CN116311593A - 一种能耗计算方法和系统 - Google Patents
一种能耗计算方法和系统 Download PDFInfo
- Publication number
- CN116311593A CN116311593A CN202310399478.5A CN202310399478A CN116311593A CN 116311593 A CN116311593 A CN 116311593A CN 202310399478 A CN202310399478 A CN 202310399478A CN 116311593 A CN116311593 A CN 116311593A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- target vehicle
- energy
- data
- calculating
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 370
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims description 61
- 238000013528 artificial neural network Methods 0.000 claims description 42
- 238000012544 monitoring process Methods 0.000 claims description 18
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
-
- 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
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种能耗计算方法和系统，包括：通过预设的能耗采集设备，采集目标车辆的能源信号；将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；基于所述能耗利用率，优化目标车辆消耗能耗。
Description
技术领域
本发明涉及能耗计算技术领域，特别涉及一种能耗计算方法和系统。
背景技术
车辆在长期行驶的过程中，会产生很多故障，如有雨局部磨损或腐蚀，又或者异物堵塞、机械松动导致整辆车散热不佳、发动机过热、不仅提高能耗，降低效率低和增加损耗；同时，也容易引发安全问题。监测车辆能耗，提高对能耗数据的采集效率，挖掘车辆能耗降低的原因，对于车辆能耗管理，即及时维修或淘汰车辆，节能减排有着重要意义。本发明了提供一种设有Y字形一分二转换器设备能耗计算方法和系统，以便于灵活高效的监测车辆能源量。
发明内容
为了克服上述背景技术中出现的问题，本发明提供一种能耗计算方法和系统。
本技术方案提供了一种能耗计算方法，包括：
通过预设的能耗采集设备，采集目标车辆的能源信号；
将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；
利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；
通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；
基于所述能耗利用率，优化目标车辆消耗能耗。
作为本技术方案的一种实施例，所述能耗采集设备至少包括能耗采集传感器、能源控制端和Y字形一分二转换器；其中，
所述能耗采集传感器至少包括油浮子、油量传感器、电量传感器和气量传感器；
所述能源控制端用于将能耗采集传感器采集到的数据和采集到的目标车辆的当前状态信息结合并分析，生成对应的能源信号；其中，
所述目标车辆的当前状态信息至少包括定位信息、轨迹信息、驾驶员行为信息和盲区监测信息；
所述Y字形一分二转换器包括始端分支和末端分支，所述始端分支和能源控制端连接，用于将能耗采集器采集到的源能源信号传输至能源控制端，所述末端分支和显示设备连接，用于显示能源控制端分析的车辆的能耗情况。
作为本技术方案的一种实施例，所述利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据，包括：
获取目标车辆在历史时段的能耗数据，获取训练样本；
将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；
获取目标车辆的资源参数；
将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；
通过所述能耗预测模型，预测目标车辆的预测能耗数据。
作为本技术方案的一种实施例，所述将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子，包括：
通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；
通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；
提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。
作为本技术方案的一种实施例，所述获取目标车辆的资源参数，包括：
查询目标车辆的硬件信息和硬件模型数据库，通过所述硬件信息和硬件模型数据库，确定对应的硬件能耗静态参数；
将所述硬件能耗静态参数输入到标准规定的能耗监测系统中，查找同型号的目标车辆的配置文件；
利用所述配置文件，匹配所述目标车辆的资源信息，确定目标车辆的资源参数。
作为本技术方案的一种实施例，所述基于所述能耗利用率，优化目标车辆消耗能耗，包括：
通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；
利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；
计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；
获取欧式距离最短的能耗级别为优化能耗级别；
将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能耗。
本技术方案提供了一种能耗计算系统，包括：
采集模块，用于通过预设的能耗采集设备，采集目标车辆的能源信号；
第一计算模块，用于将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；
第二计算模块，用于利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；
第三计算模块，用于通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；
优化模块，用于基于所述能耗利用率，优化目标车辆消耗能耗。
作为本技术方案的一种实施例，所述第二计算模块，包括：
训练样本单元，用于获取目标车辆在历史时段的能耗数据，获取训练样本；
提取单元，用于将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；
资源参数单元，用于获取目标车辆的资源参数；
能耗预测模型单元，用于将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；
预测单元，用于通过所述能耗预测模型，预测目标车辆的预测能耗数据。
作为本技术方案的一种实施例，所述能耗预测模型单元，包括：
能耗增加值子单元，用于通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；
能耗消耗分类情形子单元，用于通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；
能耗影响因子子单元，用于提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。
作为本技术方案的一种实施例，所述优化模块，包括：
多权值神经网络单元，用于通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；
多权值神经元覆盖网络单元，用于利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；
欧式距离计算单元，用于计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；
优化能耗级别单元，用于获取欧式距离最短的能耗级别为优化能耗级别；
优化单元，用于将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种能耗计算方法流程图；
图2为本发明实施例中一种能耗计算方法流程图。
实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
实施例
根据图1所述，本技术方案提供了一种能耗计算方法，包括：
通过预设的能耗采集设备，采集目标车辆的能源信号；
将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；
利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；
通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；
基于所述能耗利用率，优化目标车辆消耗能耗。
上述技术方案的工作原理和有益效果在于：
本技术方案通过预设的能耗采集设备，能耗采集设备至少包括能耗采集传感器和能源控制端，采集目标车辆的能源信号，将所述能源信号反馈至目标车辆预设的服务器，在本技术方案中，可在行车电脑或其他装置的插头处或车辆仪表这一端的插头处安装Y字形一分二转换器设备或线材处外接转换器方式，Y字形一分二转换器设备分支的两端一端接向车辆的仪表或显示设备，另一分支端接入数据收发器、信号收发器或智能终端设备来采集数据，当智能终端收到传感器反馈的能源量数据或信号后，收发器设备通过无线传输到智能终端设备，智能终端设备通过移动网络将数据发送至服务器（如果分支端直接接入智能终端设备，则终端设备直接通过移动网络将数据发送至服务器），达到了实时监测车辆能源量的目的。接着，计算目标车辆的实际能耗数据，从而为车辆的能耗信息挖掘提供原始数据，利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据，从而检测出车辆的能耗消耗原因，通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率，基于所述能耗利用率，优化目标车辆消耗能耗，减少目标车辆的消耗能耗，及时进行维修或者淘汰，达到节能减排的效果。
实施例
本技术方案提供了一种实施例，所述能耗采集设备至少包括能耗采集传感器、能源控制端和Y字形一分二转换器；其中，
所述能耗采集传感器至少包括油浮子、油量传感器、电量传感器和气量传感器；
所述能源控制端用于将能耗采集传感器采集到的数据和采集到的目标车辆的当前状态信息结合并分析，生成对应的能源信号；其中，
所述目标车辆的当前状态信息至少包括定位信息、轨迹信息、驾驶员行为信息和盲区监测信息；
所述Y字形一分二转换器包括始端分支和末端分支，所述始端分支和能源控制端连接，用于将能耗采集器采集到的源能源信号传输至能源控制端，所述末端分支和显示设备连接，用于显示能源控制端分析的车辆的能耗情况。
上述技术方案的工作原理和有益效果在于：
本技术方案的能耗采集设备至少包括能耗采集传感器和能源控制端；其中，所述能耗采集传感器至少包括油浮子、油量传感器、电量传感器和气量传感器；车辆前装（厂家生产安装）或后装（出厂或销售后安装）的行车电脑或其它设备获取能耗采集传感器（油浮子、油量传感器、电量传感器、气量传感器可以传输到车辆仪表或其他可视屏进行显示，所述能源控制端用于将能耗采集传感器采集到的数据和采集到的目标车辆的当前状态信息结合并分析，生成对应的能源信号；其中，所述目标车辆的当前状态信息至少包括定位信息、轨迹信息、驾驶员行为信息和盲区监测信息，Y字形一分二转换器设备（也可通过线材处外接转换器方式），分支的两端一端接向车辆的仪表或显示设备，另一分支端接入我们的数据、信号收发器或智能终端设备来采集能源量数据，当智能终端收到传感器反馈的能源量数据或信号后，收发器设备通过无线传输到我们的智能终端设备，智能终端设备通过移动网络将数据发送至服务器（如果分支端直接接入的我们智能终端设备，则终端设备直接通过移动网络将数据发送至我们的服务器），达到了实时监测车辆能源量的目的。
实施例
根据图2所述，本技术方案提供了一种实施例，所述利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据，包括：
获取目标车辆在历史时段的能耗数据，获取训练样本；
将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；
获取目标车辆的资源参数；
将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；
通过所述能耗预测模型，预测目标车辆的预测能耗数据。
上述技术方案的工作原理和有益效果在于：
本技术方案利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据，获取目标车辆在历史时段的能耗数据，获取训练样本，将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子，确定能耗降低的多个因素，获取目标车辆的资源参数，即车辆自身相关的配置，将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；通过所述能耗预测模型，预测目标车辆的预测能耗数据，以便于对目标车辆进行精准额能耗监控，同时利用预测能耗数据，以便于对目标车辆可以进行优化的部分提高效率，进行优化。
实施例
本技术方案提供了一种实施例，所述将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子，包括：
通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；
通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；
提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。
上述技术方案的工作原理和有益效果在于：
本技术方案将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子，即在不同情形下，能耗的影响程度，通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值，通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，提高能耗情形识别精准性，确定能耗消耗分类情形；提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。
实施例
本技术方案提供了一种实施例，所述获取目标车辆的资源参数，包括：
查询目标车辆的硬件信息和硬件模型数据库，通过所述硬件信息和硬件模型数据库，确定对应的硬件能耗静态参数；
将所述硬件能耗静态参数输入到标准规定的能耗监测系统中，查找同型号的目标车辆的配置文件；
利用所述配置文件，匹配所述目标车辆的资源信息，确定目标车辆的资源参数。
上述技术方案的工作原理和有益效果在于：
本技术方案获取目标车辆的资源参数，查询目标车辆的硬件信息和硬件模型数据库，通过所述硬件信息和硬件模型数据库，确定对应的硬件能耗静态参数，确定当前车辆的硬件配置的损耗率，将所述硬件能耗静态参数输入到标准规定的能耗监测系统中，查找同型号的目标车辆的配置文件，利用所述配置文件，匹配所述目标车辆的资源信息，确定目标车辆的资源参数，从而确定车辆自身损耗空间的下限喝可优化空间的上限，为用户提供智能灵活的优化方案。
实施例
本技术方案提供了一种实施例，所述基于所述能耗利用率，优化目标车辆消耗能耗，包括：
通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；
利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；
计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；
获取欧式距离最短的能耗级别为优化能耗级别；
将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能耗。
上述技术方案的工作原理和有益效果在于：
本技术方案基于所述能耗利用率，优化目标车辆消耗能耗，通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；获取欧式距离最短的能耗级别为优化能耗级别；将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能耗，通过对目标车辆的优化特征训练，提高目标车辆的优化性能，制定个性化灵活的优化方案，减少车辆能耗损耗，提高车辆工作性能。
实施例
本技术方案提供了一种能耗计算系统，包括：
采集模块，用于通过预设的能耗采集设备，采集目标车辆的能源信号；
第一计算模块，用于将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；
第二计算模块，用于利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；
第三计算模块，用于通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；
优化模块，用于基于所述能耗利用率，优化目标车辆消耗能耗。
实施例
本技术方案提供了一种实施例，所述第二计算模块，包括：
训练样本单元，用于获取目标车辆在历史时段的能耗数据，获取训练样本；
提取单元，用于将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；
资源参数单元，用于获取目标车辆的资源参数；
能耗预测模型单元，用于将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；
预测单元，用于通过所述能耗预测模型，预测目标车辆的预测能耗数据。
实施例
本技术方案提供了一种实施例，所述能耗预测模型单元，包括：
能耗增加值子单元，用于通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；
能耗消耗分类情形子单元，用于通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；
能耗影响因子子单元，用于提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。
实施例10:
本技术方案提供了一种实施例，所述优化模块，包括：
多权值神经网络单元，用于通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；
多权值神经元覆盖网络单元，用于利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；
欧式距离计算单元，用于计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；
优化能耗级别单元，用于获取欧式距离最短的能耗级别为优化能耗级别；
优化单元，用于将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能耗。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种能耗计算方法，其特征在于，包括：
通过预设的能耗采集设备，采集目标车辆的能源信号；
将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；
利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；
通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；
基于所述能耗利用率，优化目标车辆消耗能耗。
2.根据权利要求1所述的一种能耗计算方法，其特征在于，所述能耗采集设备至少包括能耗采集传感器、能源控制端和Y字形一分二转换器；其中，
所述能耗采集传感器至少包括油浮子、油量传感器、电量传感器和气量传感器；
所述能源控制端用于将能耗采集传感器采集到的数据和采集到的目标车辆的当前状态信息结合并分析，生成对应的能源信号；其中，
所述目标车辆的当前状态信息至少包括定位信息、轨迹信息、驾驶员行为信息和盲区监测信息；
所述Y字形一分二转换器包括始端分支和末端分支，所述始端分支和能源控制端连接，用于将能耗采集器采集到的源能源信号传输至能源控制端，所述末端分支和显示设备连接，用于显示能源控制端分析的车辆的能耗情况。
3.根据权利要求1所述的一种能耗计算方法，其特征在于，所述利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据，包括：
获取目标车辆在历史时段的能耗数据，获取训练样本；
将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；
获取目标车辆的资源参数；
将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；
通过所述能耗预测模型，预测目标车辆的预测能耗数据。
4.根据权利要求3所述的一种能耗计算方法，其特征在于，所述将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子，包括：
通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；
通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；
提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。
5.根据权利要求3所述的一种能耗计算方法，其特征在于，所述获取目标车辆的资源参数，包括：
查询目标车辆的硬件信息和硬件模型数据库，通过所述硬件信息和硬件模型数据库，确定对应的硬件能耗静态参数；
将所述硬件能耗静态参数输入到标准规定的能耗监测系统中，查找同型号的目标车辆的配置文件；
利用所述配置文件，匹配所述目标车辆的资源信息，确定目标车辆的资源参数。
6.根据权利要求1所述的一种能耗计算方法，其特征在于，所述基于所述能耗利用率，优化目标车辆消耗能耗，包括：
通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；
利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；
计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；
获取欧式距离最短的能耗级别为优化能耗级别；
将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能耗。
7.一种能耗计算系统，其特征在于，包括：
采集模块，用于通过预设的能耗采集设备，采集目标车辆的能源信号；
第一计算模块，用于将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；
第二计算模块，用于利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；
第三计算模块，用于通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；
优化模块，用于基于所述能耗利用率，优化目标车辆消耗能耗。
8.根据权利要求7所述的一种能耗计算系统，其特征在于，所述第二计算模块，包括：
训练样本单元，用于获取目标车辆在历史时段的能耗数据，获取训练样本；
提取单元，用于将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；
资源参数单元，用于获取目标车辆的资源参数；
能耗预测模型单元，用于将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；
预测单元，用于通过所述能耗预测模型，预测目标车辆的预测能耗数据。
9.根据权利要求8所述的一种能耗计算系统，其特征在于，所述能耗预测模型单元，包括：
能耗增加值子单元，用于通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；
能耗消耗分类情形子单元，用于通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；
能耗影响因子子单元，用于提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。
10.根据权利要求7所述的一种能耗计算系统，其特征在于，所述优化模块，包括：
多权值神经网络单元，用于通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；
多权值神经元覆盖网络单元，用于利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；
欧式距离计算单元，用于计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；
优化能耗级别单元，用于获取欧式距离最短的能耗级别为优化能耗级别；
优化单元，用于将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能耗。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310399478.5A CN116311593A (zh) | 2023-04-14 | 2023-04-14 | 一种能耗计算方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310399478.5A CN116311593A (zh) | 2023-04-14 | 2023-04-14 | 一种能耗计算方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116311593A true CN116311593A (zh) | 2023-06-23 |
Family
ID=86790609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310399478.5A Pending CN116311593A (zh) | 2023-04-14 | 2023-04-14 | 一种能耗计算方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116311593A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116647819A (zh) * | 2023-07-27 | 2023-08-25 | 深圳市中科智联有限公司 | 基于传感器网络的仪器能耗监测方法及系统 |
| CN117207905A (zh) * | 2023-11-09 | 2023-12-12 | 深圳市金威源科技股份有限公司 | 一种新能源汽车的电源运维方法、系统及存储介质 |
-
2023
- 2023-04-14 CN CN202310399478.5A patent/CN116311593A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116647819A (zh) * | 2023-07-27 | 2023-08-25 | 深圳市中科智联有限公司 | 基于传感器网络的仪器能耗监测方法及系统 |
| CN116647819B (zh) * | 2023-07-27 | 2023-11-07 | 深圳市中科智联有限公司 | 基于传感器网络的仪器能耗监测方法及系统 |
| CN117207905A (zh) * | 2023-11-09 | 2023-12-12 | 深圳市金威源科技股份有限公司 | 一种新能源汽车的电源运维方法、系统及存储介质 |
| CN117207905B (zh) * | 2023-11-09 | 2024-01-12 | 深圳市金威源科技股份有限公司 | 一种新能源汽车的电源运维方法、系统及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116311593A (zh) | 一种能耗计算方法和系统 | |
| CN107544290B (zh) | 一种新能源汽车性能评估分析和优化系统及方法 | |
| CN107845159B (zh) | 一种自动驾驶车辆测评系统运行监测系统 | |
| CN103649858B (zh) | 用于预测组件或系统状况的方法和设备 | |
| CN101720453A (zh) | 利用时序信号处理进行电池组件预测维护的系统和方法 | |
| CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及系统 | |
| CN117113729A (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
| CN116859838B (zh) | 一种设备运行情况监测的预警系统 | |
| CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
| CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
| CN117591857A (zh) | 一种基于深度学习的电机检测方法 | |
| EP3702862A1 (en) | Automated refinement of a labeled window of time series data | |
| CN115204246A (zh) | 装置、方法以及计算机可读介质 | |
| CN114200334A (zh) | 一种蓄电池预警方法、装置、车辆及介质 | |
| CN117349627A (zh) | 一种用于油田的能源管控系统及管控方法 | |
| CN104573864A (zh) | 一种基于自回归预测的数据分析报警方法 | |
| EP3706047A1 (en) | Cluster based classification for time series data | |
| CN116340332A (zh) | 更新车载智能系统的场景库的方法、装置和车辆 | |
| CN112160750B (zh) | 采煤机状态控制、预测的系统及方法 | |
| CN114757366A (zh) | 一种用于车辆的故障预测方法及系统 | |
| CN115278757A (zh) | 一种检测异常数据的方法、装置及电子设备 | |
| CN118506474B (zh) | 一种基于物联网的新能源汽车数据实时采集方法 | |
| CN111222716B (zh) | 一种工程安全预测预警装置 | |
| CN114001939B (zh) | 一种线路连接装置监测方法、装置、设备及存储介质 | |
| CN111027988B (zh) | 一种基于截尾数据的产品可靠度预估系统 |
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 |