CN117705137A - 一种全地形车续航管理方法、系统及电子设备 - Google Patents
一种全地形车续航管理方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117705137A CN117705137A CN202311720713.0A CN202311720713A CN117705137A CN 117705137 A CN117705137 A CN 117705137A CN 202311720713 A CN202311720713 A CN 202311720713A CN 117705137 A CN117705137 A CN 117705137A
- Authority
- CN
- China
- Prior art keywords
- mileage
- energy consumption
- terrain vehicle
- remaining
- determining
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 17
- 238000005265 energy consumption Methods 0.000 claims abstract description 67
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000011176 pooling Methods 0.000 claims abstract description 10
- 230000004913 activation Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- Navigation (AREA)
Abstract
本发明公开一种全地形车续航管理方法、系统及电子设备，涉及车辆续航预测领域，该方法包括获取全地形车的历史的基础数据；利用历史的基础数据训练深度学习的CNN模型，得到能耗预测模型；所述深度学习的CNN模型包括：输入层、卷积层、激活函数、池化层、全连接层和输出层；所述能耗预测模型以行驶数据为输入，以平均能耗为输出；利用能耗预测模型实时预测全地形车当前的平均能耗；根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数；根据导航系统确定从当前位置到目的地的里程数；根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线；并实时更新。本发明提高全地形车续航里程预测的准确性。
Description
技术领域
本发明涉及车辆续航预测领域，特别是涉及一种全地形车续航管理方法、系统及电子设备。
背景技术
全地形车的续航里程受多种因素影响，因此在车辆剩余电量较低时，精确预测可行驶里程对驾驶人员顺利到达目的地非常重要，可提升用户的驾驶体验。
然而，现有的全地形车行驶里程预测方法主要基于数学建模的方式，通过提出合理的假设来简化数据的内在规律，导致估计精度低、准确度差。
为解决上述问题，亟需提供一种全地形车续航里程预测方法或系统，旨在提高全地形车续航里程预测的准确性。
发明内容
本发明的目的是提供一种全地形车续航管理方法、系统及电子设备，能够提高全地形车续航里程预测的准确性。
为实现上述目的，本发明提供了如下方案：
一种全地形车续航管理方法，包括：
获取全地形车的历史的基础数据；所述基础数据包括：根据固定时间段内的初始电量、最终电量、初始里程数和最终里程数确定的每个时间段的平均能耗以及对应时段内的全地形车的行驶数据；所述行驶数据包括：车辆倾角角度、电池温度、速度和载重；
利用历史的基础数据训练深度学习的CNN模型，得到能耗预测模型；所述深度学习的CNN模型包括：输入层、卷积层、激活函数、池化层、全连接层和输出层；所述能耗预测模型以行驶数据为输入，以平均能耗为输出；
利用能耗预测模型实时预测全地形车当前的平均能耗；
根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数；
根据导航系统确定从当前位置到目的地的里程数；
根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线；并实时更新。
可选地，所述获取全地形车的历史的基础数据，具体包括：
利用倾角传感器采集车辆倾角角度；
利用温度传感器获取电池温度；
利用轮速传感器确定速度；
利用载重传感器获取车辆的载重情况。
可选地，所述获取全地形车的历史的基础数据，之后还包括：
对基础数据进行预处理；所述预处理包括：数据增强、特征归一化以及标准化处理。
可选地，所述根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数，具体包括：
根据公式R＝B/E确定待优化的剩余续航里程数；
根据公式R_accumulated＝α*R_accumulated+(1-α)*R确定剩余续航里程数；
其中，R为待优化的剩余续航里程数，B为剩余电池电量，E为当前的平均能耗，R_accumulated为剩余续航里程数，α为累积系数。
可选地，所述根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线，具体包括：
当剩余续航里程数小于从当前位置到目的地的里程数时，触发警告并根据导航系统确定充电站的路线；并为每个可选路线确定预计到达充电站时的电量；
当剩余续航里程数不小于从当前位置到目的地的里程数时，根据导航系统确定的路线继续行驶。
一种全地形车续航管理系统，包括：
数据获取模块，用于获取全地形车的历史的基础数据；所述基础数据包括：根据固定时间段内的初始电量、最终电量、初始里程数和最终里程数确定的每个时间段的平均能耗以及对应时段内的全地形车的行驶数据；所述行驶数据包括：车辆倾角角度、电池温度、速度和载重；
模型确定模块，用于利用历史的基础数据训练深度学习的CNN模型，得到能耗预测模型；所述深度学习的CNN模型包括：输入层、卷积层、激活函数、池化层、全连接层和输出层；所述能耗预测模型以行驶数据为输入，以平均能耗为输出；
平均能耗预测模块，用于利用能耗预测模型实时预测全地形车当前的平均能耗；
剩余续航里程数确定模块，用于根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数；
里程数确定模块，用于根据导航系统确定从当前位置到目的地的里程数；
路线规划模块，用于根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线；并实时更新。
一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的一种全地形车续航管理方法。
可选地，所述存储器为计算机可读存储介质。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明所提供的一种全地形车续航管理方法、系统及电子设备，利用结合地形复杂度的车辆的行驶数据和深度学习的CNN模型进行平均能耗的预测，进而实现全地形车续航里程预测，本发明能提高全地形车续航里程预测的准确性，并且智能触发机制根据目的地里程和预测续航里程，提供实时的路线选择建议，增加驾驶员决策的科学性。结合深度学习模型和导航系统，实现了对实时状况和环境变化的更好适应。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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发明的一些实施例，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为本发明所提供的一种全地形车续航管理方法流程示意图；
图2为本发明所提供的一种全地形车续航管理方法整体流程示意图；
图3为能耗预测模型训练流程示意图；
图4为能耗预测模型结构示意图；
图5为实时动态展示车辆的剩余续航里程数示意图；
图6为电量告警智能触发机制结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本发明的目的是提供一种全地形车续航管理方法、系统及电子设备，提高全地形车续航里程预测的准确性，并且智能触发机制根据目的地里程和预测续航里程，提供实时的路线选择建议，增加驾驶员决策的科学性。结合深度学习模型和导航系统，实现了对实时状况和环境变化的更好适应。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和图2所示，本发明所提供的一种全地形车续航管理方法，包括：
S101，获取全地形车的历史的基础数据；固定时间段内的初始电量B_0、最终电量B_n、初始里程数M_0和最终里程数M_n。根据平均能耗＝(B_0-B_n)/(M_n-M_0)计算每个时间段的平均能耗。同时，采集地形复杂度(车辆倾角角度)、电池温度、速度和载重等相关数据，并将其分类为分类变量和连续变量。
S101具体包括：
利用倾角传感器采集车辆倾角角度；假设倾角角度为θ(单位：度)。假设车辆倾角角度θ被分为以下分类：水平、轻微倾斜、中度倾斜、陡峭倾斜等。这些分类可以根据具体需求和传感器的精度来定义。将分类变量θ转化为数值形式，如使用独热编码(One-HotEncoding)。对于分类变量θ的编码：使用独热编码(One-Hot Encoding)将θ转换为一个向量，其中每个分类都有一个二进制值，表示是否存在于观测数据中。例如，如果分类为水平、轻微倾斜、中度倾斜、陡峭倾斜，则向量可能如下所示：θ＝[1,0,0,0]表示水平。θ＝[0,1,0,0]表示轻微倾斜。
利用温度传感器获取电池温度；假设电池温度为T(单位：摄氏度)。电池温度T是一个连续变量，不需要进一步分类。进行标准化以确保数据在相同尺度上。
利用轮速传感器确定速度；假设轮速为V(单位：米/秒)。轮速V通常是连续变量，不需要分类。进行标准化以确保数据在相同尺度上。
利用载重传感器获取车辆的载重情况。假设载重为W(单位：千克)。载重W也是连续变量，不需要分类。进行标准化以确保数据在相同尺度上。
S101之后还包括：
对基础数据进行预处理，以确保数据的统一；并将数据转换为张量形式；所述预处理包括：数据增强、特征归一化以及标准化处理。需要标准化的连续变量(电池温度T、速度V和载重W)，使用以下公式进行标准化(均值为0，标准差为1)：X_standardized＝(X-μ)/σ，其中X是原始数据，μ是均值，σ是标准差。
S102，如图3所示，利用历史的基础数据训练深度学习的CNN模型，得到能耗预测模型；如图4所示，所述深度学习的CNN模型包括：输入层、卷积层、激活函数、池化层、全连接层和输出层；所述能耗预测模型以行驶数据为输入，以平均能耗为输出；
输入层的尺寸与待预测全地形车的基础数据维度相匹配。将地形复杂度θ、电池温度T、轮速V和载重W整理成一张多通道的图像，其中每个通道对应一个特征。
在卷积层中，定义64个3*3卷积核，每个卷积核对输入数据进行卷积操作，以提取特征。卷积操作通过滑动卷积核在输入数据上进行卷积计算。对于每个卷积核，计算其输出特征图，这可以使用以下数学公式表示：Output(x,y,channel)＝∑(i,j)Input(x+i,y+j,channel)*Kernel(i,j)，这表示在特定位置(x,y)的输出值是通过卷积核与输入数据的点积累加得到的。多个输入通道每个通道都会有自己的卷积核，卷积结果会按通道叠加，以生成输出特征图。
在卷积层之后，添加激活函数，使用ReLU(Rectified Linear Unit)，将线性输出转换为非线性，增加模型的表达能力。激活函数的数学表示如下：Activation(x)＝max(0,x)。
池化层使用平均池化(Average Pooling)将每个区域内的特征值聚合成一个值，减小特征映射的尺寸，同时减少计算复杂性。
在全连接层中，所有神经元与前一层的所有神经元相连接，用于输出实时能耗的预测结果。
输出层的单元数量为一个，即预测的平均能耗。对训练数据集进行数据增强和预处理，包括特征归一化或标准化，以确保数据的统一性，并将数据转换为张量形式。
使用均方误差(MSE)作为损失函数，均方误差损失函数用于衡量预测值与真实值之间的差异，可以表示为：MSE＝(1/n)*Σ(y_pred-y_true)2，其中，y_pred是预测值，y_true是真实值，n是样本数量。选择随机梯度下降(SGD)优化器进行模型训练。在训练过程中调整超参数以优化模型的性能，并保存效果最优的模型。
S103，利用能耗预测模型实时预测全地形车当前的平均能耗；
作为一个具体的实施例，能耗预测模型部署到全地形车的MCU大屏系统，实时预测实时平均能耗E，如图5所示，并根据从ECU获得的剩余电池电量B和实时平均能耗E根据公式：R＝B/E推算车辆的剩余续航里程数R，实现实时动态展示车辆的剩余续航里程数。
S104，根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数D；
S104具体包括：
根据公式R＝B/E确定待优化的剩余续航里程数；
根据公式R_accumulated＝α*R_accumulated+(1-α)*R确定剩余续航里程数；
其中，R为待优化的剩余续航里程数，B为剩余电池电量，E为当前的平均能耗，R_accumulated为剩余续航里程数，α为累积系数。α控制着触发机制的平滑度。α的值应在0和1之间，值越接近1，越平滑，但反应更滞后；值越接近0，反应更快，但不太平滑。
S105，根据导航系统确定从当前位置到目的地的里程数；
S106，根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线，即为智能触发机制；并实时更新。
如图6所示，智能触发机制具体包括：
当剩余续航里程数小于从当前位置到目的地的里程数时，触发警告并根据导航系统确定充电站的路线；并为每个可选路线确定预计到达充电站时的电量，以帮助驾驶员选择合适的充电站；
当剩余续航里程数不小于从当前位置到目的地的里程数时，根据导航系统确定的路线继续行驶。或者提供用户界面，向驾驶员显示比较结果和建议，让他们能够做出决策。这可以包括声音提示、可视化指示或文本提示进行路线切换。
持续监测电池电量和实时平均能耗，以及导航系统中的目的地，以便在行驶过程中实时更新剩余续航里程和比较结果。
本发明采用基于深度学习的CNN模型进行全地形车实时平均能耗的预测，从而提高了全地形车续航里程预测的准确性。这个系统可以帮助驾驶人员更好地了解剩余续航里程，并提升用户的驾驶体验。
对应上述方法，本发明还提供一种全地形车续航管理系统，包括：
数据获取模块，用于获取全地形车的历史的基础数据；所述基础数据包括：根据固定时间段内的初始电量、最终电量、初始里程数和最终里程数确定的每个时间段的平均能耗以及对应时段内的全地形车的行驶数据；所述行驶数据包括：车辆倾角角度、电池温度、速度和载重；
模型确定模块，用于利用历史的基础数据训练深度学习的CNN模型，得到能耗预测模型；所述深度学习的CNN模型包括：输入层、卷积层、激活函数、池化层、全连接层和输出层；所述能耗预测模型以行驶数据为输入，以平均能耗为输出；
平均能耗预测模块，用于利用能耗预测模型实时预测全地形车当前的平均能耗；
剩余续航里程数确定模块，用于根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数；
里程数确定模块，用于根据导航系统确定从当前位置到目的地的里程数；
路线规划模块，用于根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线；并实时更新。
为了执行上述实施例对应的方法，以实现相应的功能和技术效果，本发明还提供一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行所述的一种全地形车续航管理方法。
基于上述描述，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的计算机存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种全地形车续航管理方法，其特征在于，包括：
获取全地形车的历史的基础数据；所述基础数据包括：根据固定时间段内的初始电量、最终电量、初始里程数和最终里程数确定的每个时间段的平均能耗以及对应时段内的全地形车的行驶数据；所述行驶数据包括：车辆倾角角度、电池温度、速度和载重；
利用历史的基础数据训练深度学习的CNN模型，得到能耗预测模型；所述深度学习的CNN模型包括：输入层、卷积层、激活函数、池化层、全连接层和输出层；所述能耗预测模型以行驶数据为输入，以平均能耗为输出；
利用能耗预测模型实时预测全地形车当前的平均能耗；
根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数；
根据导航系统确定从当前位置到目的地的里程数；
根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线；并实时更新。
2.根据权利要求1所述的一种全地形车续航管理方法，其特征在于，所述获取全地形车的历史的基础数据，具体包括：
利用倾角传感器采集车辆倾角角度；
利用温度传感器获取电池温度；
利用轮速传感器确定速度；
利用载重传感器获取车辆的载重情况。
3.根据权利要求1所述的一种全地形车续航管理方法，其特征在于，所述获取全地形车的历史的基础数据，之后还包括：
对基础数据进行预处理；所述预处理包括：数据增强、特征归一化以及标准化处理。
4.根据权利要求1所述的一种全地形车续航管理方法，其特征在于，所述根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数，具体包括：
根据公式R＝B/E确定待优化的剩余续航里程数；
根据公式R_accumulated＝α*R_accumulated+(1-α)*R确定剩余续航里程数；
其中，R为待优化的剩余续航里程数，B为剩余电池电量，E为当前的平均能耗，R_accumulated为剩余续航里程数，α为累积系数。
5.根据权利要求1所述的一种全地形车续航管理方法，其特征在于，所述根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线，具体包括：
当剩余续航里程数小于从当前位置到目的地的里程数时，触发警告并根据导航系统确定充电站的路线；并为每个可选路线确定预计到达充电站时的电量；
当剩余续航里程数不小于从当前位置到目的地的里程数时，根据导航系统确定的路线继续行驶。
6.一种全地形车续航管理系统，其特征在于，包括：
数据获取模块，用于获取全地形车的历史的基础数据；所述基础数据包括：根据固定时间段内的初始电量、最终电量、初始里程数和最终里程数确定的每个时间段的平均能耗以及对应时段内的全地形车的行驶数据；所述行驶数据包括：车辆倾角角度、电池温度、速度和载重；
模型确定模块，用于利用历史的基础数据训练深度学习的CNN模型，得到能耗预测模型；所述深度学习的CNN模型包括：输入层、卷积层、激活函数、池化层、全连接层和输出层；所述能耗预测模型以行驶数据为输入，以平均能耗为输出；
平均能耗预测模块，用于利用能耗预测模型实时预测全地形车当前的平均能耗；
剩余续航里程数确定模块，用于根据当前的平均能耗以及从ECU获得的剩余电池电量确定剩余续航里程数；
里程数确定模块，用于根据导航系统确定从当前位置到目的地的里程数；
路线规划模块，用于根据剩余续航里程数和从当前位置到目的地的里程数的比较结果，规划路线；并实时更新。
7.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的一种全地形车续航管理方法。
8.根据权利要求7所述的一种电子设备，其特征在于，所述存储器为计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720713.0A CN117705137A (zh) | 2023-12-14 | 2023-12-14 | 一种全地形车续航管理方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311720713.0A CN117705137A (zh) | 2023-12-14 | 2023-12-14 | 一种全地形车续航管理方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117705137A true CN117705137A (zh) | 2024-03-15 |
Family
ID=90152885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311720713.0A Pending CN117705137A (zh) | 2023-12-14 | 2023-12-14 | 一种全地形车续航管理方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117705137A (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
| CN111301426A (zh) * | 2020-03-13 | 2020-06-19 | 南通大学 | 基于gru网络模型预测未来行驶过程能耗的方法 |
| CN111806240A (zh) * | 2020-07-24 | 2020-10-23 | 江淮大众汽车有限公司 | 一种基于中国工况的电动汽车续驶里程预测方法 |
| CN115817493A (zh) * | 2022-11-18 | 2023-03-21 | 深圳市神州路路通网络科技有限公司 | 车辆续航预警方法、装置、设备及可读存储介质 |
| CN116118571A (zh) * | 2023-01-17 | 2023-05-16 | 星河智联汽车科技有限公司 | 一种车辆续航里程的预测方法和装置 |
| 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 |
| CN116512976A (zh) * | 2023-04-06 | 2023-08-01 | 重庆赛力斯新能源汽车设计院有限公司 | 一种续航里程的估算方法、装置、电子设备及存储介质 |
| CN116572799A (zh) * | 2023-07-13 | 2023-08-11 | 四川轻化工大学 | 基于深度学习的动力电池荷电续航预测方法、系统及终端 |
-
2023
- 2023-12-14 CN CN202311720713.0A patent/CN117705137A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110091751A (zh) * | 2019-04-30 | 2019-08-06 | 深圳四海万联科技有限公司 | 基于深度学习的电动汽车续航里程预测方法、设备及介质 |
| CN111301426A (zh) * | 2020-03-13 | 2020-06-19 | 南通大学 | 基于gru网络模型预测未来行驶过程能耗的方法 |
| CN111806240A (zh) * | 2020-07-24 | 2020-10-23 | 江淮大众汽车有限公司 | 一种基于中国工况的电动汽车续驶里程预测方法 |
| CN115817493A (zh) * | 2022-11-18 | 2023-03-21 | 深圳市神州路路通网络科技有限公司 | 车辆续航预警方法、装置、设备及可读存储介质 |
| 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 |
| CN116118571A (zh) * | 2023-01-17 | 2023-05-16 | 星河智联汽车科技有限公司 | 一种车辆续航里程的预测方法和装置 |
| CN116512976A (zh) * | 2023-04-06 | 2023-08-01 | 重庆赛力斯新能源汽车设计院有限公司 | 一种续航里程的估算方法、装置、电子设备及存储介质 |
| CN116572799A (zh) * | 2023-07-13 | 2023-08-11 | 四川轻化工大学 | 基于深度学习的动力电池荷电续航预测方法、系统及终端 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111301426B (zh) | 基于gru网络模型预测未来行驶过程能耗的方法 | |
| CN110091751A (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
| CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
| CN112549970A (zh) | 车辆续航里程预测方法、装置、车辆及存储介质 | |
| CN111353467B (zh) | 行驶状态识别方法、装置、终端及存储介质 | |
| EP3483801A1 (en) | Methods and apparatuses for fuel consumption prediction | |
| CN114664091A (zh) | 一种基于节假日流量预测算法的预警方法及系统 | |
| EP4121329A1 (en) | Systems and methods for managing velocity profiles | |
| CN112435469A (zh) | 车辆预警控制方法、装置、计算机可读介质及电子设备 | |
| CN112345956A (zh) | 一种电池组荷电状态检测方法和装置 | |
| CN112406875A (zh) | 一种车辆能耗的分析方法和装置 | |
| CN112036598A (zh) | 一种基于多信息耦合的充电桩使用信息预测方法 | |
| CN117400948A (zh) | 一种汽车能耗预测方法、装置、电子设备及存储介质 | |
| CN116278571A (zh) | 车辆控制方法、装置、设备及存储介质 | |
| CN117705137A (zh) | 一种全地形车续航管理方法、系统及电子设备 | |
| CN116700217A (zh) | 一种车辆跟车控制算法的性能评价方法、装置和存储介质 | |
| CN116011995A (zh) | 车辆保养信息推送方法、装置、电子设备及存储介质 | |
| CN114987287A (zh) | 剩余续驶里程预测方法、装置、车辆及计算机存储介质 | |
| Kan et al. | Development of a novel engine power model to estimate heavy-duty truck fuel consumption | |
| CN113112061A (zh) | 一种预测车辆油耗的方法与装置 | |
| CN116945907B (zh) | 一种新能源电动汽车里程计算方法及系统 | |
| CN116340767B (zh) | 一种电动汽车行程能耗概率分布预测方法、系统及产品 | |
| CN114274840B (zh) | 基于s-crann的智能网联电动汽车电量消耗预测方法及系统 | |
| CN116772877B (zh) | 一种新能源汽车续航里程预测方法、系统、装置及介质 | |
| CN115923813B (zh) | 一种基于速度急变特征的驾驶行为分析方法及系统 |
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 |