一种新能源电动汽车续驶里程预测方法与流程

本发明涉及新能源电动汽车领域。具体为一种新能源电动汽车续驶里程预测方法。

背景技术：

1、新能源电动汽车，英文：(new energy electric vehicles)新能源电动汽车的组成包括：电力驱动及控制系统、驱动力传动等机械系统、完成既定任务的工作装置等。

2、电力驱动及控制系统是电动汽车的核心，也是区别于内燃机汽车的最大不同点。电力驱动及控制系统由驱动电动机、电源和电动机的调速控制装置等组成。电动汽车的其他装置基本与内燃机汽车相同。

3、影响新能源电动汽车续驶里程预测精度的相关特性因素较多，且具有时变、非线性、数学建模复杂等特点，导致新能源电动汽车续驶里程指标难以精准、快速的预测。以往技术结合车辆行驶过程中的历史平均能量消耗、车辆剩余soc值、车辆出厂电箱标称能量进行估算，未考虑环境温度改变造成的电池容量衰减、电池内阻增加、车辆运行工况、电池放电过程非线性等因素，导致续驶里程预测值与实际运行值的偏差。

技术实现思路

1、本发明为了解决背景技术中存在的问题，目的在于提供了一种新能源电动汽车续驶里程预测方法，用以解决上述情况。

2、用于解决问题的方案

3、一种新能源电动汽车续驶里程预测方法，所述方法包括：

4、基于人工先验知识结合预处理后的数据集，采用皮尔逊相关性计算方法计算特征字段与续驶里程值相关性并筛选，得到筛选后的特征字段；

5、对筛选后的特征字段基于时间序列进行整合处理，得到构造的数据集；

6、基于筛选后的特征字段中时序特征与非时序特征数量，构建长短期记忆网络与回归网络融合的网络模型；

7、利用构造的数据集，初始化超参数，对长短期记忆网络与回归网络融合的网络模型进行迭代优化训练处理，得到优化后的预测模型。

8、进一步，所述方法还包括：获取车辆运行与环境历史数据。

9、进一步，在获取车辆运行与环境历史数据后，所述方法还包括：

10、将获取的车辆运行与环境历史数据进行预处理，得到预处理后的数据集。

11、进一步，所述预处理包括：清除异常值、填充缺失值、构造续驶里程标签值和数据归一化。

12、进一步，所述构造续驶里程标签值，具体包括：根据数据采样频率，采用车辆行驶至低电量的累计里程值与每条报文的累计里程差值方法构造，所述低电量是指车辆运行soc值到10以下的情况。

13、进一步，所述车辆运行与环境历史数据，通过车辆can总线中采集及企业自有云平台或国家平台下载。

14、进一步，采用采用皮尔逊相关性计算方法计算特征字段与续驶里程值相关性，具体为：

15、采用皮尔逊相关系数分析，公式为：

16、

17、式中，x为输入特征，y为标签值，cov(x,y)表示输入变量与输出变量之间的协方差，σxσy表示输入特征与标签值标准差的乘积。

18、进一步，所述长短期记忆网络负责预测处理时序信息，回归网络负责处理预测非时序信息。回归网络基于非时序特征输入，预测非时序续驶里程值，长短期记忆网络以t-1时刻至t-n时刻的时序特征信息以及续驶里程预测值为输入，预测时序续驶里程值，所述融合网络以误差倒数法对回归网络预测值与长短期记忆网络预测值加权平均，输出融合网络续驶里程预测值。

19、进一步，所述对长短期记忆网络与回归网络融合的网络模型进行迭代优化训练处理，具体包括：初始化算法模型，设置超参数，其中超参数包括时间步长、批次大小、初始学习率、迭代次数、长短期记忆网络神经元个数、优化函数、梯度值设置进行训练，对比多组不同超参数的训练结果，保存最优参数模型权重。其中优化函数将预测值与真实值做比较计算，以反向传播梯度下降方法优化模型权重，降低标签值与预测值之间的误差。

20、进一步，在得到最优预测模型后，评估模型精度，当精度满足要求后，部署于车载控制器实现模型预测。

21、有益效果：

22、上述技术方案的有益效果在于：

23、本发明的新能源电动汽车续驶里程预测方法结合车辆运行历史数据信息、环境信息、车辆数据实时信息训练模型，以时序特征与非时序特征作为模型输入变量，以续驶里程作为模型输出变量，采用监督学习方法训练优化模型，融合长短期记忆网络与回归网络模型，把单一预测结果的信息较大限度的利用起来，避免了有效信息的浪费，减少偶然因素对预测结果的影响，有效提升续驶里程算法预测精度与稳定性。

技术特征：

1.一种新能源电动汽车续驶里程预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的一种新能源电动汽车续驶里程预测方法，其特征在于，所述方法还包括：获取车辆运行与环境历史数据。

3.根据权利要求2所述的一种新能源电动汽车续驶里程预测方法，其特征在于，在获取车辆运行与环境历史数据后，所述方法还包括：

4.根据权利要求3所述的一种新能源电动汽车续驶里程预测方法，其特征在于，所述预处理包括：清除异常值、填充缺失值、构造续驶里程标签值和数据归一化。

5.根据权利要求4所述的一种新能源电动汽车续驶里程预测方法，其特征在于，所述构造续驶里程标签值，具体包括：根据数据采样频率，采用车辆行驶至低电量的累计里程值与每条报文的累计里程差值方法构造，所述低电量是指车辆运行soc值到10以下的情况。

6.根据权利要求1所述的一种新能源电动汽车续驶里程预测方法，其特征在于，所述车辆运行与环境历史数据，通过车辆can总线中采集及企业自有云平台或国家平台下载。

7.根据权利要求1所述的一种新能源电动汽车续驶里程预测方法，其特征在于，采用采用皮尔逊相关性计算方法计算特征字段与续驶里程值相关性，具体为：

8.根据权利要求1所述的一种新能源电动汽车续驶里程预测方法，其特征在于，长短期记忆网络负责预测处理时序信息，回归网络负责处理预测非时序信息；回归网络基于非时序特征输入，预测非时序续驶里程值，长短期记忆网络以t-1时刻至t-n时刻的时序特征信息以及续驶里程预测值为输入，预测时序续驶里程值，所述融合网络以误差倒数法对回归网络预测值与长短期记忆网络预测值加权平均，输出融合网络续驶里程预测值。

9.根据权利要求1所述的一种新能源电动汽车续驶里程预测方法，其特征在于，所述对长短期记忆网络与回归网络融合的网络模型进行迭代优化训练处理，具体包括：初始化算法模型，设置超参数，其中超参数包括时间步长、批次大小、初始学习率、迭代次数、长短期记忆网络神经元个数、优化函数、梯度值设置进行训练，对比多组不同超参数的训练结果，保存最优参数模型权重；其中优化函数将预测值与真实值做比较计算，以反向传播梯度下降方法优化模型权重，降低标签值与预测值之间的误差。

10.根据权利要求1所述的一种新能源电动汽车续驶里程预测方法，其特征在于，在得到最优预测模型后，评估模型精度，当精度满足要求后，部署于车载控制器实现模型预测。

技术总结本发明涉及一种新能源电动汽车续驶里程预测方法，该方法基于机器学习算法实现，其特点是以车辆当前运行状态及过去一段时间内的历史数据作为模型输入，以车辆续驶里程预测结果作为模型输出，基于监督学习方法生成预测模型函数。具体包括以下步骤：车辆运行历史数据信息搜集整理、构造续驶里程标签、数据集特征筛选、算法模型构建、模型迭代训练优化、模型精度评估、模型部署实时预测。本发明与现有技术相比，充分挖掘了新能源电动汽车行驶过程中的时序特征与非时序特征信息，实现续驶里程的精确预测。大大减少了因续驶里程预测精度误差问题导致的车辆抛锚风险，具有时效性高、精准度高、鲁棒性强的特点。技术研发人员：陈喆,吉星,冯凯,李维晋,张文博,樊桢珍受保护的技术使用者：陕西重型汽车有限公司技术研发日：技术公布日：2024/7/4