CN116894525B - 一种电动重型卡车续航里程预测方法及装置 - Google Patents

一种电动重型卡车续航里程预测方法及装置 Download PDF

Info

Publication number
CN116894525B
CN116894525B CN202311126664.8A CN202311126664A CN116894525B CN 116894525 B CN116894525 B CN 116894525B CN 202311126664 A CN202311126664 A CN 202311126664A CN 116894525 B CN116894525 B CN 116894525B
Authority
CN
China
Prior art keywords
data
heavy truck
driving
preset
time
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
CN202311126664.8A
Other languages
English (en)
Other versions
CN116894525A (zh
Inventor
杨丽娅
陈胜兵
张东江
张斌
李萱
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.)
Shanghai Enneagon Energy Technology Co ltd
Beijing Jiuxing Zhiyan Transportation Technology Co ltd
Original Assignee
Shanghai Enneagon Energy Technology Co ltd
Beijing Jiuxing Zhiyan Transportation 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 Shanghai Enneagon Energy Technology Co ltd, Beijing Jiuxing Zhiyan Transportation Technology Co ltd filed Critical Shanghai Enneagon Energy Technology Co ltd
Priority to CN202311126664.8A priority Critical patent/CN116894525B/zh
Publication of CN116894525A publication Critical patent/CN116894525A/zh
Application granted granted Critical
Publication of CN116894525B publication Critical patent/CN116894525B/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"
    • 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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/083—Shipping
    • G06Q10/0835—Relationships between shipper or supplier and carriers
    • G06Q10/08355—Routing methods
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供了一种电动重型卡车续航里程预测方法和装置，首先获取电动重型卡车的行驶记录数据并切分，得到第一训练样本数据，进而得到续航里程预测模型，其次获得重量实时数据、电池状态实时数据和实时位置数据，得到剩余行驶地形类别分布数据和行驶速度预测数据，最后获得续航里程预测值。与现有技术相比，本发明在计算目标重卡的续航里程预测值时综合考虑电动重型卡车的当前状态、行驶路线地形分布情况，并将完整行驶记录数据进行切分，获得多个第一训练样本数据，使最终得出的续航里程预测模型的计算结果更准确。

Description

一种电动重型卡车续航里程预测方法及装置
技术领域
本申请涉及电动车辆技术领域，具体涉及一种电动重型卡车续航里程预测方法及装置。
背景技术
重型卡车简称重卡，种类繁多，应用广泛，包括各种专用车、货车、自卸车、越野车等，例如洒水车、拉土车、军用越野车。近些年，电动重型卡车因更加节能环保而被大量推广，与此同时，在实际应用中需要提前预估电动重型卡车的续航里程以确定该电动重型卡车是否能够完成行驶任务。
现有技术中，预测电动车辆的续航里程的方法通常是简单根据电动车辆的行驶速度和动力电池剩余电量确定。该方法对于行驶全过程中总重量变化量相对不大的电动乘用车是有效的，但基于实际应用，电动重型卡车自重通常大于电动乘用车，并且在行驶全过程中存在满载状态和空载状态的切换，总重量变化量相对较大，导致其行驶全过程不同状态下耗电量以及所获得的回馈电量差别较大。因此，采用现有技术预测电动重型卡车的续航里程，存在预测结果精确度较低的现象。
发明内容
有鉴于此，本发明实施例所解决的技术问题之一在于提供一种电动重型卡车续航里程预测方法及装置，用以克服现有技术中电动重型卡车续航里程预测结果精确度低的问题。
本申请实施例第一方面公开一种电动重型卡车续航里程预测方法，所述方法包括：
将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据；其中，所述第一训练样本数据用于表征所述电动重型卡车的预设剩余电量变化量与行驶里程、重量、行驶速度和行驶地形类别的对应关系；
利用第一预设机器学习算法和所述第一训练样本数据，训练获得续航里程预测模型；
获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据；其中，所述重量实时数据用于表征所述目标重卡在当前时刻的载重和车重之和；所述电池状态实时数据用于表征所述目标重卡的动力电池的当前剩余电量；所述实时位置数据用于表征所述目标重卡的当前地理位置；
根据所述目标重卡的所述实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据；其中，所述行驶计划数据用于表征所述目标重卡当前运输任务的计划行驶路线；所述剩余行驶地形类别分布数据用于表征所述目标重卡从当前地理位置按照所述计划行驶路线行驶到目的地，即将途径的行驶地形类别分布；所述行驶速度预测数据用于表征所述目标重卡的从当前地理位置按照所述计划行驶路线行驶到目的地的行驶速度安排；
根据所述重量实时数据、所述电池状态实时数据、所述行驶速度预测数据和所述剩余行驶地形类别分布数据，利用所述续航里程预测模型计算获得所述目标重卡的续航里程预测值。
本申请实施例第二方面公开一种电动重型卡车续航里程预测装置，所述装置包括：
第一数据处理模块，用于将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据；其中，所述第一训练样本数据用于表征所述电动重型卡车的预设剩余电量变化量与行驶里程、重量、行驶速度和行驶地形类别的对应关系；
第一模型构建模块，用于利用第一预设机器学习算法和所述第一训练样本数据，训练获得续航里程预测模型；
数据采集模块，用于获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据；其中，所述重量实时数据用于表征所述目标重卡在当前时刻的载重和车重之和；所述电池状态实时数据用于表征所述目标重卡的动力电池的当前剩余电量；所述实时位置数据用于表征所述目标重卡的当前地理位置；
第二数据处理模块，用于根据所述目标重卡的所述实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据；其中，所述行驶计划数据用于表征所述目标重卡当前运输任务的计划行驶路线；所述剩余行驶地形类别分布数据用于表征所述目标重卡从当前地理位置按照所述计划行驶路线行驶到目的地，将途径的行驶地形类别分布；所述行驶速度预测数据用于表征所述目标重卡的从当前地理位置按照所述计划行驶路线行驶到目的地的行驶速度安排；
续航里程预测模块，用于根据所述重量实时数据、所述电池状态实时数据、所述行驶速度预测数据和所述剩余行驶地形类别分布数据，利用所述续航里程预测模型计算获得所述目标重卡的续航里程预测值。
本发明实施例中首先获取电动重型卡车的行驶记录数据并进行切分，得到多组第一训练样本数据，利用第一预设机器学习算法训练得到可用的续航里程预测模型，其次获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据，计算得到剩余行驶地形类别分布数据和行驶速度预测数据，最后将重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据作为输入，利用续航里程预测模型计算，最终获得目标重卡的续航里程预测值。故与现有技术相比，本发明一方面考虑到重量和地形对电动重型卡车的续航里程的影响较大，在计算目标重卡的续航里程预测值时综合考虑了当前剩余电量、当前状态，以及即将行驶路线的速度安排和地形分布情况，使得最终计算得出的目标重卡的续航里程预测值更为准确；另一方面考虑到相对于乘用车而言，电动重型卡车的行驶记录数据可能相对较少，本发明根据预设剩余电量变化量将电动重型卡车的完整行程对应的行驶记录数据切分成多个第一训练样本数据，从而使得最终利用机器学习算法训练得出的续航里程预测模型的计算结果更准确。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实例一公开的一种电动重型卡车续航里程预测方法的流程示意图；
图2是本申请实例二公开的一种电动重型卡车续航里程预测方法的流程示意图；
图3是本申请实例三公开的一种电动重型卡车续航里程预测方法的流程示意图；
图4是本申请实例四公开的一种电动重型卡车续航里程预测装置的结构示意框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同的对象，而不是用于描述特定顺序。本申请实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实例一
如图1所示，图1为本申请实例一公开的一种电动重型卡车续航里程预测方法的流程示意图，该电动重型卡车续航里程预测方法包括：
步骤S101，将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据。
本实施例中，电动重型卡车是指以动力电池作为能量来源，自重相对乘用车而言较大，核定载质量较大的工作卡车。电动重型卡车的品牌、动力电池的种类、核定载质量等参数不作限制。
本实施例中，行驶记录数据至少用于表征电动重型卡车动力电池在一段时间内的剩余电量的取值与行驶里程、重量、行驶速度和行驶地形类别的对应关系。
本实施例中，第一训练样本数据至少用于表征电动重型卡车的动力电池的预设剩余电量变化量与行驶里程、重量、行驶速度和行驶地形类别的对应关系。
其中，动力电池的预设剩余电量变化量用于表征动力电池剩余电量值的变化量，该变化量的正负不限。动力电池剩余电量值表征电池剩余电荷的可用状态，多用百分数表示。动力电池的预设剩余电量变化量的大小不限，可根据实际需求设置，例如可设置预设剩余电量变化量为1%、2%、3%等。
其中，行驶地形类别是指电动重型卡车行驶路程所对应的类别，具体类别不限，可根据实际情况进行选择。例如，可将行驶地形类别分为平地、上坡和下坡等。
步骤S102，利用第一预设机器学习算法和第一训练样本数据，训练获得续航里程预测模型。
本实施例中，第一预设机器学习算法用于使用第一训练样本数据训练获得续航里程预测模型。第一预设机器学习算法的具体种类不限，可根据实际需求进行选择。例如，可选择神经网络算法、线性回归算法、决策树算法、朴素贝叶斯算法等。
本实施例中，续航里程预测模型的输入为用于表征电动重型卡车在一个行程中的重量、剩余电量、行驶速度和行驶地形类别分布的数据，输出为用于表征续航里程预测值的数据，即续航里程预测模型至少用于根据用于表征重量的数据、用于表征当前剩余电量的数据、用于表征行驶速度的数据和用于表征行驶地形类别分布的数据得出电动重型卡车的续航里程预测值。
可选地，为了保证续航里程预测模型对续航里程预测值计算的准确性，在实际应用中，可优选将第一训练样本数据拆分成训练数据集和测试数据集，对多组第一训练样本数据利用第一预设机器学习算法对进行训练和验证后，最终得出可用的续航里程预测模型。
步骤S103，获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据。
本实施例中，目标重卡是指正在行驶过程中的电动重型卡车，即需要计算续航里程预测值的电动重型卡车，其自重、载货重量不限。
本实施例中，重量实时数据用于表征目标重卡在当前时刻的载重和自重之和，具体表征方式不限，可根据实际需要设置。例如可用数字、字母、符号等进行表征。
本实施例中，电池状态实时数据用于表征目标重卡的动力电池的当前剩余电量，即在当前时刻，目标重卡动力电池的剩余电量的值，具体表征方式不限，可根据实际需要设置。例如可用百分数、字母等进行表征。
本实施例中，实时位置数据用于表征目标重卡的当前地理位置，即在当前时刻目标重卡所处的地理位置。实时位置数据的具体表征方式不限，可根据实际需要设置。例如可用数字、字母等进行表征。
步骤S104，根据目标重卡的实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据。
本实施例中，对于目标重卡而言，通常会预先确定所执行的运输任务的路线，因此可通过行驶计划数据对行驶路线进行表征，即行驶计划数据用于表征目标重卡当前运输任务的计划行驶路线。
本实施例中，剩余行驶地形类别分布数据用于表征目标重卡从当前地理位置按照计划行驶路线行驶到目的地这一过程中，即将途径的行驶地形类别分布。在获得目标重卡的实时位置数据和行驶计划数据后，可通过地形类别数据库查询获得剩余行驶地形类别分布数据。
本实施例中，行驶速度预测数据用于表征目标重卡从当前地理位置按照计划行驶路线行驶到目的地的行驶速度安排。其中，行驶速度预测数据的获取方式不限，可根据实际应用需求进行合理选择。例如，可将目标重卡从当前地理位置按照计划行驶路线行驶到目的地的行驶速度设置成固定值，也可根据从当前地理位置按照计划行驶路线行驶到目的地的道路拥堵情况设置成变化值，还可根据从当前地理位置按照计划行驶路线行驶到目的地的地形分布情况设置成变化值。
可选地，考虑到天气、道路拥堵情况、目标重卡当前的驾驶员的驾驶习惯均可能影响目标重卡在不同路况的行驶速度，为了获得较为合理的目标重卡从当前地理位置按照计划行驶路线行驶到目的地的行驶速度安排，以准确计算出目标重卡的续航里程预测值，可优选步骤S104包括：
子步骤S104a,根据目标重卡的实时位置数据，确定目标重卡的当前地理位置对应的行驶地形类别。
子步骤S104b,根据目标重卡的实时速度数据，以及目标重卡的当前地理位置对应的行驶地形类别，利用第一预设速度预测模型计算获得目标重卡的速度评估数据。
子步骤S104c,根据目标重卡的速度评估数据、剩余行驶地形类别分布数据，以及目标重卡的实时位置数据和行驶计划数据，获得行驶速度预测数据。
其中，实时速度数据用于表征目标重卡在当前时刻的实时速度。速度评估数据用于表征不同行驶地形类别对应的行驶速度。
第一预设速度预测模型用于根据行驶速度值及对应的行驶地形类别，计算得到不同地形类别对应的预测行驶速度。第一预设速度预测模型的构建方法以及计算获得速度评估数据的方法不限，可根据实际情况进行选择。
例如，可预先设定不同类别地形与对应的行驶速度之间的折算关系，当确定了目标重卡的实时速度和当前地理位置对应的行驶地形类别后，可根据该折算关系计算获得其他种类地形对应的行驶速度。
步骤S105，根据重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据，利用续航里程预测模型计算获得目标重卡的续航里程预测值。
本实施例中，续航里程预测值用于表征目标重卡利用动力电池的当前剩余电量，从当前地理位置按照计划行驶路线行驶，最终所能行驶的里程数。
本实施例中，将所获得的重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据作为续航里程预测模型的输入数据，可利用续航里程预测模型计算获得目标重卡的续航里程预测值。
由以上本发明实施例可见，本发明实施例中首先获取电动重型卡车的行驶记录数据并进行切分，得到多组第一训练样本数据，利用第一预设机器学习算法训练得到可用的续航里程预测模型，其次获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据，计算得到剩余行驶地形类别分布数据和行驶速度预测数据，最后将重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据作为输入，利用续航里程预测模型计算，最终获得目标重卡的续航里程预测值。与现有技术相比，本实例一方面考虑到重量和地形对电动重型卡车的续航里程的影响较大，在计算目标重卡的续航里程预测值时综合考虑了当前剩余电量、当前状态，以及即将行驶路线的速度安排和地形分布情况，使得最终计算得出的目标重卡的续航里程预测值更为准确；另一方面考虑到相对于乘用车而言，电动重型卡车的行驶记录数据可能相对较少，本实施例根据预设剩余电量变化量将电动重型卡车的完整行程对应的行驶记录数据切分成多个第一训练样本数据，从而使得最终利用机器学习算法训练得出的续航里程预测模型的计算结果更准确。
实例二
如图2所示，图2为本申请实例二公开的一种电动重型卡车续航里程预测方法的流程示意图，该电动重型卡车续航里程预测方法包括：
步骤S201，根据电池状态记录子数据和速度记录子数据，确定预设剩余电量变化量对应的开始时间点和结束时间点。
本实施例中，电池状态记录子数据和速度记录子数据均属于行驶记录数据的子数据。其中，电池状态记录子数据用于表征电动重型卡车动力电池的当前剩余电量与时间的对应关系。速度记录子数据用于表征电动重型卡车的行驶速度与时间的对应关系。
本实施例中，考虑到在后续步骤中训练获得的续航里程预测模型是用于计算确定续航里程预测值，因此为了提高续航里程预测值计算的准确性，在本实施例中仅选取电动重型卡车在行驶状态下对应的预设剩余电量变化量，即电动重型卡车在每个预设剩余电量变化量对应的开始时间点和结束时间点之间的时间均处于行驶状态。
本实施例中，电动重型卡车在工作状态下可包括行驶状态和非行驶状态，其中，在非行驶下电动重型卡车的行驶速度为0，但是仍会消耗一定的电量；在行驶状态下电动重型卡车的行驶速度不为0。因此，可根据电池状态记录子数据确定电动重型卡车是否处于工作状态，并进一步根据速度记录子数据确定电动重型卡车处于行驶状态或者非行驶状态。
本实施例中，在确定电动重型卡车处于行驶状态的时段后，可根据该时间段内剩余电量的变化情况对电动重型卡车的相关数据进行切分。
步骤S202，根据预设剩余电量变化量对应的开始时间点和结束时间点，以及位置记录子数据、重量记录子数据、速度记录子数据，获得多组第一训练样本数据。
本实施例中，位置记录子数据和重量记录子数据均属于行驶记录数据的子数据。其中，位置记录子数据用于表征电动重型卡车所处的地理位置与时间的对应关系。重量记录子数据用于表征电动重型卡车的重量与时间的对应关系。
本实施例中，在获得电动重型卡车一个行程对应的电池状态记录子数据、位置记录子数据、重量记录子数据、速度记录子数据后，可根据预设剩余电量变化量对应的开始时间点和结束时间点，切分出对应时段的位置记录子数据、重量记录子数据和速度记录子数据，从而获得多组第一训练样本数据。
可选地，考虑到目前已经有多个外部数据库具有完整的地图数据，因此为了较为简单地获得每个预设剩余电量变化量与行驶里程、行驶地形类别的对应关系，步骤S202可包括下述子步骤S202a~S202b：
子步骤S202a，根据预设剩余电量变化量对应的开始时间点和结束时间点，以及位置记录子数据，确定每个预设剩余电量变化量对应的起点地理位置和终点地理位置。
子步骤202b，根据每个预设剩余电量变化量对应的起点地理位置和终点地理位置，查询获得每个预设剩余电量变化量与行驶里程、行驶地形类别的对应关系。
可选地，考虑到电动重型卡车行驶在上坡和平地地形时，动力电池会处于放电状态；行驶在下坡地形时，动力电池可能处于充电状态，因此可根据电动重型卡车的动力电池的充放电状态，确定出行驶地形类别全部或者大部分为下坡时对应的预设剩余电量变化量，并进一步对相关数据进行切分，以获得第一样本训练数据对续航里程预测模型进行训练，使得最终训练得出的续航里程预测模型的计算结果更准确。
具体而言，步骤S202还可包括下述子步骤S202c~S202d：
子步骤S202c，根据预设剩余电量变化量对应的开始时间点和结束时间点，以及用电状态记录子数据，确定每个预设剩余电量变化量对应的充电时长。
子步骤S202d，当预设剩余电量变化量对应的充电时长与预设剩余电量变化量对应的总时长的比值大于或者等于第一比例值时，确定预设剩余电量变化量对应的行驶地形类别为下坡。
其中，第一比例值的具体取值大小不限，可根据实际应用需求进行合理设置。例如，当第一比例值为100%时，则需要预设剩余电量变化量对应的充电时长与预设剩余电量变化量对应的总时长相同，才可确定预设剩余电量变化量对应的行驶地形类别为下坡，即预设剩余电量变化量对应的地形类别全部为下坡；当第一比例值为95%时，则需要预设剩余电量变化量对应的充电时长与预设剩余电量变化量对应的总时长的比值大于或者等于95%，才可确定设剩余电量变化量对应的行驶地形类别为下坡，即预设剩余电量变化量对应的地形类别95%-100%为下坡。
进一步地，考虑到电动重型卡车在减少单个预设剩余电量变化量时，在上坡地形时的行驶时长通常小于在平地地形时的行驶时长，因此为了区分出预设剩余电量变化量对应的地形类别全部或者大部分属于上坡还是平路，可根据电动重型卡车的动力电池的剩余电量消耗快慢，确定出行驶地形类别全部或者大部分为上坡或者平路对应的预设剩余电量变化量，并进一步对相关数据进行切分，以获得第一样本训练数据对续航里程预测模型进行训练，使得最终训练得出的续航里程预测模型的计算结果更准确。
具体而言，步骤S202还可包括下述子步骤S202e~S202g：
子步骤S202e，根据预设剩余电量变化量对应的开始时间点和结束时间点，以及用电状态记录子数据，确定每个预设剩余电量变化量对应的放电时长。
子步骤S202f，当预设剩余电量变化量对应的放电时长与预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且预设剩余电量变化量对应的总时长小于或者等于第一时长阈值时，确定预设剩余电量变化量对应的行驶地形类别为上坡。
子步骤S202g，当预设剩余电量变化量对应的放电时长与预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且预设剩余电量变化量对应的总时长大于第一时长阈值时，确定预设剩余电量变化量对应的行驶地形类别为平路。
其中，第二比例值和第一时长阈值均可根据实际需求设置，第二比例值可与第一比例值相同，也可不同，本实施例在此不做限定。更进一步地，考虑到当电动重型卡车的剩余电量波动一个预设剩余电量变化量时，其可能行驶经过上坡、平地与下坡中的至少两种地形类别，该预设剩余电量变化量对应的行驶地形分类不能分到上坡、下坡和平地这三类中，利用预设剩余电量变化量对应的开始时间点和结束时间点对相关数据进行切分，所获得的第一训练样本数据用来训练续航里程预测模型的话，会影响续航里程预测模型对续航里程预测值计算的准确性。因此为了避免该现象的发生，步骤S202还可包括如下子步骤S202h~S202i：
子步骤S202h，将对应的行驶地形类别属于下坡、上坡和平路的预设剩余电量变化量确定为目标剩余电量变化量。
子步骤S202i，根据目标剩余电量变化量对应的开始时间点和结束时间点，以及位置记录子数据、重量记录子数据、速度记录子数据，获得多组第一训练样本数据。
更进一步地，考虑到在实际应用过程中，不同的上坡对应的坡度可能会有所不同，不同的下坡对应的坡度也可能会有所不同，电动重型卡车行驶在不同坡度的道路上，动力电池的剩余电量消耗量或增加量也可能会有所不同，因此可根据道路的坡度情况将上坡和下坡行驶地形类别划分成多个不同的级别，并利用预设剩余电量变化量对应的开始时间点和结束时间点对相关数据进行切分，以使得后续训练获得的续航里程预测模型对续航里程预测值的计算更准确。
具体而言，本实施例还可包括：根据预设剩余电量变化量对应的开始时间点和结束时间点，将对应的行驶地形类别属于下坡的预设剩余电量变化量的行驶地形类别划分为多个下坡级别，和/或，将对应的行驶地形类别属于上坡的预设剩余电量变化量的行驶地形类别划分为多个上坡级别。
步骤S203，利用第一预设机器学习算法和第一训练样本数据，训练获得续航里程预测模型。
本实施例中，步骤S203与前述实例一中的步骤S102基本相同或者相似，在此不再赘述。
步骤S204，获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据。
本实施例中，步骤S204与前述实例一中的步骤S103基本相同或者相似，在此不再赘述。
步骤205，根据目标重卡的实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据。
本实施例中，步骤S205与前述实例一中的步骤S104基本相同或者相似，在此不再赘述。
步骤206，根据重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据，利用续航里程预测模型计算获得目标重卡的续航里程预测值。
本实施例中，步骤S206与前述实例一中的步骤S105基本相同或者相似，在此不再赘述。
由以上本发明实施例可见，本发明实施例根据电池状态记录子数据和速度记录子数据，确定预设剩余电量变化量对应的开始时间点和结束时间点，并对行驶记录数据进行切分，得到多组第一训练样本数据，利用第一预设机器学习算法训练得到可用的续航里程预测模型，根据目标重卡的实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据，最后将重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据作为续航里程预测模型的输入数据进行计算，最终获得目标重卡的续航里程预测值。与实例一相比，本实施例仅选取电动重型卡车在行驶状态下对应的预设剩余电量变化量，并进一步对相关数据进行切分，以获得第一样本训练数据对续航里程预测模型进行训练，使得最终训练得出的续航里程预测模型的计算结果更准确。
实例三
如图3所示，图3为本申请实例三公开的一种电动重型卡车续航里程预测方法的流程示意图，该电动重型卡车续航里程预测方法包括：
步骤S301，将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据。
本实施例中，步骤S301与前述实例一中的步骤S101基本相同或者相似，在此不再赘述。
步骤S302，利用第一预设机器学习算法和第一训练样本数据，训练获得续航里程预测模型。
本实施例中，步骤S302与前述实例一中的步骤S102基本相同或者相似，在此不再赘述。
步骤S303，对目标重卡的行驶历史数据进行切分，获得多组第二训练样本数据。
本实施例中，目标重卡的行驶历史数据至少用于表征目标重卡在执行当前运输任务时，从起点行驶到当前地理位置的过程中，行驶速度与行驶地形类别的对应关系。
本实施例中，每个第二训练样本数据至少用于表征目标重卡的行驶速度和一种行驶地形类别的对应关系。
由于不仅不同的司机的驾驶特点通常会存在差别，而且同一司机在不同外部环境条件下的驾驶特点也会有差异，但在执行当前任务时，驾驶目标重卡的司机的驾驶特点相对较为一致，因此对目标重卡的行驶历史数据进行切分后，利用所获得的第二训练样本数据训练获得的第二预设速度预测模型可以更为准确地预测出目标重卡在执行当前运输任务时，从当前地理位置行驶到目的地这一过程中的行驶速度安排。
步骤S304，利用第二预设机器学习算法和第二训练样本数据，训练获得第二预设速度预测模型。
本实施例中，第二预设机器学习算法用于使用第一训练样本训练得到第二预设速度预测模型。其中，第二预设机器学习算法种类不限，可根据实际需求进行选择。例如，可选择神经网络算法、线性回归算法、决策树算法、朴素贝叶斯算法等。
本实施例中，第二预设速度预测模型的输入为用于表征行驶地形类别分布的数据，输出为用于表征目标重卡预测速度的数据，即第二预设速度预测模型至少可用于根据输入的用于表征目标重卡将行驶的地形类别分布的数据获得目标重卡的行驶速度预测数据。
可选地，为了保证第二预设速度预测模型计算结果的准确性，在实际应用中，可优选将第二训练样本数据拆分成训练数据集和测试数据集，利用第二预设机器学习算法对多组第二训练样本数据进行训练最终得出可用的第二预设速度预测模型。
步骤S305，获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据。
本实施例中，步骤S305与前述实例一中的步骤S103基本相同或者相似，在此不再赘述。
步骤S306，根据目标重卡的实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据。
本实施例中，根据目标重卡的行驶计划数据和实时位置数据能够确定目标重卡的剩余行驶计划，进一步可得出剩余行驶地形类别分布数据。
步骤S307，根据剩余行驶地形类别分布数据，利用第二预设速度预测模型计算获得目标重卡的行驶速度预测数据。
本实施例中，在获得目标重卡的剩余行驶地形类别分布数据后，可将其作为第二预设速度预测模型的输入数据，并根据第二预设速度预测模型的输出获得目标重卡的行驶速度预测数据。
步骤S308，根据重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据，利用续航里程预测模型计算获得目标重卡的续航里程预测值。
本实施例中，步骤S308与前述实例一中的步骤S105基本相同或者相似，在此不再赘述。
由以上本发明实施例可见，本发明实施例通过切分目标重卡的行驶历史数据获得多组第二训练样本数据，使用第二预设机器学习算法训练得到第二预设速度预测模型，计算得到目标重卡的行驶速度预测数据；然后将目标重卡的重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据作为续航里程预测模型的输入，最终利用续航里程预测模型计算获得目标重卡的续航里程预测值，以完成对目标重卡续航里程的预测。与前述实施例相比，本实施例进一步考虑了驾驶员在驾驶目标重卡执行当前运输任务时的驾驶特点，可得到更准确的行驶速度预测数据，间接提高了目标重卡的续航里程预测值计算的可靠性。
实例四
如图4所示，图4为本申请实例四公开的一种电动重型卡车续航里程预测装置的结构示意图，该装置包括：
第一数据处理模块，用于将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据。
本实施例中，第一训练样本数据用于表征电动重型卡车动力电池的预设剩余电量变化量与行驶里程、重量、行驶速度和行驶地形类别的对应关系。
第一模型构建模块，用于利用第一预设机器学习算法和第一训练样本数据，训练获得续航里程预测模型。
数据采集模块，用于获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据。
本实施例中，重量实时数据用于表征目标重卡在当前时刻的载重和车重之和。电池状态实时数据用于表征目标重卡的动力电池的当前剩余电量。实时位置数据用于表征目标重卡的当前地理位置。
第二数据处理模块，用于根据目标重卡的实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据。
本实施例中，行驶计划数据用于表征目标重卡当前运输任务的计划行驶路线。剩余行驶地形类别分布数据用于表征目标重卡从当前地理位置按照计划行驶路线行驶到目的地，将途径的行驶地形类别分布。行驶速度预测数据用于表征目标重卡的从当前地理位置按照计划行驶路线行驶到目的地的行驶速度安排。
续航里程预测模块，用于根据重量实时数据、电池状态实时数据、行驶速度预测数据和剩余行驶地形类别分布数据，利用续航里程预测模型计算获得目标重卡的续航里程预测值。
可选地，第一数据处理模块还用于根据电池状态记录子数据和速度记录子数据，确定预设剩余电量变化量对应的开始时间点和结束时间点。
根据预设剩余电量变化量对应的开始时间点和结束时间点，以及位置记录子数据、重量记录子数据、速度记录子数据，获得多组第一训练样本数据。
其中，行驶记录数据包括电池状态记录子数据、位置记录子数据、重量记录子数据、速度记录子数据。
具体地，电池状态记录子数据用于表征电动重型卡车的动力电池的当前剩余电量与时间的对应关系。位置记录子数据用于表征电动重型卡车所处的地理位置与时间的对应关系。重量记录子数据用于表征电动重型卡车的重量与时间的对应关系。速度记录子数据用于表征电动重型卡车的行驶速度与时间的对应关系。
其中，电动重型卡车在每个预设剩余电量变化量对应的开始时间点和结束时间点之间的时间均处于行驶状态。
进一步地，第一数据处理模块还用于根据预设剩余电量变化量对应的开始时间点和结束时间点，以及位置记录子数据，确定每个预设剩余电量变化量对应的起点地理位置和终点地理位置。
根据每个预设剩余电量变化量对应的起点地理位置和终点地理位置，查询获得每个预设剩余电量变化量与行驶里程、行驶地形类别的对应关系。
进一步地，第一数据处理模块还用于根据预设剩余电量变化量对应的开始时间点和结束时间点，以及用电状态记录子数据，确定每个预设剩余电量变化量对应的充电时长。
当预设剩余电量变化量对应的充电时长与预设剩余电量变化量对应的总时长的比值大于或者等于第一比例值时，确定预设剩余电量变化量对应的行驶地形类别为下坡。
其中，行驶记录数据还包括用电状态记录子数据，用电状态记录子数据用于表征电动重型卡车的动力电池处于充电状态或者放电状态与时间的对应关系。
更进一步地，第一数据处理模块还用于根据预设剩余电量变化量对应的开始时间点和结束时间点，以及用电状态记录子数据，确定每个预设剩余电量变化量对应的放电时长。
当预设剩余电量变化量对应的放电时长与预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且预设剩余电量变化量对应的总时长小于或者等于第一时长阈值时，确定预设剩余电量变化量对应的行驶地形类别为上坡。
当预设剩余电量变化量对应的放电时长与预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且预设剩余电量变化量对应的总时长大于第一时长阈值时，确定预设剩余电量变化量对应的行驶地形类别为平路。
更进一步地，第一数据处理模块还用于将对应的行驶地形类别属于下坡、上坡和平路的预设剩余电量变化量确定为目标剩余电量变化量。
根据目标剩余电量变化量对应的开始时间点和结束时间点，以及位置记录子数据、重量记录子数据、速度记录子数据，获得多组第一训练样本数据。
更进一步地，第一数据处理模块还用于根据预设剩余电量变化量对应的开始时间点和结束时间点，将对应的行驶地形类别属于下坡的预设剩余电量变化量的行驶地形类别划分为多个下坡级别，和/或，将对应的行驶地形类别属于上坡的预设剩余电量变化量的行驶地形类别划分为多个上坡级别。
可选地，第二数据处理模块还用于根据目标重卡的实时位置数据，确定目标重卡的当前地理位置对应的行驶地形类别。
根据目标重卡的实时速度数据，以及目标重卡的当前地理位置对应的行驶地形类别，利用第一预设速度预测模型计算获得目标重卡的速度评估数据，速度评估数据用于表征在不同行驶地形类别对应的行驶速度。
根据目标重卡的速度评估数据、剩余行驶地形类别分布数据，以及目标重卡的实时位置数据和行驶计划数据，获得行驶速度预测数据。
可选地，该装置还可包括第三数据处理模块，该模块可对目标重卡的行驶历史数据进行切分，获得多组第二训练样本数据。
其中，第二训练样本数据用于表征目标重卡从执行当前运输任务的起点行驶到当前地理位置的过程中，行驶速度与行驶地形类别的对应关系。
该装置还可包括第二模型构建模块，该模块可利用第二预设机器学习算法和第二训练样本数据，训练获得第二预设速度预测模型。
第二数据处理模块还可用于根据目标重卡的实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据。
根据剩余行驶地形类别分布数据，利用第二预设速度预测模型计算获得目标重卡的行驶速度预测数据。
通过本实施例的电动重型卡车续航里程预测装置，可以实现前述多个方法实施例中相应的电动重型卡车续航里程预测方法，并具有相应方法实施例的有益效果，在此不再赘述。
至此，已经对本申请的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序，以实现期望的结果。在某些实施方式中，多任务处理和并行处理可以是有利的。
本申请是参照根据本申请实施例的方法的流程图和／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。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、装置。因此，本申请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，本申请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存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种电动重型卡车续航里程预测方法，其特征在于，所述方法包括：
将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据；其中，所述第一训练样本数据用于表征所述电动重型卡车动力电池的预设剩余电量变化量与行驶里程、重量、行驶速度和行驶地形类别的对应关系；所述行驶记录数据包括用电状态记录子数据，所述用电状态记录子数据用于表征所述电动重型卡车的动力电池处于充电状态或者放电状态与时间的对应关系；
利用第一预设机器学习算法和所述第一训练样本数据，训练获得续航里程预测模型；
获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据；其中，所述重量实时数据用于表征所述目标重卡在当前时刻的载重和车重之和；所述电池状态实时数据用于表征所述目标重卡的动力电池的当前剩余电量；所述实时位置数据用于表征所述目标重卡的当前地理位置；
根据所述目标重卡的所述实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据；其中，所述行驶计划数据用于表征所述目标重卡当前运输任务的计划行驶路线；所述剩余行驶地形类别分布数据用于表征所述目标重卡从当前地理位置按照所述计划行驶路线行驶到目的地，将途径的行驶地形类别分布；所述行驶速度预测数据用于表征所述目标重卡的从当前地理位置按照所述计划行驶路线行驶到目的地的行驶速度安排；
根据所述重量实时数据、所述电池状态实时数据、所述行驶速度预测数据和所述剩余行驶地形类别分布数据，利用所述续航里程预测模型计算获得所述目标重卡的续航里程预测值；
所述将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据包括：根据所述预设剩余电量变化量对应的开始时间点和结束时间点，以及所述用电状态记录子数据，确定每个所述预设剩余电量变化量对应的充电时长和放电时长；当所述预设剩余电量变化量对应的充电时长与所述预设剩余电量变化量对应的总时长的比值大于或者等于第一比例值时，确定所述预设剩余电量变化量对应的行驶地形类别为下坡；当所述预设剩余电量变化量对应的放电时长与所述预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且所述预设剩余电量变化量对应的总时长小于或者等于第一时长阈值时，确定所述预设剩余电量变化量对应的行驶地形类别为上坡；当所述预设剩余电量变化量对应的放电时长与所述预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且所述预设剩余电量变化量对应的总时长大于所述第一时长阈值时，确定所述预设剩余电量变化量对应的行驶地形类别为平路；
所述根据所述目标重卡的所述实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据包括：根据所述目标重卡的所述实时位置数据，确定所述目标重卡的当前地理位置对应的行驶地形类别；根据所述目标重卡的实时速度数据，以及所述目标重卡的当前地理位置对应的行驶地形类别，利用第一预设速度预测模型计算获得所述目标重卡的速度评估数据，所述速度评估数据用于表征不同行驶地形类别对应的行驶速度；根据所述目标重卡的所述速度评估数据、所述剩余行驶地形类别分布数据，以及所述目标重卡的所述实时位置数据和所述行驶计划数据，获得所述行驶速度预测数据。
2.根据权利要求1所述的方法，其特征在于，所述行驶记录数据包括电池状态记录子数据、位置记录子数据、重量记录子数据、速度记录子数据；其中，所述电池状态记录子数据用于表征所述电动重型卡车的动力电池的当前剩余电量与时间的对应关系；所述位置记录子数据用于表征所述电动重型卡车所处的地理位置与时间的对应关系；所述重量记录子数据用于表征所述电动重型卡车的重量与时间的对应关系；所述速度记录子数据用于表征所述电动重型卡车的行驶速度与时间的对应关系；
对应地，所述将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据包括：
根据所述电池状态记录子数据和所述速度记录子数据，确定所述预设剩余电量变化量对应的开始时间点和结束时间点；其中，所述电动重型卡车在每个预设剩余电量变化量对应的所述开始时间点和结束时间点之间的时间均处于行驶状态；
根据所述预设剩余电量变化量对应的所述开始时间点和所述结束时间点，以及所述位置记录子数据、所述重量记录子数据、所述速度记录子数据，获得多组第一训练样本数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述预设剩余电量变化量对应的所述开始时间点和所述结束时间点，以及所述位置记录子数据、所述重量记录子数据、所述速度记录子数据，获得多组第一训练样本数据包括：
根据所述预设剩余电量变化量对应的所述开始时间点和所述结束时间点，以及所述位置记录子数据，确定每个预设剩余电量变化量对应的起点地理位置和终点地理位置；
根据每个预设剩余电量变化量对应的起点地理位置和终点地理位置，查询获得每个所述预设剩余电量变化量与行驶里程、行驶地形类别的对应关系。
4.根据权利要求2所述的方法，其特征在于，所述根据所述预设剩余电量变化量对应的所述开始时间点和所述结束时间点，以及所述位置记录子数据、所述重量记录子数据、所述速度记录子数据，获得多组第一训练样本数据包括：
将对应的行驶地形类别属于下坡、上坡和平路的所述预设剩余电量变化量确定为目标剩余电量变化量；
根据所述目标剩余电量变化量对应的所述开始时间点和所述结束时间点，以及所述位置记录子数据、所述重量记录子数据、所述速度记录子数据，获得多组第一训练样本数据。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：根据所述预设剩余电量变化量对应的所述开始时间点和所述结束时间点，将对应的行驶地形类别属于下坡的所述预设剩余电量变化量的行驶地形类别划分为多个下坡级别，和/或，将对应的行驶地形类别属于上坡的所述预设剩余电量变化量的行驶地形类别划分为多个上坡级别。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述目标重卡的行驶历史数据进行切分，获得多组第二训练样本数据；其中，所述第二训练样本数据用于表征所述目标重卡的行驶速度和一种行驶地形类别的对应关系；
利用第二预设机器学习算法和所述第二训练样本数据，训练获得第二预设速度预测模型；
对应地，所述根据所述目标重卡的所述实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据包括：
所述根据所述目标重卡的所述实时位置数据和行驶计划数据，获得所述剩余行驶地形类别分布数据；
根据所述剩余行驶地形类别分布数据，利用所述第二预设速度预测模型计算获得所述目标重卡的所述行驶速度预测数据。
7.一种电动重型卡车续航里程预测装置，其特征在于，所述装置包括：
第一数据处理模块，用于将至少一辆电动重型卡车的行驶记录数据进行切分，获得多组第一训练样本数据；其中，所述第一训练样本数据用于表征所述电动重型卡车动力电池的预设剩余电量变化量与行驶里程、重量、行驶速度和行驶地形类别的对应关系；所述行驶记录数据包括用电状态记录子数据，所述用电状态记录子数据用于表征所述电动重型卡车的动力电池处于充电状态或者放电状态与时间的对应关系；
第一模型构建模块，用于利用第一预设机器学习算法和所述第一训练样本数据，训练获得续航里程预测模型；
数据采集模块，用于获得目标重卡的重量实时数据、电池状态实时数据和实时位置数据；其中，所述重量实时数据用于表征所述目标重卡在当前时刻的载重和车重之和；所述电池状态实时数据用于表征所述目标重卡的动力电池的当前剩余电量；所述实时位置数据用于表征所述目标重卡的当前地理位置；
第二数据处理模块，用于根据所述目标重卡的所述实时位置数据和行驶计划数据，获得剩余行驶地形类别分布数据和行驶速度预测数据；其中，所述行驶计划数据用于表征所述目标重卡当前运输任务的计划行驶路线；所述剩余行驶地形类别分布数据用于表征所述目标重卡从当前地理位置按照所述计划行驶路线行驶到目的地，将途径的行驶地形类别分布；所述行驶速度预测数据用于表征所述目标重卡的从当前地理位置按照所述计划行驶路线行驶到目的地的行驶速度安排；
续航里程预测模块，用于根据所述重量实时数据、所述电池状态实时数据、所述行驶速度预测数据和所述剩余行驶地形类别分布数据，利用所述续航里程预测模型计算获得所述目标重卡的续航里程预测值；
所述第一数据处理模块还用于根据所述预设剩余电量变化量对应的开始时间点和结束时间点，以及所述用电状态记录子数据，确定每个所述预设剩余电量变化量对应的充电时长和放电时长；当所述预设剩余电量变化量对应的充电时长与所述预设剩余电量变化量对应的总时长的比值大于或者等于第一比例值时，确定所述预设剩余电量变化量对应的行驶地形类别为下坡；当所述预设剩余电量变化量对应的放电时长与所述预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且所述预设剩余电量变化量对应的总时长小于或者等于第一时长阈值时，确定所述预设剩余电量变化量对应的行驶地形类别为上坡；当所述预设剩余电量变化量对应的放电时长与所述预设剩余电量变化量对应的总时长的比值大于或者等于第二比例值，且所述预设剩余电量变化量对应的总时长大于所述第一时长阈值时，确定所述预设剩余电量变化量对应的行驶地形类别为平路；
所述第二数据处理模块还用于根据所述目标重卡的所述实时位置数据，确定所述目标重卡的当前地理位置对应的行驶地形类别；根据所述目标重卡的实时速度数据，以及所述目标重卡的当前地理位置对应的行驶地形类别，利用第一预设速度预测模型计算获得所述目标重卡的速度评估数据，所述速度评估数据用于表征不同行驶地形类别对应的行驶速度；根据所述目标重卡的所述速度评估数据、所述剩余行驶地形类别分布数据，以及所述目标重卡的所述实时位置数据和所述行驶计划数据，获得所述行驶速度预测数据。
CN202311126664.8A 2023-09-04 2023-09-04 一种电动重型卡车续航里程预测方法及装置 Active CN116894525B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311126664.8A CN116894525B (zh) 2023-09-04 2023-09-04 一种电动重型卡车续航里程预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311126664.8A CN116894525B (zh) 2023-09-04 2023-09-04 一种电动重型卡车续航里程预测方法及装置

Publications (2)

Publication Number Publication Date
CN116894525A CN116894525A (zh) 2023-10-17
CN116894525B true CN116894525B (zh) 2023-12-08

Family

ID=88311056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311126664.8A Active CN116894525B (zh) 2023-09-04 2023-09-04 一种电动重型卡车续航里程预测方法及装置

Country Status (1)

Country Link
CN (1) CN116894525B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103213504A (zh) * 2013-04-27 2013-07-24 北京交通大学 一种电动汽车续驶里程估算方法
WO2013108246A2 (en) * 2012-01-17 2013-07-25 Better Place GmbH Approximation of remaining travelable distance of a vehicle powered by a battery
CN110667434A (zh) * 2019-09-11 2020-01-10 南京航空航天大学 一种自适应工况的纯电动汽车行驶里程估计方法及系统
CN111459995A (zh) * 2020-03-11 2020-07-28 南京航空航天大学 一种基于驾驶数据的多模态车速预测方法
CN111583440A (zh) * 2019-02-19 2020-08-25 陕西汽车集团有限责任公司 一种电动汽车里程动态预估方法
CN111806239A (zh) * 2019-04-16 2020-10-23 北京嘀嘀无限科技发展有限公司 电动车辆续航里程测量方法、电子设备及存储介质
CN113469455A (zh) * 2021-07-21 2021-10-01 广州小鹏汽车科技有限公司 一种续航数据的预估方法和装置
CN113687247A (zh) * 2021-09-03 2021-11-23 西京学院 新能源汽车剩余里程动态预测方法、系统、终端及介质
CN116176283A (zh) * 2022-11-30 2023-05-30 三一专用汽车有限责任公司 车辆续航里程预测方法、装置、设备和作业机械

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022139826A (ja) * 2021-03-12 2022-09-26 本田技研工業株式会社 車両の制御装置、車両の制御方法およびプログラム
US20220410750A1 (en) * 2021-06-09 2022-12-29 MOEV, Inc. System and method for smart charging management of electric vehicle fleets

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013108246A2 (en) * 2012-01-17 2013-07-25 Better Place GmbH Approximation of remaining travelable distance of a vehicle powered by a battery
CN103213504A (zh) * 2013-04-27 2013-07-24 北京交通大学 一种电动汽车续驶里程估算方法
CN111583440A (zh) * 2019-02-19 2020-08-25 陕西汽车集团有限责任公司 一种电动汽车里程动态预估方法
CN111806239A (zh) * 2019-04-16 2020-10-23 北京嘀嘀无限科技发展有限公司 电动车辆续航里程测量方法、电子设备及存储介质
CN110667434A (zh) * 2019-09-11 2020-01-10 南京航空航天大学 一种自适应工况的纯电动汽车行驶里程估计方法及系统
CN111459995A (zh) * 2020-03-11 2020-07-28 南京航空航天大学 一种基于驾驶数据的多模态车速预测方法
CN113469455A (zh) * 2021-07-21 2021-10-01 广州小鹏汽车科技有限公司 一种续航数据的预估方法和装置
CN113687247A (zh) * 2021-09-03 2021-11-23 西京学院 新能源汽车剩余里程动态预测方法、系统、终端及介质
CN116176283A (zh) * 2022-11-30 2023-05-30 三一专用汽车有限责任公司 车辆续航里程预测方法、装置、设备和作业机械

Also Published As

Publication number Publication date
CN116894525A (zh) 2023-10-17

Similar Documents

Publication Publication Date Title
Vepsäläinen et al. Development and validation of energy demand uncertainty model for electric city buses
CN105091892B (zh) 车辆用能量管理装置
Johannesson et al. Assessing the potential of predictive control for hybrid vehicle powertrains using stochastic dynamic programming
JP6758025B2 (ja) 高いハイブリッド化度を有するハイブリッド車両のための制御システム
CN104442825A (zh) 一种电动汽车剩余行驶里程的预测方法和系统
CN104620274A (zh) 消耗电力量推断装置
US20230139003A1 (en) Systems and methods for managing velocity profiles
CN101590832A (zh) 行驶能量学习装置以及方法
Vogel et al. Improving hybrid vehicle fuel efficiency using inverse reinforcement learning
CN101734253A (zh) 行驶能量学习装置、方法以及程序
CN104260724A (zh) 一种车辆智能预测控制系统及其方法
CN111824117B (zh) 基于工况预测的混合动力汽车能效优化控制方法及系统
CN112766591A (zh) 共享单车调度方法
Smuts et al. A critical review of factors influencing the remaining driving range of electric vehicles
Wang et al. Energy management of hybrid electric vehicles
CN106323331A (zh) 预测车辆行驶里程的方法及装置
CN104823021A (zh) 用于估计车辆的行进时间的方法和计算机程序产品
Kessler et al. Dynamic traffic information for electric vehicles as a basis for energy-efficient routing
US20220041078A1 (en) Energy storage device evaluation device, computer program, energy storage device evaluation method, learning method and generation method
CN109919393A (zh) 一种电动出租汽车的充电负荷预测方法
Garrido-Silva et al. Estimation of the energy consumption of an electric utility vehicle: a case study
Das et al. Eco-routing navigation systems in electric vehicles: A comprehensive survey
CN116894525B (zh) 一种电动重型卡车续航里程预测方法及装置
Liu et al. An energy management of plug-in hybrid electric vehicles based on driver behavior and road information
Gu et al. A review of intelligent road preview methods for energy management of hybrid vehicles

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