一种能耗计算方法和系统与流程

本发明涉及能耗计算，特别涉及一种能耗计算方法和系统。

背景技术：

1、车辆在长期行驶的过程中，会产生很多故障，如有雨局部磨损或腐蚀，又或者异物堵塞、机械松动导致整辆车散热不佳、发动机过热、不仅提高能耗，降低效率低和增加损耗；同时，也容易引发安全问题。监测车辆能耗，提高对能耗数据的采集效率，挖掘车辆能耗降低的原因，对于车辆能耗管理，即及时维修或淘汰车辆，节能减排有着重要意义。本发明了提供一种设有y字形一分二转换器设备能耗计算方法和系统，以便于灵活高效的监测车辆能源量。

技术实现思路

1、为了克服上述背景技术中出现的问题，本发明提供一种能耗计算方法和系统。

2、本技术方案提供了一种能耗计算方法，包括：

3、通过预设的能耗采集设备，采集目标车辆的能源信号；

4、将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；

5、利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；

6、通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；

7、基于所述能耗利用率，优化目标车辆消耗能耗。

8、作为本技术方案的一种实施例，所述能耗采集设备至少包括能耗采集传感器、能源控制端和y字形一分二转换器；其中，

9、所述能耗采集传感器至少包括油浮子、油量传感器、电量传感器和气量传感器；

10、所述能源控制端用于将能耗采集传感器采集到的数据和采集到的目标车辆的当前状态信息结合并分析，生成对应的能源信号；其中，

11、所述目标车辆的当前状态信息至少包括定位信息、轨迹信息、驾驶员行为信息和盲区监测信息；

12、所述y字形一分二转换器包括始端分支和末端分支，所述始端分支和能源控制端连接，用于将能耗采集器采集到的源能源信号传输至能源控制端，所述末端分支和显示设备连接，用于显示能源控制端分析的车辆的能耗情况。

13、作为本技术方案的一种实施例，所述利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据，包括：

14、获取目标车辆在历史时段的能耗数据，获取训练样本；

15、将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；

16、获取目标车辆的资源参数；

17、将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；

18、通过所述能耗预测模型，预测目标车辆的预测能耗数据。

19、作为本技术方案的一种实施例，所述将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子，包括：

20、通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；

21、通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；

22、提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。

23、作为本技术方案的一种实施例，所述获取目标车辆的资源参数，包括：

24、查询目标车辆的硬件信息和硬件模型数据库，通过所述硬件信息和硬件模型数据库，确定对应的硬件能耗静态参数；

25、将所述硬件能耗静态参数输入到标准规定的能耗监测系统中，查找同型号的目标车辆的配置文件；

26、利用所述配置文件，匹配所述目标车辆的资源信息，确定目标车辆的资源参数。

27、作为本技术方案的一种实施例，所述基于所述能耗利用率，优化目标车辆消耗能耗，包括：

28、通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；

29、利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；

30、计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；

31、获取欧式距离最短的能耗级别为优化能耗级别；

32、将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能耗。

33、本技术方案提供了一种能耗计算系统，包括：

34、采集模块，用于通过预设的能耗采集设备，采集目标车辆的能源信号；

35、第一计算模块，用于将所述能源信号反馈至目标车辆预设的服务器，计算目标车辆的实际能耗数据；

36、第二计算模块，用于利用目标车辆在历史时段的能耗数据及对应的能耗影响因子，计算目标车辆的预测能耗数据；

37、第三计算模块，用于通过所述实际能耗量和预测能耗数据，计算目标车辆的能耗利用率；

38、优化模块，用于基于所述能耗利用率，优化目标车辆消耗能耗。

39、作为本技术方案的一种实施例，所述第二计算模块，包括：

40、训练样本单元，用于获取目标车辆在历史时段的能耗数据，获取训练样本；

41、提取单元，用于将所述训练样本输入预设的神经网络训练，提取所述能耗消耗分类情形的各类情形特征及对应的能耗影响因子；

42、资源参数单元，用于获取目标车辆的资源参数；

43、能耗预测模型单元，用于将所述资源参数和能耗影响因子输入能耗模型进行深度训练并学习，构建能耗预测模型；

44、预测单元，用于通过所述能耗预测模型，预测目标车辆的预测能耗数据。

45、作为本技术方案的一种实施例，所述能耗预测模型单元，包括：

46、能耗增加值子单元，用于通过预设标准规定的能耗监测系统，获取所述训练样本在目标车辆行驶的不同情形下的能耗增加值；

47、能耗消耗分类情形子单元，用于通过所述能耗增加值，对训练样本的能耗消耗情形进行分类，确定能耗消耗分类情形；

48、能耗影响因子子单元，用于提取所述能耗消耗分类情形的各类情形特征，并将所述各类情形特征输入神经网络训练，确定对应的能耗影响因子。

49、作为本技术方案的一种实施例，所述优化模块，包括：

50、多权值神经网络单元，用于通过所述能耗利用率和目标车辆在历史时段的能耗数据，构建多权值神经网络；

51、多权值神经元覆盖网络单元，用于利用所述多权值神经网络，生产表征不同能耗级别的多权值神经元覆盖网络；

52、欧式距离计算单元，用于计算能耗利用率和预测能耗数据对应的能耗利用率在多权值神经元覆盖网络的欧式距离；

53、优化能耗级别单元，用于获取欧式距离最短的能耗级别为优化能耗级别；

54、优化单元，用于将所述优化能耗级别作为多权值神经网络的输出，优化目标车辆的消耗能。

55、本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

56、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。