CN112560186A - 电动汽车行程能耗预测方法、装置、设备及可存储介质 - Google Patents

Abstract

本发明适用电动汽车技术领域，提供电动汽车行程能耗预测方法、装置、设备及可存储介质，包括获取电动汽车的行驶行程测试数据以及历史行驶行程数据；根据行驶行程测试数据及预设的整车能耗模型，确定多个工况特征对应的多个能耗敏感性参数；根据历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数；根据未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定电动汽车的未来行程能耗预测结果。本发明可以在极小且简单的计算量下准确地估计行程能耗，易于实施，克服了目前机器学习方法计算量大，不可解释且收敛性难以评估等问题，在实际应用于电动汽车行程能耗估计中具有重要的实际意义。

Description

电动汽车行程能耗预测方法、装置、设备及可存储介质

技术领域

本发明属于电动汽车技术领域，尤其涉及一种电动汽车行程能耗预测方法、装置、设备及可存储介质。

背景技术

2019年，我国纯电动汽车保有量达到310万辆，仅仅2015-2019年4年，起保有量就增长了10倍，并呈指数增长态势。虽然纯电动汽车的优势已经开始显现，且越来越多的消费者开始选择纯电动汽车，但纯电动汽车续驶里程不足造成的驾驶员“里程焦虑”问题始终是影响纯电动汽车推广的最重要障碍之一。研究表明，电池的能量密度在短期内难以发生革命性的突破。在这种情况下，对行程能耗精确估计以合理规划行程是减轻司机的“里程焦虑”的最有效手段。因此，电动汽车行程能耗预测的精确预测是目前电动车产业最为关注的核心技术之一。

行程能耗估计算法可分为基于模型和基于数据驱动两类。基于模型的方法是通过建立整车能耗模型和动力电池模型，从而得到能耗率及剩余电量来估计剩余续驶里程，但由于该方法依赖准确的车辆及电池参数，所以往往出厂时标定参数准确，性能较高，但随着用户的使用，车辆参数发生变化，性能也随之下降，因为这类算法在适应车辆使用过程中参数变化问题方面是比较困难烦人。基于数据驱动的方法是对历史驾驶数据和实时数据进行挖掘分析，并利用实时行车数据估计未来平均能耗，这种方法不依赖于出厂的参数标定，可以迭代学习车辆的能耗特性，但这种方法的收敛性和准确性难以进行严格证明，且计算量往往较大，给实际应用造成了一定的困难。

由此可见，现有的电动汽车行程能耗估计方法存在计算量大以及预测准确性无法保障，不利于实际应用的问题。

发明内容

本发明实施例的目的在于提供一种电动汽车行程能耗预测方法，旨在解决现有的电动汽车行程能耗估计方法存在计算量大以及预测准确性无法保障，不利于实际应用的问题。

本发明实施例是这样实现的，一种电动汽车行程能耗预测方法，包括：

获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据均包括多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率；

根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数，所述出厂标定参数包括易变参数；

根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数；

获取未来行程的多个工况特征；

根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

本发明实施例的另一目的在于一种电动汽车行程能耗预测装置，包括：

行驶行程数据获取单元，用于获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据均包括多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率；

能耗敏感性参数确定单元，用于根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数，所述出厂标定参数包括易变参数；

自适应学习参数确定单元，用于根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数；

未来工况特征获取单元，用于获取未来行程的多个工况特征；以及

未来能耗预测结果确定单元，用于根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述电动汽车行程能耗预测方法的步骤。

本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述电动汽车行程能耗预测方法的步骤。

本发明实施例提供的电动汽车行程能耗预测方法，根据多个行程的多个工况特征与对应的电动汽车能耗率以及预设的整车能耗模型，确定对应的多个能耗敏感性参数；进而基于递推最小二乘法对能耗敏感性参数中的易变参数进行自适应学习，确定自适应学习参数；以根据未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定电动汽车的未来行程能耗预测结果。本发明基于整车的物理模型设计能耗特征数据学习的结构，并在使用过程中采用数据学习的方法，自适应物理模型的参数，使其可以在极小且简单的计算量下准确地估计行程能耗，易于实施，克服了目前机器学习方法计算量大，不可解释且收敛性难以评估等问题；另外，结合递推最小二乘法，实现了在能耗预测过程中针对特定易变因素的快速的自适应功能，进一步降低了数据存储的需求，在算法的通用性和自适应性上相对于现有技术得以显著提升，在实际应用于电动汽车行程能耗估计中具有重要的实际意义。

附图说明

图1为本发明实施例提供的一种电动汽车行程能耗预测方法的实现流程图；

图2为本发明实施例提供的另一种电动汽车行程能耗预测方法的实现流程图；

图3为本发明实施例提供的又一种电动汽车行程能耗预测方法的实现流程图；

图4为本发明实施例提供的一种电动汽车行程能耗预测装置的结构框图；

图5为本发明实施例提供的电动汽车行程能耗预测装置中的自适应学习参数确定单元的结构框图；

图6为本发明实施例提供的模型参数标定备选的测试工况示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。

目前，对于纯电动汽车的行程能耗估计主要使用数据驱动的方法。如将历史行程划分为若干个区间并计算每个区间的平均能耗，通过对不同区间的平均能耗施加不同权重比来对实时能耗进行修正，并根据不同区间的平均能耗变化率对权重比进行调整，该方法虽然可以适用不同工况，但是由于没有物理模型的支撑，会导致电动汽车在工况变化时(路况变化、空调等车用附件的开关) 算法学习响应偏慢，从而影响实际预测中的准确度；或者利用车联网平台以历史数据为依据进行建模，并将接收到的实时数据输入到预测模型中进行参数修正，该方法虽然建立了数学模型，并且可利用实时数据进行参数修正，但是通过机器学习的方法建立模型运算量大。以上方法还有一个共性的不足，就是需要大量长期历史数据的存储，这种存储无论基于本地设备还是远程的云平台，都将占用大量资源。另外，现有技术还有采用物理模型与数据模型相结合的方法，有效减小了独立数据模型的计算量，同时提升了模型的可解释性，但是其一方面只局限于速度对能耗影响因素的建模，并未提及时间，温度等因素，模型的通用性不足；同时，由于车辆行驶过程中路面、载重等因素可能随时间变化，因此该预测方法也缺乏学习机制保证预测能耗对易变因素的自适应能力。

本发明实施例为解决现有的电动汽车行程能耗估计方法存在计算量大以及预测准确性无法保障，不利于实际应用的问题，提供了一种电动汽车行程能耗预测方法，其根据多个行程的多个工况特征与对应的电动汽车能耗率以及预设的整车能耗模型，确定对应的多个能耗敏感性参数；进而基于递推最小二乘法对能耗敏感性参数中的易变参数进行自适应学习，确定自适应学习参数；以根据未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定电动汽车的未来行程能耗预测结果。本发明基于整车的物理模型设计能耗特征数据学习的结构，并在使用过程中采用数据学习的方法，自适应物理模型的参数，使其可以在极小且简单的计算量下准确地估计行程能耗，易于实施，克服了目前机器学习方法计算量大，不可解释且收敛性难以评估等问题；另外，结合递推最小二乘法，实现了在能耗预测过程中针对特定易变因素的快速的自适应功能，进一步降低了数据存储的需求，在算法的通用性和自适应性上相对于现有技术得以显著提升，在实际应用于电动汽车行程能耗估计中具有重要的实际意义。

为了进一步阐述本发明为实现预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明的具体实施方式、结构、特征及其功效，详细说明如下。

图1示出了本发明实施例提供的一种电动汽车行程能耗预测方法的实现流程图，为了便于说明，仅示出与本发明实施例相关的部分，详述如下：

步骤S101，获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据均包括多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率。

在本发明实施例中，所述行驶行程测试数据是指车还没开之前在车厂测试台架上在多个工况下测试所获得的数据。

在本发明实施例中，所述工况特征包括但不限于常能耗强度F^const、速度强度F^speed、制动强度F^brake、时间强度F^time、空调强度F^ac、冷启动强度F^start以及坡度强度F^slope等，相应的表达式如下：

其中，t_s为某一行程内采样间隔，n为该行程内所采点个数，v(i)为第i个采样点所对应的车速i∈[1,2,…,n]，α(i)为第i个采样时刻车身与地面夹角。任何电动汽车能耗因素均可通过物理推导相关表达式，提取工况相关部分并进行线性近似获取以上工况特征。

步骤S102，根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数，所述出厂标定参数包括易变参数。

在本发明实施例中，所述能耗敏感性参数包括常能耗强度敏感性参数、速度强度敏感性参数、制动强度敏感性参数、时间强度敏感性参数、空调强度敏感性参数、冷启动强度敏感性参数以及坡度强度敏感性参数等。

在本发明实施例中，所述预设的整车能耗模型的公式如下所示：

式中，c_y为第y个行程对应的电动汽车能耗率，F_y ^x为第y个行程的第x个工况特征y∈[1，2，…，k]，x∈[1，2，…，n]，工况特征包括速度强度工况特征，制动强度工况特征等。[β¹ β² … βⁿ]^T为对应工况特征的能耗敏感性参数。

应用测功机整车能耗测试结果(n个以上不同的工况)，应用线性回归的方法得到能耗模型参数。该过程即为能耗模型初始参数的标定。

步骤S103，根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数。

在本发明实施例中，假定在能耗敏感性参数即能耗模型参数[β¹ β² … βⁿ]^T中前j个参数不随时间变化，从第j+1个到第n个为易变参数，一般工况常能耗敏感度β^const和时间强度能耗敏感度β^time为最常使用的易变参数，接下来利用递推最小二乘法对[β^j+1 β^j+2 …βⁿ]^T进行自适应学习。

在行驶过程中，采集t₀～t_k时间段的历史行车数据(t_k为当前时刻)，假定在t₀～t_k时间段中采集的历史数据的样本长度为k，在这k个样本中对n个能耗参数中的n-j个易变参数进行自适应学习，式(1)可改写为如下递推最小二乘法的标准形式：

其中：

式中，c_tb为第b个行程(在t_b-1～t_b时间段内采集)对应的电动汽车能耗率，F_tb ^a为第b个行程第a个工况特征b∈[1，2，…，k]，a∈[1，2，…，n]，[β¹ β² … β^j]^T为出厂标定参数，[β^j+1 β^j+2 … βⁿ]^T为待学习参数。

对递推最小二乘法进行推导，使得其具有迭代形式，最终形式如下：

其中：

式中，λ表示在递推过程中对新旧数据起到加权作用的因子，λ的取值范围为(0，1]；I为单位矩阵，[β¹ β² … β^j]^T为初始标定参数，

为利用 t_k-1～t_k时间段采集到的数据进行自适应得到的更新的易变参数，C_tk为t_k-1～t_k时间段内已行驶行程的能耗率，[F_tk ¹ F_tk ² … F_tk ⁿ]为计算得到的t_k-1～t_k时间段内已行驶行程的工况特征。在车辆行驶过程中，记录行程的车速能耗信息，利用递推最小二乘法，利用式(12)对式(1)中选取的易变参数进行自适应学习，获得自适应学习参数，即自适应学习参数即为自适应修正后的易变参数。

在本发明一个实施例中，如图2所示，所述步骤S103，包括：

步骤S201，根据预设的电动汽车易变参数确定规则，从所述能耗敏感性参数中确定易变参数。

在本发明实施例中，预设的电动汽车易变参数确定规则是指电动汽车常见的易变参数对应的因素对应的能耗敏感性参数；如考虑到算法复杂度和精度的权衡，假设选取n＝4，能耗敏感性参数分别为工况常能耗敏感性参数、速度强度能耗敏感性参数、制动强度能耗敏感性参数及时间强度能耗敏感性参数，而电动汽车常见的易变参数包括载重、滚阻和附件，这些因素主要对应上述四个能耗敏感性参数中的工况常能耗敏感性参数、时间强度能耗敏感性参数，故此处确定工况常能耗敏感性参数、时间强度能耗敏感性参数为易变参数。

步骤S202，基于递推最小二乘法对所述预设的整车能耗模型进行变换处理，确定自适应学习模型。

在本发明实施例中，如上所述，设定工况常能耗敏感性参数、时间强度能耗敏感性参数这两个参数为易变参数，并利用近期采集的一组历史行程数据对这两个参数进行自适应学习；为了便于利用递推最小二乘法对工况常能耗敏感性参数、时间强度能耗敏感性参数进行自适应学习，需要将该历史行程的整车能耗模型公式变化为式(9)所示的递推最小二乘法的标准形式，即自适应学习模型。

步骤S203，根据所述历史行驶行程数据以及自适应学习模型，对所述易变参数进行自适应学习，确定自适应学习参数。

在本发明实施例中，通过将上述式(9)所示的递推最小二乘法的标准形式与工况特征代入到递推公式(12)中，经过化简整理得到最终参数自适应学习结果，即自适应学习参数。

步骤S104，获取未来行程的多个工况特征。

在本发明实施例中，通过地图通讯接口如常用地图授权使用的API或车企内部地图数据平台接口，获取未来行程行驶信息如速度、时间、温度信息，利用式(2)～(8)计算未来行程(t_k～t_f时间段)工况特征[F_f ¹ F_f ² … F_f ⁿ]。

步骤S105，根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

在本发明实施例中，如图3所示，所述步骤S105，包括：

步骤S301，根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗率。

在本发明实施例中，应用出厂标定参数[β¹ β²… β^j]^T及上述自适应学习获取的参数

带入公式(1)，预测未来行程的能耗率：

步骤S302，获取所述电动汽车的未来行程距离、车载动力电池的额定容量以及当前时刻的SOC值。

步骤S303，根据所述未来行程能耗率以及未来行程距离，确定所述电动汽车的未来行程预计能耗。

步骤S304，根据所述未来行程预计能耗、车载动力电池的额定容量以及当前时刻的SOC值，确定所述电动汽车的未来行程结束的SOC预测值。

在本发明实施例中，利用预测的能耗率估计设定行程的能耗及行程结束时的SOC，如下式所示：

E_f＝c_f·S_f (20)

SOC_f＝SOC_tk-E_f/E (21)

其中，E_f为未来行程预计能耗，S_f为从地图通讯接口所获取的未来行程距离；SOC_f为未来行程结束的SOC预测值，SOC_tk为当前时刻SOC值，E为车载动力电池的额定容量。

本发明实施例提供的电动汽车行程能耗预测方法，根据多个行程的多个工况特征与对应的电动汽车能耗率以及预设的整车能耗模型，确定对应的多个能耗敏感性参数；进而基于递推最小二乘法对能耗敏感性参数中的易变参数进行自适应学习，确定自适应学习参数；以根据未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定电动汽车的未来行程能耗预测结果。本发明基于整车的物理模型设计能耗特征数据学习的结构，并在使用过程中采用数据学习的方法，自适应物理模型的参数，使其可以在极小且简单的计算量下准确地估计行程能耗，易于实施，克服了目前机器学习方法计算量大，不可解释且收敛性难以评估等问题；另外，结合递推最小二乘法，实现了在能耗预测过程中针对特定易变因素的快速的自适应功能，进一步降低了数据存储的需求，在算法的通用性和自适应性上相对于现有技术得以显著提升，在实际应用于电动汽车行程能耗估计中具有重要的实际意义。

如图4所示，在一个实施例中，提供了一种电动汽车行程能耗预测装置，具体可以包括行驶行程数据获取单元410、能耗敏感性参数确定单元420、自适应学习参数确定单元430、未来工况特征获取单元440以及未来能耗预测结果确定单元450。

行驶行程数据获取单元410，用于获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据均包括多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率。

在本发明实施例中，所述行驶行程测试数据是指车还没开之前在车厂测试台架上在多个工况下测试所获得的数据。

在本发明实施例中，所述工况特征包括但不限于常能耗强度F^const、速度强度F^speed、制动强度F^brake、时间强度F^time、空调强度F^ac、冷启动强度F^start以及坡度强度F^slope等，相应的表达式如下：

F^const＝1 (2)

其中，t_s为某一行程内采样间隔，n为该行程内所采点个数，v(i)为第i个采样点所对应的车速i∈[1，2，…，n]，α(i)为第i个采样时刻车身与地面夹角。任何电动汽车能耗因素均可通过物理推导相关表达式，提取工况相关部分并进行线性近似获取以上工况特征。

能耗敏感性参数确定单元420，用于根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数，所述出厂标定参数包括易变参数。

在本发明实施例中，所述能耗敏感性参数包括常能耗强度敏感性参数、速度强度敏感性参数、制动强度敏感性参数、时间强度敏感性参数、空调强度敏感性参数、冷启动强度敏感性参数以及坡度强度敏感性参数等。

在本发明实施例中，所述预设的整车能耗模型的公式如下所示：

式中，c_y为第y个行程对应的电动汽车能耗率，F_y ^x为第y个行程的第x个工况特征y∈[1，2，…，k]，x∈[1，2，…，n]，工况特征包括速度强度工况特征，制动强度工况特征等。[β¹ β² … βⁿ]^T为对应工况特征的能耗敏感性参数。

应用测功机整车能耗测试结果(n个以上不同的工况)，应用线性回归的方法得到能耗模型参数。该过程即为能耗模型初始参数的标定。

自适应学习参数确定单元430，用于根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数。

在本发明实施例中，假定在能耗敏感性参数即能耗模型参数[β¹ β² … βⁿ]^T中前j个参数不随时间变化，从第j+1个到第n个为易变参数，一般工况常能耗敏感度β^const和时间强度能耗敏感度β^time为最常使用的易变参数，接下来利用递推最小二乘法对[β^j+1 β^j+2 …βⁿ]^T进行自适应学习。

在行驶过程中，采集t₀～t_k时间段的历史行车数据(t_k为当前时刻)，假定在t₀～t_k时间段中采集的历史数据的样本长度为k，在这k个样本中对n个能耗参数中的n-j个易变参数进行自适应学习，式(1)可改写为如下递推最小二乘法的标准形式：

其中：

式中，c_tb为第b个行程(在t_b-1～t_b时间段内采集)对应的电动汽车能耗率，F_tb ^a为第b个行程第a个工况特征b∈[1，2，…，k]，a∈[1，2，…，n]，[β¹ β² … β^j]^T为出厂标定参数，[β^j+1 β^j+2 … βⁿ]^T为待学习参数。

对递推最小二乘法进行推导，使得其具有迭代形式，最终形式如下：

其中：

P_tk ^-1＝H_tk ^TH_tk (16)

式中，λ表示在递推过程中对新旧数据起到加权作用的因子，λ的取值范围为(0，1]；I为单位矩阵，[β¹ β² … β^j]^T为初始标定参数，

为利用 t_k-1～t_k时间段采集到的数据进行自适应得到的更新的易变参数，C_tk为t_k-1～t_k时间段内已行驶行程的能耗率，[F_tk ¹ F_tk ² … F_tk ⁿ]为计算得到的t_k-1～t_k时间段内已行驶行程的工况特征。在车辆行驶过程中，记录行程的车速能耗信息，利用递推最小二乘法，利用式(12)对式(1)中选取的易变参数进行自适应学习，获得自适应学习参数，即自适应学习参数即为自适应修正后的易变参数。

未来工况特征获取单元440，用于获取未来行程的多个工况特征。

在本发明实施例中，通过地图通讯接口如常用地图授权使用的API或车企内部地图数据平台接口，获取未来行程行驶信息如速度、时间、温度信息，利用式(2)～(8)计算未来行程(t_k～t_f时间段)工况特征[F_f ¹ F_f ² … F_f ⁿ]。

未来能耗预测结果确定单元450，用于根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

在本发明实施例中，通过地图通讯接口(如常用地图授权使用的API或车企内部地图数据平台接口)，获取未来行程行驶信息(速度、时间、温度)，利用式(2)～(8)计算未来行程(t_k～t_f时间段)工况特征[F_f ¹ F_f ² … F_f ⁿ]，应用出厂标定参数[β¹ β² … β^j]^T及第二步自适应学习获取的参数

带入公式(1)，预测未来行程的能耗率：

利用预测的能耗率估计设定行程的能耗及行程结束时的SOC，如下式所示：

E_f＝c_f·S_f (20)

SOC_f＝SOC_tk-E_f/E (21)

其中，E_f为未来行程预计能耗，S_f为从地图通讯接口所获取的未来行程距离；SOC_f为未来行程结束的SOC预测值，SOC_tk为当前时刻SOC值，E为车载动力电池的额定容量。

本发明实施例提供的电动汽车行程能耗预测装置，根据多个行程的多个工况特征与对应的电动汽车能耗率以及预设的整车能耗模型，确定对应的多个能耗敏感性参数；进而基于递推最小二乘法对能耗敏感性参数中的易变参数进行自适应学习，确定自适应学习参数；以根据未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定电动汽车的未来行程能耗预测结果。本发明基于整车的物理模型设计能耗特征数据学习的结构，并在使用过程中采用数据学习的方法，自适应物理模型的参数，使其可以在极小且简单的计算量下准确地估计行程能耗，易于实施，克服了目前机器学习方法计算量大，不可解释且收敛性难以评估等问题；另外，结合递推最小二乘法，实现了在能耗预测过程中针对特定易变因素的快速的自适应功能，进一步降低了数据存储的需求，在算法的通用性和自适应性上相对于现有技术得以显著提升，在实际应用于电动汽车行程能耗估计中具有重要的实际意义。

如图5所示，在一个实施例中，自适应学习参数确定单元430具体包括：易变参数确定模块431、自适应学习模型确定模块432以及自适应学习参数确定模块433。

易变参数确定模块431，用于根据预设的电动汽车易变参数确定规则，从所述能耗敏感性参数中确定易变参数。

在本发明实施例中，预设的电动汽车易变参数确定规则是指电动汽车常见的易变参数对应的因素对应的能耗敏感性参数；如考虑到算法复杂度和精度的权衡，假设选取n＝4，能耗敏感性参数分别为工况常能耗敏感性参数、速度强度能耗敏感性参数、制动强度能耗敏感性参数及时间强度能耗敏感性参数，而电动汽车常见的易变参数包括载重、滚阻和附件，这些因素主要对应上述四个能耗敏感性参数中的工况常能耗敏感性参数、时间强度能耗敏感性参数，故此处确定工况常能耗敏感性参数、时间强度能耗敏感性参数为易变参数。

自适应学习模型确定模块432，用于基于递推最小二乘法对所述预设的整车能耗模型进行变换处理，确定自适应学习模型。

在本发明实施例中，如上所述，设定工况常能耗敏感性参数、时间强度能耗敏感性参数这两个参数为易变参数，并利用近期采集的一组历史行程数据对这两个参数进行自适应学习；为了便于利用递推最小二乘法对工况常能耗敏感性参数、时间强度能耗敏感性参数进行自适应学习，需要将该历史行程的整车能耗模型公式变化为式(9)所示的递推最小二乘法的标准形式，即自适应学习模型。

自适应学习参数确定模块433，用于根据所述历史行驶行程数据以及自适应学习模型，对所述易变参数进行自适应学习，确定自适应学习参数。

在本发明实施例中，通过将上述式(9)所示的递推最小二乘法的标准形式与工况特征代入到递推公式(12)中，经过化简整理得到最终参数自适应学习结果，即自适应学习参数。

以下以仿真实例对本发明做进一步说明。

考虑到算法复杂度和精度的权衡，选取n＝4(在实际应用中，根据对计算资源和估计精度的要求不同，n＞4可选取更多的能耗特性，并表示为公式(1)的线性形式)，能耗率求解公式简化为如下形式：

c＝β¹F¹+β²F²+β³F³+β⁴F⁴ (22)

式中，c为电动汽车能耗率，β¹、β²、β³及β⁴分别为工况常能耗敏感性参数、速度强度能耗敏感性参数、制动强度能耗敏感性参数及时间强度能耗敏感性参数，F¹、F²、F³及F⁴分别为常能耗强度、速度强度、制动强度和时间强度，具体工况特征参考式(2)～(5)。能耗模型搭建完成，行程预测实现方案如下：

1、模型参数的标定

在电动汽车出厂前，要完成β¹、β²、β³及β⁴四个参数的标定，需在测功机上进行4种以上工况的能耗测试，测试工况可从下图6所示测试工况中选择。

图6中绘制了12种不同国家或地区的整车能耗测试以及9种匀速工况测试，其中NYCC代表纽约市的循环；US06是美国EPA补充联邦测试程序中用来测量车辆排气管排放的三个循环之一，US06包括高速运行和苛刻的加速度； WLTC为全球统一轻型车辆测试程序，定义了全球统一标准，用于确定轻型车辆(客车和轻型商用货车)的污染物和CO²排放水平，燃料或能源消耗以及电动范围，HWFET代表美国环保署用于美国乘用车公司平均燃油经济性(CAFE) 认证的高速公路燃油经济性测试(HFET)行驶周期。选定上述四种测试工况标准后，根据电动汽车能耗测试的方法，测得相应工况的能耗率[c₁ c₂ … c_k]^T并构建能耗方程公式(23)，对该公式进行线性回归分析计算模型初始化敏感性参数β¹、β²、β³及β⁴。

式中F_y ^xx∈[1，2，3，4]，y∈[1，2，…，k]为第y次能耗测试中的第x个工况特征，c_y为对应能耗测试数据的能耗率。

2、易变参数的自适应学习

电动汽车常见的易变参数包括载重、滚阻和附件，这些因素主要对应上述四个模型参数中的β¹、β⁴，所以在本实例中设定这两个参数为易变参数，并利用近期采集的一组历史行程数据(t₀～t₁时间段采集，当前时刻为t₁)对这两个参数进行自适应学习；为了便于利用递推最小二乘法对参数β¹、β⁴进行自适应学习，需要将该历史行程的能耗模型公式变化为式(9)所示的递推最小二乘法的标准形式：

式中F_t1 ¹n∈[1，2，3，4]为t₀～t₁时间段内所采集行程数据中的第n个工况特征，具体形式利用式(2)～(5)可求得，c_t1为t₀～t₁时间段内整车能耗率，可通过SOC 变化及行程距离近似估计。

将上式(24)与工况特征F_t1 ¹、F_t1 ²、F_t1 ³及F_t1 ⁴带入到递推公式(12)中，经过化简整理得到最终参数自适应学习结果如下式：

其中：

由于本次迭代为第一次迭代，故θ_t0取出厂标定参数[β¹ β⁴]^T；通过式(25) 得到参数自适应学习的最终结果

3、剩余续驶里程估计

利用地图/交通软件接口获取需要估计行程的路线、距离，行驶速度特征等信息，同样应用式(2)～(5)估计未来行程的F¹、F²、F³及F⁴。将经过自适应学习的

和出厂标定的β²、β³带入式(22)，得到最终的能耗率预测公式(29)：

最终完成对未来行程能耗率c_f的预测，根据获取的行程距离，进一步获取未来形成的能耗及行程结束SOC如下式所示：

E_f＝c_f·S_f (30)

SOC_f＝SOC_t1-E_f/E (31)

式中，E_f为未来行程预计能耗，S_f为从地图通讯接口所获取的未来行程距离；SOC_f为未来行程结束的SOC预测值，SOC_t1为当前时刻SOC值，E为车载动力电池的额定容量。

在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据均包括多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率；

根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数以及易变参数；

根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数；

获取未来行程的多个工况特征；

根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：

获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据包括均多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率；

根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数以及易变参数；

根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数；

获取未来行程的多个工况特征；

根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM (EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM 以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM (SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM (RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态 RAM(RDRAM)等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电动汽车行程能耗预测方法，其特征在于，包括：

获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据均包括多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率；

根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数，所述出厂标定参数包括易变参数；

根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数；

获取未来行程的多个工况特征；

根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

2.根据权利要求1所述的电动汽车行程能耗预测方法，其特征在于，所述根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数的步骤包括：

根据预设的电动汽车易变参数确定规则，从所述能耗敏感性参数中确定易变参数；

基于递推最小二乘法对所述预设的整车能耗模型进行变换处理，确定自适应学习模型；

根据所述历史行驶行程数据以及自适应学习模型，对所述易变参数进行自适应学习，确定自适应学习参数。

3.根据权利要求1所述的电动汽车行程能耗预测方法，其特征在于，所述根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果的步骤，包括：

根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗率；

获取所述电动汽车的未来行程距离、车载动力电池的额定容量以及当前时刻的SOC值；

根据所述未来行程能耗率以及未来行程距离，确定所述电动汽车的未来行程预计能耗；

根据所述未来行程预计能耗、车载动力电池的额定容量以及当前时刻的SOC值，确定所述电动汽车的未来行程结束的SOC预测值。

4.根据权利要求1所述的电动汽车行程能耗预测方法，其特征在于，所述预设的整车能耗模型的公式如下所示：

式中，c_y为第y个行程对应的电动汽车能耗率，F_y ^x为第y个行程的第x个工况特征y∈[1,2,L,k],x∈[1,2,L,n]，工况特征包括速度强度工况特征，制动强度工况特征。[β¹ β² L βⁿ]^T为对应工况特征的能耗敏感性参数。

5.根据权利要求1所述的电动汽车行程能耗预测方法，其特征在于，所述工况特征包括常能耗强度、速度强度、制动强度、时间强度、空调强度、冷启动强度以及坡度强度。

6.根据权利要求1所述的电动汽车行程能耗预测方法，其特征在于，所述能耗敏感性参数包括常能耗强度敏感性参数、速度强度敏感性参数、制动强度敏感性参数、时间强度敏感性参数、空调强度敏感性参数、冷启动强度敏感性参数以及坡度强度敏感性参数。

7.一种电动汽车行程能耗预测装置，其特征在于，包括：

行驶行程测试数据获取单元，用于获取待能耗预测的电动汽车的行驶行程测试数据以及历史行驶行程数据，所述行驶行程测试数据以及历史行驶行程数据均包括多个行程的多个工况特征以及所述多个行程对应的电动汽车能耗率；

能耗敏感性参数确定单元，用于根据所述行驶行程测试数据以及预设的整车能耗模型，确定所述多个工况特征对应的多个能耗敏感性参数；所述能耗敏感性参数包括出厂标定参数，所述出厂标定参数包括易变参数；

自适应学习参数确定单元，用于根据所述历史行驶行程数据，基于递推最小二乘法对所述易变参数进行自适应学习，确定自适应学习参数；

未来工况特征获取单元，用于获取未来行程的多个工况特征；以及

未来能耗预测结果确定单元，用于根据所述未来行程的多个工况特征、出厂标定参数以及自适应学习参数，确定所述电动汽车的未来行程能耗预测结果。

8.根据权利要求7所述的电动汽车行程能耗预测装置，其特征在于，所述自适应学习参数确定单元包括：

易变参数确定模块，用于根据预设的电动汽车易变参数确定规则，从所述能耗敏感性参数中确定易变参数；

自适应学习模型确定模块，用于基于递推最小二乘法对所述预设的整车能耗模型进行变换处理，确定自适应学习模型；以及

自适应学习参数确定模块，用于根据所述历史行驶行程数据以及自适应学习模型，对所述易变参数进行自适应学习，确定自适应学习参数。

9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述电动汽车行程能耗预测方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至6中任一项权利要求所述电动汽车行程能耗预测方法的步骤。

Images