CN111612205A - 用于针对驾驶路线确定目标电池充电水平的系统和方法 - Google Patents

Abstract

本公开涉及用于针对驾驶路线确定目标电池充电水平的系统和方法。公开了针对驾驶路线确定电池组的目标充电水平的系统、方法和存储介质。一种方法包括：接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据，该数据是从车队中的每个车辆中的至少一个接收的；将数据提供给机器学习服务器；指示机器学习服务器生成预测模型，该预测模型基于数据的机器学习；从车辆接收车辆路线请求，该车辆路线请求与驾驶路线对应；基于路线请求估计车辆的行驶状况；确定车辆中的电池组的温度；基于预测模型、行驶状况和温度确定目标电池充电水平；以及向车辆提供目标电池充电水平。

Description

用于针对驾驶路线确定目标电池充电水平的系统和方法

技术领域

本说明书一般而言涉及智能地设置电池组(battery pack)参数，并且更特别地，涉及用于使用机器学习来基于特定使用确定目标电池充电水平的系统、方法和存储介质。

背景技术

用于在车辆(例如，混合燃气/电动车辆、电动车辆等)中使用的电池组通常被构造为电池单元(cell)的分组。在一些情况下，除了其他特性之外，电池组中的电池单元的布置还可以使电池组相对于其他状况更善于在某些状况下执行。照此，某些电池组可以不需要针对特定路线、特定驾驶状况、特定天气状况等完全充电。出于一个或多个原因，不必对电池组完全充电可以是有利的，这一个或多个原因诸如例如延长电池组的总体寿命、避免过度充电时间、避免过度充电成本等。此外，向驾驶员提供选择不同路线、不同驾驶模式等的能力在保持电池组的总体寿命方面可以是有利的。

发明内容

本公开的一个方面涉及一种用于针对驾驶路线确定电池组的目标充电水平的方法。该方法包括由处理设备接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据。该数据是从车队中的每个车辆中的至少一个接收的。该方法还包括由处理设备将数据提供给机器学习服务器，以及由处理设备指示机器学习服务器生成预测模型。预测模型基于数据的机器学习。该方法还包括由处理设备从车辆接收车辆路线请求。车辆路线请求与驾驶路线对应。该方法还包括由处理设备基于路线请求估计车辆的行驶状况，由处理设备确定车辆中的电池组的温度，由处理设备基于预测模型、行驶状况和温度确定目标电池充电水平，以及由处理设备将目标电池充电水平提供给车辆。

本公开的另一方面涉及一种被配置用于针对驾驶路线确定电池组的目标充电水平的系统。该系统包括车队。车队中的每个车辆包括具有多个电池单元的电池组。该系统还包括通信地耦合到车队中的每个车辆以及通信地耦合到一个或多个电池测试设备的一个或多个硬件处理器。一个或多个硬件处理器被机器可读指令配置为接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据。该数据是从车队中的每个车辆中的至少一个接收的。一个或多个硬件处理器还被机器可读指令配置为将数据提供给机器学习服务器，并指示机器学习服务器生成预测模型。预测模型基于数据的机器学习。一个或多个硬件处理器还被机器可读指令配置为从车辆接收车辆路线请求。车辆路线请求与驾驶路线对应。一个或多个硬件处理器还被机器可读指令配置为基于路线请求估计车辆的行驶状况，确定车辆中的电池组的温度，基于预测模型、行驶状况和温度确定目标电池充电水平，以及将目标电池充电水平提供给车辆。

本公开的又一方面涉及一种在其上实施有指令的非瞬态计算机可读存储介质，这些指令可由一个或多个处理器执行以执行针对驾驶路线确定电池组的目标充电水平的方法。该方法包括接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据。该数据是从车队中的每个车辆中的至少一个接收的。该方法还包括将数据提供给机器学习服务器，并指示机器学习服务器生成预测模型。预测模型基于数据的机器学习。该方法还包括从车辆接收车辆路线请求。车辆路线请求与驾驶路线对应。该方法还包括基于路线请求估计车辆的行驶状况，确定车辆中的电池组的温度，基于预测模型、行驶状况和温度确定目标电池充电水平，以及将目标电池充电水平提供给车辆。

在参考附图考虑以下描述和所附权利要求后，本技术的这些和其他特征和特性以及结构的相关元件的操作方法和功能和部分的组合以及制造的经济性将变得更加清楚，全部附图均构成本说明书的一部分，其中相似的附图标记在各图中表示对应的部分。但是，要明确地理解的是，附图仅出于说明和描述的目的，并且不旨在作为对本发明的限制的定义。如本说明书中和权利要求中所使用的，除非上下文另外明确指出，否则单数形式的“一”、“一个”和“该”包括复数指示物。

附图说明

在附图中阐述的实施例本质上是说明性和示例性的，并且不旨在限制由权利要求限定的主题。当结合以下附图阅读时，可以理解说明性实施例的以下详细描述，其中相似的结构用相似的附图标记指示，并且其中：

图1示意性地描绘了根据本文示出和描述的一个或多个实施例的用于确定电池组的目标充电水平的设备和系统的说明性网络；

图2示意性地描绘了根据本文示出和描述的一个或多个实施例的说明性电池单元、说明性模块和具有布置在多个模块内的多个电池单元的说明性电池组的透视图；

图3A示意性地描绘了根据本文示出和描述的一个或多个实施例的确定电池组的目标充电水平的电池配置系统的说明性硬件部件；

图3B描绘了根据本文示出和描述的一个或多个实施例的确定电池组的目标充电水平的电池配置系统的存储器内包含的说明性逻辑的框图；

图4示意性地描绘了根据本文示出和描述的一个或多个实施例的具有电池组的车辆中的说明性车辆管理模块的说明性硬件部件；以及

图5描绘了根据本文示出和描述的一个或多个实施例的确定电池组的目标充电水平的说明性方法的流程图。

具体实施方式

本公开一般而言涉及训练和使用用于在给定特定驾驶路线、驾驶状况、天气状况等的情况下预测电池组使用的机器学习(ML)模型，为用户提供选择替代路线、驾驶模式等以优化电池使用的能力，以及预测驾驶状况和选择的参数所需的特定充电水平。机器学习模型的训练和使用通常包括获得与安装在当前操作的车队中的电池组中的电池单元相关的数据。即，用于训练的数据是从真实世界场景中使用的电池组的评估中获得的。数据然后被馈送到ML服务器，该ML服务器生成预测模型，在做决定诸如例如决定特定类型的驾驶所需要的特定充电水平时可以依赖于该预测模型。

电池组，特别是用在诸如EV和混合燃气-电动车辆之类的车辆中的那些电池组，包括包含存储的能量的电池单元的布置。电池单元被并联连接以形成模块，并且多个模块被串联连接以形成组。在一些情况下，电池单元仅以最大化电池单元的数量的方式被布置在模块/电池组内。照此，所制造的每个电池组可能由于变化的电池单元布置而与其他电池组不完全相同。

此外，某些电池单元(包括相对低质量的电池单元和相对高质量的电池单元)在被彼此相邻地放置或以其他特定方式布置时，可能会在某些状况下次最优地操作。例如，由于电池单元的固有阻抗属性，各种电池单元在操作(包括充电和放电)期间可能释放各种水平的热能(例如，发热)。当发出相对高的热量的两个电池单元被彼此相邻地放置(相对于发出相对较低的热量的两个电池单元)时，释放的热量可能高到足以损坏电池单元和/或电池组的周围部件，特别是在炎热天气中驾驶车辆时，这能够导致例如电池组故障、缩短的电池组寿命、较快的放电时间、较慢的充电时间等。因此，通常有必要使表现出高电阻的电池单元彼此间隔开以维持模块和组的总体温度，从而避免与热相关的问题，特别是在炎热天气中驾驶车辆时。在另一个示例中，可以优选的是避免在模块或组中将具有相对较高的容量的电池单元彼此相邻地放置，以便避免对同样存在于该模块或组中的相对较低容量的电池单元施加应力，特别是当放电速率高于典型的放电速率时(例如，当车辆以较高的速度驾驶、上坡等时)。因此，有必要将相对较高容量的电池单元彼此间隔开，以避免在某些操作状况下在相对较低容量的电池单元上的应力。

一些系统和方法仅在组水平(例如，作为整体的电池组)监视电池组操作。以这种方式进行监视的粒度不足以获得机器学习和可以用于配置组内的电池单元和模块的模型的生成所需的数据。

本文描述的系统和方法可以获得关于车辆的电池组中的每个单独的电池单元的操作的更详细的数据，以及来自车辆本身的数据，以做出关于未来操作的预测。数据可以在车辆的日常使用期间获得，并且不限于任何特定情况(例如，数据是在不受控制的使用设置中获得的)。在一些实施例中，可以通过在具有电池测试设备的电池组上运行模拟来获得数据。然后，本文描述的系统和方法确定特定的电池组将如何用于特定情况、确定是否存在电池组的可优化性能的替代使用、以及然后将指令传输到包含该特定电池组的车辆，该车辆可以实现替代使用以及/或者向车辆的驾驶员和/或乘客提供实现替代使用的选项。

特定车辆(以及向该特定车辆的车辆部件提供能量的电池组)的每种使用都可以需要由车辆中的各种车辆计算设备和人(例如，车辆的驾驶员或乘客)做出多个决定。决定的示例包括但不限于所采用的路线、是否使用来自制动的能量来为电池组再充电、在哪个充电状态范围进行操作等。一些示例尤其涉及温度。例如，如果外部温度发生改变，那么某些决定可能包括在驾驶结束时可能是什么温度、是否应该开启冷却系统、是否应该开启加热系统等。

前述决定中的每一个决定可以具有能够基于某些改变来改善电池组的性能的最优操作方式。例如，到目的地的一条路线可以比另一条路线(该另一条路线有非常陡峭的山丘要爬)平坦。如果电池组已经经历了劣化，那么电池组的电池单元中的电阻增加，这可能使得较优的选择是较平坦的路线(而不是陡峭的山丘)，即使该较平坦的路线是稍微较长的路线，因为它将最可能延长电池组的总体寿命。即，电池组上的负载将大大降低。照此，可以向驾驶员提供界面屏幕，该界面屏幕解释可以通过采用较平坦的路线来实现较好的电池性能，使得驾驶员可以决定他或她想做什么。

另一个示例可以是基于诸如室外温度和/或要行驶的预期距离之类的环境特性为电池组充多少电。如果在特别炎热的天气(例如，北半球的夏天)，可以驾驶车辆20英里，那么可以确定不需要组的全部范围(例如，因为无论地形、交通等如何，行驶20英里都不需要完全充电)。此外，可以确定，如果电池组被完全充电(例如，被充电至100％)，那么高温(例如，大于约90°F)可能导致大量劣化。因此，电池组可以被充电至较少的量(例如，约50％、约60％、约70％等)和/或可以在充电过程期间在车辆和/或电池组中运行冷却系统，以防止电池组变得过热。由于用户可能在该充电时间期间不在使用车辆，因此这样的过程可以在没有用户输入的情况下自动实现。

现在参考附图，图1描绘了根据本文示出和描述的实施例的用于基于路线、驾驶状况、天气状况、驾驶员选择的参数等来预测需要的特定电池充电水平的设备和系统的说明性网络，该网络被一般地表示为100。如图1所示，网络100可以包括广域网(诸如互联网)、局域网(LAN)、移动通信网络、公共服务电话网(PSTN)和/或其他网络，并且可以被配置为以电子方式连接电池配置系统110、车队120中的一个或多个车辆122、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个机器学习服务器150和/或一个或多个电池测试设备160。

电池配置系统110通常是执行用于基于路线、驾驶状况、天气状况、驾驶员选择的参数等来预测需要的特定电池充电水平的各种处理的计算设备，如本文更详细描述的。电池配置系统110包含一个或多个硬件部件，如本文将关于图3A和图3B所讨论的。

仍然参考图1，车队120包括一个或多个车辆122，这一个或多个车辆122中的每个车辆在其中具有至少一个电池组。例如，车队120中的每个车辆122可以是电动车辆、燃气-电动混合车辆等。车队120中的每个车辆122可以通信地耦合到网络100内的部件中的任何一个，以传输与电池组对应的数据，并且还可以接收用于利用其中的电池组的指令，如本文更详细描述的。因此，车队120中的每个车辆122包括用于生成数据、传送数据、接收命令以及执行命令的一个或多个硬件部件，如本文关于图4所描述的。

仍参考图1，一个或多个用户计算设备130和一个或多个移动设备140通常可以是由用户用来传输来自车队120中的至少一个车辆122的信息(如果车队内的车辆不直接耦合到网络100)和/或接收来自电池配置系统110的信息的设备。例如，一个或多个用户计算设备130和/或一个或多个移动设备140可以通信地耦合到来自车队120的车辆122，以从车辆接收数据(例如，经由车辆的车载诊断(OBD)端口)，以及经由网络100将数据传输到另一个设备(例如，电池配置系统110)。在另一个示例中，一个或多个用户计算设备130和/或一个或多个移动设备140可以与电动车辆充电站集成，使得当车辆122连接到充电站以进行充电时，在车辆122和充电站(例如，用户计算设备130和移动设备140中的至少一个)之间创建数据连接，使得可以经由充电站将数据传输到连接到网络100的一个或多个其他部件。在又一个示例中，一个或多个用户计算设备130和/或一个或多个移动设备140可以位于车辆维修设施、车辆经销店等中。一个或多个用户计算设备130中的每一个用户计算设备通常可以是包括允许设备执行任何面向用户的功能的部件(例如，显示器、用户输入设备、存储器、处理设备、通信端口等)的任何计算设备，并且不以其他方式受到本公开的限制。类似地，一个或多个移动设备140中的每一个移动设备通常可以是包括允许设备执行任何面向用户的功能的部件(例如，显示器、用户输入设备、存储器、处理设备、通信端口等)的任何计算设备，并且不以其他方式受到本公开的限制。

根据本文示出和描述的实施例，一个或多个机器学习服务器150通常是在其上存储一个或多个机器学习算法的计算设备，并且特别地被配置为接收数据并从该数据生成模型，该模型能够由电池配置系统110用来估计电池单元的电学特性、基于电学特性确定电池单元的布置、和/或基于路线、驾驶状况、天气状况、驾驶员选择的参数等来预测需要的特定电池充电水平。根据本文示出和描述的实施例，由一个或多个机器学习服务器150利用的机器学习算法不受本公开的限制，并且通常可以是现在已知或以后开发的任何算法，特别是专门适于生成可以用于估计电池单元的电学特性和/或基于路线、驾驶状况、天气状况、驾驶员选择的参数等来预测需要的特定电池充电水平的预测模型的那些算法。即，机器学习算法可以是监督学习算法、非监督学习算法、半监督学习算法和强化学习算法。机器学习算法的具体示例可以包括但不限于最近邻算法、朴素贝叶斯算法、决策树算法、线性回归算法、监督向量机、神经网络、聚类算法、关联规则学习算法、Q学习算法、时间差分算法和深度对抗网络。一个或多个机器学习服务器150所使用的机器学习算法的其他具体示例通常应被理解并且被包括在本公开的范围内。

一个或多个电池测试设备160通常是用于测试电池、生成与电池测试对应的数据以及将数据供应给经由网络100与其通信地耦合的一个或多个部件(例如，电池配置系统110)的设备。电池测试设备160通常可以测试未安装在车辆中(即，未被包含在车辆122之一内)的电池或其部件(例如，模块、电池单元等)。电池测试设备160可以测试电池或其部件的充电、电压、放电速率、充电时间、寿命、物理特性、化学成分、起动电流、内部电池管理系统功能等。电池测试设备160还可以模拟各种放电状况。例如，电池测试设备160可以完成EV驾驶循环模拟(例如，联邦城市驾驶时间表-FUDS)、混合脉冲功率表征(HPPC)测试等。在关于各个电池单元的测试的实施例中，电池测试设备160可以用于电化学、电池和超级电容器测试、HPCE测量、电化学研究和开发、半电池单元测试、寿命周期测试、电化学阻抗谱(EIS)等。在一些实施例中，电池测试设备160中的至少一个可以是高通量(HT)循环仪。电池测试设备160中的一个的说明性示例是可从NH Research(尔湾(Irvine)，CA)获得的9220双槽(DualBay)系列低电压/高电流循环仪。电池测试设备160中的一个的另一个说明性示例是可从Arbin Instruments(大学城(College Station)，TX)获得的各种电池测试产品，诸如例如再生电池测试(RBT)系列设备。

应该理解的是，虽然用户计算设备130在图1中被描绘为个人计算机并且电池配置系统110和一个或多个机器学习服务器150被描绘为服务器，但是这些是非限制性示例。更具体而言，在一些实施例中，任何类型的计算设备(例如，移动计算设备、个人计算机、服务器等)可以用于这些部件中的任何一个。附加地，虽然这些计算设备中的每一个在图1中被图示为单个硬件，但这也仅仅是示例。更具体而言，电池配置系统110、一个或多个用户计算设备130、一个或多个移动设备140和/或一个或多个机器学习服务器150中的每一个可以表示多个计算机、服务器、数据库等。

图2描绘了电池组200的透视图，该电池组200在其中包含布置在模块210内的多个电池单元220。图2还描绘了说明性电池单元220和其中包括多个电池单元220的模块210。图2中描绘的电池组200是可以在诸如车队120中的车辆122(图1)之类的车辆中找到的组的说明性示例。即，电池组200可以是用于为车辆中的各种车辆部件(特别是电动车辆部件、燃气-电动混合车辆部件等)供电的能量存储设备。图2中描绘的电池组200也可以是由一个或多个电池测试设备160(图1)测试的组的说明性示例。

仍然参考图2，在一些实施例中，电池组200的形状和/或尺寸可以被调整为对应于它安装在其中的车辆，并且可以被配置为在其中容纳多个电池单元220和/或模块210。电池组200可以包括限定内部的盖，在该内部中包含电池单元220和/或模块210以及各种其他部件，诸如(但不限于)具有一个或多个传感器的组传感器硬件230和/或一个或多个电池管理系统(BMS)硬件部件240。

电池组200的模块210内的电池单元220中的每一个通常可以是用于存储电能的电池单元，该电能被提供给外部部件，诸如车辆的部件。照此，电池单元220中的每一个可以在其上具有多个端子，包括正端子222和负端子224。电池单元220不以其他方式受本公开的限制，并且可以是现在已知或以后开发的任何类型的电池单元。电池单元的说明性示例包括但不限于铅酸电池单元、镍金属氢化物(NiMH)电池单元、锂离子(Li离子)电池单元等。

电池单元220中的每一个可以是任何尺寸和/或形状，和/或可模制成任何尺寸或形状。照此，本公开不限于任何特定的尺寸和形状。此外，电池组200内的模块210可以具有尺寸和形状不同的多个电池单元220。即，模块210可以包括具有第一尺寸和/或形状的一个或多个第一电池单元220以及具有与第一尺寸和/或形状不同的第二尺寸和/或形状的一个或多个第二电池单元220。按照各种布置的在模块210内的形状不同的电池单元220的使用可以允许以各种方式配置模块210。例如，可以基于模块210在电池组200内的位置来将该模块210模制成适合特定形状(例如，适合特定形状的空隙、适合处于特定形状的部件之间等)，并且可以用具有各种尺寸的电池单元220填充模块210，以便使位于模块210内的电池单元220的数量最大化、使模块210的能量存储容量的量最大化等。此外，随后可以基于从电池配置系统110(图1)接收到的指示对模块210进行模制并用特定的电池单元220和/或电池单元220的特定布置进行填充，如本文更详细描述的。因此，应该理解的是，模块210和电池单元220的形状和尺寸不受本公开的限制。

在一些实施例中，模块210中的每一个还可以包括模块BMS设备212。模块BMS设备212通常可以是特别适于模块210的电池管理系统，该电池管理系统位于模块210中以管理模块210和/或其电池单元220的电学输出、管理模块210和/或其电池单元220的充电、收集关于模块210和/或电池单元220的充电和/或放电的数据、传输收集到的数据等。

位于电池组200内的组传感器硬件230通常可以感测电池组200、电池组200中的模块210、电池组200中的电池单元220和/或电池组200中的一个或多个其他部件的一个或多个特性。例如，组传感器硬件230可以包括温度传感器，该温度传感器被配置为感测作为整体的电池组200或电池组200的各个部分的内部温度(例如，以识别电池组200内的“热点”)。即，温度传感器可以散布在电池组200的整个内部以感测电池组200内的特定区域处的温度。在另一个示例中，组传感器硬件230可以包括电学计量表，该电学计量表被配置为感测电池组200内的模块210和/或电池单元220的一个或多个电学特性，诸如但不限于电压、阻抗等。在一些实施例中，组传感器硬件230可以与模块210中的每一个的模块BMS设备212集成，使得可以实现在电池单元水平或模块水平的感测。在一些实施例中，组传感器硬件230可以与BMS硬件部件240集成。组传感器硬件230可以通信地耦合到一个或多个设备，以传输与感测到的特性对应的数据，使得可以如本文所述的那样利用数据。例如，组传感器硬件230可以通信地耦合到BMS硬件部件240，BMS硬件部件240将数据提供给一个或多个外部部件，诸如但不限于电池配置系统110(图1)。

仍然参考图2，BMS硬件部件240通常是被配置为管理电池组200的模块210和电池单元220的任何电子系统部件，包括现在已知或以后开发的部件。照此，BMS硬件部件240通常可以包括特别配置用于维护电池组200的操作、监视电池组200(以及其中的模块210和电池单元220)的状态、计算次级数据、传输计算出的数据和/或从组传感器硬件230接收到的数据、维护电池组200内的操作环境、验证电池组200和/或平衡电池组200的部件。

在一些实施例中，BMS硬件部件240与组传感器硬件230结合，可以监视和/或控制电池组200、电池组200的模块210和/或电池组200的电池单元220的各种电池操作参数。例如，BMS硬件部件240可以监视和/或控制电压(例如，总电压、特定模块210的电压、特定电池单元220的电压、最小电池单元电压、最大电池单元电压、周期性抽头(periodic tap)的电压等)、温度(例如，平均温度、冷却剂吸入温度、冷却剂输出温度、冷却剂流量、每个模块210的温度、每个电池单元220的温度等)、充电状态(SOC)或放电深度(DOD)、健康状态(SOH)、电力状态(SOP)(例如，进出电池组200、电池组200的模块210和/或电池组200的电池单元220的电流)和/或再充电参数(例如，指示恢复的能量等)。

在一些实施例中，BMS硬件部件240可以计算各种值，包括但不限于作为充电电流限制(CCL)的最大充电电流、作为放电电流限制(DCL)的最大放电电流、自上次充电或充电循环以来输送的能量(例如，千瓦时(kWh))、模块210和/或电池单元220的内部阻抗、开路电压、输送或存储的电荷(例如，库仑计数器)、自首次使用以来输送的总能量、自首次使用以来的总操作时间、总循环数等。

在实施例中，BMS硬件部件240可以包括中央控制器，该中央控制器在电池组200内与各种其他硬件(诸如例如，与模块210和/或电池单元220相关联的硬件(例如，模块BMS设备212))内部地通信和/或与外部部件(诸如例如，图1中描述的各种部件)外部地通信。仍然参考图2，中央控制器可以经由串行连接、CAN总线、DC总线(例如，电力线上串行)和/或无线地通信。

BMS硬件部件240还可以用于通过以下方式来优化电池组200的使用(例如，对电池组200充电、使电池组放电等)：通过将充电最多的模块210和/或电池单元220连接到负载(例如，经由无源调节器等)来消耗来自充电最多的模块210和/或电池单元220的能量、将能量从充电相对较多的模块210和/或电池单元220调动到充电相对较少的模块210和/或电池单元、减小充电电流以使得相对较高充电的模块210和/或电池单元220不被损坏但是相对较低充电的模块210和/或电池单元220仍然可以进行充电、模块化充电等。

BMS硬件部件240的拓扑通常应该被理解并且不受本公开的限制。即，BMS硬件部件240可以是其中单个控制器耦合到所有模块210和电池单元220的集中式拓扑，其中在每个模块210和/或电池单元处安装BMS板(例如，模块BMS设备212)的分布式拓扑，或者其中BMS硬件部件240包括多个控制器的模块化拓扑，该多个控制器中的每个控制器处理电池组200内的全部数量的模块210和电池单元220的子集。

在一些实施例中，电池组200还可以包括一个或多个端口，用于传输存储在电池单元220中的电、传输(例如，来自BMS硬件部件240的)数据等。例如，如图2所绘出的，电池组200可以包括电学端口204、数据端口206和/或辅助端口208。

电学端口204通常提供到电池组200内的各种部件(包括但不限于模块210和电池单元220)的电学耦合。因此，电学端口204在被电学耦合到外部设备时可以允许电流在电池组200和外部设备之间流动。照此，电学端口204的形状、尺寸和布置可以被调整为电学耦合到车辆和/或电池测试设备的一个或多个部件。

数据端口206通常提供电池组200内的部件与一个或多个外部部件之间的数据连接。即，可以将由电池组200内的各种部件(例如，BMS硬件部件240、每个模块BMS设备212、来自组传感器硬件230的数据等)收集和/或生成的数据经由数据端口206传输出电池组200至外部部件，诸如(但不限于)关于图1示出和描述的各种部件。即，也参考图1，数据可以经由数据端口206被传输到电池配置系统110、车队120中的车辆122的其他部件、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个机器学习服务器150和/或一个或多个电池测试设备160。在一些实施例中，来自电池组200内的部件的数据可以由一个设备传输到另一个设备。例如，数据端口206可以通信地耦合到车辆的CAN总线(或其他类似的本地接口)，使得来自电池组200内的部件的数据经由CAN总线传输，其中经由车辆的CAN总线与另一个部件(例如，经由诸如车辆的OBD端口之类的访问端口连接到CAN总线的移动设备或用户计算设备130)之间的连接检索数据。然后可以经由网络100将数据中继到又一个部件，诸如电池配置系统110。在另一个示例中，数据端口206可以通信地耦合到电池测试设备160中的一个或多个，使得来自电池组200内的部件的数据被传输到一个或多个电池测试设备160。

辅助端口208通常可以是用于任何类型的通信或电学耦合的任何类型的端口。在一些实施例中，辅助端口208可以用于通信和电学耦合的组合(例如，电力线上的串行通信)。

现在应该理解通常用于本文描述的目的的电池组的类型。但是，还应该理解的是，关于图2描述的电池组仅仅是说明性的，并且在不脱离本公开的范围的情况下，也可以使用现在已知或以后开发的其他电池组。

图3A描绘了图1的电池配置系统110的说明性内部部件，这些部件为电池配置系统110提供了本文描述的能力。如图3A所绘出的，电池配置系统110可以包括处理设备310、非暂态存储器部件320、网络接口硬件340、输入/输出(I/O)硬件330和/或数据存储部件350。诸如总线等之类的本地接口300可以使各种部件互连。

诸如计算机处理单元(CPU)之类的处理设备310可以是电池配置系统110的中央处理单元，执行计算和逻辑操作以执行程序。单独或与其他部件结合的处理设备310是说明性处理设备、计算设备、处理器或其组合。处理设备310可以包括被配置为接收和执行(诸如来自数据存储部件350和/或存储器部件320的)指令的任何处理部件。

存储器部件320可以被配置为易失性和/或非易失性计算机可读介质，并且照此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、压缩盘(CD)、数字多功能盘(DVD)和/或其他类型的存储部件。存储器部件320可以在其上包括一个或多个编程指令，该一个或多个编程指令在由处理设备310执行时使处理设备310完成各种处理，诸如本文关于图5描述的处理。

参考图3A-图3B，存储在存储器部件320上的编程指令可以被实施为多个软件逻辑模块，其中每个逻辑模块提供用于完成一个或多个任务的编程指令。图3B中描绘的说明性逻辑模块包括但不限于操作逻辑380、传感器逻辑382、数据接收逻辑384、数据提供逻辑386、机器学习通信逻辑388、特性估计逻辑390、电池单元配置逻辑392和/或电池单元分类逻辑394。作为示例，图3B中描绘的逻辑模块中的每一个可以被实施为计算机程序、固件或硬件。

操作逻辑380可以包括用于管理电池配置系统110的部件的操作系统和/或其他软件。传感器逻辑382可以包括用于指示一个或多个传感器的操作的一个或多个编程指令，该一个或多个传感器诸如被包括在车辆(例如，车队120中的一个车辆(图1))内的传感器、被包括在电池组200(图2)内的传感器等。参考图1和图3B，数据接收逻辑384通常可以包括用于从电池配置系统110外部的一个或多个部件接收数据的编程指令，这些数据诸如例如由来自车队120的任何车辆122、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个电池测试设备160、电池组200(图2)等传输的数据。仍然参考图1和图3B，数据提供逻辑386通常可以包括用于将数据传输到电池配置系统110外部的一个或多个部件的编程指令，这些数据诸如例如到来自车队120的任何车辆122、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个电池测试设备160、电池组200(图2)等的数据。仍参考图1和图3B，机器学习通信逻辑388通常可以包括用于与一个或多个机器学习服务器150通信的编程指令，诸如用于将数据传输到一个或多个机器学习服务器150、将指令传输到一个或多个机器学习服务器150、从一个或多个机器学习服务器150接收数据或信息、指示一个或多个机器学习服务器150的操作等的指令。

参考图1、图2和图3B，特性估计逻辑390通常可以包括用于基于从一个或多个其他部件接收到的数据来估计电池组200和/或电池组200中的部件的一个或多个特性的一个或多个编程指令，该一个或多个其他部件诸如例如来自车队120的车辆122、一个或多个机器学习服务器150和/或一个或多个电池测试设备160。在一些实施例中，特性估计逻辑390还可以用于估计一个或多个车辆操作特性，包括但不限于驾驶路线、一个或多个驾驶状况、一个或多个天气状况等。电池单元配置逻辑392通常可以包括用于确定电池组200内的电池单元220和/或模块210的配置的一个或多个编程指令，该配置可以用于确定电池单元220中需要的充电量，如本文更详细描述的。电池单元分类逻辑394通常可以包括用于基于电池单元220的一个或多个特性对电池单元220进行分类(例如，对电池单元220进行分箱(bin))以便确定电池单元220中需要的充电量的一个或多个编程指令，如本文更详细描述的。

再次参考图3A，输入/输出硬件330可以在本地接口300与电池配置系统110的本文未描述的一个或多个其他部件之间传送信息。在一些实施例中，输入/输出硬件330可以用于一个或多个用户接口部件，包括本地用户接口部件和/或一个或多个远程用户接口部件。

网络接口硬件340可以包括任何有线或无线联网硬件，诸如调制解调器、LAN端口、无线保真(Wi-Fi)卡、WiMax卡、移动通信硬件以及/或者用于与其他网络和/或设备通信的其他硬件。例如，网络接口硬件340可以用于促进本文关于图1描述的各种其他部件之间的通信。

通常可以是存储介质的数据存储部件350可以包含用于存储接收到的和/或生成的数据的一个或多个数据存储库。数据存储部件350可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储装置等。虽然数据存储部件350被描绘为本地设备，但是应该理解的是，数据存储部件350可以是远程存储设备，诸如例如服务器计算设备、基于云的存储设备等。可以被包含在数据存储部件350内的说明性数据包括但不限于机器学习模型数据352、特性数据354和/或组配置数据356。机器学习模型数据352通常可以涉及由一个或多个机器学习服务器150(图1)生成的数据和/或用于生成机器学习模型的数据。仍然参考图3A，特性数据354通常是关于各种与驾驶相关联的特性而获得或生成的数据，包括但不限于，与点之间的路线相关的信息、与驾驶状况相关的信息(例如，道路状况、交通等)、与天气状况相关的信息、与驾驶员的优选路线或其他优选信息相关的信息等。组配置数据通常包含与基于已经从一个或多个机器学习服务器150(图1)接收到的信息的电池组200(图2)的特定配置相关的信息、作为根据电池单元配置逻辑392和/或电池单元分类逻辑394(图3B)进行操作的结果而生成的数据等。

应该理解的是，图3A-图3B所示的部件仅仅是说明性的，并不旨在限制本公开的范围。更具体而言，虽然图3A-图3B中的部件被图示为位于电池配置系统110内，但这是非限制性示例。在一些实施例中，这些部件中的一个或多个部件可以位于电池配置系统110的外部。

图4描绘了根据各种实施例的车队120中的车辆122(图1)内的车辆电池管理模块400的说明性内部部件。车辆电池管理模块400通常与位于图2中描绘的电池组200中的BMS硬件部件240分离，但是与BMS硬件部件240协同工作以提供本文描述的功能。如图4所示，车辆电池管理模块400可以包括处理设备410、非暂态存储器部件420、车辆传感器硬件430、组传感器硬件230、网络接口硬件450、输入/输出(I/O)硬件460和/或数据存储部件470。诸如总线等(例如，车辆CAN总线)之类的本地接口402可以使各种部件互连。

诸如计算机处理单元(CPU)之类的处理设备410可以是车辆电池管理模块400的中央处理单元，执行计算和逻辑操作以执行程序。单独或与其他部件结合的处理设备410是说明性处理设备、计算设备、处理器或其组合。处理设备410可以包括被配置为接收和执行(诸如来自数据存储部件470和/或存储器部件420的)指令的任何处理部件。

存储器部件420可以被配置为易失性和/或非易失性计算机可读介质，并且照此可以包括随机存取存储器(包括SRAM、DRAM和/或其他类型的随机存取存储器)、只读存储器(ROM)、闪存、寄存器、压缩盘(CD)、数字多功能盘(DVD)和/或其他类型的存储部件。存储器部件420可以在其上包括一个或多个编程指令，该一个或多个编程指令在由处理设备410执行时使处理设备410完成各种处理，诸如本文关于图5描述的处理。

仍然参考图4，存储在存储器部件420上的编程指令可以被实施为多个软件逻辑模块，其中每个逻辑模块提供用于完成一个或多个任务的编程指令。图4中描绘的说明性逻辑模块包括但不限于操作逻辑422和/或传感器逻辑424。作为示例，图4中所示的逻辑模块中的每一个可以被实施为计算机程序、固件或硬件。操作逻辑422可以包括用于管理车辆电池管理模块400的部件的操作系统和/或其他软件。传感器逻辑424可以包括用于指示车辆传感器硬件430和/或组传感器硬件230的操作的一个或多个编程指令，包括但不限于用于指示车辆传感器硬件430和/或组传感器硬件230感测车辆122、电池组200(图2)和/或周围环境(例如，交通、路线信息、目的地、道路状况、道路的类型、天气状况等)的一个或多个特性、传输与感测到的一个或多个特性对应的数据等的编程指令。

仍然参考图4，车辆传感器硬件430通常可以包括感测一个或多个车辆特性、特别是提供可以用于预测特定驾驶所需要的充电量的信息的特性的一个或多个硬件部件，这些特性诸如各种车辆参数、车辆的重量、各种车辆设置等。在一些实施例中，车辆传感器硬件430还可以感测车辆周围的周围环境的特性，诸如例如交通、车辆位置、目的地信息、道路状况、道路的类型、天气状况等。说明性硬件部件包括但不限于相机(包括视频和静态相机)、光学传感器、测距系统、飞行时间(TOF)传感器、接近传感器、温度传感器、全球定位卫星(GPS)部件、电学传感器(例如，电压传感器、阻抗传感器等)、加速度计、陀螺仪、速度传感器等。在不脱离本公开的范围的情况下，还包括其他传感器，特别是用于获取与电池功能、车辆功能、车辆正在其上驾驶的地形等有关的信息的那些传感器。在一些实施例中，车辆传感器硬件430可以接收感测到的信息并且将与感测到的信息对应的信号和/或数据传输到本文描述的一个或多个部件。例如，车辆传感器硬件430可以接收与车辆相关的加速度和/或速度信息，并生成一个或多个信号和/或数据以传输到处理设备410以用于处理数据、将数据传输到其他部件等，如本文更详细描述的。

网络接口硬件450可以包括任何有线或无线联网硬件，诸如调制解调器、LAN端口、无线保真(Wi-Fi)卡、WiMax卡、移动通信硬件以及/或者用于与其他网络和/或设备通信的其他硬件。例如，网络接口硬件450可以用于促进本文关于图1描述的各种其他部件之间的通信。

仍然参考图4，输入/输出硬件460可以在本地接口402与车辆122的本文未描述的一个或多个其他部件之间传送信息。例如，位于车辆122内但不是车辆电池管理模块400的一部分的一个或多个车辆部件可以经由输入/输出硬件460与车辆电池管理模块400的各个部件通信。在一些实施例中，某个车辆传感器硬件430可以位于车辆电池管理模块400的外部，并且可以经由输入/输出硬件460与车辆电池管理模块400的各个部件通信(例如，传输信号和/或数据)。

通常可以是存储介质的数据存储部件470可以包含用于存储接收到的和/或生成的数据的一个或多个数据存储库。数据存储部件470可以是任何物理存储介质，包括但不限于硬盘驱动器(HDD)、存储器、可移动存储装置等。虽然数据存储部件470被描绘为本地设备，但是应该理解的是，数据存储部件470可以是远程存储设备，诸如例如服务器计算设备、基于云的存储设备等。可以被包含在数据存储部件470内的说明性数据包括但不限于传感器数据472和/或其他数据。传感器数据472通常可以包括从车辆传感器硬件430和/或组传感器硬件230获得的数据。被包含在传感器数据472内的数据的非限制性示例可以包括车辆操作数据(例如，加速度计数据、陀螺仪数据、速度数据、GPS数据等)、与车辆122正在其中操作的环境相关的图像数据或其他数据(例如，天气、道路状况、道路类型等)、以及电池操作数据(例如，温度数据、电压数据、阻抗数据等)。

应该理解的是，图4所示的部件仅仅是说明性的，并不旨在限制本公开的范围。更具体而言，虽然图4中的部件被图示为位于车辆122内的车辆电池管理模块400内，但这是非限制性示例。在一些实施例中，这些部件中的一个或多个部件可以位于车辆电池管理模块400和/或车辆122的外部。

如上所述，关于图1-图4描述的各种部件可以用于执行一个或多个处理和/或提供用于确定要驾驶的路线并预测电池组200中要完成该路线所需要的充电量(例如，目标充电水平)的功能。下文关于图5描述各种处理的说明性示例。关于图5描述的各种处理通常可以由图1-图4中描绘的部件中的一个或多个部件来完成。图5描绘了根据各种实施例的预测目标充电水平的说明性方法。关于图5描述的各个步骤仅仅是说明性的，并且在不脱离本公开的范围的情况下，可以预期附加的、更少的或替代的步骤。

在通常还参考图1-图4的同时，在框502处，可以针对一个或多个电池组200接收电池单元配置数据。即，电池配置系统110可以从电池组200(例如，BMS硬件部件240)接收与如何在电池组200中的模块210内配置各种电池单元220相关的数据。电池单元配置数据通常包括与模块210中的特定电池单元220的布置、电池组200中的特定模块210的布置、模块210中的每个电池单元220的容量、每个模块210的容量、模块210中的每个电池单元220的输出、每个模块210的输出等相关的信息。

电池单元配置数据通常可以直接从包含电池组200的车辆122(例如，经由车辆122与电池配置系统110之间的数据连接)、从一个或多个用户计算设备130中的至少一个和/或从一个或多个移动设备140中的至少一个(例如，当车辆122通过车辆122中的OBD端口连接到用户计算设备130或移动计算设备时)接收。例如，如果车辆122具有恒定的数据连接(或连接到提供恒定的数据连接的移动设备140)，那么根据框502，来自安装在车辆122中的电池组200的数据可以被连续地传输，或者可以以特定的间隔(例如，每小时、每天、每周、每月等)被传输。在另一个示例中，来自车辆122的数据可以在车辆位于技术人员的店或包含从车辆获得数据并将数据中继到电池配置系统110的用户计算设备130或移动设备140的其他位置中时被传输。在又一个示例中，在用户计算设备130或移动计算设备是充电站的实施例中，当车辆连接到充电站以进行充电时，数据可以从车辆122卸载到电池配置系统110。

在框504处，可以接收操作数据。即，电池配置系统110可以从每个电池组200(例如，BMS硬件部件240)接收与当电池组200被使用(例如，充电和放电)时各种电池单元220如何操作相关的数据。照此，操作数据包含来自各种传感器(例如，组传感器硬件230、模块BMS设备212等)的数据，这些传感器被配置为监视电池单元220、模块210等中的每一个的各种电学特性。例如，操作数据可以包括电池组200内的模块210和/或电池单元220中的每一个的电压信息、电池组200内的模块210和/或电池单元220中的每一个的阻抗信息、电池组200内的操作温度(包括各种模块210和/或电池单元220的操作温度)、在特定操作状况下使每个模块210和/或电池单元220放电所需的时间量、在特定操作状况下对每个模块210和/或电池单元220充电所需的时间量等。在一些实施例中，操作数据可以从各种车辆传感器硬件430获得，使得车辆122的操作状况可以被确定。例如，从车辆传感器硬件430接收到的数据可以指示车辆122外部的环境温度、车辆122正在穿越的地形的类型、车辆122是否处于走走停停的交通中、车辆122正在穿越的道路的渐变(gradation)、车辆122驾驶得多快、车辆122加速和/或减速得多快等。

操作数据通常可以直接从包含电池组200的车辆122(例如，经由车辆122与电池配置系统110之间的数据连接)、从一个或多个用户计算设备130中的至少一个和/或从一个或多个移动设备140中的至少一个(例如，当车辆122通过车辆122中的OBD端口连接到用户计算设备130或移动计算设备时)接收。例如，如果车辆122具有恒定的数据连接(或连接到提供恒定的数据连接的移动设备140)，那么来自安装在车辆122中的电池组200的数据可以被连续地传输，或者可以以特定的间隔(例如，每小时、每天、每周、每月等)被传输。在另一个示例中，来自车辆122的数据可以在车辆位于技术人员的店或包含从车辆获得数据并将数据中继到电池配置系统110的用户计算设备130或移动设备140的其他位置中时被传输。在又一个示例中，在用户计算设备130或移动计算设备是充电站的实施例中，当车辆连接到充电站以进行充电时，数据可以从车辆122卸载到电池配置系统110。

应该理解的是，在一些实施例中，根据框502接收的电池单元配置数据和根据框504接收的操作数据可以基本同时发生。即，在一些实施例中，由电池配置系统110接收的数据流可以包括电池单元配置数据和操作数据两者。此外，在一些实施例中，根据框502接收的电池单元配置数据和/或根据框504接收的操作数据可以从一个或多个电池测试设备160接收，其中一个或多个电池测试设备160模拟某些驾驶状况，以确定与其连接的电池组200如何进行响应。

在框506处，可以从操作数据和/或电池单元配置数据502确定其中车辆122正在操作的操作状况。例如，来自一个或多个传感器的数据可以用于确定一个或多个操作状况路段、每个路段的地形、每个路段中的交通量、每个路段的车辆外部的周围温度、车辆122被驾驶的时间长度、车辆122被驾驶的速度(或平均速度)、电池组200及其部件的温度、各种车辆部件的操作温度等。

在框508处，可以将获得的所有数据提供给一个或多个机器学习服务器150。即，可以将在框502处接收到的电池单元配置数据、在框504处接收到的操作数据以及与根据框506确定的操作状况相关的数据提供给一个或多个机器学习服务器150。在一些实施例中，可以经由网络100将数据从各种设备(例如，车辆122、一个或多个用户计算设备130、一个或多个移动设备140、一个或多个电池测试设备160等)直接传输到一个或多个机器学习服务器150。在其他实施例中，数据可以由电池配置系统110收集，然后经由网络100被传输到一个或多个机器学习服务器150。

一旦一个或多个机器学习服务器150接收到数据，在框510处，电池配置系统110就可以指示一个或多个机器学习服务器150生成预测模型。即，可以将信号从电池配置系统110传输到一个或多个机器学习服务器150(例如，经由网络100)，该信号使机器学习服务器150将接收到的数据(例如，电池单元配置数据、操作数据和/或与操作状况相关的数据)馈送到预测模型中和/或从数据生成预测模型。预测模型通常可以是现在已知或以后开发的任何机器学习模型，特别是在给定特定操作状况(例如，温度)的情况下提供可以用于确定针对特定使用的最优电池组配置、充电等的结果信息的机器学习模型。机器学习模型的说明性一般示例包括但不限于卷积神经网络(CNN)模型、长短期记忆(LSTM)模型、神经网络(NN)模型、动态时间规整(DTW)模型等。如本文所述，具体示例包括但不限于基于描述符的模型和LFTM模型。

可以使用基于Q-V的早期预测策略的各种机器学习实现方式。例如，一个或多个电池测试设备160可以遵循动态/随机(驾驶启发式)放电曲线，并且可以发现该数据中表示早期故障的特征。在另一个示例中，可以完成大约每第n个循环(例如，100、500、1000等)的模块210的诊断放电循环和其间的填充，在其间具有驾驶启发式的放电/充电曲线，这允许早期预测方法(或任何将来的基于Q-V的特征设计ML方法)的使用。在又一个示例中，在已经被控制的每第n个循环(例如，模块的每第100个循环)的充电步骤期间完成诊断，并在其间完成驾驶启发式的充电/放电。

从该数据中，可以确定特定电池组在具有交通(例如，高峰时间交通)的已知地形上与在没有交通的相同地形上相比如何放电。该数据还可以指示在电池组200被完全充电(例如，具有100％的充电)时与在电池组200不到被完全充电(例如，充电约30％、充电约50％等)时相比电池组200如何放电。该数据还可以指示电池组200如何在特定温度下充电或放电(例如，组在相对较低的温度下与在相对较高的温度下相比如何充电或放电)。在这些情况中的每个情况下，可以为电池感测到不同的负载，在电流方面的不同要求、不同的操作状况、不同的温度等被强加在电池组200上。

由于数据是针对大量车辆122和/或电池组200收集的，每个车辆都有其自己的特定驾驶特性(例如，由于每个车辆122中的不同的驾驶员、车辆122被驾驶的位置、不同的驾驶状况、不同的模拟状况等)，因此可以利用ML算法来确定基于给定的一组驾驶/车辆特性预测的放电、在给定的一组操作温度的不同的充电或放电、最适合特定充电或放电的温度、导致电池组的电池单元上的最小应变量的路线等。

预测模型可以被传输到电池配置系统110以供进一步使用，如下文所描述的。在一些实施例中，可以将预测模型存储在电池数据库等中，使得该预测模型可以随后被检索以用于更新、由电池配置系统110随后使用、由来自车队120的车辆122访问等。例如，预测模型可以作为机器学习模型数据352的一部分被存储在电池配置系统110的数据存储部件350内。

在框512处，电池配置系统110可以从一个或多个机器学习服务器150接收预测模型(或者从数据存储装置中检索预测模型)。每当从车辆122接收到路线请求时，电池配置系统110就可以使用该预测模型。即，电池配置系统110可以保持空闲，直到接收到路线请求和/或接收到与车辆或电池操作相关的附加数据(例如，附加的电池单元配置数据、附加的操作数据、指示车辆正在穿越两个特定点之间的特定路线的数据等)。

在框514处，可以接收来自车辆122的路线请求。这可以作为用户在车辆的导航系统等中输入目的地的结果而被自动接收，或者可以在给定车辆122中的电池组200的特定充电状态的情况下，在车辆的用户具体请求特定路线时被接收。在一些实施例中，可以基于预测的时间表自动传输路线请求。例如，如果车辆在特定的一天正常行驶到特定的位置(例如，车辆在特定工作日例行从家庭位置行驶到办公位置)，那么在行驶被预计发生之前的晚上(例如，当车辆122位于所有者的车库内、正在所有者的家庭地址处充电等时)可以从车辆122自动传输用于即将到来的一天的路线请求。通常可以经由网络100从车辆122(或耦合到车辆122的移动设备140)接收请求。

在框516处，可以基于接收到的路线请求来估计要行驶的车辆122的行驶状况。即，电池配置系统110可以确定车辆122的现在位置(例如，通过获得与车辆的位置对应的GPS数据)、确定车辆122行驶前往的目的地的位置、确定在车辆122的现在位置与目的地的位置之间存在的一条或多条路线、确定该一条或多条路线中的每条路线的距离、确定在该一条或多条路线中的每条路线上穿越的地形的类型(例如，道路的坡度(grading)、道路材料的类型)、确定可能影响行程的其他因素(例如，交通量，每条路线的平均速度，停止灯、停止标志等的数量和位置，车辆122可能必须放慢速度的位置(诸如学校区域、人行横道等)的数量)、确定可能影响行驶和/或电池放电的一个或多个环境状况(例如，温度、存在降水、空气质量、天气预报等)。

除了确定行驶状况之外，还可以在框518处确定电池组200的当前温度。即，可以访问位于电池组200内的一个或多个温度传感器以确定电池组200的各个部分的温度(例如，电池组200内的电池单元220和/或模块210的温度)。确定电池组200的当前温度还可以包括连续确定电池组温度200和/或基于当前温度和预期的放电量来估计预测的电池组温度。

配备所有上述信息之后，电池配置系统100然后可以在框520处确定目标电池充电水平。即，电池配置系统可以基于行驶状况、电池温度、预测模型等来确定行驶在车辆122的当前位置和车辆的目标位置之间的一条或多条特定路线所需的目标电池充电水平(例如，充电量)。

在框522处，可以将目标电池充电水平提供给车辆。即，可以经由网络100将与目标电池充电水平相关的数据传输到车辆122或耦合到车辆122的一个或多个设备(例如，移动设备140、用户计算设备130等)。因此，在框524处，(由车辆122和/或电池配置系统110)基于目标电池充电水平关于电池组200的当前充电水平是否足以到达目标目的地做出确定。应该理解的是，可以基于特定路线来做出该确定。例如，电池组200的当前电量对于某些路线(例如，具有较平坦地形的路线，较短的路线等)可以是足够的，但是对于其他路线(例如，具有较陡峭地形的路线、更长的路线、交通阻塞的路线等)可以是不足的。

如果没有足够的电量可用于到达目的地，那么在框526处可以向车辆122提供一个或多个充电位置和/或指令。即，车辆122的用户和/或车辆122可以接收缺少足够电量的通知，并且可以被提供用于行驶到可以获得足够电量的地方的信息(例如，导航系统指示等)。如果车辆122当前未被操作，那么可以向车辆122提供指令以将电池组200充电至目标电池充电水平，然后一旦电池组200已经被足够地充电就停止充电。该处理可以返回到框514，在框514处可以接收新的路线请求(例如，到所提议的充电站的路线、新选择的目的地等)。替代地，可以向车辆122和/或车辆122的用户提供关于可以允许车辆122以现有电量到达目的地的替代路线的信息。即，如果车辆确实具有足够的电量到达目的地，那么在框528处可以向用户和/或车辆122提供替代路线。因此，用户和/或车辆122可以替代地选择遵循替代路线，这可以导致处理结束或返回到框514。在一些实施例中，如果在框524处确定存在足够的电量时电池组200仍在充电，那么电池组200即使没有完全(100％)充电也可以在那时停止充电，以便保护电池组200的总体寿命，如本文所描述的。

现在应该理解的是，本文描述的系统和方法训练和使用ML模型来在给定特定驾驶路线、驾驶状况、天气状况等的情况下预测电池组使用，为用户提供选择替代路线、驾驶模式等以优化电池使用的能力，以及预测驾驶状况和选择的参数所需的特定充电水平。机器学习模型的训练和使用通常包括获得与安装在当前操作的车队中的电池组中的电池单元相关的数据。即，用于训练的数据是从真实世界场景中使用的电池组的评估中获得的。该数据然后被馈送到ML服务器，该ML服务器生成预测模型，在做决定诸如例如决定特定类型的驾驶所需要的特定充电水平时可以依赖于该预测模型。

虽然本文已经图示和描述了特定的实施例，但是应该理解的是，在不脱离所要求保护的主题的精神和范围的情况下，可以做出各种其他改变和修改。而且，虽然本文已经描述了所要求保护的主题的各个方面，但是这些方面不需要组合使用。因此，意图是所附权利要求覆盖在所要求保护的主题的范围内的所有这样的改变和修改。

Claims (10)

1.一种针对驾驶路线确定电池组的目标充电水平的方法，所述方法包括：

由处理设备接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据，所述数据是从车队中的每个车辆中的至少一个接收的；

由处理设备将所述数据提供给机器学习服务器；

由处理设备指示机器学习服务器生成预测模型，所述预测模型基于所述数据的机器学习；

由处理设备从车辆接收车辆路线请求，所述车辆路线请求与驾驶路线对应；

由处理设备基于路线请求估计车辆的行驶状况；

由处理设备确定车辆中的电池组的温度；

由处理设备基于所述预测模型、所述行驶状况和所述温度确定目标电池充电水平；以及

由处理设备向车辆提供所述目标电池充电水平。

2.如权利要求1所述的方法，其中接收与电池组内的电池单元相关的数据包括接收电池单元配置数据和操作数据中的至少一个，所述操作数据用于确定车辆的操作状况。

3.如权利要求1或权利要求2所述的方法，其中基于路线请求估计车辆的行驶状况包括以下中的一项或多项：

从车辆中的一个或多个特定于车辆的传感器接收补充数据；

确定多条路线中的每条路线的距离；

确定在所述多条路线中的每条路线上穿越的地形的类型；

确定影响在所述多条路线中的每条路线上的行驶的其他因素；以及

确定影响行驶和电池组放电的一个或多个环境状况。

4.如权利要求1或权利要求2所述的方法，还包括：

确定电池组的当前电池充电水平等于或大于所述目标电池充电水平；以及

指示车辆终止电池组的附加充电。

5.如权利要求1或权利要求2所述的方法，还包括：

确定电池组的当前电池充电水平小于所述目标电池充电水平；

提供一个或多个指令以将电池组充电到所述目标电池充电水平；以及

一旦电池组的当前电池充电水平已达到所述目标电池充电水平，就指示车辆停止对电池组充电。

6.一种被配置用于针对驾驶路线确定电池组的目标充电水平的系统，所述系统包括：

车队，车队中的每个车辆包括具有多个电池单元的电池组；以及

通信地耦合到车队中的每个车辆以及通信地耦合到一个或多个电池测试设备的一个或多个硬件处理器，所述一个或多个硬件处理器被机器可读指令配置为：

接收与安装在车队的每个车辆中的电池组内的电池单元相关的数据，所述数据是从车队中的每个车辆中的至少一个接收的；

将所述数据提供给机器学习服务器；

指示机器学习服务器生成预测模型，所述预测模型基于所述数据的机器学习；

从车辆接收车辆路线请求，所述车辆路线请求与驾驶路线对应；

基于路线请求估计车辆的行驶状况；

确定车辆中的电池组的温度；

基于所述预测模型、所述行驶状况和所述温度确定目标电池充电水平；以及

向车辆提供所述目标电池充电水平。

7.如权利要求6所述的系统，还包括通信地耦合到所述一个或多个硬件处理器的电池数据库，其中所述一个或多个硬件处理器还被机器可读指令配置为将所述数据和所述预测模型存储在所述电池数据库中。

8.如权利要求6或权利要求7所述的系统，其中基于路线请求估计车辆的行驶状况包括以下中的一项或多项：

从车辆中的一个或多个特定于车辆的传感器接收补充数据；

确定多条路线中的每条路线的距离；

确定在所述多条路线中的每条路线上穿越的地形的类型；

确定影响在所述多条路线中的每条路线上的行驶的其他因素；以及

确定影响行驶和电池组放电的一个或多个环境状况。

9.如权利要求6或权利要求7所述的系统，其中所述一个或多个硬件处理器还被机器可读指令配置为：

确定电池组的当前电池充电水平等于或大于所述目标电池充电水平；以及

指示车辆终止电池组的附加充电。

10.如权利要求6或权利要求7所述的系统，其中所述一个或多个硬件处理器还被机器可读指令配置为：

确定电池组的当前电池充电水平小于所述目标电池充电水平；

提供一个或多个指令以将电池组充电到所述目标电池充电水平；以及

一旦电池组的当前电池充电水平已达到所述目标电池充电水平，就指示车辆停止对电池组充电。

Images