KR20230107471A - 전기 상용차 전력 소비 예측 방법, 장치 및 컴퓨터 장치 - Google Patents

전기 상용차 전력 소비 예측 방법, 장치 및 컴퓨터 장치 Download PDF

Info

Publication number
KR20230107471A
KR20230107471A KR1020227027806A KR20227027806A KR20230107471A KR 20230107471 A KR20230107471 A KR 20230107471A KR 1020227027806 A KR1020227027806 A KR 1020227027806A KR 20227027806 A KR20227027806 A KR 20227027806A KR 20230107471 A KR20230107471 A KR 20230107471A
Authority
KR
South Korea
Prior art keywords
data
power consumption
historical
commercial vehicle
electric commercial
Prior art date
Application number
KR1020227027806A
Other languages
English (en)
Inventor
판팅 뚜안
웨이 자오
Original Assignee
컨템포러리 엠퍼렉스 테크놀로지 씨오., 리미티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from CN202210016220.8A external-priority patent/CN115808922B/zh
Application filed by 컨템포러리 엠퍼렉스 테크놀로지 씨오., 리미티드 filed Critical 컨템포러리 엠퍼렉스 테크놀로지 씨오., 리미티드
Publication of KR20230107471A publication Critical patent/KR20230107471A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G07C5/04—Registering or indicating driving, working, idle, or waiting time only using counting means or digital clocks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • 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]
    • B60L58/13—Maintaining the SoC within a determined range
    • 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
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q50/30—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B60L2240/622—Vehicle position by satellite navigation
    • 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
    • B60L2260/46—Control modes by self learning
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Transportation (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)

Abstract

본 출원은 전기 상용차 전력 소비 예측 방법, 장치, 컴퓨터 장치, 컴퓨터 판독 가능 저장매체 및 컴퓨터 프로그램 제품에 관한 것이다. 이 방법은 전기 상용차의 방전 지속 시간 데이터를 획득하는 단계; 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계; 를 포함한다.

Description

전기 상용차 전력 소비 예측 방법, 장치 및 컴퓨터 장치
본 출원은 전기 모터 제어 기술분야에 관한 것으로, 특히 전기 상용차 전력 소비 예측 방법, 장치, 컴퓨터 장치, 컴퓨터 판독 가능 저장매체 및 컴퓨터 프로그램 제품에 관한 것이다.
에너지 및 환경 문제의 심화와 차량 전지 기술의 발전으로 전기 상용차가 널리 보급되고 있다. 전기 상용차의 전력 소비 수준은 전기 상용차의 전반적인 성능 수준을 직접적으로 반영하며, 전기 상용차의 주행거리, 품질보증 평가, 경제성 등 주요 지표에 영향을 미치므로 전기 상용차의 전력 소비에 대한 예측이 필요하다.
일부 경우에서 전기 상용차 전력 소비 예측 방법은 NEDC(New European Driving Cycle, 새로운 유럽 주행 사이클) 시뮬레이션 차량 운행 조건과 같은 고정 운행 조건에서 차량 동역학 모델을 기반으로 차량 수풍 면적, 질량 및 구름 저항 계수 등 차량 특성 파라미터를 참조하여 차량의 전력 소비를 예측한다. 차량의 실제 적용 과정에서 상술한 차량 특성 파라미터를 정확하게 획득하기 어렵기 때문에 기존의 전기 상용차 전력 소비 예측 방법은 실험실 시뮬레이션 환경에서 시뮬레이션된 운행 조건에 제한되고 예측 결과의 정확도가 낮은 단점이 있다.
본 출원에 따른 다양한 실시예는 전기 상용차의 전력 소비에 대한 예측 결과의 정확도를 향상시키는 전기 상용차 전력 소비 예측 방법, 장치, 컴퓨터 장치, 컴퓨터 판독 가능 저장매체 및 컴퓨터 프로그램 제품을 제공하고자 한다.
전기 상용차의 방전 지속 시간 데이터를 획득하는 단계; 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 포함하는 전기 상용차 전력 소비 예측 방법.
상기 전기 상용차 전력 소비 예측 방법은 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전력 소비 예측 데이터를 획득하는 데, 전기 상용차의 주행 경로가 상대적으로 고정되어 있기 때문에 주행 경로에 대응하는 주행 위치 특성 데이터는 어느 정도로 전기 상용차의 실제 운전 환경을 반영할 수 있어 전력 소비 예측 데이터의 정확도를 높이기에 유리하다.
일부 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이전에, 전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 단계;를 더 포함한다.
상기 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이전에, 전기 상용차의 이력 주행 데이터를 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 데, 이는 전기 상용차 전력 소비 예측 방법의 과학성을 높이기에 유리하다.
일부 실시예에 있어서, 전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 단계는, 전기 상용차의 이력 충방전 데이터와 이력 주행 위치 특성 데이터를 포함한 이력 주행 데이터 및 전지 정격 용량을 획득하는 단계; 이력 충방전 데이터 및 전지 정격 용량에 기반하여 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출하는 단계; 이력 단위 시간당 전력 소비 데이터 및 이력 주행 위치 특성 데이터에 기반하여 이력 전력 소비 데이터를 획득하는 단계; 및 이력 전력 소비 데이터 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 단계;를 포함한다.
상기 실시예에 있어서, 모델 훈련 과정에서 먼저 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출한 후 이력 단위 시간당 전력 소비 데이터 및 이력 주행 위치 특성 데이터를 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 데, 이로써 단위 시간당 전력 소비와 주행 위치 특성의 관계를 정확하게 특정할 수 있어, 전력 소비 예측 모델과 실제 운행 조건의 매칭도를 높이기에 유리하고, 나아가 모델의 예측 정밀도를 향상시킨다.
일부 실시예에 있어서, 전기 상용차의 이력 주행 데이터를 획득하는 단계는, 전기 상용차의 이력 로(raw) 주행 데이터를 획득하는 단계; 및 이력 로(raw) 주행 데이터를 전처리하여 전기 상용차의 이력 주행 데이터를 획득하는 단계;를 포함한다.
상기 실시예에 있어서, 전기 상용차의 이력 로(raw) 주행 데이터를 획득한 후에 이를 전처리해야 이력 주행 데이터를 획득할 수 있는 데, 이로써 반복되거나 불완전한 이력 주행 데이터의 발생을 피하여 모델의 예측 정확도 및 예측 효율을 효과적으로 향상시킬 수 있다.
일부 실시예에 있어서, 이력 충방전 데이터 및 전지 정격 용량에 기반하여 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출하는 단계는, 설정된 시간을 주기로 하고, 이력 충방전 데이터에 기반하여 전기 상용차의 이력 충전 데이터 및 이력 방전 데이터를 획득하는 단계; 이력 충전 데이터 및 전지 정격 용량에 기반하여, 설정된 시간 내의 전기 상용차의 전지 건강 상태를 획득하는 단계; 및 전지 건강 상태, 전지 정격 용량, 및 이력 충전 데이터에 대응하는 이력 방전 데이터에 기반하여 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계;를 포함한다.
상기 실시예에 있어서, 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 계산하는 과정에서 차량의 실시간 전지 건강 상태를 고려하는 데, 이로써 이력 단위 시간당 전력 소비 데이터의 정확도를 높이기에 유리하고, 나아가 모델의 예측 정밀도를 향상시킨다.
일부 실시예에 있어서, 기설정 시간에서, 하나의 충전 기간에 대응하는 서브 방전 기간은 복수이며, 전지 건강 상태, 전지 정격 용량, 및 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계는, 전지 건강 상태, 전지 정격 용량, 및 각 서브 방전 기간의 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계;를 포함한다.
상기 실시예에 있어서, 이력 단위 시간당 전력 소비 데이터에 대한 분석을 수행할 때, 설정된 시간 내 하나의 충전 기간에 대응하는 서브 방전 기간이 복수인 경우, 각 서브 방전 기간의 이력 방전 데이터를 연계하여 최종 이력 단위 시간당 전력 소비 데이터에 대한 분석을 이루고, 이력 단위 시간당 전력 소비 데이터에 대한 분석의 신뢰성을 효과적으로 향상시킬 수 있다.
일부 실시예에 있어서, 설정된 시간에서 충전 기간이 복수로 존재하는 경우, 전지 건강 상태, 전지 정격 용량, 및 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계는, 전지 건강 상태, 전지 정격 용량, 각 충전 기간의 이력 충전 데이터 및 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계를 포함한다.
상기 실시예에 있어서, 이력 단위 시간당 전력 소비 데이터에 대한 분석을 수행할 때, 설정된 시간에서 충전 기간이 복수로 존재하는 경우, 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터를 연계하여 각 방전 기간의 전력 소비를 각각 계산하고, 최종적으로 이력 단위 시간당 전력 소비 데이터에 대한 분석을 이루고, 이력 단위 시간당 전력 소비 데이터에 대한 분석의 신뢰성을 더욱 향상시킬 수 있다.
일부 실시예에 있어서, 전지 건강 상태, 전지 정격 용량, 각 충전 기간의 이력 충전 데이터, 및 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계는, 전지 건강 상태, 전지 정격 용량, 각 충전 기간의 이력 충전 데이터 및 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 각 충전 기간에 대응하는 방전 기간의 전력 소비를 획득하는 단계; 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량 미만이면, 최대 전력 소비값에 따라 설정된 시간 내의 이력 단위 시간당 전력 소비 데이터를 계산하는 단계; 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량 이상이고 그리고 전지 정격 용량의 기설정 배 미만이면, 각 충전 기간에 대응하는 방전 기간의 전력 소비의 평균값에 따라, 설정된 시간 내의 이력 단위 시간당 전력 소비 데이터를 계산하는 단계; 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량의 기설정 배 이상이면, 해당 설정된 시간 내의 이력 충방전 데이터를 폐기하는 단계;를 포함한다.
상기 실시예에 있어서, 각 충전 기간에 대응하는 방전 기간의 전력 소비에 따라 구분하여 처리하고, 위치된 구간을 연계하여 이력 단위 시간당 전력 소비 데이터에 대한 분석을 상이하게 수행하는 데, 비 정상적인 경우, 해당 주기 내의 이력 충방전 데이터를 폐기할 수 있어 이력 단위 시간당 전력 소비 데이터에 대한 분석의 정확도를 향상시킬 수 있다.
일부 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이후에, 이력 전력 소비 데이터를 트레이닝 세트 및 테스트 세트로 구분하고, 트레이닝 세트 및 전력 소비 예측 모델에 기반하여 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득하는 단계; 및 테스트 세트 및 테스트 세트에 대응하는 전력 소비 예측 데이터에 따라 전력 소비 예측 데이터를 보정하여 보정된 전력 소비 예측 데이터를 획득하는 단계;를 더 포함한다.
상기 실시예에 있어서, 전력 소비 예측 데이터를 획득한 후, 트레이닝 세트 및 테스트 세트에 기반하여 전력 소비 예측 결과를 보정하는 데, 이로써 전기 상용차 전력 소비 예측 방법의 예측 정밀도를 더욱 향상시킬 수 있다.
일부 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하는 단계는, 방전 지속 시간 데이터를 보간하여 보간된 방전 지속 시간 데이터를 획득하고, 보간된 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하는 단계;를 포함한다.
상기 실시예에 있어서, 방전 지속 시간 데이터를 전력 소비 예측 모델에 대입하기 전에 먼저 보간 처리를 수행하는 데, 이로써 모델에 입력될 방전 지속 시간 데이터의 연속성을 확보하고, 나아가 전력 소비 예측 데이터의 연속성을 확보할 수 있으므로, 전기 상용차 전력 소비 예측 방법의 유연성을 높이기에 유리하다.
일부 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계는, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 초기 전력 소비 예측 데이터를 획득하는 단계; 및 초기 전력 소비 예측 데이터를 기설정 시간대로 그룹화하고, 각 그룹의 기설정 백분위수를 해당 기설정 시간 내의 전력 소비 예측 데이터로 사용하는 단계;를 포함하고, 기설정 백분위수는 50% 초과이다.
상기 실시예에 있어서, 전력 소비 예측 모델에 기반하여 예측된 초기 전력 소비 예측 데이터를 그룹화하고, 각 그룹에서 보다 큰 기설정 백분위수를 전력 소비 예측 데이터로 사용하는 데, 이로써 노이즈에 의한 간섭을 제거하고 전력 소비 예측 데이터의 정확도를 향상시킬 수 있다.
일부 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이후에, 전기 상용차의 전지 건강 상태 추정값을 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 단계;를 더 포함한다.
상기 실시예에 있어서, 전기 상용차 전력 소비 예측 데이터를 획득한 후, 전기 상용차의 전지 건강 상태 추정값도 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 데, 이로써 사용자가 이상을 적시에 발견하여 대처를 취할 수 있도록 하므로 전기 상용차의 고장 확률을 감소시키고 차량의 사용 안전성을 향상시키기에 유리하다.
본 발명의 다른 일 실시예에 다른 전기 상용차 전력 소비 예측 장치는 전기 상용차의 방전 지속 시간 데이터를 획득하는 방전 지속 시간 획득 모듈; 전기 상용차의 주행 위치 특성 데이터를 획득하는 주행 위치 특성 획득 모듈; 및 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 전력 소비 예측 모듈;을 포함하는 것이다.
상기 전기 상용차 전력 소비 예측 장치는 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전력 소비 예측 데이터를 획득하는 데, 전기 상용차의 주행 경로가 상대적으로 고정되어 있기 때문에 주행 경로에 대응하는 주행 위치 특성 데이터는 어느 정도로 전기 상용차의 실제 운전 환경을 반영할 수 있어 전력 소비 예측 데이터의 정확도를 높이기에 유리하다.
일부 실시예에 있어서, 전기 상용차 전력 소비 예측 장치는 전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 전력 소비 예측 모델 훈련 모듈;을 더 포함한다.
상기 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하기 이전에, 전기 상용차의 이력 주행 데이터를 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 데, 이로써 전기 상용차 전력 소비 예측 방법의 과학성을 높이기에 유리하다.
일부 실시예에 있어서, 전력 소비 예측 모델 훈련 모듈은 전기 상용차의 이력 충방전 데이터와 이력 주행 위치 특성 데이터를 포함한 이력 주행 데이터 및 전지 정격 용량을 획득하는 데이터 획득 유닛; 이력 충방전 데이터 및 전지 정격 용량에 기반하여 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출하는 전력 소비 데이터 계산 유닛; 이력 단위 시간당 전력 소비 데이터 및 이력 주행 위치 특성 데이터에 기반하여 이력 전력 소비 데이터를 획득하는 이력 전력 소비 데이터 생성 유닛; 및 이력 전력 소비 데이터 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 전력 소비 예측 모델 훈련 유닛;을 포함한다.
상기 실시예에 있어서, 모델 훈련 과정에서 먼저 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출한 후 이력 단위 시간당 전력 소비 데이터 및 이력 주행 위치 특성 데이터를 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 데, 이로써 단위 시간당 전력 소비와 주행 위치 특성의 관계를 정확하게 특정할 수 있어, 전력 소비 예측 모델과 실제 운행 조건의 매칭도를 높이기에 유리하고, 나아가 모델의 예측 정밀도를 향상시킨다.
일부 실시예에 있어서, 전기 상용차 전력 소비 예측 장치는, 이력 전력 소비 데이터를 트레이닝 세트 및 테스트 세트로 구분하고, 트레이닝 세트 및 전력 소비 예측 모델에 기반하여 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득하고, 테스트 세트 및 테스트 세트에 대응하는 전력 소비 예측 데이터에 따라 전력 소비 예측 데이터를 보정하여 보정된 전력 소비 예측 데이터를 획득하는 보정 모듈;을 더 포함한다.
상기 실시예에 있어서, 전력 소비 예측 데이터를 획득한 후, 트레이닝 세트 및 테스트 세트에 기반하여 전력 소비 예측 결과를 보정하는 데, 이로써 전기 상용차 전력 소비 예측 방법의 예측 정밀도를 더욱 향상시킬 수 있다.
일부 실시예에 있어서, 전기 상용차 전력 소비 예측 장치는 전기 상용차의 전지 건강 상태 추정값을 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 고장 위험 결정 모듈;을 더 포함한다.
상기 실시예에 있어서, 전기 상용차 전력 소비 예측 데이터를 획득한 후, 전기 상용차의 전지 건강 상태 추정값도 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 데, 이로써 사용자가 이상을 적시에 발견하여 대처를 취할 수 있도록 하므로 전기 상용차의 고장 확률을 감소시키고 차량의 사용 안전성을 향상시키기에 유리하다.
본 발명의 다른 일 실시예에 따른 컴퓨터 장치는 메모리; 및 하나 또는 복수의 프로세서;를 포함하고, 상기 메모리에는 상기 하나 또는 복수의 프로세서에 의해 실행되면, 하나 또는 복수의 프로세서가 전기 상용차의 방전 지속 시간 데이터를 획득하는 단계; 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 수행하도록 구성된 컴퓨터 판독 가능 명령어가 저장되어 있는 것이다.
본 발명의 다른 일 실시예에 따른 하나 또 복수의 비휘발성 컴퓨터 판독 가능 저장매체는 하나 또는 복수의 프로세서에 의해 실행되면, 하나 또는 복수의 프로세서가 전기 상용차의 방전 지속 시간 데이터를 획득하는 단계; 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 수행하도록 구성된 컴퓨터 판독 가능 명령어가 저장되어 있는 것이다.
본 발명의 다른 일 실시예에 따른 컴퓨터 프로그램 제품은 하나 또는 복수의 프로세서에 의해 실행되면, 하나 또는 복수의 프로세서가 전기 상용차의 방전 지속 시간 데이터를 획득하는 단계; 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 수행하도록 구성된 컴퓨터 프로그램을 포함하는 것이다.
상술한 컴퓨터 장치, 컴퓨터 판독 가능 저장매체 및 컴퓨터 프로그램 제품은 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전력 소비 예측 데이터를 획득하는 데, 전기 상용차의 주행 경로가 상대적으로 고정되어 있기 때문에 주행 경로에 대응하는 주행 위치 특성 데이터는 어느 정도로 전기 상용차의 실제 운전 환경을 반영할 수 있어 전력 소비 예측 데이터의 정확도를 높이기에 유리하다.
이하에서, 본 출원의 실시예에 따른 기술적 해결수단을 더욱 명확하게 설명하기 위해 실시예를 설명함에 있어서 참조해야 할 첨부 도면을 간략히 소개하기로 하고, 다만 하기 첨부 도면은 본 출원의 일부 실시예에 불과하며, 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자라면 창의적인 노력 없이도 이러한 도면들로부터 다른 도면을 도출할 수 있음은 자명한 것이다.
도 1은 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 방법의 흐름 개략도이고,
도 2는 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 방법의 흐름 개략도이며,
도 3은 본 출원의 일부 실시예에 따른 전력 소비 예측 모델의 훈련의 흐름 개략도이고,
도 4는 본 출원의 일부 실시예에 따른 이력 단위 시간당 전력 소비 데이터에 대한 분석의 흐름 개략도이며,
도 5는 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 방법의 흐름 개략도이고,
도 6은 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 방법의 흐름 개략도이며,
도 7은 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 방법의 흐름 개략도이고,
도 8은 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 방법의 흐름도이며,
도 9는 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 장치의 구조 개략도이고,
도 10은 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 장치의 구조 개략도이며,
도 11은 본 출원의 일부 실시예에 따른 전력 소비 예측 모델의 구조 개략도이고,
도 12는 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 장치의 구조 개략도이며,
도 13은 본 출원의 일부 실시예에 따른 전력 소비 예측 모듈의 구조 개략도이고,
도 14는 본 출원의 일부 실시예에 따른 전기 상용차 전력 소비 예측 장치의 구조 개략도이며;
도 15는 본 출원의 일부 실시예에 따른 컴퓨터 장치 내부 구조 개략도이다.
이하에서, 본 출원의 기술적 해결방법 및 이점을 보다 명확하게 하기 위하여, 첨부 도면 및 실시예를 참조하여 본 출원을 더욱 상세하게 설명하기로 한다. 여기서 설명된 특정 실시예는 본 출원을 설명하기 위한 것일 뿐이며, 본 출원을 한정하지 않는다는 것을 이해해야 한다.
본 문서에서 사용된 모든 기술적 및 과학적 용어는, 달리 정의되지 않는 한, 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자가 일반적으로 이해하는 의미를 가진다. 본 문서에서 사용된 용어는 단지 구체적인 실시예를 설명하기 위한 것이며, 본 출원을 한정하려는 의도가 아니다. 본 출원의 명세서, 청구범위 및 상기 도면의 간단한 설명에서 "포함하다" 및 "가지다"라는 용어 및 이들의 임의의 변형은 비배타적인 포함을 포괄하려는 의도이다.
본 출원의 실시예를 설명함에 있어서, "제1", "제2" 등의 기술적 용어는 단지 서로 다른 대상을 구별하기 위해 사용된 것으로, 상대적인 중요성을 나타내거나 암시하거나 또는 언급된 기술 특징의 수, 특정 순서 또는 주종관계를 암시적으로 나타내는 것으로 이해되어서는 안 된다. 본 출원의 실시예를 설명함에 있어서, "복수"는 달리 명시적으로 그리고 구체적으로 한정되지 않는 한 2개 이상을 의미한다. 또한, 본 명세서에서 사용된 "및/또는"이라는 용어는 관련된 나열된 항목의 임의 또는 모든 조합을 포함한다.
본 출원에 따른 전기 상용차 전력 소비 예측 방법, 장치, 컴퓨터 장치, 컴퓨터 판독 가능 저장매체 및 컴퓨터 프로그램 제품은 전기 공공 버스, 전기 버스, 지하철 전기 차량, 간선 전기 차량 및 경전철 전기 차량 등과 같은 다양한 전기 상용차에 적용될 수 있지만 이에 제한되지 않는다.
제1 측면에 있어서, 본 출원에 따른 전기 상용차 전력 소비 예측 방법은 단말에 적용될 수도 있고, 서버에 적용될 수도 있으며, 또한 단말과 서버 간의 인터랙션을 통해 구현될 수도 있다. 이해의 편의를 위해, 단말에 적용된 경우를 예로 들어 이 방법을 설명한다. 일부 실시예에 있어서, 도 1에 도시된 바와 같이, 이 방법은 단계(S102) 내지 단계(S106)를 포함한다.
단계(S102): 전기 상용차의 방전 지속 시간 데이터를 획득한다.
여기서, 방전 지속 시간 데이터는 설정된 시간을 계산 주기로 하여 전기 상용차의 각 계산 주기 내의 방전 지속 시간으로 구성된 데이터 세트를 의미한다. 이 설정된 시간은 반나절, 하루 또는 이틀이 될 수 있다. 구체적으로, 방전 지속 시간 데이터는 전기 상용차의 충방전 데이터에서 추출될 수 있다. 충방전 데이터는 충방전 시작 시각, 종료 시각, 충전 용량 및 각 사각에 대응하는 SOC(State of Charge, 전지 잔량의 가용 비율) 등을 포함한다. 방전 지속 시간은 방전 시작 시각과 방전 종료 시각 사이의 시간차이다.
더욱이, 단말은 전기 상용차의 충방전 데이터를 획득하고, 충방전 데이터에 대한 데이터 전처리를 수행하여 방전 지속 시간 데이터를 획득할 수 있다. 예를 들어, 단말은 충방전 데이터에서 중복된 데이터 열 및 데이터 정보가 불완전한 데이터 열을 제거하고, 필드 정보에 따라 방전 기간에서 전기 상용차의 방전 데이터를 추출한 후, 방전 데이터에서 방전 시작 시각 및 방전 종료 시각에 따라 방전 지속 시간을 산출할 수 있다. 또한 단말은 산출된 방전 지속 시간의 이상값을 통계학적 규칙에 따라 제거하여 이상 데이터에 의한 영향을 피하고 전력 소비 예측의 정밀도를 더욱 향상시킬 수 있다. 예를 들어, 기설정 기간 내의 복수 계산 사이클에서 <-1*sigma 및 >+3*sigma의 방전 지속 시간 데이터를 제거할 수 있다.
설정된 시간에서 서브 방전 기간이 복수이면, 각 서브 방전 기간의 서브 방전 지속 시간을 가산하여 설정된 시간 내의 방전 지속 시간을 산출한다는 점에 유의해야 한다.
단계(S104): 전기 상용차의 주행 위치 특성 데이터를 획득한다.
여기서, 단계(S104)는 단계(S102) 이전, 이후, 또는 단계(S102)와 동시에 수행할 수 있다. 더욱이, 주행 위치 특성 데이터는 서로 다른 시각의 전기 상용차의 주행 위치, 및 이 주행 위치에 대응하는 날씨 데이터와 지형 데이터 등을 포함한다. 이 날씨 데이터는 기온, 습도, 기압 및 풍속 등과 같은 정보를 포함하고, 이 지형 데이터는 경사도, 레일 저항 및 공기 저항 등과 같은 정보를 포함한다.
구체적으로, 전기 상용차의 주행 경로가 상대적으로 고정되어 있기 때문에, 단말은 과거 동기간의 주행 위치 특성 데이터를 획득할 수도 있고， 먼저 예측 대상 기간의 전기 상용차의 주행 경로를 획득한 후, 주행 경로 상의 차량 주행 위치 정보에 따라 주행 위치에 대응하는 날씨 데이터 및 지형 데이터와 연계하여 주행 경로에 대응하는 주행 위치 특성 데이터를 획득할 수도 있다. 예를 들어, 주행 경로에 대응하는 과거 동기간의 날씨 데이터，및 주행 경로에 대응하는 지형 데이터이다.
더욱이, 단말이 전기 상용차의 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 획득하는 구체적인 방식은 능동적으로 획득하는 깃이나 수동적으로 수신하는 것일 수 있다.
단계(S106): 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득한다.
여기서, 전력 소비 예측 모델은 머신 러닝 알고리즘에 기반하여 획득된 것이다. 이 머신 러닝 알고리즘은 신경망 알고리즘 또는 결정 트리 알고리즘일 수 있다. 일 실시예에 있어서, 이 머신 러닝 알고리즘은 GBRT(Gradient Boost Regression Tree, 그래디언트 부스티드 회귀 트리) 알고리즘이다.
구체적으로, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하면, 전기 상용차의 전력 소비 예측 데이터를 획득할 수 있다.
더욱이, 전기 상용차의 주행 경로가 상대적으로 고정되고, 사용 빈도가 현재의 거래량과 운행 차량수에 의한 영향을 받기 쉬운 점을 감안할 때, 따라서 과거 동기간의 환경 온도 데이터 및 최근 방전 지속 시간 데이터를 모델 독립변수로 하고 전력 소비 예측 모델에 대입하여 전력 소비 예측의 정밀도를 향상시킬 수 있다. 예를 들어, 미래 3개월 동안의 전력 소비를 예측해야 하는 경우, 최근 3개월 동안의 방전 지속 시간과 과거 동기간의 환경 온도를 입력항으로 하여 전력 소비 예측 모델에 대입한다.
또한, 단말은 전력 소비 예측 데이터를 획득한 후 이 전력 소비 예측 데이터를 출력할 수도 있다. 이 전력 소비 예측 데이터의 출력 대상은 저장 장치, 표시 장치 또는 통신 장치일 수 있다. 또한, 단말은 통신 장치를 통해 전력 소비 예측 데이터를 다른 단말로 출력할 수도 있다.
상기 전기 상용차 전력 소비 예측 방법은 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전력 소비 예측 데이터를 획득하는 데, 한편으로, 전기 상용차의 주행 경로가 상대적으로 고정되어 있기 때문에 주행 경로에 대응하는 주행 위치 특성 데이터는 전기 상용차의 실제 운전 환경을 어느 정도로 반영할 수 있어 전력 소비 예측 데이터의 정확도를 향상시키기에 유리하고, 다른 한편으로, 머신 러닝 알고리즘을 기반으로 획득된 전력 소비 예측 모델을 이용하여 전력 소비 예측을 수행하는 데, 이로써 번거로운 수학적 모델링을 생략하면서 정밀도를 확보하고 작업 효율을 향상시킬 수 있다.
머신 러닝 알고리즘에 따라 획득된 전력 소비 예측 모델의 특성상, 설정된 기간을 주기로 하는 연속적인 전력 소비 예측 데이터를 획득하기 위해, 방전 지속 시간 데이터를 전력 소비 예측 모델에 대입하기 전에, 데이터를 보간할 수 있는 데 이로써 모델에 입력한 방전 지속 시간 데이터는 설정된 기간을 주기로 하는 연속 데이터임을 확보하고 나아가 전력 소비 예측 데이터의 연속성을 확보할 수 있으며, 또한 비연속적인 초기 전력 소비 예측 데이터를 획득한 후에 초기 전력 소비 예측 데이터를 보간하여, 설정된 기간을 주기로 하는 연속적인 전기 상용차의 전력 소비 예측 데이터를 획득할 수 있다는 점에 유의해야 한다.
일부 실시예에 있어서, 도 2에 도시된 바와 같이, 단계(S106) 이전에, 이 방법은 전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 단계(S105);를 더 포함한다. 여기서, 단계(S105)는 단계(S102)와 단계(S104) 이전, 이후 또는 상기 단계와 동시에 수행할 수 있다.
여기서, 머신 러닝 알고리즘에 대한 구체적인 사항은 상술한 설명과 동일하며, 상세한 설명을 생략하기로 한다. 이력 주행 데이터는 과거 운행 과정에서 전기 상용차의 실제 데이터를 의미한다. 구체적으로, 단말은 전기 상용차의 이력 주행 데이터 및 전지 정격 용량에 기반하여 모델 훈련을 위한 실제 전력 소비 데이터를 획득하고, 기설정 모델 손실 함수를 이용하여 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득한다.
더욱이, 모델 손실 함수는 구체적으로 평균 제곱 오차 함수, 절대 손실 함수 또는 분위수 손실 함수 등일 수 있다. 전력 소비 예측 모델을 GBRT 모델로 들면, 모델 손실 함수의 특정 공식은 다음과 같다.
Figure pct00001
여기서,
Figure pct00002
는 실제 값이고,
Figure pct00003
는 예측 값이다. 상기 모델 손실 함수를 기반으로 예측값과 실제값의 차이가 최소가 되도록 하는 손실 함수에 따라 레지듀얼 훈련을 수행하면 GBRT 회귀 트리를 피팅하고 나아가 전력 소비 예측을 위한 GBRT 모델을 획득할 수 있다.
상기 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이전에, 전기 상용차의 이력 주행 데이터를 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 데, 이로써 전기 상용차 전력 소비 예측 방법의 과학성을 높이기에 유리하다.
일부 실시예에 있어서, 도 3에 도시된 바와 같이, 단계(S105)은 단계(S302) 내지 단계(S308)를 포함한다.
단계(S302): 전기 상용차의 이력 주행 데이터 및 전지 정격 용량을 획득한다.
여기서, 이력 주행 데이터는 이력 충방전 데이터와 이력 주행 위치 특성 데이터를 포함한다. 더욱이, 이력 충방전 데이터는 충방전 시작 시각, 종료 시각, 충전 용량 및 각 사각에 대응하는 SOC 등을 포함한다. 전지 정격 용량은 정격 조건에서 전지의 용량을 의미한다. 이력 주행 위치 특성 데이터는 이력 충방전 데이터가 위치된 시점에 대응하는 주행 위치 특성 데이터이다.
단계(S304): 이력 충방전 데이터 및 전지 정격 용량에 기반하여 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출한다.
여기서, 전기 상용차의 이력 단위 시간당 전력 소비 데이터는 과거 일정한 기간 동안에서, 설정된 시간을 주기로 하는 전기 상용차의 단위 시간당 전력 소비값으로 구성된 데이터 세트를 의미한다. 구체적으로, 단말은 이력 충방전 데이터에 기반하여, 설정된 시간을 계산 주기로 하여 각 주기 내의 전기 상용차의 이력 전력 소비 및 방전 지속 시간을 획득하고, 나아가 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득할 수 있다.
더욱이, 단말이 이력 충방전 데이터 및 전지 정격 용량에 기반하여 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 방식은 유일하지 않다. 일 실시예에 있어서, 단말은 이력 충방전 데이터에 기반하여 방전 시작 및 종료 시각의 SOC차이값에 전지 정격 용량을 곱하고, 설정된 시간 내의 전기 상용차의 이력 방전 용량을 획득한 후, 대응하는 방전 지속 시간과 연계하여 전기 상용차의 기설정 기간의 이력 단위 시간당 전력 소비를 획득한다. 여기서, 기설정 기간은 1개월, 2개월 또는 3개월일 수 있으며, 전력 소비 예측의 수요에 따라 구체적으로 결정될 수 있다.
단계(S306): 이력 단위 시간당 전력 소비 데이터 및 주행 위치 특성 데이터에 따라 이력 전력 소비 데이터를 획득한다.
여기서, 이력 전력 소비 데이터는 이력 단위 시간당 전력 소비 데이터와 이력 주행 위치 특성 데이터를 포함한 이력 데이터를 의미한다. 구체적으로, 단계(S404)에서 획득된 기설정 기간 내의 복수 계산 주기의 이력 단위 시간당 전력 소비 데이터를, 계산 주기가 위치한 시점에 따라 동일 전기 상용차의 이력 주행 위치 특성 데이터와 병합하여, 시간, 이력 단위 시간당 전력 소비 데이터 및 이력 주행 위치 특성 데이터를 포함한 이력 전력 소비 데이터를 형성할 수 있다.
단계(S308): 이력 전력 소비 데이터 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득한다.
구체적으로, 이력 전력 소비 데이터를 기반으로, 기설정 모델 손실 함수 및 머신 러닝 알고리즘을 이용하여 모델을 훈련하면 전력 소비 예측 모델을 획득할 수 있다.
상기 실시예에 있어서, 모델 훈련 과정에서 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출한 후, 이력 단위 시간당 전력 소비 데이터 및 이력 주행 위치 특성 데이터를 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 데, 이로써 단위 시간당 전력 소비와 주행 위치 특성의 관계를 정확하게 특정할 수 있어 전력 소비 예측 모델과 실제 운행 조건의 매칭도를 높이고, 나아가 모델의 예측 정밀도를 향상시키기에 유리하다.
일부 실시예에 있어서, 전기 상용차의 이력 주행 데이터를 획득하는 단계는, 전기 상용차의 이력 로(raw) 주행 데이터를 획득하는 단계; 및 이력 로(raw) 주행 데이터를 전처리하여 전기 상용차의 이력 주행 데이터를 획득하는 단계;를 포함한다.
구체적으로, 단말은 전기 상용차의 이력 로(raw) 주행 데이터를 획득하고 이력 로(raw) 주행 데이터를 기반으로 데이터를 전처리하여 해당 전기 상용차의 이력 주행 데이터를 획득할 수 있다. 여기서, 이력 로(raw) 주행 데이터는 이력 충방전 데이터, 이력 차량 위치 정보 데이터，및 각 차량 위치에 대응하는 날씨 데이터 및 지형 데이터 등을 포함한다.
예를 들어, 단말은 이력 충방전 데이터를 전처리하여 중복된 데이터 열 및 데이터 정보가 불완전한 데이터 열을 제거하고, 필드 정보에 따라 각 방전 기간에서 전기 상용차의 방전 데이터와 각 충전 기간에 대응하는 방전 기간의 방전 데이터를 추출할 수 있다. 여기서, 데이터 정보가 불완전한 데이터 열은 날자가 빈 데이터 열, 충전 기간 또는 방전 기간 데이터가 없는 데이터 열이다.
상기 실시예에 있어서, 전기 상용차의 이력 로(raw) 주행 데이터를 획득하는 단계 이후에, 이를 전처리하여야 이력 주행 데이터를 획득할 수 있는 데, 이로써 반복되거나 정보가 불완전한 이력 주행 데이터의 발생을 피하고 모델의 예측 정확도 및 예측 효율을 효과적으로 향상시킬 수 있다.
일부 실시예에 있어서, 도4를 참조하면, 단계(S304)는 단계(S402) 내지 단계(S406)를 포함한다.
단계(S402): 설정된 시간을 계산 주기로 하고 이력 충방전 데이터에 기반하여 전기 상용차의 이력 충전 데이터 및 이력 방전 데이터를 획득한다.
여기서, 충전 데이터는 충전 시작 시각, 충전 종료 시각, 충전 용량, 및 각 사각에 대응하는 SOC 등을 포함한다. 방전 데이터는 방전 시작 시각, 방전 종료 시각, 및 각 사각에 대응하는 SOC 등을 포함한다. 이력 충전 데이터 및 이력 방전 데이터는 각각 과거 일정한 기간 동안의 실제 충전 데이터 및 실제 방전 데이터를 의미한다.
구체적으로, 단말은 이력 충방전 데이터의 정보를 데이터를 추출하고 분류하는 데, 즉 "충전"라는 필드 정보를 포함한 데이터를 충전 데이터로 분류하고, "방전 "라는 필드 정보를 포함한 데이터를 방전 데이터로 분류한다. 그 다음에, 설정된 시간을 주기로 하여 2차 분류를 하면, 복수 주기 내의 전기 상용차의 이력 충전 데이터 및 이력 방전 데이터를 획득할 수 있다.
단계(S404): 이력 충전 데이터 및 전지 정격 용량에 기반하여, 설정된 시간 내의 전기 상용차의 전지 건강 상태를 획득한다.
여기서, SOH(State of Health)라고도 하는 전지 건강 상태는, 새 전지에 비해 현재 전지가 전기 에너지를 저장하는 능력을 특정하고 현재 전지의 성능 상태를 백분율 형태로 정량적으로 기술하는 데 사용된다. 전지의 건강 상태는 온도, 전류율, 차단 전압 등과 같은 다양한 요인에 의해 영향을 받으며, 전지 수명의 시작부터 수명이 다할 때까지 동적으로 변화하고 있다. 이에 따라, 이력 단위 시간당 전력 소비 데이터의 정확도를 향상하기 위해, 단말은 이력 충전 데이터 및 전지 정격 용량을 기반으로 하여, 설정된 시간 내의 전기 상용차의 전지 건강 상태를 산출한다.
구체적으로, 전지 건강 상태에 대한 계산 공식은 다음과 같다.
Figure pct00004
식에서,
Figure pct00005
는 충전 용량이고,
Figure pct00006
는 전지 정격 용량이며,
Figure pct00007
는 충전 시작 시각과 충전 종료 시각의 SOC 차이이다.
단계(S406): 전지 건강 상태, 전지 정격 용량, 및 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득한다.
여기서, 충전 데이터에 대응하는 방전 데이터는 현재 충전 기간의 충전 종료 시각으로부터 다음 충전 기간의 충전 시작 시각까지의 방전 데이터를 의미한다.
구체적으로, 단말은 먼저 전지 건강 상태, 전지 정격 용량，및 방전 시작 시각과 방전 종료 시각 사이의 SOC 차이에 따라, 설정된 시간 내 전기 상용차의 이력 전력 소비를 획득할 수 있고， 그 후에 기설정 기간에서 복수 계산 주기의 이력 전력 소비 및 방전 지속 시간을 연계하여 기설정 기간에서 각 계산 주기의 전기 상용차의 단위 시간당 전력 소비값을 획득한다. 일정한 기간 동안에서, 복수 계산 주지의 단위 시간당 전력 소비값으로 구성된 데이터 세트는 이력 단위 시간당 전력 소비 데이터이다.
여기서, 설정된 시간 내의 전력 소비(C)에 대한 계산 공식은 다음과 같다.
Figure pct00008
식에서,
Figure pct00009
는 방전 시작 시각과 방전 종료 시각의 SOC 차이이다.
단위 시간당 전력 소비값(Cper)에 대한 계산 공식은 다음과 같다.
Figure pct00010
식에서,
Figure pct00011
는 방전 지속 시간이고, 즉 방전 시작 시각과 방전 종료 시각의 시간차이다.
상기 실시예에 있어서, 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 계산하는 과정에서 차량의 실시간 전지 건강 상태를 고려하는 데, 이로써 이력 단위 시간당 전력 소비 데이터의 정확도를 높이고, 나아가 모델의 예측 정밀도를 향상시키기에 유리하다.
일부 실시예에 있어서, 기설정 시간에서 하나의 충전 기간에 대응하는 서브 방전 기간이 복수인 경우, 전지 건강 상태, 전지 정격 용량, 및 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계(S406)는, 전지 건강 상태, 전지 정격 용량, 및 각 서브 방전 기간의 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계;를 포함한다.
구체적으로, 기설정 시간에서 하나의 충전 기간에 대응하는 서브 방전 기간이 복수이면, 각 서브 방전 기간의 방전 데이터를 연계하여 이력 단위 시간당 전력 소비 데이터를 획득한다. 전지 건강 상태, 전지 정격 용량 및 각 서브 방전 기간의 이력 방전 데이터를 연계하고, 상술한 전력 소비 계산 공식을 이용하여 각 방전 기간에 대응하는 전력 소비를 각각 산출하고, 각 방전 기간의 전력 소비를 가산하여 이들 방전 기간의 총 전력 소비 및 총 방전 지속 시간을 획득하고, 이 총 전력 소비를 총 방전 지속 시간으로 나누어 단위 시간당 전력 소비값을 획득할 수 있으며, 또한 각 방전 기간의 방전 데이터에 기반하여 각 서브 방전 기간의 서브 단위 시간당 전력 소비값을 각각 산출한고, 각 서브 단위 시간당 전력 소비값의 평균값 또는 중앙값을 충전 기간에 대응하는 방전 기간의 단위 시간당 전력 소비값으로 사용할 수 있다.
상기 실시예에 있어서, 이력 단위 시간당 전력 소비 데이터에 대한 분석을 수행할 때, 설정된 시간 내 하나의 충전 기간에 대응하는 서브 방전 기간이 복수인 경우, 각 서브 방전 기간의 이력 방전 데이터를 연계하여 최종 이력 단위 시간당 전력 소비 데이터에 대한 분석을 이루고, 이력 단위 시간당 전력 소비 데이터에 대한 분석의 신뢰성을 효과적으로 향상시킬 수 있다.
일부 실시예에 있어서, 설정된 시간에서 충전 기간이 복수로 존재하며, 단계(S406)는 전지 건강 상태, 전지 정격 용량, 각 충전 기간의 이력 충전 데이터 및 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계;를 포함한다.
구체적으로, 설정된 시간에서 충전 기간이 복수로 존재하면, 각 충전 기간의 충전 데이터，및 이 충전 기간에 대응하는 방전 기간의 방전 데이터에 따라 전지 건강 상태, 전지 정격 용량 및 상수한 전력 소비 계산 공식을 연계하여 각 충전 기간에 대응하는 방전 기간의 전력 소비를 각각 산출한다. 그 다음, 각 충전 기간에 대응하는 방전 기간의 전력 소비에 따라 구분하여 처리하고, 이력 단위 시간당 전력 소비 데이터를 획득한다.
상기 실시예에 있어서, 이력 단위 시간당 전력 소비 데이터에 대한 분석을 수행할 때, 설정된 시간에서 충전 기간이 복수로 존재하는 경우, 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터를 연계하여 각 방전 기간의 전력 소비를 각각 계산하고, 최종적으로 이력 단위 시간당 전력 소비 데이터에 대한 분석을 이루고, 이력 단위 시간당 전력 소비 데이터에 대한 분석의 신뢰성을 더욱 향상시킬 수 있다.
더욱이, 일부 실시예에 있어서, 전지 건강 상태, 전지 정격 용량, 각 충전 기간의 이력 충전 데이터 및 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계는, 전지 건강 상태, 전지 정격 용량, 각 충전 기간의 이력 충전 데이터, 및 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 각 충전 기간에 대응하는 방전 기간의 전력 소비를 획득하는 단계; 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량 미만이면, 최대 전력 소비값에 따라, 설정된 시간 내의 이력 단위 시간당 전력 소비 데이터를 계산하는 단계; 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량 이상이고 그리고 전지 정격 용량의 기설정 배 미만이면, 각 충전 기간에 대응하는 방전 기간의 전력 소비의 평균값에 따라, 설정된 시간 내의 이력 단위 시간당 전력 소비 데이터를 계산하는 단계; 및 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량의 기설정 배 이상이면, 대응하는 설정된 시간 내의 이력 충방전 데이터를 폐기하는 단계;를 포함한다.
여기서, 기설정 배수는 1.1, 1.2 또는 1.3과 같이 1보다 큰 실수이다. 각 충전 기간에 대응하는 방전 기간의 전력 소비에 대한 계산 방식은 상술한 전력 소비 계산 공식과 조합하여 구현될 수 있고, 여기서 상세한 설명을 생략하기로 한다. 또한, 단위 시간당 전력 소비값을 계산하기 전에, 통계학적 규칙에 따라 전력 소비 및 방전 지속 시간 이상값에 대한 처리도 수행할 수 있는 데, 이로써 이상 데이터에 의한 영향을 피하고 전력 소비 예측 정밀도를 더욱 향상시킬 수 있다. 예를 들어, ±3*sigma 또는 다른 규칙을 이용하여 이력 전력 소비의 아웃라이어(outlier)를 제거할 수 있고, ±1*sigma 또는 다른 규칙을 이용하여 이력 전력 소비에 대응하는 단위 시간당 전력 소비값의 아웃라이어(outlier)를 제거할 수 있으며, ＜-1*sigma 및 ＞+3*sigma의 방전 지속 시간 데이터를 제거할 수 있다.
상기 실시예에 있어서, 각 충전 기간에 대응하는 방전 기간의 전력 소비에 따라 구분하여 처리하고, 위치된 구간에 따라 이력 단위 시간당 전력 소비 데이터에 대한 분석을 상이하게 수행하는 데, 비 정상적인 경우, 해당 주기 내의 이력 충방전 데이터를 폐기할 수 있어 이력 단위 시간당 전력 소비 데이터에 대한 분석의 정확도를 향상시킬 수 있다.
도 5를 참조하면, 일부 실시예에 있어서, 단계(S106) 이후에, 이력 전력 소비 데이터를 트레이닝 세트 및 테스트 세트로 구분하고, 트레이닝 세트 및 전력 소비 예측 모델에 기반하여 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득하고, 테스트 세트 및 테스트 세트에 대응하는 전력 소비 예측 데이터에 따라 전력 소비 예측 데이터를 보정하여 보정된 전력 소비 예측 데이터를 획득하는 단계(S107);를 더 포함한다. 여기서, 단계(S107)는 단계(S108) 이전에 수행한다.
구체적으로, 기설정 비율에 따라 이력 전력 소비 데이터를 트레이닝 세트 및 테스트 세트로 구분하고, 트레이닝 세트를 전력 소비 예측 모델에 대입하여 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득할 수 있다. 그 다음, 테스트 세트의 실제 전력 소비 데이터를 해당 전력 소비 예측 데이터와 비교하여 모델 예측 오차 시퀀스를 결정한 후, 이 오차 시퀀스에 따라 전력 소비 예측 모델에 대한 보정값을 결정할 수 있다. 더욱이, 단말이 이 오차 시퀀스에 따라 전력 소비 예측 모델에 대한 보정값을 결정하는 방식은 유일하지 않고, 예를 들어, 오차 시퀀스의 중앙값 또는 평균값을 전력 소비 예측 모델에 대한 보정값으로 사용할 수 있다.
여기서, 모델 예측 오차 시퀀스의 오차값에 대한 계산 공식은 다음과 같다.
Figure pct00012
식에서,
Figure pct00013
는 테스트 세트의 i번째 데이터에 대응하는 오차값이고,
Figure pct00014
는 테스트 세트의 i번째 단위 시간당 전력 소비 데이터의 실제값이며,
Figure pct00015
는
Figure pct00016
에 대응하는 전력 소비 예측값이다.
전력 소비 예측 모델에 대한 보정값을 획득한 후, 이 보정값에 기반하여 전력 소비 예측 데이터를 보정하고, 획득된 초기 전력 소비 예측값에 전력 소비 예측 모델에 대한 보정값을 더하면 보정된 전력 소비 예측값을 획득할 수 있다. 즉, 공식(5)에 대응하는 최종 전력 소비 예측값은 다음과 같다.
Figure pct00017
식에서,
Figure pct00018
는 전력 소비 예측 모델에 대한 보정값이고,
Figure pct00019
는 i번째 초기 전력 소비 예측값이며,
Figure pct00020
는
Figure pct00021
에 대응하는 보정된 전력 소비 예측값이다. 보정된 각 전력 소비 예측값으로 구성된 데이터 세트는 전기 상용차의 전력 소비 예측 데이터이다.
기설정 비율은 유일하지 않다는 점에 유의해야 하고, 예를 들어, 기설정 비율 4:1에 따라 실제 전력 소비 데이터의 80%를 트레이닝 세트로 사용하고 나머지 20%를 테스트 세트로 사용할 수 있으며, 또는 기설정 비율 3:2 에 따라 실제 전력 소비 데이터의 60%를 트레이닝 세트로 사용하고 나머지 40%를 테스트 세트로 사용할 수 있다.
상기 실시예에 있어서, 전력 소비 예측 데이터를 획득한 후, 트레이닝 세트 및 테스트 세트에 기반하여 전력 소비 예측 결과를 보정하는 데, 이로써 전기 상용차 전력 소비 예측 방법의 예측 정밀도를 더욱 향상시킬 수 있다.
일부 실시예에 있어서, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하는 단계는, 방전 지속 시간 데이터를 보간하여 보간된 방전 지속 시간 데이터를 획득하고, 보간된 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하는 단계;를 포함한다.
여기서, 보간은 이산 데이터를 기반으로 연속 함수를 보간하여 이 연속 곡선이 주어진 모든 이산 데이터 점을 통과하도록 하는 것이다. 보간함으로써 제한된 수의 점에서 획득된 함수의 값을 통해 다른 점에서 함수의 근사값을 추정할 수 있다.
구체적으로, 이력 충방전 데이터는 데이터 누락이 있을 수 있고, 그리고 실제 운행 조건에서 설정된 기간 내에 방전 기간 데이터 누락과 같이 데이터 정보가 불완전한 경우가 있을 수 있으므로, 단계(S102)에서 획득된 방전 지속 시간 데이터는 기설정 기간 중 어느 하나 또는 복수의 주기에 대한 계산값이 누락된 비연속 데이터일 수 있다. 이에 따라, 먼저 방전 지속 시간 데이터를 보간하고, 설정된 지속 시간을 주기로 하는 보간된 연속적인 방전 지속 시간 데이터를 획득한 후, 이 연속적인 방전 지속 시간 데이터와 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입한다.
상기 실시예에 있어서, 방전 지속 시간 데이터를 전력 소비 예측 모델에 대입하기 전에 먼저 보간을 수행하는 데, 이로써 모델에 입력될 방전 지속 시간 데이터의 연속성을 확보하고, 나아가 전력 소비 예측 데이터의 연속성을 확보하므로, 전기 상용차 전력 소비 예측 방법의 유연성을 높이기에 유리하다.
도 6을 참조하면, 일부 실시예에 있어서, 단계(S106)는 단계(S602) 및 단계(S604)를 포함한다.
단계(S602): 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 초기 전력 소비 예측 데이터를 획득한다.
여기서, 초기 전력 소비 예측 데이터는 전력 소비 예측 모델에 대한 예측값이다. 구체적으로, 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 초기 전력 소비 예측 데이터를 획득할 수 있다.
단계(S604): 초기 전력 소비 예측 데이터를 기설정 시간대로 그룹화하고, 각 그룹의 기설정 백분위수를 해당 기설정 시간 내의 전력 소비 예측 데이터로 사용한다.
여기서, 방전 지속 시간 데이터는 과거의 기설정 기간에서 복수 계산 주기의 실제 데이터이다. 초기 전력 소비 예측 데이터는 방전 지속 시간 데이터에 대응하는 복수 계산 주지의 예측 데이터이다. 즉, 초기 전력 소비 예측 데이터에는 미래의 기설정 기간 내의 복수의 계산 주기의 예측 데이터를 포함한다. 더욱이, 일련의 데이터를 작은 것에서 큰 것으로 정렬하고 해당 누적 백분위를 계산하면, 어느 백분위에 대응하는 데이터의 값을 이 백분위의 백분위수이라고 한다. 50%보다 큰 기설정 백분위수에 대응하는 초기 전력 소비 예측값은 일련의 초기 전력 소비 예측 데이터에서 보다 큰 값임을 이해하는 것은 어렵지 않다. 이 기설정 백분위수의 구체 값은 유일하지 않고, 예를 들어 85% 분위수, 90% 분위수 또는 95% 분위수일 수 있다.
구체적으로, 단말은 기설정 시간에 따라 초기 전력 소비 데이터를 그룹화하여 여러 그룹의 예측 데이터를 획득하고, 각 그룹 데이터에서 보다 큰 기설정 분위수를 이 그룹의 전력 소비 예측 데이터로 사용하여 전체 기설정 기간 내의 전기 상용차의 전력 소비 예측 데이터를 획득한다.
앞서 언급된 기설정 기간, 기설정 시간 및 계산 주기의 세 가지 시간 개념 중, 기설정 기간이 가장 큰 시간 범위를 갖고 계산 주기가 가장 작은 시간 범위를 갖는다는 점에 유의해야 한다. 더욱이, 기설정 시간의 값이 유일하지 않고 기설정 기간 및 계산 주기에 따라 유연하게 설정할 수 있다. 예를 들어, 기설정 시간이 3개월이고 계산 주기가 하루인 경우, 기설정 기간을 10일 또는 15일로 설정할 수 있다.
상기 실시예에 있어서, 전력 소비 예측 모델에 의해 예측된 초기 전력 소비 예측 데이터를 그룹화하고, 각 그룹에서 보다 큰 기설정 백분위수를 전력 소비 예측 데이터로 사용하는 데, 이로써 노이즈에 의한 간섭을 제거하고 전력 소비 예측 데이터의 정확도를 향상시킬 수 있다.
일부 실시예에 있어서, 도 7에 도시된 바와 같이, 단계(S106) 이후에, 이 방법은 전기 상용차의 전지 건강 상태 추정값을 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 단계(S108);를 더 포함한다.
여기서, SOH(State of Health)라고도 하는 전지 건강 상태는, 새 전지에 비해 현재 전지가 전기 에너지를 저장하는 능력을 특정하고, 백분율 형태로 현재 전지의 성능 상태를 정량적으로 기술하는 데 사용된다. 전지의 건강 상태는 온도, 전류율, 차단 전압 등과 같은 다양한 요인에 의해 영향을 받으며, 전지 수명의 시작부터 수명이 다할 때까지 동적으로 변화하고 있다.
구체적으로, 단말은 전기 상용차의 전지 건강 상태 추정값을 획득하고, 전지 건강 상태 추정값에 전지의 정격 용량을 곱하여 이 계산 주기 내의 전지 전력량을 획득한 후, 동일한 계산 주기 내의 전력 소비 예측 데이터를 연계하여 이 전기 상용차의 고장 위험 여부를 판단하는 데, 설정된 연속적이 횟수의 계산 주기 동안 예측된 전지 건강 상태 추정값에 대응하는 전지 전력량은 해당 계산 주기에서 예측된 전력 소비 예측값보다 작으면 이 차량의 고장날 위험이 더 높은 것으로 간주된다. 이 설정 횟수의 구체값은 4, 5 또는 6일 수 있다.
더욱이, 전기 상용차의 고장 위험을 결정한 후, 사용자에게 경고 정보를 출력하여 해당 위험 예방 조치를 취하도록 알려줄 수도 있고, 예를 들어 사용자에게 차량 모니터링 빈도를 증가하거나 예비 부품 등을 준비하도록 알려준다.
상기 실시예에 있어서, 전기 상용차 전력 소비 예측 데이터를 획득한 후, 전기 상용차의 전지 건강 상태 추정값도 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 데, 이로써 사용자가 이상을 적시에 발견하여 대처를 취할 수 있도록 하므로 전기 상용차의 고장 확률을 감소시키고 차량의 사용 안전성을 향상시키기에 유리하다.
이하에서, 이해의 편의를 위해, 도 8을 참조하여 전기 상용차 전력 소비 예측 방법에 대해 상세하게 설명하기로 한다.
단말은 전기 상용차의 이력 충방전 데이터와 이력 주행 특성 데이터를 포함한 이력 주행 데이터 및 전지 정격 용량을 획득한다. 여기서, 주행 특성 데이터는 시각별 전기 상용차가 위치한 도시 및 이 도시에 대응하는 기온을 포함한다. 이력 주행 데이터를 획득한 후, 먼저 데이터를 전처리하여 중복된 데이터 열 및 날자가 빈 데이터 열을 제거하고 각 차량의 충방전 기간 데이터 정보를 추출하고, 각 충전 기간의 시작 SOC 및 종료 SOC, 충전 용량(Q)을 추출하고, 각 방전 기간의 시작 SOC 및 종료SOC, 방전 기간 지속 시간 등 정보를 추출한다. 그 다음 충방전 기간의 데이터를 병합하고, 각 충전 기간을 적어도 하나의 방전 기간에 대응시키고, 충전 기간만 또는 방전 기간만 존재하는 데이터를 폐기한다. 여기서, 충전 기간에 대응하는 방전 기간은 현재 충전 기간의 충전 종료 시각으로부터 다음 충전 기간의 충전 시작 시각까지의 방전 데이터에 대응하는 방전 기간을 의미한다.
해당 이력 충방전 데이터를 획득한 후, 이력 충방전 데이터에 기반하고 하루를 계산 주기로 하여 차량의 이력 단위 시간당 전력 소비 데이터를 획득한다. 구체적으로, 먼저 이력 충전 데이터 및 전지 정격 용량에 기반하여, 전지 건강 상태에 대한 계산 공식(2)에 따라 계산 주기 내 전기 상용차의 전지 건강 상태(SOH)를 획득하고, 산출된 SOH, 전지 정격 용량, 및 이 충전 데이터에 대응하는 방전 데이터를 공식(3) 및 공식(4)에 대입하여 해당 계산 주기에서 차량의 전력 소비(C) 및 단위 시간당 전력 소비값(Cper)을 획득한다.
하나의 계산 주기에서 하나의 충전 기간에 대응하는 서브 방전 기간이 복수이면, 각 서브 방전 기간의 방전 데이터를 연계하여 단위 시간당 전력 소비값을 계산한다. 구체적으로, 각 방전 기간의 전력 소비를 가산하여 이들 방전 기간의 총 전력 소비 및 총 방전 지속 시간을 획득하고, 이 총 전력 소비를 총 방전 지속 시간으로 나누어 단위 시간당 전력 소비값을 획득할 수 있으며, 또한 각 방전 기간의 방전 데이터에 기반하여 각 서브 방전 기간의 서브 단위 시간당 전력 소비값을 각각 산출한 후, 각 서브 단위 시간당 전력 소비값의 평균값 또는 중앙값을 충전 기간에 대응하는 방전 기간의 단위 시간당 전력 소비값으로 사용할 수 있다.
하나의 계산 주기에서 충전 기간이 복수로 존재하면, 각 충전 기간의 충전 데이터, 및 이 충전 기간에 대응하는 방전 기간의 방전 데이터에 따라 각 충전 기간에 대응하는 방전 기간의 전력 소비를 각각 산출한다. 그 다음 각 충전 기간에 대응하는 방전 기간의 전력 소비에 따라 구분하여 처리하는 데, 즉, 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량 미만이면, 이 최대 전력 소비값에 기반하여, 설정된 시간 내의 단위 시간당 전력 소비값을 계산하며, 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량 이상이고 그리고 전지 정격 용량의 1.2 배 미만이면, 각 충전 기간에 대응하는 방전 기간의 전력 소비의 평균값에 기반하여, 설정된 시간 내의 단위 시간당 전력 소비값을 계산하며, 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 전지 정격 용량의 1.2 배 이상이면, 전력 소비를 이상으로 간주하여 이 계산 주기의 충방전 데이터를 폐기한다.
더욱이, 단위 시간당 전력 소비값을 계산하기 전에, 또한, 통계학적 규칙에 따라 전력 소비 및 방전 지속 시간에 대한 이상값 처리도 수행할 수 있는 데, 이로써 이상 데이터에 의한 영향을 피하고 전력 소비 예측 정밀도를 더욱 향상시킬 수 있다. 예를 들어, ±3*sigma 또는 다른 규칙을 이용하여 이력 전력 소비의 아웃라이어(outlier)를 제거할 수 있고, ±1*sigma 또는 다른 규칙을 이용하여 이력 전력 소비에 대응하는 이력 단위 시간당 전력 소비값의 아웃라이어(outlier)를 제거할 수 있으며, ＜-1*sigma 및 ＞+3*sigma의 이력 방전 지속 시간 데이터를 제거할 수 있다.
기설정 기간에서 복수 계산 주기의 이력 단위 시간당 전력 소비값을 연계하면 기설정 기간 내의 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득할 수 있다. 이력 단위 시간당 전력 소비 데이터를 획득한 후, 한편으로, 이 이력 단위 시간당 전력 소비 데이터를 이력 주행 데이터 중 해당 도시의 환경 온도 데이터에 병합하여 병합된 데이터 세트를 획득하고, 이 병합된 데이터 세트 및 기설정 모델 손실 함수를 기반으로 모델을 훈련하여 GBRT모델을 획득한다. 여기서, 모델 손실 함수는 공식(1)이다. 다른 한편으로, 전기 상용차의 주행 경로가 상대적으로 고정되고, 사용 빈도가 현재의 거래량과 운행 차량수에 의한 영향을 받기 쉬운 점을 감안할 때, 이력 방전 지속 시간 데이터를 선형 보간하여 최근 기설정 기간 내의 연속적인 방전 지속 시간 데이터를 획득하고, 이 연속적인 방전 지속 시간 데이터와 과거 동기간의 환경 온도 데이터를 이용하여 차량 미래 전력 소비를 예측한다. 구체적으로, 연속적인 방전 지속 시간 데이터와 과거 동기간의 환경 온도 데이터를 대입하고 훈련하여 GBRT 모델을 획득한면, 미래 동기간의 전력 소비 예측 데이터를 획득할 수 있다. 학습된 GBRT 모델은 단위 시간당 전력 소비값과 환경 온도와의 관계를 특정하는 데 사용될 수 있다는 것을 이해할 수 있고, 이를 기반으로 과거 동기간의 환경 온도 데이터에 따라 해당 단위 시간당 전력 소비 데이터를 획득한 후, 최근 기설정 기간 내의 연속적인 방전 지속 시간 데이터를 연계하면, 미래 동기간의 전력 소비 예측 데이터를 획득할 수 있다.
예를 들어, 최근 3개월의 방전 지속 시간
Figure pct00022
및 과거 동기간의 환경 온도
Figure pct00023
를 모델의 입력(X)으로 하면 미래 3개월의 전력 소비값(C(t))을 획득할 수 있다.
Figure pct00024
전력 소비 예측 데이터를 획득한 후, 전력 소비 예측 데이터를 기설정 시간대로 그룹화하고, 각 그룹의 기설정 95% 분위수를 해당 기설정 시간내의 전력 소비 예측 데이터로 사용한다. 예를 들어, 미래 3개월 동안의 전력 소비 예측 데이터를 15일 단위로 그룹화할 수 있고, 각 그룹의 95% 분위수를 이 그룹의 전력 소비 예측값으로 사용할 수 있다.
전력 소비 예측 데이터의 정확도를 더욱 향상하기 위해, 4:1 비율에 따라 이력 전력 소비 데이터를 트레이닝 세트와 테스트 세트로 구분하고, 트레이닝 세트를 전력 소비 예측 모델에 대입하여 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득한다. 그 다음, 테스트 세트 중 실제 전력 소비 데이터를 해당 전력 소비 예측 데이터와 비교하여 공식(5)에 따라 모델 예측 오차 시퀀스를 결정한다. 마지막으로, 오차 시퀀스의 중앙값을 전력 소비 예측 모델에 대한 보정값으로 결정하고, 공식(6)에 기반하여 전력 소비 예측값을 보정하면, 보정된 최종 전력 소비 예측 데이터를 획득할 수 있다.
또한, 보정된 최종 전력 소비 예측 데이터를 획득한 후, 단말은 전기 상용차의 전지 건강 상태 추정값을 더 획득하고, 이 전지 건강 상태 추정값에 전지 정격 용량을 곱하여 이 계산 주기 내의 전지 전력량을 획득한 후, 동일한 계산 주기 내의 전력 소비 예측 데이터를 연계하여 이 전기 상용차의 고장 위험 여부를 판단하는 데, 설정된 연속적인 5개의 계산 주기 동안 예측된 전지 건강 상태 추정값에 대응하는 전지 전력량이 해당 계산 주기 내의 전력 소비 예측값보다 작을 경우 차량의 고장 날 위험이 높은 것으로 간주된다. 더욱이, 전기 상용차의 고장 위험을 결정한 후, 사용자에게 경고 정보를 출력하여 해당 위험 예방 조치를 취하도록 알려줄 수도 있고, 예를 들어 사용자에게 차량 모니터링 빈도를 증가하거나 예비 부품 등을 준비하도록 알려준다.
상술한 전기 상용차 전력 소비 예측 방법은 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전력 소비 예측 데이터를 획득하는 데, 한편으로, 전기 상용차의 주행 경로가 상대적으로 고정되어 있기 때문에 주행 경로에 대응하는 주행 위치 특성 데이터는 전기 상용차의 실제 운전 환경을 어느 정도로 반영할 수 있어 전력 소비 예측 데이터의 정확도를 향상시키기에 유리하고, 다른 한편으로, 머신 러닝 알고리즘을 기반으로 획득된 전력 소비 예측 모델을 이용하여 전력 소비 예측을 수행하고, 또한 오차항을 도입하는 데, 이로써 번거로운 수학적 모델링을 생략하면서 정밀도를 확보하고 작업 효율을 향상시킬 수 있다. 또한, 전기 상용차 전력 소비 예측 데이터를 획득한 후, 전기 상용차의 전지 건강 상태 추정값도 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 데, 이로써 사용자가 이상을 적시에 발견하여 대처를 취할 수 있도록 하므로 전기 상용차의 고장 확률을 감소시키고 차량의 사용 안전성을 향상시키기에 유리하다.
상기와 같은 각 실시예에 관련된 흐름도의 각 단계는 화살표에 따라 순차적으로 표시되지만, 이들 단계는 반드시 화살표로 표시된 순서대로 수행되지 않는다는 것을 이해해야 한다. 본 문서에 명시적으로 설명되지 않는 한 이들 단계의 수행은 순서에 엄격하게 제한되지 않으며 이들 단계는 다른 순서로 수행될 수 있다. 또한, 상기와 같은 실시예에 관련된 흐름도의 단계의 적어도 일부는 다수의 단계 또는 다수의 절차를 포함할 수 있으며, 이들 단계 또는 절차는 반드시 동시에 수행 및 완료될 필요가 없이, 상이한 시각에 수행될 수 있으며, 이들 단계 또는 절차의 수행 순서는 반드시 순차적으로 수행될 필요 없이, 다른 단계 또는 다른 절차 중 단계 또는 절차의 적어도 일부와 교대로 또는 번갈아 수행될 수 있다.
동일한 발명의 개념에 기반하여, 제2 측면에 있어서, 본 출원의 일 실시예는 상술한 전기 상용차 전력 소비 예측 방법을 구현하기 위한 전기 상용차 전력 소비 예측 장치를 더 제공한다. 이 장치에 따른 과제의 해결수단은 상술한 방법에서 설명된 해결수단과 유사하므로, 아래에서 제공되는 전기 상용차 전력 소비 예측 장치의 하나 또는 복수의 실시예에 대한 구체적인 설명은 상술한 전기 상용차 전력 소비 예측 방법을 참조하면 되고, 여기서 상세한 설명을 생략하기로 한다.
일부 실시예에 있어서, 도 9에 도시된 바와 같이, 전기 상용차 전력 소비 예측 장치(900)는,
전기 상용차의 방전 지속 시간 데이터를 획득하는 방전 지속 시간 획득 모듈(902); 전기 상용차의 주행 위치 특성 데이터를 획득하는 주행 위치 특성 획득 모듈(904); 및 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 전기 상용차의 전력 소비 예측 데이터를 획득하는 전력 소비 예측 모듈(906);를 포함한다.
도 10을 참조하면, 일부 실시예에 있어서, 전기 상용차 전력 소비 예측 장치(700)는, 전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 전력 소비 예측 모델 훈련 모듈(905);을 더 포함한다.
도 11을 참조하면, 일부 실시예에 있어서, 전력 소비 예측 모델 훈련 모듈(905)은 전기 상용차의 이력 충방전 데이터와 이력 주행 위치 특성 데이터를 포함한 이력 주행 데이터 및 전지 정격 용량을 획득하는 데이터 획득 유닛(112); 이력 충방전 데이터 및 전지 정격 용량에 기반하여 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출하는 전력 소비 데이터 계산 유닛(114); 이력 단위 시간당 전력 소비 데이터 및 이력 주행 위치 특성 데이터에 기반하여 이력 전력 소비 데이터를 획득하는 이력 전력 소비 데이터 생성 유닛(116); 및 이력 전력 소비 데이터 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 전력 소비 예측 모델 훈련 유닛(118);을 포함한다.
일부 실시예에 있어서, 전력 소비 데이터 계산 유닛(114)은 구제적으로 설정된 시간을 주기로 하고, 이력 충방전 데이터에 기반하여 전기 상용차의 이력 충전 데이터 및 이력 방전 데이터를 획득하고, 이력 충전 데이터 및 전지 정격 용량에 기반하여, 설정된 시간 내의 전기 상용차의 전지 건강 상태를 획득하며, 전지 건강 상태, 전지 정격 용량, 및 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득한다.
도 12를 참조하면, 일부 실시예에 있어서, 전기 상용차 전력 소비 예측 장치(700)는 이력 전력 소비 데이터를 트레이닝 세트 및 테스트 세트로 구분하고, 트레이닝 세트 및 전력 소비 예측 모델에 기반하여 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득하고, 테스트 세트 및 테스트 세트에 대응하는 전력 소비 예측 데이터에 따라 전력 소비 예측 데이터를 보정하여 보정된 전력 소비 예측 데이터를 획득하는 보정 모듈(122)을 더 포함한다.
일부 실시예에 있어서, 전력 소비 예측 모듈(906)은 구체적으로 방전 지속 시간 데이터를 보간하여 보간된 방전 지속 시간 데이터를 획득하고, 보간된 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입한다.
도 13을 참조하면, 일부 실시예에 있어서, 전력 소비 예측 모듈(906)은 방전 지속 시간 데이터 및 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 전기 상용차의 초기 전력 소비 예측 데이터를 획득하는 초기 전력 소비 예측 데이터 생성 유닛(132); 초기 전력 소비 예측 데이터를 기설정 시간대로 그룹화하고, 각 그룹의 기설정 백분위수를 해당 기설정 시간 내의 전력 소비 예측 데이터로 사용하는 전력 소비 예측 데이터 생성 유닛(134); 포함하고, 기설정 백분위수는 50% 초과이다.
도 14를 참조하면, 일부 실시예에 있어서, 전기 상용차 전력 소비 예측 장치(700)는 전기 상용차의 전지 건강 상태 추정값을 획득하고, 전지 건강 상태 추정값 및 전력 소비 예측 데이터에 따라 전기 상용차의 고장 위험을 결정하는 고장 위험 결정 모듈(142)을 더 포함한다.
상기 전기 상용차 전력 소비 예측 장치의 각 모듈은 전체 또는 일부가 소프트웨어, 하드웨어 및 이들의 조합에 의해 구현될 수 있다. 상술한 각 모듈은 하드웨어의 형태로 컴퓨터 장치의 프로세서에 내장되거나 독립적으로 구성될 수도 있고, 소프트웨어의 형태로 컴퓨터 장치의 메모리에 저장되고 프로세서에 의해 호출되어 상기 각 모듈에 대응하는 작업을 실행하도록 구성될 수도 있다.
일부 실시예에 있어서, 컴퓨터 장치가 제공되며, 이 컴퓨터 장치는 단말일 수 있고, 그 내부 구조도는 도 15에 도시된 바와 같을 수 있다. 이 컴퓨터 장치는 시스템 버스로 연결된 프로세서, 메모리, 통신 인터페이스, 디스플레이 및 입력 장치를 포함한다. 그 중 이 컴퓨터 장치의 프로세서는 컴퓨팅 및 제어 기능을 제공한다. 이 컴퓨터 장치의 메모리는 비휘발성 저장매체, 내부 메모리를 포함한다. 이 비휘발성 저장매체에는 운영체제와 컴퓨터 프로그램이 저장된다. 이 내부 메모리는 비휘발성 저장매체의 운영체제와 컴퓨터 프로그램이 실행될 수 있는 환경을 제공한다. 이 컴퓨터 장치의 통신 인터페이스는 외부 단말과의 유무선 통신에 사용되며, 무선 통신은 WIFI, 셀룰러 네트워크, NFC(Near Field Communication) 또는 기타 기술에 의해 구현될 수 있다. 이 컴퓨터 프로그램은 프로세서에 의해 실행되면 전기 상용차 전력 소비 예측 방법을 구현하도록 구성된다. 이 컴퓨터 장치의 디스플레이는 액정 디스플레이 또는 전자 잉크 디스플레이일 수 있고, 이 컴퓨터 장치의 입력 장치는 디스플레이 화면 상에 덮인 터치 레이어일 수도 있고 컴퓨터 장치의 케이스에 설치된 버튼, 트랙볼 또는 터치패드일 수도 있고, 또는 외장된 키보드, 트랙패드 또는 마우스일 수도 있다.
도 15에 도시된 구조가 본 출원의 기술적 해결방법과 관련된 부분적 구조의 블록도일 뿐이며, 본 출원의 기술적 해결방법이 적용된 컴퓨터 장치는 이에 한정하지 않고, 도면에 도시된 것보다 많거나 적은 구성 요소를 포함할 수 있거나 어떤 구성 요소를 결합할 수 있거나, 또는 서로 다른 구성 요소 레이아웃을 가질 수 있다는 것이 본 기술 분야의 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
일부 실시예에 있어서, 메모리; 및 프로세서;를 포함하고, 이 메모리에는 이 프로세서에 의해 실행되면 상술한 방법에 따른 각 실시예의 단계를 구현하도록 구성된 컴퓨터 프로그램이 저장되어 있는, 컴퓨터 장치를 제공한다.
일부 실시예에 있어서, 프로세서에 의해 실행되면 상술한 방법에 따른 각 실시예의 단계를 구현하도록 구성된 컴퓨터 프로그램이 저장되어 있는, 컴퓨터 판독 가능 저장매체를 제공한다.
일부 실시예에 있어서, 프로세서에 의해 실행되면 상술한 방법에 따른 각 실시예의 단계를 구현하도록 구성된 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품을 제공한다.
상기 실시예에 따른 방법의 프로세스의 전부 또는 일부는 컴퓨터 프로그램을 통해 관련 하드웨어에 명령함으로써 구현될 수 있고, 상술한 컴퓨터 프로그램은 프로세서에 의해 실행되면 상술한 방법에 따른 각 실시예의 단계를 구현하도록 비휘발성 컴퓨터 판독 가능 저장매체에 저장될 수 있음은 본 기술분야의 통상의 지식을 가진 자라면 잘 이해될 수 있을 것이다. 여기서, 본 출원에 따른 다양한 실시예에서 사용된 메모리, 데이터베이스 또는 기타 매체에 대한 임의의 설명은 비휘발성 메모리 및 휘발성 메모리 중 적어도 하나를 포함할 수 있다. 비휘발성 메모리에는 ROM(Read-Only Memory), 자기 테이프, 플로피 디스크, 플래시 메모리, 광학 메모리, 고밀도 내장형 비휘발성 메모리, 저항성 램(ReRAM), 자기 저항 메모리(Magnetoresistive Random Access Memory, MRAM), 강유전체 램 (Ferroelectric Random Access Memory, FRAM), 상변화 메모리(Phase Change Memory, PCM), 그래핀 메모리 등을 포함할 수 있다. 휘발성 메모리는 랜덤 액세스 메모리(Random Access Memory, RAM) 또는 외부 캐시 메모리 등을 포함할 수 있다. 비제한적인 예로서, RAM은 정적 랜덤 액세스 메모리(Static Random Access Memory, SRAM) 또는 동적 랜덤 액세스 메모리(Dynamic Random Access Memory, DRAM)와 같은 다양한 형태일 수 있다. 본 출원의 다양한 실시예에서 설명된 데이터베이스는 관계형 데이터베이스 및 비관계형 데이터베이스 중 적어도 하나를 포함할 수 있다. 비관계형 데이터베이스는 블록체인 기반의 분산 데이터베이스 등을 포함할 수 있으나, 이에 한정되지 않는다. 본 출원의 다양한 실시예에서 설명된 프로세서는 범용 프로세서, 중앙 처리 장치(CPU), 그래픽 프로세서(GPU), DSP (Digital Signal Processor), FPGA(Field Programmable Gate Array), 양자 컴퓨팅 기반 데이터 처리 논리 장치 등일 수 있으며, 이에 한정되지 않는다.
이상과 같이 설명된 실시예의 각 기술적 특징은 임의로 조합될 수 있으며, 설명의 간결을 위해, 상기 실시예에 따른 기술적 특징의 모든 가능한 조합에 대해 설명하지 않지만, 이러한 기술적 특징의 조합은 모순이 없는 한 본 명세서에 기재된 범위 내에 있는 것으로 간주해야 한다.
이상과 같이 설명된 실시예는 본 출원의 일부 구현형태를 나타낼 뿐이며, 그 설명은 구체적이고 상세하지만, 본 출원 특허의 범위를 제한하는 것으로 해석되어서는 안 된다. 본 출원이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 출원의 개념을 벗어나지 않고 여러 가지 수정 및 개선이 이루어질 수 있으며, 이 들은 모두 본 출원의 보호 범위에 있다는 점에 유의해야 한다. 따라서, 본 출원의 특허 보호 범위는 첨부된 청구의 범위에 의해 정해야 한다.
본 출원은 "전기 상용차 전력 소비 예측 방법, 장치 및 컴퓨터 장치" 라는 명칭으로 2022년 1월 7일에 제출된 제202210016220.8호의 중국 특허 출원을 참조하며, 상기 출원의 전체 사항은 본 출원에 참조로 삽입된다.

Claims (20)

  1. 전기 상용차의 방전 지속 시간 데이터를 획득하는 단계;
    상기 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 포함하는, 전기 상용차 전력 소비 예측 방법.
  2. 제1 항에 있어서,
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이전에,
    전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 단계;를 더 포함하는 방법.
  3. 제2 항에 있어서,
    상기 전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 단계는
    전기 상용차의 이력 충방전 데이터와 이력 주행 위치 특성 데이터를 포함한 이력 주행 데이터 및 전지 정격 용량을 획득하는 단계;
    상기 이력 충방전 데이터 및 상기 전지 정격 용량에 기반하여 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출하는 단계;
    상기 이력 단위 시간당 전력 소비 데이터 및 상기 이력 주행 위치 특성 데이터에 따라 이력 전력 소비 데이터를 획득하는 단계; 및
    상기 이력 전력 소비 데이터 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 단계;를 포함하는, 방법.
  4. 제3 항에 있어서,
    상기 전기 상용차의 이력 주행 데이터를 획득하는 단계는
    전기 상용차의 이력 로(raw) 주행 데이터를 획득하는 단계; 및
    상기 이력 로(raw) 주행 데이터를 전처리하여 상기 전기 상용차의 이력 주행 데이터를 획득하는 단계;를 포함하는 방법.
  5. 제3 항에 있어서,
    상기 이력 충방전 데이터 및 상기 전지 정격 용량에 기반하여 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출하는 단계는
    설정된 시간을 주기로 하고, 상기 이력 충방전 데이터에 기반하여 상기 전기 상용차의 이력 충전 데이터 및 이력 방전 데이터를 획득하는 단계;
    상기 이력 충전 데이터 및 상기 전지 정격 용량에 기반하여, 설정된 시간 내의 상기 전기 상용차의 전지 건강 상태를 획득하는 단계; 및
    상기 전지 건강 상태, 상기 전지 정격 용량, 및 상기 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라, 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계;를 포함하는, 방법.
  6. 제5 항에 있어서,
    상기 기설정 시간에서, 하나의 충전 기간에 대응하는 서브 방전 기간은 복수이며, 상기 전지 건강 상태, 상기 전지 정격 용량, 및 상기 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라, 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계는
    상기 전지 건강 상태, 상기 전지 정격 용량, 및 각 서브 방전 기간의 이력 방전 데이터에 따라, 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계;를 포함하는 방법.
  7. 제5 항에 있어서,
    상기 설정된 시간에서 복수의 충전 기간이 존재하며, 상기 전지 건강 상태, 상기 전지 정격 용량, 및 상기 이력 충전 데이터에 대응하는 이력 방전 데이터에 따라, 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계는
    상기 전지 건강 상태, 상기 전지 정격 용량, 각 충전 기간의 이력 충전 데이터, 및 상기 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계;를 포함하는, 방법.
  8. 제7 항에 있어서,
    상기 전지 건강 상태, 상기 전지 정격 용량, 상기 각 충전 기간의 이력 충전 데이터, 및 상기 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 획득하는 단계는
    상기 전지 건강 상태, 상기 전지 정격 용량, 상기 각 충전 기간의 이력 충전 데이터, 및 상기 각 충전 기간에 대응하는 방전 기간의 이력 방전 데이터에 따라, 상기 각 충전 기간에 대응하는 방전 기간의 전력 소비를 획득하는 단계;
    상기 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 상기 전지 정격 용량 미만이면, 상기 최대 전력 소비값에 따라 상기 설정된 시간 내의 이력 단위 시간당 전력 소비 데이터를 계산하는 단계;
    상기 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 상기 전지 정격 용량 이상이고 그리고 상기 전지 정격 용량의 기설정 배 미만이면, 각 충전 기간에 대응하는 방전 기간의 전력 소비의 평균값에 따라, 상기 설정된 시간 내의 이력 단위 시간당 전력 소비 데이터를 계산하는 단계; 및
    상기 각 충전 기간에 대응하는 방전 기간의 전력 소비 중 최대 전력 소비값이 상기 전지 정격 용량의 기설정 배 이상이면, 대응하는 설정된 시간 내의 이력 충방전 데이터를 폐기하는 단계;를 포함하는, 방법.
  9. 제3 항 내지 제8 항 중 어느 한 항에 있어서,
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이후에,
    상기 이력 전력 소비 데이터를 트레이닝 세트 및 테스트 세트로 구분하고, 상기 트레이닝 세트 및 상기 전력 소비 예측 모델에 기반하여 상기 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득하는 단계; 및
    상기 테스트 세트, 및 상기 테스트 세트에 대응하는 전력 소비 예측 데이터에 따라, 상기 전력 소비 예측 데이터를 보정하여 보정된 전력 소비 예측 데이터를 획득하는 단계;를 더 포함하는, 방법.
  10. 제1 항 내지 제8 항 중 어느 한 항에 있어서,
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하는 단계는
    상기 방전 지속 시간 데이터를 보간하여 보간된 방전 지속 시간 데이터를 획득하고, 상기 보간된 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하는 단계;를 포함하는, 방법.
  11. 제1 항 내지 제8 항 중 어느 한 항에 있어서,
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계는
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 초기 전력 소비 예측 데이터를 획득하는 단계; 및
    상기 초기 전력 소비 예측 데이터를 기설정 시간대로 그룹화하고, 각 그룹의 기설정 백분위수를 해당 기설정 시간 내의 전력 소비 예측 데이터로 사용하는 단계;를 포함하고, 상기 기설정 백분위수는 50% 초과인 방법.
  12. 제1 항 내지 제8 항 중 어느 한 항에 있어서,
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계 이후에,
    상기 전기 상용차의 전지 건강 상태 추정값을 획득하고, 상기 전지 건강 상태 추정값 및 상기 전력 소비 예측 데이터에 따라 상기 전기 상용차의 고장 위험을 결정하는 단계;를 더 포함하는, 방법.
  13. 전기 상용차의 방전 지속 시간 데이터를 획득하는 방전 지속 시간 획득 모듈;
    상기 전기 상용차의 주행 위치 특성 데이터를 획득하는 주행 위치 특성 획득 모듈; 및
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 전력 소비 예측 모듈;을 포함하는, 전기 상용차 전력 소비 예측 장치.
  14. 제13 항에 있어서,
    전기 상용차의 이력 주행 데이터, 전지 정격 용량, 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 전력 소비 예측 모델 훈련 모듈;을 더 포함하는 장치.
  15. 제14 항에 있어서,
    상기 전력 소비 예측 모델 훈련 모듈은
    전기 상용차의 이력 충방전 데이터와 이력 주행 위치 특성 데이터를 포함한 이력 주행 데이터 및 전지 정격 용량을 획득하는 데이터 획득 유닛;
    상기 이력 충방전 데이터 및 상기 전지 정격 용량에 기반하여 상기 전기 상용차의 이력 단위 시간당 전력 소비 데이터를 산출하는 전력 소비 데이터 계산 유닛;
    상기 이력 단위 시간당 전력 소비 데이터 및 상기 이력 주행 위치 특성 데이터에 따라 이력 전력 소비 데이터를 획득하는 이력 전력 소비 데이터 생성 유닛; 및
    상기 이력 전력 소비 데이터 및 기설정 모델 손실 함수에 따라, 머신 러닝 알고리즘을 기반으로 모델을 훈련하여 전력 소비 예측 모델을 획득하는 전력 소비 예측 모델 훈련 유닛;을 포함하는 장치.
  16. 제13 항 내지 제15 항 중 어느 한 항에 있어서, 상기 장치는
    상기 이력 전력 소비 데이터를 트레이닝 세트 및 테스트 세트로 구분하고, 상기 트레이닝 세트 및 상기 전력 소비 예측 모델에 기반하여 상기 테스트 세트에 대응하는 전력 소비 예측 데이터를 획득하며, 상기 테스트 세트, 및 상기 테스트 세트에 대응하는 전력 소비 예측 데이터에 따라, 상기 전력 소비 예측 데이터를 보정하여 보정된 전력 소비 예측 데이터를 획득하는 보정 모듈;을 더 포함하는 장치.
  17. 제13 항 내지 제15 항 중 어느 한 항에 있어서, 상기 장치는
    상기 전기 상용차의 전지 건강 상태 추정값을 획득하고, 상기 전지 건강 상태 추정값 및 상기 전력 소비 예측 데이터에 따라 상기 전기 상용차의 고장 위험을 결정하는 고장 위험 결정 모듈;을 더 포함하는, 장치.
  18. 메모리; 및 하나 또는 복수의 프로세서;를 포함하고,
    상기 메모리에는 상기 하나 또는 복수의 프로세서에 의해 실행되면, 상기 하나 또는 복수의 프로세서가
    전기 상용차의 방전 지속 시간 데이터를 획득하는 단계;
    상기 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 수행하도록 구성된 컴퓨터 판독 가능 명령어가 저장되어 있는, 컴퓨터 장치.
  19. 하나 또는 복수의 프로세서에 의해 실행되면, 상기 하나 또는 복수의 프로세서가
    전기 상용차의 방전 지속 시간 데이터를 획득하는 단계;
    상기 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 수행하도록 구성된 컴퓨터 판독 가능 명령어가 저장되어 있는 하나 또는 복수의 비휘발성 컴퓨터 판독 가능 저장매체.
  20. 하나 또는 복수의 프로세서에 의해 실행되면, 상기 하나 또는 복수의 프로세서가
    전기 상용차의 방전 지속 시간 데이터를 획득하는 단계;
    상기 전기 상용차의 주행 위치 특성 데이터를 획득하는 단계; 및
    상기 방전 지속 시간 데이터 및 상기 주행 위치 특성 데이터를 머신 러닝 알고리즘에 기반하여 획득된 전력 소비 예측 모델에 대입하여 상기 전기 상용차의 전력 소비 예측 데이터를 획득하는 단계;를 수행하도록 구성된 컴퓨터 프로그램을 포함하는 컴퓨터 프로그램 제품.
KR1020227027806A 2022-01-07 2022-06-02 전기 상용차 전력 소비 예측 방법, 장치 및 컴퓨터 장치 KR20230107471A (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202210016220.8A CN115808922B (zh) 2022-01-07 2022-01-07 商用电动车辆能耗预测方法、装置和计算机设备
CN202210016220.8 2022-01-07
PCT/CN2022/096746 WO2023130659A1 (zh) 2022-01-07 2022-06-02 商用电动车辆能耗预测方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
KR20230107471A true KR20230107471A (ko) 2023-07-17

Family

ID=87069898

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227027806A KR20230107471A (ko) 2022-01-07 2022-06-02 전기 상용차 전력 소비 예측 방법, 장치 및 컴퓨터 장치

Country Status (4)

Country Link
US (1) US20230222852A1 (ko)
EP (1) EP4235338A4 (ko)
JP (1) JP7538236B2 (ko)
KR (1) KR20230107471A (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933693A (zh) * 2023-12-12 2024-04-26 江苏绿配网络科技有限公司 一种新能源商用车经营风险分析方法及装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5454537B2 (ja) * 2011-09-22 2014-03-26 株式会社デンソー 電動車両の充電制御システム
JP5631367B2 (ja) * 2012-08-09 2014-11-26 本田技研工業株式会社 経路探索装置
US9061599B2 (en) * 2013-01-11 2015-06-23 Johnson Controls Technology Company System and method for optimizing the storing of vehicular energy
US9476719B2 (en) 2014-08-29 2016-10-25 Ford Global Technologies, Llc Route-based distance to empty calculation for a vehicle
JP7166093B2 (ja) 2018-07-17 2022-11-07 株式会社デンソーテン バッテリの電力を用いて駆動される車両の充電方法を選択する装置及び方法
GB2586655B (en) * 2019-09-02 2021-10-20 Siemens Plc Method and system for predicting battery degredation
CN112078431B (zh) * 2020-08-19 2022-02-25 大众问问(北京)信息科技有限公司 一种车辆能耗预测和能源补充方法及相关设备
JP7338652B2 (ja) 2021-02-24 2023-09-05 いすゞ自動車株式会社 消費電力予測装置
CN113428159A (zh) * 2021-05-28 2021-09-24 合肥国轩高科动力能源有限公司 一种车辆能耗分析方法

Also Published As

Publication number Publication date
US20230222852A1 (en) 2023-07-13
EP4235338A4 (en) 2023-11-22
JP2024508198A (ja) 2024-02-26
JP7538236B2 (ja) 2024-08-21
EP4235338A1 (en) 2023-08-30

Similar Documents

Publication Publication Date Title
CN112765772B (zh) 一种基于数据驱动的动力电池剩余寿命预测方法
CN112540317B (zh) 基于实车数据的电池健康状态估计与剩余寿命预测方法
CN115808922B (zh) 商用电动车辆能耗预测方法、装置和计算机设备
JP6305988B2 (ja) 処理方法に由来するデータに基づいてエネルギ状態を判定するデバイス及び方法
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法
CN111984513A (zh) 一种预测性维护方法、装置、设备以及存储介质
CN114290960B (zh) 获取动力电池的电池健康度的方法、装置和车辆
CN105911476A (zh) 一种基于数据挖掘的电池储能系统soc预测方法
CN115587673B (zh) 一种电压互感器误差状态预测方法及系统
CN115805810B (zh) 电池故障预测方法、装置、设备、存储介质和程序产品
CN114462259A (zh) 基于soc的电池剩余寿命预测方法、系统、汽车及介质
KR20230107471A (ko) 전기 상용차 전력 소비 예측 방법, 장치 및 컴퓨터 장치
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN113610266A (zh) 汽车零件的故障预测方法、装置、计算机设备和存储介质
CN117665620A (zh) 基于新能源汽车数据的电池健康度评估方法
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN111861798A (zh) 一种基于近邻算法的居民用电数据缺失值插补方法
US12026988B2 (en) State estimation device, state estimation method and state estimation program
CN118818349A (zh) 基站电池健康度评估方法、装置及电子设备
CN115825790B (zh) 电池绝缘故障的预警方法、装置、系统和计算机设备
CN118275902B (zh) 一种电池剩余寿命预测方法和电子设备
CN116432135A (zh) 一种电池电芯异常判定方法、系统、处理设备及存储介质
Holmer et al. Usage-Specific Survival Modeling Based on Operational Data and Neural Networks
Cui et al. A data-driven method with sample entropy and CEEMDAN for short-term performance degradation prediction of dynamic hydrogen fuel cells
CN117233639A (zh) 动力电池的健康状况预测方法及装置