CN113989066A - 基于大数据的电堆能耗分析 - Google Patents

基于大数据的电堆能耗分析 Download PDF

Info

Publication number
CN113989066A
CN113989066A CN202111226445.8A CN202111226445A CN113989066A CN 113989066 A CN113989066 A CN 113989066A CN 202111226445 A CN202111226445 A CN 202111226445A CN 113989066 A CN113989066 A CN 113989066A
Authority
CN
China
Prior art keywords
data
feature
model
vehicle
energy consumption
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.)
Pending
Application number
CN202111226445.8A
Other languages
English (en)
Inventor
王震坡
龙超华
刘鹏
阮旭松
杨永刚
杨学森
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.)
Beili Xinyuan Foshan Information Technology Co ltd
Original Assignee
Beili Xinyuan Foshan Information Technology 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 Beili Xinyuan Foshan Information Technology Co ltd filed Critical Beili Xinyuan Foshan Information Technology Co ltd
Priority to CN202111226445.8A priority Critical patent/CN113989066A/zh
Publication of CN113989066A publication Critical patent/CN113989066A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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"
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Fuel Cell (AREA)

Abstract

本发明提供了基于大数据的电堆能耗分析预测系统，其从海量数据中提取出车内状态信息以及车外环境信息感知等与氢能源能耗相关的多种因素，基于一种强化学习的特征选择方法对这些相关因素进一步筛选，从而挖掘出影响氢燃料电堆能耗的重要特征，并结合基于GRU模型的循环神经网络实现对氢燃料电池的能耗动态分析，预测电堆的能耗趋势，为后续进行加氢需求测算、生态轨迹规划和电池能量管理等奠定基础，对推广和普及氢燃料车辆具有重要意义。

Description

基于大数据的电堆能耗分析
技术领域
本发明属于氢燃料电堆能耗分析技术领域，具体涉及一种基于新能源汽车大数据对所述电堆的能耗进行分析预测的系统。
背景技术
对于纯电力驱动的新能源汽车来说，能源消耗是在现阶段电动汽车驾驶员、汽车制造商和决策者所最关心的关键性能指标，在真实驾驶条件下能否准确、实时地预测能耗对于缓解“里程焦虑”至关重要。然而，现有的电堆能耗分析大多在典型工况基础上进行，对内外部影响因素的综合研究甚少，且小数据量的试验性研究存在偶然性误差。绝大部分现有技术仍然集中于锂离子动力电池的能耗分析预测，对于氢燃料则鲜少涉及。而对于氢燃料这种高能效、低污染这种代表新能源领域发展方向的能源，如何有针对性地提供一种适合氢燃料电堆能耗的分析预测方式，是本领域中亟待解决的技术问题。
发明内容
针对上述本领域中存在的技术问题，本发明提供了一种基于大数据的电堆能耗分析预测系统，具体包括以下组成部分：
数据采集与处理模块、特征选择模块、能耗预测模型模块；
其中，所述数据采集与处理模块用于监测氢燃料车辆状态，针对与电堆能耗相关的特征数据进行采集与存储操作，所述数据包括：车辆相关特征数据、环境相关特征数据以及驾驶员相关特征数据；对各相关特征数据执行预处理，剔除无效数据并采用先聚类后插值的方式填充缺失数据；针对预处理后的相关特征数据所对应的连续工况，从中分别提取构建训练集、验证集与测试集；
所述特征选择模块用于根据每个特征与电堆能耗的相关程度，从训练集的全部相关特征中选取若干特征构成的特征集合，以降低所述能耗预测模型模块的模型训练难度和提升能耗预测精度；
所述能耗预测模型模块利用所述特征集合对基于循环神经网络的电堆能耗预测模型进行训练；模型训练好后利用所述验证集对模型参数进行调整优化，并指导所述特征选择模块更新所选取的特征集合；利用所述测试集对所述模型的性能进行测试。
进一步地，所述数据采集与处理模块采集的车辆相关特征数据具体包括：动力模式(DMt)，单体电池的实时电压(Vt)、温度(Tt)、电流(Ct)，车速(vt)，车加速度(at)，制动能量再生系统实时电压(BERS_Vt)、电流(BERS_Ct)、功率(BERS_Pt)，电力负载工作状态(PLt)，氢燃料系统温度(HS_Tt)、氢气压力(HS_Pt)、浓度(HS_Ct)，整车质量(Qt)，氢燃料消耗速率(H_ratet)；所述环境相关特征数据具体包括：环境温度(DMt)，空气阻力(DMt)，坡度阻力(DMt)，交通状况(DMt)，道路状况(DMt)；所述驾驶员相关特征数据具体包括：车辆的运行模式(OMt)，挡位(Gxt)，加氢习惯(HHt)，路线规划(RPt)；
其中，所述动力模式采用离散编码，包括：0-纯氢燃料车辆，1-氢电混合车辆，2-带能量回收功能的车辆；所述车辆的运行模式采用离散编码，包括：0-普通模式，1-经济模式，3-运动模式；所述环境温度(DMt)，空气阻力(DMt)，坡度阻力(DMt)，交通状况(DMt)，道路状况(DMt)等数据采集于百度API并作换算。
进一步地，所述对各相关特征数据执行预处理具体包括：
首先从车辆日数据中剔除无行驶记录或者行驶里程大于800km的车辆数据。将日志数据通过滑动窗口进行数据切分，具体以半个小时为时间窗口，滑动步长为10分钟，最终针对每辆车每天得到143个工况片段；剔除工况片段中任意特征缺失率大于10％的车辆数据，然后针对某车历史数据，通过聚类算法和无缺失特征将其工况片段划分为1000类，缺失值使用类内的齐备工况片段进行插值修复；使用公式：
Figure BDA0003314501230000021
将特征值归一化到[0,1]范围，其中X为原始特征值，Xmax为该特征极大值，Xmin为该特征极小值；将特征动力模式(DMt)、车辆的运行模式(OMt)、路线规划(RPt)的道路类型等类型特征采用独热编码。
进一步地，所述特征选择模块基于强化学习算法选取特征子集，具体包括以下步骤：
1)计算每个相关特征的信息熵
Figure BDA0003314501230000022
其中p(xi)为特征数值等于xi的概率；以及，计算每两个特征之间的Pearson相关系数
Figure BDA0003314501230000023
其中cov(X，Y)为特征向量X,Y之间的协方差，σX、σY分别为X,Y的标准差；
2)随机初始化当前选择特征子集方案数组F＝{fDM，fV，fT，...，fRP}，数组维度等于特征数量，各数组元素采用0-1编码，0表示不选择该特征，1表示选择该特征；
3)设当前状态为St，从未被选择的特征子集中选择信息熵最大的特征元素fin，执行动作at：编码0改为编码为1；从已选择的特征子集中选择与其他特征Pearson相关系数的和最大的特征元素fout，执行动作at：从编码1改为编码0，执行完动作后特征选择状态设为St+1；按照下式计算上述动作带来的收益，并选择能带来最大收益的动作：
Q(St，at)＝(1-ε)Q(St，at)+ε(R(St，at)+γ(maxQ(St+1，at+1)))
其中，ε(0＜ε＜1)是控制强化学习算法收敛的学习率，γ(0≤γ≤1)为折扣系数，R(St，at)为当前选择特征或者去除特征带来的收益，Q(St，at)表示选择并执行动作后的即时收益与之后周期执行最优策略所得到的值，即比较增加特征fin与删除特征fout收益，选择最大累计回报的动作；
4)设置多个智能体Agent，重复上述步骤，直到最大收益Q值表不再更新时停止迭代，得到选择后的特征集合X，且
Figure BDA0003314501230000031
进一步地，所述电堆能耗预测模型具体采用基于GRU模型的循环神经网络，相应的所述即时收益R(St，at)的计算方式如下，首先构造GRU模型，利用每次选择的特征集合训练模型，利用每次选择的特征集合对应的测试集特征向量进行预测，计算预测氢气消耗量与真实氢气消耗量之间的偏差(均方误差MSE)。
Figure BDA0003314501230000032
其中，m为测试集的样本个数，H_rate为半个小时内氢消耗速率的集合，
Figure BDA0003314501230000033
为GRU模型的预测值。
进一步地，利用所选择的特征集合X，所述GRU模型执行以下计算过程：
rt＝σ(Wr·[ht-1，xt])
zt＝σ(Wz·[ht-1，xt])
Figure BDA0003314501230000034
Figure BDA0003314501230000035
Figure BDA0003314501230000036
其中，xt是t时刻的输入数据，取自特征X，rt，zt分别为更新门，重置门的逻辑单元，rt控制网络丢弃或者新增以往时间序列的信息，zt控制网络决定信息更新的程度；ht-1为t-1时刻的网络隐层参数，Wr、Wz、
Figure BDA0003314501230000037
Wo分别为更新门、重置门、状态单元、输出层的权重矩阵，
Figure BDA0003314501230000038
为时刻t的氢燃料消耗预测值，σ为Sigmoid激活函数，tanh为tanh激活函数，分别计算如下：
Figure BDA0003314501230000039
Figure BDA00033145012300000310
对所述GRU模型定义损失函数，以最小化模型损失函数为目标，利用反向传播循环迭代，更新模型参数Wr、Wz、
Figure BDA00033145012300000311
Wo，直到模型收敛；其中，模型的损失函数设计为：
Figure BDA00033145012300000312
模型训练过程中，首先对将特征集合中的数据按历史排序，以多个连续工况时间窗为长度逐步滑动遍历，得到一系列连续工况片段，将片段的最后一个工况数据作为预测值，将片段的前几个工况数据作为特征值。
进一步地，所述能耗预测模型模块具体采用Pytorch深度学习框架进行模型的训练验证、与测试，通过将测试集的数据经过相同的数据预处理手段，得到规范化数据输入；加载已训练模型文件并运行，得到测试数据的预测值，根据损失函数计算公式得到预测值与真实值的MSE，该值越大，说明预测模型的泛化能力越好。
上述本发明所提供的电堆能耗分析预测系统，从海量数据中提取出车内状态信息以及车外环境信息感知等与氢能源能耗相关的多种因素，基于一种强化学习的特征选择方法对这些相关因素进一步筛选，从而挖掘出影响氢燃料电堆能耗的重要特征，并结合基于GRU模型的循环神经网络实现对氢燃料电池的能耗动态分析，预测电堆的能耗趋势，为后续进行加氢需求测算、生态轨迹规划和电池能量管理等奠定基础，对推广和普及氢燃料车辆具有重要意义。
附图说明
图1为本发明所提供的电堆能耗分析预测系统框架与工作流程
具体实施方式
下面将结合附图对本发明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。
本发明所提供的一种基于大数据的电堆能耗分析预测系统，如图1所示，具体包括以下组成部分：
数据采集与处理模块、特征选择模块、能耗预测模型模块；
其中，所述数据采集与处理模块用于监测氢燃料车辆状态，针对与电堆能耗相关的特征数据进行采集与存储操作，所述数据包括：车辆相关特征数据、环境相关特征数据以及驾驶员相关特征数据；对各相关特征数据执行预处理，剔除无效数据并采用先聚类后插值的方式填充缺失数据；针对预处理后的相关特征数据所对应的连续工况，从中分别提取构建训练集、验证集与测试集；
所述特征选择模块用于根据每个特征与电堆能耗的相关程度，从训练集的全部相关特征中选取若干特征构成的特征集合，以降低所述能耗预测模型模块的模型训练难度和提升能耗预测精度；
所述能耗预测模型模块利用所述特征集合对基于循环神经网络的电堆能耗预测模型进行训练；模型训练好后利用所述验证集对模型参数进行调整优化，并指导所述特征选择模块更新所选取的特征集合；利用所述测试集对所述模型的性能进行测试。
在本发明的一个优选实施方式中，所述数据采集与处理模块采集的车辆相关特征数据具体包括：动力模式(DMt)，单体电池的实时电压(Vt)、温度(Tt)、电流(Ct)，车速(vt)，车加速度(at)，制动能量再生系统实时电压(BERS_Vt)、电流(BERS_Ct)、功率(BERS_Pt)，电力负载工作状态(PLt)，氢燃料系统温度(HS_Tt)、氢气压力(HS_Pt)、浓度(HS_Ct)，整车质量(Qt)，氢燃料消耗速率(H_ratet)；所述环境相关特征数据具体包括：环境温度(DMt)，空气阻力(DMt)，坡度阻力(DMt)，交通状况(DMt)，道路状况(DMt)；所述驾驶员相关特征数据具体包括：车辆的运行模式(OMt)，挡位(Gxt)，加氢习惯(HHt)，路线规划(RPt)；
其中，所述动力模式采用离散编码，包括：0-纯氢燃料车辆，1-氢电混合车辆，2-带能量回收功能的车辆；所述车辆的运行模式采用离散编码，包括：0-普通模式，1-经济模式，3-运动模式；所述环境温度(DMt)，空气阻力(DMt)，坡度阻力(DMt)，交通状况(DMt)，道路状况(DMt)等数据采集于百度API并作换算。
在本发明的一个优选实施方式中，所述对各相关特征数据执行预处理具体包括：
首先从车辆日数据中剔除无行驶记录或者行驶里程大于800km的车辆数据。将日志数据通过滑动窗口进行数据切分，具体以半个小时为时间窗口，滑动步长为10分钟，最终针对每辆车每天得到143个工况片段；剔除工况片段中任意特征缺失率大于10％的车辆数据，然后针对某车历史数据，通过聚类算法和无缺失特征将其工况片段划分为1000类，缺失值使用类内的齐备工况片段进行插值修复；使用公式：
Figure BDA0003314501230000051
将特征值归一化到[0,1]范围，其中X为原始特征值，Xmax为该特征极大值，Xmin为该特征极小值；将特征动力模式(DMt)、车辆的运行模式(OMt)、路线规划(RPt)的道路类型等类型特征采用独热编码。
在本发明的一个优选实施方式中，所述特征选择模块基于强化学习算法选取特征子集，具体包括以下步骤：
1)计算每个相关特征的信息熵
Figure BDA0003314501230000052
其中p(xi)为特征数值等于xi的概率；以及，计算每两个特征之间的Pearson相关系数
Figure BDA0003314501230000053
其中cov(X，Y)为特征向量X,Y之间的协方差，σX、σY分别为X,Y的标准差；
2)随机初始化当前选择特征子集方案数组F＝{fDM，fV，fT，...，fRP}，数组维度等于特征数量，各数组元素采用0-1编码，0表示不选择该特征，1表示选择该特征；
3)设当前状态为St，从未被选择的特征子集中选择信息熵最大的特征元素fin，执行动作at：编码0改为编码为1；从已选择的特征子集中选择与其他特征Pearson相关系数的和最大的特征元素fout，执行动作at：从编码1改为编码0，执行完动作后特征选择状态设为St+1；按照下式计算上述动作带来的收益，并选择能带来最大收益的动作：
Q(St，at)＝(1-ε)Q(St，at)+ε(R(St，at)+γ(maxQ(St+1，at+1)))
其中，ε(0＜ε＜1)是控制强化学习算法收敛的学习率，γ(0≤γ≤1)为折扣系数，R(St，at)为当前选择特征或者去除特征带来的收益，Q(St，at)表示选择并执行动作后的即时收益与之后周期执行最优策略所得到的值，即比较增加特征fin与删除特征fout收益，选择最大累计回报的动作；
4)设置多个智能体Agent，重复上述步骤，直到最大收益Q值表不再更新时停止迭代，得到选择后的特征集合X，且
Figure BDA0003314501230000061
在本发明的一个优选实施方式中，所述电堆能耗预测模型具体采用基于GRU模型的循环神经网络，相应的所述即时收益R(St，at)的计算方式如下，首先构造GRU模型，利用每次选择的特征集合训练模型，利用每次选择的特征集合对应的测试集特征向量进行预测，计算预测氢气消耗量与真实氢气消耗量之间的偏差(均方误差MSE)。
Figure BDA0003314501230000062
其中，m为测试集的样本个数，H_rate为半个小时内氢消耗速率的集合，
Figure BDA0003314501230000063
为GRU模型的预测值。
在本发明的一个优选实施方式中，利用所选择的特征集合X，所述GRU模型执行以下计算过程：
rt＝σ(Wr·[ht-1，xt])
zt＝σ(Wz·[ht-1，xt])
Figure BDA0003314501230000064
Figure BDA0003314501230000065
Figure BDA0003314501230000066
其中，xt是t时刻的输入数据，取自特征X，rt，zt分别为更新门，重置门的逻辑单元，rt控制网络丢弃或者新增以往时间序列的信息，zt控制网络决定信息更新的程度；ht-1为t-1时刻的网络隐层参数，Wr、Wz、
Figure BDA0003314501230000067
Wo分别为更新门、重置门、状态单元、输出层的权重矩阵，
Figure BDA0003314501230000068
为时刻t的氢燃料消耗预测值，σ为Sigmoid激活函数，tanh为tanh激活函数，分别计算如下：
Figure BDA0003314501230000069
Figure BDA00033145012300000610
对所述GRU模型定义损失函数，以最小化模型损失函数为目标，利用反向传播循环迭代，更新模型参数Wr、Wz、
Figure BDA00033145012300000611
Wo，直到模型收敛；其中，模型的损失函数设计为：
Figure BDA00033145012300000612
模型训练过程中，首先对将训练集中的数据按历史排序，以8个连续工况时间窗为长度逐步滑动遍历，得到一系列连续工况片段，将片段的前7个工况数据作为特征值，将片段的最后一个工况数据作为预测值。
在本发明的一个优选实施方式中，所述能耗预测模型模块具体采用Pytorch深度学习框架进行模型的训练验证、与测试，通过将测试集的数据经过相同的数据预处理手段，得到规范化数据输入；加载已训练模型文件并运行，得到测试数据的预测值，根据损失函数计算公式得到预测值与真实值的MSE，该值越大，说明预测模型的泛化能力越好。
前述训练数据为7个工况片段，预测值为未来1个工况片段，已设工况片段为30min，车辆终端数据上传频率为5s一帧，数据数量为30×7×60÷5＝2520。t时刻输入序列xt可表示为矩阵形式
Figure BDA0003314501230000071
未来工况预测序列y表示为：
Figure BDA0003314501230000072
对于GRU模型，设置隐藏层的特征维度为20，训练批样本数量为200，优化算法选择Adam，迭代次数设为200。
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.基于大数据的电堆能耗分析预测系统，其特征在于：具体包括以下组成部分：
数据采集与处理模块、特征选择模块、能耗预测模型模块；
其中，所述数据采集与处理模块用于监测氢燃料车辆状态，针对与电堆能耗相关的特征数据进行采集与存储操作，所述数据包括：车辆相关特征数据、环境相关特征数据以及驾驶员相关特征数据；对各相关特征数据执行预处理，剔除无效数据并采用先聚类后插值的方式填充缺失数据；针对预处理后的相关特征数据所对应的连续工况，从中分别提取构建训练集、验证集与测试集；
所述特征选择模块用于根据每个特征与电堆能耗的相关程度，从训练集的全部相关特征中选取若干特征构成的特征集合，以降低所述能耗预测模型模块的模型训练难度和提升能耗预测精度；
所述能耗预测模型模块利用所述特征集合对基于循环神经网络的电堆能耗预测模型进行训练；模型训练好后利用所述验证集对模型参数进行调整优化，并指导所述特征选择模块更新所选取的特征集合；利用所述测试集对所述模型的性能进行测试。
2.如权利要求1所述的系统，其特征在于：所述数据采集与处理模块采集的车辆相关特征数据具体包括：动力模式，单体电池的实时电压、温度、电流，车速，车加速度，制动能量再生系统实时电压、电流、功率，电力负载工作状态，氢燃料系统温度、氢气压力、浓度，整车质量，氢燃料消耗速率；所述环境相关特征数据具体包括：环境温度，空气阻力，坡度阻力，交通状况，道路状况；所述驾驶员相关特征数据具体包括：车辆的运行模式，挡位，加氢习惯，路线规划；
其中，所述动力模式采用离散编码，包括：0-纯氢燃料车辆，1-氢电混合车辆，2-带能量回收功能的车辆；所述车辆的运行模式采用离散编码，包括：0-普通模式，1-经济模式，3-运动模式；所述环境温度，空气阻力，坡度阻力，交通状况，道路状况数据采集于百度API并作换算。
3.如权利要求1所述的系统，其特征在于：所述对各相关特征数据执行预处理具体包括：
首先从车辆日数据中剔除无行驶记录或者行驶里程大于800km的车辆数据，将日志数据通过滑动窗口进行数据切分，具体以半个小时为时间窗口，滑动步长为10分钟，最终针对每辆车每天得到143个工况片段；剔除工况片段中任意特征缺失率大于10％的车辆数据，然后针对某车历史数据，通过聚类算法和无缺失特征将其工况片段划分为1000类，缺失值使用类内的齐备工况片段进行插值修复；使用公式：
Figure FDA0003314501220000021
将特征值归一化到[0，1]范围，其中X为原始特征值，Xmax为该特征极大值，Xmin为该特征极小值；将特征动力模式、车辆的运行模式、路线规划的道路类型特征采用独热编码。
4.如权利要求1所述的系统，其特征在于：所述特征选择模块基于强化学习算法选取特征子集，具体包括以下步骤：
1)计算每个相关特征的信息熵
Figure FDA0003314501220000022
其中p(xi)为特征数值等于xi的概率；以及，计算每两个特征之间的Pearson相关系数
Figure FDA0003314501220000023
其中cov(X，Y)为特征向量X，Y之间的协方差，σX、σY分别为X，Y的标准差；
2)随机初始化当前选择特征子集方案数组F＝{fDM，fV，fT，...，fRP}，数组维度等于特征数量，各数组元素采用0-1编码，0表示不选择该特征，1表示选择该特征；
3)设当前状态为St，从未被选择的特征子集中选择信息熵最大的特征元素fin，执行动作at：编码0改为编码为1；从已选择的特征子集中选择与其他特征Pearson相关系数的和最大的特征元素fout，执行动作at：从编码1改为编码0，执行完动作后特征选择状态设为St+1；按照下式计算上述动作带来的收益，并选择能带来最大收益的动作：
Q(St，at)＝(1-ε)Q(St，at)+ε(R(St，at)+γ(maxQ(St+1，at+1)))
其中，ε(0＜ε＜1)是控制强化学习算法收敛的学习率，γ(0≤γ≤1)为折扣系数，R(St，at)为当前选择特征或者去除特征带来的收益，Q(St，at)表示选择并执行动作后的即时收益与之后周期执行最优策略所得到的值，即比较增加特征fin与删除特征fout收益，选择最大累计回报的动作；
4)设置多个智能体Agent，重复上述步骤，直到最大收益Q值表不再更新时停止迭代，得到选择后的特征集合X，且
Figure FDA0003314501220000024
5.如权利要求4所述的系统，其特征在于：所述电堆能耗预测模型具体采用基于GRU模型的循环神经网络，相应的所述即时收益R(St，at)的计算方式如下，首先构造GRU模型，利用每次选择的特征集合训练模型，利用每次选择的特征集合对应的测试集特征向量进行预测，计算预测氢气消耗量与真实氢气消耗量之间的偏差；
Figure FDA0003314501220000025
其中，m为测试集的样本个数，H_rate为半个小时内氢消耗速率的集合，
Figure FDA0003314501220000026
为GRU模型的预测值。
6.如权利要求5所述的系统，其特征在于：利用所选择的特征集合X，所述GRU模型执行以下计算过程：
rt＝σ(Wr·[ht-1，xt])
zt＝σ(Wz·[ht-1，xt])
Figure FDA0003314501220000031
Figure FDA0003314501220000032
Figure FDA0003314501220000033
其中，xt是t时刻的输入数据，取自特征X，rt，zt分别为更新门，重置门的逻辑单元，rt控制网络丢弃或者新增以往时间序列的信息，zt控制网络决定信息更新的程度；ht-1为t-1时刻的网络隐层参数，
Figure FDA0003314501220000034
为ht的预测值，Wr、Wz、
Figure FDA0003314501220000035
Wo分别为更新门、重置门、状态单元、输出层的权重矩阵，
Figure FDA0003314501220000036
为时刻t的氢燃料消耗预测值，σ为Sigmoid激活函数，tanh为tanh激活函数，分别计算如下：
Figure FDA0003314501220000037
Figure FDA0003314501220000038
对所述GRU模型定义损失函数，以最小化模型损失函数为目标，利用反向传播循环迭代，更新模型参数Wr、Wz、
Figure FDA0003314501220000039
Wo，直到模型收敛；其中，模型的损失函数设计为：
Figure FDA00033145012200000310
模型训练过程中，首先对将特征集合中的数据按历史排序，以多个连续工况时间窗为长度逐步滑动遍历，得到一系列连续工况片段，将片段的最后一个工况数据作为预测值，将片段的前几个工况数据作为特征值。
7.如权利要求1所述的系统，其特征在于：所述能耗预测模型模块具体采用Pytorch深度学习框架进行模型的训练验证、与测试，通过将测试集的数据经过相同的数据预处理手段，得到规范化数据输入；加载已训练模型文件并运行，得到测试数据的预测值，根据损失函数计算公式得到预测值与真实值的均方误差衡量模型的泛化能力。
CN202111226445.8A 2021-10-21 2021-10-21 基于大数据的电堆能耗分析 Pending CN113989066A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111226445.8A CN113989066A (zh) 2021-10-21 2021-10-21 基于大数据的电堆能耗分析

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111226445.8A CN113989066A (zh) 2021-10-21 2021-10-21 基于大数据的电堆能耗分析

Publications (1)

Publication Number Publication Date
CN113989066A true CN113989066A (zh) 2022-01-28

Family

ID=79739907

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111226445.8A Pending CN113989066A (zh) 2021-10-21 2021-10-21 基于大数据的电堆能耗分析

Country Status (1)

Country Link
CN (1) CN113989066A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579643A (zh) * 2022-05-05 2022-06-03 国家邮政局邮政业安全中心 快递业务量预测方法、装置及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114579643A (zh) * 2022-05-05 2022-06-03 国家邮政局邮政业安全中心 快递业务量预测方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN111339712B (zh) 质子交换膜燃料电池剩余寿命预测方法
CN112782591B (zh) 基于多电池数据融合的锂电池soh长期预测方法
CN112116080A (zh) 一种融合了注意力机制的cnn-gru水质预测方法
CN113821875B (zh) 一个基于端云协同的智能车辆故障实时预测方法及系统
CN111860989A (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
CN113627661A (zh) 一种电动汽车充电负荷预测的方法
CN111898825A (zh) 一种光伏发电功率短期预测方法及装置
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
CN115166534A (zh) 一种锂离子电池剩余使用寿命预测方法和系统
CN116665483A (zh) 一种新的预测剩余停车位的方法
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
CN114596726A (zh) 基于可解释时空注意力机制的停车泊位预测方法
CN115410372A (zh) 基于贝叶斯lstm的高速公路交通流量可靠预测方法
CN114545279B (zh) 一种基于神经网络常微分方程的锂电池健康状态估计方法
CN113989066A (zh) 基于大数据的电堆能耗分析
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN113947904A (zh) 基于s-g滤波和深信度网络的多尺度短时交通流预测方法
CN117786321A (zh) 一种质子交换膜燃料电池剩余使用寿命预测方法
CN112014757A (zh) 一种容量增量分析与遗传小波神经网络融合的电池soh估计方法
CN116151472A (zh) 一种基于车联网数据挖掘的电动汽车短期能耗预测方法
CN117150334A (zh) 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置
CN116613745A (zh) 一种基于变分模态分解的pso-elm电动汽车充电负荷预测方法
CN111276229A (zh) 一种基于深度置信网络的门诊量预测方法及系统
CN116106751A (zh) 一种基于Informer的锂离子电池荷电状态估计方法
CN115764855A (zh) 一种电动汽车快充站实时可调节能力及可用电量预测方法

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