标充电电池，从而确定充电的目标；基于预构建的充电预测模型处理最大回收电量值和充电数据，获得目标充电电池的充电功率控制曲线，该功率控制曲线包括了电流信息和电压信息，从而实现了精确地控制目标电池充电的充电电压和电流；基于充电功率控制曲线对目标充电电池进行充电，解决了充电管理方法不能将不同的回收电量精确地按照双电源电池的状态向双电压电池充电的问题。

附图说明

图1为本申请实施例提供的双电压电池储能器充电方法的流程图；

图2为本申请实施例提供的双电压电池储能器充电装置结构图；

图3为本申请实施例提供的电子设备结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

图1为本申请实施例提供的双电压电池储能器充电方法的流程图，参考图1，双电压电池储能器充电方法包括：

S10、获取车辆的行驶数据和双电压电池的充电数据；

具体地，车辆的行驶数据可以包括：道路数据、天气数据、车辆加速度数据、刹车压力数据、刹车片使用时间数据和车辆行驶速度数据；充电数据可以包括：温度数据、电压数据、电流数据和剩余电量数据。

其中，汽车的主控单元（Vehicle Control Unit，VCU）可以根据车辆行驶过程中打滑的程度确定道路数据，其中，道路数据可以为泥泞道路数据、干燥道路数据、湿滑道路数据、柏油路数据、水泥路数据等，不同的道路数据对应的驾驶行为不同，从而会影响电量的回收，例如，在泥泞的道路驾驶行为较为谨慎，可以回收少量的电量，而柏油路驾驶行为较为激烈，也可以回收少量的电量。VCU可以获取车辆外部的温度数据、湿度数据和天气预报数据，VCU将这些数据综合后获得天气数据，天气较差的情况下可以回收较少的电量，天气较好的情况下可以回收较多电量。VCU可以通过传感器获得车辆的加速度数据和速度数据，速度数据和加速度数据可以表明车辆当前的行驶状态，例如，车辆的当前行驶状态可以为匀速、加速、减速或者制动，不同的行驶状态对应的电量回收策略不同。VCU可以通过传感器获得刹车的压力数据，根据刹车的压力数据可以确定电量回收的多少。

此外，双电压电池的温度数据、电压数据、电流数据和剩余电量数据决定了向双电池的哪个电池充电，充多少电，以及充电的策略。

需要指出的是，以上数据如果根据经验判断，则存在判断不准确的问题，如果利用现有的实验手段去获得资料，则存在变量太多，需要做很多次实验的问题，利用神经网络处理以上数据获得双电压电池的充电策略，则可以减轻工作量，提高效率。

在步骤S10之前，双电压电池储能器充电方法还包括以下具体实施步骤：

S60、对行驶数据和双电压电池的充电数据进行预处理。

数据的预处理包括去除不完整、不准确或异常的数据点，以确保训练数据的质量从而完成数据清洗；还包括对提取的特征进行标准化或归一化处理，以消除不同特征之间的量纲差异，从而实现数据标准化处理；以及，通过填充、删除或替换，实现数据的缺失值和异常值处理。通过上述预处理可以通过数据清洗去除异常值，可以提高数据的准确性和完整性，为后续分析提供高质量数据基础。针对实车行驶数据的大体量、多样性和时效性特点，预处理可以解决数据传输故障概率增加造成的问题，这些问题可以包括：数据准确性较低、完整性和一致性变差等。

S20、利用预构建的电量回收预测模型处理车辆的行驶数据，获得双电压电池在当前驾驶模式下的能量回收策略，并根据能量回收策略获得最大回收电量值；

具体地，在步骤S20之前，双电压电池储能器充电方法还包括以下具体实施步骤：

S71、基于通用回归神经网络构建电量回收预测模型，其中，通用回归神经网络的输入层的神经元个数为10个，输出层神经元的个数为2个，通用回归神经网络的径向基函数为多二次函数，隐藏层的神经元的数量与输入层的神经元的数量相同；

需要说明的是，通用回归神经网络（GRNN，General Regression Neural Network）是一种基于径向基函数（Radial Basis Function，RBF）网络的神经网络模型，主要用于解决回归问题，可以输出连续的预测值。径向基函数基于概率密度函数理论，通过对训练数据的统计特性进行学习，来实现对未知数据的预测。通用回归神经网络的主要特点是结构简单、训练速度快、泛化能力强，可以处理实时输入数据，并且很容易迁移至不同的车辆，可以大规模地应用。通用回归神经网络的网络结构包括输入层、隐藏层、全连接层和输出层。在训练过程中，通用回归神经网络无需像传统神经网络那样进行复杂的迭代训练，而是直接利用训练数据来估计网络的参数，因此训练的过程用时较少，参数训练较为简单，适合车辆样本集获取成本较大和获取时间较长的实际情况。

通用回归神经网络的径向基函数（Radial Basis Function，RBF）的选择对于模型的性能至关重要。常见的径向基函数包括高斯函数、多二次函数）和逆多二次函数等。多二次函数是径向基函数的一种，它具有以下数学形式：

(r)=

其中，r通常表示欧几里得距离，即r= ，x是输入向量，c是中心向量。

多二次函数与高斯函数类似，多二次函数也具有局部响应特性，但随着距离的增加，其响应衰减得更慢，这使得网络能够捕捉到输入空间中更广泛的特征，因而可以获得车辆运行中的微小变化，从而可以精准地调整车辆能量回收策略，以达到对车辆操控的影响最小的目的。由于多二次函数的衰减速度较慢，它可能不会像其他径向基函数那样对训练数据中的噪声和异常值过于敏感，从而有助于减少过拟合的风险。多二次函数的参数较少，因而简化了参数选择过程，并使得网络结构更加简洁，参数训练过程也更加简单。多二次函数能够在不同尺度上捕捉数据的特征，这有助于提高电量回收预测模型的泛化能力，尤其是在处理具有不同变化尺度的数据时。此外，相比于其他复杂的径向基函数，多二次函数的计算更为简单，在实时应用中带来计算效率的提升。因此，本发明实施例采用多二次函数作为通用回归神经网络的径向基函数可以在不同尺度上捕捉数据的特征，获得车辆运行中的微小变化，达到对车辆操控的影响最小的目的。采用多二次函数作为通用回归神经网络的径向基函数可以在实时应用中提升计算效率，另外采用多二次函数作为通用回归神经网络的径向基函数可以提升模型的泛化能力，适合大规模进行部署，采用多二次函数作为通用回归神经网络的径向基函数相较其他模型更适合处理采集的点状数据，而且更有利于处理错误数据，提升通用回归神经网络的计算效率，更适合车辆VCU运算能力有限的实际情况。

S72、基于随机搜索法确定电量回收预测模型的超参数；

具体地，在多二次函数中，主要的超参数有中心向量参数、权重参数和训练参数，中心向量参数定义为径向基函数的中心位置，每个隐藏层神经元对应一个径向基函数的中心位置。权重参数定义为隐藏层到输出层的权重。训练参数定义为训练权重的参数。由于本发明实施例的输入层数据集为10个，包括道路数据、天气数据、车辆加速度数据、刹车压力数据、刹车片使用时间数据、车辆行驶速度数据、温度数据、电压数据、电流数据和剩余电量数据，输出数据包括第一电池的最大回收电量值和第二电池的最大回收电量值，因此，在本发明的实施例中，输入层的神经元个数为10个，输出层的神经元的个数为2个。由于随机搜索法适合搜索超参数数量为中等规模模型，而在本发明实施例中，通用回归神经网络的模型中等复杂，主要的超参数有中心向量参数、权重参数和训练参数，因此本发明实施例采用随机搜索法搜索电量回收预测模型的超参数，可以实现快速搜索电量回收预测模型的超参数，准确搜索超参数的目的。示例性地，本发明实施例中超参数的搜索过程中采样次数为50次。

S73、基于中心损失函数联合Focal-loss损失函数监督训练电量回收预测模型。

具体地，Focal Loss损失函数通过增加难以分类样本的权重，使电量回收预测模型可以更好地关注少数类，从而改善电量回收预测模型在类别不平衡数据集上的处理性能，中心损失函数通过拉近同一类别样本的特征，增强电量回收预测模型的识别精度。

VCU通过执行步骤S71-步骤S73可以构建一个用于处理行驶数据，得到能量回收策略的通用回归神经网络模型，根据该模型生成的能量回收策略可以控制发动机的转速以及发电机电量回收的起始时间，结束时间，持续时间等，从而可以获得最大回收电量值。

S30、根据最大回收电量值确定目标充电电池；需要说明的是，双电压电池包括第一电池和第二电池，其中，第一电池的额定电压值大于第二电池的额定电压值，电池的待充电量值为额定电量值减去剩余电量值。例如，第一电池可以为额定电压为48V的多个蓄电池，第二电池可以为额定电压为12V的多个蓄电池。

步骤S30的具体执行步骤可以包括：

S31、若第一电池的待充电量值和第二电池的待充电量值均大于最大回收电量值，则以第一电池作为目标充电电池；

示例性地，第一电池的待充电量值和第二电池的待充电量值均大于最大回收电量值时，第一电池和第二电池均可以容纳最大回收电量，由于第一电池的额定电压高于第二电池额定电压，当第一电池充满后，第一电池可以向第二电池充电，因此，VCU控制发电机可以向第一电池充电。

S32、若第一电池的待充电量值和第二电池的待充电量值均小于最大回收电量值，则先以第一电池作为目标充电电池，待第一电池充满后再向第二电池充电；

示例性地，第一电池的待充电量值和第二电池的待充电量值均小于最大回收电量值时，此时，第一电池和第二电池均无法单独容纳最大回收电量，因此，VCU控制发电机首先对第一电池充电后再对第二电池充电，这样既可以不浪费回收电量，又可以首先保证第一电池电量充满。

S33、若第一电池的待充电量值小于最大回收电量值且第二电池的待充电量值大于最大回收电量值，则以第二电池作为目标充电电池；

示例性地，第一电池的待充电量值小于最大回收电量值且第二电池的待充电量值大于最大回收电量值时，此时VCU控制发电机给第一电池充电会造成浪费，而给第二电池充电则不会造成浪费，还可以减少电池充电的切换步骤。

S34、若第一电池的待充电量值大于最大回收电量值且第二电池的待充电量值小于最大回收电量值，则以第一电池作为目标充电电池。

示例性地，第一电池的待充电量值大于最大回收电量值且第二电池的待充电量值小于最大回收电量值，此时VCU控制发电机给第一电池充电不会造成浪费。

S40、基于预构建的充电预测模型处理最大回收电量值和充电数据，获得目标充电电池的充电功率控制曲线；

在本发明的实施例中，将最大回收电量值、温度数据、电压数据、电流数据和剩余电量数据作为参量输入预构建的充电预测模型中，输出目标充电电池的充电功率控制曲线，其中，充电功率控制曲线可以包括电压信息和电流信息，充电过程可能包括恒流过程，恒压过程或者电压电流均上升或者均下降过程，因此利用充电功率控制曲线可以显示电压电流的综合信息。

需要说明的是，在基于预构建的充电预测模型处理最大回收电量值和充电数据之前，同样需要对最大回收电量值和充电数据进行数据预处理，从而可以更好地使用数据。预处理的方式与前述相同，在此不再赘述。

在步骤S40之前，双电压电池储能器充电方法还可以包括如下具体实施步骤：

S81、基于全连接神经网络构建充电预测模型，其中，充电预测模型的输入层的输入节点数量为5个，隐藏层包括Bi-GUR层和全连接层，其中，全连接层的数量为3层，输出层的节点数量为一个；

Bi-GRU（Bidirectional Gated Recurent Unit）是一种基于门控循环单元（GRU）的时间序列预测方法。Bi-GRU 结合了双向模型和门控机制，整体结构、单元体结构与GRU一致，而Bi-GRU能够有效地捕捉时间序列数据中的时序关系。本发明的实施例中，输入数据都是基于时间对电池状态的连续采样数据，因此采用Bi-GRU可以处理基于时间的连续采样数据，从而获得准确的预测结果。Bi-GRU的整体结构由两个方向的GRU网络组成，一个网络从前向后处理时间序列数据，另一个网络从后向前处理时间序列数据；这种双向结构可以同时捕捉到过去和未来的信息，从而更全面地捕捉时间序列数据中的时序关系，Bi-GRU可以精确获得不同时间内第一电池和第二电池的运行状况，从而预测未来时间段内目标充电电池的充电功率控制曲线。本发明的实施例中，在传统的Bi-GRU基础上，采用3层Bi-GRU串联结构以提高模型的预测准确程度，并且在3层Bi-GRU之后再串联3层的全连接结构，从而进一步实现准确预测回归任务的目的。

需要说明的是，本发明实施例可以采用随机搜索法或者贝叶斯搜索法确定充电预测模型的超参数。

S82、利用均方误差控制充电预测模型的预测误差，并利用Adam优化器提高充电预测模型的训练效率。

需要说明的是，本发明的实施例中还需要对充电预测模型进行训练，训练前将数据集划分为训练集、测试集和验证集，三者的比例为6：2：2。通过训练集训练充电预测模型得到输出的充电功率控制曲线，通过Adam优化器优化训练过程以提高充电预测模型的性能和训练的效率，并利用均方误差提高充电预测模型的精度。然后根据测试集输入充电预测模型，进行模型的测试。最后将验证集输入充电预测模型验证模型的准确率。

S50、基于充电功率控制曲线对目标充电电池进行充电。

在本申请的实施例中，在步骤S50之后，双电压电池储能器充电方法还包括如下实施步骤：

根据充电数据确定第一电池和/或第二电池的电量回收启动时间。

具体地，VCU可以实时监测第一电池和/或第二电池的温度数据、电压数据、电流数据和剩余电量数据从而在温度数据、电压数据、电流数据和剩余电量数据中的至少一个低于阈值时启动能量回收程序，并根据能量回收程序确定电量回收启动时间。

在上述实施例基础上，本发明实施还提供一种双电压电池储能器充电装置，图2为本申请实施例提供的双电压电池储能器充电装置结构图，如图2所示，双电压电池储能器充电装置100可以包括获取模块101、第一预测模块102、目标确定模块103、第二预测模块104和输出模块105，其中，获取模块101可以用于获取车辆的行驶数据和双电压电池的充电数据；第一预测模块102可以利用预构建的电量回收预测模型处理车辆的行驶数据，获得双电压电池在当前驾驶模式下的最大回收电量值；目标确定模块103可以根据最大回收电量值确定目标充电电池；第二预测模块104可以基于预构建的充电预测模型处理最大回收电量值和充电数据，获得目标充电电池的充电功率控制曲线；输出模块105可以基于充电功率控制曲线对目标充电电池进行充电。

本示例性实施例中，获取模块101获取的车辆的行驶数据可以包括道路数据、天气数据、车辆加速度数据、刹车压力数据、刹车片使用时间数据、车辆行驶速度数据；获取模块101获取的充电数据可以包括温度数据、电压数据、电流数据和剩余电量数据。

双电压电池储能器充电装置100还可以包括第一模型构建模块106，第一模型构建模块106可以用于基于通用回归神经网络构建电量回收预测模型，其中，通用回归神经网络的输入层的神经元个数为10个，输出层神经元的个数为2个，通用回归神经网络的径向基函数为多二次函数，隐藏层的神经元的数量与输入层的神经元的数量相同；基于随机搜索法确定电量回收预测模型的超参数；基于中心损失函数联合Focal-loss损失函数监督训练电量回收预测模型。

双电压电池储能器充电装置100还可以包括第二模型构建模块107，第二模型构建模块107可以用于基于全连接神经网络构建充电预测模型，其中，充电预测模型的输入层的输入节点数量为5个，隐藏层包括Bi-GUR层和全连接层，全连接层的数量为3层，输出层的节点数量为一个；利用均方误差控制充电预测模型的预测误差，并利用Adam优化器提高充电预测模型的训练效率。

双电压电池包括第一电池和第二电池，其中，第一电池的额定电压值大于第二电池的额定电压值，目标确定模块103还可以用于若第一电池的待充电量值和第二电池的待充电量值均大于最大回收电量值，则以第一电池作为目标充电电池；若第一电池的待充电量值和第二电池的待充电量值均小于最大回收电量值，则以第一电池和第二电池作为目标充电电池，充电时先向第一电池充电，待第一电池充满电后再向第二电池充电；若第一电池的待充电量值小于最大回收电量值且第二电池的待充电量值大于最大回收电量值，则以第二电池作为目标充电电池；若第一电池的待充电量值大于最大回收电量值且第二电池的待充电量值小于最大回收电量值，则以第一电池作为目标充电电池。

双电压电池储能器充电装置100还可以包括启动判断模块108，启动判断模块108可以用于根据充电数据确定第一电池和/或第二电池的电量回收启动时间。

双电压电池储能器充电装置100还可以包括预处理模块109，预处理模块109可以用于对行驶数据和双电压电池的充电数据进行预处理。

在上述实施例的基础上，本申请实施例还提供一种车辆控制器60，车辆控制器60包括处理器、通信接口、存储器和通信总线，所述处理器、通信接口、存储器之间通过通信总线完成相互间的通信，存储器，所述存储器用于存储计算机程序，处理器，所述处理器用于执行存储器上所存储的计算机程序以实现双电压电池储能器充电方法。

示例性地，图3示出了适于用来实现本申请实施方式的示例性车辆控制器60的框图，图3显示的车辆控制器60仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。

参考图3，车辆控制器60的组件可以包括但不限于：一个或者多个处理器或者处理单元601，系统存储器602，连接不同系统组件（包括系统存储器602和处理单元601）的总线603。

车辆控制器60典型地包括多种计算机系统可读介质。这些介质可以是任何能够被车辆控制器60访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

系统存储器602可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器RAM6021和/或高速缓存存储器6022。车辆控制器60可以进一步包括其他可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，ROM6023可以用于读写不可移动的、非易失性磁介质（图3中未显示，通常称为“硬盘驱动器”）。尽管未在图3中示出，可以提供用于对可移动非易失性磁盘（例如“软盘”）读写的磁盘驱动器，以及对可移动非易失性光盘（例如CD-ROM，DVD-ROM或者其他光介质）读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与连接不同系统组件的总线603相连。系统存储器602中可以包括至少一个算法产品，该算法产品具有一组（例如至少一个）算法模块，这些算法模块被配置以执行本申请各实施例的功能。

具有一组（至少一个）算法模块6024的算法/实用工具6025，可以存储在例如系统存储器602中，且这样的算法模块6024包括但不限于：操作系统、一个或者多个应用算法、其他算法模块以及算法数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。算法模块6024通常执行本申请所描述的实施例中的功能和/或方法。

车辆控制器60也可以与一个或多个外部设备604（如键盘、指向设备、显示器等）通信。这种通信可以通过输入/输出I/O接口605进行。并且，车辆控制器60还可以通过网络适配器606与一个或者多个网络（例如局域网（LAN），广域网（WAN）和/或公共网络，例如因特网）通信。如图3所示，网络适配器606通过连接不同系统组件的总线603与车辆控制器60的其他模块（如处理单元601等）通信。应当明白，尽管图3中未示出，可以结合车辆控制器60使用其他硬件和/或软件程序模块。

处理单元601通过运行存储在系统存储器602中的算法，从而执行各种功能应用以及数据处理，例如，获取车辆的行驶数据和双电压电池的充电数据；利用预构建的电量回收预测模型处理车辆的所述行驶数据，获得所述双电压电池在当前驾驶模式下的能量回收策略，并根据所述能量回收策略获得最大回收电量值；根据所述最大回收电量值确定目标充电电池；基于预构建的充电预测模型处理所述最大回收电量值和所述充电数据，获得所述目标充电电池的充电功率控制曲线；基于所述充电功率控制曲线对所述目标充电电池进行充电，各步骤的具体实现方式在此不再重复说明，各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了双电压电池储能器充电装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。

应该理解的，本申请提供的车辆控制器60可以具有上述任意方法实施例所描述的有益效果，此处不再赘述。

此外，在上述实施例的基础上，本申请实施例还提供一种车辆，包括上述任意实施例所描述的车辆控制器，相应地，也包括上述任意实施例所描述的有益效果，此处不再赘述。

在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

功能如果以软件程序功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件程序产品的形式体现出来，该计算机软件程序产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储算法代码的介质。

最后应说明的是：以上实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种双电压电池储能器充电方法，其特征在于，包括：

获取车辆的行驶数据和双电压电池的充电数据；

利用预构建的电量回收预测模型处理车辆的所述行驶数据，获得所述双电压电池在当前驾驶模式下的能量回收策略，并根据所述能量回收策略获得最大回收电量值；

根据所述最大回收电量值确定目标充电电池；

基于预构建的充电预测模型处理所述最大回收电量值和所述充电数据，获得所述目标充电电池的充电功率控制曲线；

基于所述充电功率控制曲线对所述目标充电电池进行充电。

2.如权利要求1所述的双电压电池储能器充电方法，其特征在于，

所述车辆的所述行驶数据包括：

道路数据、天气数据、车辆加速度数据、刹车压力数据、刹车片使用时间数据、车辆行驶速度数据；

所述充电数据包括：

温度数据、电压数据、电流数据和剩余电量数据。

3.如权利要求1所述的双电压电池储能器充电方法，其特征在于，在所述利用预构建的电量回收预测模型处理车辆的所述行驶数据之前，所述双电压电池储能器充电方法还包括：

基于通用回归神经网络构建所述电量回收预测模型，其中，所述通用回归神经网络的输入层的神经元个数为10个，输出层神经元的个数为2个，所述通用回归神经网络的径向基函数为多二次函数，隐藏层的神经元的数量与输入层的神经元的数量相同；

基于随机搜索法确定所述电量回收预测模型的超参数；

基于中心损失函数联合Focal-loss损失函数监督训练所述电量回收预测模型。

4.如权利要求1所述的双电压电池储能器充电方法，其特征在于，在所述基于预构建的充电预测模型处理所述最大回收电量值和所述充电数据之前，所述双电压电池储能器充电方法还包括：

基于全连接神经网络构建所述充电预测模型，其中，所述充电预测模型的输入层的输入节点数量为5个，隐藏层包括Bi-GUR层和全连接层，全连接层的数量为3层，输出层的节点数量为一个；

利用均方误差控制所述充电预测模型的预测误差，并利用Adam优化器提高所述充电预测模型的训练效率。

5.如权利要求1所述的双电压电池储能器充电方法，其特征在于，所述双电压电池包括第一电池和第二电池，其中，所述第一电池的额定电压值大于第二电池的额定电压值，所述根据所述最大回收电量值确定目标充电电池，包括：

若所述第一电池的待充电量值和第二电池的待充电量值均大于所述最大回收电量值，则以第一电池作为所述目标充电电池；

若所述第一电池的待充电量值和第二电池的待充电量值均小于所述最大回收电量值，则以所述第一电池和第二电池作为所述目标充电电池，充电时先向所述第一电池充电，待所述第一电池充满电后再向所述第二电池充电；

若所述第一电池的待充电量值小于所述最大回收电量值且第二电池的待充电量值大于所述最大回收电量值，则以第二电池作为所述目标充电电池；

若所述第一电池的待充电量值大于所述最大回收电量值且第二电池的待充电量值小于所述最大回收电量值，则以第一电池作为所述目标充电电池。

6.如权利要求5所述的双电压电池储能器充电方法，其特征在于，在所述基于所述充电功率控制曲线对所述目标充电电池进行充电之后，所述双电压电池储能器充电方法还包括：

根据所述充电数据确定所述第一电池和/或第二电池的电量回收启动时间。

7.如权利要求1所述的双电压电池储能器充电方法，其特征在于，在所述利用预构建的电量回收预测模型处理车辆的所述行驶数据之前，所述双电压电池储能器充电方法还包括：

对所述行驶数据和所述双电压电池的所述充电数据进行预处理。

8.一种双电压电池储能器充电装置，其特征在于，包括：

获取模块，用于获取车辆的行驶数据和双电压电池的充电数据；

第一预测模块，用于利用预构建的电量回收预测模型处理车辆的所述行驶数据，获得所述双电压电池在当前驾驶模式下的能量回收策略，并根据所述能量回收策略获得最大回收电量值；

目标确定模块，用于根据所述最大回收电量值确定目标充电电池；

第二预测模块，用于基于预构建的充电预测模型处理所述最大回收电量值和所述充电数据，获得所述目标充电电池的充电功率控制曲线；

输出模块，用于基于所述充电功率控制曲线对所述目标充电电池进行充电。

9.一种车辆控制器，车辆控制器包括处理器、通信接口、存储器和通信总线，所述处理器、通信接口、存储器之间通过通信总线完成相互间的通信，其特征在于：

存储器，所述存储器用于存储计算机程序，

处理器，所述处理器用于执行存储器上所存储的计算机程序以实现权利要求1～7中任意一项所述的双电压电池储能器充电方法。

10.一种车辆，其特征在于，包括权利要求9所述的车辆控制器。