本发明涉及续驶里程评估,特别涉及一种基于实车运行数据的续驶里程评估方法。
背景技术:
1、随着对环保及可持续性发展的重视度提升,电动汽车作为清洁能源交通工具逐渐成为主流选择。然而,电动汽车续驶里程的准确预测一直是用户和驾驶员关注的焦点。续驶里程的不确定性可能导致驾驶计划不准确、充电决策失误,从而影响驾驶体验,开发一种高效、精确的续驶里程评估方法变得尤为重要。传统的基于理论计算的续驶里程估计方法主要考虑电池容量、能量消耗等因素,但这种方法存在一定的局限性,无法准确捕捉驾驶行为、路况、环境温度等实际行驶过程中的各种因素对续驶里程的影响。因此,急需提供一种基于实车运行数据的续驶里程评估方法,能够提升续驶里程评估的准确性,避免因电量不足而造成的不便和安全隐患。
技术实现思路
1、本发明提供了一种基于实车运行数据的续驶里程评估方法,能够提升续驶里程评估的准确性。
2、为了达到上述目的,本申请提供如下技术方案:
3、一种基于实车运行数据的续驶里程评估方法,包括以下步骤:
4、s100,获取车辆运行数据,所述车辆运行数据包括电池总电量、满电行驶里程、各时间点对应的soc、电压值、电流值、温度值和速度值;
5、s200,对车辆运行数据进行预处理;
6、s300,对预处理后的电压值、电流值、温度值和速度值,按照时间分别计算电压平均值向量、电流平均值、温度平均值和速度平均值;
7、s400,将电压平均值向量、电流平均值、温度平均值和速度平均值进行拼接,生成特征矩阵;
8、s500,获取电池剩余电量作为标签,根据电池剩余电量、电池总电量和满电里程,分析实际剩余里程;并将实际剩余里程于特征矩阵组合,生成训练集;
9、s600,对训练集进行训练,生成基于车辆运行数据的续驶里程评估模型;
10、s700,利用续驶里程评估模型对目标车辆的续驶里程进行评估。
11、进一步,s200包括:
12、s201,对车辆运行数据进行清洗,筛除异常字符与无效数据;
13、s202,筛选soc在[30%,90%]时的电压值、电流值、温度值和速度值。
14、进一步,s400还包括:对特征矩阵进行归一化处理,并进行pca降维,令特征矩阵中的特征维度一致。
15、进一步,s500中,根据电池剩余电量、电池总电量和满电里程,计算实际剩余里程,计算公式如下:
16、
17、式中,ks为实际剩余里程,cs为电池剩余电量,cz为电池总电量,kz为满电里程。
18、进一步,s600中,利用时间卷积网络模型对训练集进行训练,生成基于车辆运行数据的续驶里程评估模型。
19、本发明的原理及优点在于:
20、1、高效时序建模能力:时间卷积网络(tcn)模型作为一种深度学习模型,在时序数据分析中具有出色的能力。它能够捕捉时序数据中的长期依赖关系,同时还具备并行计算的优势,从而能够更高效地处理实车运行数据。
21、2、自动特征学习:时间卷积网络(tcn)模型采用卷积层和残差连接结构,能够自动学习特征数据随时间变化的潜在演变规律,这使得续驶里程评估模型能够适应不同驾驶环境和条件下的数据变化。
22、3、更精准的续驶里程预测:传统的续驶里程评估方法通常难以考虑驾驶行为、路况、环境等因素对续驶里程的影响,而本方案中,综合分析电池的荷电状态(soc)、电压值、电流值、温度值、速度值等实际驾驶因素,对目标车辆的续驶里程进行评估,从而提升续驶里程预测结果的准确性。
23、综上所述,采用本方案,能够通过时序建模、自动特征学习、结合实际驾驶因素,提升续驶里程评估模型的可靠性,从而提升续驶里程评估的准确性,避免因电量不足而造成的不便和安全隐患。
1.一种基于实车运行数据的续驶里程评估方法,其特征在于:包括以下步骤:
2.根据权利要求1所述的基于实车运行数据的续驶里程评估方法,其特征在于:s200包括:
3.根据权利要求1所述的基于实车运行数据的续驶里程评估方法,其特征在于:s400还包括:对特征矩阵进行归一化处理,并进行pca降维,令特征矩阵中的特征维度一致。
4.根据权利要求1所述的基于实车运行数据的续驶里程评估方法,其特征在于:s500中,根据电池剩余电量、电池总电量和满电里程,计算实际剩余里程,计算公式如下:
5.根据权利要求1所述的基于实车运行数据的续驶里程评估方法,其特征在于:s600中,利用时间卷积网络模型对训练集进行训练,生成基于车辆运行数据的续驶里程评估模型。