CN113352899A - 一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法 - Google Patents
一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法 Download PDFInfo
- Publication number
- CN113352899A CN113352899A CN202110762247.7A CN202110762247A CN113352899A CN 113352899 A CN113352899 A CN 113352899A CN 202110762247 A CN202110762247 A CN 202110762247A CN 113352899 A CN113352899 A CN 113352899A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- time
- hydrogen
- current
- 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.)
- Granted
Links
- 239000001257 hydrogen Substances 0.000 title claims abstract description 120
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 120
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 117
- 239000000446 fuel Substances 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 claims description 26
- 238000013499 data model Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000007789 gas Substances 0.000 claims description 6
- 150000002431 hydrogen Chemical class 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 102100035932 Cocaine- and amphetamine-regulated transcript protein Human genes 0.000 claims 1
- 101000715592 Homo sapiens Cocaine- and amphetamine-regulated transcript protein Proteins 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 13
- 230000008859 change Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000019901 Anxiety disease Diseases 0.000 description 4
- 230000036506 anxiety Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 238000002156 mixing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Mechanical Engineering (AREA)
- Algebra (AREA)
- Transportation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
Abstract
本发明公开一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法，其核心在于预先设置一个算法模型，该算法模型为XGBoost(eXtremeGradient Boosting，极端梯度提升)算法，该方法首先获取车辆当前的各种相关数据，通过分析判断当前车辆工况，同时获取车辆燃料电池数据、氢系统数据和其他车辆数据，并将当前数据与车辆工况对应的历史数据进行比例组合后输入到算法模型中，预测氢气在当前工况下未来的消耗曲线。该算法的优点在于：不断的利用在先的算法模型的残差来优化调整当前预测续航里程的运算需要用的算法模型，因此，随着数据量的越来越大，迭代次数的越来越多，预测运算需要的算法模型会越来越收敛，预测的精度就会不断的提高。
Description
技术领域
本发明涉及本发明涉及工业大数据数据挖掘领域，具体涉及一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法。
背景技术
随着环境污染和能源危机问题日益突出，新能源的使用与推广逐渐成为重要的研究方向。在新能源中，氢能源因其高效、环保的特点具有广大的应用前景。燃料电池汽车是氢能源重要的应用形式之一。随着燃料电池技术和制氢储氢技术的进步，燃料电池汽车如今达到一定规模的商用阶段。燃料电池是燃料电池汽车的核心，研究燃料电池汽车在不同工况下行驶时燃料电池对氢气的消耗情况，有助于研究燃料电池实际性能的表现。
百公里能耗是车辆最重要的能源指标之一，即在一百公里内燃料电池汽车消耗的氢气的质量。燃料电池汽车出厂前所测百公里能耗指标是当燃料电池处于稳定状态下得到的结果，具有参考价值。但是燃料电池汽车在实际的运行过程中，燃料电池的状态是时刻在变化的，处于非稳定状态，同时氢气质量的消耗与司机的驾驶风格、汽车行驶的路况、汽车的载重情况等息息相。
燃料电池汽车单位里程的氢耗量并不是稳定的，所以驾驶燃料电池汽车的司机难免会产生“里程焦虑”的问题。“里程焦虑”是指汽车储氢罐中剩余的氢气能够驱动汽车行驶里程数不确定而产生的焦虑。相较于传统的燃油车而言，燃料电池汽车的司机产生的“里程焦虑”将会更加严重。目前而言，由于制氢技术、储氢技术等限制下，相同路程下燃料电池汽车消耗的氢气的价格高于传统燃油车消耗的燃油的价格。故而从经济成本角度考虑，燃料电池汽车司机在驾车行驶时，将更注重于能耗更低的驾驶方式和行驶路线。由于氢能源是新兴的事物，所以加氢站的分布远远不如加油站的分布密集，燃料电池汽车加氢远不如燃油车加油便捷。因此燃料电池汽车的司机必须时时关注车辆的氢气消耗状况，以便于能够在储氢罐中的氢气达到最低行驶浓度的之前前往指定的加氢站加氢。
上汽集团公开了一种氢燃料电池车可续航里程的计算方法及装置，专利申请号为：CN201810909041.0，在该现有技术中是根据当前氢气的消耗速率、氢气的利用率和氢气的剩余量再结合当前的车速计算出当前时刻的可续航里程。该方法是一种简单的计算方式，没考虑车辆的运行模式和运行工况，尤其是燃料电池的输出功率状态，因为在相同车速情况下，不同的运行模式和工况对氢气的消耗速率有很大影响。所以上述公开的预测方式不准确，本发明旨在提供一种预测更加准确的计算方法。
因此，现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足，本发明的目的在于提供一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法。本方法在实现燃料电池状态监测的前提下，解决现有氢能燃料电池汽车续航里程预测的问题。本发明的技术方案如下：
一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法，其核心在于预先设置一个算法模型，该算法模型为XGBoost(eXtreme Gradient Boosting，极端梯度提升)算法，属于一种的集成算法模型。该算法的优点在于：不断的利用在先的算法模型的残差来优化调整当前预测续航里程的运算需要用的算法模型，因此，随着数据量的越来越大，迭代次数的越来越多，预测运算需要的算法模型会越来越收敛，预测的精度就会不断的提高。所述在先算法模型的残差是指在先的算法模型预测的续航里程预测值与实际里程值的一个差值。
其具体算法包括以下步骤：
方法步骤一：
S1.1获取一单位时间内的里程数即车速；
S1.2获取当前的载重量；
S1.3根据上两个数据判断当前的工作工况类型；
其中，本发明定义的工况类型分为四种：道路拥堵时物流车负载状态；道路拥堵时物流车空载状态；道路畅通时物流车负载状态；道路畅通时物流车空载状态。
本发明通过单位时间内行驶里程的长短来判断拥挤和畅通的路况情况。本发明经过实验统计选取将百秒内行驶里程数数值0.9作为判断道路是否拥堵的阈值，即百秒内行驶里程数数值大于0.9则是通畅，反之则是拥堵。
S1.4调取具体工况对应的历史标准特征数据模型。
方法步骤二：
S2.1获取当前时刻前一段时间内的燃料电池数据；
S2.2获取当前时刻储气罐数据计算出剩余的氢气量；
S2.3将步骤S2.1和步骤S2.2获取的数据通过训练得到当前时刻的标准特征数据模型；
其中，方法步骤一和步骤二的先后顺序，可以同时进行，也可以分先后进行。所述的当前时刻前一段时间的取值选择可以根据情况自主设定，可以选择5秒钟至3分钟，系统每5秒到10秒钟计算一次。
方法步骤三：
S3.1将工况对应的历史标准数据模型与当前时刻的标准特征数据模型进行一定比例的组合，得到预测时间段内车辆的标准特征数据后，输入工况对应的算法模型，得出当前状态下预测的氢气消耗曲线；
S3.2根据3.1预测的曲线和当前车的工况以及剩余氢气量预测续航里程。
其中步骤S3.1中：
使用燃料电池的历史特征数据训练改进的XGBoost算法模型，即通过特征数据拟合氢气的消耗曲线。预测时，通过车辆当前时间窗口内里程变化数据和载重数据，判断车辆所处工况。对于预测时间段内物流车的特征数据，采用预测时间点之前物流车一段时间内的特征数据和物流车当前工况中的统计特征数据以比例相加得到。
设预测时间段内特征数据为Ipre，当前工况的历史特征数据为Iavg，预测时间点前一段时间的特征数据为Icur，则有：
Ipre＝w1Iavg+w2Icur
其中，w1+w2＝1。
公式中，w1表示Iavg的权重，w2表示Icur的权重。计算得到预测时间段内的特征数据，输入已经训练好的改进的XGBoost算模型法中，得到预测时间段内的氢气消耗曲线。
根据预测的氢气消耗曲线，计算出当前物流车储氢罐中剩余的氢气量在被消耗到最低氢气量要求之前可以供物流车在当前工况不变的条件下行驶的时间。综合物流车在该工况下的历史速度数据和物流车在预测时间点之前的行驶速度数据，使用速度数据和物流车剩余行驶时长计算出剩余里程数。
当车辆工况发生改变后，重新预测剩余里程，实时反馈更为准确的信息。
本发明将使用一个窗口时间内，燃料电池输出功率的平均值、中值和各区间值的时间占率比来描述在这个窗口时间内输出功率的特性。之所以采用时间窗口处理数据，一是在时间窗口内，储氢罐中氢气的质量会发生变化，可以提取氢气质量差值的数据；二是传感器采集的数据有噪点，通过一个窗口时间均值化可以减少噪点信息带来的影响。其中输出功率的平均值表示在窗口时间内输出功率的整体特性，中值表示输出功率在窗口内基本的分布状态，而各区间时间占比率更详细的展示了输出功率的分布状况。
算法的输入参数是经过处理的燃料电池数据、氢系统数据和车辆其他数据，算法的输出是氢气消耗的质量。训练好的算法模型用于预测氢气消耗曲线，即通过向模型中输入特征数据，输出这些特征数据对应的氢气消耗量。
由于预测时间段内燃料电池的特征参数数据无法取得，则识别当前车辆运行的工况，采用该工况下统计的燃料电池历史特征数据和预测时间点之前一段时间内特征数据以一定比例组合的形式作为算法模型的输入数据。
有益效果：本发明对燃料电池中的数据进行分析并提取特征参数，依据车辆单位里程变化和载重情况将车辆运行工况划分为四种。在四种工况状态下分别研究其氢气消耗速率和物流车运行信息之间的联系。通过使用改进的XGBoost算法拟合燃料电池中氢气消耗曲线，对物流车在未来一段时间内氢气的消耗情况进行预测，为司机做出行车策略提供参考依据。且相较于其他的现有算法有明显效果改善。
附图说明
图1为本发明提供的方法逻辑框图；
图2为本发明提供的方法流程图；
图3为车辆行驶过程中燃料电池输出功率累计分布图；
图4为普通算法和改进的XGBoost算法拟合氢气消耗曲线与真实氢气消耗曲线对比图；
图5为计算系统输出结果示意图。
具体实施方式
本发明提供一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。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。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，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所述特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接或可以相互通讯；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
下文的公开提供了许多不同的实施方式或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本发明提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。
如图1所示，本发明提供的基于XGBoost算法的氢燃料电池汽车续航里程预测方法，其核心在于预先设置一个算法模型，该算法模型为XGBoost(eXtreme GradientBoosting，极端梯度提升)算法，属于一种集成算法模型。该预测方法首先获取车辆当前的各种相关数据，通过分析判断当前车辆工况，同时获取车辆燃料电池数据、氢系统数据和其他车辆数据，并将当前数据与车辆工况对应的历史数据进行一定比例组合后输入到算法模型中，预测氢气在当前工况下未来的消耗曲线。
该算法的优点在于：不断的利用在先的算法模型的残差来优化调整当前预测续航里程的运算需要用的算法模型，因此，随着数据量的越来越大，迭代次数的越来越多，预测运算需要的算法模型会越来越收敛，预测的精度就会不断的提高。其中，所述在先算法模型的残差是指在先的算法模型预测的续航里程预测值与实际里程值的一个差值。
如图2所示，本发明提供的方法具体包括以下步骤：
由于，通过对氢能源物流车的历史行驶数据进行数理统计，发现在汽车载重与否和道路畅通与否的情况下，单位时间内物流车消耗的氢气质量不同。将汽车氢气消耗情况相似的数据归为一类，观察统计数据的特点。在同一类数据中，燃料电池的输出功率相似，车辆行驶速度相似；在不同类数据中，燃料电池的输出功率和车辆行驶速度存在明显差异。因此划分汽车不同的工况，得到在不同工况下的汽车的数据，这些数据包括燃料电池数据、氢系统数据和汽车其他数据。
因此，本发明提供的方法应首先执行以下操作，方法步骤一：
S1.1获取一单位时间内的里程数即车速；
S1.2获取当前的载重量；
S1.3根据上两个数据判断当前的工作工况类型；
其中，本发明定义的工况类型分为四种：道路拥堵时物流车负载状态；道路拥堵时物流车空载状态；道路畅通时物流车负载状态；道路畅通时物流车空载状态。
本发明通过单位时间内行驶里程的长短来判断拥挤和畅通的路况情况。本发明经过实验统计选取将百秒内行驶里程数数值0.9作为判断道路是否拥堵的阈值。
S1.4调取具体工况对应的历史标准特征数据模型。
所述历史标准特征数据模型的获取方式如下：
本发明使用六辆氢能源汽车的数据为实施例，车辆类型为氢能源物流车，如表1所示。
表1六辆氢能源汽车的数据
原始数据是物流车在各个时间点上的运行状态信息，其按照时间的维度是连续的。但是对于不同的工况信息并没有区分开来。因此在分析原始数据时，需要将其中不同的工况下的运行数据提取出来，针对某一特定的工况分析其下的运行数据而得出历史标准特征数据模型。
所述数据的提取方法为：
根据氢能物流车不同的运行模式，其能源的分配也不同。为了将能源分配的形式体现在特征参数中，在特征参数选取上，本发明选取了物流车的一个窗口时间内混动模式的时间占比率、蓄电池充电模式的时间占比率和蓄电池SOC的变化量这三种参数，以反应能源的不同分配方式对氢能SOC的影响。燃料电池的输出功率是燃料电池的重要参数，其均值和中值都体现了燃料电池的工作状态。通过分析燃料电池输出功率的在概率分布上的特点，把燃料电池的输出功率分为五个区间，选取各区间在窗口时间中的占比作为一个特征参数。
所述混动时间占比是指物流车在一个窗口时间内，其处于混动模式的时间占窗口总时间的比例。因为，氢能物流车有两种运行模式，一是纯电力运行模式，即只依靠蓄电池提供能源，一是混动运行模式，即依靠蓄电池和燃料电池提供能源。氢能物流车大部分时间内处于混动运行模式。
所述蓄电池充电时间占比率是指物流车在一个窗口时间内，其蓄电池处于充电状态的时间占窗口总时间的比例。
所述蓄电池SOC(state of charge，蓄电池的剩余电量百分比)的变化量是指物流车在一个窗口时间内蓄电池存储电量的变化情况。通过这三种参数的共同作用，可以让模型识别出哪部分的能量是燃料电池提供的，而燃料电池提供的能量来自于储氢罐中的氢气，与氢气的消耗速率息息相关。
所述燃料电池输出功率是燃料电池一个重要的特征参数，是输出电流和输出电压的乘积，衡量了燃料电池的工作状态：
当氢能物流车行驶时动力系统处于不同的档位时，对于燃料电池的输出功率具有不同的需求。低档位时，物流车的行驶速度低，燃料电池的输出功率相对较低；高档位时，物流车的行驶速度高，燃料电池的输出功率相对较高。当氢能物流车是否处于负载状态时，对于燃料电池的输出功率也有不同的需求。空载时，物流车行驶所需的动力相对较小，燃料电池的输出功率相对较低；负载时，物流车所需的动力相对较大，燃料电池的输出功率相对较高。而燃料电池输出功率的大小，反应着燃料电池内部氢气和氧气反应的剧烈程度，对氢气的消耗速率具有非常明显的影响。
为了能够更加具体的反应出燃料电池的输出功率的特性，本文将使用一个窗口时间内，燃料电池输出功率的平均值、中值和各区间值的时间占率比来描述在这个窗口时间内输出功率的特性。之所以采用时间窗口处理数据，一是在时间窗口内，储氢罐中氢气的质量会发生变化，可以提取氢气质量差值的数据；二是传感器采集的数据有噪点，通过一个窗口时间均值化可以减少噪点信息带来的影响。其中输出功率的平均值表示在窗口时间内输出功率的整体特性，中值表示输出功率在窗口内基本的分布状态，而各区间时间占比率更详细的展示了输出功率的分布状况。根据物流车的输出功率值，将能够反应燃料电池处于相同或相似工作状态的值归于一个区间，则将输出功率划分为不同的区间块，每个区间对应着燃料电池的一种工作状态。为此本发明统计物流车LDPGDBAD0KF102859的输出功率，其概率累计分布图如图3所示。横坐标为功率值，纵坐标为功率值出现的次数。
根据概率累计分布图可以发现，功率值在[0，1)范围内出现的次数最多，因为当燃料电池不在工作时，物流车上的传感器仍在工作，一些残留的电流或是传感器的误差会导致记录的功率值在[0，1)区间内，这些过小的值会影响模型的建立，在预处理的过程中需要进行合适的处理。除去过小的值外，输出功率的分布基本在区间[8，9)、[12，13)、[15，16)和[30，31)上，且分布特征明显，其反映出这些区间对应着燃料电池不同的工作状态。因此将燃料电池的输出功率分为[0，5)、[5，10)、[10，14)、[14，23)和[23，37)这五个区间，当在一个窗口时间内，统计这五个区间在窗口时间中所占比例，用以描述燃料电池在一个窗口时间内的工作状况。
综合上述选取参数的过程，最终，本文将选用的参数如表2所示。
表2特征参数选取
根据上述列表所陈列的特征值，通过代码对原始的数据进行处理，得到样本数据，样本数据部分展示如表3所示，其中，第一列序号对应上表中序号所对应的特征参数名称。
表3部分样本数据
由于氢能源物流车上的传感器采集的数据并不是非常稳定准确的数据，数据有时候会有轻微的波动或是异常。但是物流车的运行状态正常，只是传感器测量有噪声。为了减少这些数据对算法的影响，需要进行数据清洗工作。
数据中一般出现的问题及其解决方式有以下几个方式。
数据不完整：包括缺失整条数据和某条数据中某些项缺失，造成这种问题可能是传感器出现故障或是传输过程中缺失等，如该缺失数据不重要，可以舍弃该条记录，如果缺失数据与前后数据有一致性关系，可以通过计算赋予合理的值。前后有一致性的我们按照数据的规律进行填充数据，例如填充平均值或者填充众数。
某些数据项重复：重复的数据项在算法中会导致算法的效率下降，可以分析重复项的数据，删除不需要的数据项。
数据值异常：数据值明显异常，诸如，在计算储氢罐中氢气的质量，氢气的质量会突然骤升，然后陡降，这是明显的数据值异常，严重影响后续操作的进行，可以联系异常值的前后数值，赋予异常值合理的值。例如：一般情况下取前后几个值的平均值。
对数据进行以上清洗操作，为后续数据的处理提供便利，避免因个别数据而使得算法异常。
因为，氢气作为一种气体，其质量不能够直接测量出来，需要通过储氢罐数据进行计算。通过算法拟合氢气消耗的曲线，算法的输入参数是经过处理的燃料电池数据、氢系统数据和车辆其他数据，算法的输出是氢气消耗的质量。训练好的算法模型用于预测氢气消耗曲线，即通过向模型中输入特征数据，输出这些特征数据对应的氢气消耗量。由于预测时间段内燃料电池的特征参数数据无法取得，则识别当前车辆运行的工况，采用该工况下统计的燃料电池历史特征数据和预测时间点之前一段时间内特征数据以一定比例组合的形式作为算法模型的输入数据。算法根据输入数据，预测氢气消耗量，结合储氢罐中剩余氢气和当前工况下的速度数据，预测燃料电池汽车的剩余里程。
因此，本发明提供的方法的操作步骤二如下：
S2.1获取当前时刻前一段时间内的燃料电池数据；
S2.2获取当前时刻储气罐数据计算出剩余的氢气量；
S2.3将步骤S2.1和步骤S2.2获取的数据通过训练得到当前时刻的标准特征数据模型；
其中，方法步骤一和步骤二的先后顺序，可以同时进行，也可以分先后进行。所述的当前时刻前一段时间的取值选择可以根据情况自主设定，可以选择5秒钟至3分钟，系统每5秒到10秒钟计算一次。
操作完步骤二后再执行操作方法步骤三，具体如下：
S3.1将工况对应的历史标准数据模型与当前时刻的标准特征数据模型进行一定比例的组合，得到预测时间段内车辆的标准特征数据后，输入工况对应的算法模型，得出当前状态下预测的氢气消耗曲线；
S3.2根据预测的氢气消耗曲线计算出续航里程。
其中，步骤S3.1中所述的将工况对应的历史标准特征数据模型与当前时刻的标准特征数据模型进行一定比例的组合，其具体方法为：
使用燃料电池的历史特征数据训练改进的XGBoost算法模型，即通过特征数据拟合氢气的消耗曲线。预测时，通过车辆当前时间窗口内里程变化数据和载重数据，判断车辆所处工况。对于预测时间段内物流车的特征数据，采用预测时间点之前物流车一段时间内的特征数据和物流车当前工况中的统计特征数据以比例相加得到。
设预测时间段内特征数据为Ipre，当前工况的历史特征数据为Iavg，预测时间点前一段时间的特征数据为Icur，则有：
Ipre＝w1Iavg+w2Icur
其中，w1+w2＝1。
公式中，w1表示Iavg的权重，w2表示Icur的权重。计算得到预测时间段内的特征数据，输入已经训练好的改进的XGBoost算模型法中，得到预测时间段内的氢气消耗曲线。
所述算法模型为改进的XGBoost算法模型，该算法模型的特点是不断的拟合残差来优化调整当前预测续航里程的运算。
具体的算法模型为：
对于经过数据预处理后的燃料电池数据特征参数、4种工况下的运行数据、剩余氢气，剩余里程所构成的训练集为：
XGBoost算法训练出k棵CART(分类与回归树)构成集合
F＝{f1(x),f2(x)……fk-1(x),fk(x)},这些CART根据训练特征的属性的分割点将每一个输入的样本分配到不同的叶子节点，每个叶子结点对应一个预测值fk。当给定样本xi时，对于该样本的预测结果就是每一棵树的预测值之和。可以将预测模型定义为：
其中，F是所有的CART集合，
对应样本xi的预测结果，fk(xi)表示样本xi输入到第k棵树后得到的叶子节点的预测分数。
模型的目标函数为：
其中，
表示误差函数，每一次迭代保持原来的模型不变，将一个新的函数添加到模型里对结果进行修正。一个函数对应一棵树，新生成的树拟合上次预测的残差，迭代过程可以通过下面的公式表示:
其中T为叶子结点的个数；ω为叶子节点的分数；γ控制叶子结点的个数；λ保证叶子节点的得分不能过大。正则化的目标是选择简单的预测函数，防止模型过拟合。每次迭代将目标函数更新为：
将上面的公式按照泰勒二级展开可得：
式中:gi为损失函数的一阶导数；hi为损失函数的二阶导数
XGBoost是根据一阶导数gi和二阶导数hi，迭代生成基学习器，相加更新学习器。每一次尝试去对已有的叶子加入一个分割。这样就可以在建树的过程中动态的选择是否要添加一个结点，我们用打分函数来选择最佳切分点：
其中，
表示左子树的分数，
表示右子树的分数，
表示不做分割所得的分数，γ表示加入新叶子节点引入的复杂度代价。
如图4所示，横坐标表示时间节点，纵坐标表示车辆在500s内消耗的氢气质量相对于储氢罐满氢状态时的百分点，灰度值深的曲线表示真实的氢气消耗曲线，灰度值浅的曲线表示XGBoost算法拟合的氢气消耗曲线。相较于真实情况而言，XGBoost算法能够很好的拟合峰值，从而拟合效果好于普通算法。
其中，步骤S3.2的具体方法为：根据预测的氢气消耗曲线，计算出当前物流车储氢罐中剩余的氢气量在被消耗到最低氢气量要求之前可以供物流车在当前工况不变的条件下行驶的时间。综合物流车在该工况下的历史速度数据和物流车在预测时间点之前的行驶速度数据，使用速度数据和物流车剩余行驶时长计算出剩余里程数，如图5所示。
当车辆工况发生改变后，重新预测剩余里程，实时反馈更为准确的信息。
为了验证算法的可行性，现以氢能源物流车在储氢罐中氢气消耗了15百分点的情况下，通过物流车的历史数据，分别预测氢能物流车在四种工况下剩余里程，并且与历史数据做对比。对所取的六辆物流车数据分别进行里程预测分析，其中真实里程、预测里程和误差率为六辆车的平均值。对比表如下表4所示，里程单位km。
表4里程预测值与真实值对比表
通过上表中，可以发现，当物流车处于拥挤状态下时，其误差率较大，因为拥堵状态下物流车面临的突发情况更多，物流车的数据状态发生变化的频率大，从而使得误差变大；当物流车处于畅通状态下，车辆面临的路况相对较少，因而误差更小。在本实施例中数据的采样频率为每10秒采样一次，数据实时存储在Cassandra数据库中。
本发明对燃料电池中的数据进行分析并提取特征参数，依据车辆单位里程变化和载重情况将车辆运行工况划分为四种。在四种工况状态下分别研究其氢气消耗速率和物流车运行信息之间的联系。通过使用改进的XGBoost算法拟合燃料电池中氢气消耗曲线，对物流车在未来一段时间内氢气的消耗情况进行预测，为司机做出行车策略提供参考依据。且相较于其他的现有算法有明显效果改善。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法，其特征在于，包括以下步骤：
方法步骤一：
S1.1获取一单位时间内的里程数即车速；
S1.2获取当前车辆的载重量；
S1.3根据上两个数据判断当前的工作工况类型；
S1.4调取具体工况对应的历史标准特征数据模型；
方法步骤二：
S2.1获取当前时刻前一段时间内的燃料电池数据；
S2.2获取当前时刻储气罐数据计算出剩余的氢气量；
S2.3将步骤S2.1和步骤S2.2获取的数据通过训练得到当前时刻的标准特征数据模型；
方法步骤三：
S3.1将工况对应的历史标准数据模型与当前时刻的标准特征数据模型进行一定比例的组合，得到预测时间段内车辆的标准特征数据后，输入工况对应的算法模型，得出当前状态下预测的氢气消耗曲线；
S3.2根据S3.1预测的曲线和当前车的工况以及剩余氢气量预测续航里程。
2.根据权利要求1所述的续航里程预测方法，其特征在于，步骤S1.3中所述的工况类型分为四种：道路拥堵时物流车负载状态；道路拥堵时物流车空载状态；道路畅通时物流车负载状态；道路畅通时物流车空载状态；将百秒内行驶里程数数值0.9作为判断道路是否拥堵的阈值。
3.根据权利要求1所述的续航里程预测方法，其特征在于，步骤S2.1中所述的当前时刻前一段时间的取值选择根据情况自主设定，时长选择5秒钟至3分钟区间内任意值，汽车每5秒到10秒钟计算一次续航里程。
4.根据权利要求1所述的续航里程预测方法，其特征在于，步骤S3.1中所述的对于预测时间段内物流车的标准特征数据的计算方法为：设预测时间段内特征数据为Ipre，当前工况的历史特征数据为Iavg，预测时间点前一段时间的特征数据为Icur，则有：
Ipre＝w1Iavg+w2Icur其中，w1+w2＝1，
公式中，w1表示Iavg的权重，w2表示Icur的权重。
5.根据权利要求1所述的续航里程预测方法，其特征在于，步骤S3.1中所述的算法模型为改进的XGBoost算法模型，该算法模型是不断的利用在先的算法模型的残差来优化调整当前预测续航里程的运算，所述在先算法模型的残差是指在先的算法模型预测的续航里程预测值与实际里程值的一个差值。
6.根据权利要求1所述的续航里程预测方法，其特征在于，所述标准特征数据模型的参数包括：选取车辆在一个窗口时间内混动模式的时间占比率、蓄电池充电模式的时间占比率和蓄电池SOC的变化量以及燃料电池的输出功率，所述燃料电池的输出功率参数具体包括：输出功率平均值、输出功率功率中值、输出功率低于5的时间占比率、输出功率在[5，10)区间的时间占比率、输出功率在[10，14)区间的时间占比率、输出功率在[14，23)区间的时间占比率和输出功率在[23，37)区间的时间占比率，在输入算法模型前要对采集的特征数据进行数据清洗预处理。
7.根据权利要求6所述的续航里程预测方法，其特征在于，所述步骤S2.3中的具体训练方法为：数据预处理后的燃料电池数据特征参数、4种工况下的运行数据、剩余氢气，剩余里程所构成的训练集为：
XGBoost算法训练出k棵分类与回归树构成的集合为：
F＝{f1(x)，f2(x)……fk-1(x)，fk(x)}，
所述的k棵分类与回归树根据训练特征的属性的分割点将每一个输入的样本分配到不同的叶子节点，每个叶子结点对应一个预测值fk，当给定样本xi时，对于该样本的预测结果就是每一棵树的预测值之和，其中预测模型定义为：
其中，F是所有的CART集合，
对应样本xi的预测结果，fk(xi)表示样本xi输入到第k棵树后得到的叶子节点的预测分数。
8.根据权利要求1所述的续航里程预测方法，其特征在于，所述算法的模型的目标函数为：
其中，
表示误差函数，每一次迭代保持原来的模型不变，将一个新的函数添加到模型里对结果进行修正，一个函数对应一棵树，新生成的树拟合上次预测的残差，
表示模型的正则化项，即K棵树的总复杂程度。
9.根据权利要求1所述的续航里程预测方法，其特征在于，所述步骤S3.2的具体方法为：根据预测的氢气消耗曲线，计算出当前物流车储氢罐中剩余的氢气量在被消耗到最低氢气量要求之前可以供车辆在当前工况不变的条件下行驶的时间，综合车辆在该工况下的历史速度数据和物流车在预测时间点之前的行驶速度数据，使用速度数据和物流车剩余行驶时长计算出剩余里程数。
10.根据权利要求1所述的续航里程预测方法，其特征在于，实时监测车辆的工况情况，当车辆工况发生改变后，重新预测剩余里程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110762247.7A CN113352899B (zh) | 2021-07-06 | 2021-07-06 | 一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110762247.7A CN113352899B (zh) | 2021-07-06 | 2021-07-06 | 一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113352899A true CN113352899A (zh) | 2021-09-07 |
| CN113352899B CN113352899B (zh) | 2022-08-30 |
Family
ID=77538359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110762247.7A Active CN113352899B (zh) | 2021-07-06 | 2021-07-06 | 一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113352899B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113895307A (zh) * | 2021-11-24 | 2022-01-07 | 中国第一汽车股份有限公司 | 一种剩余里程的确定方法、装置、电动汽车及介质 |
| CN114136342A (zh) * | 2021-11-30 | 2022-03-04 | 深圳市明睿数据科技有限公司 | 里程篡改判断方法及系统 |
| CN114212004A (zh) * | 2021-12-30 | 2022-03-22 | 重庆长安新能源汽车科技有限公司 | 一种燃料电池汽车可续航里程的估算方法 |
| CN114418143A (zh) * | 2022-01-05 | 2022-04-29 | 中车青岛四方机车车辆股份有限公司 | 车辆分修程检修计划生成方法、系统、存储介质及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180056786A1 (en) * | 2005-11-17 | 2018-03-01 | Invently Automotive Inc. | Vehicle systems for identifying a driver |
| CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
| CN112721661A (zh) * | 2021-01-29 | 2021-04-30 | 重庆长安新能源汽车科技有限公司 | 一种燃料电池电动汽车可续航里程的估算方法、装置及存储介质 |
| CN112721743A (zh) * | 2021-02-04 | 2021-04-30 | 武汉理工大学 | 基于充电-用氢模式的燃料电池汽车剩余里程预测方法 |
-
2021
- 2021-07-06 CN CN202110762247.7A patent/CN113352899B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180056786A1 (en) * | 2005-11-17 | 2018-03-01 | Invently Automotive Inc. | Vehicle systems for identifying a driver |
| CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
| CN112721661A (zh) * | 2021-01-29 | 2021-04-30 | 重庆长安新能源汽车科技有限公司 | 一种燃料电池电动汽车可续航里程的估算方法、装置及存储介质 |
| CN112721743A (zh) * | 2021-02-04 | 2021-04-30 | 武汉理工大学 | 基于充电-用氢模式的燃料电池汽车剩余里程预测方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113895307A (zh) * | 2021-11-24 | 2022-01-07 | 中国第一汽车股份有限公司 | 一种剩余里程的确定方法、装置、电动汽车及介质 |
| CN114136342A (zh) * | 2021-11-30 | 2022-03-04 | 深圳市明睿数据科技有限公司 | 里程篡改判断方法及系统 |
| CN114136342B (zh) * | 2021-11-30 | 2024-03-22 | 深圳市明睿数据科技有限公司 | 里程篡改判断方法及系统 |
| CN114212004A (zh) * | 2021-12-30 | 2022-03-22 | 重庆长安新能源汽车科技有限公司 | 一种燃料电池汽车可续航里程的估算方法 |
| CN114418143A (zh) * | 2022-01-05 | 2022-04-29 | 中车青岛四方机车车辆股份有限公司 | 车辆分修程检修计划生成方法、系统、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113352899B (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113352899B (zh) | 一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法 | |
| CN111452619B (zh) | 电动车辆在线能耗预测方法及系统 | |
| CN110570014B (zh) | 一种基于蒙特卡洛和深度学习的电动汽车充电负荷预测方法 | |
| CN111301426B (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
| Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
| CN107037370B (zh) | 基于监控数据的电动汽车剩余电量计算方法 | |
| CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
| JP2013516614A (ja) | 電池の劣化度を取得するための方法及びそのシステム | |
| EP3943890B1 (en) | A computer-implemented method of predicting energy use for a route | |
| CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
| CN112721743B (zh) | 基于充电-用氢模式的燃料电池汽车剩余里程预测方法 | |
| Wu et al. | SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics | |
| 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 | |
| CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
| CN111191824A (zh) | 一种动力电池容量衰减预测方法及系统 | |
| CN115817183A (zh) | 一种纯电动汽车续驶里程预测方法及预测装置 | |
| CN109919393B (zh) | 一种电动出租汽车的充电负荷预测方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN111806443A (zh) | 一种纯电动重卡无人驾驶能耗优化方法 | |
| CN116306214A (zh) | 提供确定储能器的老化状态的老化状态模型的方法和设备 | |
| CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
| CN114212004A (zh) | 一种燃料电池汽车可续航里程的估算方法 | |
| CN109668571B (zh) | 基于电量预测和智能能量管理的纯电动垃圾车路径规划方法 | |
| Pang et al. | Estimating of energy consumption of electric vehicles under different road characteristics: a case study for Nanjing, China |
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 |