CN114817376A - 基于物联网的电动汽车行驶数据智能分析系统 - Google Patents
基于物联网的电动汽车行驶数据智能分析系统 Download PDFInfo
- Publication number
- CN114817376A CN114817376A CN202210744726.0A CN202210744726A CN114817376A CN 114817376 A CN114817376 A CN 114817376A CN 202210744726 A CN202210744726 A CN 202210744726A CN 114817376 A CN114817376 A CN 114817376A
- Authority
- CN
- China
- Prior art keywords
- mileage
- data
- distance
- value
- real
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 58
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 239000013589 supplement Substances 0.000 claims description 21
- 239000000047 product Substances 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 15
- 238000006116 polymerization reaction Methods 0.000 claims description 14
- 238000012217 deletion Methods 0.000 claims description 10
- 230000037430 deletion Effects 0.000 claims description 10
- 238000007726 management method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000013479 data entry Methods 0.000 claims description 4
- 102100036790 Tubulin beta-3 chain Human genes 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 3
- 101000878595 Arabidopsis thaliana Squalene synthase 1 Proteins 0.000 claims description 2
- 101000713575 Homo sapiens Tubulin beta-3 chain Proteins 0.000 claims description 2
- 238000004891 communication Methods 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 claims description 2
- 230000000153 supplemental effect Effects 0.000 claims description 2
- 238000012384 transportation and delivery Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 2
- 101000713585 Homo sapiens Tubulin beta-4A chain Proteins 0.000 description 1
- 102100036788 Tubulin beta-4A chain Human genes 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24553—Query execution of query operations
- G06F16/24554—Unary operations; Data partitioning operations
- G06F16/24556—Aggregation; Duplicate elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了基于物联网的电动汽车行驶数据智能分析系统，通过获取到过往驾驶数据之后，利用积数分析单元对所有的过往驾驶数据进行期望差分析，将过往驾驶数据标记为受分数据，对受分数据进行单项期望差分析，根据单项期望差分析，得到受分数据的单里耗偏值；之后按照相同原理得到所有的过往驾驶数据的单里耗偏值，组成单里偏数据组，对单里偏数据组进行数据聚一化处理，确定核定偏差值；之后根据核定偏差值确定针对电动汽车的预测值与实际行驶值之间的差距，再根据用户距离目的地之间的关系，确定充电方式，提供一种基于物联网的电动汽车行驶数据智能分析系统，并针对性给出建议。
Description
技术领域
本发明属于行驶数据智能分析领域，具体是基于物联网的电动汽车行驶数据智能分析系统。
背景技术
公开号为CN109919365A的专利公开了一种基于双策略搜索的电动车辆路径规划方法及系统，基于K近邻算法对目标配送区域内的所有静态客户进行排序，获得至少一个初始配送序列；对于任意一个初始配送序列，利用预设调度生成算法根据初始配送序列生成初始调度序列；利用双策略搜索算法依次对初始配送序列和初始调度序列进行优化调整，获得候选调度序列；基于路径最短原则从所有候选调度序列中选择总路径最短的候选调度序列作为目标调度序列，根据目标调度序列获得针对静态客户的电动车辆路径规划方案。该方法及系统在确保电动车辆路径规划结果准确性和优质性的同时，还能够有效降低电动车辆路径规划所需的计算资源，有利于优化配送过程中的经济和环境指标。
但是，针对电动汽车来说，通常会根据汽车电量给予一个预估的行驶里程，但是该数据往往不够准确，在车况没有出现问题的基础下，其具体数值受用户的驾驶习惯影响，不同的驾驶习惯会形成不同的可行驶里程；当前，缺乏一种能够根据用户习惯精准预估行驶里程的方案，同时根据预估的内容，自动安排充电，尤其是针对一些需要进行开车出差的用户来说，较短的距离能够满足需求，但是针对一些稍微较长的距离行驶，会涉及到一个中间需要充电的问题，在换电池还不是非常普及的情况下，如何在合理的时间内规划充电，能够为用户节约到达时间，这也是一个问题，基于此，提供一种解决方案。
发明内容
本发明的目的在于提供基于物联网的电动汽车行驶数据智能分析系统。
本发明的目的可以通过以下技术方案实现：
基于物联网的电动汽车行驶数据智能分析系统，包括用户数据库、积数同步单元、积数分析单元、主控单元和管理单元；
用户数据库内同步存储有过往驾驶数据；过往驾驶数据包括出发电量、预测里程、实际里程、实剩电量；
积数同步单元用于同步用户数据库内的所有的过往驾驶数据，并将过往驾驶数据传输到积数分析单元，积数分析单元用于对所有的过往驾驶数据进行期望差分析，期望差分析具体方式为：
步骤一：获取到所有的过往驾驶数据之后，任选一过往驾驶数据；
步骤二：首先将过往驾驶数据标记为受分数据，对受分数据进行单项期望差分析，根据单项期望差分析，得到受分数据的单里耗偏值；之后按照相同原理得到所有的过往驾驶数据的单里耗偏值，组成单里偏数据组，将其标记为Di,i=1、...、n；
步骤三：对单里偏数据组进行数据聚一化处理，根据单里偏数据组Di及其均值，自动计算出聚合度J，根据聚合度和X2之间的关系，若超过X2则进行数据删除，同步得到删除占比，根据删除占比产生分差信号或合项信号，在产生合项信号时，自动确定核定偏差值；在产生分差信号时，根据Di中数值与Di的均值P之间的关系，确定上位数和下位数；根据上位数和下位数确定核定偏差值；
积数分析单元用于将核定偏差值传输到主控单元。
本发明的有益效果：
本发明通过获取到过往驾驶数据之后，利用积数分析单元对所有的过往驾驶数据进行期望差分析，将过往驾驶数据标记为受分数据，对受分数据进行单项期望差分析，根据单项期望差分析，得到受分数据的单里耗偏值；之后按照相同原理得到所有的过往驾驶数据的单里耗偏值，组成单里偏数据组，对单里偏数据组进行数据聚一化处理，确定核定偏差值；
之后根据核定偏差值确定针对电动汽车的预测值与实际行驶值之间的差距，再根据用户距离目的地之间的关系，确定充电方式，提供一种合理的电动汽车行驶数据分析的系统，并针对性给出建议。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的系统框图。
具体实施方式
如图1所示，基于物联网的电动汽车行驶数据智能分析系统，
作为本发明的实施例一，其具体包括
用户数据库、积数同步单元、积数分析单元、主控单元和管理单元；
用户数据库内同步存储有未使用本系统之前的靠近阶段内每一个单次行程的驾驶数据，同样也会同步收集并存储在使用系统之后单次行程的驾驶数据，统一将其标记为过往驾驶数据，过往驾驶数据包括出发电量、预测里程、实际里程、实剩电量；靠近阶段指代为在进行最新一次驾驶过程之前的三个月内这一阶段；
此处单次行程指代为用户的行驶里程超过X1距离且中间不存在充电这一行为，此处X1距离为管理员预设数值，一般情况下X1取值可以选取为两百公里；针对部分电车，其行驶里程在出厂方提供的存在于三百到六百多公里之间不等；出发电量指代为单次行程开始前汽车的剩余电量，预测里程指代为汽车自身后给出的当前出发电量的可行驶公里数，实际里程指代为该次行驶里程在出发后未进行补电之前实际行驶的路程，实剩电量即为实际里程行驶完之后的剩余电量，出发电量和剩余电量均按照电池总电量百分比乘以100的形式体现；
积数同步单元用于同步用户数据库内的所有的过往驾驶数据，并将过往驾驶数据传输到积数分析单元，积数分析单元用于对所有的过往驾驶数据进行期望差分析，期望差分析具体方式为：
步骤一：获取到所有的过往驾驶数据之后，任选一过往驾驶数据；
步骤二：首先将过往驾驶数据标记为受分数据，对受分数据进行单项期望差分析，单项期望差分析具体方式为：
S1：获取到受分数据内的出发电量、预测里程、实际里程、实剩电量；
S2：将出发电量减去实剩电量得到实耗电量；
S3：再利用公式计算单里耗偏值，具体为：
单里耗偏值=（实耗电量-实际里程/（预期里程/出发电量））/实际里程；
S4：得到单里耗偏值；
步骤三：之后任选下一过往驾驶数据，重复步骤二的过程，得到所有的过往驾驶数据的单里耗偏值，组成单里偏数据组，将其标记为Di,i=1、...、n；
步骤四：对单里偏数据组进行数据聚一化处理，数据聚一化处理具体方式为：
S01：获取到单里偏数据组Di，i=1、...、n，自动获取到Di的均值，将其标记为P；
S02：之后依据公式自动计算单里偏数据组的聚合度J，具体计算公式为：
S03：当J值超过X2时，进行数据删除，否则进行步骤S04的操作；数据删除具体方式为：
按照|Di-P|从大到小的顺序依次选取，每选中一个Di值时，将其删除，之后重新计算剩余Di值的聚合度J，并将其与X2进行比较，若J还是超过X3，则按照|Di-P|从大到小的顺序继续选取下一个Di值，再重新计算聚合度J，直到J不超过X2；
获取到删除的Di数值的个数，将其除以n得到删除占比，当删除占比超过X3时，自动产生分差信号；否则产生合项信号，将此时剩余的Di的均值标记为核定偏差值；
此处X2同样为管理员根据需求预设的数值，一般取值为5，也可以根据需求调整为其他数值；X3为管理员预设的数值，一般取值为0.3，也可以根据实际需求调整为其他数值；
S04：当初始时J值不超过X2时，自动将Di的均值标记为核定偏差值；
S05：当产生分差信号时，此时获取到Di中数值超过Di均值P的个数，将其标记为上位数，Di中数值小于均值P的个数标记为下位数；
S06：根据上位数和下位数确定核定偏差值，具体为：
当上位数超过下位数时，自动将Di中最大的数值与均值P的中值标记为核定偏差值；
否则，将Di中最小的数值与均值P的中值标记为核定偏差值；
步骤五：得到核定偏差值；
积数分析单元用于将核定偏差值传输到主控单元；
管理单元与主控单元通信连接，用于录入所有的预设数值，并将其传输到主控单元；
作为本发明的实施例二，其在实施例一的基础上，还具体包括：
数据录入单元、数据分析单元；
数据录入单元用于用户录入本次的目的地，并根据目的地自动获取到本次旅行的实时距，实时距即为该次路程需要行进的距离，数据录入单元用于将实时距和目的地传输到主控单元，主控单元用于对实时距和目的地进行程次分析，程次分析具体方式为：
SS1：自动获取到当前本次电动汽车的剩余电量、实时预测距、实时距和核定偏差值；实时预测距即为当前剩余电量情况下，汽车给出的预测的行驶距离；利用公式计算实时预测里程，具体计算公式为：
实时预测里程=（实时预测距/剩余电量-核定偏差值）×剩余电量；
SS2：利用公式计算补充距，具体公式为：补充距=实时距+充电距-实时预测里程；
当补充距大于零时则产生免补信号，否则产生需补信号；此处充电距为距离目的地最近的充电桩的距离，根据地图可自动获取，此为现有技术，不做具体赘述；
SS3：在产生需补信号后，自动检测电动汽车的行驶过程，当行进到实时预测里程的75%距离时，自动进行蓄满分析，蓄满分析具体方式为：
SS301：获取到产生需补信号之前，行驶的路程全部数据，借助公式计算实时耗偏值，具体公式为：
实时耗偏值=（实时耗电量-实时预测里程×0.75/（实时预测距/剩余电量））/实时预测里程×0.75；
实时耗电量为产生需补信号之前的路程中耗费的实际电量；
SS302：之后利用公式计算蓄满里程，具体公式为：
蓄满里程=（满预测距/100+核定偏差值）×100；
式中，100指代为满电量情况；前述定义有相关解释，故此处不做具体的解释；
SS4：得到蓄满里程后，将其与补充距进行比较，当补充距小于蓄满里程时，此时根据核定偏差值，自动换算到进行补充距所需的充电电量，此时自动按照充电电量对电池进行充电；此处具体换算方式为：
充电电量=（实时预测距-补充距）/核定偏差值；形成充电策略，也就是充多少电的方案；
若补充距大于蓄满里程时，此时将补充距除以蓄满里程之后取余数，针对余数部分的补充距，将其标记为余补充局，按照补充距小于蓄满里程的方式对余补充距进行充电；针对能够整除的部分，也就是能够形成一整个蓄满里程的补充距部分，直接将电量充满；通常，针对用户出差需求来说，很少会超过两个蓄满里程的距离，所以这里仅仅作为一种应急状态下的参考；形成充电策略；
SS5：得到充电策略；
主控单元用于将充电策略传输到接收端，接收端即为对应用户手机。
作为本发明的实施例三，其具体方案在于，将实施例一和实施例二的方案融合在一起进行实施。
作为本发明的实施例四，本发明在实施例二的基础上，也可以对充电位置进行规划，在产生需补信号时，自动选择附近最近的充电桩进行充电，距离同等情况下，优先选择距离目的地近的位置，具体不做详细赘述。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.基于物联网的电动汽车行驶数据智能分析系统，其特征在于，包括用户数据库、积数同步单元、积数分析单元、主控单元和管理单元；
用户数据库内同步存储有过往驾驶数据；过往驾驶数据包括出发电量、预测里程、实际里程、实剩电量；
积数同步单元用于同步用户数据库内的所有的过往驾驶数据，并将过往驾驶数据传输到积数分析单元，积数分析单元用于对所有的过往驾驶数据进行期望差分析，期望差分析具体方式为：
步骤一：获取到所有的过往驾驶数据之后，任选一过往驾驶数据；
步骤二：首先将过往驾驶数据标记为受分数据，对受分数据进行单项期望差分析，根据单项期望差分析，得到受分数据的单里耗偏值；之后按照相同原理得到所有的过往驾驶数据的单里耗偏值，组成单里偏数据组，将其标记为Di,i=1、...、n；
步骤三：对单里偏数据组进行数据聚一化处理，根据单里偏数据组Di及其均值，自动计算出聚合度J，根据聚合度和X2之间的关系，若超过X2则进行数据删除，同步得到删除占比，根据删除占比产生分差信号或合项信号，在产生合项信号时，自动确定核定偏差值；在产生分差信号时，根据Di中数值与Di的均值P之间的关系，确定上位数和下位数；根据上位数和下位数确定核定偏差值；
积数分析单元用于将核定偏差值传输到主控单元。
2.根据权利要求1所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，靠近阶段指代为在进行最新一次驾驶过程之前的三个月内这一阶段；单次行程指代为用户的行驶里程超过X1距离且中间不存在充电这一行为，此处X1距离为管理员预设数值；
出发电量指代为单次行程开始前汽车的剩余电量，预测里程指代为汽车自身后给出的当前出发电量的可行驶公里数，实际里程指代为该次行驶里程在出发后未进行补电之前实际行驶的路程，实剩电量即为实际里程行驶完之后的剩余电量，出发电量和剩余电量均按照电池总电量百分比乘以100的形式体现。
3.根据权利要求1所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，过往驾驶数据包括未使用本系统之前的靠近阶段内每一个单次行程的驾驶数据，同样也会同步收集并存储在使用系统之后单次行程的驾驶数据，统一将其标记为过往驾驶数据。
4.根据权利要求1所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，步骤二中的单项期望差分析具体方式为：
S1：获取到受分数据内的出发电量、预测里程、实际里程、实剩电量；
S2：将出发电量减去实剩电量得到实耗电量；
S3：再利用公式计算单里耗偏值，具体为：
单里耗偏值=（实耗电量-实际里程/（预期里程/出发电量））/实际里程；
S4：得到单里耗偏值。
5.根据权利要求1所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，还包括管理单元，
管理单元与主控单元通信连接，用于录入所有的预设数值，并将其传输到主控单元。
6.根据权利要求1所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，步骤三中的数据聚一化处理具体方式为：
S01：获取到单里偏数据组Di，i=1、...、n，自动获取到Di的均值，将其标记为P；
S02：之后依据公式自动计算单里偏数据组的聚合度J，具体计算公式为：
S03：当J值超过X2时，进行数据删除，否则进行步骤S04的操作；数据删除具体方式为：
按照|Di-P|从大到小的顺序依次选取，每选中一个Di值时，将其删除，之后重新计算剩余Di值的聚合度J，并将其与X2进行比较，若J还是超过X3，则按照|Di-P|从大到小的顺序继续选取下一个Di值，再重新计算聚合度J，直到J不超过X2；
获取到删除的Di数值的个数，将其除以n得到删除占比，当删除占比超过X3时，自动产生分差信号；否则产生合项信号，将此时剩余的Di的均值标记为核定偏差值；
此处X2同样为管理员根据需求预设的数值；X3为管理员预设的数值；
S04：当初始时J值不超过X2时，自动将Di的均值标记为核定偏差值；
S05：当产生分差信号时，此时获取到Di中数值超过Di均值P的个数，将其标记为上位数，Di中数值小于均值P的个数标记为下位数；
S06：根据上位数和下位数确定核定偏差值，具体为：
当上位数超过下位数时，自动将Di中最大的数值与均值P的中值标记为核定偏差值；
否则，将Di中最小的数值与均值P的中值标记为核定偏差值。
7.根据权利要求1所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，还包括：
数据录入单元、数据分析单元；
数据录入单元用于用户录入本次的目的地，并根据目的地自动获取到本次旅行的实时距，实时距即为该次路程需要行进的距离；数据录入单元用于将实时距和目的地传输到主控单元，主控单元用于对实时距和目的地进行程次分析，程次分析具体方式为：
SS1：自动获取到当前本次电动汽车的剩余电量、实时预测距、实时距和核定偏差值；实时预测距即为当前剩余电量情况下，汽车给出的预测的行驶距离；利用公式计算实时预测里程，具体计算公式为：
实时预测里程=（实时预测距/剩余电量-核定偏差值）×剩余电量；
SS2：利用公式计算补充距，具体公式为：补充距=实时距+充电距-实时预测里程；
当补充距大于零时则产生免补信号，否则产生需补信号；此处充电距为距离目的地最近的充电桩的距离；
SS3：在产生需补信号后，自动检测电动汽车的行驶过程，当行进到实时预测里程的75%距离时，自动进行蓄满分析，根据产生需补信号之前行驶路程的全部数据，确定实时耗偏值，之后根据实时耗偏值确定蓄满里程；
SS4：得到蓄满里程后，将其与补充距进行比较，当补充距小于蓄满里程时，此时根据核定偏差值，自动换算到进行补充距所需的充电电量，此时自动按照充电电量对电池进行充电；将充电电量标记为充电策略；
若补充距大于蓄满里程时，此时将补充距除以蓄满里程之后取余数，针对余数部分的补充距，将其标记为余补充局，按照补充距小于蓄满里程的方式对余补充距进行充电；针对整段的蓄满里程，直接将电量充满；将此时每一次的充电电量标记为充电策略；
主控单元用于将充电策略传输到接收端。
8.根据权利要求7所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，步骤SS3的蓄满分析具体方式为：
SS301：获取到产生需补信号之前，行驶的路程全部数据，借助公式计算实时耗偏值，具体公式为：
实时耗偏值=（实时耗电量-实时预测里程×0.75/（实时预测距/剩余电量））/实时预测里程×0.75；
实时耗电量为产生需补信号之前的路程中耗费的实际电量；
SS302：之后利用公式计算蓄满里程，具体公式为：
蓄满里程=（满预测距/100+核定偏差值）×100；
式中，100指代为满电量情况。
9.根据权利要求7所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，步骤SS4中换算充电电量的方式为：
充电电量=（实时预测距-补充距）/核定偏差值；形成充电策略，也就是充多少电的方案。
10.根据权利要求7所述的基于物联网的电动汽车行驶数据智能分析系统，其特征在于，接收端即为对应用户手机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210744726.0A CN114817376B (zh) | 2022-06-29 | 2022-06-29 | 基于物联网的电动汽车行驶数据智能分析系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210744726.0A CN114817376B (zh) | 2022-06-29 | 2022-06-29 | 基于物联网的电动汽车行驶数据智能分析系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114817376A true CN114817376A (zh) | 2022-07-29 |
| CN114817376B CN114817376B (zh) | 2022-09-23 |
Family
ID=82522244
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210744726.0A Active CN114817376B (zh) | 2022-06-29 | 2022-06-29 | 基于物联网的电动汽车行驶数据智能分析系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114817376B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115379629A (zh) * | 2022-10-25 | 2022-11-22 | 徐州华宝能源科技有限公司 | 一种加气站用自动照明系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105711592A (zh) * | 2016-04-27 | 2016-06-29 | 蔚来汽车有限公司 | 用于电动汽车的自适应驾驶行为调节方法 |
| CN110949151A (zh) * | 2019-12-26 | 2020-04-03 | 安徽六和同心风能设备有限公司 | 一种车用bms充放电控制系统 |
| CN111583440A (zh) * | 2019-02-19 | 2020-08-25 | 陕西汽车集团有限责任公司 | 一种电动汽车里程动态预估方法 |
| CN114043875A (zh) * | 2021-11-16 | 2022-02-15 | 深圳爱玛智行科技有限公司 | 基于大数据的剩余里程预估偏差分析方法和系统 |
-
2022
- 2022-06-29 CN CN202210744726.0A patent/CN114817376B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105711592A (zh) * | 2016-04-27 | 2016-06-29 | 蔚来汽车有限公司 | 用于电动汽车的自适应驾驶行为调节方法 |
| US20190111926A1 (en) * | 2016-04-27 | 2019-04-18 | Nio Nextev Limited | Adaptive driving behavior adjusting method for electric vehicle |
| CN111583440A (zh) * | 2019-02-19 | 2020-08-25 | 陕西汽车集团有限责任公司 | 一种电动汽车里程动态预估方法 |
| CN110949151A (zh) * | 2019-12-26 | 2020-04-03 | 安徽六和同心风能设备有限公司 | 一种车用bms充放电控制系统 |
| CN114043875A (zh) * | 2021-11-16 | 2022-02-15 | 深圳爱玛智行科技有限公司 | 基于大数据的剩余里程预估偏差分析方法和系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115379629A (zh) * | 2022-10-25 | 2022-11-22 | 徐州华宝能源科技有限公司 | 一种加气站用自动照明系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114817376B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2016269540B2 (en) | System and method for recommending charging station for electric vehicle | |
| US9694700B2 (en) | Charging management system | |
| CN108981736B (zh) | 一种基于用户出行规律的电动汽车充电路径优化方法 | |
| CN111452794B (zh) | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 | |
| US9758145B2 (en) | Vehicle energy management device | |
| CN105637543A (zh) | 电动车辆的运行管理装置及运行计划方法 | |
| CN110059934A (zh) | 燃油车和新能源车协同配送调度的方法 | |
| CN102189994A (zh) | 用于电动和混合动力车辆操作的系统和方法 | |
| CN111260172B (zh) | 信息处理方法及系统、计算机设备 | |
| JP2021136182A (ja) | 情報算出システム | |
| JP6890069B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| CN114817376B (zh) | 基于物联网的电动汽车行驶数据智能分析系统 | |
| CN112085288A (zh) | 一种基于两阶段优化的物流配送路线推荐方法及系统 | |
| JP2020505262A (ja) | ハイブリッド動力車の燃料および電力消費を管理する管理設定値を計算する方法 | |
| US11293771B2 (en) | Display device, display method and control device | |
| CN113253722A (zh) | 电动车充电路径规划方法、装置及系统 | |
| Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
| CN115339355A (zh) | 电动汽车实时充电决策方法、系统、介质、设备及终端 | |
| CN114912659A (zh) | 铁路客运中转换乘方案计算方法及系统、设备和存储介质 | |
| CN112488358B (zh) | 一种电动汽车充电路径规划方法和存储介质 | |
| CN108985966A (zh) | 电量消耗计算方法、装置、车辆及计算机可读存储介质 | |
| JP2022130796A (ja) | 電池診断システム | |
| CN110567474B (zh) | 基于大数据的出租车实时巡游路线推荐系统及方法 | |
| JP2020126058A (ja) | 電気自動車の走行支援装置及び走行支援方法 | |
| CN114492169B (zh) | 考虑用户市场响应潜力的电动汽车用户画像方法及系统 |
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 |