车辆能耗信息预测方法、计算机设备和存储介质与流程

本申请涉及车辆能耗预测领域，特别是涉及一种车辆能耗信息预测方法、计算机设备和存储介质。

背景技术：

1、以下陈述仅提供与本申请有关的背景信息，而不必然地构成现有技术。

2、电动汽车以车载电源为动力，用电机驱动车辆行驶，电动汽车的续航里程是整车控制的重要内容，驾驶员需要通过查看电动汽车仪表显示的续航里程进行出行计划，以避免电动汽车在行驶过程中因能源耗尽而停止。

3、传统的续航里程是根据历史平均能耗值以及当前电池剩余能量估算得出，然而，发明人意识到，车辆当前的能耗会受到例如车辆状态、天气情况、道路情况等多种因素的影响，历史平均能耗值并不能准确地反映出车辆当前的能耗，因而基于历史平均能耗值估算出的续航里程也不够准确。

技术实现思路

1、本申请针对上述不足或缺点，提供了一种车辆能耗信息预测方法、计算机设备和存储介质，本申请实施例能够精准预测车辆在各种场景下的百公里能耗信息和当前能耗信息，有利于更准确地估算出剩余里程。

2、本申请根据第一方面提供了一种车辆能耗信息预测方法，在一些实施例中，该方法包括：

3、获取目标车辆的当前能耗特征数据，从当前能耗特征数据中提取时间序列相关信息和非时间序列相关信息；

4、将时间序列相关信息输入基于lstm神经网络训练得到的第一预测模型，通过第一预测模型根据输入的数据输出特征向量矩阵，并根据特征向量矩阵输出目标车辆的百公里能耗信息；

5、将特征向量矩阵中的目标特征向量以及非时间序列相关信息输入基于bp神经网络训练得到的第二预测模型，获取第二预测模型输出的能耗信息作为目标车辆的当前能耗信息。

6、在一些实施例中，时间序列相关信息包括车辆状态特征、环境状态特征和电气设备特征；非时间序列相关信息包括多种车载设备的设定信息；

7、所述方法还包括：

8、获取历史能耗特征数据；

9、按照预设时间窗长度将历史能耗特征数据在时间域上划分为多个数据段；

10、从每个数据段中提取时间序列相关信息和非时间序列相关信息作为该数据段的第一输入标签和第二输入标签；

11、计算每个数据段的百公里能耗信息和当前能耗信息，并将每个数据段的百公里能耗信息和当前能耗信息作为该数据段的第一输出标签和第二输出标签；

12、搭建lstm神经网络，根据每个数据段对应的第一输入标签和第一输出标签训练lstm神经网络，得到第一预测模型；

13、搭建bp神经网络，将每个数据段对应的第二输入标签和lstm神经网络处理每个数据段的第一输入标签时输出的目标特征向量作为bp神经网络的输入，将每个数据段对应的第二输出标签作为bp神经网络的输出，对bp神经网络进行训练，得到第二预测模型。

14、在一些实施例中，每个数据段包括车辆状态信息、环境状态信息和电气设备信息；

15、从每个数据段中提取时间序列相关信息，包括：

16、从每个数据段包括的车辆状态信息、环境状态信息和电气设备信息中分别提取车辆状态特征、环境状态特征和电气设备特征。

17、在一些实施例中，从每个数据段包括的车辆状态信息、环境状态信息和电气设备信息中分别提取车辆状态特征、环境状态特征和电气设备特征，包括：

18、根据每个数据段包括的车辆状态信息计算车辆状态平均值作为对应的车辆状态特征；

19、根据每个数据段包括的环境状态信息计算环境状态平均值作为对应的环境状态特征；

20、从每个数据段包括的电气设备信息中提取电气设定状态特征、以及根据每个数据段包括的电气设备信息计算功率平均值，将每个数据段的电气设定状态特征和功率平均值作为对应的电气设备特征。

21、在一些实施例中，计算每个数据段的百公里能耗信息，包括：

22、获取每个数据段的速度信息，对速度信息进行积分得到对应的总行驶里程信息；

23、获取每个数据段的起始时刻的电池剩余能量值和终止时刻的电池剩余能量值，计算两个电池剩余能量值的差值作为对应的能耗量；

24、根据每个数据段对应的总行驶里程信息和能耗量计算每个数据段的百公里能耗信息。

25、在一些实施例中，根据每个数据段对应的第一输入标签和第一输出标签训练lstm神经网络，包括：

26、获取第一输入标签中每个特征对应的由上边界值和下边界值构成的自诊断区间；

27、将每个数据段对应的第一输入标签输入lstm神经网络，根据lstm神经网络的实际输出以及对应的第一输出标签调整lstm神经网络的网络权重；其中，将第一输入标签中的任一特征输入lstm神经网络之前，判断上述任一特征的特征值是否处于对应的自诊断区间内，若否，将上述任一特征的特征值更新为与原特征值距离最近的边界值。

28、在一些实施例中，对bp神经网络进行训练时，上述方法还包括：

29、获取每个数据段对应的第二输入标签中每个特征对应的由上边界值和下边界值构成的自诊断区间；

30、将第二输入标签中的任一特征输入bp神经网络之前，判断上述任一特征的特征值是否处于对应的自诊断区间内，若否，则将上述任一特征的特征值更新为与原特征值距离最近的边界值。

31、在一些实施例中，获取第二预测模型输出的能耗信息作为目标车辆的当前能耗信息之后，上述方法还包括：

32、根据目标车辆的当前能耗信息确定目标车辆的剩余里程。

33、本申请根据第二方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任一实施例中提供的车辆能耗信息预测方法的步骤。

34、本申请根据第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中提供的车辆能耗信息预测方法的步骤。

35、在本申请的上述实施例中，通过获取目标车辆的当前能耗特征数据，从当前能耗特征数据中提取时间序列相关信息和非时间序列相关信息，将时间序列相关信息输入基于lstm神经网络训练得到的第一预测模型，通过第一预测模型根据输入的数据输出特征向量矩阵，并根据特征向量矩阵输出目标车辆的百公里能耗信息；将特征向量矩阵中的目标特征向量以及非时间序列相关信息输入基于bp神经网络训练得到的第二预测模型，获取第二预测模型输出的能耗信息作为目标车辆的当前能耗信息。上述实施例考虑到了车辆状态，驾驶员状态，天气信息，道路信息等多种因素对车辆能耗的影响，并且结合lstm神经网络和bp神经网络对车辆能耗进行预测，相比现有方案，能够实现对汽车状态和外界环境信息自适应的能耗预测，以及能够精准预测各种场景下的百公里能耗和当前的剩余里程。

技术特征：

1.一种车辆能耗信息预测方法，其特征在于，方法包括：

2.如权利要求1的方法，其特征在于，所述时间序列相关信息包括车辆状态特征、环境状态特征和电气设备特征；所述非时间序列相关信息包括多种车载设备的设定信息；

3.如权利要求2的方法，其特征在于，每个数据段包括车辆状态信息、环境状态信息和电气设备信息；

4.如权利要求3的方法，其特征在于，从每个数据段包括的车辆状态信息、环境状态信息和电气设备信息中分别提取车辆状态特征、环境状态特征和电气设备特征，包括：

5.如权利要求2的方法，其特征在于，计算每个数据段的百公里能耗信息，包括：

6.如权利要求2的方法，其特征在于，根据每个数据段对应的第一输入标签和第一输出标签训练lstm神经网络，包括：

7.如权利要求2所述的方法，其特征在于，对bp神经网络进行训练时，所述方法还包括：

8.如权利要求1的方法，其特征在于，获取第二预测模型输出的能耗信息作为目标车辆的当前能耗信息之后，方法还包括：

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行计算机程序时实现权利要求1至8中任一项方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，计算机程序被处理器执行时实现权利要求1至8中任一项的方法的步骤。

技术总结本申请涉及一种车辆能耗信息预测方法、计算机设备和存储介质。方法包括：获取目标车辆的当前能耗特征数据，从当前能耗特征数据中提取时间序列相关信息和非时间序列相关信息；将时间序列相关信息输入基于LSTM神经网络训练得到的第一预测模型，通过第一预测模型根据输入的数据输出特征向量矩阵，并根据特征向量矩阵输出目标车辆的百公里能耗信息；将特征向量矩阵中的目标特征向量以及非时间序列相关信息输入基于BP神经网络训练得到的第二预测模型，获取第二预测模型输出的能耗信息作为目标车辆的当前能耗信息。本申请实施例能够精准预测车辆在各种场景下的百公里能耗信息和当前能耗信息，有利于更准确地估算出剩余里程。技术研发人员：周伟,孟涛,李素文受保护的技术使用者：华人运通（山东）科技有限公司技术研发日：技术公布日：2024/7/4