CN117124923A - 样本的获取方法、模型训练以及预测方法 - Google Patents
样本的获取方法、模型训练以及预测方法 Download PDFInfo
- Publication number
- CN117124923A CN117124923A CN202210543076.3A CN202210543076A CN117124923A CN 117124923 A CN117124923 A CN 117124923A CN 202210543076 A CN202210543076 A CN 202210543076A CN 117124923 A CN117124923 A CN 117124923A
- Authority
- CN
- China
- Prior art keywords
- charge
- battery
- vehicle
- state
- pure electric
- 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
- 238000000034 method Methods 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 title claims abstract description 58
- 238000005265 energy consumption Methods 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 230000005611 electricity Effects 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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]
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- 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
- B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/46—Control modes by self learning
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供了一种样本的获取方法、模型训练以及预测方法。其中,样本的获取方法,包括:根据车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度;根据所述车辆的表显荷电状态与真实荷电状态的对应关系,获取表显荷电状态为预设值时的目标真实荷电状态,从而确定表显荷电状态为预设值时的电池剩余可用电量;获取车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗;基于该次行程的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗,获取纯电续航里程样本值。获取的纯电续航标签的样本值,剔除了电池剩余可用电量对应的续航里程,提高了纯电续航标签的样本值的精度,从而大大提升纯电续航里程模型预测的精度。
Description
技术领域
本申请涉及电动车辆技术领域,尤其涉及一种样本的获取方法、模型训练以及预测方法、装置及存储介质。
背景技术
通过机器学习方法进行纯电续航里程模型的训练和预测,可发挥大数据的优势。现有得纯电续航里程模型是通过大量历史行程数据训练得到,其中,包括荷电状态、电池剩余电量、纯电续航里程等数据。其中,纯电续航里程是通过荷电状态(State of Charge,SOC)和电池剩余电量(state of energy,SOE)计算得到的。即仪表或者车机呈现给用户的表显纯电续航里程是纯电续航里程模型的预测结果。
由于SOC值本身与车辆实际的SOC存在差异,导致车辆的纯电续航里程等数据也存在不准确的问题,从而会损失纯电续航里程模型的预测精度,因此,需要提供一种获取精度更高的训练纯电续航里程模型的样本数据的方法。
发明内容
本申请提供了一种标签样本的获取方法、模型训练以及预测方法、装置、电子设备及存储介质,以提升纯电续航标签的精度,从而提升纯电续航里程模型的预测精度。本申请的技术方案如下:
第一方面,本申请实施例提供了一种样本的获取方法,包括:
根据所述车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度;其中,所述预设值为车辆能够行驶的最低表显荷电状态;
根据所述车辆的表显荷电状态与真实荷电状态的对应关系,获取所述表显荷电状态为预设值时的目标真实荷电状态,并根据所述电池温度和所述目标真实荷电状态,确定所述表显荷电状态为预设值时的电池剩余可用电量;
根据所述车辆的该次行程数据,获取所述车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗;
基于所述车辆的该次行程数据中的历史行驶里程、所述电池剩余电量、所述电池剩余可用电量以及所述车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。
第二方面,本申请实施例提供了一种纯电续航里程模型的训练方法,包括:
获取训练样本,所述训练样本包括电池状态参数、车辆状态参数以及本申请第一方面所述的样本的获取方法得到纯电续航里程样本;
通过所述训练样本训练预设的纯电续航里程模型,得到训练好的纯电续航里程模型,其中,所述预设的纯电续航里程模型为机器学习模型。
第三方面,本申请实施例提供了一种表显纯电续航里程的预测方法,包括:
获取电池状态参数和车辆状态参数;
将所述电池状态参数和车辆状态参数输入本申请第二方面所述的训练好的纯电续航里程模型,得到表显纯电续航里程预测结果。
第四方面,本申请实施例提供了一种样本的获取装置,包括:
电池温度获取模块,用于根据所述车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度;其中,所述预设值为车辆能够行驶的最低表显荷电状态;
电池剩余可用电量确定模块,用于根据所述车辆的表显荷电状态与真实荷电状态的对应关系,获取所述表显荷电状态为预设值时的目标真实荷电状态,并根据所述电池温度和所述目标真实荷电状态,确定所述表显荷电状态为预设值时的电池剩余可用电量;
电池剩余电量确定模块,用于根据所述车辆的该次行程数据,获取所述车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗;
模型标签样本获取模块,用于基于所述车辆的该次行程数据中的历史行驶里程、所述电池剩余电量、所述电池剩余可用电量以及所述车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。
第五方面,本申请实施例提供了一种纯电续航里程模型的训练装置,包括:
训练样本获取模块,用于获取训练样本,所述训练样本包括电池状态参数、车辆状态参数以及本申请第一方面所述的样本的获取方法得到纯电续航里程样本;
模型训练模块,用于通过所述训练样本训练预设的纯电续航里程模型,得到训练好的纯电续航里程模型,其中,所述预设的纯电续航里程模型为机器学习模型。
第六方面,本申请实施例提供了一种表显纯电续航里程的预测装置,包括:
参数获取模块,用于获取电池状态参数和车辆状态参数;
续航预测模块,用于将所述电池状态参数和车辆状态参数输入本申请第二方面所述的训练好的纯电续航里程模型,得到表显纯电续航里程预测结果。
第七方面,本申请实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现本申请第一方面或第二方面实施例所述方法的步骤。
第八方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请第一方面或第二方面实施例所述方法的步骤。
第九方面,本申请实施例提供了一种计算机程序产品,包括计算机指令,该计算机指令被处理器执行时实现本申请第一方面或第二方面实施例所述方法的步骤。
第十方面,本申请实施例提供了一种车辆,包括本申请第五方面实施例所述的电子设备。
本申请实施例提供的技术方案至少带来以下有益效果:
通过获取的表显荷电状态为预设值时的电池温度以及真实荷电状态与表显荷电状态的对应关系确定电池剩余可用电量;基于车辆的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。获取的纯电续航里程样本值,提高了纯电续航里程样本值的精度。通过该纯电续航里程样本值训练纯电续航里程模型,再通过该纯电续航里程模型预测的表显纯电续航里程,可以大大提升纯电续航里程模型预测的精度。
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。
附图说明
图1是根据一示例性实施例示出的一种样本的获取方法的流程图。
图2是根据另一示例性实施例示出的一种样本的获取方法的流程图。
图3是根据一示例性实施例示出的电池温度变化分布数据的示意图。
图4是根据一示例性实施例示出的机器学习模型1的示意图。
图5是根据一示例性实施例示出的一种纯电续航里程模型的训练方法的流程图。
图6是根据一示例性实施例示出的一种表显纯电续航里程的预测方法的流程图。
图7是根据一示例性实施例示出的机器学习模型2的示意图。
图8是根据一示例性实施例示出的一种纯电续航里程样本的获取装置的框图。
图9是根据一示例性实施例示出的一种纯电续航里程模型的训练装置的框图。
图10是根据一示例性实施例示出的一种表显纯电续航里程的预测装置的框图。
图11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
为了能够更清楚地理解本申请的上述目的、特征和优点,下面将对本申请的方案进行进一步描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本申请,但本申请还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本申请的一部分实施例,而不是全部的实施例。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”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、物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、物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,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
SOC(State of Charge,荷电状态):代表电池剩余可用电量占总容量的百分比,是电池管理系统中最为重要状态之一。
SOE(state of energy,能量状态):指的是电池剩余电量。
需要说明的是,汽车行业内,实际使用的荷电状态被称为表显荷电状态(仪表或者车机上显示的荷电状态),表显荷电状态和纯电续航均为表显值,即需要通过仪表或者车机显示给用户的值,而表显值比实际值更加保守。比如,表显荷电状态的电池充满荷电状态为100%,而实际对应的真实荷电状态为96%-98%之间,表显的电池放电至荷电状态为0%时,实际荷电状态在5%-10%之间。而电池剩余电量SOE(state of energy)与荷电状态和电池温度相关。
为了提高表显纯电续航里程的预测精度,本申请实施例提供了一种样本的获取方法、模型训练以及预测方法。
图1是根据本申请一个实施例的样本的获取方法的流程图。需要说明的是,本申请实施例的样本的获取方法可应用于本申请实施例的纯电续航里程样本的获取装置。该纯电续航里程样本的获取装置可被配置于车辆控制器等电子设备上。如图1所示,该样本的获取方法可以包括如下步骤。
在步骤S101中,根据车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度;其中,预设值为车辆能够行驶的最低表显荷电状态。
在本申请实施例中,该预设值可以为0,也可以为接近0的数值,即预设值为车辆能够行驶的最低表显荷电状态。
可选的,本实施例获取表显荷电状态为0(即SOC_dsp=0)时的电池温度。
在步骤S102中,根据车辆的表显荷电状态与真实荷电状态的对应关系,获取表显荷电状态为预设值时的目标真实荷电状态,并根据电池温度和目标真实荷电状态,确定表显荷电状态为预设值时的电池剩余可用电量。
本申请实施例,基于电池温度以及表显荷电状态与真实荷电状态的对应关系,确定表显荷电状态为0时的电池剩余可用电量。
可以理解为,因为在表显荷电状态为0时,真实荷电状态并不为0,则电池可用电量也并不为0。相关技术中,电池可用电量的计算公式为SOE=f(SOC,Temp),因此需要获取表显荷电状态为0时的真实荷电状态,其中,Temp表示电池温度。根据该车辆的表显荷电状态与真实荷电状态的对应关系可以获取表显荷电状态为0时的真实荷电状态。再根据表显荷电状态为0时的电池温度和真实荷电状态计算得到表显荷电状态为0时的电池可用电量,本申请实施例称该表显荷电状态为0时的电池可用电量为电池剩余可用电量。
在步骤S103中,根据车辆的该次行程数据,获取车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗。
本实施例,在车辆实际行驶结束时刻,获取当前的电池温度以及真实荷电状态,根据电池可用电量的计算公式为SOE=f(SOC,Temp),即可得到电池剩余电量(即SOE_end)。该当前的电池温度可以通过直接获取配置于电池处的温度传感器所采集的温度数据而得到。真实荷电状态的计算方法为电池管理系统BMS(battery management system)提供的最基本的功能之一,估算荷电状态的方法有很多种,在此不做限制。电池管理系统BMS根据真实荷电状态和电池温度计算电池剩余电量SOE_end。
本申请实施例的车辆平均能耗指的是平均百公里能耗(记为energy_per100km),作为一个示例,计算历史行程的百公里能耗energy_per100km,根据历史行程近2km的总能耗E求得,即energy_per100km=100*E/2km。
在步骤S104中,基于车辆的该次行程数据中的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。
需要说明的是,对于机器学习模型,特征是模型的输入变量,标签是模型的输出变量。训练样本是指数据的特定实例,有标签样本同时包含特征和标签分别对应的数据的特定实例。在使用有标签样本训练模型之后,可以使用该模型预测无标签样本的标签。有监督的机器学习指的是通过有标签样本让模型逐渐学习特征与标签之间的关系。本申请实施例获取的样本值可以作为纯电续航里程模型的标签样本。
本实施例,在获取车辆的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗后,计算用于模型训练的纯电续航标签的训练样本值。
本申请实施例的样本的获取方法,首先获取车辆放电至表显荷电状态为预设值时的电池温度;再确定表显荷电状态为预设值时的电池剩余可用电量;获取车辆在纯电行程结束时的真实荷电状态对应的电池剩余电量;基于车辆的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗,获取纯电续航里程样本值。本申请实施例方法获取的纯电续航标签的样本值,剔除了末端表显荷电状态为预设值时的电池剩余可用电量对应的续航里程,提高了纯电续航标签的样本值的精度。通过该纯电续航标签的样本值训练纯电续航里程模型,再通过该纯电续航里程模型预测的表显纯电续航里程,精度高于传统的依据SOE/百公里能耗粗略计算的纯电续航里程,同样比未通过剔除电池剩余可用电量对应续航导致续航值偏高的计算方法精度更高,可以大大提升纯电续航里程模型预测的精度。
在上述实施例的基础上,图2是根据本申请一个具体实施例的样本的获取方法的流程图。如图2所示,该样本的获取方法可以包括如下步骤。
在步骤S201中,根据车辆的一次行程数据,获取表显荷电状态荷电状态为预设值时的电池温度;其中,该预设值为车辆能够行驶的最低荷电状态荷电状态。
作为一种可能的实施方式,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度的方法,包括:根据车辆的一次行程数据,获取车辆的行程起始时刻的电池温度;根据行程起始时刻的电池温度和电池温度变化分布数据,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度;其中,电池温度变化分布数据表征车辆的电池温度与表显荷电状态之间的对应关系。
作为一个示例,图3为通过车辆的历史行驶数据分析得到的电池温度变化分布数据,可以表征整段行程的电池温度变化情况,横轴为行程起始时刻的电池温度最大值,纵轴为行程放电结束(soc_dsp=0%)电池温度最大值的变化量,正值代表行程放电结束时电池最高温度提升了,反之负值代表电池温度降低了。一个点代表车辆一整段行程的电池温度变化。基于图3所示的温度分布规律,获取soc_dsp=0%的电池温度,具体可以根据图3所示的数据分布规律求均值,便可得到soc_dsp=0%时的电池温度。通过根据车辆的历史数据获取电池温度变化分布数据,根据电池温度变化分布数据获取电池温度的方式,数据获取方便,实现方式简单。
作为另一种可能的实施方式,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度的方法,包括:根据车辆的一次行程数据,获取车辆的行程起始时刻的电池温度;根据行程起始时刻的电池温度和电池温度预测模型,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度;其中,电池温度预测模型的输入特征为行程起始时刻的电池温度,电池温度预测模型的输出标签为形成终止时刻的电池温度。电池温度预测模型具体根据行程起始时刻的电池温度预测行程终止时刻的电池温度的能力。也就是说,可以通过搭建机器学习模型预测电池温度,模型输入为行程起始时刻、模型输出为表显荷电状态为0时刻的电池温度。对于模型的训练过程不在赘述。采用机器学习模型预测电池温度的方式,可以发挥大数据的优势,精度较高。
在步骤S202中,根据所述车辆的表显荷电状态与真实荷电状态的对应关系,获取表显荷电状态为预设值时的目标真实荷电状态。
作为一个示例,某车型的真实荷电状态与表显荷电状态的对应关系如下表1所示,表显荷电状态为0时的真实荷电状态为10%。
表1:某车型真实荷电状态与表显荷电状态的对应关系
需要说明的是,针对不同的车型,真实荷电状态与表显荷电状态的对应关系可能不同,每个车型均存在如表1所示的真实荷电状态和表显荷电状态的对应关系,即可确认该车型soc_dsp=0%时的真实荷电状态。
在步骤S203中,将目标真实荷电状态和电池温度输入电池可用电量预测模型,得到表显荷电状态为预设值时的电池剩余可用电量。电池可用电量预测模型具有根据电池的真实荷电状态和电池温度预测电池可用电量的能力。
本实施例中,电池可用电量预测模型为机器学习模型1,如图4所示,电池可用电量预测模型的输入特征包括电池温度和真实荷电状态,电池可用电量预测模型的输出标签为电池可用电量SOE。该机器学习模型1可用于预测电池某一时刻,某一荷电状态和电池温度下的电池可用电量。例如,根据表1的数据,真实荷电状态为10%时对应表显荷电状态为0%,将10%和电池温度输入电池可用电量预测模型,可以得到电池剩余可用电量。
需要说明的是,每个车型的电池可用电量预测模型需要根据该车型的数据对机器学习模型1进行训练,即不同车型对应不同的电池可用电量预测模型。根据该车型的历史行驶放电数据,选取荷电状态和电池温度作为机器学习模型1的输入特征,而其对应的当前状态的电池可用电量SOE作为该模型输出的标签,进行机器学习模型1的训练和验证。
在步骤S204中,根据车辆的该次行程数据,获取车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗。
需要说明的是,在本申请的实施例中,上述步骤S204的实现过程可参见上述步骤S103的实现过程的描述,在此不再赘述。
在步骤S205中,基于车辆的该次行程数据中的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。
本实施例,获取纯电续航里程样本值的方法,包括:获取电池剩余电量与电池剩余可用电量的电量差值;计算电量差值与车辆平均能耗比值,得到目标续航里程;计算历史行驶里程与目标续航里程之和,获取纯电续航里程样本值。
作为一个示例,车辆纯电行驶中放电至表显荷电状态为0时刻的整体车辆行程Label应该包括:实际行驶里程Mile1加上电池剩余电量SOE_end对应的纯电续航Mile2。因为电池剩余电量未完全放电,只能通过历史行程的百公里能耗energy_per100km估算纯电续航Mile2。由于表显纯电续航应为SOC_dsp=0时对应的纯电续航,所以Mile2的计算应为如下公式:Mile2=(SOE_end–SOE_dsp)/energy_per100km。因此,纯电续航标签的计算公式如下:
Label=Mile1+(SOE_end-SOE_dsp)/energy_per100km。
显然,相比传统的Mile2=SOE_end/energy_per100km的计算方法,通过SOE_end-SOE_dsp,剔除了SOC_dsp=0时电池可用电量对应续航导致续航值偏高的差值,提高了纯电续航标签的精度。
本申请实施例的样本的获取方法,通过电池可用电量预测模型根据电池温度和真实荷电状态的特征值,预测表显荷电状态为预设值时的电池剩余可用电量,可以发挥大数据的优势,得到的电池剩余可用电量的精度比较高。将纯电续航里程标签样本数据剔除了电池剩余可用电量对应的续航里程,提高了纯电续航标签的样本值的精度。通过该纯电续航标签的样本值训练纯电续航里程模型,再通过该纯电续航里程模型预测的表显纯电续航里程,可以大大提升纯电续航里程模型预测的精度。
在上述任一实施例的基础上,图5是根据本申请一个示例性实施例的纯电续航里程模型的训练方法的流程图。如图5所示,该纯电续航里程模型的训练方法可以包括如下步骤。
在步骤S501中,获取训练样本,该训练样本包括电池状态参数、车辆状态参数以及上述样本的获取方法得到纯电续航里程样本。
在步骤S502中,通过训练样本训练预设的纯电续航里程模型,得到训练好的纯电续航里程模型,其中,预设的纯电续航里程模型为机器学习模型。
本申请实施例的纯电续航里程模型的训练方法,采用上述样本的获取方法实施例提供的纯电续航里程样本训练预设的纯电续航里程模型,由于该纯电续航里程样本数据剔除了电池剩余可用电量对应的续航里程,提高了纯电续航标签的样本值的精度,从而大大提升训练好的纯电续航里程模型的预测精度。
在上述实施例的基础上,图6是根据本申请一个示例性实施例的表显纯电续航里程的预测方法的流程图。如图6所示,该表显纯电续航里程的预测方法可以包括如下步骤。
在步骤S601中,获取电池状态参数和车辆状态参数。
在步骤S602中,将电池状态参数和车辆状态参数输入上述训练好的纯电续航里程模型,得到表显纯电续航里程预测结果。
本申请实施例通过纯电续航里程模型预测表显纯电续航里程,纯电续航里程模型为机器学习模型2,如图7所示,纯电续航里程模型的输入特征为电池状态参数和车辆状态参数,如荷电状态、电池温度、电池电流、电池电压和车速等;输出标签为纯电续航里程。
需要说明的是,机器学习模型2的训练时,输入特征中使用的荷电状态为电池真实荷电状态,不使用SOC_dsp的原因是表显荷电状态为依据真实荷电状态进行等比例折算得到的,而电池大部分重要参数的计算均依据真实荷电状态。因此,机器学习模型2预测的纯电续航为车辆电池放电至SOC=0时的纯电续航里程。机器学习模型2在训练时的标签样本数据,通过上述实施例的样本的获取方法得到。即根据续航里程的显示需求,高精度的预测车辆纯电行驶至SOC_DSP=0%时的续航里程。通过剔除末端SOC_dsp=0时的电池剩余可用电量对应续航里程进行标签数据处理、纯电续航里程模型训练的方法,大大提升了纯电续航里程模型预测的精度。
本申请实施例的表显纯电续航里程的预测方法,采用的纯电续航里程模型在训练时,由于采用的纯电续航里程标签样本数据剔除了电池剩余可用电量对应的续航里程,且电池剩余可用电量通过机器学习模型得到,大大提升了纯电续航里程模型预测的精度。
对应上述实施例的样本的获取方法,图8是根据一示例性实施例示出的一种纯电续航里程样本的获取装置的框图。参照图8,该纯电续航里程样本的获取装置可以包括:电池温度获取模块801、电池剩余可用电量确定模块802、电池剩余电量确定模块803和模型标签样本获取模块804。
具体地,电池温度获取模块801,用于根据车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度;其中,预设值为车辆能够行驶的最低表显荷电状态;
电池剩余可用电量确定模块802,用于根据所述车辆的表显荷电状态与真实荷电状态的对应关系,获取表显荷电状态为预设值时的目标真实荷电状态,并根据电池温度和目标真实荷电状态,确定表显荷电状态为预设值时的电池剩余可用电量;
电池剩余电量确定模块803,用于根据车辆的该次行程数据,获取车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗;
模型标签样本获取模块804,用于基于车辆的该次行程数据中的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。
在本申请的一些实施例中,电池剩余可用电量确定模块802在根据电池温度和目标真实荷电状态,确定表显荷电状态为预设值时的电池剩余可用电量时,用于:
将目标真实荷电状态和电池温度输入电池可用电量预测模型,得到表显荷电状态为预设值时的电池剩余可用电量;其中,电池可用电量预测模型具有根据电池的真实荷电状态和电池温度预测电池可用电量的能力。
荷电状态在本申请的一些实施例中,模型标签样本获取模块804在基于车辆的该次行程数据中的历史行驶里程、电池剩余电量、电池剩余可用电量以及车辆平均能耗,根据续航计算公式获取纯电续航里程样本值时,用于:
获取电池剩余电量与电池剩余可用电量的电量差值;计算电量差值与车辆平均能耗比值,得到目标续航里程;计算历史行驶里程与目标续航里程之和,获取纯电续航里程样本值。
在本申请的一些实施例中,电池温度获取模块801在根据车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度时,用于:
根据车辆的一次行程数据,获取车辆的行程起始时刻的电池温度;根据行程起始时刻的电池温度和电池温度变化分布数据,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度;其中,电池温度变化分布数据表征车辆的行程起始时刻的电池温度与车辆行驶至表显荷电状态为预设值时的温度变化值之间的对应关系。
在本申请的一些实施例中,电池温度获取模块801在根据车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度时,用于:
根据车辆的一次行程数据,获取车辆的行程起始时刻的电池温度;根据行程起始时刻的电池温度和电池温度预测模型,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度;其中,电池温度预测模型的输入特征为行程起始时刻的电池温度,电池温度预测模型的输出标签为形成终止时刻的电池温度。
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。
本申请实施例的纯电续航里程样本的获取装置,通过电池可用电量预测模型根据电池温度和真实荷电状态的特征值,预测表显荷电状态为预设值时的电池剩余可用电量,可以发挥大数据的优势,得到的电池剩余可用电量的精度比较高。将纯电续航里程标签样本数据剔除了电池剩余可用电量对应的续航里程,提高了纯电续航标签的样本值的精度。通过该纯电续航标签的样本值训练纯电续航里程模型,再通过该纯电续航里程模型预测的表显纯电续航里程,可以大大提升纯电续航里程模型预测的精度。
对应上述实施例的纯电续航里程模型的训练方法,图9是根据一示例性实施例示出的一种纯电续航里程模型的训练装置的框图。参照图9,该纯电续航里程模型的训练装置可以包括:训练样本获取模块901和模型训练模块902。
其中,训练样本获取模块901,用于获取训练样本,所述训练样本包括电池状态参数、车辆状态参数以及上述的样本的获取方法得到纯电续航里程样本;
模型训练模块902,用于通过所述训练样本训练预设的纯电续航里程模型,得到训练好的纯电续航里程模型,其中,所述预设的纯电续航里程模型为机器学习模型。
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。
本申请实施例的纯电续航里程模型的训练装置,采用上述样本的获取方法实施例提供的纯电续航里程样本训练预设的纯电续航里程模型,由于该纯电续航里程样本数据剔除了电池剩余可用电量对应的续航里程,提高了纯电续航标签的样本值的精度,从而大大提升训练好的纯电续航里程模型的预测精度。
对应上述实施例的表显纯电续航里程的预测方法,图10是根据一示例性实施例示出的一种表显纯电续航里程的预测装置的框图。参照图10,该表显纯电续航里程的预测装置可以包括:参数获取模块1001和续航预测模块1002。
具体地,参数获取模块1001,用于获取电池状态参数和车辆状态参数;
续航预测模块1002,用于将所述电池状态参数和车辆状态参数输入上述的训练好的纯电续航里程模型,得到表显纯电续航里程预测结果。
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。
本申请实施例的表显纯电续航里程的预测装置,采用上述训练好的纯电续航里程模型进行预测,由于纯电续航里程模型训练时采用的纯电续航里程标签样本数据剔除了电池剩余可用电量对应的续航里程,且电池剩余可用电量通过机器学习模型得到,大大提升了纯电续航里程模型预测的精度。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图11所示,是根据本申请实施例的用于实现样本的获取方法或表显纯电续航里程的预测的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图11所示,该电子设备包括:一个或多个处理器1101、存储器1102,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图11中以一个处理器1101为例。
存储器1102即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的样本的获取方法或表显纯电续航里程的预测的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的样本的获取方法或表显纯电续航里程的预测的方法。
存储器1102作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的样本的获取方法或表显纯电续航里程的预测的方法对应的程序指令/模块(例如,附图8所示的电池温度获取模块801、电池剩余可用电量确定模块802、电池剩余电量确定模块803和模型标签样本获取模块804;或者,图9所示的训练样本获取模块901和模型训练模块902等)。处理器1101通过运行存储在存储器1102中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的样本的获取方法或表显纯电续航里程的预测的方法。
存储器1102可以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、至少一个功能所需要的应用程序;存储数据区可存储根据样本的获取方法或表显纯电续航里程的预测的电子设备的使用所创建的数据等。此外,存储器1102可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器1102可选包括相对于处理器1101远程设置的存储器,这些远程存储器可以通过网络连接至样本的获取方法或表显纯电续航里程的预测的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
样本的获取方法或表显纯电续航里程的预测的方法的电子设备还可以包括:输入装置1103和输出装置1104。处理器1101、存储器1102、输入装置1103和输出装置1104可以通过总线或者其他方式连接,图11中以通过总线连接为例。
输入装置1103可接收输入的数字或字符信息,以及产生与样本的获取方法或表显纯电续航里程的预测的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置1104可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
在示例性实施例中,还提供了一种计算机程序产品,当计算机程序产品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方法。
在示例性实施例中,还提供了一种车辆,包括上述实施例的电子设备。
还需要说明的是,本发明中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本发明不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (11)
1.一种样本的获取方法,其特征在于,包括:
根据所述车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度;其中,所述预设值为车辆能够行驶的最低表显荷电状态;
根据所述车辆的表显荷电状态与真实荷电状态的对应关系,获取所述表显荷电状态为预设值时的目标真实荷电状态,并根据所述电池温度和所述目标真实荷电状态,确定所述表显荷电状态为预设值时的电池剩余可用电量;
根据所述车辆的该次行程数据,获取所述车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗;
基于所述车辆的该次行程数据中的历史行驶里程、所述电池剩余电量、所述电池剩余可用电量以及所述车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。
2.如权利要求1所述的方法,其特征在于,所述根据所述电池温度和所述目标真实荷电状态,确定所述表显荷电状态为预设值时的电池剩余可用电量,包括:
将所述目标真实荷电状态和所述电池温度输入电池可用电量预测模型,得到表显荷电状态为预设值时的电池剩余可用电量;其中,所述电池可用电量预测模型具有根据电池的真实荷电状态和电池温度预测电池可用电量的能力。
3.如权利要求1所述的方法,其特征在于,所述基于所述车辆的该次行程数据中的历史行驶里程、所述电池剩余电量、所述电池剩余可用电量以及所述车辆平均能耗,根据续航计算公式获取纯电续航里程样本值,包括:
获取所述电池剩余电量与所述电池剩余可用电量的电量差值;
计算所述电量差值与所述车辆平均能耗比值,得到目标续航里程;
计算所述历史行驶里程与所述目标续航里程之和,获取纯电续航里程样本值。
4.如权利要求1所述的方法,其特征在于,所述根据所述车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度,包括:
根据所述车辆的一次行程数据,获取所述车辆的行程起始时刻的电池温度;
根据所述行程起始时刻的电池温度和电池温度变化分布数据,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度;其中,所述电池温度变化分布数据表征所述车辆的电池温度与表显荷电状态之间的对应关系。
5.如权利要求1所述的方法,其特征在于,所述根据所述车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度,包括:
根据所述车辆的一次行程数据,获取所述车辆的行程起始时刻的电池温度;
根据所述行程起始时刻的电池温度和电池温度预测模型,预测车辆纯电行驶中放电至表显荷电状态为预设值时的电池温度;其中,所述电池温度预测模型具体根据行程起始时刻的电池温度预测行程终止时刻的电池温度的能力。
6.一种纯电续航里程模型的训练方法,其特征在于:包括:
获取训练样本,所述训练样本包括电池状态参数、车辆状态参数以及如权利要求1至5任一所述的样本的获取方法得到纯电续航里程样本;
通过所述训练样本训练预设的纯电续航里程模型,得到训练好的纯电续航里程模型,其中,所述预设的纯电续航里程模型为机器学习模型。
7.一种表显纯电续航里程的预测方法,其特征在于,包括:
获取电池状态参数和车辆状态参数;
将所述电池状态参数和车辆状态参数输入如权利要求6所述的训练好的纯电续航里程模型,得到表显纯电续航里程预测结果。
8.一种样本的获取装置,其特征在于,包括:
电池温度获取模块,用于根据所述车辆的一次行程数据,获取表显荷电状态为预设值时的电池温度;其中,所述预设值为车辆能够行驶的最低表显荷电状态;
电池剩余可用电量确定模块,用于根据所述车辆的表显荷电状态与真实荷电状态的对应关系,获取所述表显荷电状态为预设值时的目标真实荷电状态,并根据所述电池温度和所述目标真实荷电状态,确定所述表显荷电状态为预设值时的电池剩余可用电量;
电池剩余电量确定模块,用于根据所述车辆的该次行程数据,获取所述车辆在该次行程结束时的真实荷电状态对应的电池剩余电量和车辆平均能耗;
模型标签样本获取模块,用于基于所述车辆的该次行程数据中的历史行驶里程、所述电池剩余电量、所述电池剩余可用电量以及所述车辆平均能耗,根据续航计算公式获取纯电续航里程样本值。
9.一种电子设备,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至5或者6或者7中任一项所述方法的步骤。
10.一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,该计算机程序被处理器执行时实现权利要求1至5或者6或者7中任一项所述方法的步骤。
11.一种车辆,其特征在于,包括如权利要求9所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543076.3A CN117124923A (zh) | 2022-05-18 | 2022-05-18 | 样本的获取方法、模型训练以及预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543076.3A CN117124923A (zh) | 2022-05-18 | 2022-05-18 | 样本的获取方法、模型训练以及预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117124923A true CN117124923A (zh) | 2023-11-28 |
Family
ID=88853201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210543076.3A Pending CN117124923A (zh) | 2022-05-18 | 2022-05-18 | 样本的获取方法、模型训练以及预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117124923A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975598A (zh) * | 2024-03-29 | 2024-05-03 | 长城汽车股份有限公司 | 续航里程异常的处理方法、装置、电子设备及存储介质 |
-
2022
- 2022-05-18 CN CN202210543076.3A patent/CN117124923A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117975598A (zh) * | 2024-03-29 | 2024-05-03 | 长城汽车股份有限公司 | 续航里程异常的处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hong et al. | Synchronous multi-parameter prediction of battery systems on electric vehicles using long short-term memory networks | |
CN109196366B (zh) | 使用高斯过程回归估计电池充电状态的方法和系统 | |
CN111931286B (zh) | 纵向动力学模型的训练方法、装置及设备 | |
US20230029810A1 (en) | Battery model construction method and battery degradation prediction device | |
CN103713262A (zh) | 用于计算绿色车辆的可能行驶距离的系统和方法 | |
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
CN113895307B (zh) | 一种剩余里程的确定方法、装置、电动汽车及介质 | |
CN111376790A (zh) | 用于确定车辆的行驶里程的方法、装置、设备和介质 | |
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 | |
CN114692927A (zh) | 换电站推荐方法、系统、电子设备和存储介质 | |
CN115230526A (zh) | 一种预估汽车剩余续航里程的方法、装置及车辆 | |
CN117124923A (zh) | 样本的获取方法、模型训练以及预测方法 | |
CN111231758B (zh) | 一种电池容量的估算方法、装置、电子设备及介质 | |
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 | |
KR20220156254A (ko) | 특징 벡터 라벨링을 이용한 배터리 수명 예측 시스템 및 방법 | |
CN113947231A (zh) | 充电站空闲度预测方法及装置 | |
CN116307151A (zh) | 充电站充电负荷预测方法、存储介质以及电子设备 | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、系统、介质及设备 | |
CN115285104A (zh) | 车辆动力电池的配置方法、装置、电子设备和存储介质 | |
CN116359764A (zh) | 电池剩余充电时间计算方法、装置、电子设备及存储介质 | |
CN115563810A (zh) | 丝杆寿命预测方法、装置、电子设备及可读存储介质 | |
CN115112394A (zh) | 车辆测试和自动驾驶车辆续驶里程测试方法及装置 | |
CN116605091A (zh) | 续航里程的预测方法、装置、电子设备及存储介质 | |
CN112782601A (zh) | 电池健康度的获取方法、系统、设备及可读存储介质 | |
CN115293100B (zh) | 一种新能源电池剩余电量精准评估方法 |
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 |