【技术实现步骤摘要】
本专利技术涉及驾驶员行为刻画与车辆续驶里程估算领域，尤其涉及一种结合机理的弱监督续驶里程估算和驾驶行为分析方法。
技术介绍
1、在燃油车时代，续驶续航里程预测精度一般，但是由于加油站的地域普及和单次加油时间短，用户对其需求并不会很明显。而在如今新能源汽车(纯电车)时代，长达数小时的充电时间、高速服务区零落的充电桩分布，迫使电车充电必须纳入用户的出行计划中。因此，新能源电车，尤其是纯电车的续驶里程预测，具有更重要研究意义。
2、现有的实施续驶里程估算方案多基于仅来自车辆端的历史数据，大多为环境温度、电芯温度以及耗电量与行驶里程，在平均百公里电耗上增加基于历史电耗率和里程因子之间的修正因子，未考虑用户端驾驶行为对车辆续驶里程的影响。对百公里电耗的刻画较为简单，是将车辆状态和行驶路况理想化后进行计算，如平均百公里电耗(车辆行驶的总耗电量/总百公里)。现有的续驶里程估算方案存在以下问题：(1)未考虑在实际使用中，路况、用户端信息包括驾驶员行为习惯、驾驶模式、高压用电系统使用情况等对电动汽车续驶里程的影响；(2)未考虑将续驶里程估算与驾驶员行为分析相结合；(3)采用数据驱动手段进行续驶里程估算往往需要获取大量标签数据，训练成本较高。
技术实现思路
1、本专利技术的目的是为了解决现有技术中存在的缺点，而提出的一种结合机理的弱监督续驶里程估算和驾驶行为分析方法。这里结合机理，是指在模型训练过程中结合车辆驾驶特征与续驶里程之间满足的物理约束。这里弱监督，是指在机器学习领域中，算法不需要
2、本专利技术的目的是通过以下技术方案来实现的：一种结合机理的弱监督续驶里程估算和驾驶行为分析方法，该方法包括以下步骤：
3、s1，获取纯电动汽车的车辆驾驶数据、环境条件数据、电池状态数据和续驶里程数据；
4、s2，计算车辆驾驶特征和环境条件特征对续驶里程的转移熵；
5、s3，基于转移熵筛选对纯电动汽车续驶里程相关性最大的特征；
6、s4，构建续驶里程先验物理模型；
7、s5，确定变分自编码器vae模型的输入特征以及隐变量特征并划分训练集与验证集；
8、s6，构建vae模型，设置编码器与解码器的神经网络层数、各层网络中的神经元个数、学习率、编码器输出所服从的分布、训练数据批次大小；
9、s7，训练vae模型，将车辆驾驶数据与环境条件数据输入vae模型中进行前向计算，计算vae模型的损失函数值，利用动量梯度下降法更新vae模型参数，完成vae模型训练；
10、所述vae模型的损失函数由证据下界损失、物理损失和因果损失三部分构成；所述证据下界损失用于衡量经过vae模型重构的样本与原样本之间的差距以及vae模型生成的隐变量服从的分布与其先验分布之间的距离；所述物理损失用于衡量vae模型生成的隐变量与输入特征之间满足续驶里程先验物理模型的程度；所述因果损失用于衡量vae模型生成的隐变量之间的因果关联与真实因果关联之间的差距；
11、s8，利用训练好的vae模型的编码器部分估计纯电动汽车的续驶里程，利用训练好的vae模型的解码器部分推断驾驶行为。
12、进一步地，所述车辆驾驶数据特征包括绝缘栅双极型晶体管芯片温度、电机转矩、电机转速、驱动功率、电压极值、加速踏板位置、制动踏板位置、空调设备开关量、行驶里程、耗电量，车辆驾驶数据特征集合表示为dr，其中所包含的特征数为ndr；所述环境条件数据特征包括车辆外的环境温度、风速、路况数据，环境条件数据特征集合表示为en，其中所包含的特征数为nen；所述电池状态数据特征包括电池充电状态、电池健康状态数据，电池状态数据特征集合表示为bs，其中所包含的特征数为nbs；所述续驶里程数据表示为mi，表示车辆能继续行驶的里程数；各特征数据观测时长表示为t，包含的样本数表示为ntotal。
13、进一步地，所述转移熵的计算公式如下：
14、tcav→rev＝h(revt|revt-1：t-l)-h(revt|revt-1：t-l，cavt-1：t-l)
15、其中，rev表示目标变量，revt表示t时刻rev的观测值，revt-1；t-l表示rev前l时间步的历史数据；cav表示原因变量，cavt-1；t-l表示cav前l时间步的历史数据；h(·|·)表示条件熵，其处理过程如下所示：
16、h(revt|revt-1：t-l)＝-∑p(revt-1：t-l)∑p(revt|revt-1：t-l)log p(revt|revt-1：t-l)
17、h(revt|revt-1：t-l，cavt-1：t-l)＝
18、-∑p(revt-1：t-l，cavt-1：t-l)∑p(revt|revt-1：t-l，cavt-1：t-l)
19、log p(revt|revt-1：t-l，cavt-1：t-l)
20、其中，p(·)表示变量的概率密度函数。
21、进一步地，s3具体为：转移熵阈值为th，通过对比阈值来筛选对汽车续驶里程相关性最大的特征集合x，其中特征数为nx，处理过程如下：
22、x＝{cav|tcav→rev＞th，cav∈{dr，en}，rev∈{bs，mi}}
23、并设置特征集合z＝{bs，mi}，其中特征数为nz，将特征集合x与z中对应的数据集在时间轴上合并得到总数据集其中表示数据集的特征维度，并且满足或者，预设特征数量，通过计算并排序各个特征的转移熵值，进而识别并选择出与汽车续驶里程估计具有最高相关性的特征来组成集合x。
24、进一步地，所述续驶里程先验物理模型通过专家经验进行构建，表征由s3得到的特征集合x与特征集合z之间满足的近似物理关系，续驶里程先验物理模型由向量函数f(·)统一表示为f(x，z)＝0。
25、进一步地，s5中，设置vae模型的输入特征为x，隐变量特征为z，并以9：1的比例将数据集划分为训练集以及验证集其中n1＝0.9ntotal，n2＝0.1ntotal。
26、进一步地，所述构建vae模型具体为：
27、所述vae模型的编码器的结构设置为多层感知机，编码器的输入层神经元个数设置为nx，输出层神经元个数设置为2nz，编码器中包含的隐藏层的数量为lh，每层隐藏藏中所包含的神经元个数为nl，l＝1,2，...，lh；
28、所述vae模型的解码器的结构设置为多层感知机，解码器的输入层神经元个数设置为nz，输出层神经元个数设置为nx，解码器中包含的隐藏层的数量为lh；
29、设置变分自编码器的学习率为lr；设置编码器的输出服从多维标准正态分布，即为nz×nz单位矩阵；设置训练数据批次大小为nb。
30、进一步地，所述vae模型的前向传播包括：
31、将训练集本文档来自技高网...
【技术保护点】
1.一种结合机理的弱监督续驶里程估算和驾驶行为分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述车辆驾驶数据特征包括绝缘栅双极型晶体管芯片温度、电机转矩、电机转速、驱动功率、电压极值、加速踏板位置、制动踏板位置、空调设备开关量、行驶里程、耗电量，车辆驾驶数据特征集合表示为DR，其中所包含的特征数为NDR；所述环境条件数据特征包括车辆外的环境温度、风速、路况数据，环境条件数据特征集合表示为EN，其中所包含的特征数为NEN；所述电池状态数据特征包括电池充电状态、电池健康状态数据，电池状态数据特征集合表示为BS，其中所包含的特征数为NBS；所述续驶里程数据表示为MI，表示车辆能继续行驶的里程数；各特征数据观测时长表示为T，包含的样本数表示为ntotal。
3.根据权利要求2所述的方法，其特征在于，所述转移熵的计算公式如下：
4.根据权利要求3所述的方法，其特征在于，S3具体为：转移熵阈值为TH，通过对比阈值来筛选对汽车续驶里程相关性最大的特征集合X，其中特征数为NX，处理过程如下：
5.根据权利要求4所述的方法，
6.根据权利要求5所述的方法，其特征在于，S5中，设置VAE模型的输入特征为X，隐变量特征为Z，并以9：1的比例将数据集划分为训练集以及验证集其中n1＝0.9ntotal，n2＝0.1ntotal。
7.根据权利要求6所述的方法，其特征在于，所述构建VAE模型具体为：
8.根据权利要求7所述的方法，其特征在于，所述VAE模型的前向传播包括：
9.根据权利要求8所述的方法，其特征在于，所述VAE模型的总损失函数由证据下界损失、物理损失和因果损失三部分构成；
10.根据权利要求9所述的方法，其特征在于，S8中的应用过程具体为：通过车辆端实时采集车辆驾驶数据与环境条件数据，进行特征筛选后输入训练好的VAE模型的编码器，通过因果层输出对续驶里程的估计值；通过将当前车辆的续驶里程和电池状态数据特征直接输入训练好的VAE模型的解码器，通过解码器估计出当前车辆驾驶数据特征，从而推断当前驾驶员的驾驶行为。
...【技术特征摘要】
1.一种结合机理的弱监督续驶里程估算和驾驶行为分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述车辆驾驶数据特征包括绝缘栅双极型晶体管芯片温度、电机转矩、电机转速、驱动功率、电压极值、加速踏板位置、制动踏板位置、空调设备开关量、行驶里程、耗电量，车辆驾驶数据特征集合表示为dr，其中所包含的特征数为ndr；所述环境条件数据特征包括车辆外的环境温度、风速、路况数据，环境条件数据特征集合表示为en，其中所包含的特征数为nen；所述电池状态数据特征包括电池充电状态、电池健康状态数据，电池状态数据特征集合表示为bs，其中所包含的特征数为nbs；所述续驶里程数据表示为mi，表示车辆能继续行驶的里程数；各特征数据观测时长表示为t，包含的样本数表示为ntotal。
3.根据权利要求2所述的方法，其特征在于，所述转移熵的计算公式如下：
4.根据权利要求3所述的方法，其特征在于，s3具体为：转移熵阈值为th，通过对比阈值来筛选对汽车续驶里程相关性最大的特征集合x，其中特征数为nx，处理过程如下：
5.根据权利要求4所述的方法，其特征在于，所述续驶里程先验...
【专利技术属性】
技术研发人员：沈超，阮煜程，孙铭阳，赵成成，马睿洁，陈荣博，
申请(专利权)人：浙江大学，
类型：发明
国别省市：
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。