CN115742855A - 电动汽车剩余里程预测方法、装置、电动汽车及介质 - Google Patents
电动汽车剩余里程预测方法、装置、电动汽车及介质 Download PDFInfo
- Publication number
- CN115742855A CN115742855A CN202211511394.8A CN202211511394A CN115742855A CN 115742855 A CN115742855 A CN 115742855A CN 202211511394 A CN202211511394 A CN 202211511394A CN 115742855 A CN115742855 A CN 115742855A
- Authority
- CN
- China
- Prior art keywords
- training
- prediction model
- module
- value
- soc
- 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
Images
Classifications
-
- 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
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请涉及电动汽车技术领域,特别涉及一种电动汽车剩余里程预测方法、装置、电动汽车及介质,其中,方法包括:获取电动汽车第一预设时长内的状态数据和实际剩余电荷状态SOC;将预设时长内的状态数据输入预先建立的预测模型,输出状态数据的单位SOC行驶里程,其中,预测模型包括n层循环神经网络LSTM模块和多层感知机MLP模块,将预设时长内的状态数据输入n层LSTM模块,得到状态数据的序列信息,并将序列信息输入MLP模块,输出单位SOC行驶里程;根据实际SOC和单位SOC行驶里程计算电动汽车的剩余里程。由此,解决了相关技术中对于续航里程的预测准确度不高,导致可能存在由于电量不足而无法抵达目的地,降低用户用车体验感等问题。
Description
技术领域
本申请涉及电动汽车技术领域,特别涉及一种电动汽车剩余里程预测方法、装置、电动汽车及介质。
背景技术
目前,电动汽车具有环保、噪音小、节能、能量转换效率高、维护方便、加速快等优势,但是同时也存在一些问题:一方面受到电池技术的制约,续航里程不足成为电动汽车的一个短板;另一方面,充电桩数量较少且分布不均匀,导致用户担心在续航较低时无法及时充电,降低用户使用体验;再一方面,车辆仪表盘所显示的剩余里程仅仅是一个预估值,通常与实际可续航里程具有一定的误差,若预估值与实际里程差距较大时,容易导致车辆半路抛锚,不能安全到达目的地,造成用户体验感较低。
相关技术中,仅仅是通过构建预测模型并依据过去平均里程消耗预测未来里程消耗,时间上跨度较大且忽略了其他因素对续航里程造成的影响,导致预估里程的准确性不高,存在一定误差,降低用户用车体验感。
发明内容
本申请提供一种电动汽车剩余里程预测方法、装置、电动汽车及介质,以解决相关技术中对于续航里程的预测准确度不高,导致可能存在由于电量不足而无法抵达目的地,降低用户用车体验感等问题。
本申请第一方面实施例提供一种电动汽车剩余里程预测方法,包括以下步骤:获取电动汽车第一预设时长内的状态数据和实际剩余SOC(State of Charge,电荷状态);将所述预设时长内的状态数据输入预先建立的预测模型,输出所述状态数据的单位SOC行驶里程,其中,所述预测模型包括n层循环神经网络LSTM(Long Short-Term Memory,长短期记忆网络)模块和多层感知机MLP(Multilayer Perceptron,多层感知机)模块,将所述预设时长内的状态数据输入n层LSTM模块,得到所述状态数据的序列信息,并将所述序列信息输入所述MLP模块,输出所述单位SOC行驶里程;根据实际SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
根据上述技术手段,本申请实施例通过获取电动汽车一定时长内的状态数据和实际剩余电荷状态SOC,并将状态数据输入建立的预测模型多层循环神经网络LSTM和MLP(Multilayer Perceptron,多层感知机)中,输出状态数据的单位SOC行驶里程,并根据实际SOC和单位SOC行程里程计算电动汽车的剩余里程,充分考虑到车辆各种驾驶行为、个人偏好、汽车工况、环境等状态数据中的相关因素对于车辆的影响,从而能够实时的准确的预估车辆的剩余里程,以降低或者避免电量不足导致无法抵达目的地的情况,提升用户的使用体验。
进一步地,所述预测模型基于携带有真实标签值的训练数据训练得到,包括:获取携带有真实标签值的训练数据;按照预设比例将所述训练数据划分为训练集、验证集和测试集;将所述训练集输入由所述n层LSTM模块和所述MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型;利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型。
根据上述技术手段,本申请实施例通过获取携带真实标签值的训练数据,并对其依据比例划分成训练集、验证集和测试机,将训练集输入至预测模型中,输出训练样本的预测值,并根据训练集中的真实标签值、预设值和样本数计算训练误差值,根据误差大小决定是否继续训练,若误差较小则停止训练,若误差较大则继续训练,得到训练后的预测模型,然后利用验证集和测试集分别对训练后的预测模型进行验证和预测,若验证或测试通过则得到训练完成的预测模型,若未通过则继续训练直至验证或测试通过,通过对训练模型进行训练并测试和验证增强预测模型的准确度,从而能够减小对于预估车辆的剩余里程的误差。
进一步地,所述获取携带有真实标签值的训练数据,包括:获取所述电动汽车连续第二预设时长内的状态数据,其中,所述状态数据包括连续多个时刻的数据记录;将相邻时刻数据记录对应的SOC差值作为所述真实标签值,得到携带有真实标签值的训练数据。
根据上述技术手段,本申请实施例通过获取电动汽车连续时长内的状态数据,并将相邻时刻数据记录对应的SOC差值作为真实标签值得到携带有真实标签值得训练数据,增强预测模型结果的真实性和准确性。
进一步地,所述状态数据包括电机扭矩、电机转速、电机温度、电机电流、电机电压、行驶总里程、空调状态、音响状态、控制系统状态、液压泵状态、车速、总电流、总电压和SOC数据中的一个或多个数据。
本申请第二方面实施例提供一种电动汽车剩余里程预测方法,包括以下步骤:获取携带有真实标签值的训练数据;按照预设比例将所述训练数据划分为训练集、验证集和测试集;将所述训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型;利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型,利用所述预测模型预测所述电动汽车的单位SOC行驶里程,并根据所述电动汽车的实际剩余电荷状态SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
本申请第三方面实施例提供一种电动汽车剩余里程预测装置,包括:第一获取模块,用于获取电动汽车第一预设时长内的状态数据和实际剩余电荷状态SOC;第一预测模块,用于将所述预设时长内的状态数据输入预先建立的预测模型,输出所述状态数据的单位SOC行驶里程,其中,所述预测模型包括n层循环神经网络LSTM模块和多层感知机MLP模块,将所述预设时长内的状态数据输入n层LSTM模块,得到所述状态数据的序列信息,并将所述序列信息输入所述MLP模块,输出所述单位SOC行驶里程;计算模块,用于根据实际SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
进一步地,所述预测模型基于携带有真实标签值的训练数据训练得到。
进一步地,还包括:训练模块,用于获取携带有真实标签值的训练数据;按照预设比例将所述训练数据划分为训练集、验证集和测试集;将所述训练集输入由所述n层LSTM模块和所述MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对所述网络模型继续训练,否则停止训练,得到训练后的预测模型;利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型。
进一步地,所述训练模块进一步用于:获取所述电动汽车连续第二预设时长内的状态数据,其中,所述状态数据包括连续多个时刻的数据记录;将相邻时刻数据记录对应的SOC差值作为所述真实标签值,得到携带有真实标签值的训练数据。
进一步地,所述状态数据包括电机扭矩、电机转速、电机温度、电机电流、电机电压、行驶总里程、空调状态、音响状态、控制系统状态、液压泵状态、车速、总电流、总电压和SOC数据中的一个或多个数据。
本申请第四方面实施例提供一种电动汽车剩余里程预测装置,包括:第二获取模块,用于获取携带有真实标签值的训练数据;划分模块,用于按照预设比例将所述训练数据划分为训练集、验证集和测试集;第二预测模块,用于将所述训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;迭代模块,用于根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对所述网络模型继续训练,否则停止训练,得到训练后的预测模型;验证与测试模块,用于利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型,利用所述预测模型预测所述电动汽车的单位SOC行驶里程,并根据所述电动汽车的实际剩余电荷状态SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
本申请第五方面实施例提供一种电动汽车,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程序,以实现如上述实施例所述的电动汽车剩余里程预测方法。
本申请第六方面实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的电动汽车剩余里程预测方法。
由此,本申请至少具有如下有益效果:
(1)本申请实施例通过获取电动汽车一定时长内的状态数据和实际剩余电荷状态SOC,并将状态数据输入建立的预测模型多层循环神经网络LSTM和多层感知机MLP中,输出状态数据的单位SOC行驶里程,并根据实际SOC和单位SOC行程里程计算电动汽车的剩余里程,充分考虑到车辆各种驾驶行为、个人偏好、汽车工况、环境等相关因素对于车辆的影响,从而能够实时的准确的预估车辆的剩余里程,以降低或者避免电量不足导致无法抵达目的地的情况,提升用户的使用体验。
(2)本申请实施例通过获取携带真实标签值的训练数据,并对其依据比例划分成训练集、验证集和测试机,将训练集输入至预测模型中,输出训练样本的预测值,并根据训练集中的真实标签值、预设值和样本数计算训练误差值,根据误差大小决定是否继续训练,若误差较小则停止训练,若误差较大则继续训练,得到训练后的预测模型,然后利用验证集和测试集分别对训练后的预测模型进行验证和预测,若验证或测试通过则得到训练完成的预测模型,若未通过则继续训练直至验证或测试通过,通过对训练模型进行训练并测试和验证增强预测模型的准确度,从而能够减小对于预估车辆的剩余里程的误差。
(3)本申请实施例通过获取电动汽车连续时长内的状态数据,并将相邻时刻数据记录对应的SOC差值作为真实标签值得到携带有真实标签值得训练数据,增强预测模型结果的真实性和准确性。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的一种电动汽车剩余里程预测方法的流程图;
图2为根据本申请实施例的预测剩余里程的流程图;
图3为根据本申请实施例采用的模型网络图;
图4为根据本申请实施例采用的LSTM结构图;
图5为根据本申请实施例采用的神经网络图;
图6为根据本申请实施例提供的电动汽车剩余里程预测装置方框示意图;
图7为根据本申请实施例提供的一个具体实施例的电动汽车剩余里程预测方法的流程图;
图8为根据本申请实施例提供的一个具体实施例的电动汽车剩余里程预测装置方框示意图;
图9为根据本申请实施例的电动汽车的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
在建设生态文明、构建“碳中和、碳达峰”的大背景下,电动汽车越来越受市场的青睐。然而,也有很多人对电动车严重质疑,一方面受到当前电池技术的制约,续航里程成为电动汽车推广的短板;另一方面,充电桩数量少且分布不均导致的充电难成为另一个制约电动汽车发展的问题。
车主因此常常担心剩余续航能力是否能安全抵达目的地,而不至于半路抛锚,即所谓的里程恐慌,电动汽车车主把信心寄托在仪表盘显示的剩余里程上,然而,剩余里程仅仅是一个预估,与驾驶员驾驶行为、偏好、各种路况、车况及环境等因素有很大关系,仪表盘显示剩余里程通常和实际可续航里程有一定的误差,如果预估不准确,会导致驾驶员突然抛锚旅途中,在各种复杂的因素中准确预估剩余里程是一个巨大的挑战,是科研人员和智能网联汽车工程师们急需解决的重要课题。
相关技术(1)中,采用了常见的车辆行驶特征数据,构建了单位SOC可行驶距离预测模型,并基于用户特征聚类的方法,通过平均行驶特征来预测指定消耗SOC可行驶距离,从而可以有效的提升电动车剩余里程预测的准确度。然而,该相关技术采用前一段时间的平均里程消耗来预测未来里程消耗,如果计算平均的时间跨度过大,导致忽略了影响续航里程的各种行为、偏好、工况、环境等因素;如果计算平均的时间跨度过小,又会导致夸大部分行为、偏好、工况、环境等因素的作用而忽略其他因素对剩余里程的影响;此种方法缺乏根据所处的环境动态的、及时的、准确的预估剩余里程,是一种粗粒度的预测方法。
相关技术(2)中,将目标信息输入到预先训练完成的剩余里程预测模型中,根据剩余里程预测模型的输出结果,得到电动汽车的剩余里程。而此相关技术采用了机器学习方法训练模型,然后根据所处的状态预测剩余里程,但是这只是一个一般的机器学习框架,缺乏对建模过程的详细探索,而建模的好坏直接关乎预估的准确性。
下面参考附图描述本申请实施例的电动汽车剩余里程预测方法、装置、电动汽车及介质。具体而言,图1为本申请实施例所提供的一种电动汽车剩余里程预测方法的流程示意图。
如图1所示,该电动汽车剩余里程预测方法包括以下步骤:
在步骤S101中,获取电动汽车第一预设时长内的状态数据和实际剩余电荷状态SOC。
其中,第一预设时长可以是用户车辆在线行驶的时长,例如:约1小时或是2小时的时长,在此不做具体限定。
其中,状态数据包括电机扭矩、电机转速、电机温度、电机电流、电机电压、行驶总里程、空调状态、音响状态、控制系统状态、液压泵状态、车速、总电流、总电压和SOC数据中的一个或多个数据。
可以理解的是,本申请实施例通过获取电动汽车一定时长内的状态数据和实际剩余电荷状态SOC,以便于后续输入预测模型,得到电动汽车的剩余里程。
在步骤S102中,将预设时长内的状态数据输入预先建立的预测模型,输出状态数据的单位SOC行驶里程,其中,预测模型包括n层循环神经网络LSTM模块和多层感知机MLP模块,将预设时长内的状态数据输入n层LSTM模块,得到状态数据的序列信息,并将序列信息输入MLP模块,输出单位SOC行驶里程。
其中,预测模型基于携带有真实标签值的训练数据训练得到。
其中,神经网络LSTM模块可以解决在训练中随着训练时间的加长以及网络层数的增多,容易出现梯度爆炸或梯度消失,导致无法处理较长序列数据,从而无法获取长距离数据的信息的相关问题。
其中,多层感知机MLP模块可以包含:输入层、隐藏层和输出层,层与层之间是全连接的,对被控对象的的系统参数变化及外界干扰有很好的鲁棒性,能处理复杂的多输入、多输出非线性系统。
可以理解的是,本申请实施例将车辆在线状态数据输入建立的预测模型多层循环神经网络LSTM和多层感知机MLP中,输出状态数据的单位SOC行驶里程,充分考虑到车辆各种驾驶行为、个人偏好、汽车工况、环境等相关因素对于车辆的影响,从而能够及时的准确的预估车辆的剩余里程,提升用户的使用体验。
具体地,如图2所示,多层循环神经网络LSTM模块是用来处理序列数据的,其公式为:
fn=σ(Wf[xn hn-1]+bf)
in=σ(Wi[xn hn-1]+bi)
cn=fn⊙cn-1+in⊙tanh(Wc[xn hn-1]+bc)
on=σ(Wo[xn hn-1]+bo)
hn=on⊙tanh(cn)
其中,其中fn、in、cn、on、hn分别表示当前时刻的遗忘门(forget)、输入门(input)、细胞状态(cell)、输出门(output)和隐藏单元向量(hidden),遗忘门的作用就是决定上一时刻的输出信息需要丢弃多少;输入门的作用在于判断当前时刻的输入信息哪些是有用的,需要留下来多少;输出门则是综合当前时刻信息和过去时刻信息后决定输出哪些信息;细胞状态则是可以看作一个存储库,存着各个时刻的有用信息;隐藏单元向量则是输入到下一时刻的信息。
其中,[xn hn-1]表示LSTM某一时刻的输入xn和上一时刻隐藏单元输出向量hn-1的拼接;Wf、Wi、Wc、Wo分别是遗忘门、输入门、细胞状态、输出门的权重矩阵;bx中x∈[f、i、o、c],代表不同的偏置;“+”表示两个向量对应元素相加;“⊙”表示两个向量对应元素相乘;σ代表激活函数sigmoid。
而如图2所示,多层感知机MLP是一个稠密神经网络,以LSTM输出作为网络的输入,最后一个节点作为整个网络的输出,其网络定义如下:
ai=f(Wiai-1+bi)=f(zi)
其中,对第i层网络,权重(weight)为Wi,偏置(bias)为bi,激活函数为f(假设是relu),权重和偏置均采用高斯分布初始化,并通过BP(Back Propagation)算法更新,输入向量为ai-1,输出向量为ai,其中(Wi·ai-1+bi)称为zi。其中,权重W∈Rd,隐向量Vi∈Rk。线性部分<w,x>反应一阶特征重要性,内积反应的是二阶特征的重要性。其中层数i=2,两层节点个数分别为64和32,需要说明的是这些超参数是可以根据效果调整的。
在具体实施过程中,将状态值输入模型,计算单位SOC行驶里程,公式为:
其中,St-1和S0分别代表t-1和0时刻的里程。
在本申请实施例中,预测模型基于携带有真实标签值的训练数据训练得到,包括:获取携带有真实标签值的训练数据;按照预设比例将训练数据划分为训练集、验证集和测试集;将训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出训练集中每个训练样本的预测值;根据训练集中的真实标签值、预测值和样本数计算训练误差值,若训练误差值大于预设值,则根据训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型;利用验证集和测试集分别对训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对预测模型进行训练,否则得到训练完成的预测模型。
其中,预设比例可以是8:1:1等,在此不做具体限定。
其中,预设值可以是用户事先设定的值,例如:训练误差值大于0.5或是0.6时,根据训练集对网络模型继续训练,可根据实际情况进行具体设定或是调整,在此不做具体限定。
可以理解的是,本申请实施例通过获取携带真实标签值的训练数据,并对其依据比例划分成训练集、验证集和测试机,将训练集输入至预测模型中,输出训练样本的预测值,并根据训练集中的真实标签值、预设值和样本数计算训练误差值,根据误差大小决定是否继续训练,若误差较小则停止训练,若误差较大则继续训练,得到训练后的预测模型,然后利用验证集和测试集分别对训练后的预测模型进行验证和预测,若验证或测试通过则得到训练完成的预测模型,若未通过则继续训练直至验证或测试通过,通过对训练模型进行训练并测试和验证增强预测模型的准确度,从而能够减小对于预估车辆的剩余里程的误差。
在本申请实施例中,获取携带有真实标签值的训练数据,包括:获取电动汽车连续第二预设时长内的状态数据,其中,状态数据包括连续多个时刻的数据记录;将相邻时刻数据记录对应的SOC差值作为真实标签值,得到携带有真实标签值的训练数据。
其中,第二预设时长可以是用户连续使用车辆的时长,例如:电动汽车连续使用一周或是两周的时长,在此不做具体限定。
可以理解的是,本申请实施例通过获取电动汽车连续时长内的状态数据,并将相邻时刻数据记录对应的SOC差值作为真实标签值得到携带有真实标签值得训练数据,增强预测模型结果的真实性和准确性。
在步骤S103中,根据实际SOC和单位SOC行驶里程计算电动汽车的剩余里程。
可以理解的是,本申请实施例通过实际的SOC和单位SOC行驶里程计算电动汽车的剩余里程,从而能够及时的准确的预估车辆的剩余里程,提升用户的使用体验。
根据本申请实施例提出的电动汽车剩余里程预测方法,通过获取电动汽车一定时长内的状态数据和实际剩余电荷状态SOC,并将状态数据输入建立的预测模型多层循环神经网络LSTM和多层感知机MLP中,输出状态数据的单位SOC行驶里程,并根据实际SOC和单位SOC行程里程计算电动汽车的剩余里程,充分考虑到车辆各种驾驶行为、个人偏好、汽车工况、环境等相关因素对于车辆的影响,从而能够实时的准确的预估车辆的剩余里程,以降低或者避免电量不足导致无法抵达目的地的情况,提升用户的使用体验。由此,解决了相关技术中对于续航里程的预测准确度不高,导致可能存在由于电量不足而无法抵达目的地,降低用户用车体验感等问题。
下面将结合图3对本申请实施例提出的电动汽车剩余里程预测方法进行详细阐述,电动汽车剩余里程预测方法包括:训练数据抽取、打标、数据切分、神经网络构建、训练网络、获取参数序列、输入模型计算单位SOC行驶里程、根据剩余SOC推算剩余里程等,具体步骤如下:
S110,采集连续t时长的状态数据。
其中,如图4状态数据包括电机扭矩、点击转速、电机温度、电机电流、电机电压、行驶总里程、空调状态、音响状态、控制系统状态、液压泵状态、车速、总电流、总电压、电荷状态等信号,每一条记录用Xt表示。
S120,对每t时长的数据打标签,其中标签值为Y=△S/△SOC,其中,△S为xt-1时刻的里程St-1值减去x0时刻的值S0,即St-1–S0来表示;△SOC为xt-1时刻的SOCt-1值减去x0时刻的值SOC0,即SOCt-1–SOC0来表示。
S130,把所有采集的数据进行8:1:1的比例分为训练集、验证机和测试集;本申请实施例采集数据1000000条。
S140,将训练数据输入构建的网络,进行训练。
其中,如图5所示,网络模型逻辑上由两部分组成:一是n=2层LSTM模块,一是MLP模块。
其中,多层循环神经网络LSTM模块是用来处理序列数据的,其公式为:
fn=σ(Wf[xn hn-1]+bf)
in=σ(Wi[xn hn-1]+bi)
cn=fn⊙cn-1+in⊙tanh(Wc[xn hn-1]+bc)
on=σ(Wo[xn hn-1]+bo)
hn=on⊙tanh(cn)
其中,其中fn、in、cn、on、hn分别表示当前时刻的遗忘门(forget)、输入门(input)、细胞状态(cell)、输出门(output)和隐藏单元向量(hidden),遗忘门的作用就是决定上一时刻的输出信息需要丢弃多少;输入门的作用在于判断当前时刻的输入信息哪些是有用的,需要留下来多少;输出门则是综合当前时刻信息和过去时刻信息后决定输出哪些信息;细胞状态则是可以看作一个存储库,存着各个时刻的有用信息;隐藏单元向量则是输入到下一时刻的信息。
其中,[xn hn-1]表示LSTM某一时刻的输入xn和上一时刻隐藏单元输出向量hn-1的拼接;Wf、Wi、Wc、Wo分别是遗忘门、输入门、细胞状态、输出门的权重矩阵;bx中x∈[f、i、o、c],代表不同的偏置;“+”表示两个向量对应元素相加;“⊙”表示两个向量对应元素相乘;σ代表激活函数sigmoid。
而MLP是一个稠密神经网络,因此以LSTM输出作为网络的输入,最后一个节点作为整个网络的输出,其网络定义如下:
ai=f(Wiai-1+bi)=f(zi)
其中,对第i层网络,权重(weight)为Wi,偏置(bias)为bi,激活函数为f(假设是relu),权重和偏置均采用高斯分布初始化,并通过BP(Back Propagation)算法更新,输入向量为ai-1,输出向量为ai,其中(Wi·ai-1+bi)称为zi。其中,权重W∈Rd,隐向量Vi∈Rk。线性部分<w,x>反应一阶特征重要性,内积反应的是二阶特征的重要性。其中层数i=2,两层节点个数分别为64和32,需要说明的是这些超参数是可以根据效果调整的。
其中,学习率采用0.01,优化算法采用adam,采用高斯分布来初始化网络,批处理大小为128,loss函数为均方根误差(Mean Square Error),公式如下:其中,yi表示真实标签值,yi’表示预测值,n表示样本数。
S150,用验证集、测试集数据分别验证、测试模型,并输出模型备用。
S160,采集最近时长为t的参数状态值。
S170,将状态值输入模型,计算单位SOC行驶里程I。
S180,根据剩余SOC值计算剩余里程,公式如下:S=SOC*I;其中,SOC表示仪表显示的剩余电量,I表示单位SOC行驶里程。
由此,就能得出在某种驾驶行为、个人偏好、汽车工况、环境等因素下,还能行驶的距离,驾驶员可以通过实时动态的计算结果,调整自己的出行、驾驶方式。
综上,(1)本申请实施例利用先进的LSTM模块作为网络的基本组成本分,可以很好的对单位SOC的行驶里程进行建模,可以充分考虑各种因素对SOC的影响,进而得出更准确的预测值;(2)本申请实施例采集最近t时长的数据作为输入,能实时感知因为驾驶行为、偏好、各种路况、车况及环境等因素的变化对预测结果的影响,从而预估出实时的剩余里程数;(3)由于本申请实施例是模拟各个因素对剩余里程的关系并实时计算对应时刻的剩余里程值,进而车主可以结合剩余里程值而动态的调整驾驶行为、改变用车环境等可控因素,以便规避因为电量不足导致无法抵达目的地的窘境。
上述实施例是针对车辆在线行驶状态下对于电动汽车剩余里程的预测,下面将从离线训练的过程对电动汽车剩余里程预测方法进行阐述,如图6所示,该电动汽车剩余里程预测方法包括以下步骤:
在步骤S201中,获取携带有真实标签值的训练数据。
可以理解的是,本申请实施例通过获取到携带有真实标签值的训练数据,以便于后续对于车辆剩余里程的预测值更加真实准确。
在步骤S202中,按照预设比例将训练数据划分为训练集、验证集和测试集。
可以理解的是,本申请实施例通过将一定比例的训练数据分成训练集、验证集和测试集,以便于后续将训练集输入至预测模型,并利用验证集和测试集对相关技术进行测试和验证,保证车辆剩余里程的预测值的真实性和准确性。
在步骤S203中,将训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出训练集中每个训练样本的预测值。
可以理解的是,本申请实施例将训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,然后输出训练集中每个训练样本的预测值,便于后续针对输出的预测值计算训练误差。
在步骤S204中,根据训练集中的真实标签值、预测值和样本数计算训练误差值,若训练误差值大于预设值,则根据训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型。
可以理解的是,本申请实施例根据训练集中的真实标签值、预测值和样本数计算出训练的误差值,若误差值大于设定的值,则继续利用网络模型训练,直至误差在设定范围内,若在设定误差以内,则可以停止训练,得到预测模型。
在步骤S205中,利用验证集和测试集分别对训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对预测模型进行训练,否则得到训练完成的预测模型,利用预测模型预测电动汽车的单位SOC行驶里程,并根据电动汽车的实际剩余电荷状态SOC和单位SOC行驶里程计算电动汽车的剩余里程。
可以理解的是,本申请实施例利用验证集和测试集分别对训练后的预测模型进行验证和预测,若验证或测试通过则得到训练完成的预测模型,若未通过则继续训练直至验证或测试通过,并利用预测模型预测电动汽车的单位SOC行驶里程,然后根据电动汽车的实际剩余电荷状态SOC和单位SOC行驶里程计算电动汽车的剩余里程,通过对训练模型进行训练并测试和验证增强预测模型的准确度,从而能够减小对于预估车辆的剩余里程的误差。
需要说明的是,步骤S201至步骤S205阐述的离线训练过程可以参数上述实施例中对应的解释说明,为避免冗余,不再赘述。
根据本申请实施例提出的电动汽车剩余里程预测方法,通过获取携带真实标签值的训练数据,并对其依据比例划分成训练集、验证集和测试机,将训练集输入至预测模型中,输出训练样本的预测值,并根据训练集中的真实标签值、预设值和样本数计算训练误差值,根据误差大小决定是否继续训练,若误差较小则停止训练,若误差较大则继续训练,得到训练后的预测模型,然后利用验证集和测试集分别对训练后的预测模型进行验证和预测,若验证或测试通过则得到训练完成的预测模型,若未通过则继续训练直至验证或测试通过,通过对训练模型进行训练并测试和验证增强预测模型的准确度,从而能够减小对于预估车辆的剩余里程的误差。
其次参照附图描述根据本申请实施例提出的电动汽车剩余里程预测装置。
图7是本申请实施例的电动汽车剩余里程预测装置的方框示意图。
如图7所示,该电动汽车剩余里程预测装置10包括:第一获取模块110、第一预测模块120和计算模块130。
其中,第一获取模块110用于获取电动汽车第一预设时长内的状态数据和实际剩余电荷状态SOC;第一预测模块120用于将预设时长内的状态数据输入预先建立的预测模型,输出状态数据的单位SOC行驶里程,其中,预测模型包括n层循环神经网络LSTM模块和多层感知机MLP模块,将预设时长内的状态数据输入n层LSTM模块,得到状态数据的序列信息,并将序列信息输入MLP模块,输出单位SOC行驶里程;计算模块130用于根据实际SOC和单位SOC行驶里程计算电动汽车的剩余里程。
在本申请实施例中,预测模型基于携带有真实标签值的训练数据训练得到。
在本申请实施例中,还包括:训练模块,用于获取携带有真实标签值的训练数据;按照预设比例将训练数据划分为训练集、验证集和测试集;将训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出训练集中每个训练样本的预测值;根据训练集中的真实标签值、预测值和样本数计算训练误差值,若训练误差值大于预设值,则根据训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型;利用验证集和测试集分别对训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对预测模型进行训练,否则得到训练完成的预测模型。
在本申请实施例中,训练模块进一步用于:获取电动汽车连续第二预设时长内的状态数据,其中,状态数据包括连续多个时刻的数据记录;将相邻时刻数据记录对应的SOC差值作为真实标签值,得到携带有真实标签值的训练数据。
在本申请实施例中,状态数据包括电机扭矩、电机转速、电机温度、电机电流、电机电压、行驶总里程、空调状态、音响状态、控制系统状态、液压泵状态、车速、总电流、总电压和SOC数据中的一个或多个数据。
需要说明的是,前述对电动汽车剩余里程预测方法实施例的解释说明也适用于该实施例的电动汽车剩余里程预测装置,此处不再赘述。
根据本申请实施例提出的电动汽车剩余里程预测装置,通过获取电动汽车一定时长内的状态数据和实际剩余电荷状态SOC,并将状态数据输入建立的预测模型多层循环神经网络LSTM和多层感知机MLP中,输出状态数据的单位SOC行驶里程,并根据实际SOC和单位SOC行程里程计算电动汽车的剩余里程,充分考虑到车辆各种驾驶行为、个人偏好、汽车工况、环境等相关因素对于车辆的影响,从而能够实时的准确的预估车辆的剩余里程,以降低或者避免电量不足导致无法抵达目的地的情况,提升用户的使用体验。由此,解决了相关技术中对于续航里程的预测准确度不高,导致可能存在由于电量不足而无法抵达目的地,降低用户用车体验感等问题。
其次参照附图描述根据本申请实施例提出的车辆离线状态下的电动汽车剩余里程预测装置。
图8是本申请实施例的一个具体实施例电动汽车剩余里程预测装置的方框示意图。
如图8所示,该电动汽车剩余里程预测装置20包括:第二获取模块210、划分模块220、第二预测模块230、迭代模块240和验证与测试模块250。
其中,第二获取模块210用于获取携带有真实标签值的训练数据;划分模块220用于按照预设比例将训练数据划分为训练集、验证集和测试集;第二预测模块230用于将训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出训练集中每个训练样本的预测值;迭代模块240用于根据训练集中的真实标签值、预测值和样本数计算训练误差值,若训练误差值大于预设值,则根据训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型;验证与测试模块250用于利用验证集和测试集分别对训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对预测模型进行训练,否则得到训练完成的预测模型,利用预测模型预测电动汽车的单位SOC行驶里程,并根据电动汽车的实际剩余电荷状态SOC和单位SOC行驶里程计算电动汽车的剩余里程。
需要说明的是,前述对电动汽车剩余里程预测方法实施例的解释说明也适用于该实施例的电动汽车剩余里程预测装置,此处不再赘述。
根据本申请实施例提出的电动汽车剩余里程预测装置,通过获取携带真实标签值的训练数据,并对其依据比例划分成训练集、验证集和测试机,将训练集输入至预测模型中,输出训练样本的预测值,并根据训练集中的真实标签值、预设值和样本数计算训练误差值,根据误差大小决定是否继续训练,若误差较小则停止训练,若误差较大则继续训练,得到训练后的预测模型,然后利用验证集和测试集分别对训练后的预测模型进行验证和预测,若验证或测试通过则得到训练完成的预测模型,若未通过则继续训练直至验证或测试通过,通过对训练模型进行训练并测试和验证增强预测模型的准确度,从而能够减小对于预估车辆的剩余里程的误差。
图9为本申请实施例提供的电动汽车的结构示意图。该电动汽车可以包括:
存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。
处理器902执行程序时实现上述实施例中提供的电动汽车剩余里程预测方法。
进一步地,电动汽车还包括:
通信接口903,用于存储器901和处理器902之间的通信。
存储器901,用于存放可在处理器902上运行的计算机程序。
存储器901可能包含高速RAM(Random Access Memory,随机存取存储器)存储器,也可能还包括非易失性存储器,例如至少一个磁盘存储器。
如果存储器901、处理器902和通信接口903独立实现,则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral Component,外部设备互连)总线或EISA(Extended Industry Standard Architecture,扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选的,在具体实现上,如果存储器901、处理器902及通信接口903,集成在一块芯片上实现,则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个CPU(Central Processing Unit,中央处理器),或者是ASIC(Application Specific Integrated Circuit,特定集成电路),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上的电动汽车剩余里程预测方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列,现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (13)
1.一种电动汽车剩余里程预测方法,其特征在于,包括以下步骤:
获取电动汽车第一预设时长内的状态数据和实际剩余电荷状态SOC;
将所述预设时长内的状态数据输入预先建立的预测模型,输出所述状态数据的单位SOC行驶里程,其中,所述预测模型包括n层循环神经网络LSTM模块和多层感知机MLP模块,将所述预设时长内的状态数据输入n层LSTM模块,得到所述状态数据的序列信息,并将所述序列信息输入所述MLP模块,输出所述单位SOC行驶里程;
根据实际SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
2.根据权利要求1所述的方法,其特征在于,所述预测模型基于携带有真实标签值的训练数据训练得到,包括:
获取携带有真实标签值的训练数据;
按照预设比例将所述训练数据划分为训练集、验证集和测试集;
将所述训练集输入由所述n层LSTM模块和所述MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;
根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对所述网络模型继续训练,否则停止训练,得到训练后的预测模型;
利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型。
3.根据权利要求2所述的方法,其特征在于,所述获取携带有真实标签值的训练数据,包括:
获取所述电动汽车连续第二预设时长内的状态数据,其中,所述状态数据包括连续多个时刻的数据记录;
将相邻时刻数据记录对应的SOC差值作为所述真实标签值,得到携带有真实标签值的训练数据。
4.根据权利要求1-3任意一项所述的方法,其特征在于,所述状态数据包括电机扭矩、电机转速、电机温度、电机电流、电机电压、行驶总里程、空调状态、音响状态、控制系统状态、液压泵状态、车速、总电流、总电压和SOC数据中的一个或多个数据。
5.一种电动汽车剩余里程预测方法,其特征在于,包括以下步骤:
获取携带有真实标签值的训练数据;
按照预设比例将所述训练数据划分为训练集、验证集和测试集;
将所述训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;
根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型;
利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型,利用所述预测模型预测所述电动汽车的单位SOC行驶里程,并根据所述电动汽车的实际剩余电荷状态SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
6.一种电动汽车剩余里程预测装置,其特征在于,包括:
第一获取模块,用于获取电动汽车第一预设时长内的状态数据和实际剩余电荷状态SOC;
第一预测模块,用于将所述预设时长内的状态数据输入预先建立的预测模型,输出所述状态数据的单位SOC行驶里程,其中,所述预测模型包括n层循环神经网络LSTM模块和多层感知机MLP模块,将所述预设时长内的状态数据输入n层LSTM模块,得到所述状态数据的序列信息,并将所述序列信息输入所述MLP模块,输出所述单位SOC行驶里程;
计算模块,用于根据实际SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
7.根据权利要求6所述的装置,其特征在于,所述预测模型基于携带有真实标签值的训练数据训练得到。
8.根据权利要求7所述的装置,其特征在于,还包括:
训练模块,用于获取携带有真实标签值的训练数据;按照预设比例将所述训练数据划分为训练集、验证集和测试集;将所述训练集输入由所述n层LSTM模块和所述MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对所述网络模型继续训练,否则停止训练,得到训练后的预测模型;利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型。
9.根据权利要求8所述的装置,其特征在于,所述训练模块进一步用于:
获取所述电动汽车连续第二预设时长内的状态数据,其中,所述状态数据包括连续多个时刻的数据记录;
将相邻时刻数据记录对应的SOC差值作为所述真实标签值,得到携带有真实标签值的训练数据。
10.根据权利要求6-9任意一项所述的装置,其特征在于,所述状态数据包括电机扭矩、电机转速、电机温度、电机电流、电机电压、行驶总里程、空调状态、音响状态、控制系统状态、液压泵状态、车速、总电流、总电压和SOC数据中的一个或多个数据。
11.一种电动汽车剩余里程预测装置,其特征在于,包括:
第二获取模块,用于获取携带有真实标签值的训练数据;
划分模块,用于按照预设比例将所述训练数据划分为训练集、验证集和测试集;
第二预测模块,用于将所述训练集输入由n层LSTM模块和MLP模块预先构建的预测模型,输出所述训练集中每个训练样本的预测值;
迭代模块,用于根据所述训练集中的真实标签值、所述预测值和样本数计算训练误差值,若所述训练误差值大于预设值,则根据所述训练集对网络模型继续训练,否则停止训练,得到训练后的预测模型;
验证与测试模块,用于利用所述验证集和所述测试集分别对所述训练后的预测模型进行验证和测试,若验证或测试未通过,则继续对所述预测模型进行训练,否则得到训练完成的预测模型,利用所述预测模型预测所述电动汽车的单位SOC行驶里程,并根据所述电动汽车的实际剩余电荷状态SOC和所述单位SOC行驶里程计算所述电动汽车的剩余里程。
12.一种电动汽车,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程序,以实现如权利要求1-5任一项所述的电动汽车剩余里程预测方法。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行,以用于实现如权利要求1-5任一项所述的电动汽车剩余里程预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511394.8A CN115742855A (zh) | 2022-11-29 | 2022-11-29 | 电动汽车剩余里程预测方法、装置、电动汽车及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211511394.8A CN115742855A (zh) | 2022-11-29 | 2022-11-29 | 电动汽车剩余里程预测方法、装置、电动汽车及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115742855A true CN115742855A (zh) | 2023-03-07 |
Family
ID=85340244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211511394.8A Pending CN115742855A (zh) | 2022-11-29 | 2022-11-29 | 电动汽车剩余里程预测方法、装置、电动汽车及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115742855A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116512984A (zh) * | 2023-06-25 | 2023-08-01 | 江西五十铃汽车有限公司 | 一种车辆续航里程估算方法、系统、存储介质及设备 |
CN116541679A (zh) * | 2023-07-04 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
CN116878535A (zh) * | 2023-09-05 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 一种基于混合时序网络的智能换电引导方法和系统 |
-
2022
- 2022-11-29 CN CN202211511394.8A patent/CN115742855A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116512984A (zh) * | 2023-06-25 | 2023-08-01 | 江西五十铃汽车有限公司 | 一种车辆续航里程估算方法、系统、存储介质及设备 |
CN116541679A (zh) * | 2023-07-04 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
CN116541679B (zh) * | 2023-07-04 | 2023-09-15 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
CN116878535A (zh) * | 2023-09-05 | 2023-10-13 | 杭州宇谷科技股份有限公司 | 一种基于混合时序网络的智能换电引导方法和系统 |
CN116878535B (zh) * | 2023-09-05 | 2023-12-12 | 杭州宇谷科技股份有限公司 | 一种基于混合时序网络的智能换电引导方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bian et al. | Stacked bidirectional long short-term memory networks for state-of-charge estimation of lithium-ion batteries | |
CN115742855A (zh) | 电动汽车剩余里程预测方法、装置、电动汽车及介质 | |
You et al. | Real-time state-of-health estimation for electric vehicle batteries: A data-driven approach | |
Sun et al. | Velocity predictors for predictive energy management in hybrid electric vehicles | |
Liu et al. | An adaptive recurrent neural network for remaining useful life prediction of lithium-ion batteries | |
CN103558554A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
CN113095558B (zh) | 一种智能网联汽车的迭代优化多尺度融合车速预测方法 | |
CN111191824B (zh) | 一种动力电池容量衰减预测方法及系统 | |
CN112712214B (zh) | 海事搜救对象轨迹预测方法、系统、装置和存储介质 | |
CN104035037A (zh) | 一种新能源汽车动力电池soh在线估算的方法 | |
CN111190211B (zh) | 一种gps失效位置预测定位方法 | |
CN111595485A (zh) | 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法 | |
CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
CN115407207A (zh) | 锂离子电池荷电状态的在线预测方法与系统 | |
CN111638034A (zh) | 基于深度学习的应变天平温度梯度误差补偿方法及系统 | |
CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
Billert et al. | A method of developing quantile convolutional neural networks for electric vehicle battery temperature prediction trained on cross-domain data | |
CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
Hatherall et al. | Remaining discharge energy estimation for lithium-ion batteries using pattern recognition and power prediction | |
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 | |
Wang et al. | A data driven method of feedforward compensator optimization for autonomous vehicle control | |
CN114239948B (zh) | 基于时序分解单元的深度交通流预测方法、介质及其设备 | |
CN102788955A (zh) | 基于Kalman滤波的ESN的涡轮发电机的分类子模型的剩余寿命预测方法 | |
Chen et al. | Data-driven propulsion load profile prediction for all-electric ships | |
Ziat et al. | Learning Embeddings for Completion and Prediction of Relationnal Multivariate Time-Series. |
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 |