[发明专利]一种电动汽车瞬时耗能估计方法及装置

说明书

本发明提供一种电动汽车瞬时耗能估计方法及装置，包括如下步骤：A、获取电动汽车行车数据和历史天气数据；B、在行车数据中加入新列作为后续目标特征；C、将时间格式和精度均统一后的行车数据和历史天气数据进行拼接，形成合并数据；D、构建神经网络；E、将合并数据划分为训练集和测试集，利用训练集对步骤D构建的神经网络进行训练，以得到瞬时耗能估计模型。本发明运算精度高，运算速度快，适应性强。

技术领域

本发明涉及一种电动汽车瞬时耗能估计方法及装置。

背景技术

电动汽车续航里程一直是关注的重要指标，可靠、准确地估算电动汽车的瞬时能耗对驾驶员出行规划至关重要。由于电动汽车的能量消耗并不是简单的线性模型，而是由多个因素耦合而成的，因此基于建立汽车物理模型的能耗预测很难达到较高精度。

目前，以广泛用于估计电动汽车能耗的方法可分为两类。第一类方法是以电池为研究对象，研究电池的SOC、温度等特征与能耗的关系，从而建立能量模型，通过电池的状态参数来预测瞬时能耗。但是，由于仅仅是对电池进行考虑，忽略了对环境情况、驾驶员行为的研究，这使得在复杂的动态交通环境中，对瞬时能耗的估计的误差较大。第二类方法是以驾驶员行为因素、车辆因素(速度、加速度等)、环境温度等作为研究对象，进行特征识别，利用机器学习的方法进行建模分析，这种方法是目前的主流方法。但是，目前所出现的机器学习用于电动汽车能耗预测的方法也有一些缺点。第一个是对于天气信息多样性的忽略，大多只考虑了环境温度，风速这两个特征。第二个是传统使用的机器学习回归算法对于分类特征处理效果不够优秀。第三个是传统机器学习回归算法的模型参数优化无法随实时数据更新而快速适应，需要根据最近的数据不断进行重新训练，随着时间推移，真实数据分布可能与训练数据分布有较大的差异，从而影响精度。

发明内容

本发明提出一种电动汽车瞬时耗能估计方法及装置，运算精度高，运算速度快，适应性强。

本发明通过以下技术方案实现：

一种电动汽车瞬时耗能估计方法，包括如下步骤：

A、获取电动汽车行车数据，该行车数据包括时间和位置信息，并根据该时间和位置信息获取历史天气数据，该历史天气数据包括大气温度、露点温度、大气压、风向、风速、湿度、云量、水平能见度和特殊天气；

B、所述行车数据还包括瞬时电流数据和瞬时电压数据，在行车数据中加入新列作为后续目标特征，该列数据为瞬时电流数据和对应的瞬时电压数据之积；

C、将获取行车数据的时间格式和获取历史天气数据的时间格式进行统一、将行车数据的精度和历史天气数据的精度进行统一，并将时间格式和精度均统一后的行车数据和历史天气数据进行拼接，形成合并数据；

D、构建神经网络：神经网络包括具有分类特征输入部分和数字特征输入部分的输入层、分别与分类特征输入部分和数字特征输入部分关联的dropout神经网络层、与分类特征输入部分和对应的dropout神经网络层关联的FM神经网络层、以及与数字特征输入部分和对应的dropout神经网络层关联的局部连接层；

E、将合并数据划分为训练集和测试集，利用训练集对步骤D构建的神经网络进行训练，以得到瞬时耗能估计模型。

进一步的，所述步骤A中，所述行车数据还包括速度、加速踏板与制动踏板状态，所述位置信息为经纬度数据。

进一步的，所述步骤A中，获取所述历史天气数据的采样周期为半小时。

进一步的，所述步骤B中，在行车数据中加入所述新列之前，将行车数据中小于或者等于0的瞬时电流数据及这些瞬时电流数据对应的瞬时电压数据删除，在行车数据中加入所述新列之后，将瞬时电流数据列和瞬时电压数据列删除。

进一步的，所述步骤C具体包括：