CN118228373A - 新能源汽车功耗分析方法、装置、电子设备及存储介质 - Google Patents
新能源汽车功耗分析方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN118228373A CN118228373A CN202311871043.2A CN202311871043A CN118228373A CN 118228373 A CN118228373 A CN 118228373A CN 202311871043 A CN202311871043 A CN 202311871043A CN 118228373 A CN118228373 A CN 118228373A
- Authority
- CN
- China
- Prior art keywords
- target
- model
- power consumption
- parameters
- power
- 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 91
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims description 59
- 238000013528 artificial neural network Methods 0.000 claims description 57
- 238000003062 neural network model Methods 0.000 claims description 49
- 238000012795 verification Methods 0.000 claims description 41
- 210000002569 neuron Anatomy 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000013079 data visualisation Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000012937 correction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning 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
- 238000012216 screening Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Air-Conditioning For Vehicles (AREA)
Abstract
本申请提供一种新能源汽车功耗分析方法、装置、电子设备及存储介质,通过获取与目标车辆关联的目标运行数据,关联关系可以包括车辆型号、批次或是具体的设备、部件或系统的型号、功能及批次,进一步根据目标运行数据确定出输入特征和目标参数,建立用于功耗分析的人工智能模型,并基于目标运行数据,训练获得收敛的目标模型,进一步确定目标车辆的输入参数,将其输入目标模型可得到输出,获得目标车辆高压子系统的功耗,由此,本申请提供的方法可通过云端平台上车辆的运行数据对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
Description
技术领域
本申请涉及车辆工程技术,尤其涉及一种新能源汽车功耗分析方法、装置、电子设备及存储介质。
背景技术
对于新能源汽车,需要对驱动电机、空调压缩机、电池加热模块、直流变换模块等子系统的功耗进行监测,但是高压部分功耗监测的误差较大。具体的,高压器件中,带有直流交流转换器的高压部件如驱动电机,高压空调压缩机等,仅在交流侧有相电流传感器,直流侧的输入电流为估算值,无法准确获知驱动系统,热管理系统等子系统的瞬时功率,积分累积极大,阻碍深入的能耗分析。综上,由于直流侧电流无法直接获取,导致新能源汽车高压部分功耗分析的准确性不高。
因此,需要一种新能源汽车功耗分析方法,以提升针对高压部分子系统功耗分析的准确性。
发明内容
本申请提供一种新能源汽车功耗分析方法、装置、电子设备及存储介质,用以解决现有的新能源汽车功耗分析方法由于直流侧电流无法直接获取,导致新能源汽车高压部分功耗分析的准确性不高的问题。
第一方面,本申请提供一种新能源汽车功耗分析方法,包括:
获取与目标车辆关联的目标运行数据;
根据所述目标运行数据,确定输入特征和目标参数,并根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型;
确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗。
作为一种可选的实施方式,所述获取与目标车辆关联的目标运行数据,包括:
根据所述目标车辆,确定各车辆型号与所述目标车辆的车辆型号之间的第一相关性参数,从云端大数据平台获取所述第一相关性参数超过预设的第一阈值的车辆型号对应的运行数据,作为目标运行数据;
和/或,根据所述目标车辆,确定目标器件,并确定各器件参数与所述目标器件的器件参数之间的第二相关性参数,从云端大数据平台获取所述第二相关性参数超过预设的第二阈值的目标器件对应的运行数据,作为目标运行数据。
作为一种可选的实施方式,所述输入特征包括初始电机功率、初始压缩机功率、电机工作参数及压缩机工作参数中的至少一种,所述目标参数包括目标电机功率和目标压缩机功率,所述功耗分析模型包括神经网络模型;
以及,所述根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型,包括:
根据所述输入特征和所述目标参数,确定各层的神经元数量及连接关系,构建神经网络模型;
根据所述目标运行数据,通过反向梯度下降的方式,更新所述神经网络模型的网络参数,并在所述神经网络模型输出收敛时确定为对所述神经网络模型训练完成,获得目标模型,并保存所述目标模型的网络参数。
作为一种可选的实施方式,所述输入特征还包括环境参数;
所述根据所述输入特征和所述目标参数,确定各层的神经元数量及连接关系,构建神经网络模型,包括:
对所述输入特征进行划分,根据所述初始电机功率和所述电机工作参数,获得电机组特征,并根据所述初始压缩机功率和所述压缩机工作参数,获得压缩机组特征,并根据所述环境参数,获得环境组特征;
根据所述电机组特征建立第一子神经网络,并根据所述压缩机组特征建立第二子神经网络,并根据所述环境组特征建立第三子神经网络;
根据所述目标参数,以及所述第一子神经网络、所述第二子神经网络和所述第三子神经网络的输出之间的数据关系,建立所述第一子神经网络、所述第二子神经网络和所述第三子神经网络的输出对应的神经元与所述目标参数对应的神经元之间的连接关系,获得神经网络模型。
作为一种可选的实施方式,所述根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型之后,所述方法还包括:
获取与所述目标运行数据不同的预设数量的验证数据;
根据各所述验证数据,获取对应的电池输出功率、各高压子系统对应的第一功率及其他子系统对应的第二功率;
将各所述验证数据输入所述目标模型,获得各所述验证数据的各高压子系统对应的第三功率;
根据所述第一功率和第二功率之和,以及所述电池输出功率,确定第一误差,并根据所述第三功率和所述第二功率之和,以及所述电池输出功率,确定第二误差;
若所述第二误差与所述第一误差的比值低于预设的第一比例阈值的验证数据,在所有所述验证数据中的占比超过预设的第二比例阈值,则判断出所述目标模型的泛化性符合预设条件。
作为一种可选的实施方式,所述方法应用于所述目标车辆端,所述确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗之后,所述方法还包括:
根据所述目标车辆高压子系统的功耗,确定所述目标车辆的功耗状态数据;
其中,所述功耗状态数据用于指示所述目标车辆与高压子系统的功耗相关的车辆部件状态或整车状态,包括所述目标车辆当前的续航状态以及所述目标车辆的驾驶模式;
根据预设的数据可视化流程,对所述目标车辆的功耗状态数据进行处理,获得可视化数据,并在所述目标车辆端展示所述可视化数据;
以及,将所述可视化数据和/或所述功耗状态数据发送至预设终端。
作为一种可选的实施方式,所述方法应用于云端,所述确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗之后,所述方法还包括:
根据所述目标车辆高压子系统的功耗,确定所述目标车辆的功耗状态数据;
其中,所述功耗状态数据用于指示所述目标车辆与高压子系统的功耗相关的车辆部件状态或整车状态,包括所述目标车辆当前的续航状态以及所述目标车辆的驾驶模式;
将所述功耗状态数据发送至所述目标车辆和/或预设终端。
第二方面,本申请提供一种新能源汽车功耗分析装置,所述装置包括:
获取模块,用于获取与目标车辆关联的目标运行数据;
处理模块,用于根据所述目标运行数据,确定输入特征和目标参数,并根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型;
所述处理模块,还用于确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗。
作为一种可选的实施方式,所述获取模块获取与目标车辆关联的目标运行数据的具体方式,包括:
根据所述目标车辆,确定各车辆型号与所述目标车辆的车辆型号之间的第一相关性参数,从云端大数据平台获取所述第一相关性参数超过预设的第一阈值的车辆型号对应的运行数据,作为目标运行数据;
和/或,根据所述目标车辆,确定目标器件,并确定各器件参数与所述目标器件的器件参数之间的第二相关性参数,从云端大数据平台获取所述第二相关性参数超过预设的第二阈值的目标器件对应的运行数据,作为目标运行数据。
作为一种可选的实施方式,所述输入特征包括初始电机功率、初始压缩机功率、电机工作参数及压缩机工作参数中的至少一种,所述目标参数包括目标电机功率和目标压缩机功率,所述功耗分析模型包括神经网络模型;
以及,所述处理模块根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型的具体方式,包括:
根据所述输入特征和所述目标参数,确定各层的神经元数量及连接关系,构建神经网络模型;
根据所述目标运行数据,通过反向梯度下降的方式,更新所述神经网络模型的网络参数,并在所述神经网络模型输出收敛时确定为对所述神经网络模型训练完成,获得目标模型,并保存所述目标模型的网络参数。
作为一种可选的实施方式,所述输入特征还包括环境参数;
所述处理模块根据所述输入特征和所述目标参数,确定各层的神经元数量及连接关系,构建神经网络模型的具体方式,包括:
对所述输入特征进行划分,根据所述初始电机功率和所述电机工作参数,获得电机组特征,并根据所述初始压缩机功率和所述压缩机工作参数,获得压缩机组特征,并根据所述环境参数,获得环境组特征;
根据所述电机组特征建立第一子神经网络,并根据所述压缩机组特征建立第二子神经网络,并根据所述环境组特征建立第三子神经网络;
根据所述目标参数,以及所述第一子神经网络、所述第二子神经网络和所述第三子神经网络的输出之间的数据关系,建立所述第一子神经网络、所述第二子神经网络和所述第三子神经网络的输出对应的神经元与所述目标参数对应的神经元之间的连接关系,获得神经网络模型。
作为一种可选的实施方式,所述处理模块还用于在根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型之后,
获取与所述目标运行数据不同的预设数量的验证数据;
根据各所述验证数据,获取对应的电池输出功率、各高压子系统对应的第一功率及其他子系统对应的第二功率;
将各所述验证数据输入所述目标模型,获得各所述验证数据的各高压子系统对应的第三功率;
根据所述第一功率和第二功率之和,以及所述电池输出功率,确定第一误差,并根据所述第三功率和所述第二功率之和,以及所述电池输出功率,确定第二误差;
若所述第二误差与所述第一误差的比值低于预设的第一比例阈值的验证数据,在所有所述验证数据中的占比超过预设的第二比例阈值,则判断出所述目标模型的泛化性符合预设条件。
第三方面,本申请还提供一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如第一方面的方法。
第四方面,本申请还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如第一方面的方法。
本申请提供的新能源汽车功耗分析方法、装置、电子设备及存储介质,通过获取与目标车辆关联的目标运行数据,关联关系可以包括车辆型号、批次或是具体的设备、部件或系统的型号、功能及批次,进一步根据目标运行数据确定出输入特征和目标参数,建立用于功耗分析的人工智能模型,并基于目标运行数据对功耗分析模型进行训练,获得收敛的目标模型,在确定出目标模型后,确定目标车辆的输入参数,将其输入目标模型可得到模型的输出,进而获得目标车辆高压子系统的功耗,由此,相比于现有技术,本申请提供的方法可通过云端平台上车辆的运行数据对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1是本发明实施例公开的一种新能源汽车功耗分析方法的流程示意图;
图2是本发明实施例公开的一种新能源汽车功耗分析方法的网络结构示意图;
图3是本发明实施例公开的一种新能源汽车功耗分析方法的效果示意图;
图4是本发明实施例公开的一种新能源汽车功耗分析装置的结构示意图;
图5是本发明实施例公开的一种新能源汽车功耗分析电子设备的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述,这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
对于新能源汽车,需要对驱动电机、空调压缩机、电池加热模块、直流变换模块等子系统的功耗进行监测,但是高压部分功耗监测的误差较大。具体的,高压器件中,带有直流交流转换器的高压部件如驱动电机,高压空调压缩机等,仅在交流侧有相电流传感器,直流侧的输入电流为估算值,无法准确获知驱动系统,热管理系统等子系统的瞬时功率,积分累积极大,阻碍深入的能耗分析。综上,由于直流侧电流无法直接获取,导致新能源汽车高压部分功耗分析的准确性不高。
因此,需要一种新能源汽车功耗分析方法,以提升针对高压部分子系统功耗分析的准确性。
具体的,新能源汽车高压器件中,对于带有直流交流转换器的高压部件,如驱动电机,高压空调压缩机等,仅在交流侧有相电流传感器,得以检测电流,而直流侧的输入电流为估算值,对于检测高压系统电流的现有技术,一种路线是通过特定测试设备,接入电流钳等外部传感器,另一种是通过智能监控W相和U相的相电流。例如,一种基于传感器数据测试新能源汽车的驱动系统效率的方法,该技术需要利用转毂台架的各种外部传感器,记录包括电机实测扭矩,电机实测转速,电机控制器反馈的电机计算扭矩,交流端实测电压UAC,交流端实测电流IAC,直流端实测电压UDC和直流端实测电流IDC,而实际整车在运行过程中,直流侧无电流传感器,无法获取精准的直流侧电流和功率。又例如,通过新能源汽车逆变器电流检测用传感器的检测手段,该传感器只能测试W相和U相的电流,并不能测试直流侧的电流,而直流侧的电流由简单的公式估算得到,发到总线上的估算值与直流侧的真实电流差别较大。
由于从高压侧能量守恒的角度分析,电池的输出功率应等于全部高压电气的输入功率之和,比如电池的输出功率=驱动电机功率+空调压缩机功率+加热系统功率+直流输入功率,而实际上,带有直流交流转换器的高压部件,仅在交流侧有相电流传感器,直流侧的输入电流为估算值,误差较大,导致电池的输出功率≠驱动电机功率+空调压缩机功率+加热系统功率+直流输入功率。如前,由于无法准确获知驱动电机输入电流(功率)和空调压缩机输入电流(功率),因此在做能耗分析时,驱动能耗和热管理能耗两大子系统受到影响,同时也无法计算真实的能量转换效率。
本申请通过神经网络等功耗分析模型,并用云端采集的大数据训练模型参数。使用时利用原始发送的子系统功率和相关特征,如电机温度,转速,扭矩等修正得到准确的子系统功率。本申请的技术构思在于,通过获取与目标车辆关联的目标运行数据,关联关系可以包括车辆型号、批次或是具体的设备、部件或系统的型号、功能及批次,进一步根据目标运行数据确定出输入特征和目标参数,建立用于功耗分析的人工智能模型,并基于目标运行数据对功耗分析模型进行训练,获得收敛的目标模型,在确定出目标模型后,确定目标车辆的输入参数,将其输入目标模型可得到模型的输出,进而获得目标车辆高压子系统的功耗,由此,相比于现有技术,本申请提供的方法可通过云端平台上车辆的运行数据对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
实施例一
请参阅图1,图1是本发明实施例公开的一种新能源汽车功耗分析方法的流程示意图。如图1所示,方法包括:
S101、获取与目标车辆关联的目标运行数据;
目标运行数据存储于云端,用于指示整车应用过程中实时上传的数据或存储于车辆内存中并定期集中上传的数据,目标运行数据包括车辆本身的车身参数或器件参数等静态信息,以及工作参数等动态信息。在新能源汽车功耗分析的场景下,通常可以通过静态信息对目标运行数据进行分类或筛选,并通过目标运行数据中的电机温度、电机转速等工作参数,实现功耗分析任务。
S102、根据目标运行数据,确定输入特征和目标参数,并根据输入特征和目标参数,建立功耗分析模型,对功耗分析模型进行训练,获得收敛的目标模型;
如前文提到的目标运行数据,可在提取数据后,确定数据对应的一部分目标属性作为输入特征,从而可对目标运行数据进行处理,使得维度、数据格式等方面与待应用的功耗分析模型相匹配,与此同时确定出目标参数,目标参数作为功耗分析模型的输出参数,用于指示高压系统的功耗,具体采用何种目标参数则取决于实际应用场景,例如,可以采用修正后的电机功率及修正后的压缩机功率指示高压系统功耗,作为模型输出参数,根据输入和输出构建功耗分析模型,并对目标运行数据进行划分,根据划分出的训练集对功耗分析模型迭代训练,最终获得收敛的目标模型。
S103、确定目标车辆的输入参数,并将目标车辆的输入参数输入目标模型,获得目标车辆高压子系统的功耗。
根据输入特征和目标模型,确定对应于输入特征和目标模型的输入参数,进一步的,将其输入目标模型,通过目标模型的输出,进行数据处理,最终可获得目标车辆高压子系统的功耗。
作为一种可选的实施方式,获取与目标车辆关联的目标运行数据,包括:
根据目标车辆,确定各车辆型号与目标车辆的车辆型号之间的第一相关性参数,从云端大数据平台获取第一相关性参数超过预设的第一阈值的车辆型号对应的运行数据,作为目标运行数据;
和/或,根据目标车辆,确定目标器件,并确定各器件参数与目标器件的器件参数之间的第二相关性参数,从云端大数据平台获取第二相关性参数超过预设的第二阈值的目标器件对应的运行数据,作为目标运行数据。
通过目标车辆,基于目标车辆型号确定各车辆的型号与目标车辆型号之间的第一相关性参数,由此可从车辆型号层面上,确定各车辆运行数据与目标车辆间的相关性,进一步的可获取云端大数据平台中与目标车辆相关性高的目标运行数据,也可以确定目标器件,从器件出发确定关联性高的目标运行数据,由此可基于目标运行数据对功耗分析模型进行训练,获得收敛的目标模型,在确定出目标模型后,确定目标车辆的输入参数,将其输入目标模型可得到模型的输出,进而获得目标车辆高压子系统的功耗,由此,相比于现有技术,本申请提供的方法提升了目标运行数据获取的准确性和有效性,通过云端平台上车辆的运行数据对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
作为一种可选的实施方式,方法应用于目标车辆端,将目标车辆的输入参数输入目标模型,获得目标车辆高压子系统的功耗之后,方法还包括:
根据目标车辆高压子系统的功耗,确定目标车辆的功耗状态数据;
其中,功耗状态数据用于指示目标车辆与高压子系统的功耗相关的车辆部件状态或整车状态,包括目标车辆当前的续航状态以及目标车辆的驾驶模式;
需要说明的是,本领域技术人员容易想到,功耗状态数据包括任何与目标车辆高压子系统的功耗相关的,或数据处理过程以任何形式应用到目标车辆高压子系统的功耗的数据,而不仅包括目标车辆当前的续航状态以及目标车辆的驾驶模式,在实际应用场景中不应做此限制。
根据预设的数据可视化流程,对目标车辆的功耗状态数据进行处理,获得可视化数据,并在目标车辆端展示可视化数据;
以及,将可视化数据和/或功耗状态数据发送至预设终端。
作为一种可选的实施方式,方法应用于云端,将目标车辆的输入参数输入目标模型,获得目标车辆高压子系统的功耗之后,方法还包括:
根据目标车辆高压子系统的功耗,确定目标车辆的功耗状态数据;
其中,功耗状态数据用于指示目标车辆与高压子系统的功耗相关的车辆部件状态或整车状态,包括目标车辆当前的续航状态以及目标车辆的驾驶模式;
将功耗状态数据发送至目标车辆和/或预设终端。
其中,预设终端可以包括用户的手机、平板、个人电脑等移动设备,用户通过预设终端可监控与目标车辆高压子系统的功耗,确定目标车辆的功耗状态数据,并实现与目标车辆端的交互。
本申请提供的方法可以部署于云端或目标车辆端,例如,在实际的应用场景中,目标模型可直接在云端部署,从而更精准的计算整车各部分能耗,提升分析和异常筛查能力。目标模型可部署在车端,给车主提升更精准的能耗信息,也可对智能续航预测,省电驾驶模式等功能提供数据支持。经过目标模型修正的修正计算结果可以发到手机APP端,帮助车主全方位了解车辆的能耗信息。
作为一种可选的实施方式,输入特征包括初始电机功率、初始压缩机功率、电机工作参数及压缩机工作参数中的至少一种,目标参数包括目标电机功率和目标压缩机功率,功耗分析模型包括神经网络模型;
以及,根据输入特征和目标参数,建立功耗分析模型,对功耗分析模型进行训练,获得收敛的目标模型,包括:
根据输入特征和目标参数,确定各层的神经元数量及连接关系,构建神经网络模型;
根据应用场景,还可在确定功耗分析模型模型的过程中,进一步的确定出神经网络模型的类型,通常的,采用最简便的前馈神经网络模型已可以达到预测或计算高压子系统功耗的目的,本申请中对于神经网络的具体形式不作限制,但后文将以一个前馈神经网络的模型进行示例描述,不代表本申请仅可适用于前馈神经网络模型。
根据目标运行数据,通过反向梯度下降的方式,更新神经网络模型的网络参数,并在神经网络模型输出收敛时确定为对神经网络模型训练完成,获得目标模型,并保存目标模型的网络参数。
对于神经网络形式的功耗分析模型的训练过程,还可以采用群体智能等其他的参数寻优方式进行训练,具体取决于模型的数据量和模型本身的结构特征,反向梯度下降是参数寻优的算法中原理较为简便的一种。
通过输入特征和目标参数,可进一步确定出神经网络各层的结构,构建神经网络模型,并根据获取的数据,更新网络参数进行训练,直至收敛时获得目标模型,由此相比于现有技术,通过云端平台上车辆的运行数据,以神经网络的方式对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
作为一种可选的实施方式,输入特征还包括环境参数;
根据输入特征和目标参数,确定各层的神经元数量及连接关系,构建神经网络模型,包括:
对输入特征进行划分,根据初始电机功率和电机工作参数,获得电机组特征,并根据初始压缩机功率和压缩机工作参数,获得压缩机组特征,并根据环境参数,获得环境组特征;
根据电机组特征建立第一子神经网络,并根据压缩机组特征建立第二子神经网络,并根据环境组特征建立第三子神经网络;
根据目标参数,以及第一子神经网络、第二子神经网络和第三子神经网络的输出之间的数据关系,建立第一子神经网络、第二子神经网络和第三子神经网络的输出对应的神经元与目标参数对应的神经元之间的连接关系,获得神经网络模型。
通过输入特征的属性,可对其进行划分,获取电机组、压缩机组、环境组特征,构建对应的神经网络子树,并进一步建立各子树间的连接关系,由此获得神经网络模型,提升了神经网络模型在物理意义上的可解释性,进而提升了神经网络模型的有效性和实用性,以神经网络的方式对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
作为一种可选的实施方式,根据输入特征和目标参数,建立功耗分析模型,对功耗分析模型进行训练,获得收敛的目标模型之后,方法还包括:
获取与目标运行数据不同的预设数量的验证数据;
根据各验证数据,获取对应的电池输出功率、各高压子系统对应的第一功率及其他子系统对应的第二功率;
将各验证数据输入目标模型,获得各验证数据的各高压子系统对应的第三功率;
根据第一功率和第二功率之和,以及电池输出功率,确定第一误差,并根据第三功率和第二功率之和,以及电池输出功率,确定第二误差;
若第二误差与第一误差的比值低于预设的第一比例阈值的验证数据,在所有验证数据中的占比超过预设的第二比例阈值,则判断出目标模型的泛化性符合预设条件。
对于模型泛化性的验证过程,还可采用其他的参数进行验证,例如直接根据第一功率和第三功率进行比较,总体而言,对模型输出的预设参数本身或者对预设参数进行处理后的数据与验证数据中的对应数据进行比较,进一步的即可确定出模型在不同应用场景下的效果,从而推知模型的泛化性能。此外,也可对模型的各方面性能进行综合评判,可参考机器学习领域中的常见方法并进行组合、优化,进而获得适用于当前场景的验证方式。
通过验证数据,可获取电池输出功率、各高压子系统对应的第一功率及其他子系统对应的第二功率,并将验证数据输入目标模型,获取通过目标模型预测获得的各高压子系统对应的第三功率,进一步的可确定出第一误差和第二误差,根据第二误差相对于第一误差的改良程度符合条件的数据在总体验证数据中的占比,可确定目标模型的泛化性能,由此提升了神经网络模型的有效性和实用性,以神经网络的方式对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
请参阅图2,图2是本发明实施例公开的一种新能源汽车功耗分析方法的网络结构示意图。如图2所示,在一个应用场景下,可以采用一种前馈神经网络模型以达成功耗分析的效果。
具体的,首先可以在某款新能源汽车云端大数据平台上收集3天的车辆运行数据,共计200000条,每条数据包含了各子系统原始的输入功率、高压电池的输出功率以及电机温度、电机转速等与电机效率相关的特征,进而根据这些特征以及待获取的修正电机功率、修正压缩机功率等目标参数,构建前馈神经网络。
建立神经网络模型之后,则开始进行参数自学习,输入特征为不确定的子系统功率和温度、转速、扭矩等相关的特征,学习目标为高压电池的输出功率减去其它可准确测量的子系统功率的差值,根据能量守恒电机功率和压缩机功率之和应等于这个差值。通过反向梯度下降,更新网络参数,使得神经网络的输出不断的逼近目标值。经过一定数量的迭代更新,输出值与目标值的差不再下降时,训练完成。保存此时的模型参数。
完成模型训练后,还可进行模型泛化性验证,将模型应用在其它云端运行数据上,分别计算应用修正模型和不应用修正模型,各子系统的输入功率之和与电池输出功率。比较应用修正模型前后输出功率与输入功率的差。
请参阅图3,图3是本发明实施例公开的一种新能源汽车功耗分析方法的效果示意图。如图3所示,在图2的应用场景下,模型在汽车功耗修正后相比原始数据有较明显的性能提升。表列从左至右分别是日期,活跃车辆数,不经过修正的原始相对误差百分比(均值),不经过修正的原始相对误差百分比(最大值),经过模型修正后的相对误差百分比(均值),经过模型修正后的相对误差百分比(最大值)。经过从9月1日到9月11,共1217车次出行分析的结果显示,不经过修正的原始相对误差从平均9.82%降低到1.04%。表中列出的所有测试数据均未参与模型训练,证明此修正模型拥有极好的泛化性能。
本实施例通过获取与目标车辆关联的目标运行数据,关联关系可以包括车辆型号、批次或是具体的设备、部件或系统的型号、功能及批次,进一步根据目标运行数据确定出输入特征和目标参数,建立用于功耗分析的人工智能模型,并基于目标运行数据对功耗分析模型进行训练,获得收敛的目标模型,在确定出目标模型后,确定目标车辆的输入参数,将其输入目标模型可得到模型的输出,进而获得目标车辆高压子系统的功耗,由此,相比于现有技术,本申请提供的方法可通过云端平台上车辆的运行数据对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
实施例二
本发明实施例还提供一种新能源汽车功耗分析装置以实现前述方法,请参阅图4,图4是本发明实施例公开的一种新能源汽车功耗分析装置的结构示意图。如图4所示,在其他任一实施例的基础上,装置包括:
获取模块31,用于获取与目标车辆关联的目标运行数据;
处理模块32,用于根据目标运行数据,确定输入特征和目标参数,并根据输入特征和目标参数,建立功耗分析模型,对功耗分析模型进行训练,获得收敛的目标模型;
处理模块32,还用于确定目标车辆的输入参数,并将目标车辆的输入参数输入目标模型,获得目标车辆高压子系统的功耗。
通过获取与目标车辆关联的目标运行数据,关联关系可以包括车辆型号、批次或是具体的设备、部件或系统的型号、功能及批次,进一步根据目标运行数据确定出输入特征和目标参数,建立用于功耗分析的人工智能模型,并基于目标运行数据对功耗分析模型进行训练,获得收敛的目标模型,在确定出目标模型后,确定目标车辆的输入参数,将其输入目标模型可得到模型的输出,进而获得目标车辆高压子系统的功耗,由此,相比于现有技术,本申请提供的方法可通过云端平台上车辆的运行数据对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
作为一种可选的实施方式,获取模块31获取与目标车辆关联的目标运行数据的具体方式,包括:
根据目标车辆,确定各车辆型号与目标车辆的车辆型号之间的第一相关性参数,从云端大数据平台获取第一相关性参数超过预设的第一阈值的车辆型号对应的运行数据,作为目标运行数据;
和/或,根据目标车辆,确定目标器件,并确定各器件参数与目标器件的器件参数之间的第二相关性参数,从云端大数据平台获取第二相关性参数超过预设的第二阈值的目标器件对应的运行数据,作为目标运行数据。
通过目标车辆,基于目标车辆型号确定各车辆的型号与目标车辆型号之间的第一相关性参数,由此可从车辆型号层面上,确定各车辆运行数据与目标车辆间的相关性,进一步的可获取云端大数据平台中与目标车辆相关性高的目标运行数据,也可以确定目标器件,从器件出发确定关联性高的目标运行数据,由此可基于目标运行数据对功耗分析模型进行训练,获得收敛的目标模型,在确定出目标模型后,确定目标车辆的输入参数,将其输入目标模型可得到模型的输出,进而获得目标车辆高压子系统的功耗,由此,相比于现有技术,本申请提供的方法提升了目标运行数据获取的准确性和有效性,通过云端平台上车辆的运行数据对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
作为一种可选的实施方式,输入特征包括初始电机功率、初始压缩机功率、电机工作参数及压缩机工作参数中的至少一种,目标参数包括目标电机功率和目标压缩机功率,功耗分析模型包括神经网络模型;
以及,处理模块32根据输入特征和目标参数,建立功耗分析模型,对功耗分析模型进行训练,获得收敛的目标模型的具体方式,包括:
根据输入特征和目标参数,确定各层的神经元数量及连接关系,构建神经网络模型;
根据目标运行数据,通过反向梯度下降的方式,更新神经网络模型的网络参数,并在神经网络模型输出收敛时确定为对神经网络模型训练完成,获得目标模型,并保存目标模型的网络参数。
通过输入特征和目标参数,可进一步确定出神经网络各层的结构,构建神经网络模型,并根据获取的数据,更新网络参数进行训练,直至收敛时获得目标模型,由此相比于现有技术,通过云端平台上车辆的运行数据,以神经网络的方式对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
作为一种可选的实施方式,输入特征还包括环境参数;
处理模块32根据输入特征和目标参数,确定各层的神经元数量及连接关系,构建神经网络模型的具体方式,包括:
对输入特征进行划分,根据初始电机功率和电机工作参数,获得电机组特征,并根据初始压缩机功率和压缩机工作参数,获得压缩机组特征,并根据环境参数,获得环境组特征;
根据电机组特征建立第一子神经网络,并根据压缩机组特征建立第二子神经网络,并根据环境组特征建立第三子神经网络;
根据目标参数,以及第一子神经网络、第二子神经网络和第三子神经网络的输出之间的数据关系,建立第一子神经网络、第二子神经网络和第三子神经网络的输出对应的神经元与目标参数对应的神经元之间的连接关系,获得神经网络模型。
通过输入特征的属性,可对其进行划分,获取电机组、压缩机组、环境组特征,构建对应的神经网络子树,并进一步建立各子树间的连接关系,由此获得神经网络模型,提升了神经网络模型在物理意义上的可解释性,进而提升了神经网络模型的有效性和实用性,以神经网络的方式对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
作为一种可选的实施方式,处理模块32还用于在根据输入特征和目标参数,建立功耗分析模型,对功耗分析模型进行训练,获得收敛的目标模型之后,
获取与目标运行数据不同的预设数量的验证数据;
根据各验证数据,获取对应的电池输出功率、各高压子系统对应的第一功率及其他子系统对应的第二功率;
将各验证数据输入目标模型,获得各验证数据的各高压子系统对应的第三功率;
根据第一功率和第二功率之和,以及电池输出功率,确定第一误差,并根据第三功率和第二功率之和,以及电池输出功率,确定第二误差;
若第二误差与第一误差的比值低于预设的第一比例阈值的验证数据,在所有验证数据中的占比超过预设的第二比例阈值,则判断出目标模型的泛化性符合预设条件。
通过验证数据,可获取电池输出功率、各高压子系统对应的第一功率及其他子系统对应的第二功率,并将验证数据输入目标模型,获取通过目标模型预测获得的各高压子系统对应的第三功率,进一步的可确定出第一误差和第二误差,根据第二误差相对于第一误差的改良程度符合条件的数据在总体验证数据中的占比,可确定目标模型的泛化性能,由此提升了神经网络模型的有效性和实用性,以神经网络的方式对目标车辆高压子系统功耗进行确定,减少了直流侧电流无法准确获取带来的高压子系统功耗计算误差,提升了针对高压部分子系统进行功耗分析的准确性。
实施例三
本申请提供一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如任一实施方式的方法。
本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现如任一实施方式的方法。
具体的,请参阅图5,图5是本发明实施例公开的一种电子设备的结构示意图。如图5所示,该电子设备可以包括:
处理器(Processor)291,装置还包括了存储有可执行程序代码的存储器(Memory)292;还可以包括通信接口(Communication Interface)293和总线294。其中,处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291与存储器292耦合,处理器291可以调用存储器292中的逻辑指令(可执行程序代码),以执行上述任一实施例的方法。
此外,上述的存储器292中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器292作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序,如本申请实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块,从而执行功能应用以及数据处理,即实现上述方法实施例中的方法。
存储器292可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、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器292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。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被调用时用于实现任一实施例中的方法。
本发明实施例还公开了一种计算机程序产品,该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,且该计算机程序可操作来使计算机执行任一实施例中所描述的方法中的步骤。
以上所描述的装置实施例仅是示意性的,其中作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
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,本申请的真正范围和精神由下面的权利要求书指出。
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书来限制。
Claims (10)
1.一种新能源汽车功耗分析方法,其特征在于,所述方法包括:
获取与目标车辆关联的目标运行数据;
根据所述目标运行数据,确定输入特征和目标参数,并根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型;
确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗。
2.根据权利要求1所述的方法,其特征在于,所述获取与目标车辆关联的目标运行数据,包括:
根据所述目标车辆,确定各车辆型号与所述目标车辆的车辆型号之间的第一相关性参数,从云端大数据平台获取所述第一相关性参数超过预设的第一阈值的车辆型号对应的运行数据,作为目标运行数据;
和/或,根据所述目标车辆,确定目标器件,并确定各器件参数与所述目标器件的器件参数之间的第二相关性参数,从云端大数据平台获取所述第二相关性参数超过预设的第二阈值的目标器件对应的运行数据,作为目标运行数据。
3.根据权利要求1所述的方法,其特征在于,所述输入特征包括初始电机功率、初始压缩机功率、电机工作参数及压缩机工作参数中的至少一种,所述目标参数包括目标电机功率和目标压缩机功率,所述功耗分析模型包括神经网络模型;
以及,所述根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型,包括:
根据所述输入特征和所述目标参数,确定各层的神经元数量及连接关系,构建神经网络模型;
根据所述目标运行数据,通过反向梯度下降的方式,更新所述神经网络模型的网络参数,并在所述神经网络模型输出收敛时确定为对所述神经网络模型训练完成,获得目标模型,并保存所述目标模型的网络参数。
4.根据权利要求3所述的方法,其特征在于,所述输入特征还包括环境参数;
所述根据所述输入特征和所述目标参数,确定各层的神经元数量及连接关系,构建神经网络模型,包括:
对所述输入特征进行划分,根据所述初始电机功率和所述电机工作参数,获得电机组特征,并根据所述初始压缩机功率和所述压缩机工作参数,获得压缩机组特征,并根据所述环境参数,获得环境组特征;
根据所述电机组特征建立第一子神经网络,并根据所述压缩机组特征建立第二子神经网络,并根据所述环境组特征建立第三子神经网络;
根据所述目标参数,以及所述第一子神经网络、所述第二子神经网络和所述第三子神经网络的输出之间的数据关系,建立所述第一子神经网络、所述第二子神经网络和所述第三子神经网络的输出对应的神经元与所述目标参数对应的神经元之间的连接关系,获得神经网络模型。
5.根据权利要求1所述的方法,其特征在于,所述根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型之后,所述方法还包括:
获取与所述目标运行数据不同的预设数量的验证数据;
根据各所述验证数据,获取对应的电池输出功率、各高压子系统对应的第一功率及其他子系统对应的第二功率;
将各所述验证数据输入所述目标模型,获得各所述验证数据的各高压子系统对应的第三功率;
根据所述第一功率和第二功率之和,以及所述电池输出功率,确定第一误差,并根据所述第三功率和所述第二功率之和,以及所述电池输出功率,确定第二误差;
若所述第二误差与所述第一误差的比值低于预设的第一比例阈值的验证数据,在所有所述验证数据中的占比超过预设的第二比例阈值,则判断出所述目标模型的泛化性符合预设条件。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述方法应用于所述目标车辆端,所述确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗之后,所述方法还包括:
根据所述目标车辆高压子系统的功耗,确定所述目标车辆的功耗状态数据;
其中,所述功耗状态数据用于指示所述目标车辆与高压子系统的功耗相关的车辆部件状态或整车状态,包括所述目标车辆当前的续航状态以及所述目标车辆的驾驶模式;
根据预设的数据可视化流程,对所述目标车辆的功耗状态数据进行处理,获得可视化数据,并在所述目标车辆端展示所述可视化数据;
以及,将所述可视化数据和/或所述功耗状态数据发送至预设终端。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述方法应用于云端,所述确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗之后,所述方法还包括:
根据所述目标车辆高压子系统的功耗,确定所述目标车辆的功耗状态数据;
其中,所述功耗状态数据用于指示所述目标车辆与高压子系统的功耗相关的车辆部件状态或整车状态,包括所述目标车辆当前的续航状态以及所述目标车辆的驾驶模式;
将所述功耗状态数据发送至所述目标车辆和/或预设终端。
8.一种新能源汽车功耗分析装置,其特征在于,所述装置包括:
获取模块,用于获取与目标车辆关联的目标运行数据;
处理模块,用于根据所述目标运行数据,确定输入特征和目标参数,并根据所述输入特征和所述目标参数,建立功耗分析模型,对所述功耗分析模型进行训练,获得收敛的目标模型;
所述处理模块,还用于确定所述目标车辆的输入参数,并将所述目标车辆的输入参数输入所述目标模型,获得所述目标车辆高压子系统的功耗。
9.一种电子设备,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权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311871043.2A CN118228373A (zh) | 2023-12-29 | 2023-12-29 | 新能源汽车功耗分析方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311871043.2A CN118228373A (zh) | 2023-12-29 | 2023-12-29 | 新能源汽车功耗分析方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118228373A true CN118228373A (zh) | 2024-06-21 |
Family
ID=91506867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311871043.2A Pending CN118228373A (zh) | 2023-12-29 | 2023-12-29 | 新能源汽车功耗分析方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118228373A (zh) |
-
2023
- 2023-12-29 CN CN202311871043.2A patent/CN118228373A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11644515B2 (en) | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store | |
EP3904894B1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
EP3780248B1 (en) | Degradation state determination device and degradation state determination method | |
JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN111823952B (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
CN113586239B (zh) | 发动机故障诊断方法、装置、控制器和存储介质 | |
EP4005862A1 (en) | Method and system for detecting faults in a charging infrastructure system for electric vehicles | |
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 | |
CN113728242A (zh) | 对可充电电池中的析锂进行表征 | |
US20210326677A1 (en) | Determination device, determination program, determination method and method of generating neural network model | |
CN112041819B (zh) | 用于监测和识别电驱动系统中的传感器故障的方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
CN115327380A (zh) | 电池故障诊断方法、存储介质和电子设备 | |
CN118228373A (zh) | 新能源汽车功耗分析方法、装置、电子设备及存储介质 | |
EP3343389B1 (en) | Method for the calculation of an open-circuit voltage of an energy accumulator, and associated graphic representation device | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 | |
CN113567864A (zh) | 电池荷电状态的确定方法、装置、计算机设备及存储介质 | |
CN110751747A (zh) | 一种数据处理方法及装置 | |
US11890963B2 (en) | Method and system for method for estimating a present energy consumption of an electrically propelled vehicle | |
CN112689770A (zh) | 用于估计电池的健康状态的方法和系统 | |
CN117970128B (zh) | 一种实时反馈控制的电池综合实验调试方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |