CN117400948A - 一种汽车能耗预测方法、装置、电子设备及存储介质 - Google Patents
一种汽车能耗预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117400948A CN117400948A CN202311545301.8A CN202311545301A CN117400948A CN 117400948 A CN117400948 A CN 117400948A CN 202311545301 A CN202311545301 A CN 202311545301A CN 117400948 A CN117400948 A CN 117400948A
- Authority
- CN
- China
- Prior art keywords
- driving
- navigation
- historical
- fragments
- energy consumption
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000012634 fragment Substances 0.000 claims abstract description 119
- 238000012216 screening Methods 0.000 claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims description 93
- 238000012360 testing method Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 12
- 238000004458 analytical method Methods 0.000 abstract description 2
- QYAPHLRPFNSDNH-MRFRVZCGSA-N (4s,4as,5as,6s,12ar)-7-chloro-4-(dimethylamino)-1,6,10,11,12a-pentahydroxy-6-methyl-3,12-dioxo-4,4a,5,5a-tetrahydrotetracene-2-carboxamide;hydrochloride Chemical compound Cl.C1=CC(Cl)=C2[C@](O)(C)[C@H]3C[C@H]4[C@H](N(C)C)C(=O)C(C(N)=O)=C(O)[C@@]4(O)C(=O)C3=C(O)C2=C1O QYAPHLRPFNSDNH-MRFRVZCGSA-N 0.000 description 4
- 102100026127 Clathrin heavy chain 1 Human genes 0.000 description 4
- 101000912851 Homo sapiens Clathrin heavy chain 1 Proteins 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- 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
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Navigation (AREA)
Abstract
本申请涉及汽车领域,具体为汽车能耗预测方法、汽车能耗预测装置、电子设备及存储介质,该方法包括:步骤1:获取用户历史驾驶风格信息、历史行程导航信息、天气环境信息和多个历史行驶片段;步骤2:根据历史行程导航信息和用户历史驾驶风格,对历史行驶片段进行筛选,确定最佳行驶片段;步骤3:基于最佳行驶片段和天气环境信息,确定能耗预测值。本申请通过驾驶风格、导航信息和天气环境对预测工况进行能耗计算,物理意义较强,便于对计算结果进行后续分析。并且,计算方法适用于用户输入的任意工况,可以应对实际行驶中的各种复杂行程,具有较好的通用性。
Description
技术领域
本发明涉及汽车领域,特别涉及一种汽车能耗预测方法、汽车能耗预测装置、电子设备及存储介质。
背景技术
汽车的能耗是当今汽车产品重要的性能指标之一,越来越得到汽车厂商和汽车用户的关注。准确的能耗预测方法,可以让用户更好地认识车辆未来的行驶情况,规划行驶路线,对汽车能源进行及时的补充。近年来,中国的汽车行业呈现加速电动化的趋势,而电动汽车存在续驶里程短、充电时间长的问题。准确预测能耗可以有效缓解电动汽车用户普遍拥有的里程焦虑心理,增强用户对汽车厂商的信任。
影响汽车能耗的因素繁多,为了准确预测汽车能耗,必须综合考虑这些影响因素。根据汽车行驶方程式,汽车的行驶阻力主要包含滚动阻力、空气阻力和爬坡阻力,而汽车的质量、外形设计以及汽车行驶的环境、车速等都会影响到行驶阻力的大小。汽车动力系统中各部分的转动惯量、传动效率等则关系到汽车内部的能量损失。因此,要预测汽车的能耗,首先要对这些变量的取值做出预测。而对实际行驶的汽车而言,情况非常复杂。汽车的行驶工况首先会受到驾驶路线的影响,高速和普通道路上的车速显然不同。其次,道路实际的交通状况也会决定汽车是否能够基本保持匀速行驶,还是需要频繁加减速,而加减速的剧烈程度又取决于司机的驾驶习惯。此外,当天的状况也会影响到汽车的动力性,比如气温和湿度的不同会带来大气密度的变化,从而影响空气阻力系数。以上种种因素都为准确预测汽车能耗带来了困难。
现有的能耗预测方法主要包含两类。一类是基于汽车动力学模型的方法,这类方法基于动力学原理和汽车参数建立汽车的能耗计算模型,并根据法规要求的测试工况,如CLTC工况,对汽车的行驶进行模拟,得到汽车的能耗与续驶里程。该方法具有较强的物理意义,模型理论上可以输入各种工况进行模拟计算,但实际工况难以提前获得,而标准测试工况与实际存在区别,影响了预测精度。另一类是基于历史数据的预测方法,这类方法采集汽车的历史行驶数据,在数据库中建立汽车能耗与里程、速度等因素的关系,然后根据未来行驶工况的预测数据,得到汽车能耗的预测结果。该方法从历史数据展开预测,保留了用户驾驶习惯对能耗的影响,但未来的行驶情况未必包含于历史数据,导致基于历史数据建立的模型可能得不到理想的结果。
发明内容
有鉴于此,本发明目的是为了提供一种汽车能耗预测方法、汽车能耗预测装置、电子设备及存储介质,用于改善上述问题。
为解决上述技术问题,本发明采用下述技术方案:
第一方面,本申请提供一种汽车能耗预测方法,该包括:步骤1:获取用户历史驾驶风格信息、历史行程导航信息、天气环境信息和多个历史行驶片段;步骤2:根据历史行程导航信息和用户历史驾驶风格,对历史行驶片段进行筛选,确定最佳行驶片段;步骤3:基于最佳行驶片段和天气环境信息,确定能耗预测值。
进一步的,步骤1具体包括:步骤A:获取用户历史行驶数据,用户历史行驶数据包括数据上传时间和车辆启动状态;步骤B:根据数据上传时间和车辆启动状态,对用户历史行驶数据进行划分,获得历史行驶片段;步骤C:基于预先训练好的加速度识别模型和加速度拟合模型对各历史行驶片段进行处理,确定用户历史驾驶风格信息。
进一步的,步骤C具体包括:步骤c1:根据预设行驶特征对历史行驶片段进行筛选;步骤c2:将筛选后的历史行驶片段输入至加速度识别模型和加速度拟合模型中,确定历史行驶片段对应加速状态和加速度;步骤c3:根据加速状态和加速度,确定用户历史驾驶风格信息。
进一步的,步骤c2进一步包括:步骤c2-1:获取测试数据;步骤c2-2:以测试数据为训练样本,加速状态为目标进行机器学习,形成加速度识别模型,其中,加速状态包括加速、匀速和减速;步骤c-3:以加速状态为加速和减速的测试数据为训练样本,加速度为目标进行机器学习,形成加速度拟合模型。
进一步的,步骤c3具体包括:步骤c3-1:根据加速状态和加速度,计算各历史行驶片段对应的工况强度;步骤c3-2:基于预设平均车速阈值,将各历史行驶片段分为市区片段和高速片段;步骤c3-3:根据各历史行驶片段对应的工况强度,计算市区片段对应的市区平均工况强度和高速片段对应的高速平均工况强度;步骤c3-4:将市区平均工况强度和高速平均工况强度作为用户历史驾驶风格信息。
进一步的,历史行程导航信息包括导航片段和导航片段对应的驾驶指示,步骤2具体包括:步骤2-1:根据驾驶指令,对导航片段中无红绿灯的片段进行合并处理;步骤2-2:根据导航片段的路程和时间,将各导航片段分类为市区导航片段和高速导航片段;步骤2-3:将各历史行驶片段的路程和时间与各导航片段的路程和时间对比,对历史行驶片段进行筛选,确定备选片段,备选片段为各导航片段对应的历史行驶片段;步骤2-4:根据备选片段对应的导航片段分类,确定备选片段对应的标准用户历史驾驶风格;步骤2-5:基于标准用户历史驾驶风格和备选片段的用户历史驾驶风格,对备选片段进行筛选,确定导航片段对应的最佳行驶片段。
进一步的,步骤2-2具体包括:步骤2-2-1:根据导航片段的路程和时间,计算导航片段的平均速度;步骤2-2-2:基于预设的平均车速阈值和平均速度,将各导航片段分类为市区导航片段和高速导航片段。
第二方面,本申请提供一种汽车能耗预测装置,该装置包括:获取模块,用于获取用户历史驾驶风格信息、历史行程导航信息、天气环境信息和多个历史行驶片段;筛选模块,用于根据历史行程导航信息和用户历史驾驶风格,对历史行驶片段进行筛选,确定最佳行驶片段;确定模块,用于基于最佳行驶片段和天气环境信息,确定能耗预测值。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如上述第一方面的汽车能耗预测方法的步骤。
第四方面,本申请提供一种存储有计算机可读指令的非易失性可读存储介质,计算机可读指令被处理器执行时,使得处理器执行如上述第一方面实施的汽车能耗预测方法。
由上述技术方案可知,本发明提出的汽车能耗预测方法、汽车能耗预测装置、电子设备及存储介质的优点和积极效果在于:
本申请综合考虑未来一段行程的导航信息和天气状况、以及汽车用户的驾驶风格,在此基础上对行驶工况进行预测,并输入到基于汽车动力学的能耗计算模型中,从而得到较为准确的汽车能耗预测结果。综合考虑了道路信息、天气状况以及用户的驾驶风格,从而可以对用户未来行程的能耗进行较为准确的预测。将导航数据与历史数据相结合,根据导航的结果,从历史行驶数据中选择里程、时间相近的片段作为对未来行程片段的预测,既保留了导航信息中体现的道路拥堵状况,又充分利用了历史数据,体现实际汽车工况的特点,并且实现上较为简便。从用户的历史行驶数据中提取出反映加减速剧烈程度的CI指标,实现了对驾驶风格的量化,在预测行驶工况时只需考虑CI一个值就能较好地反映用户的驾驶习惯,提升了工作效率。本申请采用基于汽车动力学的模型对预测工况进行能耗计算,物理意义较强,便于对计算结果进行后续分析。并且,模型计算方法适用于用户输入的任意工况,可以应对实际行驶中的各种复杂行程,具有较好的通用性。
附图说明
本发明的以上内容以及下面的具体实施方式在结合附图阅读时会得到更好的理解。需要说明的是,附图仅作为所请求保护的技术方案的示例。
图1是本发明一实施例提供的一种汽车能耗预测方法的流程图;
图2是本发明一实施例提供的用户A出差行程的预测工况图;
图3是本发明一实施例提供的用户B通勤行程的预测工况图;
图4是本发明一实施提供的汽车能耗预测装置的结构示意图。
其中,附图标记说明如下:
汽车能耗预测装置400;
获取模块410;
筛选模块420;
确定模块430。
具体实施方式
以下在具体实施方式中详细叙述本发明的详细特征以及优点,其内容足以使任何本领域技术人员了解本发明的技术内容并据以实施,且根据本说明书所揭露的说明书、权利要求及附图,本领域技术人员可轻易地理解本发明相关的目的及优点。
应注意的是,在本说明书中,相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本实施例的描述中,需要说明的是,术语“上”、“下”、“内”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
请参照图1所示,本申请一实施例提供一种汽车能耗预测方法,该方法包括:
步骤1:获取用户历史驾驶风格信息、历史行程导航信息、天气环境信息和多个历史行驶片段。
步骤2:根据历史行程导航信息和用户历史驾驶风格,对历史行驶片段进行筛选,确定最佳行驶片段。
步骤3:基于最佳行驶片段和天气环境信息,确定能耗预测值。
一实施例中,历史行程导航信息可以是基于例如高德、百度等地图APP开放的API接口获取。
一实施例中,步骤1具体可以包括:步骤A:获取用户历史行驶数据,用户历史行驶数据包括数据上传时间和车辆启动状态。步骤B:根据数据上传时间和车辆启动状态,对用户历史行驶数据进行划分,获得历史行驶片段。步骤C:基于预先训练好的加速度识别模型和加速度拟合模型对各历史行驶片段进行处理,确定用户历史驾驶风格信息。
可以理解,获取用户的历史行驶数据,数据可以包含用户的实际行驶数据,如法规要求汽车上传的运行大数据等,以及至少一段汽车的测试数据,如汽车跑CLTC工况时的CAN信号数据。数据信号包含上传时间、车速、车辆启动状态、累计行驶里程、加速踏板开度、制动踏板开度等。
一实施例中,可以通过对获取的用户历史行驶数据进行清洗,剔除存在数据缺失或异常情况的信号,以提高后续能耗预测的精确性。
一实施例中,步骤C具体可以包括:步骤c1:根据预设行驶特征对历史行驶片段进行筛选。步骤c2:将筛选后的历史行驶片段输入至加速度识别模型和加速度拟合模型中,确定历史行驶片段对应加速状态和加速度。步骤c3:根据加速状态和加速度,确定用户历史驾驶风格信息。
进一步的,根据上传时间和车辆启动状态将数据切割为行驶片段,每个历史行驶片段包含一个怠速段和一个运动段。提取各个历史行驶片段的特征,包括怠速时间、运动时间、平均车速、行驶距离等。
其中,预设行驶特征可以是行驶距离、行驶时间等参数。示例性地,可以将各行驶片段中行驶距离低于1米、行驶时间超过1天等特征不合理的行驶片段删除,以减少无效数据对能耗预测精度的影响。
从历史行驶数据中可以提取反映用户驾驶风格的指标。具体地,以用户加减车速的剧烈程度衡量其驾驶风格,对于每一个行驶片段,定义相对加速度和相对减速度,工况强度CI(cycle intensity)的定义为:CI=RPA2+RPD2。
RPA(Relative Positive Acceleration,相对正加速度),可以按如下公式计算:
RPA=∫a>+0.15vadt/∫a>+0.15vdt (1)
RPD(Relative Positive Deceleration,相对减速度),可以按如下公式计算:
RPD=-∫a<-0.15vadt/∫a<-0.15vdt (2)
其中,v—车辆的速度,单位米每秒(m/s);a>+0.15—加速度大于0.15m/s2的加速度值,a<-0.15—加速度小于0.15m/s2的加速度值,单位为米每二次方秒(m/s2)。
将工况强度CI作为用户驾驶激烈程度的量化指标,即用户历史驾驶风格信息,其数值越大,说明用户加减速越剧烈,即驾驶习惯越激进。
一实施例中,c2进一步包括:步骤c2-1:获取测试数据。步骤c2-2:以测试数据为训练样本,加速状态为目标进行机器学习,形成加速度识别模型,其中,加速状态包括加速、匀速和减速。步骤c-3:以加速状态为加速和减速的测试数据为训练样本,加速度为目标进行机器学习,形成加速度拟合模型。
可以理解,由于用户的行驶数据一般不会直接采集加速度,而直接使用数据中相邻两个时间点的速度差除以时间差又会放大数据的固有误差。因此,以测试数据为样本,训练模型用于实际行驶数据中加速度的识别和拟合。
示例性地,可以根据测试循环的速谱,计算测试数据中各点的加速度,并以±0.15m/s2为界将数据分类为加速、匀速、减速状态。以全部测试数据为样本、加速状态为目标进行机器学习,形成加速度识别模型。以加速或减速状态的数据为样本、加速度为目标分别训练加速度拟合模型。将所得模型用于实际行驶数据,得到各点的加速状态与加速度。
一实施例中,步骤c3具体可以包括:步骤c3-1:根据加速状态和加速度,计算各历史行驶片段对应的工况强度。步骤c3-2:基于预设平均车速阈值,将各历史行驶片段分为市区片段和高速片段。步骤c3-3:根据各历史行驶片段对应的工况强度,计算市区片段对应的市区平均工况强度和高速片段对应的高速平均工况强度。步骤c3-4:将市区平均工况强度和高速平均工况强度作为用户历史驾驶风格信息。
可以理解,计算用户各个行驶片段的CI,考虑到市区道路交通状况复杂,而高速公路则通常较为顺畅,在市区道路上行驶天然会需要更多加减速,对应于CI更大。为了更好地反映用户的驾驶习惯,将这两类道路进行区分处理。以平均车速45km/h为界,将用户行驶片段区分为市区工况和高速工况,分别计算这两类工况的平均CI,记为CI_urban和CI_highway。
一实施例中,历史行程导航信息包括导航片段和导航片段对应的驾驶指示,步骤2具体包括:步骤2-1:根据驾驶指令,对导航片段中无红绿灯的片段进行合并处理。步骤2-2:根据导航片段的路程和时间,将各导航片段分类为市区导航片段和高速导航片段。步骤2-3:将各历史行驶片段的路程和时间与各导航片段的路程和时间对比,对历史行驶片段进行筛选,确定备选片段,备选片段为各导航片段对应的历史行驶片段。步骤2-4:根据备选片段对应的导航片段分类,确定备选片段对应的标准用户历史驾驶风格。步骤2-5:基于标准用户历史驾驶风格和备选片段的用户历史驾驶风格,对备选片段进行筛选,确定导航片段对应的最佳行驶片段。
一实施例中,步骤2-2具体可以包括:步骤2-2-1:根据导航片段的路程和时间,计算导航片段的平均速度。步骤2-2-2:基于预设的平均车速阈值和平均速度,将各导航片段分类为市区导航片段和高速导航片段。
如上文所述,行程导航信息可以是基于例如高德、百度等地图开放的API接口获取。
利用驾车路径规划服务,输入用户行程起点和终点的经纬度、导航策略,必要时可输入途径点的经纬度,对导航路线进行具体设置。返回的结果包括整段行程的路程、预计时间,以及行程中各个片段的路程、时间、驾驶指示和途径点坐标。
可以理解,为了将导航片段与用户行驶片段对应,对各个导航片段的驾驶指示文字进行分析,将高速、高架等无红绿灯片段合并,并计算合并后片段的路程与时间。计算各个片段的平均车速,若结果低于45km/h,将片段的性质标记为市区,否则标记为高速。
对于每一个处理后的导航片段,从历史数据中挑选出与其时间和距离相等的行驶片段,若符合要求的片段数量较少,允许10%的误差并再次挑选。
计算选出的各个备选片段的工况强度CI。根据导航片段的性质是市区或高速,将CI_urban或CI_highway作为片段的目标CI。计算各个备选片段的CI与目标CI的差距,挑选出频率合适且差距最小的片段,作为该导航片段对应的最佳行驶片段。
将各导航片段对应的最佳行驶片段按时间顺序拼接在一起,形成基于导航和驾驶风格的预测工况。
进一步地,将由最佳行驶片段拼接的预测工况和天气环境信息输入到能耗预测模型中。根据汽车的型号对能耗预测模型中的整车及各部件参数进行设置,计算确定能耗预测值。
具体地,基于汽车动力学公式建立能耗预测模型,模型以整车的阻力参数、各部件的工作特性和汽车需要跟随的速度-时间谱为输入,以汽车行驶全过程的平均能耗为输出,并采用龙格-库塔法进行方程的求解。
可以从天气预报平台获取汽车的天气环境信息,包括大气温度、大气湿度和风速。将最佳行驶片段的速度-时间谱和环境参数输入到能耗预测模型中,并根据汽车的型号对模型中的整车及各部件参数进行设置,计算得到汽车在该行驶工况下的预测能耗。至此完成了对汽车行驶某段行程的能耗预测计算。
为方便理解上述汽车能耗预测方法的实施过程和作用效果,下文将以案例一和案例二进行说明。
案例一:电动汽车用户A一次出差行程的能耗预测
假设电动汽车用户A因工作需要出差,要在某日下午从上海南站行驶至上海浦东国际机场,采用本方法对这段出差行程的能耗进行预测计算:
1.用户行驶数据获取及处理
采集的数据包含用户A的电动汽车按照法规GB/T 32960要求上传的新能源车运行大数据,以及使用该汽车进行CLTC能耗里程测试的CAN信号数据。
剔除数据异常值后,将用户数据划分为行驶片段,删除特征不合理的片段后,有效片段共计23305个。使用测试数据为样本,训练加速度识别与拟合模型,得到各信号点对应的汽车加速状态与加速度。
2.用户驾驶风格量化
计算各行驶片段的CI值,进一步计算市区工况和高速工况的平均CI。用户A的市区工况平均CI为0.0517,高速工况平均CI为0.0207。
3.行程导航信息获取及处理
根据用户A出差行程的起止点和出发时间,获取导航信息,结果如下:
表1:未处理的导航信息表
片段 | 里程/km | 时间/s | 片段 | 里程/km | 时间/s |
1 | 0.02 | 10 | 12 | 1.89 | 89 |
2 | 0.01 | 9 | 13 | 0.37 | 11 |
3 | 0.18 | 79 | 14 | 17.03 | 744 |
4 | 0.14 | 59 | 15 | 4.28 | 219 |
5 | 0.01 | 4 | 16 | 0.10 | 2 |
6 | 0.46 | 100 | 17 | 0.39 | 37 |
7 | 1.71 | 315 | 18 | 0.07 | 5 |
8 | 0.22 | 38 | 19 | 0.56 | 136 |
9 | 0.56 | 33 | 20 | 0.04 | 10 |
10 | 2.24 | 166 | 21 | 0.58 | 63 |
11 | 12.54 | 608 | 22 | 0.01 | 4 |
根据驾驶指示文字,合并其中无红绿灯的片段,并根据平均车速标记各片段的性质。处理后的导航片段如下:
表2:处理后的导航信息表
片段 | 里程/km | 时间/s | 性质 | 片段 | 里程/km | 时间/s | 性质 |
1 | 0.20 | 98 | 市区 | 8 | 12.54 | 608 | 高速 |
2 | 0.14 | 59 | 市区 | 9 | 1.89 | 89 | 高速 |
3 | 0.46 | 104 | 市区 | 10 | 21.67 | 974 | 高速 |
4 | 1.71 | 315 | 市区 | 11 | 0.49 | 39 | 市区 |
5 | 0.22 | 38 | 市区 | 12 | 0.63 | 141 | 市区 |
6 | 0.56 | 33 | 高速 | 13 | 0.63 | 77 | 市区 |
7 | 2.24 | 166 | 高速 |
4.行驶工况预测
对每个导航片段,在历史行驶片段中挑选出时间、距离相等,且CI与目标CI最为接近的片段,搜索结果如下:
表3:行驶片段的工况参数对比表
片段 | 目标CI | 最优CI | 片段 | 目标CI | 最优CI |
1 | 0.0517 | 0.0519 | 8 | 0.0207 | 0.0209 |
2 | 0.0517 | 0.0517 | 9 | 0.0207 | 0.0812 |
3 | 0.0517 | 0.0516 | 10 | 0.0207 | 0.0212 |
4 | 0.0517 | 0.0515 | 11 | 0.0517 | 0.1590 |
5 | 0.0517 | 0.0516 | 12 | 0.0517 | 0.0520 |
6 | 0.0207 | 1.3827 | 13 | 0.0517 | 0.0517 |
7 | 0.0207 | 0.0618 |
如图2所示,将这些片段拼接在一起,得到用户A出差行程的预测行驶工况。
5.能耗预测计算
根据天气预报,获取该日下午的天气状况为:气温26℃,风力3级,湿度37%。将该信息与上述工况输入到能耗计算模型中,并将模型中的整车参数设置为该电动车型对应的参数,仿真计算后得到用户A出差行程的预测能耗为15.74kWh/100km。
案例二:电动汽车用户B早上常用通勤行程的能耗预测
采用本方法对用户B早上常用的通勤路线进行能耗预测计算:
1.用户行驶数据获取及处理
采集的数据包含用户B的电动汽车按照法规GB/T 32960要求上传的新能源车运行大数据,以及使用该汽车进行CLTC能耗里程测试的CAN信号数据。
剔除数据异常值后,将用户数据划分为行驶片段,删除特征不合理的片段后,有效片段共计29769个。使用测试数据为样本,训练加速度识别与拟合模型,得到各信号点对应的汽车加速状态与加速度。
2.用户驾驶风格量化
计算各行驶片段的CI值,进一步计算市区工况和高速工况的平均CI。用户B的市区工况平均CI为0.1351,高速工况平均CI为0.0083。
3.行程导航信息获取及处理
根据用户B通勤行程的起止点和通常出发时间,获取导航信息,结果如下:
表4:未处理的导航信息表
片段 | 里程/km | 时间/s | 片段 | 里程/km | 时间/s |
1 | 0.13 | 41 | 8 | 0.44 | 105 |
2 | 0.76 | 67 | 9 | 2.41 | 414 |
3 | 0.67 | 147 | 10 | 0.46 | 60 |
4 | 4.59 | 690 | 11 | 0.11 | 5 |
5 | 1.39 | 177 | 12 | 0.25 | 7 |
6 | 5.05 | 492 | 13 | 1.54 | 288 |
7 | 0.08 | 4 |
根据驾驶指示文字,合并其中无红绿灯的片段,计算各导航片段的平均车速,结果均小于45km/h,因此均为市区工况。处理后的导航片段如下:
表5:处理后的导航信息表
片段 | 里程/km | 时间/s | 片段 | 里程/km | 时间/s |
1 | 0.13 | 41 | 6 | 5.05 | 492 |
2 | 0.76 | 67 | 7 | 0.52 | 109 |
3 | 0.67 | 147 | 8 | 2.41 | 414 |
4 | 4.59 | 690 | 9 | 0.46 | 60 |
5 | 1.39 | 177 | 10 | 1.90 | 300 |
4.行驶工况预测
对每个导航片段,在历史行驶片段中挑选出时间、距离相等,且CI与市区工况平均CI最为接近的片段,搜索结果如下:
表6:行驶片段的工况参数对比表
片段 | 目标CI | 最优CI | 片段 | 目标CI | 最优CI |
1 | 0.1351 | 0.1353 | 6 | 0.1351 | 0.1355 |
2 | 0.1351 | 0.1333 | 7 | 0.1351 | 0.1352 |
3 | 0.1351 | 0.1367 | 8 | 0.1351 | 0.1304 |
4 | 0.1351 | 0.0921 | 9 | 0.1351 | 0.1345 |
5 | 0.1351 | 0.1331 | 10 | 0.1351 | 0.1165 |
如图3所示,将这些片段拼接在一起,得到用户B通勤行程的预测工况。
5.能耗预测计算
根据天气预报,获取用户B早上出发时间的典型天气状况为:气温20℃,风力1级,湿度51%。将该信息与上述工况输入到能耗计算模型中,并将模型中的整车参数设置为该电动车型对应的参数,仿真计算后得到预测能耗为17.17kWh/100km。用户B反馈自己早上通勤行程的仪表显示能耗一般在17.07kWh/100km附近。可见本方法得到了较为准确的能耗预测结果。
基于上述发明构思,本申请还提供一种汽车能耗预测装置400,该装置400包括:获取模块410、筛选模块420和确定模块430。
其中,获取模块410用于获取用户历史驾驶风格信息、历史行程导航信息、天气环境信息和多个历史行驶片段。筛选模块420用于根据历史行程导航信息和用户历史驾驶风格,对历史行驶片段进行筛选,确定最佳行驶片段。确定模块430用于基于最佳行驶片段和天气环境信息,确定能耗预测值。
一实施例中,获取模块410还用于获取用户历史行驶数据,用户历史行驶数据包括数据上传时间和车辆启动状态;根据数据上传时间和车辆启动状态,对用户历史行驶数据进行划分,获得历史行驶片段;基于预先训练好的加速度识别模型和加速度拟合模型对各历史行驶片段进行处理,确定用户历史驾驶风格信息。
一实施例中,获取模块410还用于根据预设行驶特征对历史行驶片段进行筛选;将筛选后的历史行驶片段输入至加速度识别模型和加速度拟合模型中,确定历史行驶片段对应加速状态和加速度;根据加速状态和加速度,确定用户历史驾驶风格信息。
一实施例中,获取模块410还用于根据加速状态和加速度,计算各历史行驶片段对应的工况强度;基于预设平均车速阈值,将各历史行驶片段分为市区片段和高速片段;根据各历史行驶片段对应的工况强度,计算市区片段对应的市区平均工况强度和高速片段对应的高速平均工况强度;将市区平均工况强度和高速平均工况强度作为用户历史驾驶风格信息。
一实施例中,筛选模块420还用于根据驾驶指令,对导航片段中无红绿灯的片段进行合并处理;根据导航片段的路程和时间,将各导航片段分类为市区导航片段和高速导航片段;将各历史行驶片段的路程和时间与各导航片段的路程和时间对比,对历史行驶片段进行筛选,确定备选片段,备选片段为各导航片段对应的历史行驶片段;根据备选片段对应的导航片段分类,确定备选片段对应的标准用户历史驾驶风格;基于标准用户历史驾驶风格和备选片段的用户历史驾驶风格,对备选片段进行筛选,确定导航片段对应的最佳行驶片段。
一实施例中,筛选模块420还用于根据导航片段的路程和时间,计算导航片段的平均速度;基于预设的平均车速阈值和平均速度,将各导航片段分类为市区导航片段和高速导航片段。
基于上述发明构思,本申请还提供一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,处理器通过运行可执行指令以实现上述的汽车能耗预测方法。
需要说明的是,上述实施例阐明的系统、装置或模块,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机,计算机的具体形式可以是个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件收发设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任意几种设备的组合。
在一个典型的配置中,计算机包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带、磁盘存储、量子存储器、基于石墨烯的存储介质或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
需要说明的是,本发明可以实施在车辆搭载的车机上,也可以是与车机远程通信连接的服务器上,可以根据具体使用场景进行设置,本申请不以此为限制。
这里基于的术语和表述方式只是用于描述,本发明并不应局限于这些术语和表述。使用这些术语和表述并不意味着排除任何示意和描述(或其中部分)的等效特征,应认识到可能存在的各种修改也应包含在权利要求范围内。其他修改、变化和替换也可能存在。相应的,权利要求应视为覆盖所有这些等效物。
同样,需要指出的是,虽然本发明已参照当前的具体实施例来描述,但是本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,在没有脱离本发明精神的情况下还可做出各种等效的变化或替换,因此,只要在本发明的实质精神范围内对上述实施例的变化、变型都将落在本发明的权利要求书的范围内。
Claims (10)
1.一种汽车能耗预测方法,其特征在于,包括:
步骤1:获取用户历史驾驶风格信息、历史行程导航信息、天气环境信息和多个历史行驶片段;
步骤2:根据所述历史行程导航信息和所述用户历史驾驶风格,对所述历史行驶片段进行筛选,确定最佳行驶片段;
步骤3:基于所述最佳行驶片段和所述天气环境信息,确定能耗预测值。
2.根据权利要求1所述的汽车能耗预测方法,其特征在于,所述步骤1具体包括:
步骤A:获取用户历史行驶数据,所述用户历史行驶数据包括数据上传时间和车辆启动状态;
步骤B:根据所述数据上传时间和所述车辆启动状态,对所述用户历史行驶数据进行划分,获得所述历史行驶片段;
步骤C:基于预先训练好的加速度识别模型和加速度拟合模型对各历史行驶片段进行处理,确定所述用户历史驾驶风格信息。
3.根据权利要求2所述的汽车能耗预测方法,其特征在于,所述步骤C具体包括:
步骤c1:根据预设行驶特征对所述历史行驶片段进行筛选;
步骤c2:将筛选后的历史行驶片段输入至所述加速度识别模型和所述加速度拟合模型中,确定所述历史行驶片段对应加速状态和加速度;
步骤c3:根据所述加速状态和所述加速度,确定所述用户历史驾驶风格信息。
4.根据权利要求3所述的汽车能耗预测方法,其特征在于,所述步骤c2进一步包括:
步骤c2-1:获取测试数据;
步骤c2-2:以所述测试数据为训练样本,所述加速状态为目标进行机器学习,形成所述加速度识别模型,其中,所述加速状态包括加速、匀速和减速;
步骤c-3:以所述加速状态为加速和减速的测试数据为训练样本,所述加速度为目标进行机器学习,形成所述加速度拟合模型。
5.根据权利要求3所述的汽车能耗预测方法,其特征在于,所述步骤c3具体包括:
步骤c3-1:根据所述加速状态和所述加速度,计算各历史行驶片段对应的工况强度;
步骤c3-2:基于预设平均车速阈值,将各历史行驶片段分为市区片段和高速片段;
步骤c3-3:根据各历史行驶片段对应的工况强度,计算所述市区片段对应的市区平均工况强度和所述高速片段对应的高速平均工况强度;
步骤c3-4:将所述市区平均工况强度和所述高速平均工况强度作为所述用户历史驾驶风格信息。
6.根据权利要求1所述的汽车能耗预测方法,其特征在于,所述历史行程导航信息包括导航片段和所述导航片段对应的驾驶指示,所述步骤2具体包括:
步骤2-1:根据所述驾驶指令,对所述导航片段中无红绿灯的片段进行合并处理;
步骤2-2:根据所述导航片段的路程和时间,将各导航片段分类为市区导航片段和高速导航片段;
步骤2-3:将各历史行驶片段的路程和时间与各导航片段的路程和时间对比,对所述历史行驶片段进行筛选,确定备选片段,所述备选片段为各导航片段对应的历史行驶片段;
步骤2-4:根据所述备选片段对应的导航片段分类,确定所述备选片段对应的标准用户历史驾驶风格;
步骤2-5:基于所述标准用户历史驾驶风格和所述备选片段的用户历史驾驶风格,对所述备选片段进行筛选,确定所述导航片段对应的所述最佳行驶片段。
7.根据权利要求6所述的汽车能耗预测方法,其特征在于,所述步骤2-2具体包括:
步骤2-2-1:根据所述导航片段的路程和时间,计算所述导航片段的平均速度;
步骤2-2-2:基于预设的平均车速阈值和所述平均速度,将各导航片段分类为所述市区导航片段和所述高速导航片段。
8.一种汽车能耗预测装置,其特征在于,包括:
获取模块,用于获取用户历史驾驶风格信息、历史行程导航信息、天气环境信息和多个历史行驶片段;
筛选模块,用于根据所述历史行程导航信息和所述用户历史驾驶风格,对所述历史行驶片段进行筛选,确定最佳行驶片段;
确定模块,用于基于所述最佳行驶片段和所述天气环境信息,确定能耗预测值。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的汽车能耗预测方法的步骤。
10.一种存储有计算机可读指令的非易失性可读存储介质,所述计算机可读指令被处理器执行时,使得所述处理器执行如权利要求1-7任一项所述的一种被配置为汽车能耗预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311545301.8A CN117400948A (zh) | 2023-11-17 | 2023-11-17 | 一种汽车能耗预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311545301.8A CN117400948A (zh) | 2023-11-17 | 2023-11-17 | 一种汽车能耗预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117400948A true CN117400948A (zh) | 2024-01-16 |
Family
ID=89498029
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311545301.8A Pending CN117400948A (zh) | 2023-11-17 | 2023-11-17 | 一种汽车能耗预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117400948A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118010380A (zh) * | 2024-04-09 | 2024-05-10 | 中国汽车技术研究中心有限公司 | 基于瞬态工况的稳态化场地工况开发方法 |
-
2023
- 2023-11-17 CN CN202311545301.8A patent/CN117400948A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118010380A (zh) * | 2024-04-09 | 2024-05-10 | 中国汽车技术研究中心有限公司 | 基于瞬态工况的稳态化场地工况开发方法 |
CN118010380B (zh) * | 2024-04-09 | 2024-06-18 | 中国汽车技术研究中心有限公司 | 基于瞬态工况的稳态化场地工况开发方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021135653A1 (zh) | 一种识别车辆的异常停留的方法和系统 | |
Staniek | Road pavement condition diagnostics using smartphone-based data crowdsourcing in smart cities | |
CN112224089A (zh) | 基于能耗的行程规划方法、装置、电子设备及存储介质 | |
CN114435138A (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
CN110243384B (zh) | 实际行驶排放试验路线的确定方法、装置、设备和介质 | |
CN110379165A (zh) | 一种道路类型预测方法、装置、设备及存储介质 | |
CN111724505A (zh) | 一种行驶工况构建方法及装置 | |
CN111210537A (zh) | 一种油耗分析方法、装置、设备和存储介质 | |
Zhao et al. | Development of a Driving Cycle for Fuzhou Using K‐Means and AMPSO | |
CN110909907A (zh) | 卡车的油耗预测方法、装置及存储介质 | |
JP2014066655A (ja) | 経路探索装置及び経路探索方法 | |
Czégé et al. | Review on construction procedures of driving cycles | |
CN115964905B (zh) | 高原山地道路的排放测试工况构建方法和介质 | |
CN102855272B (zh) | 一种微博客蕴含交通信息融合的d-s证据理论方法 | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
CN116011995A (zh) | 车辆保养信息推送方法、装置、电子设备及存储介质 | |
Teixeira et al. | Assessing traffic-related environmental impacts based on different traffic monitoring applications | |
EP3922947A2 (en) | Traffic analytics system for defining road networks | |
CN109979190B (zh) | 一种道路交通状态的预测方法及装置 | |
Sato et al. | Influence of weather features in determining sudden braking | |
CN114969962B (zh) | 车辆rde排放恶劣工况的生成方法、装置、设备及存储介质 | |
CN113393011A (zh) | 预测限速信息的方法、装置、计算机设备和介质 | |
WO2024038672A1 (ja) | エネルギー消費量推定装置、モデル生成装置、プログラム及びモデルの生成方法 | |
CN117093818B (zh) | 城配物流车辆碳排放的测算方法及系统 |
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 |