【技术实现步骤摘要】
本专利技术涉及新能源汽车，具体地说，是一种基于驾驶行为量化因子的电动汽 车剩余里程预测方法。
技术介绍
1、剩余里程作为新能源汽车动力电池续航能力的直观表现，直接关系到驾驶员的对新能 源汽车驾驶的判断。新能源汽车剩余里程预测作为新能源动力电池 rul（剩余寿命）预测的 深度直观研究，对汽车电池的发展有着重要意义。剩余里程预测与剩余寿命预测有着相似的 方法，通过对汽车驾驶数据的收集例如 soc 数据、电池温度、环境温度的数据等；再选择 建 立合适的模型，将收集到的数据作为输入值，通过训练模型，得到精确的预测值。由于真 实 剩余里程不同于普通且工况不变下的实验剩余里程，在驾驶过程中各种情况的改变都能影 响 到剩余里程值。因此需要建立一个优秀的模型，将收集到重要相关数据做最优化处理，使 得 通过最终模型得到的预测值能尽量接近真实值。
技术实现思路
1、本专利技术的目的是提供一种基于驾驶行为量化因子的电动汽车剩余里程预测方法，该方 法能够综合考虑车辆状态参数和驾驶行为对剩余里程的影响，提高预测的准确性。
2、为实现上述目的，本专利技术采用以下技术方案：s1 数据采集与预处理：
3、s1 数据采集与预处理：采集新能源汽车的历史行驶数据，对数据进行分类清洗，去除 异常值、 缺失值和重复值，并进行数据划分。
4、s2 驾驶行为量化：基于清洗后的数据，选取驾驶行为评价指标，对各项指标进行赋权 并评价权重系数；通过归一化求加权和得到驾驶行为量化因子。
6、s4 剩余里程预测：将实时采集的车辆状态参数和驾驶行为量化因子输入训练好的 lstm 神经网络模型，得到剩余里程的预测值。
7、] 优选地，所述 s1 包括以下步骤： s1-1、对数据的缺失值、异常值和重复值进行处理， 消除异常数据的影响。s1-2、对清洗后的数据进行划分处理，先进行驾驶事件划分，即车辆从启动到熄火的过程, 其中包括加速、减速、匀速以及怠速等多种行车过程。将每一次驾驶 事件划分成多个 20 多秒 的行驶片段，对事件的末尾段小于 20 秒的片段忽略。
8、优选地，所述 s2 包括以下步骤：
9、s2-1、从车速和加速度方面选取了 7 项评价指标对驾驶行为进行数字化处理，同时对 急加速 时长占比、高速时长占比和能量回收占比这 3 项进行驾驶行为评价指标进行分析。
10、s2-2、急加速时长分析：将短行驶片段中的车速与加速度进行提取,提出一种分段区间 90%百分位线的急加速事件阈值线判断方法. 以 10km/h 作为一个分段区间, 对不同速度区间 进行独立分析, 将每个速度区间的 90%百分位线作为急加速事件判断的阈值线,避免阈值线难 以对高速事件进行识别。
11、s2-3、高速时长占比分析：通过 k-means 聚类方法和簇内误差平方和方法将速度区 间 划分成低速、中速和高速，获得高速时长占比。
12、] s2-4、通过随机森林算法对评价指标的重要性进行评估，将各项评价指标对驱动电机 能耗的重要性大小作为权重系数。
13、s2-4、驾驶行为量化因子计算。
14、优选地，所述 s3 包括以下步骤： s3-1、将驾驶行为量化因子和时间作为输入，通过原始数据对神经网络进行训练。
15、优选的，所述 s4 包括以下步骤： s4-1、通过 lstm 神经网络进行剩余里程预测。
本文档来自技高网...【技术保护点】
1.一种基于驾驶行为量化因子的电动汽车剩余里程预测方法，其特征在于，该方法包括以 下步骤： S1 数据采集与预处理：采集电动汽车的历史行驶数据，并对数据进行清洗、分类 和预 处理，以去除异常值、缺失值和重复值； S2 驾驶行为量化：基于预处理后的数据，选 取与驾驶行为相关的评价指标，对每项指 标进行量化并赋予权重，得到驾驶行为量化因子； S3 模型构建与训练：构建神经网络模型，将车辆状态参数和驾驶行为量化因子作为输 入， 剩余里程作为输出，对模型进行训练和优化； S4 剩余里程预测：实时采集电动汽车的车辆 状态参数和驾驶行为数据，输入到训练好 的神经网络模型中，得到剩余里程的预测值。
2.根据权利要求 1 所述的电动汽车剩余里程预测方法，其中，驾驶行为量化步骤进一步包 括： S2-1 选取驾驶行为评价指标，包括但不限于加速踏板开度、制动踏板开度、转向角、 行驶速度和行驶时间等； S2-2 对每个评价指标进行归一化处理，以消除量纲差异；S2-3 根据各评价指标对剩余里程的影响程度，为每个评价指标分配相应的权重； S2-4 将归一化 后的评价指标值与其对应的权重相乘，并求
3.根据权利要求 1 或 2 所述的电动汽车剩余里程预测方法，其中，神经网络模型采用长 短 期记忆（LSTM）网络结构，能够处理时序数据并捕捉驾驶行为和剩余里程之间的动态关 系。
4.一种电动汽车剩余里程预测系统，该系统包括： S4-1 数据采集模块，用于实时采集电 动汽车的车辆状态参数和驾驶行为数据； S4-2 数据处理模块，用于对采集到的数据进行预 处理和驾驶行为量化； S4-3 预测模型模块，包含根据权利要求 1、2 或 3 所述的方法训练 得到的神经网络模型， 用于接收数据处理模块的输出并输出剩余里程的预测值；S4-5 显示 模块，用于将剩余里程的预测值展示给驾驶员。
5.根据权利要求 4 所述的电动汽车剩余里程预测系统，该系统还包括： S5-1 模型更新模 块，用于定期或根据特定条件对神经网络模型进行更新和优化，以提 高预测准确性。
6.一种电动汽车，其特征在于，该电动汽车集成了根据权利要求 4 或 5 所述的电动汽车 剩余里程预测系统。
7.一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现根据权 利要求 1、2 或 3 所述的电动汽车剩余里程预测方法的步骤。
8.一种用于实现电动汽车剩余里程预测的计算设备，包括： S8-1 处理器； S8-2 存储器， 存储有可在处理器上运行的计算机程序，该程序被处理器执行时实现根据 权利要求1、2 或 3 所述的电动汽车剩余里程预测方法的步骤。
...【技术特征摘要】
1.一种基于驾驶行为量化因子的电动汽车剩余里程预测方法，其特征在于，该方法包括以 下步骤： s1 数据采集与预处理：采集电动汽车的历史行驶数据，并对数据进行清洗、分类 和预 处理，以去除异常值、缺失值和重复值； s2 驾驶行为量化：基于预处理后的数据，选 取与驾驶行为相关的评价指标，对每项指 标进行量化并赋予权重，得到驾驶行为量化因子； s3 模型构建与训练：构建神经网络模型，将车辆状态参数和驾驶行为量化因子作为输 入， 剩余里程作为输出，对模型进行训练和优化； s4 剩余里程预测：实时采集电动汽车的车辆 状态参数和驾驶行为数据，输入到训练好 的神经网络模型中，得到剩余里程的预测值。
2.根据权利要求 1 所述的电动汽车剩余里程预测方法，其中，驾驶行为量化步骤进一步包 括： s2-1 选取驾驶行为评价指标，包括但不限于加速踏板开度、制动踏板开度、转向角、 行驶速度和行驶时间等； s2-2 对每个评价指标进行归一化处理，以消除量纲差异；s2-3 根据各评价指标对剩余里程的影响程度，为每个评价指标分配相应的权重； s2-4 将归一化 后的评价指标值与其对应的权重相乘，并求和得到驾驶行为量化因子。
3.根据权利要求 1 或 2 所述的电动汽车剩余里程预测方法，其中，神经网络模型采用长 短 期记忆（lstm）网络结构，能够处理时...
【专利技术属性】
技术研发人员：曾建邦，沈超群，李骏，黄豪，胡亦非，段兴兵，覃清梅，李彬斌，
申请(专利权)人：华东交通大学，
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。