CN113335131B - 一种车辆续航里程预测方法、装置、设备和存储介质 - Google Patents
一种车辆续航里程预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN113335131B CN113335131B CN202010098858.1A CN202010098858A CN113335131B CN 113335131 B CN113335131 B CN 113335131B CN 202010098858 A CN202010098858 A CN 202010098858A CN 113335131 B CN113335131 B CN 113335131B
- Authority
- CN
- China
- Prior art keywords
- information
- vehicle
- battery state
- real
- time
- 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
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- B60L2260/54—Energy consumption estimation
-
- 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
Abstract
本发明公开了一种车辆续航里程预测方法、装置、设备和存储介质,所述方法根据第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据,将电池状态实时影响数据和电池状态实时信息输入到第二集成学习模型进行续航里程预测,得到车辆续航里程。所述方法对不同车型的数据信息均可以进行分析,不需要针对单一车辆进行建模和训练,训练成本和维护成本低。所述方法还通过集成学习模型的方式对数据进行训练,适用范围广,训练效率高,且依靠现有车联网大数据库,预测模型可以不断调优,准确度会不断升高。
Description
技术领域
本发明涉及电动汽车领域,尤其涉及一种车辆续航里程预测方法、装置、设备和存储介质。
背景技术
近年来电动汽车的发展迎来了井喷阶段,动力电池的可存储能量越来越高,车辆的续航里程也是越来越长,使得电车汽车逐渐成为人们接受的出行工具。
电池的荷电状态是衡量电池动力性能的好坏,代表车辆剩余能源量的状态,是估计汽车续航里程的重要指标。电动汽车剩余续航里程是用来表示汽车在能源耗尽之前还能够行驶的里程数,以便提醒车主在驾驶车辆前或者在驾驶车辆过程中提前备好能源,避免半途能源耗尽,影响出行计划。现有的电动汽车仪表盘一般只给出工况续航里程和最大续航里程,并未考虑行驶路段或车主的行驶习惯对电动汽车的续航里程的影响,导致电动汽车所显示的剩余的续航里程与车主实际的行驶里程存在很大差距。其他续航里程估算方法中,虽然大都考虑行驶路段或车主的行驶习惯,但有的只是应用简单数学模型来推演,估算精度低准确度差。有的通过深度神经网络模型来预测,模型训练工作量很大,导致模型训练的成本和维护成本较高。
发明内容
本发明提供了一种车辆续航里程预测方法、装置、设备和存储介质,能够提高车辆续航里程预测准确度,降低维护成本。
一方面,本发明提供了一种车辆续航里程预测方法,所述方法包括:
获取车辆当前行驶时的电池状态实时信息和行驶状态实时信息;
基于第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据;
基于第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程。
另一方面提供了一种车辆续航里程预测装置,所述装置包括:状态信息获得模块、行驶状态信息筛选模块和车辆续航里程预测模块;
所述状态信息获得模块用于获取车辆当前行驶时的电池状态实时信息和行驶状态实时信息;
所述行驶状态信息筛选模块用于基于第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据;
所述车辆续航里程预测模块用于基于第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程。
另一方面提供了一种设备,所述设备包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述所述的一种车辆续航里程预测方法。。
另一方面提供了一种存储介质,所述存储介质包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现上述所述的一种车辆续航里程预测方法。
本发明提供的一种车辆续航里程预测方法、装置、设备和存储介质,所述方法根据第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据,将电池状态实时影响数据和电池状态实时信息输入到第二集成学习模型进行续航里程预测,得到车辆续航里程。所述方法对不同车型的数据信息均可以进行分析,不需要针对单一车辆进行建模和训练,训练成本和维护成本低。所述方法还在修正电池状态信息和选择特征数据的基础上构建集成学习模型,通过集成学习模型的方式对数据进行训练,适用范围广,训练效率高,且依靠现有车联网大数据库,随着数量越来越大以及特征变量越来越丰富,预测模型可以不断调优,准确度会不断升高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种车辆续航里程预测方法的应用场景示意图;
图2为本发明实施例提供的一种车辆续航里程预测方法的流程图;
图3为本发明实施例提供的一种车辆续航里程预测方法中筛选得到电池状态实时影响数据的方法流程图;
图4为本发明实施例提供的一种车辆续航里程预测方法中得到车辆续航里程的方法流程图;
图5为本发明实施例提供的一种车辆续航里程预测的模型构建的方法流程图;
图6为本发明实施例提供的一种车辆续航里程预测方法中确定单位电量的行驶里程信息的方法流程图;
图7为本发明实施例提供的一种车辆续航里程预测方法中得到电池状态修正信息的方法流程图;
图8为本发明实施例提供的一种车辆续航里程预测方法中电池状态修正前后的曲线示意图;
图9为本发明实施例提供的一种车辆续航里程预测方法的基于电池状态修正信息,计算单位电量的行驶里程信息的方法流程图;
图10为本发明实施例提供的一种车辆续航里程预测装置的结构示意图;
图11为本发明实施例提供的一种用于实现本发明实施例所提供的方法的设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述。显然,所描述的实施例仅仅是本发明的一部分实施例,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的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。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。而且,术语“第一”、“第二”等适用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
请参见图1,其显示了本发明实施例提供的一种车辆续航里程预测方法的应用场景示意图,所述应用场景包括车载终端110、车联网120和服务器130,车载终端110进行车辆的行驶状态数据和电池状态数据的采集,所述车载终端110采集的数据发送到车联网120,由车联网120上报数据到服务器130,服务器130调用第一集成学习模型和第二集成学习模型,根据所述车载终端110采集的数据进行续航里程的预测,将续航里程预测结果反馈到车联网120,车联网120推送续航里程预测结果到车载终端110。
在本发明实施例中,车联网120即车辆物联网,是以行驶中的车辆为信息感知对象,通过新一代信息通信技术,实现车与云平台、车与车、车与路、车与人、车内等全方位网络链接,主要实现了“三网融合”,即将车内网、车际网和车载移动互联网进行融合。车联网是利用传感技术感知车辆的状态信息,并借助无线通信网络与现代智能信息处理技术实现交通的智能化管理,以及交通信息服务的智能决策和车辆的智能化控制。
在本发明实施例中,所述服务器130包括一个独立运行的服务器,或者分布式服务器,或者由多个服务器组成的服务器集群。服务器130可以包括有网络通信单元、处理器和存储器等等。具体地,所述服务器130可以执行第一集成学习模型和第二集成学习模型的构建和训练,并调用第一集成学习模型和第二集成学习模型进行续航里程预测。
请参见图2,其显示了一种车辆续航里程预测方法,可应用于服务器侧,所述方法包括:
S210.获取车辆当前行驶时的电池状态实时信息和行驶状态实时信息;
S220.基于第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据;
进一步地,请参见图3,所述基于第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据包括:
S310.基于第一集成学习模型,对所述行驶状态实时信息中的数据进行重要程度排序,得到数据重要程度序列;
S320.根据所述数据重要程度序列,筛选预设数目的行驶状态实时信息;
S330.将筛选的结果作为电池状态实时影响数据。
具体地,第一集成学习模型用于对数据进行筛选,通过第一集成学习模型中的树结构部分,可以对行驶状态实时数据进行评分,得到行驶状态实时数据的评分结果。由于集成学习模型中具有多个树结构,每个行驶状态实时数据的评分结果为多个树的评分结果之和。从大到小对每个行驶状态实时数据进行排序,选择评分在前的预设数目个行驶状态实时信息作为电池状态实时影响数据。例如选择评分在500分以上的前24个行驶状态实时信息。在进行筛选时,可以根据行驶状态实时信息中各个数据的实际意义,设置权重,例如对于速度相关的信息设置权重,使得速度相关的信息得到较高的评分。
通过数据重要性筛选步骤,减少特征数据的输入,降低后续进行续航里程预测的计算复杂程度,同时也可以寻找到对电池电量消耗影响程度更大的特征数据。
S230.基于第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程。
进一步地,请参见图4,所述基于第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程包括:
S410.基于第二集成学习模型,分析所述电池状态实时影响数据对电池状态的影响程度;
S420.根据所述影响程度和所述电池状态实时信息,得到车辆续航里程。
具体地,第二集成学习模型与第一集成学习模型均为极端梯度提升(eXtremeGradientBoosting,XGBoost)模型,集成学习是将多个学习模型组合,以获得更好的效果,使组合后的模型具有更强的泛化能力。另外XGBoost模型是以分类回归树(CART树)进行组合的,因此模型本身具有评分排序的功能。
第二集成学习模型被训练为通过输入的特征信息,进行续航里程的预测。输入的特征信息为第一集成学习模型筛选得到的电池状态实时影响数据和电池状态实时信息,根据电池状态实时影响数据,推断电池状态实时信息中电池的剩余电量能够继续驾驶的里程,即车辆续航里程。所述电池状态实时信息可以为电池的荷电状态(State ofcharge,SOC),电池状态实时影响数据即为SOC消耗的影响因素。
本发明实施例还提出了一种车辆续航里程预测的模型构建方法,请参见图5,所述方法还包括:
S510.获取不同类型的车辆的电池状态历史信息和对应的车辆行程信息;
S520.基于所述电池状态历史信息和所述车辆行程信息,确定单位电量的行驶里程信息;
进一步地,请参见图6,所述基于所述电池状态历史信息和所述车辆行程信息,确定单位电量的行驶里程信息包括:
S610.基于预设的滤波算法,对所述电池状态历史信息进行修正,得到电池状态修正信息;
S620.根据所述车辆行程信息和所述电池状态修正信息,确定单位电量的行驶里程信息。
具体地,在进行集成学习的模型构建时,由于传感器采集的电池状态历史信息的精度到整数,直接通过传感器采集的电池状态历史信息来预测续航里程会有较大的偏差,因此需要通过滤波算法对电池状态历史信息进行纠正,得到电池状态修正信息。所述电池状态历史信息可以为SOC值,电池状态修正信息即SOC的纠正值,采集电动车历史单次出行的数据,采集频率可以每10秒一条,采集特征当前SOC值、总电流、总电压,采用差分计算方法得到10秒内消耗的SOC值和电量。
通过车辆行程信息和电池状态修正信息,确定总里程和总电量消耗,由此确定单位电量的行驶里程信息。
进一步地,请参见图7,所述基于预设的滤波算法,对所述电池状态历史信息进行修正,得到电池状态修正信息包括:
S710.获取不同类型的车辆的电池状态和电量之间的线性关系;
S720.根据所述线性关系,对所述电池状态进行估算,得到电池状态估算信息;
S730.计算所述电池状态估算信息的估算误差;
S740.获取所述电池状态历史信息的测量误差;
S750.根据所述电池状态估算信息、所述电池状态历史信息、所述估算误差和所述测量误差,得到电池状态修正信息。
具体地,所述预设的滤波算法可以是卡尔曼滤波,先根据采集得到的电动车历史单次出行的数据,针对不同的车型建立SOC消耗值和电量值的线性回归模型,得到不同车型的SOC消耗值和电量之间的线性关系。根据所述线性关系建立SOC变化差分方程,即卡尔曼滤波第1个公式:
xk=xk-1+Buk-1+wk-1
其中,xk为k时刻SOC的估算值,xk-1为k-1时刻SOC最优估算值,B为电量与SOC消耗值的系数,Uk-1为k-1时刻电量消耗量,wk-1为过程激励噪声,即估算时的估算误差。
传感器采集的SOC值,是对真实SOC值的测量值,如下式,测量值与测量误差的和为真实值,下式即卡尔曼滤波第2个公式:
zk=xk+vk
其中,vk为观测噪声,即测量时的测量误差。
wk和vk相互独立,是服从正态分布的白色噪声:
p(w)=N(0,Q)
p(v)=N(0,R)
先验估计误差的协方差为:
后验估计误差的协方差为:
Pk=E[ekek T]
时间更新方程及时向前推算当前状态变量和误差协方差估计的值,以便为下一个时间状态构造先验估计,公式如下,即卡尔曼滤波第3个公式:
测量更新方程负责反馈,将先验估计和新的测量变量结合以构造改进的后验估计,公式如下,即卡尔曼滤波第4和第5公式:
测量更新方程首先做的是计算卡尔曼增益Kk。因为Q、R可以认为是不随时间变化的常量,卡尔曼增益Kk会快速收敛并保持为常量。所以为了加快计算速度,可以在离线计算卡尔曼增益Kk的收敛值K。
根据先验估计和后验估计的相互关系,得到后验估计的迭代公式,将卡尔曼滤波的公式融合。卡尔曼滤波的5个公式,最终可以简化为一个迭代公式:
任意选取某一次行程的500个连续采样点,对SOC进行卡尔曼滤波,请参见图8,纠正后的SOC值比原始值平滑。对电池状态信息进行纠正后,可以提高预测的精确度,降低误差。
进一步地,请参见图9,所述根据所述车辆行程信息和所述电池状态修正信息,得到单位电量的行驶里程信息包括:
S910.对所述车辆行程信息和所述电池状态修正信息进行差分计算,得到行驶里程信息和电量消耗信息;
S920.将所述行驶里程信息和所述电量消耗信息的比值作为单位电量的行驶里程信息。
具体地,所述车辆行程信息主要可以从车辆单次行程明细表、车辆行程标签表和出行驾驶工况表中获得。根据差分计算,得到单次出行的总行驶里程和总SOC消耗,所述总SOC消耗即电量消耗信息。将所述总行驶里程和总SOC消耗的比值作为单位电量的行驶里程信息,所述单位电量的行驶里程信息为后续输入第二集成学习模型进行训练的目标变量。
对目标变量进行筛选,去除目标变量为负数的记录,并截取掉SOC消耗值大于1的记录。
对不同车型的数据信息均可以进行分析,不需要针对单一车辆进行建模和训练,训练成本和维护成本低。
S530.获取车辆的行驶状态历史信息;
S540.将所述行驶状态历史信息作为输入信息,构建第一集成学习模型;
S550.基于第一集成学习模型中预设的重要程度排序算法,对所述行驶状态历史信息进行筛选,得到车辆的电池状态历史影响数据;
具体地,对每个车辆识别号按照出行起始时间排序,获取车辆的行驶状态历史信息。针对每次出行计算最近10次出行的踏板习惯,包括踏板深度在0到30,30到50,50以上分别占比。根据单次出行采集的所有经纬度信息,计算得到经纬的最大值、最小值和均值。根据出行日期得到星期变量,根据出行起始时间得到出行时段的变量。针对每次出行计算最近10次每次出行平均速度的最大值,最小值,均值。每公里停止次数的最大值,均值,怠速占比均值。速度V1的占比均值,速度V1可以为大于0且小于等于30的速度值。速度V2占比均值,速度V2可以为大于30且小于等于60的速度值。速度V3占比均值,速度V3可以为大于60且小于等于80的速度值。速度V4占比均值。速度V4可以为大于80的速度值。正加速度均值,减加速度均值。其中速度值的分段可以根据实际情况进行调整。
最终得到表征路况、驾驶习惯、车况和行驶时间的特征变量,可以选择其中的部分特征变量作为输入信息,输入到第一集成学习模型中进行筛选。例如,选择踏板深度均值;踏板深度10到30占比;踏板深度30到50占比;踏板深度50以上占比;最近10次每次出行平均速度的最大值,最小值,均值;每公里停止次数的最大值,均值;怠速占比均值;0<V1≤30的速度占比均值;30<V≤60的速度占比均值;60<V≤80的速度占比均值;80<V的速度占比均值;正加速度均值;减加速度均值;行程开始时段;行程开始日期所属星期;最大经纬度;最小经纬度;平均经纬度;起始SOC;累计行驶里程26个特征变量作为输入第一集成学习模型中的信息。其中,与路况相关的6个特征,与驾驶习惯相关的16个特征,与车况相关2个特征,与行驶时间相关的2个特征。
基于XGBoost构建的第一集成学习模型用于筛选出重要特征,其主要参数设置如下:
(1)learning_rate(学习率):0.4,
(2)max_depth(最大树深):5,
(3)n_estimators(迭代轮数):500,
(4)gamma(用于控制是否后剪枝的参数):1,
(5)reg_lambda(控制模型L2正则化项参数):1,
(6)reg_alpha(控制模型L1正则化项参数):1,
(7)subsample(训练模型的子样本占整个样本集合的比例):0.8,
(8)colsample_bytree(列采样):0.6。
根据第一集成学习模型输出的特征重要性排名,结合特征实际意义,取其重要性大于预设值的前预设数目个特征变量,作为下一轮输入第二集成学习模型的特征变量,所述输入到第二集成学习模型的特征变量即电池状态历史影响数据。例如可以从输入的26个特征变量中选择重要性大于500的24个特征,输入到第二集成学习模型中。
通过集成学习模型的方式对数据进行训练,适用范围广,训练效率高,且依靠现有车联网大数据库,随着数量越来越大以及特征变量越来越丰富,预测模型可以不断调优,准确度会不断升高。
S560.将所述电池状态历史影响数据作为输入信息,构建第二学习模型;
S570.将所述单位电量的行驶里程信息作为目标信息,将所述电池状态历史影响数据作为特征信息,训练第二集成学习模型进行续航里程的预测。
具体地,基于XGBoost构建的第二集成学习模型用于进行续航里程的预测,其主要参数设置如下:
(1)learning_rate(学习率):0.2,
(2)max_depth(最大树深):5,
(3)n_estimators(迭代轮数):1000,
(4)gamma(用于控制是否后剪枝的参数):0.5,
(5)reg_lambda(控制模型L2正则化项参数):0.5,
(6)reg_alpha(控制模型L1正则化项参数):1,
(7)subsample(训练模型的子样本占整个样本集合的比例):0.8,
(8)colsample_bytree(列采样):0.6。
将输入第二集成学习模型的单位电量的行驶里程信息作为目标信息,输入电池状态历史影响数据进行第二集成学习模型的训练,得到电池状态历史影响数据与电池电量的消耗之间的关系,从而基于单位电量的行驶里程信息,得到车辆续航里程。
本发明实施例提出了一种车辆续航里程预测方法,所述方法根据第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据,将电池状态实时影响数据和电池状态实时信息输入到第二集成学习模型进行续航里程预测,得到车辆续航里程。所述方法对不同车型的数据信息均可以进行分析,不需要针对单一车辆进行建模和训练,训练成本和维护成本低。所述方法还在修正电池状态信息和选择特征数据的基础上构建集成学习模型,通过集成学习模型的方式对数据进行训练,适用范围广,训练效率高,且依靠现有车联网大数据库,随着数量越来越大以及特征变量越来越丰富,预测模型可以不断调优,准确度会不断升高。
本发明实施例还提供了一种车辆续航里程预测装置,请参见图10,所述装置包括:状态信息获得模块、行驶状态信息筛选模块和车辆续航里程预测模块;
所述状态信息获得模块用于获取车辆当前行驶时的电池状态实时信息和行驶状态实时信息;
所述行驶状态信息筛选模块用于基于第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据;
所述车辆续航里程预测模块用于基于第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程。
上述实施例中提供的装置可执行本发明任意实施例所提供方法,具备执行该方法相应的功能模块和有益效果。未在上述实施例中详尽描述的技术细节,可参见本发明任意实施例所提供的一种车辆续航里程预测方法。
本实施例还提供了一种计算机可读存储介质,所述存储介质中存储有计算机可执行指令,所述计算机可执行指令由处理器加载并执行本实施例上述的一种车辆续航里程预测方法。
本实施例还提供了一种设备,所述设备包括处理器和存储器,其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行本实施例上述的一种车辆续航里程预测方法。
所述设备可以为计算机终端、移动终端或服务器,所述设备还可以参与构成本发明实施例所提供的装置或系统。如图11所示,计算机终端11(或移动终端11或服务器11)可以包括一个或多个(图中采用1102a、1102b,……,1102n来示出)处理器1102(处理器1102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器1104、以及用于通信功能的传输装置1106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图11所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端11还可包括比图11中所示更多或者更少的组件,或者具有与图11所示不同的配置。
应当注意到的是上述一个或多个处理器1102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端11(或移动终端)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器1104可用于存储应用软件的软件程序以及模块,如本发明实施例中所述的方法对应的程序指令/数据存储装置,处理器1102通过运行存储在存储器1104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的一种基于自注意力网络的时序行为捕捉框生成方法。存储器1104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1104可进一步包括相对于处理器1102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端11。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置1106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端11的通信供应商提供的无线网络。在一个实例中,传输装置1106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置1106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端11(或移动终端)的用户界面进行交互。
本说明书提供了如实施例或流程图所述的方法操作步骤,但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤和顺序仅仅为众多步骤执行顺序中的一种方式,不代表唯一的执行顺序。在实际中的系统或中断产品执行时,可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。
本实施例中所示出的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的设备的限定,具体的设备可以包括比示出的更多或更少的部件,或者组合某些部件,或者具有不同的部件的布置。应当理解到,本实施例中所揭露的方法、装置等,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分仅仅为一种逻辑功能的划分,实际实现时可以有另外的划分方式,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接口,装置或单元模块的间接耦合或通信连接。
基于这样的理解,本发明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全部或部分可以以软件产品的形式体现出来,该计算机软件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)执行本发明各个实施例所述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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员还可以进一步意识到,结合本说明书所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但这种实现不应认为超出本发明的范围。
以上所述,以上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精神和范围。
Claims (9)
1.一种车辆续航里程预测方法,其特征在于,所述方法包括:
获取不同类型的车辆的电池状态历史信息和对应的车辆行程信息;
基于所述电池状态历史信息和所述车辆行程信息,确定单位电量的行驶里程信息;
获取车辆的行驶状态历史信息;
将所述行驶状态历史信息作为输入信息,构建第一集成学习模型;
获取车辆当前行驶时的电池状态实时信息和行驶状态实时信息;
基于所述第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据;
基于所述第一集成学习模型中预设的重要程度排序算法,对所述行驶状态历史信息进行筛选,得到车辆的电池状态历史影响数据;
将所述电池状态历史影响数据作为输入信息,构建第二集成学习模型;
将所述单位电量的行驶里程信息作为目标信息,将所述电池状态历史影响数据作为特征信息,训练第二集成学习模型;
基于所述第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程。
2.根据权利要求 1 所述的一种车辆续航里程预测方法,其特征在于,所述基于第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据包括:
基于第一集成学习模型,对所述行驶状态实时信息中的数据进行重要程度排序,得到数据重要程度序列;
根据所述数据重要程度序列,筛选预设数目的行驶状态实时信息;
将筛选的结果作为电池状态实时影响数据。
3.根据权利要求 1 所述的一种车辆续航里程预测方法,其特征在于,所述基于第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程包括:
基于第二集成学习模型,分析所述电池状态实时影响数据对电池状态的影响程度;
根据所述影响程度和所述电池状态实时信息,得到车辆续航里程。
4.根据权利要求 1 所述的一种车辆续航里程预测方法,其特征在于,所述基于所述电池状态历史信息和所述车辆行程信息,确定单位电量的行驶里程信息包括:
基于预设的滤波算法,对所述电池状态历史信息进行修正,得到电池状态修正信息;
根据所述车辆行程信息和所述电池状态修正信息,确定单位电量的行驶里程信息。
5.根据权利要求 4 所述的一种车辆续航里程预测方法,其特征在于,所述基于预设的滤波算法,对所述电池状态历史信息进行修正,得到电池状态修正信息包括:
获取不同类型的车辆的电池状态和电量之间的线性关系;
根据所述线性关系,对所述电池状态进行估算,得到电池状态估算信息;
计算所述电池状态估算信息的估算误差;
获取所述电池状态历史信息的测量误差;
根据所述电池状态估算信息、所述电池状态历史信息、所述估算误差和所述测量误差,得到电池状态修正信息。
6.根据权利要求 4 所述的一种车辆续航里程预测方法,其特征在于,所述根据所述车辆行程信息和所述电池状态修正信息,得到单位电量的行驶里程信息包括:
对所述车辆行程信息和所述电池状态修正信息进行差分计算,得到行驶里程信息和电量消耗信息;
将所述行驶里程信息和所述电量消耗信息的比值作为单位电量的行驶里程信息。
7.一种车辆续航里程预测装置,用于实施权利要求1-6任一项所述的一种车辆续航里程预测方法,其特征在于,所述装置包括:状态信息获得模块、行驶状态信息筛选模块和车辆续航里程预测模块;
所述状态信息获得模块用于获取车辆当前行驶时的电池状态实时信息和行驶状态实时信息;
所述行驶状态信息筛选模块用于基于第一集成学习模型,对车辆行驶时的行驶状态实时信息进行筛选,得到电池状态实时影响数据,所述电池状态实时影响数据为表征路况、驾驶习惯、车况和行驶时间的特征数据;
所述车辆续航里程预测模块用于基于第二集成学习模型,对所述电池状态实时影响数据和电池状态实时信息进行续航里程预测,得到车辆续航里程。
8.一种车辆续航里程预测设备,其特征在于,包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求 1-6 任一项所述的一种车辆续航里程预测方法。
9.一种存储介质,其特征在于,所述存储介质包括处理器和存储器,所述存储器中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由所述处理器加载并执行以实现如权利要求 1-6 任一项所述的一种车辆续航里程预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098858.1A CN113335131B (zh) | 2020-02-18 | 2020-02-18 | 一种车辆续航里程预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010098858.1A CN113335131B (zh) | 2020-02-18 | 2020-02-18 | 一种车辆续航里程预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113335131A CN113335131A (zh) | 2021-09-03 |
CN113335131B true CN113335131B (zh) | 2022-12-23 |
Family
ID=77467003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010098858.1A Active CN113335131B (zh) | 2020-02-18 | 2020-02-18 | 一种车辆续航里程预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113335131B (zh) |
Families Citing this family (4)
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 |
CN114608604B (zh) * | 2022-05-12 | 2022-09-13 | 山东捷瑞数字科技股份有限公司 | 基于机器学习与gps定位的车辆油耗预测的方法和装置 |
CN115656846A (zh) * | 2022-11-10 | 2023-01-31 | 无锡九合动力科技有限公司 | 一种新能源汽车电控系统及方法 |
CN116109025B (zh) * | 2023-04-04 | 2023-07-07 | 深圳天溯计量检测股份有限公司 | 基于大数据的电池续航测试方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035037A (zh) * | 2014-05-12 | 2014-09-10 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN107844613A (zh) * | 2016-09-18 | 2018-03-27 | 大陆汽车投资(上海)有限公司 | 基于数据分析的电动车续航管理方法 |
CN107219463B (zh) * | 2017-05-12 | 2019-11-12 | 浙江工业大学 | 基于电瓶车状态数据的电池使用寿命预测方法 |
CN108556682B (zh) * | 2018-03-30 | 2020-06-02 | 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 |
CN108819722A (zh) * | 2018-06-01 | 2018-11-16 | 汉腾汽车有限公司 | 一种电动汽车续航里程预估方法 |
CN109849734B (zh) * | 2019-01-23 | 2020-09-08 | 江苏敏安电动汽车有限公司 | 一种基于用户体验的电动汽车剩余续驶里程算法 |
CN109795371A (zh) * | 2019-02-19 | 2019-05-24 | 一汽-大众汽车有限公司 | 基于移动终端路线规划的电动车辆充电提醒方法及装置 |
CN110154832B (zh) * | 2019-05-30 | 2020-09-08 | 北京嘀嘀无限科技发展有限公司 | 充电提醒方法、计算机可读存储介质和电子设备 |
CN110341546B (zh) * | 2019-05-31 | 2021-03-02 | 浙江合众新能源汽车有限公司 | 一种纯电动车续航里程估算方法 |
CN110329266B (zh) * | 2019-07-15 | 2021-12-14 | 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 |
-
2020
- 2020-02-18 CN CN202010098858.1A patent/CN113335131B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113335131A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113335131B (zh) | 一种车辆续航里程预测方法、装置、设备和存储介质 | |
CN110562096B (zh) | 一种剩余里程预测方法及装置 | |
CN111670340B (zh) | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN112703518B (zh) | 剩余里程预测的方法和电池远程服务的系统 | |
CN112319489B (zh) | 驾驶行为监测方法、监测系统、服务器和存储介质 | |
CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
US20210276531A1 (en) | Vehicle power management system and method | |
CN112818036B (zh) | 基于云端大数据的电动车剩余里程预估方法和装置 | |
CN116562405A (zh) | 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统 | |
CN112860782A (zh) | 一种基于大数据分析的纯电动车续驶里程估计方法 | |
CN113219336A (zh) | 电池劣化判断系统、方法及存储有程序的非临时性存储介质 | |
CN115759434A (zh) | 电池电量实时预测方法、系统、计算机设备和存储介质 | |
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 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN115544900B (zh) | 一种基于Shap算法分析电动车续航里程影响因素的方法 | |
Helmus et al. | SEVA: A data driven model of electric vehicle charging behavior | |
CN113119796B (zh) | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 | |
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 | |
CN111077466B (zh) | 一种确定车辆电池健康状态的方法及装置 | |
CN113902209A (zh) | 出行路线推荐方法、边缘服务器、云服务器、设备及介质 | |
CN111785012B (zh) | 一种车云协同计算的能耗路谱分析方法 | |
CN114043875A (zh) | 基于大数据的剩余里程预估偏差分析方法和系统 | |
CN114407662B (zh) | 一种剩余里程预测方法、装置、电动汽车及存储介质 | |
CN112744218A (zh) | 行车辅助方法和装置 |
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 |