CN113159435B - 一种新能源车辆剩余驾驶里程预测方法及系统 - Google Patents

一种新能源车辆剩余驾驶里程预测方法及系统 Download PDF

Info

Publication number
CN113159435B
CN113159435B CN202110474719.9A CN202110474719A CN113159435B CN 113159435 B CN113159435 B CN 113159435B CN 202110474719 A CN202110474719 A CN 202110474719A CN 113159435 B CN113159435 B CN 113159435B
Authority
CN
China
Prior art keywords
vehicle
driving mileage
remaining driving
data set
working condition
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
Application number
CN202110474719.9A
Other languages
English (en)
Other versions
CN113159435A (zh
Inventor
张俊杰
段鹏
刘刚
潘福中
霍艳红
陈玉星
王芳芳
邵晶晶
陶雷
张鲁宁
翟一明
岳翔
牛亚琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co Ltd
Original Assignee
Zhejiang Geely Holding Group Co Ltd
Geely Automobile Research Institute Ningbo Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Geely Holding Group Co Ltd, Geely Automobile Research Institute Ningbo Co Ltd filed Critical Zhejiang Geely Holding Group Co Ltd
Priority to CN202110474719.9A priority Critical patent/CN113159435B/zh
Publication of CN113159435A publication Critical patent/CN113159435A/zh
Application granted granted Critical
Publication of CN113159435B publication Critical patent/CN113159435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • 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
    • G06N3/08—Learning methods
    • 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)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Sustainable Development (AREA)
  • Mechanical Engineering (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Game Theory and Decision Science (AREA)
  • Sustainable Energy (AREA)
  • Transportation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供一种新能源车辆剩余驾驶里程预测方法及系统，涉及新能源车辆驾驶里程预测领域，本发明解决的问题是如何提高新能源车辆剩余驾驶里程预测的准确性，本方法步骤包括通过大数据平台采集多辆车的放电工况数据，根据预设的条件筛选得到神经网络训练所需的训练目标数据集以及与车辆剩余驾驶里程相关性高的训练输入数据集后进行神经网络训练建立新能源车辆剩余驾驶里程预测模型，获取对剩余驾驶里程预测值有需求的车辆的当前放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值，本发明建立车辆剩余驾驶里程预测模型可以得出准确的剩余驾驶里程预测，驾驶员可以根据剩余驾驶里程制定合理的路线规划。

Description

一种新能源车辆剩余驾驶里程预测方法及系统
技术领域
本发明涉及车辆剩余驾驶里程预测领域，尤其涉及一种新能源车辆剩余驾驶里程预测方法及系统。
背景技术
目前，越来越多的人购买新能源车辆，新能源车辆是以动力电池为唯一能源，动力电池的电量决定了车辆的剩余驾驶里程，一旦动力电池电量耗尽，就会导致车辆无法运行，因此，让驾驶员了解自身车辆的剩余驾驶里程是十分重要的。
为了解决上述问题，中国专利申请号(CN106908075B)公开了大数据采集与处理系统及基于其电动汽车续航估计方法，该方法包括驾驶者需要根据需求，在人机交互系统中设定本次行驶的目的地，在线计算系统根据记录的车辆动力学模型，结合目的地信息以及电池剩余电量，估计是否可以到达目的地。
上述方法是云端服务器根据实际行驶状态下车辆实时数据，计算的得到的车辆动力模型，云端服务器或后台服务器获取需要车辆数据上传数据才能建立模型，但是现有车辆上传数据无法保证传输的数据的完整性以及准确性，一旦数据出现差错将无法建立准确的模型。从而影响车辆剩余里程的准确性，影响驾驶员路程的规划，导致驾驶员的体验下降。
发明内容
本发明针对现有技术存在的上述问题，提供了一种新能源车辆剩余驾驶里程预测方法及系统，其解决的技术问题是如何提高新能源车辆剩余驾驶里程的准确性。
本发明通过下列技术方案来实现：一种新能源车辆剩余驾驶里程预测方法，所述方法包括以下步骤：
通过大数据平台采集多辆车的放电工况数据；
根据预设的条件对上述放电工况数据进行筛选，分别得到神经网络训练所需的训练目标数据集以及与车辆剩余驾驶里程相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆剩余驾驶里程预测模型；
获取对剩余驾驶里程预测值有需求的车辆的当前放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值。
大数据平台采集所有车辆的放电工况所有数据后根据预设条件对所有车辆放电工况数据进行筛选,分别得到神经网络训练所需的训练目标数据集以及与车辆剩余驾驶里程相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆剩余驾驶里程预测模型，获取对剩余驾驶里程预测值有需求的车辆的放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值。本方法通过对大数据平台收集车辆的放电工况数据进行筛选以及使用神经网络训练方法建立模型来改进新能源车辆剩余驾驶里程预测方法，目前大数据平台收集车辆的放电工况数据庞大且获取的数据完整性以及准确性无法保证，本方法根据预设的过滤条件对放电工况数据进行筛选，提高大数据平台的数据处理量速度，筛选掉不符合的数据还可以提高建立新能源车辆剩余驾驶里程预测模型的准确性，本方法还通过实时获取车辆的放电工况数据建立新能源车辆剩余里程预测模型，因此该模型计算出的当前车辆剩余里程预测与实际车辆剩余里程的误差较小，不会影响驾驶员对车辆可行驶距离的判断，驾驶员可以根据剩余驾驶里程制定合理的路线规划，且驾驶员能及时充电。
在上述新能源车辆剩余驾驶里程预测方法中，上述得到神经网络训练所需的训练输入数据集步骤包括：
从多辆车的放电工况数据中提取所有车辆数据特征；
根据相关性分析得到与车辆剩余驾驶里程相关性高的所需车辆数据特征；
根据预设的过滤条件对所需车辆数据特征进行过滤得到训练输入数据集。
相关性分析得到所需车辆数据特征后根据过滤条件过滤筛选掉不符合的数据，经过两次过滤可以将车辆数据特征与所需建立的新能源车辆剩余驾驶里程预测模型接近程度最高，提高大数据平台建立新能源车辆剩余驾驶里程预测模型的准确性，从而提高新能源车辆剩余驾驶里程预测的准确性。
在上述新能源车辆剩余驾驶里程预测方法中，所述相关性分析包括选择与车辆剩余驾驶里程之间皮尔逊相关系数大于预设系数值的车辆数据特征，皮尔逊相关系数是衡量两个变量之间相关性的常用方式，在本方法中可以准确的选择需求车辆数据特征。
在上述新能源车辆剩余驾驶里程预测方法中，上述得到神经网络训练所述的训练目标数据集步骤包括根据多辆车的放电工况数据计算车辆剩余驾驶里程，根据预设的过滤条件过滤计算后的车辆剩余驾驶里程得到训练目标数据集，过滤掉不符合的车辆剩余驾驶里程值可以调高建立新能源车辆剩余驾驶里程预测模型的准确性，从而提高新能源车辆剩余驾驶里程预测的准确性。
在上述新能源车辆剩余驾驶里程预测方法中，所述过滤条件包括放电工况里程变化大于预设值，设置过滤条件可以过滤一些不合格的数据，减少了新能源车辆剩余驾驶里程计算量以及减少了计算的误差，提高了新能源车辆剩余驾驶里程预测的准确性。
在上述新能源车辆剩余驾驶里程预测方法中，上述计算车辆剩余驾驶里程的公式包括车辆剩余驾驶里程＝(放电工况起始车辆累计里程-放电工况结束车辆累计里程)*放电工况起始动力电池SOC/(放电工况起始动力电池SOC-放电工况结束动力电池SOC)，其中车辆剩余驾驶里程、放电工况起始车辆累计里程以及放电工况结束车辆累计里程单位均为公里，放电工况起始动力电池SOC单位以及放电工况结束动力电池SOC单位均为％，即使经过过滤，公式计算出的剩余驾驶里程可能还是与实际剩余驾驶里程有偏差，因此需要通过建立模型得到准确实际剩余驾驶里程，公式计算出的剩余驾驶里程最为训练目标参数集作为训练目标参数集可以提高建立模型的准确性，从而提高新能源车辆剩余驾驶里程的准确性。
在上述新能源车辆剩余驾驶里程预测方法中，所述放电工况为相邻的两个静置工况之间的工况，所述静置工况为车辆累计里程停止变化的时间大于或等于预设时间的工况，放电工况的规定方便大数据平台的识别以及筛选的数据的准确性，从而提高新能源车辆剩余驾驶里程的准确性。
在上述新能源车辆剩余驾驶里程预测方法中，上述进行神经网络训练建立新能源车辆剩余驾驶里程预测步骤包括选取神经网络的一个参数，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集逐一对比，当输出数据集与训练目标数据集的误差值小于或等于预设误差值时建立新能源车辆剩余驾驶里程预测模型，当输出数据集与训练目标数据集的误差值大于预设误差值时调节神经网络中的参数直到输出数据集与训练目标数据集的误差值小于或等于预设误差值，选择合适的神经网络参数能让当前输入经过网络计算后的当前输出数据集与目标输出数据集误差值小，提高新能源车辆剩余驾驶里程预测模型的准确性，从而提高新能源车辆剩余驾驶里程预测的准确性。
在上述新能源车辆剩余驾驶里程预测方法中，所述新能源车辆剩余驾驶里程预测模型包括
Figure BDA0003046600330000041
其中y为输出数据集，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，di为训练输入数据集，
Figure BDA0003046600330000042
为隐藏层权重参数，
Figure BDA0003046600330000043
为隐藏层偏置，
Figure BDA0003046600330000044
为输出层权重参数，b0为输出层偏置，fH为激活函数，建立模型可以在后续获取放电工况数据后能通过新能源车辆动力电池剩余驾驶里程预测模型准确获取剩余驾驶里程预测值，提高新能源车辆动力电池剩余驾驶里程预测的准确性，且在获取新的放电工况数据后能更新新能源车辆动力电池剩余驾驶里程预测模型更新模型。
本发明还包括以下方案：一种新能源车辆剩余驾驶里程预测系统，包括与车辆连接用于获取车辆数据的大数据平台，新能源车辆剩余驾驶里程预测系统还包括用于采集多辆车的放电工况数据的采集模块以及设置在车辆上用于接收采集模块输出数据的控制单元，所述采集模块与控制单元连接，所述控制单元与大数据平台无线连接，大数据平台用于在接收控制单元输出的数据后根据预设的条件筛选多辆车的放电工况数据,分别得到神经网络训练所需的训练目标数据集以及与车辆剩余驾驶里程相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆剩余驾驶里程预测模型，大数据平台还用于获取对剩余驾驶里程有需求的车辆的当前放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值。
采集模块采集放电工况所有数据后输出至控制单元，控制单元接收输出数据后输出至大数据平台，大数据平台接收与其连接的车辆的控制单元输出的数据后根据预设的条件筛选所有车辆的放电工况数据,分别得到神经网络训练所需的训练目标数据集与车辆剩余驾驶里程相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆剩余驾驶里程预测模型，大数据平台还用于获取对剩余驾驶里程有需求的车辆的放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值。本系统通过大数据平台预设的新能源车辆剩余驾驶里程预测方法来改进新能源车辆剩余驾驶里程预测系统，目前大数据平台收集车辆的放电工况数据庞大且获取的数据完整性以及准确性无法保证，本系统根据预设的过滤条件对放电工况数据进行筛选，提高大数据平台的数据处理量速度，筛选掉不符合的数据还可以提高建立新能源车辆剩余驾驶里程预测模型的准确性，本系统还通过实时获取车辆的放电工况数据建立新能源车辆剩余里程预测模型，因此该模型计算出的当前车辆剩余里程预测与实际车辆剩余里程的误差较小，不会影响驾驶员对车辆可行驶距离的判断，驾驶员可以根据剩余驾驶里程制定合理的路线规划，且驾驶员能及时充电。
与现有技术相比，本新能源车辆剩余驾驶里程预测方法及系统，具有以下优点：
1、本方法筛选掉不符合的车辆动力电池安全相关数据减少大数据平台的数据处理量，且筛选掉不符合的数据提高了建立新能源车辆剩余驾驶里程预测模型的准确性。
2、本方法建立车辆剩余驾驶里程预测模型可以得出准确的剩余驾驶里程预测，驾驶员可以根据剩余驾驶里程制定合理的路线规划。
附图说明
图1是本发明方法步骤示意图。
图2是本发明系统结构示意图。
1、采集模块；2、控制单元；3、大数据平台。
具体实施方式
为了使本发明所解决的技术问题、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。
如图1所示，本新能源车辆剩余驾驶里程预测方法包括以下步骤：通常车辆有两种工况，分别是放电工况以及静置工况，放电工况为相邻的两个静置工况之间的工况，静置工况为车辆里程变化停止时间大于或等于30分钟的工况，采集车辆的放电工况数据后计算车辆剩余驾驶里程，计算车辆剩余驾驶里程的公式包括车辆剩余驾驶里程＝(放电工况起始车辆累计里程-放电工况结束车辆累计里程)*放电工况起始动力电池SOC/(放电工况起始动力电池SOC-放电工况结束动力电池SOC)，其中车辆剩余驾驶里程、放电工况起始车辆累计里程以及放电工况结束车辆累计里程单位均为公里，放电工况起始动力电池SOC单位以及放电工况结束动力电池SOC单位均为％，使用车辆剩余驾驶里程计算公式是为了建立新能源动力电池剩余驾驶里程预测模型做准备，使用车辆剩余驾驶里程计算公式能得到过滤前的训练目标数据集，当车辆剩余驾驶里程计算出来后根据预设过滤条件过滤放电工况里程变化即放电工况起始车辆累计里程与放电工况结束车辆累计里程差值大于10公里的数据得到训练目标数据集，公式计算出的剩余驾驶里程可能还是与实际剩余驾驶里程有偏差，无法满足驾驶员对剩余驾驶里程估计的精度要求，因此需要通过建立模型得到准确实际剩余驾驶里程。
同时提取放电工况数据的所有车辆数据特征，所有车辆数据特征包括累计里程、电池温度、放电工况起始电池电量、放电工况结束电池电量、电池老化状态、放电平均电流、放电电流方差、放电工况起始车辆累计里程以及放电工况结束车辆累计里程，对提取到的所有车辆数据特性进行相关性分析，相关性分析包括选取与新能源车辆动力电池剩余驾驶里程相关性高的所需车辆数据特征即过滤前的训练输入数据集，选取与新能源车辆动力电池剩余驾驶里程之间皮尔逊相关系数大于预设值的所需车辆数据特征，皮尔逊相关系数可以是0.1-0.3之间的任意一个数，在本实施例中选取与新能源车辆剩余驾驶里程之间皮尔逊相关系数大于0.21的车辆数据特征，所需车辆数据特征包括放电工况起始车辆累计里程、放电工况结束车辆累计里程，根据预设过滤条件过滤放电工况里程变化即放电工况起始车辆累计里程与放电工况结束车辆累计里程差值大于10公里得到训练输入数据集，皮尔逊相关系数是现有的选取两个变量之间相关性的常用方法，属于现有技术。
将训练输入数据集与训练目标数据集进行神经网络训练建立新能源车辆剩余驾驶里程模型，选取任意一个神经网络中的参数，神经网络参数包括隐藏层节点数、隐藏层权重参数、输出层权重参数、隐藏层偏置以及输出层偏置，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集对比，当输出数据集与训练目标数据集的误差值小于或等于预设误差值时建立新能源车辆剩余驾驶里程模型，当输出数据集与训练目标数据集的误差值大于预设误差值时调节神经网络中的参数，直到输出数据集与训练目标数据集的误差值小于或等于预设误差值，训练目标数据集可能会在实际车辆动力电池剩余驾驶里程的一定范围内波动，神经网络训练的目的就是建立一个模型使得训练输入数据集输出的值能与实际车辆动力电池剩余驾驶里程呈一个比较准确的线性关系。
新能源车辆剩余驾驶里程预测模型为
Figure BDA0003046600330000081
其中y为输出数据集，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，di为训练输入数据集，
Figure BDA0003046600330000082
为隐藏层权重参数，
Figure BDA0003046600330000083
为隐藏层偏置，
Figure BDA0003046600330000084
为输出层权重参数，b0为输出层偏置，fH为激活函数。
当得到训练输入累计里程数据集和训练目标剩余驾驶里程数据集时，将训练输入累计里程数据集代入上述模型，得到输出剩余驾驶里程数据集以及各模型参数，将输出剩余驾驶里程数据集与训练目标剩余驾驶里程数据集对比，当输出剩余驾驶里程数据集与训练目标剩余驾驶里程目标集均方根误差小于或等于预设差值时将各参数作为建立新能源车辆剩余驾驶里程预测模型的对应参数，并建立新能源动力电池剩余驾驶里程预测模型，当输出剩余驾驶里程数据集与训练目标剩余驾驶里程目标集均方根误差大于预设差值时不断调整上述参数直到输出剩余驾驶里程数据集与训练目标驾驶里程数据集均方根误差小于或等于预设差值，预设差值可以是4％-8％之间的任意值，在本实施例中选取5％作为最优预设差值。
大数据平台3获取对剩余驾驶里程预测值有需求的车辆的当前放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆动力电池的预测剩余驾驶里程，当车辆对动力电池剩余驾驶里程的预测有需求时大数据平台3接收需求信号后获取车辆一个或多个里程变化数据作为数据集，大数据平台3将里程变化数据集作为新能源车辆剩余驾驶里程预测模型的训练输入数据集di,大数据平台3根据新能源车辆剩余驾驶里程预测模型计算获得车辆剩余驾驶里程输出数据集y后输出至控制单元2，驾驶员根据车辆剩余驾驶里程输出数据集y决定是否充电，当大数据平台3采集的是一个里程变化数据作为训练输入数据集di，此时得出的车辆剩余驾驶里程输出数据集y为瞬时车辆剩余驾驶里程，当大数据平台3采集的是多个驾驶里程数据作为训练输入数据集di,此时得出的车辆剩余驾驶里程输出数据集y为车辆剩余驾驶里程变化趋势，驾驶员可以根据瞬时车辆剩余驾驶里程决定是否立即去充电或驾驶员可以根据车辆剩余驾驶里程变化趋势预测自己车辆应该充电的时机。大数据平台3能够对与其进行数据通信的车辆进行剩余驾驶里程预测，能够对其中任意一辆车进行预测也可对所有车辆进行预测。
本方法通过对大数据平台3收集车辆的放电工况数据进行筛选以及使用神经网络训练方法建立模型来改进新能源车辆剩余驾驶里程预测方法，目前大数据平台3收集车辆的放电工况数据庞大且获取的数据完整性以及准确性无法保证，本方法根据预设的过滤条件对放电工况数据进行筛选，提高大数据平台3的数据处理量速度，筛选掉不符合的数据还可以提高建立新能源车辆剩余驾驶里程预测模型的准确性，本方法还通过实时获取车辆的放电工况数据建立新能源车辆剩余里程预测模型，因此该模型计算出的当前车辆剩余里程预测与实际车辆剩余里程的误差较小，不会影响驾驶员对车辆可行驶距离的判断，驾驶员可以根据剩余驾驶里程制定合理的路线规划，且驾驶员能及时充电，大数据平台获取所有车辆的放电工况数据为建立模型提供了足够多的数据样本，令建立的模型准确性有了足够的保证。
现有神经网络包括输入层、隐藏层以及输出层，输入层输入的数据经过隐藏层以及输出层的计算在输出层输出，神经网络训练就是一个建立模型的过程，也是现有的用于找到神经网络隐藏层以及输出层参数的方法，现有神经网络训练常用的方式是正向计算得到误差函数，反向求导梯度下降，属于常规方式，不做过多赘述。
大数据平台3获取的多辆车的数据指的是大数据平台3获取与其连接的所有车辆的数据，可以是一辆也可以是多辆，也可以是全部，大数据平台3对于其连接的车辆进行实时监控，并得出所有车辆的动力电池剩余驾驶里程预测值，可以实时输出，也可以在车辆有需求时才输出。
如图2所示，一种新能源车辆剩余驾驶里程预测系统包括采集模块1、控制单元2以及大数据平台3，采集模块1与控制单元2连接，控制单元2与大数据平台3无线连接。
采集模块1采集放电工况数据后输出至控制单元2，控制单元2接收采集模块输出的放电工况数据后输出至大数据平台3，大数据平台3接收放电工况数据后根据预设的条件对放电工况数据进行筛选,分别得到神经网络训练所需的训练目标数据集与车辆剩余驾驶里程相关性高的训练输入数据集，将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆剩余驾驶里程预测模型，大数据平台3还用于获取对剩余驾驶里程有需求的车辆的当前放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值。
本系统根据预设的过滤条件对放电工况数据进行筛选，提高大数据平台3的数据处理量速度，筛选掉不符合的数据还可以提高建立新能源车辆剩余驾驶里程预测模型的准确性，本系统还通过实时获取车辆的放电工况数据建立新能源车辆剩余里程预测模型，因此该模型计算出的当前车辆剩余里程预测与实际车辆剩余里程的误差较小，不会影响驾驶员对车辆可行驶距离的判断，驾驶员可以根据剩余驾驶里程制定合理的路线规划，且驾驶员能及时充电。
采集模块2包括用于采集动力电池SOC的车辆电池管理系统以及采集车辆里程的里程表传感器。
大数据平台3就是后台服务器，能够与车辆的控制单元2即车载电脑连接获取放电工况数据，车载电脑可以是T-box。
本文中所描述的具体实施例仅仅是对本发明作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (8)

1.一种新能源车辆剩余驾驶里程预测方法，其特征在于，所述方法包括以下步骤：
通过大数据平台(3)采集多辆车的放电工况数据；
根据预设的条件对上述放电工况数据进行筛选，分别得到神经网络训练所需的训练目标数据集以及与车辆剩余驾驶里程相关性高的训练输入数据集，其中，得到神经网络训练所需的训练目标数据集的步骤包括根据多辆车的放电工况数据计算车辆剩余驾驶里程，计算车辆剩余驾驶里程的公式包括车辆剩余驾驶里程＝(放电工况起始车辆累计里程-放电工况结束车辆累计里程)*放电工况起始动力电池SOC/(放电工况起始动力电池SOC-放电工况结束动力电池SOC)，根据预设的过滤条件过滤计算后的车辆剩余驾驶里程得到训练目标数据集；将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆剩余驾驶里程预测模型；
获取对剩余驾驶里程预测值有需求的车辆的当前放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值。
2.根据权利要求1所述的新能源车辆剩余驾驶里程预测方法，其特征在于，上述得到与车辆剩余驾驶里程相关性高的训练输入数据集步骤包括：
从多辆车的放电工况数据中提取所有车辆数据特征；
根据相关性分析得到与车辆剩余驾驶里程相关性高的所需车辆数据特征；
根据预设的过滤条件对所需车辆数据特征进行过滤得到训练输入数据集。
3.根据权利要求2所述的新能源车辆剩余驾驶里程预测方法，其特征在于，所述相关性分析包括选择与车辆剩余驾驶里程之间皮尔逊相关系数大于预设系数值的车辆数据特征。
4.根据权利要求1所述的新能源车辆剩余驾驶里程预测方法，其特征在于，所述过滤条件包括放电工况里程变化大于预设值。
5.根据权利要求1所述的新能源车辆剩余驾驶里程预测方法，其特征在于，所述放电工况为相邻的两个静置工况之间的工况，所述静置工况为车辆累计里程停止变化的时间大于或等于预设时间的工况。
6.根据权利要求1所述的新能源车辆剩余驾驶里程预测方法，其特征在于，上述进行神经网络训练建立新能源车辆剩余驾驶里程预测模型步骤包括选取神经网络的一个参数，将训练输入数据集通过神经网络进行训练后的输出数据集与训练目标数据集逐一对比，当输出数据集与训练目标数据集的误差值小于或等于预设误差值时建立新能源车辆剩余驾驶里程预测，当输出数据集与训练目标数据集的误差值大于预设误差值时调节神经网络中的参数直到输出数据集与训练目标数据集的误差值小于或等于预设误差值。
7.根据权利要求6所述的新能源车辆剩余驾驶里程预测方法，其特征在于，所述新能源车辆剩余驾驶里程预测模型包括
Figure FDA0003859465690000021
其中y为输出数据集，j＝1…m，m为隐藏层节点数，i＝1…n，n为输入数据特征数，di为训练输入数据集，
Figure FDA0003859465690000022
为隐藏层权重参数，
Figure FDA0003859465690000023
为隐藏层偏置，
Figure FDA0003859465690000024
为输出层权重参数，b0为输出层偏置，fH为激活函数。
8.一种新能源车辆剩余驾驶里程预测系统，包括与车辆连接用于获取车辆数据的大数据平台(3)，其特征在于，新能源车辆剩余驾驶里程预测系统还包括用于采集多辆车的放电工况数据的采集模块(1)以及设置在车辆上用于接收采集模块(1)输出数据的控制单元(2)，所述采集模块(1)与控制单元(2)连接，所述控制单元(2)与大数据平台(3)无线连接，大数据平台(3)用于在接收控制单元(2)输出的数据后根据预设的条件筛选多辆车的放电工况数据,分别得到神经网络训练所需的训练目标数据集以及与车辆剩余驾驶里程相关性高的训练输入数据集，其中，得到神经网络训练所需的训练目标数据集的步骤包括根据多辆车的放电工况数据计算车辆剩余驾驶里程，计算车辆剩余驾驶里程的公式包括车辆剩余驾驶里程＝(放电工况起始车辆累计里程-放电工况结束车辆累计里程)*放电工况起始动力电池SOC/(放电工况起始动力电池SOC-放电工况结束动力电池SOC)，根据预设的过滤条件过滤计算后的车辆剩余驾驶里程得到训练目标数据集；将训练目标数据集以及训练输入数据集进行神经网络训练建立新能源车辆剩余驾驶里程预测模型，大数据平台(3)还用于获取对剩余驾驶里程有需求的车辆的当前放电工况数据代入新能源车辆剩余驾驶里程预测模型，计算出所需车辆的剩余驾驶里程预测值。
CN202110474719.9A 2021-04-29 2021-04-29 一种新能源车辆剩余驾驶里程预测方法及系统 Active CN113159435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110474719.9A CN113159435B (zh) 2021-04-29 2021-04-29 一种新能源车辆剩余驾驶里程预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110474719.9A CN113159435B (zh) 2021-04-29 2021-04-29 一种新能源车辆剩余驾驶里程预测方法及系统

Publications (2)

Publication Number Publication Date
CN113159435A CN113159435A (zh) 2021-07-23
CN113159435B true CN113159435B (zh) 2022-11-22

Family

ID=76872421

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110474719.9A Active CN113159435B (zh) 2021-04-29 2021-04-29 一种新能源车辆剩余驾驶里程预测方法及系统

Country Status (1)

Country Link
CN (1) CN113159435B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114435185B (zh) * 2021-12-28 2023-08-01 深圳云天励飞技术股份有限公司 新能源汽车电量控制方法及相关设备
CN115223271B (zh) * 2022-06-28 2024-05-07 东软睿驰汽车技术（沈阳）有限公司 车辆剩余信息误差的关注度获得方法及相关装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605885A (zh) * 2013-11-11 2014-02-26 清华大学 一种基于交通路网信息的电动车辆剩余里程估算方法
CN104442825A (zh) * 2014-11-28 2015-03-25 上海交通大学 一种电动汽车剩余行驶里程的预测方法和系统
CN108556682A (zh) * 2018-03-30 2018-09-21 北京新能源汽车股份有限公司 一种续驶里程预测方法、装置及设备
CN109572483A (zh) * 2018-11-13 2019-04-05 北京长城华冠汽车技术开发有限公司 一种纯电动汽车的剩余里程计算方法及装置
CN109733248A (zh) * 2019-01-09 2019-05-10 吉林大学 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110091751A (zh) * 2019-04-30 2019-08-06 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN110329266A (zh) * 2019-07-15 2019-10-15 腾讯科技（深圳）有限公司 可续航里程确定方法、装置、终端及存储介质
CN110987862A (zh) * 2019-11-06 2020-04-10 汉谷云智(武汉)科技有限公司 一种柴油在线调和方法
CN111806240A (zh) * 2020-07-24 2020-10-23 江淮大众汽车有限公司 一种基于中国工况的电动汽车续驶里程预测方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法
CN112327170A (zh) * 2020-11-13 2021-02-05 中汽研（天津）汽车工程研究院有限公司 基于神经网络的动力电池全周期剩余寿命估算方法
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
CN112613680A (zh) * 2020-12-29 2021-04-06 华人运通(江苏)技术有限公司 续航里程估算方法、装置、设备及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101154308B1 (ko) * 2010-12-03 2012-06-13 기아자동차주식회사 전기자동차의 잔존주행거리 추정 방법
US10759298B2 (en) * 2018-08-29 2020-09-01 GM Global Technology Operations LLC Electric-drive motor vehicles, systems, and control logic for predictive charge planning and powertrain control

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605885A (zh) * 2013-11-11 2014-02-26 清华大学 一种基于交通路网信息的电动车辆剩余里程估算方法
CN104442825A (zh) * 2014-11-28 2015-03-25 上海交通大学 一种电动汽车剩余行驶里程的预测方法和系统
CN108556682A (zh) * 2018-03-30 2018-09-21 北京新能源汽车股份有限公司 一种续驶里程预测方法、装置及设备
CN109572483A (zh) * 2018-11-13 2019-04-05 北京长城华冠汽车技术开发有限公司 一种纯电动汽车的剩余里程计算方法及装置
CN109733248A (zh) * 2019-01-09 2019-05-10 吉林大学 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110091751A (zh) * 2019-04-30 2019-08-06 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN110329266A (zh) * 2019-07-15 2019-10-15 腾讯科技（深圳）有限公司 可续航里程确定方法、装置、终端及存储介质
CN110987862A (zh) * 2019-11-06 2020-04-10 汉谷云智(武汉)科技有限公司 一种柴油在线调和方法
CN111806240A (zh) * 2020-07-24 2020-10-23 江淮大众汽车有限公司 一种基于中国工况的电动汽车续驶里程预测方法
CN111999657A (zh) * 2020-10-29 2020-11-27 北京航空航天大学 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法
CN112327170A (zh) * 2020-11-13 2021-02-05 中汽研（天津）汽车工程研究院有限公司 基于神经网络的动力电池全周期剩余寿命估算方法
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
CN112613680A (zh) * 2020-12-29 2021-04-06 华人运通(江苏)技术有限公司 续航里程估算方法、装置、设备及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
纯电动汽车续驶里程RBF神经网络预测算法的研究;许文乐;《中国优秀硕士学位论文电子期刊》;20130715;全文 *
融合车、路、人信息的电动汽车续驶里程估算;高建平等;《中国机械工程》;20180803(第15期);全文 *

Also Published As

Publication number Publication date
CN113159435A (zh) 2021-07-23

Similar Documents

Publication Publication Date Title
CN113159435B (zh) 一种新能源车辆剩余驾驶里程预测方法及系统
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN110610260B (zh) 行车能耗预测系统、方法、存储介质和设备
CN111452619B (zh) 电动车辆在线能耗预测方法及系统
CN113158345A (zh) 一种新能源车辆动力电池容量预测方法及系统
CN108556682B (zh) 一种续驶里程预测方法、装置及设备
CN111381170A (zh) 基于大数据的电动汽车电池包健康状态预测方法及系统
CN107037370A (zh) 基于监控数据的电动汽车剩余电量计算方法
CN113335131B (zh) 一种车辆续航里程预测方法、装置、设备和存储介质
CN113173104B (zh) 一种新能源车辆动力电池预警方法及系统
CN116572799B (zh) 基于深度学习的动力电池荷电续航预测方法、系统及终端
CN113191547B (zh) 一种新能源车辆动力电池充电优化方法及系统
CN106324514A (zh) 车辆电池性能试验方法及其系统
CN112818036A (zh) 基于云端大数据的电动车剩余里程预估方法和装置
CN114899459A (zh) 一种用于燃料电池发动机的运维控制方法及装置
CN115817183A (zh) 一种纯电动汽车续驶里程预测方法及预测装置
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114676870A (zh) 车速预测方法、车速预测模型训练方法和相关装置
CN108475357B (zh) 用于评价驾驶员的行程性能的方法和系统
CN111806443A (zh) 一种纯电动重卡无人驾驶能耗优化方法
CN116080692A (zh) 一种车载式振噪结合病害监测系统及其使用方法
CN115544900A (zh) 一种基于Shap算法分析电动车续航里程影响因素的方法
CN113212244B (zh) 一种新能源车辆动力电池寿命预测方法及系统
CN116381500A (zh) 基于大数据分析的纯电动汽车动力电池评价指标构建方法
CN115219913A (zh) 一种基于容量增量法的动力电池全生命周期管理系统

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