CN117841952A - 一种能源需求控制方法、系统、可读存储介质及车辆 - Google Patents
一种能源需求控制方法、系统、可读存储介质及车辆 Download PDFInfo
- Publication number
- CN117841952A CN117841952A CN202410134160.9A CN202410134160A CN117841952A CN 117841952 A CN117841952 A CN 117841952A CN 202410134160 A CN202410134160 A CN 202410134160A CN 117841952 A CN117841952 A CN 117841952A
- Authority
- CN
- China
- Prior art keywords
- data
- vehicle
- energy
- energy demand
- prediction 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
- 238000000034 method Methods 0.000 title claims abstract description 135
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 238000005265 energy consumption Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004378 air conditioning Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 9
- 230000006835 compression Effects 0.000 claims description 8
- 238000007906 compression Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000012217 deletion Methods 0.000 claims description 4
- 230000037430 deletion Effects 0.000 claims description 4
- 230000000737 periodic effect Effects 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000011426 transformation method Methods 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 8
- 239000002699 waste material Substances 0.000 abstract description 5
- 230000003993 interaction Effects 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 34
- 239000011159 matrix material Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007704 transition Effects 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
-
- 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
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
- B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
-
- 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
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/11—Controlling the power contribution of each of the prime movers to meet required power demand using model predictive control [MPC] strategies, i.e. control methods based on models predicting performance
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
-
- 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
- B60W2510/00—Input parameters relating to a particular sub-units
- B60W2510/24—Energy storage means
- B60W2510/242—Energy storage means for electrical energy
- B60W2510/246—Temperature
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/406—Traffic density
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/06—Combustion engines, Gas turbines
-
- 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
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/08—Electric propulsion units
- B60W2710/083—Torque
-
- 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
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/24—Energy storage means
- B60W2710/242—Energy storage means for electrical energy
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种能源需求控制方法、系统、可读存储介质及车辆，涉及新能源产业技术领域，所述方法包括：控制数据采集单元从车辆多个数据源处获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集；基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，优化所述预测模型的预测效果；基于所述预测模型的预测结果和用户交互信息，通过预设规则以动态调整车辆的能源管理策略，以确保车辆的最佳性能和最小能源浪费。
Description
技术领域
本发明涉及新能源产业技术领域，具体涉及一种能源需求控制方法、系统、可读存储介质及车辆。
背景技术
电动车辆是指以电能为动力，通过电动机驱动的汽车。电动车辆具有节能减排、低噪音、高效率等优点，是应对能源危机和环境问题的重要途径。电动车辆的能源管理系统是指对电动车辆动力系统能源转换装置的工作能量进行协调、分配和控制的软、硬件的系统。能源管理系统的主要功能是根据车辆的运行状态和驾驶需求，合理地分配和利用电池、发动机、电机等能源转换装置的能量，以提高车辆的综合性能和能源利用效率。
目前，电动车辆一般配备能源需求预测系统来预测当前车辆的行驶里程，而预测过程是指根据车辆的历史数据和实时数据，预测车辆在未来一段时间内的能源消耗量和剩余行驶里程。能源需求预测对于优化电动车辆的能源管理策略、提高用户体验、延长电池寿命等具有重要意义。
然而，目前的能源需求预测系统仅根据当前车辆剩余电量以及当前耗电量来预测未来一段时间内的能源消耗量和剩余行驶里程，不能根据实时变化的驾驶情况和用户需求。
发明内容
基于此，本发明的目的是本发明的目的是提出一种能源需求控制方法、系统、可读存储介质及车辆，以用于根据实时变化的驾驶情况和用户需求，来预测未来一段时间内的能源消耗量和剩余行驶里程。
根据本发明提出的能源需求控制方法，所述方法包括：
控制数据采集单元从车辆多个数据源处，获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集；
基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数；
基于所述预测性能指数，结合用户设定目的地距离，判断车辆的能源需求等级，根据所述能源需求等级，设定能源约束条件，以动态调节车辆的最高速度、加速度以及空调功率，基于所述能源约束条件和能源需求，利用动力系统仿真软件，搭建能源系统的仿真模型，并计算车辆的能源需求曲线，根据所述能源需求曲线上的若干拐点，以确定能源补充点，基于能源系统的仿真模型，根据能源消耗量与剩余行驶里程，结合用户设定目的地距离，以生成车辆的能源需求地图，规划多条路线，结合所述能源需求曲线，以确定可行驶路线，将所述能源约束条件部署至车辆控制系统中，实时接收车辆的状态数据，输出能源系统的控制指令，以调节能源系统的工作模式和功率。
综上，根据上述的能源需求控制方法，车辆控制系统控制数据采集单元从多个数据源处获取当前车辆参数和环境信息，并加以整合得出数据集，根据数据集计算当前路段的车辆行驶状态以及耗电量范围。基于数据集，建立预测模型，并根据数据集的种类选择对应的算法，以对预测模型进行训练，不断调整预测模型的可靠性，以优化预测模型的预测效果，增强预测模型的精确度。由于预测结果结合了实时变化的环境因素和车辆参数，通过预设规则综合实时变化的预测结果和用户交互信息，动态地调整能源在能源转换装置之间按最佳线路流动，使整车的能源利用率达到最佳的策略，以确保车辆的最佳性能和最小能源浪费。
进一步的，所述控制数据采集单元从车辆多个数据源处，获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集的步骤中，所述数据源包括车辆传感器、交通流量传感器、气象传感器和驾驶偏好收集器，其中，
通过车辆传感器获取车辆的速度、加速度、电池电压、电池温度、电池容量参数；
通过交通流量传感器获取当前道路的拥堵程度、信号灯状态、路口数量；
通过气象传感器获取当前地区的温度、湿度、风速、风向；
通过驾驶偏好收集器获取驾驶者的目的地、路线选择、驾驶风格；
所述对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集的步骤中，对获取的车辆参数和当前环境信息依次进行清洗、去噪和归一化。
进一步的，所述对获取的车辆参数和当前环境信息依次进行清洗、去噪和归一化，以提高数据的质量和一致性的步骤包括：
数据清洗过程：
判断数据类型，并对其标记为异常值、错误值、缺失值或是重复值的任意一种；
对于异常值，使用箱线图、3sigma原则或孤立森林方法，检测并删除或替换异常值；
对于错误值，使用数据字典、数据质量规则或数据校验方法，检测并纠正或删除错误值；
对于缺失值，使用删除法、均值法、中位数法、众数法、插值法、回归法或随机森林法，检测并删除或补充缺失值；
对于重复值，使用唯一标识、哈希函数或去重函数方法，检测并删除或合并重复值；
数据去噪过程：
基于清洗后的数据，判断其为线性数据或是非线性数据；
对于线性数据，使用移动平均法、指数平滑法或卡尔曼滤波法，对数据进行滤波和平滑，去除数据中的随机噪声和周期性干扰；
对于非线性数据，使用小波变换法、经验模态分解法或主成分分析法，对数据进行降维和压缩，去除数据中的高频噪声和低频干扰；
数据归一化过程：
基于去噪后的数据，判断其为数值型数据或是非数值型数据；
对于数值型数据，使用最大最小归一化法、标准化法或正则化法，对数据进行线性变换，使数据的取值范围限制在一定的区间内；
对于非数值型数据，使用独热编码法、标签编码法或词袋模型法，对数据进行编码和转换，使数据的类型和格式与预测模型的输入要求相匹配；
基于清洗、去噪和归一化后的数据，对其进行整合，整合过程包括使用卡尔曼滤波器或多传感器融合方式对来自不同传感器或不同时间点的数据进行加权平均或最大似然估计方法，并通过特征提取或特征选择以对数据进行降维和压缩。
进一步的，所述基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数步骤，具体包括：
根据车辆能源需求预测的目标和特点，选取合适的预测模型，所述预测模型至少包括神经网络、支持向量机和随机森林；
根据所述预测模型，将所述数据集划分成训练集、验证集和测试集，以分别用于对于预测模型的训练、验证和测试；
使用测试集对预测模型进行评估和测试，计算能源消耗量与剩余行驶里程的比值，以获取预测性能指数。
根据本发明实施例的一种车辆能源需求控制系统，用于实现上述的能源需求控制方法，所述系统包括：
数据采集融合模块，用于控制数据采集单元从车辆多个数据源处获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集；
预测模型建立模块，用于基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数；
调整优化模块，用于基于所述预测性能指数，结合用户设定目的地距离，判断车辆的能源需求等级，根据所述能源需求等级，设定能源约束条件，以动态调节车辆的最高速度、加速度以及空调功率，基于所述能源约束条件和能源需求，利用动力系统仿真软件，搭建能源系统的仿真模型，并计算车辆的能源需求曲线，根据所述能源需求曲线上的若干拐点，以确定能源补充点，基于能源系统的仿真模型，根据能源消耗量与剩余行驶里程，结合用户设定目的地距离，以生成车辆的能源需求地图，规划多条路线，结合所述能源需求曲线，以确定可行驶路线，将所述能源约束条件部署至车辆控制系统中，实时接收车辆的状态数据，输出能源系统的控制指令，以调节能源系统的工作模式和功率。
本发明还提出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，该程序被处理器执行时实现上述的能源需求控制方法。
本发明还提出一种车辆，所述车辆包括存储器和处理器，其中：
所述存储器用于存放计算机程序；
所述处理器用于执行所述存储器上所存放的计算机程序时，实现上述所述的能源需求控制方法。
本发明的附加方面与优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1为本发明第一实施例中的能源需求控制方法的流程图；
图2为本发明第二实施例中的车辆能源需求控制系统的结构示意图；
图3为本发明第三实施例中的应用能源需求控制方法车辆的结构示意图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
如图1所示为本发明中实施例一中的能源需求控制方法的流程图，该能源需求控制方法具体包括以下步骤S01-步骤S03，其中：
S01、控制数据采集单元从车辆多个数据源处获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集。
为了使得采集数据更加全面，数据源包括车辆传感器、交通流量、气象信息和驾驶者偏好，而数据采集单元通过车辆传感器获取车辆的速度、加速度、电池电压、电池温度、电池容量参数；通过交通流量获取当前道路的拥堵程度、信号灯状态、路口数量；通过气象信息获取当前地区的温度、湿度、风速、风向；通过驾驶者偏好获取驾驶者的目的地、路线选择、驾驶风格。
数据采集单元对获取的参数和信息进行清洗、去噪和归一化处理，以提高数据的质量和一致性。
进一步的，数据清洗过程：
对于异常数据值，可以使用箱线图、3sigma原则或孤立森林等方法检测并删除或替换异常值；
对于错误值，使用数据字典、数据质量规则或数据校验方法，检测并纠正或删除错误值；
对于缺失值，使用删除法、均值法、中位数法、众数法、插值法、回归法或随机森林法，检测并删除或补充缺失值；
对于重复值，使用唯一标识、哈希函数或去重函数方法，检测并删除或合并重复值；
数据去噪过程：
对于线性数据，使用移动平均法、指数平滑法或卡尔曼滤波法，对数据进行滤波和平滑，去除数据中的随机噪声和周期性干扰；
对于非线性数据，使用小波变换法、经验模态分解法或主成分分析法，对数据进行降维和压缩，去除数据中的高频噪声和低频干扰；
数据归一化过程：
对于数值型数据，使用最大最小归一化法、标准化法或正则化法，对数据进行线性变换，使数据的取值范围限制在一定的区间内，如[0，1]或[-1，1]等，以减少数据的量纲和尺度差异，提高数据的可比性和一致性。最大最小归一化法的公式为：
其中，x是原始数据，x′是归一化后的数据，xmin和xmax是原始数据的最小值和最大值。
对于非数值型数据，使用独热编码法、标签编码法或词袋模型法，对数据进行编码和转换，使数据的类型和格式与预测模型的输入要求相匹配，以提高数据的可用性和可解释性。例如，独热编码法是将类别型数据转换为二进制向量，每个类别对应一个维度，只有该类别的维度为1，其余维度为0。例如，颜色的类别有红、黄、蓝三种，可以用独热编码法表示为：红＝[1，0，0]黄＝[0，1，0]蓝＝[0，0，1]。
基于清洗、去噪和归一化后的数据，对其进行整合，整合过程包括根据不同数据源的特点，选择合适的数据融合方法：
卡尔曼滤波器或多传感器融合方式对来自不同传感器或不同时间点的数据进行加权平均或最大似然估计方法，以减少数据的噪声和误差，并提高数据的准确性和稳定性。
其中，卡尔曼滤波器的公式为：
预测步骤：
更新步骤：
其中，xk是系统在时刻k的状态向量，Fk是系统的状态转移矩阵，Bk是系统的控制输入矩阵，uk是系统在时刻k的控制输入向量，zk是系统在时刻k的观测向量，Hk是系统的观测矩阵，Qk是系统在时刻k的过程噪声协方差矩阵，Rk是系统在时刻k的观测噪声协方差矩阵，Pk是系统在时刻k的状态协方差矩阵，Kk是系统在时刻k的卡尔曼增益矩阵，I是单位矩阵，x^k是系统在时刻k的状态估计，x^k-是系统在时刻k的状态先验估计。
多传感器融合的公式为：
其中，x是融合后的数据，xi是第i个数据源的数据，p(xi∣x)是在给定x的条件下，xi的概率密度函数，n是数据源的个数。
加权平均法的公式为：
其中，x是融合后的数据，xi是第i个数据源的数据，wi是第i个数据源的权重，n是数据源的个数。
另外，还可使用特征提取或特征选择对数据进行降维和压缩，以减少数据的冗余和复杂度，并提高数据的有效性和可解释性。
特征提取过程：
根据数据的类型和目标，选择合适的特征提取方法，包括主成分分析(PCA)、线性判别分析(LDA)、独立成分分析(ICA)；
对原始数据进行预处理，如归一化、标准化、去噪等，以消除数据的尺度和分布差异，提高数据的质量；
应用特征提取方法，将原始数据映射到新的特征空间，得到新的特征矩阵；
根据特征的重要性或方差，选择一定数量的新特征，作为数据的降维和压缩结果。
特征选择的过程：
根据数据的类型和目标，选择合适的特征选择方法，包括过滤法、包装法、嵌入法；
对原始数据进行预处理，如归一化、标准化、去噪等，以消除数据的尺度和分布差异，提高数据的质量；
应用特征选择方法，对每个特征进行评估，如计算特征的相关性、信息量、重要性等指标；
根据特征的评估结果，设定阈值或目标个数，选择一部分特征，作为数据的降维和压缩结果。
根据选定的数据融合方法，对预处理后的数据进行融合计算，得到一个综合的数据集，反映电动车辆的运行状态和环境因素。
最后，对融合后的数据集进行评估和验证，如计算数据的准确度、稳定性、可信度等指标，以检验数据融合的效果和优化数据融合的参数。
S02、基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数。
根据车辆能源需求预测的目标和特点，选取合适的预测模型，所述预测模型包括神经网络、支持向量机和随机森林；
确定预测模型的输入参数和输出参数。输入参数是影响电动车辆能源需求的因素，如车辆的速度、加速度、电池电压、电池温度、电池容量等运行参数，以及道路的拥堵程度、信号灯状态、路口数量等交通流量信息，以及温度、湿度、风速、风向等气象信息，以及驾驶者的目的地、路线选择、驾驶风格等偏好信息等。输出参数是电动车辆能源需求的指标，如能源消耗量和剩余行驶里程等。
基于上述影响电动车辆能源需求的因素，对数据进行清洗、整合、分割等处理，以划分成训练集、验证集和测试集，以分别用于对于预测模型的训练、验证和测试，根据数据的特点和预测的目标，选择合适的机器学习或深度学习的算法，如线性回归、神经网络、支持向量机等。构建预测模型的结构和参数，如输入层、隐藏层、输出层、激活函数、损失函数、优化器等。使用训练集和验证集对模型进行训练，调整模型的参数，使模型的预测效果达到最优。；
使用测试集对预测模型进行评估和测试，计算能源消耗量与剩余行驶里程的比值，以获取预测性能指数。如准确率、均方误差、平均绝对误差等。分析模型的优缺点，如模型的泛化能力、鲁棒性、可解释性等。
将训练后的所述预测模型部署于车辆控制系统，实时接收车辆的状态数据，并输出车辆能源消耗量和剩余行驶里程的预测值。
S03、基于所述预测性能指数，结合用户设定目的地距离，判断车辆的能源需求等级，根据所述能源需求等级，设定能源约束条件，以动态调节车辆的最高速度、加速度以及空调功率，基于所述能源约束条件和能源需求，利用动力系统仿真软件，搭建能源系统的仿真模型，并计算车辆的能源需求曲线，根据所述能源需求曲线上的若干拐点，以确定能源补充点，基于能源系统的仿真模型，根据能源消耗量与剩余行驶里程，结合用户设定目的地距离，以生成车辆的能源需求地图，规划多条路线，结合所述能源需求曲线，以确定可行驶路线，将所述能源约束条件部署至车辆控制系统中，实时接收车辆的状态数据，输出能源系统的控制指令，以调节能源系统的工作模式和功率。
能源管理策略是根据电动车辆的能源系统的特性和车辆的运行工况，实现能源在能源转换装置之间按最佳路线流动，使整车的能量利用率达到最佳的策略。
能源管理策略中，确保电动车辆的最佳性能和最小能源浪费的具体步骤如下：
目标设定和约束条件：根据电动车辆的设计要求和性能指标，设定能源管理策略的优化目标，包括最大化续航里程、最小化能量损失、最小化排放等等。同时，考虑能源系统的物理限制和安全要求，设定能源管理策略的约束条件，包括电池的SOC范围、电机的转速范围、发动机的工作模式等。
根据车辆的能源消耗量和剩余行驶里程的预测值，结合用户设定目的地距离，计算车辆的能源需求指数，所述能源需求指数为车辆的能源消耗量与剩余行驶里程的比值；根据所述能源需求指数，判断车辆的能源需求等级，所述能源需求等级为高、中、低三种之一；根据所述能源需求等级，选择相应的能源管理策略，所述能源管理策略包括节能模式、平衡模式和高效模式三种之一，其中，节能模式为当所述能源需求等级为高时，降低车辆的最高速度、加速度和空调功率，以减少能源消耗；平衡模式为当所述能源需求等级为中时，维持车辆的正常速度、加速度和空调功率，以平衡能源消耗和驾驶体验；高效模式为当所述能源需求等级为低时，提高车辆的最高速度、加速度和空调功率，以提高驾驶体验和能源利用率。能源管理策略选择和开发：根据能源系统的构型和控制目标，选择合适的能源管理策略，包括基于确定规则、基于模糊规则、基于实时优化、基于全局优化。根据所选策略的原理和方法，开发能源管理策略的算法和程序，包括制定控制规则、设计评价函数、确定优化变量、选择优化算法。
能源管理策略仿真和测试：利用动力系统仿真软件，搭建能源系统的仿真模型，将能源管理策略的算法和程序嵌入到仿真模型中，对策略进行仿真和测试。使用不同的工况和场景，评估策略的性能和效果，包括能量消耗、续航里程、排放水平等。分析能源管理策略的优缺点，包括稳定性、鲁棒性、可靠性。
根据车辆的能源消耗量和剩余行驶里程的预测值，结合用户设定目的地距离，利用动力系统仿真软件，搭建能源系统的仿真模型，并计算车辆的能源需求曲线，生成车辆的能源需求曲线，所述能源需求曲线为车辆的能源消耗量随行驶里程的变化关系；根据所述能源需求曲线，确定车辆的最佳充电点，所述最佳充电点为能源需求曲线上的一个或多个拐点，拐点为能源需求曲线上的极大值或极小值点；根据所述最佳充电点，控制车辆的充电行为，所述充电行为包括启动充电、停止充电和调节充电功率，其中，启动充电为当车辆到达所述最佳充电点时，自动连接充电桩并开始充电；停止充电为当车辆达到所设定的充电目标或离开所述最佳充电点时，自动断开充电桩并结束充电；调节充电功率为根据车辆的剩余电量、充电时间和充电成本，动态地调整充电桩的输出功率，以优化充电效率和经济性。能源管理策略的选择和评估：根据电动车辆的能源系统的类型和特点，选择合适的能源管理策略，包括基于规则的策略、基于模糊逻辑的策略、基于优化的策略等。对不同的能源管理策略进行仿真和测试，评估其对电动车辆的性能和能源浪费的影响，包括能量消耗、续航里程、排放水平、稳定性、鲁棒性等指标。选择最优的能源管理策略，或者结合多种策略的优点，设计混合的能源管理策略。
能源管理策略的实施和调节：将选定的能源管理策略实施到电动车辆的控制系统中，实时接收车辆的状态数据，包括车速、加速度、电池SOC、电机转速、发动机功率。根据能源管理策略的算法和规则，输出能源系统的控制指令，包括电机扭矩、发动机工作模式、电池充放电状态等。根据车辆的实际运行情况，对能源管理策略进行动态调节，以适应不同的工况和场景，包括拥堵、上坡、下坡、急加速、急刹车。
能源管理策略的优化和改进：根据车辆的运行数据和用户的反馈，对能源管理策略的效果和问题进行分析和评价，包括能源利用率、能源损失率、能源分配比例、能源管理策略的响应速度、能源管理策略的可靠性等。根据分析和评价的结果，对能源管理策略进行优化和改进，包括修改控制参数、增加控制变量、引入智能算法、结合网联技术。
根据车辆的能源消耗量和剩余行驶里程的预测值，结合用户设定目的地距离，利用动力系统仿真软件，搭建能源系统的仿真模型，生成车辆的能源需求地图，所述能源需求地图为车辆的能源消耗量随行驶路线的变化关系；根据所述能源需求地图，确定车辆的多条路线，结合能源需求曲线以确定最佳行驶路线，所述最佳行驶路线为能源需求地图上的一条或多条路径，路径为能源需求地图上的连续点集，路径的长度为行驶路线的长度，路径的权值为能源消耗量的总和；根据所述最佳行驶路线，控制车辆的导航行为，所述导航行为包括设定目的地、规划路线和导航指引，其中，设定目的地为根据用户输入或语音识别，确定车辆的目的地坐标；规划路线为根据所述能源需求地图，选择一条或多条最佳行驶路线，并显示在车辆的导航仪上；导航指引为根据车辆的实时位置和所选的最佳行驶路线，通过语音或图形界面，向驾驶者提供行驶方向和距离的提示。将所述能源约束条件部署至车辆控制系统中，实时接收车辆的状态数据，输出能源系统的控制指令，以调节能源系统的工作模式和功率。
另外，车辆控制系统号还可根据车辆交互功能，通过语音或图形界面方式，向驾驶者展示预测结果和能源管理策略，收集驾驶者个人喜好和需求，以进一步个性化能源管理策略，同时提醒驾驶者对车辆进行充电。车辆上还设有可持续性集成单元，可以利用可再生能源为电动车辆充电或补充能量，从而减少电动车辆对传统能源的依赖，降低电动车辆的碳足迹，可以使用太阳能电池板或风力发电机等设备，来收集并转换太阳能或风能为电能，或是使用智能充电桩或无线充电器等设备，来为电动车辆提供充电或补充。
综上，根据上述的能源需求控制方法，车辆控制系统控制数据采集单元从多个数据源处获取当前车辆参数和环境信息，并加以整合得出数据集，根据数据集计算当前路段的车辆行驶状态以及耗电量范围。基于数据集，建立预测模型，并根据数据集的种类选择对应的算法，以对预测模型进行训练，不断调整预测模型的可靠性，以优化预测模型的预测效果，增强预测模型的精确度。由于预测结果结合了实时变化的环境因素和车辆参数，通过预设规则综合实时变化的预测结果和用户交互信息，动态地调整能源在能源转换装置之间按最佳线路流动，使整车的能源利用率达到最佳的策略，以确保车辆的最佳性能和最小能源浪费。
实施例二
本发明另一方面还提供一种车辆能源需求控制系统，请查阅图2，所示为本发明第二实施例中的车辆能源需求控制系统，所述故障预警系统包括：
数据采集融合模块11，用于控制数据采集单元从车辆多个数据源处获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集；
预测模型建立模块12，用于基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数；
调整优化模块13，用于基于所述预测性能指数，结合用户设定目的地距离，判断车辆的能源需求等级，根据所述能源需求等级，设定能源约束条件，以动态调节车辆的最高速度、加速度以及空调功率，基于所述能源约束条件和能源需求，利用动力系统仿真软件，搭建能源系统的仿真模型，并计算车辆的能源需求曲线，根据所述能源需求曲线上的若干拐点，以确定能源补充点，基于能源系统的仿真模型，根据能源消耗量与剩余行驶里程，结合用户设定目的地距离，以生成车辆的能源需求地图，规划多条路线，结合所述能源需求曲线，以确定可行驶路线，将所述能源约束条件部署至车辆控制系统中，实时接收车辆的状态数据，输出能源系统的控制指令，以调节能源系统的工作模式和功率。
进一步的，在一些可选实施例当中，数据采集融合模块包括：
数据处理单元，用于对获取的参数和信息进行清洗、去噪和归一化，以提高数据的质量和一致性，
所述数据源包括车辆传感器、交通流量、气象信息和驾驶者偏好；
通过车辆传感器获取车辆的速度、加速度、电池电压、电池温度、电池容量参数；
通过交通流量获取当前道路的拥堵程度、信号灯状态、路口数量；
通过气象信息获取当前地区的温度、湿度、风速、风向；
通过驾驶者偏好获取驾驶者的目的地、路线选择、驾驶风格。
数据清洗过程：
对于异常值，使用箱线图、3sigma原则或孤立森林方法，检测并删除或替换异常值；
对于错误值，使用数据字典、数据质量规则或数据校验方法，检测并纠正或删除错误值；
对于缺失值，使用删除法、均值法、中位数法、众数法、插值法、回归法或随机森林法，检测并删除或补充缺失值；
对于重复值，使用唯一标识、哈希函数或去重函数方法，检测并删除或合并重复值；
数据去噪过程：
对于线性数据，使用移动平均法、指数平滑法或卡尔曼滤波法，对数据进行滤波和平滑，去除数据中的随机噪声和周期性干扰；
对于非线性数据，使用小波变换法、经验模态分解法或主成分分析法，对数据进行降维和压缩，去除数据中的高频噪声和低频干扰；
数据归一化过程：
对于数值型数据，使用最大最小归一化法、标准化法或正则化法，对数据进行线性变换，使数据的取值范围限制在一定的区间内；
对于非数值型数据，使用独热编码法、标签编码法或词袋模型法，对数据进行编码和转换，使数据的类型和格式与预测模型的输入要求相匹配，以提高数据的可用性和可解释性；
基于清洗、去噪和归一化后的数据，对其进行整合，整合过程包括使用卡尔曼滤波器或多传感器融合方式对来自不同传感器或不同时间点的数据进行加权平均或最大似然估计方法，以减少数据的噪声和误差，并提高数据的准确性和稳定性，同时还可使用特征提取或特征选择对数据进行降维和压缩，以减少数据的冗余和复杂度，并提高数据的有效性和可解释性。
进一步的，在一些可选实施例当中，预测模型建立模块包括：
预测模型建立单元，用于根据车辆能源需求预测的目标和特点，选取合适的预测模型，所述预测模型包括神经网络、支持向量机和随机森林；
根据车辆能源需求预测的目标和特点，选取合适的预测模型，所述预测模型至少包括神经网络、支持向量机和随机森林；
根据所述预测模型，将所述数据集划分成训练集、验证集和测试集，以分别用于对于预测模型的训练、验证和测试；
使用测试集对预测模型进行评估和测试，计算能源消耗量与剩余行驶里程的比值，以获取预测性能指数。
实施例三
本发明另一方面还提出计算机可读存储介质，其上存储有一个或多个计算机程序，该程序给处理器执行时实现上述的能源需求控制方法。
实施例四
本发明另一方面还提出一种车辆，请参阅图3，所示为本发明第三实施例当中的车辆，包括存储器20、处理器10以及存储在存储器上并可在处理器上运行的计算机程序30，所述处理器10执行所述计算机程序30时实现如上述的能源需求控制方法。
其中，车辆具体可以为电脑、整车测试设备等，处理器10在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行访问限制程序等。
其中，存储器20至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器20在一些实施例中可以是车辆的内部存储单元，例如该车辆的硬盘。存储器20在另一些实施例中也可以是车辆的外部存储装置，例如车辆上配备的插接式硬盘，智能存储卡(SmartMedia Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器20还可以既包括车辆的内部存储单元也包括外部存储装置。存储器20不仅可以用于存储安装于车辆的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
需要指出的是，图示出的结构并不构成对车辆的限定，在其它实施例当中，该车辆可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读存储介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读存储介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读存储介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读存储介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (7)
1.一种能源需求控制方法，其特征在于，所述方法包括：
控制数据采集单元从车辆多个数据源处，获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集；
基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数；
基于所述预测性能指数，结合用户设定目的地距离，判断车辆的能源需求等级，根据所述能源需求等级，设定能源约束条件，以动态调节车辆的最高速度、加速度以及空调功率，基于所述能源约束条件和能源需求，利用动力系统仿真软件，搭建能源系统的仿真模型，并计算车辆的能源需求曲线，根据所述能源需求曲线上的若干拐点，以确定能源补充点，基于能源系统的仿真模型，根据能源消耗量与剩余行驶里程，结合用户设定目的地距离，以生成车辆的能源需求地图，规划多条路线，结合所述能源需求曲线，以确定可行驶路线，将所述能源约束条件部署至车辆控制系统中，实时接收车辆的状态数据，输出能源系统的控制指令，以调节能源系统的工作模式和功率。
2.根据权利要求1所述的能源需求控制方法，其特征在于，所述控制数据采集单元从车辆多个数据源处，获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集的步骤中，所述数据源包括车辆传感器、交通流量传感器、气象传感器和驾驶偏好收集器，其中，
通过车辆传感器获取车辆的速度、加速度、电池电压、电池温度、电池容量参数；
通过交通流量传感器获取当前道路的拥堵程度、信号灯状态、路口数量；
通过气象传感器获取当前地区的温度、湿度、风速、风向；
通过驾驶偏好收集器获取驾驶者的目的地、路线选择、驾驶风格；
所述对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集的步骤中，对获取的车辆参数和当前环境信息依次进行清洗、去噪和归一化。
3.根据权利要求2所述的能源需求控制方法，其特征在于，所述对获取的车辆参数和当前环境信息依次进行清洗、去噪和归一化，以提高数据的质量和一致性的步骤包括：
数据清洗过程：
判断数据类型，并对其标记为异常值、错误值、缺失值或是重复值的任意一种；
对于异常值，使用箱线图、3sigma原则或孤立森林方法，检测并删除或替换异常值；
对于错误值，使用数据字典、数据质量规则或数据校验方法，检测并纠正或删除错误值；
对于缺失值，使用删除法、均值法、中位数法、众数法、插值法、回归法或随机森林法，检测并删除或补充缺失值；
对于重复值，使用唯一标识、哈希函数或去重函数方法，检测并删除或合并重复值；
数据去噪过程：
基于清洗后的数据，判断其为线性数据或是非线性数据；
对于线性数据，使用移动平均法、指数平滑法或卡尔曼滤波法，对数据进行滤波和平滑，去除数据中的随机噪声和周期性干扰；
对于非线性数据，使用小波变换法、经验模态分解法或主成分分析法，对数据进行降维和压缩，去除数据中的高频噪声和低频干扰；
数据归一化过程：
基于去噪后的数据，判断其为数值型数据或是非数值型数据；
对于数值型数据，使用最大最小归一化法、标准化法或正则化法，对数据进行线性变换，使数据的取值范围限制在一定的区间内；
对于非数值型数据，使用独热编码法、标签编码法或词袋模型法，对数据进行编码和转换，使数据的类型和格式与预测模型的输入要求相匹配；
基于清洗、去噪和归一化后的数据，对其进行整合，整合过程包括使用卡尔曼滤波器或多传感器融合方式对来自不同传感器或不同时间点的数据进行加权平均或最大似然估计方法，并通过特征提取或特征选择以对数据进行降维和压缩。
4.根据权利要求1所述的能源需求控制方法，其特征在于，所述基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数的步骤，具体包括：
根据车辆能源需求预测的目标和特点，选取合适的预测模型，所述预测模型至少包括神经网络、支持向量机和随机森林；
根据所述预测模型，将所述数据集划分成训练集、验证集和测试集，以分别用于对于预测模型的训练、验证和测试；
使用测试集对预测模型进行评估和测试，计算能源消耗量与剩余行驶里程的比值，以获取预测性能指数。
5.一种车辆能源需求控制系统，其特征在于，用于实现权利要求1-4中任一项所述的能源需求控制方法，所述系统包括：
数据采集融合模块，用于控制数据采集单元从车辆多个数据源处获取当前车辆参数和当前环境信息，并对所述车辆参数和所述当前环境信息进行预处理和整合，生成数据集；
预测模型建立模块，用于基于所述数据集，建立预测模型，通过选取所述数据集的对应算法以对所述预测模型进行训练，获取预测性能指数；
调整优化模块，用于基于所述预测性能指数，结合用户设定目的地距离，判断车辆的能源需求等级，根据所述能源需求等级，设定能源约束条件，以动态调节车辆的最高速度、加速度以及空调功率，基于所述能源约束条件和能源需求，利用动力系统仿真软件，搭建能源系统的仿真模型，并计算车辆的能源需求曲线，根据所述能源需求曲线上的若干拐点，以确定能源补充点，基于能源系统的仿真模型，根据能源消耗量与剩余行驶里程，结合用户设定目的地距离，以生成车辆的能源需求地图，规划多条路线，结合所述能源需求曲线，以确定可行驶路线，将所述能源约束条件部署至车辆控制系统中，实时接收车辆的状态数据，输出能源系统的控制指令，以调节能源系统的工作模式和功率。
6.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－4任一项所述的能源需求控制方法。
7.一种车辆，其特征在于，所述车辆包括存储器和处理器，其中：
所述存储器用于存放计算机程序；
所述处理器用于执行所述存储器上所存放的计算机程序时，实现权利要求1-4任一项所述的能源需求控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410134160.9A CN117841952A (zh) | 2024-01-31 | 2024-01-31 | 一种能源需求控制方法、系统、可读存储介质及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410134160.9A CN117841952A (zh) | 2024-01-31 | 2024-01-31 | 一种能源需求控制方法、系统、可读存储介质及车辆 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117841952A true CN117841952A (zh) | 2024-04-09 |
Family
ID=90536243
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410134160.9A Pending CN117841952A (zh) | 2024-01-31 | 2024-01-31 | 一种能源需求控制方法、系统、可读存储介质及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117841952A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118312768A (zh) * | 2024-06-11 | 2024-07-09 | 长城汽车股份有限公司 | 车辆管理的方法、装置、车辆和存储介质 |
-
2024
- 2024-01-31 CN CN202410134160.9A patent/CN117841952A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118312768A (zh) * | 2024-06-11 | 2024-07-09 | 长城汽车股份有限公司 | 车辆管理的方法、装置、车辆和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
| CN110288096B (zh) | 预测模型训练及预测方法、装置、电子设备、存储介质 | |
| CN103364006B (zh) | 用于确定车辆路径的系统和方法 | |
| CN111038334A (zh) | 一种电动汽车续驶里程预测方法及装置 | |
| CN117841952A (zh) | 一种能源需求控制方法、系统、可读存储介质及车辆 | |
| Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
| CN109544351A (zh) | 车辆风险评估方法、装置、计算机设备及存储介质 | |
| CN112824196A (zh) | 用于里程预测的驾驶员模型估计、分类和适配 | |
| CN116890689B (zh) | 基于车辆识别的充电控制方法、装置、设备及存储介质 | |
| CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
| CN111832743A (zh) | 用于确定行驶变化过程的方法 | |
| Jaafar et al. | A systemic approach integrating driving cycles for the design of hybrid locomotives | |
| Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
| JP2020177016A (ja) | 内燃機関を有する車両の駆動システムの排気ガス排出量を低減するための方法 | |
| CN114644018A (zh) | 一种基于博弈论的自动驾驶车辆人车交互决策规划方法 | |
| CN117408360A (zh) | 基于云域交互生成车辆管理策略的方法、装置及设备 | |
| CN117261904B (zh) | 一种自适应场景与风格的混动汽车驾驶模式决策方法 | |
| Kim et al. | A machine learning method for ev range prediction with updates on route information and traffic conditions | |
| George et al. | Driving Range Estimation of Electric Vehicles using Deep Learning | |
| US20240192004A1 (en) | Fleet route physics-based modeling | |
| Styler et al. | Real-time predictive optimization for energy management in a hybrid electric vehicle | |
| Beşkardeş et al. | Data-driven-based fuzzy control system design for a hybrid electric vehicle | |
| CN114997748A (zh) | 基于模型融合的新能源汽车运行安全风险预测方法及系统 | |
| Lin et al. | Multi-feature fusion-based instantaneous energy consumption estimation for electric buses | |
| CN116945907B (zh) | 一种新能源电动汽车里程计算方法及系统 |
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 |