CN116340767B - 一种电动汽车行程能耗概率分布预测方法、系统及产品 - Google Patents

一种电动汽车行程能耗概率分布预测方法、系统及产品 Download PDF

Info

Publication number
CN116340767B
CN116340767B CN202310166551.4A CN202310166551A CN116340767B CN 116340767 B CN116340767 B CN 116340767B CN 202310166551 A CN202310166551 A CN 202310166551A CN 116340767 B CN116340767 B CN 116340767B
Authority
CN
China
Prior art keywords
energy consumption
estimation model
probability distribution
uncertainty
subset
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.)
Active
Application number
CN202310166551.4A
Other languages
English (en)
Other versions
CN116340767A (zh
Inventor
袁新枚
赵洲轮
姜静飞
孟令昊
马一凡
谷乐琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202310166551.4A priority Critical patent/CN116340767B/zh
Publication of CN116340767A publication Critical patent/CN116340767A/zh
Application granted granted Critical
Publication of CN116340767B publication Critical patent/CN116340767B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种电动汽车行程能耗概率分布预测方法、系统及产品，属于电动汽车能耗预测领域，方法包括：获取能耗概率分布估计模型的输入特征；所述输入特征包括：环境温度、行程距离、天气以及制动强度；获取样本集；从样本集中筛选相似样本子集；构建行程能耗估计模型；基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布；构建能耗率偏差概率分布估计模型；采用所述相似样本子集和所述能耗不确定性分布训练所述能耗率偏差概率分布估计模型；基于训练后的能耗率偏差概率分布估计模型和所述行程能耗估计模型对汽车行程能耗概率分布进行预测。本发明中的上述方案能够实现未来行程能耗的概率的精确预测。

Description

一种电动汽车行程能耗概率分布预测方法、系统及产品
技术领域
本发明涉及电动汽车能耗预测领域，特别是涉及一种电动汽车行程能耗概率分布预测方法、系统及产品。
背景技术
近年来，电动汽车产业的迅速发展，截至2020年，全球电动汽车保有量已超过1000万。电动汽车的里程不足一直是影响用户接纳电动汽车的重要问题，严重影响了用户的驾乘体验。目前的行程能耗估计方法集中于对确定性能耗率期望值的估计，忽略了系统固有的不确定性问题，导致估计的能耗率必然与实际能耗率存在差异，不必要的影响了用户对电动汽车的认可度。更全面的表征行程能耗本身存在的不确定性分布，对于用户更客观的认识电动汽车的可用里程，更合理的规划未来行程具有重要的意义。
发明内容
本发明的目的是提供一种电动汽车行程能耗概率分布预测方法、系统及产品，利用数据构建适用于现有能耗估计方法的能耗不确定性估计模型，并将估计出的不确定性偏差分布叠加在现有模型的期望值上获取行程能耗的不确定性分布，提升行程能耗估计信息的全面性，同时，在行程能耗估计模型中引入未来行程工况特征，实现未来行程能耗的概率预测。
为实现上述目的，本发明提供了如下方案：
第一方面，本发明提供了一种电动汽车行程能耗概率分布预测方法，所述预测方法包括：
构建能耗概率分布估计模型；
获取所述能耗概率分布估计模型的输入特征；所述输入特征包括：环境温度、行程距离、天气以及制动强度；
获取用于所述能耗概率分布估计模型学习的样本集；
基于所述输入特征，从所述样本集中筛选相似样本子集；
构建行程能耗估计模型；
基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布；
构建能耗率偏差概率分布估计模型；
采用所述相似样本子集和所述能耗不确定性分布训练所述能耗率偏差概率分布估计模型；
基于训练后的能耗率偏差概率分布估计模型和所述行程能耗估计模型对汽车行程能耗概率分布进行预测。
可选的，获取用于所述能耗概率分布估计模型学习的样本集具体采用设计实验法或数据筛选法。
可选的，所述相似样本子集中包括ni个输入特征相似的行程样本，i＝1…m，m为不同输入特征的相似样本子集的数量。
可选的，基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布具体包括以下步骤：
采用所述行程能耗估计模型计算第i个相似样本子集的第j个行程的能耗率
基于所述能耗率计算任意两个行程jp，jq的能耗率的不确定性差异/>
应用排列组合计算个能耗率的不确定性差异；
基于所述个能耗率的不确定性差异确定不同输入特征下的能耗不确定性分布。
可选的，基于所述能耗率计算任意两个行程jp，jq的能耗率的不确定性差异具体采用以下公式：
其中，ei,j表示所述相似样本子集中第i个子集的第j个行程实际能耗率，i＝1…m，j＝1…ni；表示所述行程能耗估计模型计算的相似样本子集中第i个子集的第j个行程的能耗率。
第二方面，基于本发明中的上述方法，本发明另外提供一种电动汽车行程能耗概率分布预测系统，所述预测系统包括：
能耗概率分布估计模型构建模块，用于构建能耗概率分布估计模型；
输入特征获取模块，用于获取所述能耗概率分布估计模型的输入特征；所述输入特征包括：环境温度、行程距离、天气以及制动强度；
样本集获取模块，用于获取用于所述能耗概率分布估计模型学习的样本集；
样本子集筛选模块，用于基于所述输入特征，从所述样本集中筛选相似样本子集；
程能耗估计模型构建模块，用于构建行程能耗估计模型；
能耗不确定性分布确定模块，用于基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布；
能耗率偏差概率分布估计模型构建模块，用于构建能耗率偏差概率分布估计模型；
训练模块，用于采用所述相似样本子集和所述能耗不确定性分布训练所述能耗率偏差概率分布估计模型；
预测模块，用于基于训练后的能耗率偏差概率分布估计模型和所述行程能耗估计模型对汽车行程能耗概率分布进行预测。
可选的，获取用于所述能耗概率分布估计模型学习的样本集具体采用设计实验法或数据筛选法。
可选的，所述相似样本子集中包括ni个输入特征相似的行程样本，i＝1…m，m为不同输入特征的相似样本子集的数量。
第三方面，本发明提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的电动汽车行程能耗概率方法。
第四方面，本发明提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的电动汽车行程能耗概率方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明通过合理的设计电动汽车实车行驶实验，利用电动汽车实际行驶的能耗结果，提取出影响能耗的多种不确定因素，将不确定性因素耦合后得到能耗的不确定性分布，进而得到基于导航路径的电动汽车续驶里程的估计分布；本发明不依赖于确定性估计算法，独立的估计行程能耗的不确定性，运用本发明，可以在仪表上增加续驶里程的不确定性信息，进而为用户提供更全面的能耗信息，缓解用户的“里程焦虑”。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，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为本发明电动汽车行程能耗概率分布预测方法流程图；
图2为本发明常温能耗偏差不确定性分布图；
图3为本发明行程能耗率分布图；
图4为本发明电动汽车行程能耗概率分布预测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种电动汽车行程能耗概率分布预测方法、系统及产品，利用数据构建适用于现有能耗估计方法的能耗不确定性估计模型，并将估计出的不确定性偏差分布叠加在现有模型的期望值上获取行程能耗的不确定性分布，提升行程能耗估计信息的全面性，同时，在行程能耗估计模型中引入未来行程工况特征，实现未来行程能耗的概率预测。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明电动汽车行程能耗概率分布预测方法流程图，如图1所示，本发明中的预测方法包括：
步骤1：构建能耗概率分布估计模型。
步骤2：获取所述能耗概率分布估计模型的输入特征；所述输入特征包括：环境温度、行程距离、天气以及制动强度。
本发明中，能耗概率分布估计模型用于估计对应行程能耗偏离期望值的不确定性分布。由于行程能耗可能受到多重未感知因素和不确定因素的影响，所以需要根据可获取的数据资源和能耗估计性能需求确认能耗概率分布估计模型的输入特征。可选取的能耗概率分布估计模型输入特征包括但限于：环境温度、行程距离、天气、制动强度等，假设选取k个输入特征，记为F1，F2…Fk。对于最简单的应用场景，能耗概率分布估计模型可以无输入，即k＝0，对于任意情况下的行程叠加相同的不确定性分布；
步骤3：获取用于所述能耗概率分布估计模型学习的样本集。
本发明中，获取用于能耗概率分布估计模型学习的数据集可采用如下两种方法：
方法一：设计实验法。设计同一行程，在该行程进行多次重复实验。记录所有实验行程中所需的输入和输出(输入包括行程能耗估计模型M1的输入和F1，F2…Fk，输出包括行程能耗率ec)；
方法二：数据筛选法。筛选车辆实际行驶历史数据中，对车辆实际行驶历史数据进行筛选，获取相同行程尽可能多的行驶记录，记录所有行程中所需的输入和输出(输入包括行程能耗估计模型M1的输入和F1，F2…Fk，输出包括行程能耗率e)。
步骤4：基于所述输入特征，从所述样本集中筛选相似样本子集。
在步骤3数据集中，选取输入特征相似样本获取子集(，所述输入特征相似样本获取子集是指样本之间的输入特征相似的样本子集，如10个样本之间环境温度、天气等相似,这10个样本可构成一个样本子集，即对相似样本，任意Fi∈[fi-ε,fi+ε]，fi为对应特征的均值，ε为该值允许的波动范围，可根据经验确定)，从而获得m个不同输入特征的相似样本子集，每个子集中有ni个输入特征相似的行程样本，i＝1…m。
步骤5：构建行程能耗估计模型。
步骤6：基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布。
相似样本子集中第i个子集的第j个行程能耗率记作ei,j，i＝1…m，j＝1…ni。应用行程能耗估计模型M1估算第i个子集的第j个行程能耗率记作对于任意两个行程jp，jq的能耗率的不确定性差异/>用如下公式计算：
应用排列组合可以得到个能耗的不确定性差异。统计以上不去定性差异的样本/>可以获得第i个子集的能耗不确定性分布，表示为/>代表第i个子集的输入特征下，能耗率偏差为/>的概率为Pi。
步骤7：构建能耗率偏差概率分布估计模型。
步骤8：采用所述相似样本子集和所述能耗不确定性分布训练所述能耗率偏差概率分布估计模型。
应用能耗概率分布估计模型输入特征相似样本子集的输入特征和步骤6获取的对应的能耗率不确定性分布训练能耗率偏差概率分布估计模型，获取通过步骤2确定的输入特征和能耗率不确定性分布估算对应工况下能耗率不确定性偏差分布的能耗率偏差概率分布估计模型，能耗率偏差概率分布估计模型可采用SVM分类、聚类、线性拟合、神经网络等。
步骤9：基于训练后的能耗率偏差概率分布估计模型和所述行程能耗估计模型对汽车行程能耗概率分布进行预测。
对任意待估算能耗行程o，应用行程能耗估计模型M1估计行程能耗率期望值为应用步骤8得到的能耗率偏差概率分布模型估计该行程能耗率估计可能的偏差分布可以得到行程能耗率的概率分布函数可以表示为/>
实施例
下面结合实际应用，以某车型为例对本发明中的上述方法做进一步解释说明：
原车能耗估计模型为M1，可以实现行程能耗率期望值的估计。
步骤1：构建能耗概率分布估计模型。
步骤2：确定能耗概率分布估计模型的输入特征。
本实施例中仅选取1个输入特征：环境温度F，即k＝1；
步骤3：获取用于能耗概率分布估计模型学习的数据集。
本实施例中应用方法二：对该车实际行驶历史数据进行筛选某路段(起始结束位置相同的行程)的所有行驶记录；
步骤4：从样本集中筛选能耗概率分布估计模型输入特征相似的样本子集。
在步骤3的数据集中，将数据集分为低温、常温和高温3个数据子集(如F<10℃为低温数据子集，10℃<F<20℃为常温数据子集，F>20℃为高温数据子集)，即m＝3，三个子集中分别有n1＝15，n2＝30，n3＝25个行程样本。
步骤5：构建行程能耗估计模型M1。
步骤6：应用能耗概率分布估计模型输入特征相似样本子集获取不同输入特征下的能耗不确定性分布。
样本子集中第i个子集的第j个行程能耗率记作ei,j，i＝1…m，j＝1…ni。应用行程能耗估计模型M1估算第i个子集的第j个行程能耗率记作对于任意两个行程jp，jq的能耗率的不确定性差异/>用如下公式计算：
高温子集有300个)任意两个行程能耗率的不确定性差异。统计以上不确定性差异的样本假设不确定性分布符合正态分布，计算不确定性差异的方差/>根据正态分布的基本代数运算，对于一个行程的能耗率方差可以表示为
计算可以获得第i个子集的能耗率不确定性分布，表示为
代表第i个子集的输入特征下，能耗率偏差概率分布估计模型估算的期望值的概率为/>如：/>代表常温下，能耗率偏差概率分布估计模型估算的能耗率期望值/>的概率为/>)，/>代表均值为0，方差为/>的正态分布。图3为常温能耗偏差不确定性分布函数/>的一个示例。
步骤7：构建能耗率偏差概率分布估计模型。
步骤8：训练能耗率偏差概率分布估计模型
由于实例中仅有一个特征，三个子集，可以应用温度区间作为分类模型，在不同的温度区间直接应用 或/>作为能耗率偏差概率分布估计模型。
步骤9：估算行程能耗概率分布
对某待估算常温行程o，应用原始的确定值行程能耗估计模型M1估计行程能耗率期望值为根据待估算行程的温度，利用步骤8直接将/>作为估计偏差分布的函数可以得到行程能耗率的概率分布函数可以表示为/>图3给出原算法计算得到的能耗率期望值/>和应用本方法后得到的能耗率分布函数P(eo)。
如图4所示，基于本发明中的上述方法，本发明另外提供一种电动汽车行程能耗概率分布预测系统，所述预测系统包括：
能耗概率分布估计模型构建模块201，用于构建能耗概率分布估计模型。
输入特征获取模块202，用于获取所述能耗概率分布估计模型的输入特征；所述输入特征包括：环境温度、行程距离、天气以及制动强度。
样本集获取模块203，用于获取用于所述能耗概率分布估计模型学习的样本集。
样本子集筛选模块204，用于基于所述输入特征，从所述样本集中筛选相似样本子集。
程能耗估计模型构建模块205，用于构建行程能耗估计模型。
能耗不确定性分布确定模块206，用于基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布。
能耗率偏差概率分布估计模型构建模块207，用于构建能耗率偏差概率分布估计模型。
训练模块208，用于采用所述相似样本子集和所述能耗不确定性分布训练所述能耗率偏差概率分布估计模型。
预测模块209，用于基于训练后的能耗率偏差概率分布估计模型和所述行程能耗估计模型对汽车行程能耗概率分布进行预测。
本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的电动汽车行程能耗概率方法。
本发明还提供一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的电动汽车行程能耗概率方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种电动汽车行程能耗概率分布预测方法，其特征在于，所述预测方法包括：
构建能耗概率分布估计模型；
获取所述能耗概率分布估计模型的输入特征；所述输入特征包括：环境温度、行程距离、天气以及制动强度；
获取用于所述能耗概率分布估计模型学习的样本集；
基于所述输入特征，从所述样本集中筛选相似样本子集；所述相似样本子集是指样本之间的输入特征相似的样本子集；
构建行程能耗估计模型；
基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布；
构建能耗率偏差概率分布估计模型；
采用所述相似样本子集和所述能耗不确定性分布训练所述能耗率偏差概率分布估计模型；
基于训练后的能耗率偏差概率分布估计模型和所述行程能耗估计模型对汽车行程能耗概率分布进行预测；
基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布具体包括以下步骤：
采用所述行程能耗估计模型计算第i个相似样本子集的第j个行程的能耗率
基于所述能耗率计算任意两个行程jp，jq的能耗率的不确定性差异/>
应用排列组合计算个能耗率的不确定性差异；
基于所述个能耗率的不确定性差异确定不同输入特征下的能耗不确定性分布；
基于所述能耗率计算任意两个行程jp，jq的能耗率的不确定性差异/>具体采用以下公式：
其中，ei,j表示所述相似样本子集中第i个子集的第j个行程实际能耗率，i＝1…m，j＝1…ni；表示所述行程能耗估计模型计算的相似样本子集中第i个子集的第j个行程的能耗率。
2.根据权利要求1所述的电动汽车行程能耗概率分布预测方法，其特征在于，获取用于所述能耗概率分布估计模型学习的样本集具体采用设计实验法或数据筛选法。
3.根据权利要求1所述的电动汽车行程能耗概率分布预测方法，其特征在于，所述相似样本子集中包括ni个输入特征相似的行程样本，i＝1…m，m为不同输入特征的相似样本子集的数量。
4.一种电动汽车行程能耗概率分布预测系统，其特征在于，所述预测系统包括：
能耗概率分布估计模型构建模块，用于构建能耗概率分布估计模型；
输入特征获取模块，用于获取所述能耗概率分布估计模型的输入特征；所述输入特征包括：环境温度、行程距离、天气以及制动强度；
样本集获取模块，用于获取用于所述能耗概率分布估计模型学习的样本集；
样本子集筛选模块，用于基于所述输入特征，从所述样本集中筛选相似样本子集；所述相似样本子集是指样本之间的输入特征相似的样本子集；
程能耗估计模型构建模块，用于构建行程能耗估计模型；
能耗不确定性分布确定模块，用于基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布；
能耗率偏差概率分布估计模型构建模块，用于构建能耗率偏差概率分布估计模型；
训练模块，用于采用所述相似样本子集和所述能耗不确定性分布训练所述能耗率偏差概率分布估计模型；
预测模块，用于基于训练后的能耗率偏差概率分布估计模型和所述行程能耗估计模型对汽车行程能耗概率分布进行预测；
基于所述相似样本子集和所述行程能耗估计模型确定不同输入特征下的能耗不确定性分布具体包括以下步骤：
采用所述行程能耗估计模型计算第i个相似样本子集的第j个行程的能耗率
基于所述能耗率计算任意两个行程jp，jq的能耗率的不确定性差异/>
应用排列组合计算个能耗率的不确定性差异；
基于所述个能耗率的不确定性差异确定不同输入特征下的能耗不确定性分布；
基于所述能耗率计算任意两个行程jp，jq的能耗率的不确定性差异/>具体采用以下公式：
其中，ei,j表示所述相似样本子集中第i个子集的第j个行程实际能耗率，i＝1…m，j＝1…ni；表示所述行程能耗估计模型计算的相似样本子集中第i个子集的第j个行程的能耗率。
5.根据权利要求4所述的电动汽车行程能耗概率分布预测系统，其特征在于，获取用于所述能耗概率分布估计模型学习的样本集具体采用设计实验法或数据筛选法。
6.根据权利要求4所述的电动汽车行程能耗概率分布预测系统，其特征在于，所述相似样本子集中包括ni个输入特征相似的行程样本，i＝1…m，m为不同输入特征的相似样本子集的数量。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1-3中任一项所述的电动汽车行程能耗概率方法。
8.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-3中任一项所述的电动汽车行程能耗概率方法。
CN202310166551.4A 2023-02-27 2023-02-27 一种电动汽车行程能耗概率分布预测方法、系统及产品 Active CN116340767B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310166551.4A CN116340767B (zh) 2023-02-27 2023-02-27 一种电动汽车行程能耗概率分布预测方法、系统及产品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310166551.4A CN116340767B (zh) 2023-02-27 2023-02-27 一种电动汽车行程能耗概率分布预测方法、系统及产品

Publications (2)

Publication Number Publication Date
CN116340767A CN116340767A (zh) 2023-06-27
CN116340767B true CN116340767B (zh) 2023-12-01

Family

ID=86890696

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310166551.4A Active CN116340767B (zh) 2023-02-27 2023-02-27 一种电动汽车行程能耗概率分布预测方法、系统及产品

Country Status (1)

Country Link
CN (1) CN116340767B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103273921A (zh) * 2013-06-14 2013-09-04 清华大学 电动汽车续驶里程估计方法
JP2013213692A (ja) * 2012-03-30 2013-10-17 Fujitsu Ten Ltd エネルギー消費量算出システム及びエネルギー消費量算出方法
CN103745110A (zh) * 2014-01-15 2014-04-23 华南农业大学 纯电动公交车营运续驶里程估算方法
DE102014218593A1 (de) * 2014-09-16 2016-03-17 Volkswagen Aktiengesellschaft Vorrichtung und Verfahren zum Ausgeben eines Hinweises bezüglich einer geänderten Reichweitenprognose aufgrund geänderter Umgebungsbedingungen
CN106427589A (zh) * 2016-10-17 2017-02-22 江苏大学 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
WO2017067439A1 (zh) * 2015-10-19 2017-04-27 北京新能源汽车股份有限公司 电动汽车的续驶里程显示方法、装置和系统
CN108556682A (zh) * 2018-03-30 2018-09-21 北京新能源汽车股份有限公司 一种续驶里程预测方法、装置及设备
WO2019113828A1 (zh) * 2017-12-13 2019-06-20 深圳配天智能技术研究院有限公司 纯电动汽车剩余里程的估算方法及装置
CN111452619A (zh) * 2020-01-22 2020-07-28 北京理工大学 电动车辆在线能耗预测方法及系统
CN112208338A (zh) * 2020-09-29 2021-01-12 广州小鹏自动驾驶科技有限公司 一种目的地剩余续航里程计算方法和装置
CN112406875A (zh) * 2020-11-30 2021-02-26 广州橙行智动汽车科技有限公司 一种车辆能耗的分析方法和装置
CN112590620A (zh) * 2020-12-25 2021-04-02 吉林大学 一种面向随机行程模型的纯电动汽车能耗估计方法
DE102020100555A1 (de) * 2020-01-13 2021-07-15 Audi Aktiengesellschaft Wetteroptimierte Reichweitenberechnung für E-Fahrzeuge
WO2022021062A1 (zh) * 2020-07-28 2022-02-03 华为技术有限公司 剩余里程预测的方法和电池远程服务的系统
WO2022062569A1 (zh) * 2020-09-24 2022-03-31 华为技术有限公司 车辆能耗的评分方法和装置
CN114655074A (zh) * 2021-11-16 2022-06-24 吉林大学 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法
CN115451984A (zh) * 2022-08-12 2022-12-09 阿里巴巴（中国）有限公司 一种出行导航方法及设备

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013213692A (ja) * 2012-03-30 2013-10-17 Fujitsu Ten Ltd エネルギー消費量算出システム及びエネルギー消費量算出方法
CN103273921A (zh) * 2013-06-14 2013-09-04 清华大学 电动汽车续驶里程估计方法
CN103745110A (zh) * 2014-01-15 2014-04-23 华南农业大学 纯电动公交车营运续驶里程估算方法
DE102014218593A1 (de) * 2014-09-16 2016-03-17 Volkswagen Aktiengesellschaft Vorrichtung und Verfahren zum Ausgeben eines Hinweises bezüglich einer geänderten Reichweitenprognose aufgrund geänderter Umgebungsbedingungen
WO2017067439A1 (zh) * 2015-10-19 2017-04-27 北京新能源汽车股份有限公司 电动汽车的续驶里程显示方法、装置和系统
CN106427589A (zh) * 2016-10-17 2017-02-22 江苏大学 基于工况预测和模糊能耗的电动汽车续驶里程估算方法
WO2019113828A1 (zh) * 2017-12-13 2019-06-20 深圳配天智能技术研究院有限公司 纯电动汽车剩余里程的估算方法及装置
CN108556682A (zh) * 2018-03-30 2018-09-21 北京新能源汽车股份有限公司 一种续驶里程预测方法、装置及设备
DE102020100555A1 (de) * 2020-01-13 2021-07-15 Audi Aktiengesellschaft Wetteroptimierte Reichweitenberechnung für E-Fahrzeuge
CN111452619A (zh) * 2020-01-22 2020-07-28 北京理工大学 电动车辆在线能耗预测方法及系统
WO2022021062A1 (zh) * 2020-07-28 2022-02-03 华为技术有限公司 剩余里程预测的方法和电池远程服务的系统
WO2022062569A1 (zh) * 2020-09-24 2022-03-31 华为技术有限公司 车辆能耗的评分方法和装置
CN112208338A (zh) * 2020-09-29 2021-01-12 广州小鹏自动驾驶科技有限公司 一种目的地剩余续航里程计算方法和装置
CN112406875A (zh) * 2020-11-30 2021-02-26 广州橙行智动汽车科技有限公司 一种车辆能耗的分析方法和装置
CN112590620A (zh) * 2020-12-25 2021-04-02 吉林大学 一种面向随机行程模型的纯电动汽车能耗估计方法
CN114655074A (zh) * 2021-11-16 2022-06-24 吉林大学 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法
CN115451984A (zh) * 2022-08-12 2022-12-09 阿里巴巴（中国）有限公司 一种出行导航方法及设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
energy uncertainty analysis or electric buses;Jari Vepsäläinen;ENERGIES;正文 *
Influence of Measurement and Prediction Uncertainties on Range Estimation for Electric Vehicles;Stefan Sautermeister;IEEE;正文 *
Method for evaluating the real-world driving energy consumptions of electric vehicles;Xinmei Yuan;ELSEVIER;正文 *
基于不同行驶工况的纯电动汽车电能量消耗影响因素研究;叶鸣;李礼夫;梁翼;董万里;;机械与电子(第04期);正文 *
基于机器学习算法的纯电动汽车能耗预测方法;谭善茂;智能技术;正文 *
电动汽车动力系统参数多指标稳健设计方法;于丽敏;熊会元;宗志坚;吴义忠;;中国机械工程(第20期);正文 *

Also Published As

Publication number Publication date
CN116340767A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Tian Approach for short-term traffic flow prediction based on empirical mode decomposition and combination model fusion
Yufang et al. Investigating long‐term vehicle speed prediction based on BP‐LSTM algorithms
CN107610464A (zh) 一种基于高斯混合时间序列模型的轨迹预测方法
Pan et al. Driving range estimation for electric vehicles based on driving condition identification and forecast
CN108556682B (zh) 一种续驶里程预测方法、装置及设备
Jin et al. Gauss mixture hidden Markov model to characterise and model discretionary lane‐change behaviours for autonomous vehicles
CN112818036B (zh) 基于云端大数据的电动车剩余里程预估方法和装置
CN114493191B (zh) 一种基于网约车数据的驾驶行为建模分析方法
Ye et al. A hybrid approach to estimating electric vehicle energy consumption for ecodriving applications
CN105301508A (zh) 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
CN116663742B (zh) 基于多因素和模型融合的区域运力预测方法
CN116523177A (zh) 融合机理和深度学习模型的车辆能耗预测方法及装置
Hu et al. Driver identification using 1D convolutional neural networks with vehicular CAN signals
Ranaei et al. Forecasting emerging technologies of low emission vehicle
CN116311921A (zh) 一种基于多空间尺度时空Transformer的交通速度预测方法
Billert et al. A method of developing quantile convolutional neural networks for electric vehicle battery temperature prediction trained on cross-domain data
CN113689044B (zh) 一种开关电源剩余使用寿命预测方法及系统
CN114282704A (zh) 充电站充电负荷预测方法、装置、计算机设备和存储介质
CN116340767B (zh) 一种电动汽车行程能耗概率分布预测方法、系统及产品
CN113344257A (zh) 一种国土空间信息服务云平台中图层分析响应时间的混合预测方法
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
Feng et al. Energy consumption prediction strategy for electric vehicle based on LSTM-transformer framework
CN114655074B (zh) 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法
Zhong et al. Finite mixture survival model for examining the variability of urban arterial travel time for buses, passenger cars and taxis
CN114707037A (zh) 新能源车辆节能驾驶推荐方法、装置、设备及存储介质

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