CN114506311A

CN114506311A - 一种变时域预测能量管理方法、装置、汽车及存储介质

Info

Publication number: CN114506311A
Application number: CN202210163296.3A
Authority: CN
Inventors: 闫梅; 徐宏扬; 李梦林; 刘浩然; 李国通; 金立生
Original assignee: Yanshan University
Current assignee: Yanshan University
Priority date: 2022-02-22
Filing date: 2022-02-22
Publication date: 2022-05-17
Anticipated expiration: 2042-02-22
Also published as: CN114506311B

Abstract

本申请提供一种变时域预测能量管理方法、装置、汽车及存储介质，该方法包括：获取车辆的行驶数据；根据行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，以及预测当前时刻与下一时刻之间的预测最佳△SOC；根据不同预测时域的若干未来车速，计算各个预测时域下的当前时刻与下一时刻的SOC差值；将预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域；基于最佳预测时域，实现车辆的预测能量管理。该方案采用了变时域的预测能量管理方法，使得能量管理可以根据车辆行驶数据及其他因素自适应的选择预测时域，提高了能量管理的适应性、有效性和精度。

Description

一种变时域预测能量管理方法、装置、汽车及存储介质

技术领域

本发明属于能量管理技术领域，特别涉及一种变时域预测能量管理方法、装置、汽车及存储介质。

背景技术

在传统模型预测框架下的混合动力系统预测能量管理研究中，预测时域的长度直接影响车速的预测精度，其次影响车辆整体的优化效果以及计算成本。在预测阶段，根据离线条件下各种预测时域中的能量消耗，通常选择能量节约最多的预测时域作为最终的预测时域，因此预测时域是固定值，无法根据工作条件的变化进行自适应变化，因此预测精度低，适应性较差。

而且，在预测能量管理中，进行滚动优化的状态量约束通常都是该时域终端的SOC值或者是该时域内局部最优的SOC轨迹，但这两种状态量约束都不能使优化结果很好地接近全局最优解。

发明内容

本说明书实施例的目的是提供一种变时域预测能量管理方法、装置、汽车及存储介质。

为解决上述技术问题，本申请实施例通过以下方式实现的：

第一方面，本申请提供一种变时域预测能量管理方法，该方法包括：

获取车辆的行驶数据；

根据行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，以及预测当前时刻与下一时刻之间的预测最佳△SOC；

根据不同预测时域的若干未来车速，计算各个预测时域下的当前时刻与下一时刻的SOC差值；

将预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域；

基于最佳预测时域，实现车辆的预测能量管理。

在其中一个实施例中，车辆的行驶数据包括：上一时刻车速、当前时刻车速、当前时刻加速度、当前时刻车辆位置和当前时刻道路坡度；

根据行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，包括：

将行驶数据输入预先训练的基于双向长短期记忆网络的车速预测网络，输出每种预测时域下的若干未来车速。

在其中一个实施例中，行驶数据包括：当前时刻的行驶距离、SOC、车速、加速度和需求功率；

根据行驶数据，预测当前时刻与下一时刻之间的预测最佳△SOC，包括：

将行驶数据输入预先训练的基于深度神经网络的最佳△SOC预测网络，输出当前时刻与下一时刻之间的预测最佳△SOC。

在其中一个实施例中，训练基于深度神经网络的最佳△SOC预测网络的数据库通过下述方式建立：

获取车辆不同行驶工况下的每个时刻的行驶数据；

使用动态规划算法确定各个行驶工况下的每个时刻的最佳SOC轨迹；

根据各个行驶工况下的每个时刻的最佳SOC轨迹，确定每个时刻的最佳△SOC；

每个行驶工况下的每个时刻的行驶数据与最佳△SOC的对应关系，构成数据库。

在其中一个实施例中，将预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域，包括：

将预测最佳△SOC与各个预测时域下的SOC差值进行比较，选取各个预测时域下的SOC差值中与预测最佳△SOC最接近的SOC差值；

将与预测最佳△SOC最接近的SOC差值所对应的预测时域，确定为最佳预测时域。

在其中一个实施例中，基于最佳预测时域，实现车辆的预测能量管理，包括：

确定最佳预测时域对应的若干未来车速；

根据若干未来车速，采用动态规划算法，确定最佳预测时域的最优控制序列，其中，最优控制序列包括若干控制量，控制量数量与最佳预测时域对应的未来车速的数量相等；

从最优控制序列中选取一个控制量作用于控制对象。

第二方面，本申请提供一种变时域预测能量管理装置，该装置包括：

获取模块，用于获取车辆的行驶数据；

预测模块，用于根据行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，以及预测当前时刻与下一时刻之间的预测最佳△SOC；

计算模块，用于根据不同预测时域的若干未来车速，计算各个预测时域下的当前时刻与下一时刻的SOC差值；

比较模块，用于将预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域；

处理模块，用于基于最佳预测时域，实现车辆的预测能量管理。

第三方面，本申请提供一种汽车，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的变时域预测能量管理方法。

第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的变时域预测能量管理方法。

由以上本说明书实施例提供的技术方案可见，该方案：采用了使用变时域的能量管理方法，综合考虑到了车辆行驶状态、驾驶信息和工况等影响预测管理的因素，提高了能量管理方法对这些影响因素的适应性，提高了能量管理精度。

附图说明

为了更清楚地说明本说明书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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的变时域预测能量管理方法的流程示意图；

图2为本申请提供的对基于BiLSTM的车速预测网络进行训练并采用训练好的车速预测网络对车速进行实时预测的流程示意图；

图3为本申请提供的基于深度神经网络的最佳△SOC预测网络DNN_SOC的结构示意图；

图4为本申请提供的构建最佳△SOC预测网络数据库的流程示意图；

图5为本申请提供的变时域预测能量管理装置的结构示意图；

图6为本申请提供的汽车的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。

关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。

本申请中的“份”如无特别说明，均按质量份计。

相关技术中，在预测阶段，预测时域是固定的，无法根据工作条件的变化进行自适应变化，因此预测精度低，适应性较差。因此，本申请提出使用变时域的预测能量管理方法，用以改善传统固定时域预测方法的弊端。

另外，在预测能量管理中，进行滚动优化的两种状态量约束都不能使优化结果很好地接近全局最优解。因此本申请提出采用深度神经网络来拟合最佳△SOC逼近。其中，深度神经网络(Deep Neural Networks，DNN)是近年来最受欢迎的预测算法之一，深度神经网络由传统的神经网络演变而来，与传统神经网络结构相同，同时DNN具有强大的数据特征学习能力，可以实现更高的精度预测。相较于传统神经网络，DNN具有多层结构可以使训练速度更快，效果更好。且采用深度神经网络预测最佳△SOC，精度更高。

下面结合附图和实施例对本发明进一步详细说明。

参照图1，其示出了适用于本申请实施例提供的变时域预测能量管理方法的流程示意图。可以理解的，该变时域预测能量管理方法可以应用于纯电驱动汽车、混合动力电动汽车等中。

如图1所示，变时域预测能量管理方法，可以包括：

S110、获取车辆的行驶数据。

具体的，车辆的行驶数据是指车辆行驶时的各种状态数据，例如，可以包括：上一时刻车速、当前时刻车速、当前时刻加速度、当前时刻车辆位置、当前时刻道路坡度、当前时刻SOC(State of Charge，荷电状态)、当前时刻的行驶距离、当前时刻需求功率等。

S120、根据行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，以及预测当前时刻与下一时刻之间的最佳△SOC。

在一个实施例中，根据行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，包括：将行驶数据输入预先训练的基于双向长短期记忆网络(Bi-directional Long Short-Term Memory，BiLSTM)的车速预测网络，输出每种预测时域下的若干未来车速。

其中，设定数量可以根据实际需求进行设定，例如设定数量设置为4，即预测4种预测时域中每种预测时域下的若干未来车速，示例性的，4种预测时域下的未来车速分别为{v_k+1,v_k+2,…,v_k+5}、{v_k+1,v_k+2,…,v_k+10}、{v_k+1,v_k+2,…,v_k+15}和{v_k+1,v_k+2,…,v_k+20}。其中，未来车速也可以称为预测车速。

示例性的，对基于BiLSTM的车速预测网络进行训练并采用训练好的车速预测网络对车速进行实时预测，如图2所示，包括：首先采集车辆的行驶数据，建立车辆的行驶数据库，其次从数据库中提取出进行车速预测所需要的数据信息(即上一时刻车速、当前时刻车速、当前时刻加速度、当前时刻车辆位置和当前时刻道路坡度)，并对其做归一化处理，然后将归一化后的数据分为训练集和数据集，训练集数据用于在车速预测网络中进行训练直至满足预测的精度要求，然后，使用测试集中的数据测试和评估训练的车速预测网络的预测效果。如果测试精度满足预测精度的要求，可以使用经过训练的车速预测网络对车速进行实时预测。如果测试精度不满足精度要求，则返回上一步继续训练车速预测网络，直到测试精度满足要求。

本实施例中，采用基于BiLSTM的车速预测网络对未来时域内的车速预测，保证了预测的精度和预测的泛化能力，提高了预测效果的鲁棒性。

在一个实施例中，根据行驶数据，预测当前时刻与下一时刻之间的预测最佳△SOC，包括：将行驶数据输入预先训练的基于深度神经网络的最佳△SOC预测网络，输出当前时刻与下一时刻之间的预测最佳△SOC。

示例性的，基于深度神经网络的最佳△SOC预测网络DNN_SOC，结构如图3所示，包括输入层、隐藏层和输出层，其中，隐藏层数、隐藏层节点数、激活函数等参数可在网络训练过程中根据训练的结果进行调节，预测网络的表达式如式(1)：

Y(t)＝f_{DNN_Net SOC}(X(t)) (1)

预测网络的输入X_k(t)为当前时刻行驶距离、SOC、车速、加速度和需求功率等车辆行驶状态，如式(2)：

X_k(t)＝s_k,SOC_k,v_k,a_k,P_k t＝k (2)

其中，s_k为当前时刻行驶距离，SOC_k为当前时刻SOC，v_k为当前时刻车速，a_k为当前时刻加速度，P_k为当前时刻需求功率。

预测网络输出Y_k为当前时刻的SOC与下一时刻SOC的差值，即预测最佳△SOC记为

如式(3)：

在一个实施例中，训练及测试最佳△SOC预测网络DNN_SOC的数据库通过下述方式建立：

获取车辆不同行驶工况下的每个时刻的行驶数据；

其中，行驶工况可以包括高速工况、城郊工况、公交工况、爬坡工况、下坡工况等，可以理解的，可以根据车辆行驶数据判断车辆的行驶工况，例如，可以根据车辆的速度确定是高速工况还是城郊工况，可以根据车辆行驶的道路坡度确定是爬坡工况还是下坡工况等。

示例性的，如图4所示，行驶工况以公交线路行驶工况为例，首先提取车辆行驶的每个时刻的状态信息，如式(4)：

然后，使用动态规划算法获得每个时刻的全局最优SOC曲线即最佳SOC轨迹(例如k时刻的最佳SOC轨迹

)，并计算每个时刻的最佳△SOC，如式(5)：

最后，将车辆每个时刻的行驶状态信息与计算的对应时刻的最佳△SOC一一对应，建立最佳△SOC预测网络数据库，如式(6):

(X₁,Y₁),…,(X_k,Y_k),(X_k+1,Y_k+1),…,(X_k+n,Y_k+n) (6)

需要说明的是，本申请不限定上述获取车辆不同行驶工况下的每个时刻的行驶数据和使用动态规划算法确定各个行驶工况下的每个时刻的最佳SOC轨迹的执行顺序，可以先执行其中任意一步，再执行另外一步，也可以同时执行，不予限制。

S130、根据不同预测时域的若干未来车速，计算各个预测时域下的当前时刻与下一时刻的SOC差值。

示例性的，可以在MATLAB环境下根据四种不同预测时域的预测车速，分别计算出各个预测时域下的当前时刻与下一时刻的SOC差值。例如，4种预测时域下的预测车速分别为{v_k+1,v_k+2,…,v_k+5}、{v_k+1,v_k+2,…,v_k+10}、{v_k+1,v_k+2,…,v_k+15}和{v_k+1,v_k+2,…,v_k+20}，则对应的得到4种预测时域下的当前时刻与下一时刻的SOC差值分别记为：{ΔSOC_{k_5},ΔSOC_{k_10},ΔSOC_{k_15},ΔSOC_{k_20}}。

S140、将预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域，包括：

4种预测时域下的SOC差值为：{ΔSOC_{k_5},ΔSOC_{k_10},ΔSOC_{k_15},ΔSOC_{k_20}}，则将{ΔSOC_{k_5},ΔSOC_{k_10},ΔSOC_{k_15},ΔSOC_{k_20}}与预测最佳△SOC(即

)进行对比，取与

最接近的{ΔSOC_{k_hp}}所对应的预测时域hp作为最佳预测时域hp^*。

本实施例中，采用了最佳△SOC作为预测能量管理中的滚动优化的状态量约束，使得优化结果更加接近全局最优解；采用了变时域的预测能量管理策略，使得能量管理可以根据车辆状态、运行工况以及驾驶特点等因素自适应的选择预测时域，提高了能量管理的适应性和有效性，且提高了能量管理精度。

S150、基于最佳预测时域，实现车辆的预测能量管理，包括：

确定最佳预测时域对应的若干未来车速；

从最优控制序列中选取一个控制量作用于控制对象，以使控制对象执行控制量后得到新状态，并将新状态反馈给控制器。

具体的，在步骤S140中确定了最佳预测时域hp^*，可以采用基于双向长短期记忆网络的车速预测网络预测最佳预测时域hp^*的未来车速

也可以从步骤S120预测的不同预测时域下的未来车速中选取最佳预测时域hp^*对应的未来车速，例如，步骤S140确定的最佳预测时域hp^*为未来15个时刻对应的预测时域，该预测时域下对应的未来车速为{v_k+1,v_k+2,…,v_k+15}，则最佳预测时域hp^*对应的未来车速即为{v_k+1,v_k+2,…,v_k+15}，这里对最佳预测时域对应的若干未来车速的确定方式不进行限制。

得到预测车速后，可以根据预测车速得到系统的扰动，然后根据动态规划算法(为全局优化算法)，可以算出一系列最佳控制量，即构成最优控制序列

可以理解的，控制量可以为电机的转速或转矩等。

作用于控制对象的控制量，可以根据实际需求从最优控制序列中选取其中一个控制量，也可以事先指定，例如指定最优控制序列中第一个控制量为作用于控制对象的控制量，即{c_k+1}作用于控制对象。可以理解的，控制对象可以为整车也可以为控制器等，这里对此不作限制。

控制对象执行控制量对应的控制指令后得到新的状态，并将新的状态反馈给控制器。可以理解的，新的状态中车辆的行驶数据可能会发生变化。

将新的状态反馈给控制器，即车辆行驶到下一时刻k＝k+1，重复上述步骤，依次循环进行，直至行程结束。即当前时刻的车速预测、寻优和反馈结束后，进行下一时刻的预测、寻优和反馈，完成整个车辆的在线预测能量管理。

本申请实施例提出的基于最佳△SOC逼近的变时域预测能量管理方法，可以更精确地实现未来车速的预测，进而使能量管理更加高效。

本申请在驾驶信息识别的预测能量管理基础上，提出了变时域预测能量管理思想，该变时域能量管理方法可以自适应的选择合适的预测时域。并且当滚动优化过程的每个时刻的预测能量管理的状态量SOC都能够跟随最佳△SOC的变化时，滚动时域优化的结果将更接近于全局最优解。本申请根据以上思想设计了基于最佳△SOC逼近的变时域预测能量管理方法，设计采用深度神经网络来拟合最佳△SOC逼近，并且使用BiLSTM进行车速预测，用以计算不同时域的△SOC，来选择最佳的预测时域，从而提高预测的精度，改善了预测能量管理的效果。

参照图5，其示出了根据本申请一个实施例描述的变时域预测能量管理装置的结构示意图。

如图5所示，变时域预测能量管理装置500，可以包括：

获取模块510，用于获取车辆的行驶数据；

预测模块520，用于根据行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，以及预测当前时刻与下一时刻之间的预测最佳△SOC；

计算模块530，用于根据不同预测时域的若干未来车速，计算各个预测时域下的当前时刻与下一时刻的SOC差值；

比较模块540，用于将预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域；

处理模块550，用于基于最佳预测时域，实现车辆的预测能量管理。

可选的，预测模块520还用于：

获取车辆不同行驶工况下的每个时刻的行驶数据；

可选的，比较模块540还用于：

可选的，处理模块550还用于：

确定最佳预测时域对应的若干未来车速；

从最优控制序列中选取一个控制量作用于控制对象。

本实施例提供的一种变时域预测能量管理装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。

图6为本发明实施例提供的一种汽车的结构示意图。如图6所示，示出了适于用来实现本申请实施例的汽车300的结构示意图。

如图6所示，汽车300包括中央处理单元(CPU)301，其可以根据存储在只读存储器(ROM)302中的程序或者从存储部分308加载到随机访问存储器(RAM)303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有设备300操作所需的各种程序和数据。CPU301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。

以下部件连接至I/O接口305：包括输入部分306；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至I/O接口306。可拆卸介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。

特别地，根据本公开的实施例，上文参考图1描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述变时域预测能量管理方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从可拆卸介质311被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

作为另一方面，本申请还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请的变时域预测能量管理方法。

存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims

1.一种变时域预测能量管理方法，其特征在于，所述方法包括：

获取车辆的行驶数据；

根据所述行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，以及预测当前时刻与下一时刻之间的预测最佳△SOC；

根据不同预测时域的所述若干未来车速，计算各个预测时域下的当前时刻与下一时刻的SOC差值；

将所述预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域；

基于所述最佳预测时域，实现车辆的预测能量管理。

2.根据权利要求1所述的方法，其特征在于，所述车辆的行驶数据包括：上一时刻车速、当前时刻车速、当前时刻加速度、当前时刻车辆位置和当前时刻道路坡度；

所述根据所述行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，包括：

将所述行驶数据输入预先训练的基于双向长短期记忆网络的车速预测网络，输出每种预测时域下的若干未来车速。

3.根据权利要求1所述的方法，其特征在于，所述行驶数据包括：当前时刻的行驶距离、SOC、车速、加速度和需求功率；

所述根据所述行驶数据，预测当前时刻与下一时刻之间的预测最佳△SOC，包括：

将所述行驶数据输入预先训练的基于深度神经网络的最佳△SOC预测网络，输出所述当前时刻与下一时刻之间的预测最佳△SOC。

4.根据权利要求3所述的方法，其特征在于，所述训练基于深度神经网络的最佳△SOC预测网络的数据库通过下述方式建立：

获取所述车辆不同行驶工况下的每个时刻的行驶数据；

根据所述各个行驶工况下的每个时刻的最佳SOC轨迹，确定每个时刻的最佳△SOC；

所述每个行驶工况下的每个时刻的行驶数据与所述最佳△SOC的对应关系，构成所述数据库。

5.根据权利要求1所述的方法，其特征在于，所述将所述预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域，包括：

将所述预测最佳△SOC与各个预测时域下的SOC差值进行比较，选取各个预测时域下的SOC差值中与所述预测最佳△SOC最接近的SOC差值；

将与所述预测最佳△SOC最接近的SOC差值所对应的预测时域，确定为所述最佳预测时域。

6.根据权利要求1所述的方法，其特征在于，所述基于所述最佳预测时域，实现车辆的预测能量管理，包括：

确定所述最佳预测时域对应的若干未来车速；

根据所述若干未来车速，采用动态规划算法，确定所述最佳预测时域的最优控制序列，其中，所述最优控制序列包括若干控制量，所述控制量数量与所述最佳预测时域对应的未来车速的数量相等；

从所述最优控制序列中选取一个所述控制量作用于控制对象。

7.一种变时域预测能量管理装置，其特征在于，所述装置包括：

获取模块，用于获取车辆的行驶数据；

预测模块，用于根据所述行驶数据，预测设定数量种预测时域中每种预测时域下的若干未来车速，以及预测当前时刻与下一时刻之间的预测最佳△SOC；

计算模块，用于根据不同预测时域的所述若干未来车速，计算各个预测时域下的当前时刻与下一时刻的SOC差值；

比较模块，用于将所述预测最佳△SOC与各个预测时域下的SOC差值进行比较，确定最佳预测时域；

处理模块，用于基于所述最佳预测时域，实现车辆的预测能量管理。

8.一种汽车，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所述的变时域预测能量管理方法。

9.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的变时域预测能量管理方法。