System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种电动车辆剩余续航里程预测方法及装置制造方法及图纸_技高网

一种电动车辆剩余续航里程预测方法及装置制造方法及图纸

技术编号:40340614 阅读:12 留言:0更新日期:2024-02-09 14:28
一种电动车辆剩余续航里程预测方法及装置,包括:获取样本车辆的行车过程样本数据和样本车辆的真实续航里程;对行车过程样本数据进行清洗处理得到待处理数据;对待处理数据进行车辆实际续航因素分析,得到续航影响因子集合;基于续航影响因子集合和真实续航里程构建样本集合;分别对样本集合进行规范化处理,得到目标样本集合;构建原始LSTM模型;通过灰狼优化算法、目标样本集合对原始LSTM模型进行训练得到训练好的剩余续航里程预测模型;获取目标车辆当前的行车过程数据;基于行车过程数据和行车过程数据进行剩余续航里程预测,得到预测结果;输出预测结果。可见,该方法及装置能够进行车辆实际续航因素分析,提高了车辆剩余续航预测的准确性。

【技术实现步骤摘要】

本申请涉及数据处理,具体而言,涉及一种电动车辆剩余续航里程预测方法及装置


技术介绍

1、目前,电动汽车为主的新能源汽车迅速发展,逐渐成为人们出行的首选方式。虽然纯电动汽车在市场的选择中脱颖而出,但纯电动汽车存在一个不可忽视的问题就是续航里程问题。目前各大厂家推出快充,超充和换电服务以解决该问题。但剩余续航里程显示不正确会导致驾驶员不能准确预估充电或者换电时机,容易引起续航焦虑甚至车辆抛锚等问题。因此,如何准确根据车辆的实时驾驶状态预测剩余续航里程,提醒驾驶员补电,给顾客提供更好的用车体验对新能源汽车的发展至关重要。现有的电动车辆剩余里程预测方法,通常基于能量来进行计算预测,然而,现有方法中,使用的参数比较单一,不能很好预测剩余续航里程变化。


技术实现思路

1、本申请实施例的目的在于提供一种电动车辆剩余续航里程预测方法及装置,能够进行车辆实际续航因素分析,提高了车辆剩余续航预测的准确性。

2、本申请第一方面提供了一种电动车辆剩余续航里程预测方法,包括:

3、获取样本车辆的行车过程样本数据和所述样本车辆的真实续航里程;

4、对所述行车过程样本数据进行清洗处理,得到待处理数据;

5、对所述待处理数据进行车辆实际续航因素分析,得到续航影响因子集合;

6、基于所述续航影响因子集合和所述真实续航里程,构建样本集合;

7、分别对所述样本集合进行规范化处理,得到目标样本集合;

8、构建原始lstm模型;

<p>9、通过灰狼优化算法、所述目标样本集合对所述原始lstm模型进行训练,得到训练好的剩余续航里程预测模型;

10、获取目标车辆当前的行车过程数据;

11、基于所述行车过程数据和所述行车过程数据进行剩余续航里程预测,得到预测结果;

12、输出所述预测结果。

13、进一步地,所述原始lstm模型包括输入层、lstm层、注意力机制层、dropout层、lstm层和dropout层的组合层、dense层和输出层;其中,所述输入层的传入数据维度为预设数据维度,所述组合层的层数为寻优得到的第一层数,所述dense层的层数为寻优得到的第二层数;

14、所述原始lstm模型的优化算法为adam算法,所述原始lstm模型的损失函数为mse函数。

15、进一步地,所述基于所述续航影响因子集合和所述真实续航里程,构建样本集合,包括:

16、基于所述续航影响因子集合和所述真实续航里程,构建样本集和测试集;

17、通过预先构建的gwo-lstm网络、所述样本集进行数据预测,得到预测数据;

18、基于所述预测数据、所述样本集和所述测试集,构建样本集合。

19、进一步地,所述续航影响因子集合包括每公里能耗、电池电荷状态soc值、每公里的平均速度、每公里加速度绝对值超过0.1g的次数以及电池健康状态。

20、进一步地,通过灰狼优化算法、所述目标样本集合对所述原始lstm模型进行训练,得到训练好的剩余续航里程预测模型,包括:

21、基于所述目标样本集合对所述原始lstm模型进行训练,得到预测结果;

22、基于所述预测结果计算评判指标;其中,所述评判指标包括mae指标、rmse指标以及r2指标;

23、基于所述灰狼优化算法和所述r2指标进行寻优,确定所述第一层数和所述第二层数、每层的神经元数量;

24、基于所述第一层数、所述第二层数以及每层的神经元数量对所述原始lstm模型进行优化,得到优化lstm模型;

25、判断当前是否达到预设的迭代次数;

26、如果是,将最终的优化lstm模型确定为训练好的剩余续航里程预测模型。

27、本申请第二方面提供了一种电动车辆剩余续航里程预测装置,所述电动车辆剩余续航里程预测装置包括:

28、所述电动车辆剩余续航里程预测装置包括:

29、第一获取单元,用于获取样本车辆的行车过程样本数据和所述样本车辆的真实续航里程;

30、第一处理单元,用于对所述行车过程样本数据进行清洗处理,得到待处理数据;

31、分析单元,用于对所述待处理数据进行车辆实际续航因素分析,得到续航影响因子集合;

32、样本构建单元,用于基于所述续航影响因子集合和所述真实续航里程,构建样本集合;

33、第二处理单元,用于分别对所述样本集合进行规范化处理,得到目标样本集合;

34、模型构建单元,用于构建原始lstm模型;

35、训练单元,用于通过灰狼优化算法、所述目标样本集合对所述原始lstm模型进行训练,得到训练好的剩余续航里程预测模型;

36、第二获取单元,用于获取目标车辆当前的行车过程数据;

37、预测单元,用于基于所述行车过程数据和所述行车过程数据进行剩余续航里程预测,得到预测结果;

38、输出单元,用于输出所述预测结果。

39、进一步地,所述原始lstm模型包括输入层、lstm层、注意力机制层、dropout层、lstm层和dropout层的组合层、dense层和输出层;其中,所述输入层的传入数据维度为预设数据维度,所述组合层的层数为寻优得到的第一层数,所述dense层的层数为寻优得到的第二层数;

40、所述原始lstm模型的优化算法为adam算法,所述原始lstm模型的损失函数为mse函数。

41、进一步地,所述样本构建单元包括:

42、构建子单元,用于基于所述续航影响因子集合和所述真实续航里程,构建样本集和测试集;

43、数据预测子单元,用于通过预先构建的gwo-lstm网络、所述样本集进行数据预测,得到预测数据;

44、所述构建子单元,还用于基于所述预测数据、所述样本集和所述测试集,构建样本集合。

45、进一步地,所述续航影响因子集合包括每公里能耗、电池电荷状态soc值、每公里的平均速度、每公里加速度绝对值超过0.1g的次数以及电池健康状态。

46、进一步地,所述训练单元包括:

47、训练子单元,用于基于所述目标样本集合对所述原始lstm模型进行训练,得到预测结果;

48、计算子单元,用于基于所述预测结果计算评判指标;其中,所述评判指标包括mae指标、rmse指标以及r2指标;

49、寻优子单元,用于基于所述灰狼优化算法和所述r2指标进行寻优,确定所述第一层数和所述第二层数、每层的神经元数量;

50、优化子单元,用于基于所述第一层数、所述第二层数以及每层的神经元数量对所述原始lstm模型进行优化,得到优化lstm模型;

51、判断子单元,用于判断当前是否达到预设的迭代次数;

52、确定子单元,用于在当前达到预设的迭代次数时,将最终的优化lstm模型确定本文档来自技高网...

【技术保护点】

1.一种电动车辆剩余续航里程预测方法,其特征在于,包括:

2.根据权利要求1所述的电动车辆剩余续航里程预测方法,其特征在于,所述原始LSTM模型包括输入层、LSTM层、注意力机制层、dropout层、LSTM层和dropout层的组合层、dense层和输出层;其中,所述输入层的传入数据维度为预设数据维度,所述组合层的层数为寻优得到的第一层数,所述dense层的层数为寻优得到的第二层数;

3.根据权利要求1所述的电动车辆剩余续航里程预测方法,其特征在于,所述基于所述续航影响因子集合和所述真实续航里程,构建样本集合,包括:

4.根据权利要求1所述的电动车辆剩余续航里程预测方法,其特征在于,所述续航影响因子集合包括每公里能耗、电池电荷状态SOC值、每公里的平均速度、每公里加速度绝对值超过0.1g的次数以及电池健康状态。

5.根据权利要求2所述的电动车辆剩余续航里程预测方法,其特征在于,通过灰狼优化算法、所述目标样本集合对所述原始LSTM模型进行训练,得到训练好的剩余续航里程预测模型,包括:

6.一种电动车辆剩余续航里程预测装置,其特征在于,所述电动车辆剩余续航里程预测装置包括:

7.根据权利要求6所述的电动车辆剩余续航里程预测装置,其特征在于,所述原始LSTM模型包括输入层、LSTM层、注意力机制层、dropout层、LSTM层和dropout层的组合层、dense层和输出层;其中,所述输入层的传入数据维度为预设数据维度,所述组合层的层数为寻优得到的第一层数,所述dense层的层数为寻优得到的第二层数;

8.根据权利要求6所述的电动车辆剩余续航里程预测装置,其特征在于,所述样本构建单元包括:

9.一种电子设备,其特征在于,所述电子设备包括存储器以及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的电动车辆剩余续航里程预测方法。

10.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序指令,所述计算机程序指令被一处理器读取并运行时,执行权利要求1至5任一项所述的电动车辆剩余续航里程预测方法。

...

【技术特征摘要】

1.一种电动车辆剩余续航里程预测方法,其特征在于,包括:

2.根据权利要求1所述的电动车辆剩余续航里程预测方法,其特征在于,所述原始lstm模型包括输入层、lstm层、注意力机制层、dropout层、lstm层和dropout层的组合层、dense层和输出层;其中,所述输入层的传入数据维度为预设数据维度,所述组合层的层数为寻优得到的第一层数,所述dense层的层数为寻优得到的第二层数;

3.根据权利要求1所述的电动车辆剩余续航里程预测方法,其特征在于,所述基于所述续航影响因子集合和所述真实续航里程,构建样本集合,包括:

4.根据权利要求1所述的电动车辆剩余续航里程预测方法,其特征在于,所述续航影响因子集合包括每公里能耗、电池电荷状态soc值、每公里的平均速度、每公里加速度绝对值超过0.1g的次数以及电池健康状态。

5.根据权利要求2所述的电动车辆剩余续航里程预测方法,其特征在于,通过灰狼优化算法、所述目标样本集合对所述原始lstm模型进行训练,得到训练好的剩余续航里程预测模型,包括:

【专利技术属性】
技术研发人员:李土旺王歆誉杨黎健伊海霞
申请(专利权)人:广汽埃安新能源汽车股份有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1