CN117171940A - 电动汽车能效分析方法及装置、存储介质和电子设备 - Google Patents
电动汽车能效分析方法及装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117171940A CN117171940A CN202310174633.3A CN202310174633A CN117171940A CN 117171940 A CN117171940 A CN 117171940A CN 202310174633 A CN202310174633 A CN 202310174633A CN 117171940 A CN117171940 A CN 117171940A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- target vehicle
- energy
- regression
- regression model
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 31
- 238000005265 energy consumption Methods 0.000 claims abstract description 453
- 238000010219 correlation analysis Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000001419 dependent effect Effects 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013178 mathematical model 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
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请公开了一种电动汽车能效分析方法及装置、存储介质和电子设备,包括获取多个车型的能耗数据，每组能耗数据包括与车型对应的申报能耗和能耗影响参数；基于能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析得到能耗回归模型；获取目标车辆的申报能耗和能耗影响参数，根据能耗回归模型和目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，根据能耗比值判断目标车辆的能效等级。基于大量的能耗数据进行相关性分析，能够结合不同车型的能耗影响参数得到能耗回归模型，计算目标车辆的能耗比值，并确定能效等级，通过能耗比值确定能效等级具有更高的准确性。
Description
技术领域
本申请涉及能效分析技术领域，尤其涉及一种电动汽车能效分析方法及装置、存储介质和电子设备。
背景技术
车辆的能耗效率是车辆的重要评估参数，车辆的能效越高越节能。目前在比较电动汽车能效的过程中，一般都是直接比较能耗，但纯电车型能耗效率的影响因素众多，直接比较能耗有很大的干扰，无法得到准确的能效对比结果。
发明内容
本申请的目的在于克服现有技术中无法准确比较电动汽车能效高低的不足，提供一种比较结果准确的电动汽车能效分析方法及装置、存储介质和电子设备。
本申请的技术方案提供一种电动汽车能效分析方法，包括：
获取多个车型的能耗数据，每组能耗数据包括与每个所述车型对应的申报能耗和至少两个能耗影响参数；
基于所述能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型；
获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型、所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值；
根据所述能耗比值判断目标车辆的能效等级。
进一步地，所述以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到能耗回归模型，具体包括：
以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到常数项和每个能耗影响参数的回归系数；
根据所述常数项和所述能耗影响参数的回归系数建立能耗回归模型。
进一步地，所述能耗影响参数至少包括整备质量、迎风面积；
所述根据所述常数项和所述能耗影响参数的回归系数建立能耗回归模型，具体包括：
获取整备质量回归系数、迎风面积回归系数和常数项，得到能耗回归模型，
其中，所述能耗回归模型的公式为：
回归能耗＝M*a1+S*a2+b，
其中，M为所述整备质量，a1为所述整备质量回归系数，S为所述迎风面积，a2为所述迎风面积回归系数，b为所述常数项。
进一步地，获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型和所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，具体包括：
获取目标车辆的申报能耗、整备质量和迎风面积；
将所述目标车辆的整备质量和迎风面积代入所述能耗回归模型，计算所述目标车辆的回归能耗；
计算目标车辆的能耗比值，其中能耗比值的计算公式为：
能耗比值＝回归能耗/申报能耗-100％。
进一步地，所述根据所述能耗比值判断目标车辆的能效等级，具体包括：
确定所述目标车辆的能耗比值所在的比值区间；
确定所述比值区间对应的能效等级作为所述目标车辆的能效等级。
进一步地，所述能耗数据还包括与所述车型对应的驱动形式，所述驱动形式包括两驱和四驱；
所述基于所述能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型，具体包括：
将所述能耗数据根据驱动形式划分为两驱能耗数据集和四驱能耗数据集；
基于所述两驱能耗数据集中的能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到两驱能耗回归模型；
基于所述四驱能耗数据集中的能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到四驱能耗回归模型。
进一步地，所述获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型、所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，具体包括：
根据目标车辆的驱动形式在所述两驱能耗回归模型和所述四驱能耗回归模型中确定目标能耗回归模型；
根据所述目标能耗回归模型和所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值。
本申请的技术方案还提供一种电动汽车能效分析装置，包括：
数据获取单元，用于获取多个车型的能耗数据，每组能耗数据包括与每个所述车型对应的申报能耗和至少两个能耗影响参数；
回归分析单元，用于基于所述能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型；
计算单元，用于获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型和所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值；
能效判断单元，用于根据所述能耗比值判断目标车辆的能效等级。
本申请的技术方案还提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如前所述的电动汽车能效分析方法。
本申请的技术方案还提供一种电子设备，包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前所述的电动汽车能效分析方法。
采用上述技术方案后，具有如下有益效果：
本申请通过获取多个车型的能耗数据并进行相关性分析，能够结合不同车型的能耗影响参数得到能耗回归模型，用于计算目标车辆的能耗比值，并根据能耗比值确定能效等级，通过能耗比值确定能效等级具有更高的准确性。
附图说明
参见附图，本申请的公开内容将变得更易理解。应当理解：这些附图仅仅用于说明的目的，而并非意在对本申请的保护范围构成限制。图中：
图1是本申请一实施例中电动汽车能效分析方法的流程图；
图2是本申请一实施例中电动汽车能耗数据库的一个示例；
图3是本申请一实施例中能耗影响参数与能耗之间相关系数的一个示例；
图4是本申请一实施例中能效评价图的一个示例；
图5是本申请一较佳实施例中电动汽车能效分析方法的流程图；
图6是本申请一较佳实施例中电动汽车能效分析方法的流程图；
图7是本申请一实施例中电动汽车能效分析装置的结构示意图；
图8是本申请一实施例中电子设备的硬件结构示意图。
具体实施方式
下面结合附图来进一步说明本申请的具体实施方式。
容易理解，根据本申请的技术方案，在不变更本申请实质精神下，本领域的一般技术人员可相互替换的多种结构方式以及实现方式。因此，以下具体实施方式以及附图仅是对本申请的技术方案的示例性说明，而不应当视为本申请的全部或视为对申请技术方案的限定或限制。
在本说明书中提到或者可能提到的上、下、左、右、前、后、正面、背面、顶部、底部等方位用语是相对于各附图中所示的构造进行定义的，它们是相对的概念，因此有可能会根据其所处不同位置、不同使用状态而进行相应地变化。所以，也不应当将这些或者其他的方位用语解释为限制性用语。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”、“相连”应做广义理解，例如，可以是固定连接，也可以可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个组件内部的连通。对于本领域的普通技术人员而言，可以视具体情况理解上述属于在本申请中的具体含义。
本申请实施例中的电动汽车能效分析方法，如图1所示，包括：
步骤S101：获取多个车型的能耗数据，每组能耗数据包括与每个车型对应的申报能耗和至少两个能耗影响参数。
收集近年市场上主流纯电车型的相关数据建立电动汽车能耗数据库，每个车型对应设置一组能耗数据，包括车型及其对应的申报能耗和至少两个能耗影响参数，图2示出了电动汽车能耗数据库的一个示例，车型包括上市年份、批次、车型编号和品牌等，能耗影响参数包括高度、宽度、整备质量等。
步骤S102：基于能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型。
本步骤基于不同车型的能耗数据进行相关性分析，其中以申报能耗为因变量，能耗影响参数为自变量，得到每个能耗影响参数与申报能耗的相关性，具体体现为相关系数，从而得到用于计算回归能耗的能耗回归模型。关于相关性分析，可以采用现有技术中的相关性分析方法，在此不再赘述。
步骤S103：获取目标车辆的申报能耗和能耗影响参数，根据能耗回归模型、目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值。
首先利用能耗回归模型和目标车辆能耗影响参数计算目标车辆的回归能耗，根据回归能耗和申报能耗计算目标车辆的能耗比值。
步骤S104：根据能耗比值判断目标车辆的能效等级。
通过能耗比值判断目标车辆的能效等级，可以设置不同的比值区间对应不同的能效等级，通过能耗比值所在的比值区间确定目标车辆能效等级。一般来说，能耗比值越小，对应的能效等级则越高。
本申请实施例能够基于大量的电动汽车的能耗数据进行相关性分析，得到能耗回归模型，从而能够基于相关性分析确定目标车辆的回归能耗，回归能耗相较于申报能耗具有更高的准确性，将回归能耗和申报能耗计算出的能耗比值用于能效等级的确定，相较于直接比较申报能耗，具有更高的准确性。
在其中一个实施例中，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到能耗回归模型，具体包括：
以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到常数项和每个能耗影响参数的回归系数；
根据常数项和能耗影响参数的回归系数建立能耗回归模型。
本申请实施例基于电动汽车能耗数据库中的多组能耗数据，应用多元一次线性回归分析方法，通过对多个自变量与一个因变量的相关分析，建立数学模型。
回归模型公式为：
y＝alx1+a2x2+…+akxk+b
其中，a1，a2…ak为回归系数，b为常数项，y为因变量申报能耗，x1，x2…xk为能耗影响参数。
具体来说，能耗影响参数可以包括整备质量、迎风面积、整车长宽比和整车长高比。其中迎风面积根据整车高度和宽度计算得到，每组能耗数据采用相同的计算方法，例如，迎风面积＝高度*宽度*0.88。
前述根据常数项和能耗影响参数的回归系数建立能耗回归模型，具体包括：
获取整备质量回归系数、迎风面积回归系数和常数项，得到能耗回归模型，
其中，能耗回归模型的公式为：
回归能耗＝M*a1+S*a2+b，
其中，M为整备质量，a1为整备质量回归系数，S为迎风面积，a2为迎风面积回归系数，b为常数项。
作为一个例子，能耗影响参数包括整备质量、迎风面积、整车长宽比和整车长高比进行相关性分析后，得到能耗影响参数与能耗之间相关系数如图3所示，其中迎风面积和整备质量的相关系数明显大于0.6，则说明迎风面积和整备质量与能耗之间的相关性更高，则选择相关性高的整备质量回归系数和迎风面积回归系数建立能耗回归模型即可。
因此，能耗回归模型设置为回归能耗＝M*a1+S*a2+b。
本申请实施例通过对电动汽车能耗数据库中的多组能耗数据进行相关性分析，得到能耗回归模型用于计算回归能耗，回归能耗的计算结合了整车的相关参数，使得回归能耗能够准确体现基于车型结构影响的能耗。
在其中一个实施例中，获取目标车辆的申报能耗和能耗影响参数，根据能耗回归模型和目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，具体包括
获取目标车辆的申报能耗、整备质量和迎风面积；
将目标车辆的整备质量和迎风面积代入能耗回归模型，计算目标车辆的回归能耗；
计算目标车辆的能耗比值，其中能耗比值的计算公式为：
能耗比值＝回归能耗/申报能耗-100％。
具体来说，目标车辆可以是研发中的车辆，将目标车辆的整备质量和迎风面积代入能耗回归模型，即可得到目标车辆的回归能耗，将回归能耗除以申报能耗减去100％，即可得到能耗比值。能耗比值能够用于衡量车辆的能量效率，回归能耗是基于整车参数确定的能耗，能够反应基于车型带来的能耗，申报能耗是整车的实际能耗，二者的比值能够反映基于车型带来的能耗的比例，能耗比值越大，则整车的能量效率越低。
在其中一个实施例中，根据能耗比值判断目标车辆的能效等级，具体包括：
确定目标车辆的能耗比值所在的比值区间；
确定比值区间对应的能效等级作为目标车辆的能效等级。
本申请实施例中，预先设置不同的比值区间，每个比值区间对应一个能效等级，比值区间由大到小设置，对应的能效等级逐渐升高，通过确定目标车辆的能耗比值所在的比值区间，能够快速确定目标车辆的能效等级。
优选地，可以绘制如图4所示的能效评价图，其中横坐标为回归能耗，纵坐标为申报能耗，坐标图中划分有多个等级线，通过比较不同车辆的能耗比值所在等级线的区域，确定目标车辆的能效等级。
在其中一个实施例中，能耗数据还包括与车型对应的驱动形式，驱动形式包括两驱和四驱；
基于能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型，具体包括：
将能耗数据根据驱动形式划分为两驱能耗数据集和四驱能耗数据集；
基于两驱能耗数据集中的能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到两驱能耗回归模型；
基于四驱能耗数据集中的能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到四驱能耗回归模型。
由于两驱和四驱的配置差异会对整车能量效率产生巨大影响，本申请实施例中，根据驱动形式的不同，将电动汽车能耗数据库中的能耗数据划分为两驱能耗数据集和四驱能耗数据集，并分别计算两驱能耗回归模型和四驱能耗回归模型，能够根据驱动形式的不同，采用不同的能耗回归模型，进一步提高能耗分析的准确性。
在其中一个实施例中，获取目标车辆的申报能耗和能耗影响参数，根据能耗回归模型、目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，具体包括：
根据目标车辆的驱动形式在两驱能耗回归模型和四驱能耗回归模型中确定目标能耗回归模型；
根据目标能耗回归模型和目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值。
本申请实施例在判断目标车辆的能效等级时，首先根据目标车辆的驱动形式确定目标能耗回归模型，驱动形式为两驱，则确定两驱能耗回归模型为目标能耗回归模型，驱动形式为四驱，则确定四驱能耗回归模型为目标能耗回归模型。之后则根据目标能耗回归模型和目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，关于这一步骤，具体可参见前述实施例中的相关内容，在此不再赘述。
本申请实施例能够根据驱动形式的不同，采用不同的能耗回归模型进行计算，进一步提高能效分析的准确性。
图5、6示出了本申请一较佳实施例中的电动汽车能效分析方法，具体包括
步骤S501：获取多个车型的能耗数据，每组能耗数据包括与车型对应的驱动形式、申报能耗和至少两个能耗影响参数；
步骤S502：将能耗数据根据驱动形式划分为两驱能耗数据集和四驱能耗数据集；
步骤S503：基于两驱能耗数据集中的能耗数据，采用步骤S601-S602得到两驱能耗回归模型；
步骤S504：基于四驱能耗数据集中的能耗数据，采用步骤S601-S602得到四驱能耗回归模型；
步骤S505：根据目标车辆的驱动形式在两驱能耗回归模型和四驱能耗回归模型中确定目标能耗回归模型；
步骤S506：获取目标车辆的申报能耗、整备质量和迎风面积；
步骤S507：将目标车辆的整备质量和迎风面积代入目标能耗回归模型，计算目标车辆的回归能耗；
步骤S508：计算目标车辆的能耗比值，能耗比值的计算公式为：能耗比值＝回归能耗/申报能耗-100％。
步骤S509：确定目标车辆的能耗比值所在的比值区间；
步骤S510：确定比值区间对应的能效等级作为目标车辆的能效等级。
步骤S601：基于能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到常数项和每个能耗影响参数的回归系数；
步骤S602：获取整备质量回归系数、迎风面积回归系数和常数项，得到能耗回归模型，能耗回归模型的公式为：
回归能耗＝M*a1+S*a2+b，
其中，M为整备质量，a1为整备质量回归系数，S为迎风面积，a2为迎风面积回归系数，b为常数项。
本申请实施例中的电动汽车能效分析装置，如图7所示，包括：
数据获取单元701，用于获取多个车型的能耗数据，每组能耗数据包括与每个车型对应的申报能耗和至少能耗影响参数；
回归分析单元702，用于基于的能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型；
计算单元703，用于获取目标车辆的申报能耗和能耗影响参数，根据能耗回归模型和目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值；
能效判断单元704，用于根据能耗比值判断目标车辆的能效等级。
本申请基于大量的能耗数据进行相关性分析，能够结合不同车型的能耗影响参数得到能耗回归模型，用于计算目标车辆的能耗比值，并根据能耗比值确定能耗等级，通过能耗比值确定能耗等级具有更高的准确性。
进一步地，回归分析单元702具体包括：
相关性分析模块，用于以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到常数项和每个能耗影响参数的回归系数；
模型建立模块，用于根据常数项和所述能耗影响参数的回归系数建立能耗回归模型，具体包括：
获取整备质量回归系数、迎风面积回归系数和常数项，得到能耗回归模型，
其中，能耗回归模型的公式为：
回归能耗＝M*a1+S*a2+b，
其中，M为整备质量，a1为整备质量回归系数，S为迎风面积，a2为迎风面积回归系数，b为常数项。
进一步地，计算单元703，具体用于获取目标车辆的申报能耗、整备质量和迎风面积；
将所述目标车辆的整备质量和迎风面积代入所述能耗回归模型，计算所述目标车辆的回归能耗；
计算目标车辆的能耗比值，其中能耗比值的计算公式为：
能耗比值＝回归能耗/申报能耗-100％。
进一步地，能效判断单元704具体包括：
区间确定模块，用于确定目标车辆的能耗比值所在的比值区间；
能效确定模块，用于确定比值区间对应的能效等级作为目标车辆的能效等级。
本申请的技术方案还提供一种存储介质，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行前述任一实施例中的电动汽车能效分析方法。
图8示出了本申请的一种电子设备，包括：
至少一个处理器801；以及，
与所述至少一个处理器801通信连接的存储器802；其中，
所述存储器802存储有可被所述至少一个处理器801执行的指令，所述指令被所述至少一个处理器801执行，以使所述至少一个处理器801能够执行前述任一方法实施例中的电动汽车能效分析方法的所有步骤。
电子设备优选为车载电子控制单元(Electronic Control Unit，ECU)，进一步为车载电子控制单元中的微控制单元(Microcontroller Unit，MCU)。
图8中以一个处理器802为例：
电子设备还可以包括：输入装置803和输出装置804。
处理器801、存储器802、输入装置803及输出装置804可以通过总线或者其他方式连接，图中以通过总线连接为例。
存储器802作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本申请实施例中的电动汽车能效分析方法对应的程序指令/模块，例如，图1或5-6所示的方法流程。处理器801通过运行存储在存储器802中的非易失性软件程序、指令以及模块，从而执行各种功能应用以及数据处理，即实现上述实施例中的电动汽车能效分析方法。
存储器802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电动汽车能效分析方法的使用所创建的数据等。此外，存储器802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、或其他非易失性固态存储器件。在一些实施例中，存储器802可选包括相对于处理器801远程设置的存储器，这些远程存储器可以通过网络连接至执行电动汽车能效分析方法的装置。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。
输入装置803可接收输入的用户点击，以及产生与电动汽车能效分析方法的用户设置以及功能控制有关的信号输入。输出装置804可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器802中，当被所述一个或者多个处理器801运行时，执行上述任意方法实施例中的电动汽车能效分析方法。
以上所述的仅是本申请的原理和较佳的实施例。应当指出，对于本领域的普通技术人员来说，将分别公开在不同的实施例中的技术方案适当组合而得到的实施方式也包括在本发明的技术范围内，在本申请原理的基础上，还可以做出若干其它变型，也应视为本申请的保护范围。
Claims (10)
1.一种电动汽车能效分析方法，其特征在于，包括：
获取多个车型的能耗数据，每组能耗数据包括与每个所述车型对应的申报能耗和至少两个能耗影响参数；
基于所述能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型；
获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型、所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值；
根据所述能耗比值判断目标车辆的能效等级。
2.根据权利要求1所述的电动汽车能效分析方法，其特征在于，所述以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到能耗回归模型，具体包括：
以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到常数项和每个能耗影响参数的回归系数；
根据所述常数项和所述能耗影响参数的回归系数建立能耗回归模型。
3.根据权利要求2所述的电动汽车能效分析方法，其特征在于，所述能耗影响参数至少包括整备质量、迎风面积；
所述根据所述常数项和所述能耗影响参数的回归系数建立能耗回归模型，具体包括：
获取整备质量回归系数、迎风面积回归系数和常数项，得到能耗回归模型，
其中，所述能耗回归模型的公式为：
回归能耗＝M*a1+S*a2+b，
其中，M为所述整备质量，a1为所述整备质量回归系数，S为所述迎风面积，a2为所述迎风面积回归系数，b为所述常数项。
4.根据权利要求3所述的电动汽车能效分析方法，其特征在于，获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型和所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，具体包括：
获取目标车辆的申报能耗、整备质量和迎风面积；
将所述目标车辆的整备质量和迎风面积代入所述能耗回归模型，计算所述目标车辆的回归能耗；
计算目标车辆的能耗比值，其中能耗比值的计算公式为：
能耗比值＝回归能耗/申报能耗-100％。
5.根据权利要求1所述的电动汽车能效分析方法，其特征在于，所述根据所述能耗比值判断目标车辆的能效等级，具体包括：
确定所述目标车辆的能耗比值所在的比值区间；
确定所述比值区间对应的能效等级作为所述目标车辆的能效等级。
6.根据权利要求1-5任一项所述的电动汽车能效分析方法，其特征在于，所述能耗数据还包括与所述车型对应的驱动形式，所述驱动形式包括两驱和四驱；
所述基于所述能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型，具体包括：
将所述能耗数据根据驱动形式划分为两驱能耗数据集和四驱能耗数据集；
基于所述两驱能耗数据集中的能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到两驱能耗回归模型；
基于所述四驱能耗数据集中的能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到四驱能耗回归模型。
7.根据权利要求6所述的电动汽车能效分析方法，其特征在于，所述获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型、所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值，具体包括：
根据目标车辆的驱动形式在所述两驱能耗回归模型和所述四驱能耗回归模型中确定目标能耗回归模型；
根据所述目标能耗回归模型和所述目标车辆的申报能耗和能耗影响参数，计算目标车辆的能耗比值。
8.一种电动汽车能效分析装置，其特征在于，包括：
数据获取单元，用于获取多个车型的能耗数据，每组能耗数据包括与每个所述车型对应的申报能耗和至少两个能耗影响参数；
回归分析单元，用于基于所述能耗数据，以申报能耗为因变量，以能耗影响参数为自变量，进行相关性分析，得到用于计算回归能耗的能耗回归模型；
计算单元，用于获取目标车辆的申报能耗和能耗影响参数，根据所述能耗回归模型、所述目标车辆的申报能耗和能耗影响参数计算目标车辆的能耗比值；
能效判断单元，用于根据所述能耗比值判断目标车辆的能效等级。
9.一种存储介质，其特征在于，所述存储介质存储计算机指令，当计算机执行所述计算机指令时，用于执行如权利要求1-7任一项所述的电动汽车能效分析方法。
10.一种电子设备，其特征在于，包括至少一个处理器；以及，
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1-7任一项所述的电动汽车能效分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310174633.3A CN117171940A (zh) | 2023-02-27 | 2023-02-27 | 电动汽车能效分析方法及装置、存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310174633.3A CN117171940A (zh) | 2023-02-27 | 2023-02-27 | 电动汽车能效分析方法及装置、存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117171940A true CN117171940A (zh) | 2023-12-05 |
Family
ID=88930501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310174633.3A Pending CN117171940A (zh) | 2023-02-27 | 2023-02-27 | 电动汽车能效分析方法及装置、存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117171940A (zh) |
-
2023
- 2023-02-27 CN CN202310174633.3A patent/CN117171940A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Elman neural network using ant colony optimization algorithm for estimating of state of charge of lithium-ion battery | |
| Toledo et al. | Estimation of vehicle trajectories with locally weighted regression | |
| CN108875013B (zh) | 处理地图数据的方法及装置 | |
| EP2791827A2 (de) | Verfahren zur auswertung der lösung eines multikriteriellen optimierungsproblems | |
| CN109747654B (zh) | 一种面向工况的混合动力汽车控制参数标定方法 | |
| CN116165988B (zh) | 一种汽车中控台的生产质量管控方法及系统 | |
| CN109783486A (zh) | 数据清洗方法、装置及服务器 | |
| CN104242306A (zh) | 一种基于主成分分析方法的电力系统自适应分区方法 | |
| CN113335131A (zh) | 一种车辆续航里程预测方法、装置、设备和存储介质 | |
| CN116152218A (zh) | 施工质量智能检测方法及装置 | |
| CN115291545A (zh) | 一种电力电子产品的多层控制系统及方法 | |
| CN109064445B (zh) | 一种动物的数量统计方法和系统、存储介质 | |
| CN117171940A (zh) | 电动汽车能效分析方法及装置、存储介质和电子设备 | |
| CN111098861B (zh) | 一种驾驶行为反馈方法、装置、车辆及存储介质 | |
| CN107341300A (zh) | 传动系统的设计方法及装置 | |
| CN116882297A (zh) | 轴孔装配策略模型构建方法、装置、设备及介质 | |
| CN116244954A (zh) | 车辆舒适性评估方法、装置、计算机设备和存储介质 | |
| CN116151460A (zh) | 车辆智能化产品的优化方法、装置、服务器及存储介质 | |
| CN108665090A (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
| CN110108239B (zh) | 极片质量信息获取方法、系统及设备 | |
| CN111428345B (zh) | 一种随机性负载扰动控制系统的性能评价系统及方法 | |
| CN110470925B (zh) | 一种基于可拓关联函数的电驱动力总成可靠度测试方法 | |
| CN109858699B (zh) | 水质定量模拟方法、装置、电子设备及存储介质 | |
| Luboschik et al. | Interactive visual exploration of simulator accuracy: A case study for stochastic simulation algorithms | |
| CN117807748A (zh) | 车辆蠕行策略的标定方法、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 |