【技术实现步骤摘要】
本专利技术涉及电动自行车，尤其是一种电动自行车铅蓄电池剩余续航里程预测方法及系统。
技术介绍
1、在电动自行车的实际应用中，准确计算铅蓄电池的剩余续航里程对于用户来说至关重要。当前，电动自行车续航里程的计算主要依赖于简单的数学公式，虽然这种方法在理论上有一定的指导意义，但在实际应用中往往存在较大的误差。
2、此外，采用传统的机器学习方法来预测电动自行车的剩余续航里程，如通过收集电池的历史放电数据，利用决策树等算法来建立预测模型。一方面，这些方法往往依赖于大量的历史数据，并且无法适应实时骑行状态的变化及环境变化，导致剩余续航里程的预测结果准确性下降。另一方面，对于电动自行车铅蓄电池剩余续航里程的预测，涉及到多个因素的综合考量，如电池温度、电池老化程度、骑行习惯等。传统的机器学习算法在处理这些因素时，往往需要构建复杂的模型，这不仅增加了计算的复杂度，也降低了模型的泛化能力。
技术实现思路
1、本专利技术人针对上述问题及技术需求，提出了一种电动自行车铅蓄电池剩余续航里程预测方法及系统，可以提供准确的剩余续航里程预测，以及降低模型复杂度。本专利技术的技术方案如下：
2、第一方面，本申请提供了一种电动自行车铅蓄电池剩余续航里程预测方法，包括如下步骤：
3、在云端，基于骑行历史数据对云端里程模型进行迭代训练生成车端模型参数；
4、在车端，车端模型根据电池soc及云端输出的车端模型参数生成剩余续航里程预测值；
5、结合骑行过程中的实时骑
6、其中，骑行历史数据包括车辆报文数据和电池报文数据；云端里程模型包括单一设备回归模型、多设备回归模型、单一设备电量积分模型、样本设备电量积分模型。
7、其进一步的技术方案为，基于骑行历史数据对云端里程模型进行迭代训练生成车端模型参数，包括：
8、对从各类设备获取的车辆报文数据和电池报文数据进行数据清洗及矫正；
9、采用相应的车辆报文数据和电池报文数据，对单一设备回归模型、多设备回归模型、单一设备电量积分模型、样本设备电量积分模型进行模型迭代训练，获得每个模型的预测结果；
10、对四个模型的预测结果进行集成学习，输出集成结果作为车端模型参数；
11、其中，预测结果为与soc和行驶里程相关的车辆时速。
12、其进一步的技术方案为，对从各类设备获取的车辆报文数据和电池报文数据进行数据清洗及矫正，包括：
13、对车辆报文数据和电池报文数据采用etl完成数据清洗；
14、车辆报文数据中包括主副电池剩余电量soc及对应的行驶里程，电池报文数据中包括主副电池剩余电量soc，过滤掉其中的异常值并将soc按序排列；
15、遍历各个soc，以当前soc与前后n个soc所在区间内的soc及对应的行驶里程，计算每消耗1％的电量所能骑行的公里数，根据车辆时速、soc与骑行公里数的关系再反推出当前soc所对应的稳定车辆时速，以矫正车辆报文数据中的车辆时速；
16、其中，n为偶数。
17、其进一步的技术方案为，对四个模型的预测结果进行集成学习，输出集成结果作为车端模型参数，包括：
18、过滤掉四个模型的预测结果中的异常值，计算剩余的预测结果的均值，并从剩余的预测结果中寻找与参考值最接近的预测结果；
19、若找到的预测结果与均值之间的差值超过第一阈值，则将剩余的预测结果的均值作为最终的车端模型参数输出，否则将找到的预测结果作为最终的车端模型参数输出。
20、其进一步的技术方案为，参考值的获取方法包括：
21、将当前车辆最近一段时间的骑行平均时速，作为参考值。
22、其进一步的技术方案为，结合骑行过程中的实时骑行状态及环境因素，实时调整剩余续航里程预测值，包括：
23、根据实时骑行状态及环境因素确定车辆所处模式；
24、将车端模型输出的剩余续航里程预测值乘以当前模式对应的系数，得到调整后的剩余续航里程预测值。
25、其进一步的技术方案为，根据实时骑行状态及环境因素确定车辆所处模式，包括：
26、获取骑行过程中的实时骑行状态及环境因素，实时骑行状态包括车辆载重情况、车辆平均时速，环境因素包括车辆上下坡角度；
27、当在一定时间内持续检测到车辆载重不小于第一重量阈值，或车辆平均时速不小于第一速度阈值，或车辆上下坡角度大于第一角度阈值，则认为车辆处于耗电模式；
28、当在一定时间内持续检测到车辆载重不大于第二重量阈值，且车辆平均时速不大于第二速度阈值，且车辆上下坡角度小于第二角度阈值，则认为车辆处于经济模式；
29、其余情况则认为处于正常模式；
30、其中，第一重量阈值大于第二重量阈值，第一速度阈值大于第二速度阈值，第一角度阈值大于第二角度阈值。
31、其进一步的技术方案为，正常模式对应的系数为1，耗电模式对应的系数小于1，经济模式对应的系数大于1。
32、其进一步的技术方案为，车辆报文数据包括主副电池剩余电量soc及对应的行驶里程、主副电池充电循环次数、骑行状态、总行驶里程、车辆时速、车端电池电压；
33、电池报文数据包括主副电池剩余电量soc、主电池电压、主副电池环境温度、主副电池充电循环次数。
34、第二方面，本申请还提供了一种电动自行车铅蓄电池剩余续航里程预测系统，包括交互的云端服务器和车端中央控制器，云端服务器和车端中央控制器中包含计算机程序，计算机程序被两端执行时实现第一方面所述的方法的步骤。
35、本专利技术的有益技术效果是：
36、上述方法及系统中，车端模型基于电池soc及云端输出的车端模型参数生成剩余续航里程预测值，并结合实时骑行状态及环境因素进行实时调整，通过将云计算与车端边缘计算相结合，不仅能够充分利用实时数据，还能够适应复杂多变的使用环境，从而提高剩余续航里程预测结果的准确性。
37、在云端能够实时收集和处理电动自行车的骑行数据和电池数据，利用集成学习算法对多个简单的云端里程模型的预测结果进行优化处理，在降低模型复杂度的前提下，可以实现对电动自行车铅蓄电池剩余续航里程的准确预测，提高了计算效率。
38、准确的剩余续航里程预测可以帮助用户更好地规划出行路线，避免因电量不足而带来的不便。此外，用户还可以根据预测结果调整驾驶习惯，从而延长电池的使用寿命。
本文档来自技高网...【技术保护点】
1.一种电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述基于骑行历史数据对云端里程模型进行迭代训练生成车端模型参数，包括：
3.根据权利要求2所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述对从各类设备获取的车辆报文数据和电池报文数据进行数据清洗及矫正，包括：
4.根据权利要求2所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，对四个模型的预测结果进行集成学习，输出集成结果作为所述车端模型参数，包括：
5.根据权利要求4所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述参考值的获取方法包括：
6.根据权利要求1所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，结合骑行过程中的实时骑行状态及环境因素，实时调整所述剩余续航里程预测值，包括：
7.根据权利要求6所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述根据实时骑行状态及环境因素确定车辆所处模式，包括：p>
8.根据权利要求7所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述正常模式对应的系数为1，所述耗电模式对应的系数小于1，所述经济模式对应的系数大于1。
9.根据权利要求1所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述车辆报文数据包括主副电池剩余电量SOC及对应的行驶里程、主副电池充电循环次数、骑行状态、总行驶里程、车辆时速、车端电池电压；
10.一种电动自行车铅蓄电池剩余续航里程预测系统，其特征在于，包括交互的云端服务器和车端中央控制器，所述云端服务器和所述车端中央控制器中包含计算机程序，所述计算机程序被两端执行时实现权利要求1至9中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述基于骑行历史数据对云端里程模型进行迭代训练生成车端模型参数，包括：
3.根据权利要求2所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述对从各类设备获取的车辆报文数据和电池报文数据进行数据清洗及矫正，包括：
4.根据权利要求2所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，对四个模型的预测结果进行集成学习，输出集成结果作为所述车端模型参数，包括：
5.根据权利要求4所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，所述参考值的获取方法包括：
6.根据权利要求1所述的电动自行车铅蓄电池剩余续航里程预测方法，其特征在于，结合骑行过程中的实时骑行状态及环境因素，实时...
【专利技术属性】
技术研发人员：黄忠睿，
申请(专利权)人：浙江雅迪机车有限公司，
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。