CN114435185A - 新能源汽车电量控制方法及相关设备 - Google Patents
新能源汽车电量控制方法及相关设备 Download PDFInfo
- Publication number
- CN114435185A CN114435185A CN202111627888.8A CN202111627888A CN114435185A CN 114435185 A CN114435185 A CN 114435185A CN 202111627888 A CN202111627888 A CN 202111627888A CN 114435185 A CN114435185 A CN 114435185A
- Authority
- CN
- China
- Prior art keywords
- current
- new energy
- electric quantity
- energy automobile
- power supply
- 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
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]
- B60L58/13—Maintaining the SoC within a determined range
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/045—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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Power Engineering (AREA)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例提供一种新能源汽车电量控制方法,获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;获取当前新能源汽车的供电单元与用电单元信息,并基于供电单元与用电单元信息构建当前汽车的第一电路系统图结构,将第一电路系统图结构作为预训练模型的第二输入数据;将第一输入数据与第二输入数据分别输入预训练模型,通过预训练模型对第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构;基于第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过电量控制策略对所述当前新能源汽车进行电量控制。本发明提高新能源汽车的电量控制准确度。
Description
技术领域
本发明涉及智能控制领域,尤其涉及一种新能源汽车电量控制方法及相关设备。
背景技术
随着新能源的发展要求和能源危机日益加剧,新能源汽车得到不断关注和发展,新能量汽车是以动力电池作为动力源,以电机作为动力机构的一种交通工具,不依赖于石油、天然气等不可再生能源的消耗,因此也不会产生碳排放,对环境较为友好。但是,新能源汽车受电池组的容量以及充电便利性影响,在出行前需要进行充电,在出行过程中还要考虑车内用电,人为考虑车内用电不仅费精力,而且无法准确掌握车内用电量,因此,新能源汽车存在电量控制准确度差的问题,使得新能源汽车的驾驶体验不高。
发明内容
本发明实施例提供一种新能源汽车电量控制方法及相关设备,可以通过目标路线信息以及当前电量信息,结合新能源汽车内供电单元与用电单元之间的联系,对新能源汽车的电量进行控制,由于考虑了供电单元与用电单元之间的联系,使得在目标路线信息确定的情况下,准确的自动控制电量分配,提高了电量控制准确度,降低车主在行驶过程对于电量的关注和焦虑,进而提高新能源汽车的驾驶体验。
第一方面,本发明实施例提供一种新能源汽车电量控制方法,所述方法包括:
获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;
获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;
将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;
基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制
可选的,所述获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据,包括:
将所述目标路线信息以及所述当前电量信息进行无量纲化处理,得到所述目标路线信息以及所述当前电量信息的无量纲数据;
将所述无量纲数据进行编码处理,得到所述目标路线信息以及所述当前电量信息的编码向量作为所述预训练模型的第一输入数据。
可选的,所述目标路线信息包括导航路线和导航路线的实时路况,在所述将所述目标路线信息以及所述当前电量信息进行无量纲化处理,得到所述目标路线信息以及所述当前电量信息的无量纲数据之前,所述方法还包括:
按所述导航路线的实时路况对所述导航路线进行分段,得到目标分段路线,每条所述目标分段路线对应一种实时路况;
根据所述目标分段路线对应的实时路况,为所述目标分段路线进行车速估计,得到所述目标分段路线信息;
根据所述目标分段路线信息按行驶时序进行排列,得到所述目标路线信息。
可选的,所述供电单元与用电单元信息包括供电单元与用电单元之间的第一电连接关系、供电单元的供电功率以及用电单元的用电功率,所述基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,包括:
以供电单元与用电单元作为节点,供电单元与用电单元之间的电连接关系作为各个节点之间的电流边,构建有向图结构;
根据所述供电单元的供电功率以及用电单元的用电功率,为所述有向图结构中各个节点之间的电流边进行电流赋值,得到所述第一电路系统图结构。
可选的,所述预训练包括时序网络、图卷积网络、融合网络以及重构网络,所述时序网络与所述图卷积网络的输出与所述融合网络的输入连接,将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,包括:
将所述第一输入数据输入到所述时序网络中进行第一处理,得到第一处理数据;
将所述第二输入数据输入到所述图卷积神经网络中地第二处理,得到第二处理数据;
将所述第一处理数据与所述第二处理数据输入到所述融合网络,通过所述整合网络将所述第一处理数据与所述第二处理数据进行融合,并将融合后的所述第一处理数据与所述第二处理数据进行第三处理,得到第三处理数据;
将所述第三处理数据输入到重构网络,通过所述重构网络对所述第三处理数据进行数据重构,输出所述第二电路系统图结构。
可选的,所述基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制,包括:
根据所述第二电路系统图结构中供电单元与用电单元的节点和各个节点之间的第二电流边,生成当前新能源汽车的电量控制策略,所述电量控制控制策略包括供电单元与用电单元之间的第二电连接关系、供电单元的规划供电功率以及用电单元的规划用电功率。
可选的,在所述基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制之后,所述方法还包括:
当所述当前新能源汽车的目标路线信息发生变化时,根据发生变化后的目标路线信息以及当前电量信息更新所述当前新能源汽车的电量控制策略。
第二方面,本发明实施例提供一种新能源汽车电量控制装置,所述装置包括:
第一获取模块,用于获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;
第二获取模块,用于获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;
处理模块,用于将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;
生成模块,用于基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制。
第三方面,本发明实施例提供一种电子设备,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本发明实施例提供的新能源汽车电量控制方法中的步骤。
第四方面,本发明实施例提供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实现发明实施例提供的新能源汽车电量控制方法中的步骤。
本发明实施例中,获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制。可以通过目标路线信息以及当前电量信息,结合新能源汽车内供电单元与用电单元之间的联系,对新能源汽车的电量进行控制,由于考虑了供电单元与用电单元之间的联系,使得在目标路线信息确定的情况下,准确的自动控制电量分配,提高了电量控制准确度,降低车主在行驶过程对于电量的关注和焦虑,进而提高新能源汽车的驾驶体验。
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是本发明实施例提供的一种新能源汽车电量控制方法的流程图;
图2是本发明实施例提供的一种预训练模型的结构示意;
图3是本发明实施例提供的一种新能源汽车电量控制装置的结构示意图;
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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作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。
请参见图1,图1是本发明实施例提供的一种新能源汽车电量控制方法的流程图,如图1所示,该新能源汽车电量控制方法包括以下步骤:
101、获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据。
在本发明实施例中,上述新能源汽车电量控制方法可以搭载在服务器上,也可以搭载在新能源汽车的车机系统上。当新能源汽车电量控制方法搭载在服务器上时,可以提供较多数量的新能源汽车接入,每台新能源汽车可以通过用户标识接入到服务器中,以获取服务器中提供的新能源汽车电量控制服务。当新能源汽车电量控制方法搭载在车机系统上时,各台新能源汽车可以通过自身车机来获取新能源汽车电量控制服务。
当前新能源汽车指的是请求新能源汽车电量控制服务的新能源汽车,比如,接入服务器的新能源汽车,或者通过车机系统启动新能源汽车电量控制服务的新能源汽车。
上述目标路线信息可以是车主通过车载导航系统或者外接导航系统(比如手机或平板电脑搭载的导航系统)输入目标地点形成的导航路线信息,导航路线信息可以包括导航路线和该导航路线的路况信息,导航路线可以包括路线方向和路线长度,路况信息可以包括天气、路面、是否拥堵、限速等信息。
上述当前电量信息可以通过对供电单元的监测来进行获取,上述供电单元可以是各种类型的动力电池。
上述预设方法可以是将目标路线信息与当前电量信息进行结合,形成统一的数据形式,比如可以将目标路线信息与当前电量信息进行结构化处理,以得到结构化的数据形式,也可以是将目标路线信息与当前电量信息进行无量纲化处理,得到无量纲的数据形式。通过将目标路线信息与当前电量信息的数据形式进行统一,可以方便后续通过预训练模型的处理。
上述预训练模型指的是已经训练好的模型,上述预训练模型可以部署在服务器上,也可以部署在车机系统上。可以将进行数据形式统一后的目标路线信息与当前电量信息作为第一输入数据输入到预训练模型中。
具体的,在对当前新能源汽车的目标路线信息以及当前电量信息进行数据处理的步骤中,可以将目标路线信息以及当前电量信息进行无量纲化处理,得到目标路线信息以及当前电量信息的无量纲数据;将无量纲数据进行编码处理,得到目标路线信息以及当前电量信息的编码向量作为预训练模型的第一输入数据。
进一步的,可以通过极值化、标准化、均值化以及标准差化等方法对目标路线信息以及当前电量信息进行无量纲化处理,优选的,可以采用均值化方法处理的各类型数据,构成的协方差矩阵既可以反映原始数据中各类型数据变异程度上的差异,也包含各类型数据相互影响程度差异的信息。可以将上述无量纲数据进行编码处理,得到目标路线信息以及当前电量信息的编码向量。优选的,可以将经过均值化方法处理的目标路线信息以及当前电量信息的协方差矩阵进行编码处理,得到目标路线信息以及当前电量信息的编码向量。
通过无量纲化处理和编码处理,可以得到向量类型的第一输入数据,这样可以在简化目标路线信息以及当前电量信息以提高计算速度的同时,保留各类型数据相互影响程度差异的信息,挖掘各类型数据之间的隐含共性,从而保证计算结果的准确性。
具体的,目标路线信息包括导航路线和导航路线的实时路况,可以按导航路线的实时路况对导航路线进行分段,得到目标分段路线,每条目标分段路线对应一种实时路况;根据目标分段路线对应的实时路况,为目标分段路线进行车速估计,得到目标分段路线信息;根据目标分段路线信息按行驶时序进行排列,得到目标路线信息。
上述路况信息可以包括天气、路面、是否拥堵、限速等信息。可以将路况进行组合,得到不同的实时路况,比如雨天,柏油路,下坡路段,拥堵,限速40码作为一种实时路况,晴天,沙地路,平直路段,畅通,限速30码作为一种实时路况,根据不同的实时路况,将导航路线进行分段,得到目标分段路线。
目标分段路线信息包括目标分段路线与目标分段路线对应的车速估计,可以根据目标分段路线对应的实时路况,为目标分段路线进行车速估计,比如雨天,柏油路,下坡路段,拥堵,限速40码作为一种实时路况时,车速必须是低于40码的,而由于拥堵,车速估计可以是在10码以下。
上述行驶时序是由于出发地点到目标地点的一个先后经过顺序来解决的,比如,目标分段路线A位于出发地点的10KM至20KM路段,目标分段路线B位于出发地点的25KM至40KM路段,则车辆正常行驶会先经过目标分段路线A,后经过目标分段路线B。
通过对目标路线信息进行分段,可以得到目标路线的时序信息和空间信息。
在一种可能的实施例中,可以对目标分段路线信息进行进行无量纲化处理,并对各个目标分段路线信息无量纲数据进行编码处理,得到目标分段路线信息的编码向量。以使第一输入数据具有多个维度的时空信息,从而提高计算的准确性。
102、获取当前新能源汽车的供电单元与用电单元信息,并基于供电单元与用电单元信息构建当前汽车的第一电路系统图结构,将第一电路系统图结构作为预训练模型的第二输入数据。
在本发明实施例中,上述供电单元用于为新能源汽车提供电源,供电单元可以是各类型的动力电池。上述用电单元可以是新能源汽车中的消耗电量的单元,比如电机动力系统、车机系统、空调系统、灯光系统等系统单元。
需要说明的是,供电单元与部分用电单元通过线束直接连接,与另一部分用电单元通过线束间接连接。供电单元与用电单元之间的直接连接与间接连接构成整车的电路系统。
在本发明实施例中,供电单元与用电单元信息可以包括供电单元与用电单元之间的第一电连接关系、供电单元的供电功率以及用电单元的用电功率。可以将供电单元与用电单元作为节点,供电单元与用电单元之间的连接以及用电单元与用电单元之间的连接作为第一电流边,并根据供电单元的供电功率以及用电单元的用电功率为电流边赋值,构建得到第一电路系统图结构。
具体的,供电单元的供电功率可以是供电单元的额定输出或者默认输出,用电单元的用电功率可以是用电单元的额定功耗或者默认功耗。以供电单元与用电单元作为节点,供电单元与用电单元之间的电连接关系作为各个节点之间的电流边,构建有向图结构;根据供电单元的供电功率以及用电单元的用电功率,为有向图结构中各个节点之间的电流边进行电流赋值,得到第一电路系统图结构。这样,得到的第一电路系统中包括供电单元与用电单元的节点和各个节点之间的第一电流边。
上述有向图结构指的是节点之间的电流边是有方向的,比如电流是有方向的,电流会从电势高的地方流向电势低的地方,比如电流可以从供电单元流向用电单元,而不会从用电单元流向供电单元。
对电流边进行电流赋值可以是根据供电单元的供电功率以及用电单元的用电功率,计算各个用电单元所需要的电流大小,并以计算出的电流大小对相应的电流边进行赋值。
通过供电单元与用电单元之间的第一电连接关系、供电单元的供电功率以及用电单元的用电功率来构建第一电路系统,可以充分挖掘车辆内部的用电情况对于电量影响因素,从而使得新能源汽车电量控制更为精准。
上述预训练模型指的是已经训练好的模型,上述预训练模型可以部署在服务器上,也可以部署在车机系统上。可以将第一电路系统图结构作为第二输入数据输入到预训练模型中。
103、将第一输入数据与第二输入数据分别输入预训练模型,通过预训练模型对第一输入数据与第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构。
在本发明实施例中,上述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边。具体的,上述预训练模型的输出为电路系统图结构,具体的,将第一输入数据与第二输入数据输入到预训练模型中进行处理,会输出第二电路系统图结构,其中,第二电路系统图结构中的第二电流边与第一电路系统图结构中的第一电流边的区别在于,第一电流边的值为额定或者默认的电流值,第二电流边的值为经过预训练模型进行优化后的电流值。比如,第一电流边A的值为5安培,经过优化后的第二电流边的值为2安培。
需要说明的是,上述预训练模型的输入有两个,分别是第一输入数据与第二输入数据,第一输入数据记载的是车辆外部影响因素,第二输入数据记载的是车辆内部影响因素,通过考虑车辆外部影响因素与车辆内部影响因素,从而可以更精确对新能源汽车进行电量控制。
具体的,请参考图2,图2是本发明实施例提供的一种预训练模型的结构示意,如图2所示,预训练模型包括时序网络、图卷积网络、融合网络以及重构网络,时序网络与图卷积网络的输出与融合网络的输入连接,将第一输入数据输入到时序网络中进行第一处理,得到第一处理数据;将第二输入数据输入到图卷积神经网络中地第二处理,得到第二处理数据;将第一处理数据与第二处理数据输入到融合网络,通过整合网络将所述第一处理数据与第二处理数据进行融合,并将融合后的第一处理数据与所述第二处理数据进行第三处理,得到第三处理数据;将第三处理数据输入到重构网络,通过重构网络对第三处理数据进行数据重构,输出第二电路系统图结构。
其中,上述时序网络可以是基于循环神经网络的时序网络,比如可以是长短时记忆网络LSTM(Long Short Term Memory networks)或者门控循环单元GRU(GatedRecurrent Unit)。上述图卷积网络(GCN,Graph Convolutional Networks)是一种用于处理图结构的卷积神经网络,可以结合节点自身及邻居的特征对节点和连接边进行分析,主要可以应用于节点的分类,链路预测,推荐等任务,图卷积网络也可以是基于GAT(GraphAttention Networks)的图卷积网络。上述融合网络可以是卷积神经网络,用于将第一处理数据第二处理数据进行叠加融合并对融合后的数据进行卷积计算,提取第一处理数据与第二处理数据融合之后的隐含特征,从而得到第三处理数据。上述重构网络可以是反卷积神经网络,通过对第三处理数据进行反卷积计算,将第三处理数据恢复为图结构数据,即是将第三处理数据恢复为第二电路系统图结构来进行输出。
在本发明实施例中,可以构建模型训练所需要的数据集,数据集中包括第一样本数据、第二样本数据以及标注数据,其中,第一样本数据是从样本汽车上采集的样本目标路线信息以及样本电量信息按预设方法进行数据处理后得到的,第二样本数据是从样本汽车上构建的样本电路系统图结构,标注数据为优化后的电路系统图结构。将数据集划分为训练集与测试集,并构建包含时序网络、图卷积网络、融合网络以及重构网络的模型,通过训练集对该模型进行训练,通过测试集对该模型进行测试,当该模型在测试集中收敛时,则得到预训练模型。训练的目标为该模型对一组第一样本数据与第二样本数据的输出接近于标注数据。
104、基于第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过电量控制策略对当前新能源汽车进行电量控制。
在本发明实施例中,上述电量控制策略可以包括供电单元与用电单元之间的电量控制策略,比如,供电单元的规划供电功率以及用电单元的规划用电功率。
具体的,可以根据第二电路系统图结构中供电单元与用电单元的节点和各个节点之间的第二电流边,生成当前新能源汽车的电量控制策略,电量控制控制策略包括供电单元与用电单元之间的第二电连接关系、供电单元的规划供电功率以及用电单元的规划用电功率。
进一步的,第二电路系统图结构中包括供电单元与用电单元的节点和各个节点之间的第二电流边,根据第二电流边的电流值,计算用电单元的规划用电功率。
可选的,在当前新能源汽车的电量控制策略后,根据电量控制策略对当前新能源汽车的进行电量控制的过程中,可以在当前新能源汽车的目标路线信息发生变化时,根据发生变化后的目标路线信息以及当前电量信息更新当前新能源汽车的电量控制策略。
在本发明实施例中,上述目标路线信息可以是车主通过车载导航系统或者外接导航系统(比如手机或平板电脑搭载的导航系统)输入目标地点形成的导航路线信息,导航路线信息可以包括导航路线和该导航路线的路况信息,导航路线可以包括路线方向和路线长度,路况信息可以包括天气、路面、是否拥堵、限速等信息。具体的,可以实时获取目标路线信息,当导航路线或者该导航路线的路况信息发生变化时,则可以确定当前新能源汽车的目标路线信息发生变化,从而根据上述步骤101至步骤104来重新生成电量控制策略。这样,可以在当前新能源汽车的目标路线信息发生变化,及时更新电量控制策略,更准确的自动控制电量分配,进一步提高新能源汽车的电量控制准确度。
本发明实施例中,获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制。可以通过目标路线信息以及当前电量信息,结合新能源汽车内供电单元与用电单元之间的联系,对新能源汽车的电量进行控制,由于考虑了供电单元与用电单元之间的联系,使得在目标路线信息确定的情况下,准确的自动控制电量分配,提高了电量控制准确度,降低车主在行驶过程对于电量的关注和焦虑,进而提高新能源汽车的驾驶体验。
需要说明的是,本发明实施例提供的新能源汽车电量控制方法可以应用于可以进行新能源汽车电量控制的智能手机、电脑、服务器等设备。
可选的,请参见图3,图3是本发明实施例提供的一种新能源汽车电量控制装置的结构示意图,如图3所示,所述装置包括:
第一获取模块301,用于获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;
第二获取模块302,用于获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;
处理模块303,用于将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;
生成模块304,用于基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制。
可选的,第一获取模块301,包括:
第一处理单元,用于将所述目标路线信息以及所述当前电量信息进行无量纲化处理,得到所述目标路线信息以及所述当前电量信息的无量纲数据;
第二处理单元,用于将所述无量纲数据进行编码处理,得到所述目标路线信息以及所述当前电量信息的编码向量作为所述预训练模型的第一输入数据。
可选的,所述装置还包括:
分段模块,用于按所述导航路线的实时路况对所述导航路线进行分段,得到目标分段路线,每条所述目标分段路线对应一种实时路况;
估计模块,用于根据所述目标分段路线对应的实时路况,为所述目标分段路线进行车速估计,得到所述目标分段路线信息;
排列模块,用于根据所述目标分段路线信息按行驶时序进行排列,得到所述目标路线信息。
可选的,第二获取模块302,包括:
构建单元,用于以供电单元与用电单元作为节点,供电单元与用电单元之间的电连接关系作为各个节点之间的电流边,构建有向图结构;
赋值单元,用于根据所述供电单元的供电功率以及用电单元的用电功率,为所述有向图结构中各个节点之间的电流边进行电流赋值,得到所述第一电路系统图结构。
可选的,处理模块303,包括:
第三处理单元,用于将所述第一输入数据输入到所述时序网络中进行第一处理,得到第一处理数据;
第四处理单元,用于将所述第二输入数据输入到所述图卷积神经网络中地第二处理,得到第二处理数据;
第五处理单元,用于将所述第一处理数据与所述第二处理数据输入到所述融合网络,通过所述整合网络将所述第一处理数据与所述第二处理数据进行融合,并将融合后的所述第一处理数据与所述第二处理数据进行第三处理,得到第三处理数据;
重构单元,用于将所述第三处理数据输入到重构网络,通过所述重构网络对所述第三处理数据进行数据重构,输出所述第二电路系统图结构。
可选的,生成模块304,包括:
生成单元,用于根据所述第二电路系统图结构中供电单元与用电单元的节点和各个节点之间的第二电流边,生成当前新能源汽车的电量控制策略,所述电量控制控制策略包括供电单元与用电单元之间的第二电连接关系、供电单元的规划供电功率以及用电单元的规划用电功率。
可选的,在生成模块304之后,所述装置还包括:
更新模块,用于当所述当前新能源汽车的目标路线信息发生变化时,根据发生变化后的目标路线信息以及当前电量信息更新所述当前新能源汽车的电量控制策略。
需要说明的是,本发明实施例提供的新能源汽车电量控制装置可以应用于可以进行新能源汽车电量控制的智能手机、电脑、服务器等设备。
本发明实施例提供的新能源汽车电量控制装置能够实现上述方法实施例中新能源汽车电量控制方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
参见图4,图4是本发明实施例提供的一种电子设备的结构示意图,如图4所示,包括:存储器402、处理器401及存储在所述存储器402上并可在所述处理器401上运行的新能源汽车电量控制方法的计算机程序,其中:
处理器401用于调用存储器402存储的计算机程序,执行如下步骤:
获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;
获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;
将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;
基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制
可选的,处理器401执行的所述获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据,包括:
将所述目标路线信息以及所述当前电量信息进行无量纲化处理,得到所述目标路线信息以及所述当前电量信息的无量纲数据;
将所述无量纲数据进行编码处理,得到所述目标路线信息以及所述当前电量信息的编码向量作为所述预训练模型的第一输入数据。
可选的,处理器401执行的所述目标路线信息包括导航路线和导航路线的实时路况,在所述将所述目标路线信息以及所述当前电量信息进行无量纲化处理,得到所述目标路线信息以及所述当前电量信息的无量纲数据之前,所述方法还包括:
按所述导航路线的实时路况对所述导航路线进行分段,得到目标分段路线,每条所述目标分段路线对应一种实时路况;
根据所述目标分段路线对应的实时路况,为所述目标分段路线进行车速估计,得到所述目标分段路线信息;
根据所述目标分段路线信息按行驶时序进行排列,得到所述目标路线信息。
可选的,所述供电单元与用电单元信息包括供电单元与用电单元之间的第一电连接关系、供电单元的供电功率以及用电单元的用电功率,处理器401执行的所述基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,包括:
以供电单元与用电单元作为节点,供电单元与用电单元之间的电连接关系作为各个节点之间的电流边,构建有向图结构;
根据所述供电单元的供电功率以及用电单元的用电功率,为所述有向图结构中各个节点之间的电流边进行电流赋值,得到所述第一电路系统图结构。
可选的,处理器401执行的所述预训练包括时序网络、图卷积网络、融合网络以及重构网络,所述时序网络与所述图卷积网络的输出与所述融合网络的输入连接,将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,包括:
将所述第一输入数据输入到所述时序网络中进行第一处理,得到第一处理数据;
将所述第二输入数据输入到所述图卷积神经网络中地第二处理,得到第二处理数据;
将所述第一处理数据与所述第二处理数据输入到所述融合网络,通过所述整合网络将所述第一处理数据与所述第二处理数据进行融合,并将融合后的所述第一处理数据与所述第二处理数据进行第三处理,得到第三处理数据;
将所述第三处理数据输入到重构网络,通过所述重构网络对所述第三处理数据进行数据重构,输出所述第二电路系统图结构。
可选的,处理器401执行的所述基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制,包括:
根据所述第二电路系统图结构中供电单元与用电单元的节点和各个节点之间的第二电流边,生成当前新能源汽车的电量控制策略,所述电量控制控制策略包括供电单元与用电单元之间的第二电连接关系、供电单元的规划供电功率以及用电单元的规划用电功率。
可选的,处理器401执行的在所述基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制之后,所述方法还包括:
当所述当前新能源汽车的目标路线信息发生变化时,根据发生变化后的目标路线信息以及当前电量信息更新所述当前新能源汽车的电量控制策略。
本发明实施例提供的电子设备能够实现上述方法实施例中新能源汽车电量控制方法实现的各个过程,且可以达到相同的有益效果。为避免重复,这里不再赘述。
本发明实施例还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,该计算机程序被处理器执行时实现本发明实施例提供的新能源汽车电量控制方法或应用端新能源汽车电量控制方法的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
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,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存取存储器(Random AccessMemory,简称RAM)等。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (10)
1.一种新能源汽车电量控制方法,其特征在于,包括以下步骤:
获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;
获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;
将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;
基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制。
2.如权利要求1所述的方法,其特征在于,所述获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据,包括:
将所述目标路线信息以及所述当前电量信息进行无量纲化处理,得到所述目标路线信息以及所述当前电量信息的无量纲数据;
将所述无量纲数据进行编码处理,得到所述目标路线信息以及所述当前电量信息的编码向量作为所述预训练模型的第一输入数据。
3.如权利要求2所述的方法,其特征在于,所述目标路线信息包括导航路线和导航路线的实时路况,在所述将所述目标路线信息以及所述当前电量信息进行无量纲化处理,得到所述目标路线信息以及所述当前电量信息的无量纲数据之前,所述方法还包括:
按所述导航路线的实时路况对所述导航路线进行分段,得到目标分段路线,每条所述目标分段路线对应一种实时路况;
根据所述目标分段路线对应的实时路况,为所述目标分段路线进行车速估计,得到所述目标分段路线信息;
根据所述目标分段路线信息按行驶时序进行排列,得到所述目标路线信息。
4.如权利要求1所述的方法,其特征在于,所述供电单元与用电单元信息包括供电单元与用电单元之间的第一电连接关系、供电单元的供电功率以及用电单元的用电功率,所述基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,包括:
以供电单元与用电单元作为节点,供电单元与用电单元之间的电连接关系作为各个节点之间的电流边,构建有向图结构;
根据所述供电单元的供电功率以及用电单元的用电功率,为所述有向图结构中各个节点之间的电流边进行电流赋值,得到所述第一电路系统图结构。
5.如权利要求1所述的方法,其特征在于,所述预训练包括时序网络、图卷积网络、融合网络以及重构网络,所述时序网络与所述图卷积网络的输出与所述融合网络的输入连接,将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,包括:
将所述第一输入数据输入到所述时序网络中进行第一处理,得到第一处理数据;
将所述第二输入数据输入到所述图卷积神经网络中地第二处理,得到第二处理数据;
将所述第一处理数据与所述第二处理数据输入到所述融合网络,通过所述整合网络将所述第一处理数据与所述第二处理数据进行融合,并将融合后的所述第一处理数据与所述第二处理数据进行第三处理,得到第三处理数据;
将所述第三处理数据输入到重构网络,通过所述重构网络对所述第三处理数据进行数据重构,输出所述第二电路系统图结构。
6.如权利要求1所述的方法,其特征在于,所述基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制,包括:
根据所述第二电路系统图结构中供电单元与用电单元的节点和各个节点之间的第二电流边,生成当前新能源汽车的电量控制策略,所述电量控制控制策略包括供电单元与用电单元之间的第二电连接关系、供电单元的规划供电功率以及用电单元的规划用电功率。
7.如权利要求1所述的方法,其特征在于,在所述基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制之后,所述方法还包括:
当所述当前新能源汽车的目标路线信息发生变化时,根据发生变化后的目标路线信息以及当前电量信息更新所述当前新能源汽车的电量控制策略。
8.一种新能源汽车电量控制装置,其特征在于,所述装置包括:
第一获取模块,用于获取当前新能源汽车的目标路线信息以及当前电量信息并按预设方法进行数据处理,以得到预训练模型的第一输入数据;
第二获取模块,用于获取所述当前新能源汽车的供电单元与用电单元信息,并基于所述供电单元与用电单元信息构建所述当前汽车的第一电路系统图结构,将所述第一电路系统图结构作为预训练模型的第二输入数据,所述第一电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第一电流边;
处理模块,用于将所述第一输入数据与所述第二输入数据分别输入预训练模型,通过所述预训练模型对所述第一输入数据与所述第二输入数据进行处理,得到当前新能源汽车的第二电路系统图结构,所述第二电路系统图结构包括供电单元与用电单元的节点和各个节点之间的第二电流边;
生成模块,用于基于所述第二电路系统图结构,生成当前新能源汽车的电量控制策略,并通过所述电量控制策略对所述当前新能源汽车进行电量控制。
9.一种电子设备,其特征在于,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如权利要求1至7中任一项所述的新能源汽车电量控制方法中的步骤。
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实现如权利要求1至7中任一项所述的新能源汽车电量控制方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627888.8A CN114435185B (zh) | 2021-12-28 | 2021-12-28 | 新能源汽车电量控制方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111627888.8A CN114435185B (zh) | 2021-12-28 | 2021-12-28 | 新能源汽车电量控制方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114435185A true CN114435185A (zh) | 2022-05-06 |
CN114435185B CN114435185B (zh) | 2023-08-01 |
Family
ID=81366759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111627888.8A Active CN114435185B (zh) | 2021-12-28 | 2021-12-28 | 新能源汽车电量控制方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114435185B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007225931A (ja) * | 2006-02-23 | 2007-09-06 | Advanced Telecommunication Research Institute International | 音声認識システム及びコンピュータプログラム |
US20130079962A1 (en) * | 2011-09-22 | 2013-03-28 | Denso Corporation | Charge control system for electric motor vehicle |
CN110103947A (zh) * | 2019-04-18 | 2019-08-09 | 浙江吉利控股集团有限公司 | 一种新能源汽车导航节油方法、系统及汽车 |
CN111923897A (zh) * | 2020-09-29 | 2020-11-13 | 北京航空航天大学 | 一种插电式混合动力汽车能量智能管理方法 |
CN112668523A (zh) * | 2020-12-31 | 2021-04-16 | 深圳云天励飞技术股份有限公司 | 车辆行驶异常检测方法、装置、电子设备及存储介质 |
CN113159435A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及系统 |
CN113836406A (zh) * | 2021-09-10 | 2021-12-24 | 北京小米移动软件有限公司 | 信息流推荐方法及装置 |
-
2021
- 2021-12-28 CN CN202111627888.8A patent/CN114435185B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007225931A (ja) * | 2006-02-23 | 2007-09-06 | Advanced Telecommunication Research Institute International | 音声認識システム及びコンピュータプログラム |
US20130079962A1 (en) * | 2011-09-22 | 2013-03-28 | Denso Corporation | Charge control system for electric motor vehicle |
CN110103947A (zh) * | 2019-04-18 | 2019-08-09 | 浙江吉利控股集团有限公司 | 一种新能源汽车导航节油方法、系统及汽车 |
CN111923897A (zh) * | 2020-09-29 | 2020-11-13 | 北京航空航天大学 | 一种插电式混合动力汽车能量智能管理方法 |
CN112668523A (zh) * | 2020-12-31 | 2021-04-16 | 深圳云天励飞技术股份有限公司 | 车辆行驶异常检测方法、装置、电子设备及存储介质 |
CN113159435A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及系统 |
CN113836406A (zh) * | 2021-09-10 | 2021-12-24 | 北京小米移动软件有限公司 | 信息流推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114435185B (zh) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Data driven battery modeling and management method with aging phenomenon considered | |
US11087422B2 (en) | Method and device for determining a configuration for deployment of a public transportation system | |
CN107490386A (zh) | 一种电动汽车最优路径和驾驶方式的规划方法及系统 | |
Ku et al. | State of energy prediction in renewable energy-driven mobile edge computing using CNN-LSTM networks | |
Shi et al. | Electric vehicle battery remaining charging time estimation considering charging accuracy and charging profile prediction | |
CN112018794B (zh) | 管理装置、管理方法及存储介质 | |
CN113627693A (zh) | 一种电动汽车实时能量管理方法、装置、汽车和存储介质 | |
CN112818036A (zh) | 基于云端大数据的电动车剩余里程预估方法和装置 | |
CN110015162A (zh) | 电池健康状态检测方法、装置和系统以及存储介质 | |
CN112116125A (zh) | 一种基于深度强化学习的电动汽车充电导航方法 | |
CN113255135A (zh) | 一种基于交通均衡的电动汽车快速充电负荷模拟方法 | |
Lin et al. | AER adaptive control strategy via energy prediction for PHEV | |
CN114435185A (zh) | 新能源汽车电量控制方法及相关设备 | |
CN117104008A (zh) | 蓄电池亏电预警方法、装置、设备及存储介质 | |
CN116934365A (zh) | 基于半动态交通流的充电站运营商参与能量市场竞价方法 | |
Li et al. | Eco-routing for plug-in hybrid electric vehicles | |
CN111242403A (zh) | 一种充电站充电负荷预测方法、装置设备及存储介质 | |
CN115511203A (zh) | 基于锂电池荷电状态估计电动船舶航程优化方法及系统 | |
CN115688957A (zh) | 一种车辆能耗确定方法、装置、电子设备及存储介质 | |
Piras et al. | Incorporating speed forecasting and SOC planning into predictive ECMS for heavy-duty fuel cell vehicles | |
Njoku et al. | Analysis of Deep Neural Networks-Based Digital Twin for Lithium-ion Batteries | |
Sajjadi Mohammadabadi | Advancing Communication Efficiency in Electric Vehicle Systems: A Survey of Generative AI and Distributed Machine Learning Strategies | |
Hu et al. | A real-time multi-objective optimization method in energy efficiency for plug-in hybrid electric vehicles considering dynamic electrochemical characteristics of battery and driving conditions | |
Xu et al. | A deployment model of charging pile based on random forest for shared electric vehicle in smart cities | |
Kapile et al. | Energy Consumption and Prediction, Self-power Generation and Driving Range of Electric Vehicles: A Literature Survey |
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 |