CN115563521A - 一种电动汽车续驶里程估算方法、装置、设备及介质 - Google Patents
一种电动汽车续驶里程估算方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115563521A CN115563521A CN202211340002.6A CN202211340002A CN115563521A CN 115563521 A CN115563521 A CN 115563521A CN 202211340002 A CN202211340002 A CN 202211340002A CN 115563521 A CN115563521 A CN 115563521A
- Authority
- CN
- China
- Prior art keywords
- working condition
- data
- historical
- weight
- range estimation
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005265 energy consumption Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 47
- 238000010586 diagram Methods 0.000 description 17
- 230000002068 genetic effect Effects 0.000 description 14
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical group [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- 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)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Genetics & Genomics (AREA)
- Economics (AREA)
- Physiology (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
本申请涉及电动汽车技术领域,提供了一种电动汽车续驶里程估算方法、装置、设备及介质,方法包括:获取电动汽车的历史行程数据和当前行程数据,以及第一权重和第二权重;根据历史行程和第一权重得到多个第一工况类型,根据当前行程和第二权重得到多个第二工况类型;若多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定多个第二工况类型中与高出现概率工况类型对应的第二工况类型为未来工况类型;将当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。通过对未来工况的分析,能够避免未来工况与当前工况差距较大的问题。
Description
技术领域
本申请涉及电动汽车技术领域,具体涉及一种电动汽车续驶里程估算方法、装置、设备及介质。
背景技术
电动汽车使用的锂离子动力电池,是通过锂原子氧化并在电解液中运动到另一极和电子结合的电化学反应产生了电能驱动车辆行驶。在此原理背景下,电芯能量密度、电芯数量、电池管理系统、电驱动系统、整车结构是保证电动汽车续驶里程的基础条件。
而在实际行驶过程中,用户驾驶行为、外部温度和降水、路面摩擦力、风力等等因素都会影响电池性能,导致实际能耗与理论能耗出现差距,进而影响电动汽车的续驶里程大小。
中国专利《CN109094376A》公开了一种续驶里程计算方法及装置,其中,根据车辆多个周期内的续驶表现,用梯度下降的方法拟合里程实际值和显示值的误差,令误差越来越小。该方案虽然能够根据大量车辆历史平均数据估算续驶里程,但是该种方法没有考虑到现实用户行为、环境变化、电池性质波动对续驶里程的影响。
中国专利《CN105301508A》公开了一种用于电动汽车续驶里程的径向基神经网络的预估方法,其中,基于动力电池数据、ABS控制单元数据,将电压数据、电流数据、速度数据输入径向基神经网络,运用聚类方法确定隐层中心,最终应用最小二乘法得到续驶里程计算结果。该方案虽然能够用径向基神经网络解决以往专利仅考虑历史平均表现的问题,但是该种神经网络的参数是根据经验方法取得,模型解释性较差,且没有考虑外部因素影响。
中国专利《CN110667434A》公开了一种自适应工况的纯电动汽车行驶里程估计方法及系统,其中,基于当前道路环境、交通状态确定实时工况,使用BP神经网络根据历史大数据的行车电耗数据预测该实时工况下的电耗数据,作为剩余续驶里程的输入变量。该方案虽然考虑到了工况影响,但使用实时工况估算耗电,但是没有全面考虑到未来工况与当前工况可能存在差距较大的问题。
因此,如何对未来工况进行综合分析以及如何提高续驶里程估算模型的解释性,是目前亟需解决的问题。
发明内容
鉴于以上所述现有技术的缺点,本申请的目的在于提供一种电动汽车续驶里程估算方法、装置、设备及介质,用于解决现有技术中如何对未来工况进行综合分析以及如何提高续驶里程估算模型的解释性的问题。
为实现上述目的及其他相关目的,本申请提供一种电动汽车续驶里程估算方法,所述方法包括:
获取电动汽车的历史行程数据和当前行程数据,以及所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重;
根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型;
若所述多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定所述多个第二工况类型中与所述高出现概率工况类型对应的第二工况类型为未来工况类型;
将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。
于本申请的一实施例中,所述多个第一工况类型包括高速平缓驾驶、高速激烈驾驶、市内平缓驾驶、市内激烈驾驶;
所述多个第二工况类型包括高速平缓驾驶、高速激烈驾驶、市内平缓驾驶、市内激烈驾驶。
于本申请的一实施例中,所述历史行程数据包括历史电池数据、历史电机工作数据、历史外部环境数据,所述当前行程数据包括当前电池数据、当前电机工作数据和当前外部环境数据,获取所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重,包括:
对所述历史行程数据和当前行程数据进行归一化处理,得到归一化处理后的历史行程数据和当前行程数据;
获取所述归一化处理后的历史行程数据中历史电池数据、历史电机工作数据、历史外部环境数据对应于所述行程耗能的第一斯皮尔曼相关系数,并根据所述第一斯皮尔曼相关系数对所述历史行程数据赋予第一权重;
获取归一化处理后的当前行程数据中当前电池数据、当前电机工作数据和当前外部环境数据对应于所述行程耗能的第二斯皮尔曼相关系数,并根据所述第二斯皮尔曼相关系数对所述当前行程数据赋予第二权重。
于本申请的一实施例中,根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型,包括:
将所述归一化处理后的历史行程数据与所述第一权重相乘,得到多个第一初始工况类型,并根据预设的距离聚类方法对所述多个第一初始工况类型进行聚合分类,得到多个所述第一工况类型;
将所述归一化处理后的当前行程数据与所述第二权重相乘,得到多个第二初始工况类型,并根据预设的距离聚类方法对所述多个第二初始工况类型进行聚合分类,得到多个所述第二工况类型。
于本申请的一实施例中,所述历史行程数据还包括历史续驶里程数据,将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型之前,还包括:
将所述历史行程数据和第一工况类型输入至预先构建的初始续驶里程估算模型;
通过所述历史行程数据和第一工况类型对所述初始续驶里程估算模型进行训练,以更新所述初始续驶里程估算模型的模型权重和阈值,得到所述预先训练的续驶里程估算模型。
于本申请的一实施例中,所述预先构建的初始续驶里程估算模型包括径向基神经网络模型,所述模型权重包括第一模型权重、第二模型权重和第三模型权重,所述径向基神经网络模型包括:
输入层,所述输入层为信号源节点,用于接收所述历史形成数据和第一工况类型;
隐层,所述隐层的隐单元激活函数为径向基函数,所述径向基函数用于通过所述第一模型权重和第二模型权重对所述历史行程数据和第一工况类型进行空间映射,得到空间映射后的历史行程数据和第一工况类型;
输出层,所述输出层用于根据所述第三权重对所述空间映射后的历史行程数据和第一工况类型进行线性加权并输出。
于本申请的一实施例中,通过所述历史行程数据和第一工况类型对所述初始续驶里程估算模型进行训练,包括:
获取所述径向基神经网络模型的阈值和网络误差;
对所述历史行程数据和第一工况类型进行二进制编码,得到种群;
将所述模型权重和阈值设置为决策变量,并将所述网络误差设置为适应度值;
根据所述决策变量和适应度值,对所述种群进行多次类比自然选择保留优解、交叉变异产生新解,若所述新解满足预设的训练结束条件,则获取最优模型权重和最优阈值,所述最优模型权重和最优阈值用于更新所述初始续驶里程估算模型。
于本申请的一实施例中,还提供了一种电动汽车续驶里程估算装置,所述装置包括:
信息获取模块,用于获取电动汽车的历史行程数据和当前行程数据,以及所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重;
工况分类模块,用于根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型;
未来工况类型确定模块,用于若所述多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定所述多个第二工况类型中与所述高出现概率工况类型对应的第二工况类型为未来工况类型;
续驶里程估算模块,用于将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。
于本申请的一实施例中,还提供了一种电子设备,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如上所述的电动汽车续驶里程估算方法。
于本申请的一实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行如上所述的电动汽车续驶里程估算方法。
本发明的有益效果:
首先获取电动汽车的历史行程数据和当前行程数据,以及所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重;根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型;若所述多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定所述多个第二工况类型中与所述高出现概率工况类型对应的第二工况类型为未来工况类型;将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。本发明中根据历史行程数据及其对应的权重、当前行程数据及其对应的权重得到多个和工况类型,并根据历史行程数据对应的第一工况类型的出现概率确定未来工况类型,通过对未来工况类型的综合分析并通过未来工况类型进行续驶里程估算,能够避免未来工况与当前工况差距较大的问题,从而提高续驶里程估算结果的精确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术者来讲,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。在附图中:
图1是本申请的一示例性实施例示出的电动汽车续驶里程估算方法的实施环境示意图;
图2是本申请的一示例性实施例示出的电动汽车续驶里程估算方法的流程图;
图3是本申请的一示例性实施例示出的工况综合分析逻辑示意图;
图4是本申请的一示例性实施例示出的径向基神经网络结构示意图;
图5是本申请的一示例性实施例示出的遗传优化网络模型逻辑示意图;
图6是本申请的一示例性实施例示出的电动汽车续驶里程估算装置的框图;
图7示出了适于本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下将参照附图和优选实施例来说明本发明的实施方式,本领域技术人员可由本说明书中所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
在下文描述中,探讨了大量细节,以提供对本发明实施例的更透彻的解释,然而,对本领域技术人员来说,可以在没有这些具体细节的情况下实施本发明的实施例是显而易见的,在其他实施例中,以方框图的形式而不是以细节的形式来示出公知的结构和设备,以避免使本发明的实施例难以理解。
首先需要说明的是,随着电动汽车的普及,续驶里程逐渐称为车主购车和使用重点关注的对象。电动汽车的续驶里程,即为在当前电池电量、驾驶环境和行驶环境中的可连续行驶的总里程。现有的对续驶里程的估算方法中,大部分是根据历史速度、历史里程直接估算平均耗能,没有考虑到驾驶行为变化、电池性质波动对能耗的影响;部分技术中通过深度学习模型来进行续驶里程估算,但是直接通过预设参数得到的深度学习模型的解释性较差,且没有考虑到外部的环境因素等对续驶里程的影响;另外,部分专利中虽然考虑到了根据工况对续驶里程进行估算,但是也仅是基于实时工况或历史平均工况实现的,缺少对未来工况的综合分析,所得到的估算结果的可信度和准确度都较低。
以下对本申请中的各技术名字进行说明:
径向基神经网络,以RBF(Radial Basis Function,径向基函数)为激活函数的神经网络,径向基函数是取值仅仅依赖于离原点距离的实值函数,或是离任意点的距离的函数,距离一般使用欧式距离,也可以是其他距离函数。任何满足该特性的函数都叫做径向基函数。
遗传算法(Genetic Algorithm,GA),是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。
图1是本申请的一示例性实施例示出的电动汽车续驶里程估算方法的实施环境示意图。如图1所示,该实施环境中包括终端设备101、云服务器102、数据采集设备103,其中终端设备101获取数据采集设备103采集的车辆行程数据并进行续驶里程估算,并将估算结果传输至云服务器102中进行存储或进行下一步应用。
其中,图1所示的终端设备101可例如为车载终端、平板电脑、笔记本电脑或者其他任何能搭载预先训练的电动汽车续驶里程估算模型的终端设备,但并不限于此。图1所示的云服务器102,例如可以是搭建在多个物理服务器构成的服务器集群或者分布式系统中,还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network,内容分发网络)、以及大数据和人工智能平台等基础云计算服务的云服务器,在此也不进行限制。图1所示的数据采集设备103,可例如为传感器、BMS(Battery Management System,电池管理系统)、电机状态监控模块,本申请对此不做具体限制。
如图1所示,本申请实施例中的电动汽车续驶里程估算方法可例如通过配置有预先训练的电动汽车续驶里程估算模型的车载终端实施以下步骤:获取电动汽车的历史行程数据和当前行程数据,以及所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重;根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型;若所述多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定所述多个第二工况类型中与所述高出现概率工况类型对应的第二工况类型为未来工况类型;将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。
为解决现有技术中所采用的续驶里程估算方法中存在的没有考虑环境变化、电池性质波动、未来工况以及深度学习模型解释性较差的问题,本申请的实施例分别提出一种电动汽车续驶里程估算方法、一种电动汽车续驶里程估算装置、一种电子设备、一种计算机可读存储介质以及一种计算机程序产品,以下将对这些实施例进行详细描述。
请参阅图2,图2是本申请的一示例性实施例示出的电动汽车续驶里程估算方法的流程图,该方法可以应用于图1所示的实施环境。应理解的是,该方法也可以适用于其它的示例性实施环境,并由其它实施环境中的设备具体执行,本实施例不对该方法所适用的实施环境进行限制。
如图2所示,在一示例性的实施例中,电动汽车续驶里程估算方法至少包括步骤S210至步骤S240,详细介绍如下:
在步骤S210中,获取电动汽车的历史行程数据和当前行程数据,以及历史行程数据对应于行程耗能的第一权重和当前行程数据对应于行程耗能的第二权重。
首先需要说明的是,本申请实施例中的历史行程数据包括历史电池数据、历史电机工作数据、历史外部环境数据,以前一行程作为历史行程为例,前一行程中,通过电池管理系统获取车辆的电池数据、通过电池状态管理模块获取电机工作数据、通过传感器获取外部环境数据;当前行程数据包括当前电池数据、当前电机工作数据和当前外部环境数据。其中,电池数据可例如为电池剩余电量、电池波动信息、电池健康状态;电机工作数据可例如为电机速度和加速度,电机工作数据也可理解为驾驶数据;外部环境数据可例如为外部温度、湿度。需要理解的是,本实施例不对历史行程数据和当前行程数据中数据的种类进行限制,可根据实际需求进行适当地添加。
还需要说明的是,本申请实施例中的第一权重和第二权重,为预先通过分析计算所得的行程数据对应于行程耗能的关系参数,即行程数据对行程耗能的影响程度,不同种类的行程数据可视为行程耗能的不同影响程度的影响因子。
在步骤S220中,根据历史行程和第一权重得到多个第一工况类型,以及根据当前行程和第二权重得到多个第二工况类型。
在本申请的一实施例中,多个第一工况类型包括高速平缓驾驶、高速激烈驾驶、市内平缓驾驶、市内激烈驾驶;多个第二工况类型包括高速平缓驾驶、高速激烈驾驶、市内平缓驾驶、市内激烈驾驶。需要说明的是,本申请实施例中仅对第一工况类型和第二工况类型进行举例说明,但不表明其类型仅限于此,而是可根据实际情况进行设置。
示例性的,按照终端设备101中的电动汽车续驶里程估算系统中的行程窗口,使用K-距离聚类方法,将权重与行程数据划分为高速平缓驾驶、高速激烈驾驶、市内平缓驾驶、市内剧烈驾驶等多个工况类型。
在步骤S230中,若多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定多个第二工况类型中与高出现概率工况类型对应的第二工况类型为未来工况类型。
示例性的,获取多个第一工况类型中各个工况类型出现的概率,判断多个第一工况类型中的某一工况类型的出现概率PCi是否大于预设的高出现概率阈值;若某一工况类型的出现概率PCi大于预设的高出现概率阈值,则该工况类型可被视为高出现概率工况类型,然后根据该高出现概率工况类型将多个第二工况类型中的对应的工况类型设置为未来工况类型。本申请实施例中,历史行程数据确定的情况下某种工况的发生概率越高,则说明当前行程数据对应的未来场景下该种工况的发生概率越高。在对未来工况类型进行综合分析的过程中,将电池数据、电机工作数据和外部环境数据作为未来工况类型的影响因素,相比于现有的直接根据车辆历史平局数据估算续驶里程,得到的估算结果与实际驾驶环境和行驶环境下的续驶里程更加接近,误差更小。
在本申请的一实施例中,得到第一工况类型和第二工况类型后,可制作历史行程和当前行程的跨行程工况表,并在跨行程工况表添加多个第一工况类型中各个工况类型出现的概率,以获取多个第二工况类型中对应的未来工况类型。
在步骤S240中,将当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。
示例性的,预先训练的续驶里程估算模型为预先训练的径向基神经网络模型,并通过遗传算法来解决径向基神经网络模型解释性低的问题。将当前行程数据和未来工况类型C做为输入特征X,输入预先训练的径向基神经网络模型RBF_Model,通过遗传算法,以权重和阈值作为遗传算法所需的决策变量,以网络误差作为遗传算法所需的适应度值,多次迭代模型使满足遗传算法结束条件后,最终得到精度较高的遗传优化网络预测模型RBF_GA_Model,以及续驶里程估算结果Y。
由上述步骤S210至S240可知,本实施例提出的方案,根据历史行程数据及其对应的权重、当前行程数据及其对应的权重得到多个和工况类型,并根据历史行程数据对应的第一工况类型的出现概率确定未来工况类型,通过对未来工况类型的综合分析并通过未来工况类型进行续驶里程估算,能够避免未来工况与当前工况差距较大的问题,从而提高续驶里程估算结果的精确度。
在本申请的一实施例中,图2所示步骤S210中的获取所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重,包括如下步骤:
对所述历史行程数据和当前行程数据进行归一化处理,得到归一化处理后的历史行程数据和当前行程数据;
获取所述归一化处理后的历史行程数据中历史电池数据、历史电机工作数据、历史外部环境数据对应于所述行程耗能的第一斯皮尔曼相关系数,并根据所述第一斯皮尔曼相关系数对所述历史行程数据赋予第一权重;
获取归一化处理后的当前行程数据中当前电池数据、当前电机工作数据和当前外部环境数据对应于所述行程耗能的第二斯皮尔曼相关系数,并根据所述第二斯皮尔曼相关系数对所述当前行程数据赋予第二权重。
在本申请的一实施例中,根据历史行程和第一权重得到多个第一工况类型,以及根据当前行程和第二权重得到多个第二工况类型,包括:
将所述归一化处理后的历史行程数据与所述第一权重相乘,得到多个第一初始工况类型,并根据预设的距离聚类方法对所述多个第一初始工况类型进行聚合分类,得到多个所述第一工况类型;
将所述归一化处理后的当前行程数据与所述第二权重相乘,得到多个第二初始工况类型,并根据预设的距离聚类方法对所述多个第二初始工况类型进行聚合分类,得到多个所述第二工况类型。
在申请的一实施例中,对工况综合分析逻辑进行了详细说明。参见图3,图3是本申请的一示例性实施例示出的工况综合分析逻辑示意图。为了定义未来工况类型,根据历史数据进行真实工况综合分析;为了确定当前行程数据对应的未来工况类型,绘制跨行程工况概率表。获取数据包括BMS电池数据、电机驾驶数据、传感器外部环境数据,对上述数据进行归一化处理,并按照每类数据与行程能耗的斯皮尔曼相关系数赋予权重;将归一化处理数据与权重相乘后,用k-距离聚类方法将所有工况聚合为k种类别,可例如按照业务划分5~10种,k的大小可根据轮廓系数确定;将前一行程的工况类型以及发生概率PCi作为出发点,绘制一张跨行程工况概率表,区分不同地区不同季节计算当前行程数据对应的未来工况类别C,将未来工况类别C作为电动汽车续驶里程估算模型的输入。
在本申请的一实施例中,历史行程数据还包括历史续驶里程数据,将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型之前,还包括如下步骤:
将所述历史行程数据和第一工况类型输入至预先构建的初始续驶里程估算模型;
通过所述历史行程数据和第一工况类型对所述初始续驶里程估算模型进行训练,以更新所述初始续驶里程估算模型的模型权重和阈值,得到所述预先训练的续驶里程估算模型。
在本申请的一实施例中,预先构建的初始续驶里程估算模型包括径向基神经网络模型,模型权重包括第一模型权重、第二模型权重和第三模型权重,径向基神经网络模型包括:
输入层,所述输入层为信号源节点,用于接收所述历史形成数据和第一工况类型;
隐层,所述隐层的隐单元激活函数为径向基函数,所述径向基函数用于通过所述第一模型权重和第二模型权重对所述历史行程数据和第一工况类型进行空间映射,得到空间映射后的历史行程数据和第一工况类型;
输出层,所述输出层用于根据所述第三权重对所述空间映射后的历史行程数据和第一工况类型进行线性加权并输出。
需要说明的是,径向基神经网络模型包括三层结构,第一层输入层为信号源结点;第二层为隐层,单元数目根据需要设定,隐单元激活函数为径向基函数,对中心点径向对称的衰减非负非线性函数;第三层输出层,对输入模式做出响应。
参见图4,图4是本申请的一示例性实施例示出的径向基神经网络结构示意图。径向基神经网络通常包含三层网络结构,即输入层、隐层、输出层。输入层由信号源节点构成,对输入信息不做任何变换;隐含层对输入信息进行空间映射的变换,作用函数为高斯函数,权重为Cij、dij;输出层对隐含层神经元输出的信息进行线性加权后输出,作用函数为线性函数,权重为wij。
在本申请的一实施例中,通过历史行程数据和第一工况类型对初始续驶里程估算模型进行训练,包括如下步骤:
获取所述径向基神经网络模型的阈值和网络误差;
对所述历史行程数据和第一工况类型进行二进制编码,得到种群;
将所述模型权重和阈值设置为决策变量,并将所述网络误差设置为适应度值;
根据所述决策变量和适应度值,对所述种群进行多次类比自然选择保留优解、交叉变异产生新解,若所述新解满足预设的训练结束条件,则获取最优模型权重和最优阈值,所述最优模型权重和最优阈值用于更新所述初始续驶里程估算模型。
本实施例中,为解决径向基神经网络模型解释性低的问题,使用类比自然选择保留优解、交叉变异产生新解的遗传算法优化模型。确定初始网络神经的权重和阈值,用遗传算法对行程样本编码,并且以网络误差作为适应度值,进行选择、交叉、变异,直到获得满足结束条件的最优径向基神经网络模型。
示例性的,参见图5,图5是本申请的一示例性实施例示出的遗传优化网络模型逻辑示意图。在上述神经网络结构的基础上增加遗传算法逻辑,按照“自然选择保留优解,交叉变异产生新解”的思路,构造遗传优化网络预测模型RBF_GA_Model,增加模型的可解释性、提高模型精度。整体模型逻辑如图5所示:设定权重和阈值为决策变量,将历史行程数据和第一工况类型进行二进制编码得到种群;使用基础径向基神经网络模型的误差作为适应度值来评价行程样本优劣,作为遗传算法中被选择的概率大小,帮助模型快速收敛;根据决策变量和适应度值,设置交叉系数和变异系数,对种群进行多次类比自然选择保留优解、交叉变异产生新解;若新解满足预设的训练结束条件,则获取最优模型权重和最优阈值,所述最优模型权重和最优阈值用于更新所述初始续驶里程估算模型,若新解不满足预设的训练结束条件则重新进行类比自然选择保留优解、交叉变异产生新解;计算更新权重和阈值后的模型的误差,若误差满足预设的结束条件则可根据该模型输出预测结果,若误差不满足预设的结束条件则重新计算误差并判断是否满足预设的结束条件。
图6是本申请的一示例性实施例示出的电动汽车续驶里程估算装置的框图。该装置可以应用于图1所示的实施环境。该装置也可以适用于其它的示例性实施环境,并具体配置在其它设备中,本实施例不对该装置所适用的实施环境进行限制。
如图6所示,该示例性的电动汽车续驶里程估算装置包括:
信息获取模块601,用于获取电动汽车的历史行程数据和当前行程数据,以及所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重;
工况分类模块602,用于根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型;
未来工况类型确定模块603,用于若所述多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定所述多个第二工况类型中与所述高出现概率工况类型对应的第二工况类型为未来工况类型;
续驶里程估算模块604,用于将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。
在该示例性的电动汽车续驶里程估算装置中,根据历史行程数据及其对应的权重、当前行程数据及其对应的权重得到多个和工况类型,并根据历史行程数据对应的第一工况类型的出现概率确定未来工况类型,通过对未来工况类型的综合分析并通过未来工况类型进行续驶里程估算,能够避免未来工况与当前工况差距较大的问题,从而提高续驶里程估算结果的精确度。
需要说明的是,上述实施例所提供的电动汽车续驶里程估算装置与上述实施例所提供的电动汽车续驶里程估算方法属于同一构思,其中各个模块和单元执行操作的具体方式已经在方法实施例中进行了详细描述,此处不再赘述。上述实施例所提供的路况刷新装置在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能,本处也不对此进行限制。
本申请的实施例还提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现上述各个实施例中提供的电动汽车续驶里程估算方法。
图7示出了适于本申请实施例的电子设备的计算机系统的结构示意图。需要说明的是,图7示出的电子设备的计算机系统700仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(Central Processing Unit,CPU)701,其可以根据存储在只读存储器(Read-Only Memory,ROM)702中的程序或者从储存部分708加载到随机访问存储器(Random Access Memory,RAM)703中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 703中,还存储有系统操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(Input/Output,I/O)接口705也连接至总线704。
以下部件连接至I/O接口705:包括键盘、鼠标等的输入部分706;包括诸如阴极射线管(Cathode Ray Tube,CRT)、液晶显示器(Liquid Crystal Display,LCD)等以及扬声器等的输出部分707;包括硬盘等的储存部分708;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711,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710上,以便于从其上读出的计算机程序根据需要被安装入储存部分708。
特别地,根据本申请的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分709从网络上被下载和安装,和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的系统中限定的各种功能。
需要说明的是,本申请实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的计算机程序可以用任何适当的介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。其中,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,上述模块、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,框图或流程图中的每个方框、以及框图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,所描述的单元也可以设置在处理器中。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定。
本申请的另一方面还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被计算机的处理器执行时,使计算机执行如前所述的电动汽车续驶里程估算方法。该计算机可读存储介质可以是上述实施例中描述的电子设备中所包含的,也可以是单独存在,而未装配入该电子设备中。
本申请的另一方面还提供了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行上述各个实施例中提供的电动汽车续驶里程估算方法。
上述实施例仅示例性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,但凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种电动汽车续驶里程估算方法,其特征在于,所述方法包括:
获取电动汽车的历史行程数据和当前行程数据,以及所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重;
根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型;
若所述多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定所述多个第二工况类型中与所述高出现概率工况类型对应的第二工况类型为未来工况类型;
将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。
2.根据权利要求1所述的电动汽车续驶里程估算方法,其特征在于:
所述多个第一工况类型包括高速平缓驾驶、高速激烈驾驶、市内平缓驾驶、市内激烈驾驶;
所述多个第二工况类型包括高速平缓驾驶、高速激烈驾驶、市内平缓驾驶、市内激烈驾驶。
3.根据权利要求1所述的电动汽车续驶里程估算方法,其特征在于,所述历史行程数据包括历史电池数据、历史电机工作数据、历史外部环境数据,所述当前行程数据包括当前电池数据、当前电机工作数据和当前外部环境数据,获取所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重,包括:
对所述历史行程数据和当前行程数据进行归一化处理,得到归一化处理后的历史行程数据和当前行程数据;
获取所述归一化处理后的历史行程数据中历史电池数据、历史电机工作数据、历史外部环境数据对应于所述行程耗能的第一斯皮尔曼相关系数,并根据所述第一斯皮尔曼相关系数对所述历史行程数据赋予第一权重;
获取归一化处理后的当前行程数据中当前电池数据、当前电机工作数据和当前外部环境数据对应于所述行程耗能的第二斯皮尔曼相关系数,并根据所述第二斯皮尔曼相关系数对所述当前行程数据赋予第二权重。
4.根据权利要求3所述的电动汽车续驶里程估算方法,其特征在于,根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型,包括:
将所述归一化处理后的历史行程数据与所述第一权重相乘,得到多个第一初始工况类型,并根据预设的距离聚类方法对所述多个第一初始工况类型进行聚合分类,得到多个所述第一工况类型;
将所述归一化处理后的当前行程数据与所述第二权重相乘,得到多个第二初始工况类型,并根据预设的距离聚类方法对所述多个第二初始工况类型进行聚合分类,得到多个所述第二工况类型。
5.根据权利要求3所述的电动汽车续驶里程估算方法,其特征在于,所述历史行程数据还包括历史续驶里程数据,将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型之前,还包括:
将所述历史行程数据和第一工况类型输入至预先构建的初始续驶里程估算模型;
通过所述历史行程数据和第一工况类型对所述初始续驶里程估算模型进行训练,以更新所述初始续驶里程估算模型的模型权重和阈值,得到所述预先训练的续驶里程估算模型。
6.根据权利要求5所述的电动汽车续驶里程估算方法,其特征在于,所述预先构建的初始续驶里程估算模型包括径向基神经网络模型,所述模型权重包括第一模型权重、第二模型权重和第三模型权重,所述径向基神经网络模型包括:
输入层,所述输入层为信号源节点,用于接收所述历史形成数据和第一工况类型;
隐层,所述隐层的隐单元激活函数为径向基函数,所述径向基函数用于通过所述第一模型权重和第二模型权重对所述历史行程数据和第一工况类型进行空间映射,得到空间映射后的历史行程数据和第一工况类型;
输出层,所述输出层用于根据所述第三权重对所述空间映射后的历史行程数据和第一工况类型进行线性加权并输出。
7.根据权利要求6所述的电动汽车续驶里程估算方法,其特征在于,通过所述历史行程数据和第一工况类型对所述初始续驶里程估算模型进行训练,包括:
获取所述径向基神经网络模型的阈值和网络误差;
对所述历史行程数据和第一工况类型进行二进制编码,得到种群;
将所述模型权重和阈值设置为决策变量,并将所述网络误差设置为适应度值;
根据所述决策变量和适应度值,对所述种群进行多次类比自然选择保留优解、交叉变异产生新解,若所述新解满足预设的训练结束条件,则获取最优模型权重和最优阈值,所述最优模型权重和最优阈值用于更新所述初始续驶里程估算模型。
8.一种电动汽车续驶里程估算装置,其特征在于,所述装置包括:
信息获取模块,用于获取电动汽车的历史行程数据和当前行程数据,以及所述历史行程数据对应于行程耗能的第一权重和所述当前行程数据对应于行程耗能的第二权重;
工况分类模块,用于根据所述历史行程和所述第一权重得到多个第一工况类型,以及根据所述当前行程和所述第二权重得到多个第二工况类型;
未来工况类型确定模块,用于若所述多个第一工况类型中的某一工况类型的出现概率大于预设的高出现概率阈值,则确定对应的工况类型为高出现概率工况类型,并确定所述多个第二工况类型中与所述高出现概率工况类型对应的第二工况类型为未来工况类型;
续驶里程估算模块,用于将所述当前行程数据和未来工况类型输入至预先训练的续驶里程估算模型,得到当前行程电动汽车续驶里程估算结果。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,使得所述电子设备实现如权利要求1至7中任一项所述的电动汽车续驶里程估算方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,当所述计算机程序被计算机的处理器执行时,使计算机执行如权利要求1至7中任一项所述的电动汽车续驶里程估算方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211340002.6A CN115563521A (zh) | 2022-10-29 | 2022-10-29 | 一种电动汽车续驶里程估算方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211340002.6A CN115563521A (zh) | 2022-10-29 | 2022-10-29 | 一种电动汽车续驶里程估算方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563521A true CN115563521A (zh) | 2023-01-03 |
Family
ID=84768550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211340002.6A Pending CN115563521A (zh) | 2022-10-29 | 2022-10-29 | 一种电动汽车续驶里程估算方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563521A (zh) |
-
2022
- 2022-10-29 CN CN202211340002.6A patent/CN115563521A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108854B (zh) | 城市路网链路预测方法、系统及存储介质 | |
Han et al. | Statistical‐based approach for driving style recognition using Bayesian probability with kernel density estimation | |
Aydogan et al. | hGA: Hybrid genetic algorithm in fuzzy rule-based classification systems for high-dimensional problems | |
Hu et al. | Electrochemical-theory-guided modeling of the conditional generative adversarial network for battery calendar aging forecast | |
CN111260118A (zh) | 一种基于量子粒子群优化策略的车联网交通流量预测方法 | |
CN115236519A (zh) | 基于隐马尔可夫模型的锂电池健康状态预测方法及装置 | |
CN113627661A (zh) | 一种电动汽车充电负荷预测的方法 | |
CN114261400A (zh) | 一种自动驾驶决策方法、装置、设备和存储介质 | |
Le Rhun et al. | A stochastic data-based traffic model applied to vehicles energy consumption estimation | |
Tian et al. | Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion | |
Yang et al. | Improved deep reinforcement learning for car-following decision-making | |
Guo et al. | Multi-step wind speed prediction based on an improved multi-objective seagull optimization algorithm and a multi-kernel extreme learning machine | |
Bao et al. | Restricted Boltzmann Machine‐Assisted Estimation of Distribution Algorithm for Complex Problems | |
CN116796821A (zh) | 面向3d目标检测算法的高效神经网络架构搜索方法及装置 | |
Xing et al. | Graph attention network for Car‐Following Model under game between desired and real state | |
Li et al. | TSDCN: Traffic safety state deep clustering network for real‐time traffic crash‐prediction | |
Alam | Recurrent neural networks in electricity load forecasting | |
CN115563521A (zh) | 一种电动汽车续驶里程估算方法、装置、设备及介质 | |
CN115587616A (zh) | 网络模型训练方法、装置、存储介质及计算机设备 | |
CN112820111B (zh) | 一种异常车辆识别方法、装置和电子设备 | |
CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
CN115146478A (zh) | 基于优化算法的行驶工况构建方法、装置及相关设备 | |
CN111882124B (zh) | 一种基于生成对抗模仿学习的同质平台发展效应预测方法 | |
Yang et al. | Vehicle information influence degree screening method based on GEP optimized RBF neural network | |
CN112800670B (zh) | 驾驶认知模型多目标结构优化方法及装置 |
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 |