CN116811870A - 能量回收策略的确定方法、装置、设备和存储介质 - Google Patents

能量回收策略的确定方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116811870A
CN116811870A CN202310878204.4A CN202310878204A CN116811870A CN 116811870 A CN116811870 A CN 116811870A CN 202310878204 A CN202310878204 A CN 202310878204A CN 116811870 A CN116811870 A CN 116811870A
Authority
CN
China
Prior art keywords
driving style
data
target
target vehicle
vehicle
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
Application number
CN202310878204.4A
Other languages
English (en)
Inventor
刘航
张敏
陈勇
翟钧
苏琳珂
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.)
Deep Blue Automotive Technology Co ltd
Original Assignee
Deep Blue Automotive Technology Co ltd
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 Deep Blue Automotive Technology Co ltd filed Critical Deep Blue Automotive Technology Co ltd
Priority to CN202310878204.4A priority Critical patent/CN116811870A/zh
Publication of CN116811870A publication Critical patent/CN116811870A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18109—Braking
    • B60W30/18127—Regenerative braking
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
    • B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2540/00—Input parameters relating to occupants
    • B60W2540/30—Driving style
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/406—Traffic density

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及一种能量回收策略的确定方法、装置、设备和存储介质，涉及智能交通系统和能量管理领域技术。该方法包括：获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息；驾驶风格类型用于指示驾驶员的驾驶行为以及驾驶员对车辆的设置；根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值；预测模型用于预测车辆以不同驾驶风格类型通过不同路况拥堵信息对应的路段后的消耗的SOC值；进一步的，根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。

Description

能量回收策略的确定方法、装置、设备和存储介质
技术领域
本申请涉及智能交通系统和能量管理领域技术领域，具体涉及一种能量回收策略的确定方法、装置、设备和存储介质。
背景技术
电动车辆可以采用能量回收的方式降低能源消耗，提高车辆的行驶里程。
相关技术中，在堵车路况下，主要是驾驶员在车辆中手动设置能量回收策略的方式，进行能量回收，但是，这种能量回收方式无法实现在堵车路况下自动确定车辆的能量回收策略。
发明内容
本申请提供一种能量回收策略的确定方法、装置、设备和存储介质，以至少解决相关技术中无法实现在堵车路况下自动确定车辆的能量回收策略的技术问题。本申请的技术方案如下：
根据本申请涉及的第一方面，提供一种能量回收策略的确定方法，包括：获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息；驾驶风格类型用于指示驾驶员的驾驶行为以及驾驶员对车辆的设置；根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值；预测模型用于预测车辆以不同驾驶风格类型通过不同路况拥堵信息对应的路段后的消耗的SOC值；根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。
根据上述技术手段，本申请可以通过获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息；根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值。进一步的，根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。这样，通过预测目标车辆的目标SOC消耗值，并根据目标车辆的驾驶员的目标驾驶风格类型，实现了自动确定出目标车辆的目标能量回收策略。
在一种可能的实施方式中，上述获取目标车辆的驾驶风格类型，包括：获取目标车辆的当前驾驶风格数据；当前驾驶风格数据为当前时刻的驾驶风格数据，驾驶风格数据包括驾驶员的驾驶行为数据以及车辆的设置数据；确定当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离；多个预设的驾驶风格数据与多个预设驾驶风格类型一一对应；将多个距离中的最小值所对应的预设驾驶风格类型确定为目标车辆的驾驶风格类型。
根据上述技术手段，本申请可以通过获取目标车辆的当前驾驶风格数据；确定当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离；将多个距离中的最小值所对应的预设驾驶风格类型确定为目标车辆的驾驶风格类型。这样，通过计算当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，多个距离中的最小值所对应的预设驾驶风格数据与当前驾驶风格数据最相似，实现了一种确定当前驾驶风格数据对应的驾驶风格类型的方法。
在一种可能的实施方式中，上述方法还包括：获取多个样本车辆的历史驾驶风格数据；历史驾驶风格数据为历史时刻的驾驶风格数据；对多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇；将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到多个预设的驾驶风格数据。
根据上述技术手段，本申请可以通过获取多个样本车辆的历史驾驶风格数据；对多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇；并将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到多个预设的驾驶风格数据。这样，实现了确定多个预设的驾驶风格数据。
在一种可能的实施方式中，上述法还包括：获取多个样本数据，以及每个样本数据对应的样本SOC消耗值；每个样本数据包括车辆的驾驶风格类型和路况拥堵信息；根据多个样本数据，以及每个样本数据对应的样本SOC消耗值，构建预测模型。
根据上述技术手段，本申请可以通过获取多个样本数据，以及每个样本数据对应的样本SOC消耗值；并根据多个样本数据，以及每个样本数据对应的样本SOC消耗值，构建预测模型。这样，实现了一种构建预测模型的方法。
在一种可能的实施方式中，上述每个样本数据还包括车辆外部温度、车辆外部湿度和高压附件SOC开启状态。
根据上述技术手段，本申请中每个样本数据还包括车辆外部温度、车辆外部湿度和高压附件SOC开启状态。这样，通过增加每个样本数据，可以提高构建出的预测模型的准确率。
在一种可能的实施方式中，上述根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略，包括：根据目标车辆的驾驶风格类型以及目标SOC消耗值，从预设的对应关系中确定目标车辆的驾驶风格类型以及目标SOC消耗值，所对应目标车辆的目标回收策略；预设的对应关系包括不同驾驶风格类型以及不同SOC消耗值，所对应的不同能量回收策略。
根据上述技术手段，本申请可以根据目标车辆的驾驶风格类型以及目标SOC消耗值，从预设的对应关系中确定目标车辆的驾驶风格类型以及目标SOC消耗值，所对应目标车辆的目标回收策略。这样，通过预设的对应关系，实现了确定出目标车辆的目标回收策略。
根据本申请提供的第二方面，提供一种能量回收策略的确定装置，包括获取单元、预测单元和确定单元；获取单元，用于获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息；驾驶风格类型用于指示驾驶员的驾驶行为以及驾驶员对车辆的设置；预测单元，用于根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值；预测模型用于预测车辆以不同驾驶风格类型通过不同路况拥堵信息对应的路段后的消耗的SOC值；确定单元，用于根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。
在一种可能的实施方式中，上述获取单元，具体用于：获取目标车辆的当前驾驶风格数据；当前驾驶风格数据为当前时刻的驾驶风格数据，驾驶风格数据包括驾驶员的驾驶行为数据以及车辆的设置数据；确定当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离；多个预设的驾驶风格数据与多个预设驾驶风格类型一一对应；将多个距离中的最小值所对应的预设驾驶风格类型确定为目标车辆的驾驶风格类型。
在一种可能的实施方式中，上述装置还包括：处理单元；获取单元，还用于获取多个样本车辆的历史驾驶风格数据；历史驾驶风格数据为历史时刻的驾驶风格数据；
处理单元，用于对多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇；确定单元，还用于将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到多个预设的驾驶风格数据。
在一种可能的实施方式中，上述装置还包括：构建单元；获取单元，还用于获取多个样本数据，以及每个样本数据对应的样本SOC消耗值；每个样本数据包括车辆的驾驶风格类型和路况拥堵信息；构建单元，用于根据多个样本数据，以及每个样本数据对应的样本SOC消耗值，构建预测模型。
在一种可能的实施方式中，上述每个样本数据还包括车辆外部温度、车辆外部湿度和高压附件SOC开启状态。
在一种可能的实施方式中，上述确定单元，具体用于：根据目标车辆的驾驶风格类型以及目标SOC消耗值，从预设的对应关系中确定目标车辆的驾驶风格类型以及目标SOC消耗值，所对应目标车辆的目标回收策略；预设的对应关系包括不同驾驶风格类型以及不同SOC消耗值，所对应的不同能量回收策略。
根据本申请提供的第三方面，提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现上述第一方面及其任一种可能的实施方式的方法。
根据本申请提供的第四方面，提供一种计算机可读存储介质，当计算机可读存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行上述第一方面中及其任一种可能的实施方式的方法。
根据本申请提供的第五方面，提供一种计算机程序产品，计算机程序产品包括计算机指令，当计算机指令在电子设备上运行时，使得电子设备执行上述第一方面及其任一种可能的实施方式的方法。
需要说明的是，第二方面至第五方面中的任一种实现方式所带来的技术效果可参见第一方面中对应实现方式所带来的技术效果，此处不再赘述。
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。
由此，本申请的上述技术特征具有以下有益效果：
(1)可以通过获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息；根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值。进一步的，根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。这样，通过预测目标车辆的目标SOC消耗值，并根据目标车辆的驾驶员的目标驾驶风格类型，实现了在堵车路况下自动确定出目标车辆的目标能量回收策略。
(2)可以通过获取目标车辆的当前驾驶风格数据；确定当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离；将多个距离中的最小值所对应的预设驾驶风格类型确定为目标车辆的驾驶风格类型。这样，通过计算当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，多个距离中的最小值所对应的预设驾驶风格数据与当前驾驶风格数据最相似，实现了一种确定当前驾驶风格数据对应的驾驶风格类型的方法。
(3)可以通过获取多个样本车辆的历史驾驶风格数据；对多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇；并将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到多个预设的驾驶风格数据。这样，实现了确定多个预设的驾驶风格数据。
(4)可以通过获取多个样本数据，以及每个样本数据对应的样本SOC消耗值；并根据多个样本数据，以及每个样本数据对应的样本SOC消耗值，构建预测模型。这样，实现了一种构建预测模型的方法。
(5)通过增加每个样本数据，可以提高构建出的预测模型的准确率。
(6)可以根据目标车辆的驾驶风格类型以及目标SOC消耗值，从预设的对应关系中确定目标车辆的驾驶风格类型以及目标SOC消耗值，所对应目标车辆的目标回收策略。这样，通过预设的对应关系，实现了确定出目标车辆的目标回收策略。
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，并不构成对本申请的不当限定。
图1是根据一示例性实施例示出的一种能量回收策略的确定方法的流程图；
图2是根据一示例性实施例示出的又一种能量回收策略的确定方法的流程图；
图3是根据一示例性实施例示出的又一种能量回收策略的确定方法的流程图；
图4是根据一示例性实施例示出的又一种能量回收策略的确定方法的示意图；
图5是根据一示例性实施例示出的一种能量回收策略的确定装置的框图；
图6是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案，下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
为了便于理解，以下结合附图对本申请提供的能量回收策略的确定方法进行具体介绍。
图1是根据一示例性实施例示出的一种能量回收策略的确定方法的流程图，如图1所示，该能量回收策略的确定方法包括以下步骤：
S101、电子设备获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息。
其中，驾驶风格类型用于指示驾驶员的驾驶行为以及驾驶员对车辆的设置。
作为一种可能的实现方式，电子设备获取目标车辆的当前驾驶风格数据，并计算当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离。进一步的，电子设备将多个距离中的最小值所对应的预设驾驶风格类型确定为目标车辆的驾驶风格类型。
电子设备从目标车辆的导航软件中获取目标车辆的路况拥堵信息。
需要说明的，当前驾驶风格数据为当前时刻的驾驶风格数据，驾驶风格数据包括驾驶员的驾驶行为数据以及车辆的设置数据。
多个预设的驾驶风格数据与多个预设驾驶风格类型一一对应。
示例性的，驾驶员的行为数据包括百公里急加速次数、百公里低速行驶急加速次数、百公里加速踏板100％次数、百公里急刹车次数、百公里高速行驶急减速次数、百公里夜间驾驶里程、百公里疲劳驾驶里程、百公里疲劳驾驶急加速次数、驾驶员是否在车内抽烟和驾驶员是否在开车过程中打电话。
车辆的设置数据包括车辆的能量回收模式设置、方向盘助力模式。
目标车辆的路况拥堵信息包括目标车辆的拥堵路况、拥堵时长和预计通过时长。
在实际应用过程中，电子设备对获取到目标车辆的当前驾驶风格数据以及路况拥堵信息进行特征筛选、去除异常数据、填充缺失值等处理。
由于百公里急加速次数、百公里低速行驶急加速次数、百公里加速踏板100％次数、百公里急刹车次数、百公里高速行驶急减速次数、百公里夜间驾驶里程、百公里疲劳驾驶里程以及百公里疲劳驾驶急加速次数为数值变量，所以电子设备基于数据归一化算法对上述数值变量进行归一化处理，以消除量级的影响。
由于驾驶员是否在车内抽烟、驾驶员是否在开车过程中打电话、车辆的能量回收模式设置、方向盘助力模式为分类变量，所以电子设备基于虚拟变量生成算法对上述分类变量进行虚拟变量生成处理。
以下具体介绍数据归一化算法：
电子设备对上述数值变量进行归一化处理满足以下公式一：
其中，Xt为进行归一化处理之前的数值变量，min(X)为数值变量中的最小值，max(X)为数值变量中的最大值，Yt为进行归一化处理之后的数值变量。
以下具体介绍虚拟变量生成算法：
电子设备对上述分类变量进行虚拟变量生成处理满足以下公式二：
其中，若虚拟变量生成处理前的分类变量X有t个分类，每个分类的值为X(t)，则电子设备可以生成t-1个虚拟变量，Y(t-1)为转换后生成的虚拟变量。
S102、电子设备根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值。
其中，预测模型用于预测车辆以不同驾驶风格类型通过不同路况拥堵信息对应的路段后的消耗的SOC值。
作为一种可能的实现方式，电子设备将目标车辆的驾驶风格类型、路况拥堵信息输入到预先训练好的预测模型中，预先训练好的预测模型经过处理，输出目标车辆的目标SOC消耗值。
S103、电子设备根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。
作为一种可能的实现方式，电子设备获取当前时刻目标车辆的SOC剩余值。
电子设备计算当前时刻SOC剩余值与目标SOC消耗值的差值，并将该差值确定为目标SOC预测剩余值。
电子设备从预设的对应关系中查询到目标车辆的驾驶风格类型以及目标SOC预测剩余值，所对应的目标回收能量策略。
需要说明的，预设的对应关系包括不同驾驶风格类型以及不同SOC预测剩余值，所对应的不同能量回收策略。
示例性的，驾驶风格类型包括运动、休闲和标准，能量回收策略包括高、中和低，预设的对应关系如下表1所示：
表1预设的对应关系
驾驶风格 SOC预测剩余值 能量回收策略
运动 20～40 高
休闲 20～40 高
标准 20～40 高
运动 40～60 高
休闲 40～60 中
标准 40～60 中
运动 60以上 中
休闲 60以上 低
标准 60以上 低
若目标车辆的驾驶风格类型为运动，目标SOC预测剩余值大于60，则电子设备确定目标车辆的目标能量回收策略为中。
可以理解的，本申请实施例提供的技术方案，通过获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息；根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值。进一步的，根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。这样，通过预测目标车辆的目标SOC消耗值，并根据目标车辆的驾驶员的目标驾驶风格类型，实现了在堵车路况下自动确定出目标车辆的目标能量回收策略。
在一些实施例中，为了得到多个预设的驾驶风格数据，如图2所示，本申请实施例提供的能量回收策略的确定方法还包括以下步骤：
S201、电子设备获取多个样本车辆的历史驾驶风格数据。
其中，历史驾驶风格数据为历史时刻的驾驶风格数据。
作为一种可能的实现方式，电子设备从多个样本车辆上传的车辆数据中获取多个样本车辆的历史驾驶风格数据。
S202、电子设备对多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇。
作为一种可能的实现方式，电子设备根据预先设置好的k值，对多个样本车辆的历史驾驶风格数据进行k均值聚类算法处理，得到多个驾驶风格数据簇。
需要说明的，多个驾驶风格数据簇的数量与k值相等。
以下具体介绍k均值聚类算法：
对于多个样本车辆的历史驾驶风格数据集X＝x1，x2,x3,…,xn，x1为第一个历史驾驶风格数据。
电子设备基于预先设置好的k值，从多个样本车辆的历史驾驶风格数据中随机选择k个数据点作为聚类中心点Cj。
电子设备计算每个历史驾驶风格数据xi与每个聚类中心点Cj的距离dij，并将每个历史驾驶风格数据分配到距离最近的聚类中心点Cj的聚类j中,满足以下公式三：
dij＝||xi-Cj||2
ki＝argmindij公式三
对于每个聚类j，电子设备将聚类中所有历史驾驶风格数据的均值更新为聚类中心点Cj满足以下公式四：
其中，Sj表示第j个聚类中包含的数据点集合。
电子设备对聚类中心点进行迭代更新，最小化每个聚类内部历史驾驶风格数据与其聚类中心点之间的距离平方和，直至聚类中心点不再发生变化或者达到预设最大迭代次数，满足以下公式五：
电子设备输出k个聚类中心点Cj以及每个剧烈中心点对应的聚类集合Sj。
S203、电子设备将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到多个预设的驾驶风格数据。
需要说明的，每个驾驶风格数据簇的中心点为k均值聚类算法处理完成时更新后每个驾驶风格数据簇的中心点。
可以理解的，本申请实施例提供的技术方案，通过获取多个样本车辆的历史驾驶风格数据；对多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇；并将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到多个预设的驾驶风格数据。这样，实现了确定多个预设的驾驶风格数据。
在一些实施例中，为了构建预测模型，如图3所示，本申请实施例提供的能量回收策略的确定方法还包括以下步骤：
S301、电子设备获取多个样本数据，以及每个样本数据对应的样本SOC消耗值。
其中，每个样本数据包括车辆的驾驶风格类型和路况拥堵信息。
S302、电子设备根据多个样本数据，以及每个样本数据对应的样本SOC消耗值，构建预测模型。
作为一种可能的实现方式，电子设备将多个样本数据作为自变量，将每个样本数据对应的样本SOC消耗值作为因变量，并基于线性回归模型方法训练得到预测模型。
在实际应用过程中，每个样本数据还包括车辆外部温度、车辆外部湿度和高压附件SOC开启状态。
电子设备对预测模型进行训练和测试，训练和测试的比例为7:3。
电子设备通过曲线下面积(Area under curve，AUC)和准确率评估预测模型的性能和准确性。
接受者操作特征(Receiver operating characteristic,ROC)曲线是一种比较两个分类模型有用的可视化工具。ROC曲线显示了给定模型的真正例率(True positiverate，TPR)和假正例率(False positive rate,FPR)之间的权衡，TPR＝TP/(TP+FN)＝sensitivity，FPR＝FP/(TN+FP)＝1-specificity。因此，ROC曲线也可以理解为不同阈值下Sensitivity和1-Specificity的轨迹。
如图4所示，ROC曲线以下的面积就是模型准确率的度量(AUC)。一般AUC的值越大模型效果越好，AUC的值在0.7到0.9之间，说明预测模型具有一定的准确性。
可以理解的，本申请实施例提供的技术方案，通过获取多个样本数据，以及每个样本数据对应的样本SOC消耗值；并根据多个样本数据，以及每个样本数据对应的样本SOC消耗值，构建预测模型。这样，实现了一种构建预测模型的方法。
上述主要从方法的角度对本申请实施例提供的方案进行了介绍。为了实现上述功能，能量回收策略的确定装置或电子设备包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例可以根据上述方法，示例性的对能量回收策略的确定装置或电子设备进行功能模块的划分，例如，能量回收策略的确定装置或电子设备可以包括对应各个功能划分的各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
图5是根据一示例性实施例示出的一种能量回收策略的确定装置的框图。参照图5，该能量回收策略的确定装置400包括：获取单元401、预测单元402和确定单元403。
获取单元401，用于获取目标车辆的驾驶员的目标驾驶风格类型，以及目标车辆的路况拥堵信息；驾驶风格类型用于指示驾驶员的驾驶行为以及驾驶员对车辆的设置。
预测单元402，用于根据目标车辆的驾驶风格类型、目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测目标车辆的目标SOC消耗值；预测模型用于预测车辆以不同驾驶风格类型通过不同路况拥堵信息对应的路段后的消耗的SOC值。
确定单元403，用于根据目标车辆的驾驶风格类型，以及目标SOC消耗值，确定目标车辆的目标能量回收策略。
可选的，如图5所示，本申请实施例提供的获取单元401，具体用于：获取目标车辆的当前驾驶风格数据；当前驾驶风格数据为当前时刻的驾驶风格数据，驾驶风格数据包括驾驶员的驾驶行为数据以及车辆的设置数据。
确定当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离；多个预设的驾驶风格数据与多个预设驾驶风格类型一一对应。
将多个距离中的最小值所对应的预设驾驶风格类型确定为目标车辆的驾驶风格类型。
可选的，如图5所示，本申请实施例提供的能量回收策略的确定装置400还包括：处理单元404。
获取单元401，还用于获取多个样本车辆的历史驾驶风格数据；历史驾驶风格数据为历史时刻的驾驶风格数据。
处理单元404，用于对多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇。
确定单元403，还用于将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到多个预设的驾驶风格数据。
可选的，如图5所示，本申请实施例提供的能量回收策略的确定装置400还包括：构建单元405。
获取单元401，还用于获取多个样本数据，以及每个样本数据对应的样本SOC消耗值；每个样本数据包括车辆的驾驶风格类型和路况拥堵信息。
构建单元405，用于根据多个样本数据，以及每个样本数据对应的样本SOC消耗值，构建预测模型。
可选的，本申请实施例提供的能量回收策略的确定装置400中每个样本数据还包括车辆外部温度、车辆外部湿度和高压附件SOC开启状态。
可选的，如图5所示，本申请实施例提供的确定单元403，具体用于：根据目标车辆的驾驶风格类型以及目标SOC消耗值，从预设的对应关系中确定目标车辆的驾驶风格类型以及目标SOC消耗值，所对应目标车辆的目标回收策略；预设的对应关系包括不同驾驶风格类型以及不同SOC消耗值，所对应的不同能量回收策略。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图6是根据一示例性实施例示出的一种电子设备的框图。如图6所示，电子设备500包括但不限于：处理器501和存储器502。
其中，上述的存储器502，用于存储上述处理器501的可执行指令。可以理解的是，上述处理器501被配置为执行指令，以实现上述实施例中的能量回收策略的确定方法。
需要说明的是，本领域技术人员可以理解，图6中示出的电子设备结构并不构成对电子设备的限定，电子设备可以包括比图6所示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
处理器501是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器502内的软件程序和/或模块，以及调用存储在存储器502内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。处理器501可包括一个或多个处理单元。可选的，处理器501可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器501中。
存储器502可用于存储软件程序以及各种数据。存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能模块所需的应用程序(比如确定单元、处理单元等)等。此外，存储器502可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，例如包括指令的存储器502，上述指令可由电子设备500的处理器501执行以实现上述实施例中的能量回收策略的确定方法。
在实际实现时，图5中的获取单元401、预测单元402、确定单元403、处理单元404、构建单元405的功能均可以由图6中的处理器501调用存储器502中存储的计算机程序实现。其具体的执行过程可参考上实施例中的能量回收策略的确定方法部分的描述，这里不再赘述。
可选地，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，该非临时性计算机可读存储介质可以是只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中，本申请实施例还提供了一种包括一条或多条指令的计算机程序产品，该一条或多条指令可以由电子设备的处理器501执行以完成上述实施例中的能量回收策略的确定方法。
需要说明的是，上述计算机可读存储介质中的指令或计算机程序产品中的一条或多条指令被电子设备的处理器执行时实现上述能量回收策略的确定方法实施例的各个过程，且能达到与上述能量回收策略的确定方法相同的技术效果，为避免重复，这里不再赘述。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，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分类部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全分类部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全分类部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全分类部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种能量回收策略的确定方法，其特征在于，所述方法包括：
获取目标车辆的驾驶员的目标驾驶风格类型，以及所述目标车辆的路况拥堵信息；所述驾驶风格类型用于指示驾驶员的驾驶行为以及驾驶员对车辆的设置；
根据所述目标车辆的驾驶风格类型、所述目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测所述目标车辆的目标荷电状态SOC消耗值；所述预测模型用于预测车辆以不同驾驶风格类型通过不同路况拥堵信息对应的路段后的消耗的SOC值；
根据所述目标车辆的驾驶风格类型，以及所述目标SOC消耗值，确定所述目标车辆的目标能量回收策略。
2.根据权利要求1所述的方法，其特征在于，所述获取目标车辆的驾驶风格类型，包括：
获取所述目标车辆的当前驾驶风格数据；所述当前驾驶风格数据为当前时刻的驾驶风格数据，所述驾驶风格数据包括驾驶员的驾驶行为数据以及车辆的设置数据；
确定所述当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离；所述多个预设的驾驶风格数据与多个预设驾驶风格类型一一对应；
将所述多个距离中的最小值所对应的预设驾驶风格类型确定为所述目标车辆的驾驶风格类型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取多个样本车辆的历史驾驶风格数据；所述历史驾驶风格数据为历史时刻的驾驶风格数据；
对所述多个样本车辆的历史驾驶风格数据进行聚类处理，得到多个驾驶风格数据簇；
将每个驾驶风格数据簇的中心点的数据确定为预设的驾驶风格数据，得到所述多个预设的驾驶风格数据。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取多个样本数据，以及每个样本数据对应的样本SOC消耗值；所述每个样本数据包括车辆的驾驶风格类型和路况拥堵信息；
根据所述多个样本数据，以及所述每个样本数据对应的样本SOC消耗值，构建所述预测模型。
5.根据权利要求4所述的方法，其特征在于，所述每个样本数据还包括车辆外部温度、车辆外部湿度和高压附件SOC开启状态。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标车辆的驾驶风格类型，以及所述目标SOC消耗值，确定所述目标车辆的目标能量回收策略，包括：
根据所述目标车辆的驾驶风格类型以及所述目标SOC消耗值，从预设的对应关系中确定所述目标车辆的驾驶风格类型以及所述目标SOC消耗值，所对应目标车辆的目标回收策略；所述预设的对应关系包括不同驾驶风格类型以及不同SOC消耗值，所对应的不同能量回收策略。
7.一种能量回收策略的确定装置，其特征在于，所述装置包括：获取单元、预测单元和确定单元；
所述获取单元，用于获取目标车辆的驾驶员的目标驾驶风格类型，以及所述目标车辆的路况拥堵信息；所述驾驶风格类型用于指示驾驶员的驾驶行为以及驾驶员对车辆的设置；
所述预测单元，用于根据所述目标车辆的驾驶风格类型、所述目标车辆的路况拥堵信息，以及预先训练好的预测模型，预测所述目标车辆的目标SOC消耗值；所述预测模型用于预测车辆以不同驾驶风格类型通过不同路况拥堵信息对应的路段后的消耗的SOC值；
所述确定单元，用于根据所述目标车辆的驾驶风格类型，以及所述目标SOC消耗值，确定所述目标车辆的目标能量回收策略。
8.根据权利要求7所述的装置，其特征在于，所述获取单元具体用于：
获取所述目标车辆的当前驾驶风格数据；所述当前驾驶风格数据为当前时刻的驾驶风格数据，所述驾驶风格数据包括驾驶员的驾驶行为数据以及车辆的设置数据；
确定所述当前驾驶风格数据与多个预设的驾驶风格数据之间的距离，得到多个距离；所述多个预设的驾驶风格数据与多个预设驾驶风格类型一一对应；
将所述多个距离中的最小值所对应的预设驾驶风格类型确定为所述目标车辆的驾驶风格类型。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述指令，以实现如权利要求1至6中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，当所述计算机可读存储介质中存储的计算机执行指令由电子设备的处理器执行时，所述电子设备能够执行如权利要求1至6中任一项所述的方法。
CN202310878204.4A 2023-07-17 2023-07-17 能量回收策略的确定方法、装置、设备和存储介质 Pending CN116811870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310878204.4A CN116811870A (zh) 2023-07-17 2023-07-17 能量回收策略的确定方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310878204.4A CN116811870A (zh) 2023-07-17 2023-07-17 能量回收策略的确定方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN116811870A true CN116811870A (zh) 2023-09-29

Family

ID=88122105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310878204.4A Pending CN116811870A (zh) 2023-07-17 2023-07-17 能量回收策略的确定方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116811870A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117261904A (zh) * 2023-11-21 2023-12-22 北京航空航天大学 一种自适应场景与风格的混动汽车驾驶模式决策方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117261904A (zh) * 2023-11-21 2023-12-22 北京航空航天大学 一种自适应场景与风格的混动汽车驾驶模式决策方法
CN117261904B (zh) * 2023-11-21 2024-01-30 北京航空航天大学 一种自适应场景与风格的混动汽车驾驶模式决策方法

Similar Documents

Publication Publication Date Title
US11813962B2 (en) Supplying power to an electric vehicle
EP3850551A1 (en) Systems and methods for managing energy storage systems
CN116811870A (zh) 能量回收策略的确定方法、装置、设备和存储介质
CN113219336B (zh) 电池劣化判断系统、方法及存储有程序的非临时性存储介质
WO2021188647A1 (en) Systems and methods for managing velocity profiles
US11835589B2 (en) Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine
CN112703518A (zh) 剩余里程预测的方法和电池远程服务的系统
CN111191824A (zh) 一种动力电池容量衰减预测方法及系统
CN113335131A (zh) 一种车辆续航里程预测方法、装置、设备和存储介质
CN112838247A (zh) 燃料电池系统功率模型预测计算方法、装置、介质及设备
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
CN115598531A (zh) 车辆电池健康状态的估计方法及其估计模型的训练方法
CN116080470A (zh) 电动汽车的动力电池监控方法、装置、服务器及介质
CN114997748A (zh) 基于模型融合的新能源汽车运行安全风险预测方法及系统
CN114325442A (zh) 用于鲁棒地预测机器中的蓄能器的老化特性的方法和设备
CN114485826A (zh) 一种车辆里程油耗数据确定方法及装置
KR20210136496A (ko) 빅데이터를 이용한 배터리 수명 예측 시스템
JP2021124420A (ja) バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム
CN111361451A (zh) 一种纯电动汽车的剩余里程预估方法及装置
US20230176137A1 (en) Method and system for determining a remaining useful lifetime of a battery
US20240217388A1 (en) Probabilistic modelling of electric vehicle charging and driving usage behavior with hidden markov model-based clustering
CN112035942B (zh) 一种基于驾驶行为的能耗仿真方法和装置
WO2024133249A1 (en) System and method for improving utilization of electrical energy storage packs
KR20120061697A (ko) 적응형 에코드라이빙 판별 시스템 및 그 방법
CN117992667A (zh) 一种服务推荐方法、装置、电子设备及存储介质

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