CN110091751B - 基于深度学习的电动汽车续航里程预测方法、设备及介质 - Google Patents
基于深度学习的电动汽车续航里程预测方法、设备及介质 Download PDFInfo
- Publication number
- CN110091751B CN110091751B CN201910361556.6A CN201910361556A CN110091751B CN 110091751 B CN110091751 B CN 110091751B CN 201910361556 A CN201910361556 A CN 201910361556A CN 110091751 B CN110091751 B CN 110091751B
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- value
- historical
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明属于基于深度学习的电动汽车续航里程预测方法,采集待预测电动汽车的历史基础数据,并对所述历史基础数据进行分类;对分类后的历史基础数据进行数据清洗,以得到历史清洗数据;构建深度神经网络模型;以所述历史清洗数据作为训练数据,使用深度学习框架训练所述深度神经网络模型;获取待预测电动汽车最新的若干条基础数据;将若干条基础数据输入到训练好的深度神经网络模型,得到若干个续航里程预测结果;利用预设的预测公式对所述若干个续航里程预测结果进行预测,得到预测电动汽车的续航里程。该方法采用为每辆车使用单独的深度神经网络模型,能最大程度提高每辆车的续航里程预测的准确性。
Description
技术领域
本发明属于电动汽车技术领域,具体涉及基于深度学习的电动汽车续航里程预测方法、设备及介质。
背景技术
电动汽车具有广阔的市场前景,但是目前电动汽车的续航里程普遍比传统燃油车短。同时,电动汽车的蓄电池还受多种因素影响。比如在同样的剩余电量下,冬季时电动汽车的行驶里程普遍短于夏季。因此,当汽车剩余电量不多时,更精确的预测电动汽车可行驶里程,有助于增加驾驶人员顺利把车开到目的地的信心,提升用户的驾驶体验。
但是现有的电动汽车行驶里程预测方法主要通过数学建模的方式,通过提出合理的假设去简化数据的内在规律,估算精度低,准确度差。
发明内容
针对现有技术中的缺陷,本发明提供了基于深度学习的电动汽车续航里程预测方法、设备及介质,提高电动汽车续航里程预测的准确性。
第一方面,一种基于深度学习的电动汽车续航里程预测方法,包括以下步骤:
采集待预测电动汽车的历史基础数据,并对所述历史基础数据进行分类;
对分类后的历史基础数据进行数据清洗,以得到历史清洗数据;
构建深度神经网络模型;
以所述历史清洗数据作为训练数据,使用深度学习框架训练所述深度神经网络模型;
获取待预测电动汽车最新的若干条基础数据;
将若干条基础数据输入到训练好的深度神经网络模型,得到若干个续航里程预测结果;
利用预设的预测公式对所述若干个续航里程预测结果进行预测,得到预测电动汽车的续航里程。
优选地,所述待预测电动汽车的基础数据包括以下一种或几种数据的组合:电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据;
其中,电动汽车运动数据包括以下一种或几种数据的组合:运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力;
电池数据包括以下一种或几种数据的组合:电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC;
电机数据包括以下一种或几种数据的组合:电机的转速、电机的转矩和电机的温度;
电机控制器数据包括以下一种或几种数据的组合:电机控制器输入电压、电机控制器直流母线电流和电机控制器温度;
环境数据包括以下一种或几种数据的组合:车外的温度、车辆所处位置的经纬度和海拔高度。
优选地,所述对所述历史基础数据进行分类具体包括:
将所述历史基础数据分为两类:分类变量和连续变量;
其中,分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力;
连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。
优选地,所述对分类后的历史基础数据进行数据清洗,以得到历史清洗数据具体包括:
去掉连续变量中的单位;
当连续变量中一数值存在缺失或超出预设范围时,定义该数值为异常连续数值,求取该连续变量中异常连续数值的前一数值和后一数值的均值,用该均值替换该异常连续数值;
当分类变量中一数值存在缺失或超出预设范围时,定义该数值为异常分类数值,用分类变量中该异常分类数值的前一数值替换该异常分类数值。
优选地,所述将所述历史清洗数据作为训练数据具体包括:
将所述历史清洗数据分为自变量和因变量;
根据预设的训练数据比例获取历史清洗数据中的部分数据作为所述训练数据,剩余部分的历史清洗数据作为验证数据;
其中,所述自变量包括多个特征,所述特征包括以下一种或几种数据的组合:运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态、制动力、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、SOC、电机的转速、电机的转矩、电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度和海拔高度;
因变量包含行驶里程。
优选地,所述深度神经网络模型包括:
输入层:接收输入的连续变量,输出到批归一化层;
嵌入层:接收输入的分类变量,输出到DropOut Layer;
Concatenation Layer:接收所述批归一化层和DropOut Layer的输出矩阵,将批归一化层和DropOut Layer输出的矩阵拼接为一个单独的矩阵;
第一全连接层:将Concatenation Layer输出的矩阵输出给第二全连接层;
第二全连接层:接收第一全连接层输出的矩阵,对第一全连接层输出的矩阵进行初始降维处理;
第三全连接层:接收第二全连接层进行初始降维处理后获得的矩阵,将该矩阵降为一维矩阵输出。
优选地,所述使用深度学习框架训练所述深度神经网络模型具体包括:
使用深度学习框架Pytorch训练所述深度神经网络模型,深度神经网络的损失函数使用均方根误差。
优选地,所述预测公式为:
其中,Y为所述预测电动汽车的续航里程,n为续航里程预测结果的数量,yi为所述续航里程预测结果;
第二方面,一种设备,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行第一方面所述的方法。
第三方面,一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行第一方面所述的方法。
本发明实施例提供的基于深度学习的电动汽车续航里程预测方法、设备及介质,使用深度神经网络去学习电动汽车基础数据的内在规律。利用深度学习对每辆电动汽车单独训练从而生成一个深度神经网络模型,该模型既分析了当前电动汽车的最新性能特性,比如性能衰减后的动力蓄电池的特性,又考虑到了电动汽车的不同使用场景和驾驶习惯不同等因素,这种采用为每辆车使用单独的深度神经网络模型,而非为所有车辆采用统一的预测模型的方式,能最大程度提高每辆车的续航里程预测的准确性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际的比例绘制。
图1为实施例一提供的电动汽车续航里程预测方法的流程图。
图2为实施例一提供的深度神经网络模型的模块框图。
图3为实施例二提供的设备的模块框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
一种基于深度学习的电动汽车续航里程预测方法,参见图1,包括以下步骤:
S1:采集待预测电动汽车的历史基础数据,并对所述历史基础数据进行分类;
具体地,所述待预测电动汽车的基础数据包括以下一种或几种数据的组合:电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据;
其中,电动汽车运动数据包括以下一种或几种数据的组合:运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力;电池数据包括以下一种或几种数据的组合:电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC;电机数据包括以下一种或几种数据的组合:电机的转速、电机的转矩和电机的温度;电机控制器数据包括以下一种或几种数据的组合:电机控制器输入电压、电机控制器直流母线电流和电机控制器温度;环境数据包括以下一种或几种数据的组合:车外的温度、车辆所处位置的经纬度和海拔高度。
优选地,所述对所述历史基础数据进行分类具体包括:
将所述历史基础数据分为两类:分类变量(categorical variable)和连续变量(continuous variable);
其中,分类变量是指有且只有几种状态的变量,例如档位这一分类变量,其取值有且仅有:停车挡/P、自动挡/D、倒挡/R、空挡/N这4个取值。分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力。
连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。
S2:对分类后的历史基础数据进行数据清洗,以得到历史清洗数据;
具体地,所述对分类后的历史基础数据进行数据清洗,以得到历史清洗数据具体包括:
去掉连续变量中的单位,如果连续变量的数据带有单位,去除单位,只保留数字部分,例如速度100Km/h调整为100。
当连续变量中一数值存在缺失或超出预设范围时,定义该数值为异常连续数值,求取该连续变量中异常连续数值的前一数值和后一数值的均值,用该均值替换该异常连续数值;例如连续变量中一数值A5存在缺失或超出预设范围时,取前一数值A4和后一数值A6两者的均值,用该均值代替A5。
当分类变量中一数值存在缺失或超出预设范围时,定义该数值为异常分类数值,用分类变量中该异常分类数值的前一数值替换该异常分类数值。例如分类变量中一数值B5存在缺失或超出预设范围时,取前一数值B4代替B5。
在数据清洗过程中,对行驶里程可以进行如下转换:
根据SOC值的变化,计算里程的变化量。例如相邻的90条数据,第1条到第50条数据,对应的SOC值为80%,第51条到第90条数据对应的SOC值为79%,这段50条数据的第1条数据的里程值为10000公里,第50条数据的里程值为10003公里,那么将这第1条到第50条数据的里程值都置为3公里,表示当SOC由80%变为79%时,该车行驶了3公里。
S3:构建深度神经网络模型;
具体地,参见图2,所述深度神经网络模型包括:
输入层(Input Layer):接收输入的连续变量,输出到批归一化层(BatchNormLayer);
嵌入层(Embedding Layer):接收输入的分类变量,输出到DropOut Layer;
Concatenation Layer:接收所述批归一化层和DropOut Layer的输出矩阵,将批归一化层和DropOut Layer输出的矩阵拼接为一个单独的矩阵,也即将两个神经网络分支融合为一个分支;
第一全连接层(Linear Layer):将Concatenation Layer输出的矩阵输出给第二全连接层;该层的神经元个数为1000,该层的激活层使用的激活函数为Relu。
第二全连接层:接收第一全连接层输出的矩阵,对第一全连接层输出的矩阵进行初始降维处理;例如该层的输入维度为1000,输出维度为500,有500个神经元,即将维度为1000的矩阵降为维度为500的矩阵。该层的激活层使用Relu作为激活函数。
第三全连接层(Output Result Layer):接收第二全连接层进行初始降维处理后获得的矩阵,将该矩阵降为一维矩阵输出;例如该层的输入维度为500,输出维度为1,即将维度为500的矩阵降为维度为1的矩阵,该层的输出作为整个深度神经网络模型的输出。
该深度神经网络模型使用嵌入层(Embedding Layer)对分类变量进行编码。比如档位这一分类变量,其取值有且仅有:停车挡/P、自动挡/D、倒挡/R、空挡/N这4个取值,在嵌入层中,会用一个权值参数矩阵去学习该分类变量,这个权值参数矩阵的维度为(a,b),即该矩阵有a行b列。其中a表示该分类变量的所有可能取值的个数,比如档位这一分类变量,其取值有4种可能,a=4。b表示编码向量的长度,这里b=a/2=2。也即在嵌入层中,档位这一分类变量,会用一个4X2的权值参数矩阵来表示。这是因为分类变量的每一个取值,都有其单独的语义,如档位,停车挡/P、自动挡/D、倒挡/R、空挡/N这4个取值分别代表独立的语义,加入嵌入层使深度神经网络,很容易学习分类变量不同取值所代表的语义。
S4:以所述历史清洗数据作为训练数据,使用深度学习框架训练所述深度神经网络模型;
具体地,所述将所述历史清洗数据作为训练数据具体包括:
将所述历史清洗数据分为自变量和因变量;
根据预设的训练数据比例获取历史清洗数据中的部分数据作为所述训练数据,剩余部分的历史清洗数据作为验证数据;例如按照时间先后顺序,定义历史清洗数据中前80%数据作为所述训练数据,后20%数据作为验证数据;
其中,所述自变量包括多个特征,所述特征包括以下一种或几种数据的组合:运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态、制动力、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、SOC、电机的转速、电机的转矩、电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度和海拔高度;
因变量包含行驶里程。
优选地,所述使用深度学习框架训练所述深度神经网络模型具体包括:
使用深度学习框架Pytorch训练所述深度神经网络模型,深度神经网络的损失函数(loss function)使用均方根误差(RMSE),同时使用验证数据检验深度神经网络模型的精确度。
S5:获取待预测电动汽车最新的若干条基础数据;
S6:将若干条基础数据输入到训练好的深度神经网络模型,得到若干个续航里程预测结果;
S7:利用预设的预测公式对所述若干个续航里程预测结果进行预测,得到预测电动汽车的续航里程。
例如:获取待预测电动汽车最新的10条基础数据,按照下式预测续航里程:
其中,Y为所述预测电动汽车的续航里程,n为续航里程预测结果的数量,例如上述例子中n为10,yi为根据第i条基础数据预测得到的续航里程预测结果;
深度学习方法直接通过建立多层神经网络,利用不同层的神经网络学习不同维度的特征,这些特征隐含数据的内在规律,深度学习方法能够给出更高的预测精度。该方法利用根据采集到的电动汽车过去一段时间(例如1年到2年)内基于时间序列的历史基础数据。通过对这些历史基础数据进行清洗,并利用深度学习算法建立续航里程预测模型,然后根据电动汽车上报的实时数据,通过这个训练好的预测模型准确预测电动汽车的实时续航里程。
该方法使用深度神经网络去学习电动汽车基础数据的内在规律。利用深度学习对每辆电动汽车单独训练从而生成一个深度神经网络模型,提高了模型学习能力,使得得到的模型具有更好的预测能力。该模型既分析了当前电动汽车的最新性能特性,比如性能衰减后的动力蓄电池的特性,又考虑到了电动汽车的不同使用场景和驾驶习惯不同等因素,这种采用为每辆车使用单独的深度神经网络模型,而非为所有车辆采用统一的预测模型的方式,能最大程度提高每辆车的续航里程预测的准确性。
实施例二:
一种设备,参见图3,包括处理器801、输入设备802、输出设备803和存储器804,所述处理器801、输入设备802、输出设备803和存储器804通过总线805相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述的方法。
应当理解,在本发明实施例中,所称处理器801可以是中央处理单元(CentralProcessing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备802可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等,输出设备803可以包括显示器(LCD等)、扬声器等。
该存储器804可以包括只读存储器和随机存取存储器,并向处理器801提供指令和数据。存储器804的一部分还可以包括非易失性随机存取存储器。例如,存储器804还可以存储设备类型的信息。
本发明实施例所提供的设备,为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
实施例三:
一种计算机可读存储介质,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行上述的方法。
所述计算机可读存储介质可以是前述任一实施例所述的终端的内部存储单元,例如终端的硬盘或内存。所述计算机可读存储介质也可以是所述终端的外部存储设备,例如所述终端上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,所述计算机可读存储介质还可以既包括所述终端的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例所提供的介质,为简要描述,实施例部分未提及之处,可参考前述方法实施例中相应内容。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (9)
1.一种基于深度学习的电动汽车续航里程预测方法,其特征在于,包括以下步骤:
采集待预测电动汽车的历史基础数据,并对所述历史基础数据进行分类;
对分类后的历史基础数据进行数据清洗,以得到历史清洗数据;
构建深度神经网络模型;
以所述历史清洗数据作为训练数据,使用深度学习框架训练所述深度神经网络模型;
获取待预测电动汽车最新的若干条基础数据;
将若干条基础数据输入到训练好的深度神经网络模型,得到若干个续航里程预测结果;
利用预设的预测公式对所述若干个续航里程预测结果进行预测,得到预测电动汽车的续航里程;
所述深度神经网络模型包括:
输入层:接收输入的连续变量,输出到批归一化层;
嵌入层:接收输入的分类变量,输出到DropOut Layer;
Concatenation Layer:接收所述批归一化层和DropOut Layer的输出矩阵,将批归一化层和DropOut Layer输出的矩阵拼接为一个单独的矩阵;
第一全连接层:将Concatenation Layer输出的矩阵输出给第二全连接层;
第二全连接层:接收第一全连接层输出的矩阵,对第一全连接层输出的矩阵进行初始降维处理;
第三全连接层:接收第二全连接层进行初始降维处理后获得的矩阵,将该矩阵降为一维矩阵输出。
2.根据权利要求1所述基于深度学习的电动汽车续航里程预测方法,其特征在于,
所述待预测电动汽车的基础数据包括以下一种或几种数据的组合:电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据;
其中,电动汽车运动数据包括以下一种或几种数据的组合:运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力;
电池数据包括以下一种或几种数据的组合:电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC;
电机数据包括以下一种或几种数据的组合:电机的转速、电机的转矩和电机的温度;
电机控制器数据包括以下一种或几种数据的组合:电机控制器输入电压、电机控制器直流母线电流和电机控制器温度;
环境数据包括以下一种或几种数据的组合:车外的温度、车辆所处位置的经纬度和海拔高度。
3.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法,其特征在于,所述对所述历史基础数据进行分类具体包括:
将所述历史基础数据分为两类:分类变量和连续变量;
其中,分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力;
连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。
4.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法,其特征在于,所述对分类后的历史基础数据进行数据清洗,以得到历史清洗数据具体包括:
去掉连续变量中的单位;
当连续变量中一数值存在缺失或超出预设范围时,定义该数值为异常连续数值,求取该连续变量中异常连续数值的前一数值和后一数值的均值,用该均值替换该异常连续数值;
当分类变量中一数值存在缺失或超出预设范围时,定义该数值为异常分类数值,用分类变量中该异常分类数值的前一数值替换该异常分类数值。
5.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法,其特征在于,所述将所述历史清洗数据作为训练数据具体包括:
将所述历史清洗数据分为自变量和因变量;
根据预设的训练数据比例获取历史清洗数据中的部分数据作为所述训练数据,剩余部分的历史清洗数据作为验证数据;
其中,所述自变量包括多个特征,所述特征包括以下一种或几种数据的组合:运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态、制动力、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、SOC、电机的转速、电机的转矩、电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度和海拔高度;
因变量包含行驶里程。
6.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法,其特征在于,所述使用深度学习框架训练所述深度神经网络模型具体包括:
使用深度学习框架Pytorch训练所述深度神经网络模型,深度神经网络的损失函数使用均方根误差。
8.一种执行如权利要求1-7任一项所述的方法的设备,其特征在于,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令。
9.一种计算机可读存储介质,其特征在于,所述计算机存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361556.6A CN110091751B (zh) | 2019-04-30 | 2019-04-30 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910361556.6A CN110091751B (zh) | 2019-04-30 | 2019-04-30 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110091751A CN110091751A (zh) | 2019-08-06 |
CN110091751B true CN110091751B (zh) | 2021-01-08 |
Family
ID=67446532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910361556.6A Active CN110091751B (zh) | 2019-04-30 | 2019-04-30 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110091751B (zh) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782584B (zh) * | 2019-11-05 | 2023-06-23 | 奥动新能源汽车科技有限公司 | 电池电量的剩余使用额度的预测方法、系统、介质及设备 |
CN111191824B (zh) * | 2019-12-20 | 2024-03-26 | 北京理工新源信息科技有限公司 | 一种动力电池容量衰减预测方法及系统 |
CN111191839B (zh) * | 2019-12-26 | 2023-07-07 | 上海钧正网络科技有限公司 | 一种换电预测方法和系统及存储介质 |
CN111199104B (zh) * | 2019-12-31 | 2024-04-16 | 浙江吉利新能源商用车集团有限公司 | 一种电池残余性能分析方法、装置、设备及存储介质 |
CN111325274B (zh) * | 2020-02-20 | 2023-04-28 | 东软睿驰汽车技术(沈阳)有限公司 | 车辆数据预测的方法、装置、设备及计算机存储介质 |
CN111209979A (zh) * | 2020-04-21 | 2020-05-29 | 摩拜(北京)信息技术有限公司 | 监控车辆电压的方法、装置及电子设备 |
CN111497624B (zh) * | 2020-04-27 | 2022-02-25 | 中国第一汽车股份有限公司 | 一种车辆剩余里程确定方法、装置及车辆 |
CN113971471A (zh) * | 2020-07-22 | 2022-01-25 | 上海顺如丰来技术有限公司 | 产品信息预测模型构建方法与产品信息预测方法 |
WO2022021062A1 (zh) * | 2020-07-28 | 2022-02-03 | 华为技术有限公司 | 剩余里程预测的方法和电池远程服务的系统 |
US11577616B2 (en) * | 2020-10-27 | 2023-02-14 | GM Global Technology Operations LLC | Methods, systems, and apparatuses for torque control utilizing roots of pseudo neural network |
CN112549970A (zh) * | 2020-12-09 | 2021-03-26 | 广州橙行智动汽车科技有限公司 | 车辆续航里程预测方法、装置、车辆及存储介质 |
CN112818036B (zh) * | 2021-01-29 | 2022-12-30 | 清华大学 | 基于云端大数据的电动车剩余里程预估方法和装置 |
CN113085555B (zh) * | 2021-03-24 | 2022-06-03 | 东风汽车集团股份有限公司 | 一种电池包热失控后的警示方法 |
CN113159435B (zh) * | 2021-04-29 | 2022-11-22 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及系统 |
CN114091735A (zh) * | 2021-10-28 | 2022-02-25 | 华人运通(上海)云计算科技有限公司 | 一种电动车续航里程预测方法 |
CN114332825B (zh) * | 2022-03-10 | 2022-06-17 | 中汽信息科技(天津)有限公司 | 基于深度学习的道路地形分布识别方法、设备和存储介质 |
CN114940132B (zh) * | 2022-07-27 | 2022-10-25 | 中汽研汽车检验中心(天津)有限公司 | 电动车续航里程预测方法、测试方法和系统 |
CN116541679B (zh) * | 2023-07-04 | 2023-09-15 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
CN117705137A (zh) * | 2023-12-14 | 2024-03-15 | 中科华芯(东莞)科技有限公司 | 一种全地形车续航管理方法、系统及电子设备 |
CN117688343B (zh) * | 2024-02-04 | 2024-05-03 | 成都帆点创想科技有限公司 | 一种多任务学习LSTM-Attention框架的LTV预测方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN106777786A (zh) * | 2017-01-12 | 2017-05-31 | 常州工学院 | 一种锂离子电池soc估算方法 |
CN108334940A (zh) * | 2018-03-01 | 2018-07-27 | 大连道道科技有限公司 | 一种基于深度神经网络的锂电池包多个电池单体soc实时联合预测方法 |
CN109165562B (zh) * | 2018-07-27 | 2021-06-04 | 深圳市商汤科技有限公司 | 神经网络的训练方法、横向控制方法、装置、设备及介质 |
CN109606119B (zh) * | 2019-01-15 | 2020-05-12 | 深圳四海万联科技有限公司 | 一种电动汽车的续航里程校准方法及系统 |
-
2019
- 2019-04-30 CN CN201910361556.6A patent/CN110091751B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110091751A (zh) | 2019-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
Xie et al. | Pontryagin’s minimum principle based model predictive control of energy management for a plug-in hybrid electric bus | |
EP3369604B1 (en) | Method and system for estimating remaining range of electric car, and electric car | |
CN111038334A (zh) | 一种电动汽车续驶里程预测方法及装置 | |
DE102011117218A1 (de) | Elektrischer Fahrreichweitenrechner | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
US20150073933A1 (en) | Vehicle powertrain selector | |
CN112345956A (zh) | 一种电池组荷电状态检测方法和装置 | |
CN113715629B (zh) | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 | |
CN114329921A (zh) | 一种整车可靠性性能的评估方法、装置、设备和介质 | |
George et al. | Driving Range Estimation of Electric Vehicles using Deep Learning | |
CN117169744A (zh) | 一种电动汽车的剩余电量估计方法、系统、设备及介质 | |
CN115828438B (zh) | 汽车极限性能预测方法、介质、设备 | |
CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
CN113076841A (zh) | 一种车辆测试方法、装置和电子设备 | |
CN115688957A (zh) | 一种车辆能耗确定方法、装置、电子设备及存储介质 | |
Weber et al. | Data-driven bev modeling for realistic consumption calculation in traffic simulation | |
CN116945907B (zh) | 一种新能源电动汽车里程计算方法及系统 | |
CN110852378A (zh) | 一种基于导航系统的道路工况运动学片断提取方法 | |
CN115273456B (zh) | 一种两轮电动车违规行驶的判定方法、系统和存储介质 | |
CN113978259B (zh) | 一种基于驾驶场景及驾驶习惯的电动汽车制动控制方法 | |
Genc | Development of a digital twin model for electric bikes based on urban experimental driving in full electric mode | |
Golchoubian | Real-time energy management of a battery electric vehicle hybridized with supercapacitor | |
CN114976375A (zh) | 电池的使用终止温度估算方法、装置、车辆及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |