[发明专利]一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法

说明书

本发明公开一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法，其核心在于预先设置一个算法模型，该算法模型为XGBoost(eXtremeGradient Boosting，极端梯度提升)算法，该方法首先获取车辆当前的各种相关数据，通过分析判断当前车辆工况，同时获取车辆燃料电池数据、氢系统数据和其他车辆数据，并将当前数据与车辆工况对应的历史数据进行比例组合后输入到算法模型中，预测氢气在当前工况下未来的消耗曲线。该算法的优点在于：不断的利用在先的算法模型的残差来优化调整当前预测续航里程的运算需要用的算法模型，因此，随着数据量的越来越大，迭代次数的越来越多，预测运算需要的算法模型会越来越收敛，预测的精度就会不断的提高。

技术领域

本发明涉及本发明涉及工业大数据数据挖掘领域，具体涉及一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法。

背景技术

随着环境污染和能源危机问题日益突出，新能源的使用与推广逐渐成为重要的研究方向。在新能源中，氢能源因其高效、环保的特点具有广大的应用前景。燃料电池汽车是氢能源重要的应用形式之一。随着燃料电池技术和制氢储氢技术的进步，燃料电池汽车如今达到一定规模的商用阶段。燃料电池是燃料电池汽车的核心，研究燃料电池汽车在不同工况下行驶时燃料电池对氢气的消耗情况，有助于研究燃料电池实际性能的表现。

百公里能耗是车辆最重要的能源指标之一，即在一百公里内燃料电池汽车消耗的氢气的质量。燃料电池汽车出厂前所测百公里能耗指标是当燃料电池处于稳定状态下得到的结果，具有参考价值。但是燃料电池汽车在实际的运行过程中，燃料电池的状态是时刻在变化的，处于非稳定状态，同时氢气质量的消耗与司机的驾驶风格、汽车行驶的路况、汽车的载重情况等息息相。

燃料电池汽车单位里程的氢耗量并不是稳定的，所以驾驶燃料电池汽车的司机难免会产生“里程焦虑”的问题。“里程焦虑”是指汽车储氢罐中剩余的氢气能够驱动汽车行驶里程数不确定而产生的焦虑。相较于传统的燃油车而言，燃料电池汽车的司机产生的“里程焦虑”将会更加严重。目前而言，由于制氢技术、储氢技术等限制下，相同路程下燃料电池汽车消耗的氢气的价格高于传统燃油车消耗的燃油的价格。故而从经济成本角度考虑，燃料电池汽车司机在驾车行驶时，将更注重于能耗更低的驾驶方式和行驶路线。由于氢能源是新兴的事物，所以加氢站的分布远远不如加油站的分布密集，燃料电池汽车加氢远不如燃油车加油便捷。因此燃料电池汽车的司机必须时时关注车辆的氢气消耗状况，以便于能够在储氢罐中的氢气达到最低行驶浓度的之前前往指定的加氢站加氢。

上汽集团公开了一种氢燃料电池车可续航里程的计算方法及装置，专利申请号为：CN201810909041.0，在该现有技术中是根据当前氢气的消耗速率、氢气的利用率和氢气的剩余量再结合当前的车速计算出当前时刻的可续航里程。该方法是一种简单的计算方式，没考虑车辆的运行模式和运行工况，尤其是燃料电池的输出功率状态，因为在相同车速情况下，不同的运行模式和工况对氢气的消耗速率有很大影响。所以上述公开的预测方式不准确，本发明旨在提供一种预测更加准确的计算方法。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法。本方法在实现燃料电池状态监测的前提下，解决现有氢能燃料电池汽车续航里程预测的问题。本发明的技术方案如下：

一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法，其核心在于预先设置一个算法模型，该算法模型为XGBoost(eXtreme Gradient Boosting，极端梯度提升)算法，属于一种的集成算法模型。该算法的优点在于：不断的利用在先的算法模型的残差来优化调整当前预测续航里程的运算需要用的算法模型，因此，随着数据量的越来越大，迭代次数的越来越多，预测运算需要的算法模型会越来越收敛，预测的精度就会不断的提高。所述在先算法模型的残差是指在先的算法模型预测的续航里程预测值与实际里程值的一个差值。

其具体算法包括以下步骤：