详情

原文传递基于联邦学习的增程器控制方法、装置、电子设备及存储介质

专利名称：	基于联邦学习的增程器控制方法、装置、电子设备及存储介质
摘要：	本申请涉及车辆控制技术领域，提供了一种基于联邦学习的增程器控制方法、装置、电子设备及存储介质。该方法通过自服务器获取全局联邦学习模型参数，得到局部联邦学习模型，基于车辆的历史使用数据以及与车辆具有相同车辆类型的其他车辆的历史使用数据训练该局部联邦学习模型，得到模型梯度值，将模型梯度值发送至服务器以使服务器基于接收到的各车辆发送的模型梯度值更新全局联邦学习模型，重复以上步骤直至全局联邦学习模型收敛，使用该收敛的全局联邦学习模型的模型参数更新得到目标局部联邦学习模型，进而使用目标局部联邦学习模型确定第一目标车辆增程器的功率分配，能够提高使用预测模型确定增程器功率分配的准确度，提升了用户体验。
专利类型：	发明专利
国家地区组织代码：	重庆;50
申请人：	重庆赛力斯新能源汽车设计院有限公司
发明人：	刘小飞;刘汉;陈轶;周正伟
专利状态：	有效
申请日期：	2023-09-27T00:00:00+0800
发布日期：	2023-11-24T00:00:00+0800
申请号：	CN202311258931.7
公开号：	CN117104028A
代理机构：	北京嘉科知识产权代理事务所(特殊普通合伙)
代理人：	杨超
分类号：	B60L50/61;B60W50/00;B;B60;B60L;B60W;B60L50;B60W50;B60L50/61;B60W50/00
申请人地址：	401120 重庆市渝北区龙兴镇两江大道618号
主权项：	1.一种基于联邦学习的增程器控制方法，其特征在于，包括：接收服务器发送的全局联邦学习模型参数，基于所述全局联邦学习模型参数初始化局部联邦学习模型；获取第一目标车辆的历史使用数据；获取第一目标车辆的车辆标识，基于所述车辆标识确定车辆类型；获取第二目标车辆的历史使用数据，所述第二目标车辆与所述第一目标车辆具有相同车辆类型；基于所述第一目标车辆的历史使用数据和第二目标车辆的历史使用数据训练所述局部联邦学习模型，得到模型梯度值；将所述模型梯度值发送至服务器；接收所述服务器发送的更新后的全局联邦学习模型参数，所述更新后的全局联邦学习模型由所述服务器根据接收到的多个模型梯度值，对所述全局联邦学习模型更新后确定；重复执行接收服务器发送的全局联邦学习模型参数、基于第一目标车辆的历史使用数据和第二目标车辆的历史使用数据训练所述局部联邦学习模型得到模型梯度值、接收服务器根据接收到的模型梯度值确定的更新后的全局联邦学习模型参数的步骤，直至接收到目标全局联邦学习模型参数，所述目标全局联邦学习模型参数为所述全局联邦学习模型收敛时的模型参数；基于目标全局联邦学习模型参数更新所述局部联邦学习模型，得到目标局部联邦学习模型；获取所述第一目标车辆本次行驶的工况信息、车辆状态信息和车辆类型，使用所述目标局部联邦学习模型确定所述第一目标车辆增程器的功率分配。 2.根据权利要求1所述的方法，其特征在于，所述车辆类型包括：私家车类型、物流车类型、网约车类型；所述获取第二目标车辆的历史使用数据，包括：将所述第一目标车辆的车辆类型上传至所述车辆的供应商服务器；接收所述供应商服务器下发的第二目标车辆的历史使用数据，所述第二目标车辆与所述第一目标车辆具有相同的供应商以及相同的车辆类型。 3.根据权利要求1所述的方法，其特征在于，所述历史使用数据包括：车辆的历史工况信息、增程器历史开启时机信息、不同工况下的增程器历史输出功率以及不同工况下的车辆剩余电量信息；所述基于所述第一目标车辆的历史使用数据和第二目标车辆的历史使用数据训练所述局部联邦学习模型步骤为，以所述第一目标车辆和第二目标车辆的历史工况信息和不同工况下的车辆剩余电量信息作为所述局部联邦学习模型的输入参数，以所述第一目标车辆和第二目标车辆的增程器历史开启时机信息和不同工况下的增程器历史输出功率作为所述局部联邦学习模型的验证输出，训练所述局部联邦学习模型。 4.根据权利要求3所述的方法，其特征在于，所述工况包括起步工况、缓加速工况、中低速巡航、急加速工况、高速巡航工况和减速工况；所述工况信息包括工况保持时长信息和工况的相邻工况信息。 5.根据权利要求4所述的方法，其特征在于，所述基于所述第一目标车辆的历史使用数据和第二目标车辆的历史使用数据训练所述局部联邦学习模型，得到模型梯度值，包括：分别以第一和第二目标车辆的历史工况信息、不同工况下的车辆剩余电量信息以及车辆类型作为模型输入，使用所述局部联邦学习模型分别预测得到第一和第二目标车辆预测增程器开启时机信息和在不同工况下的预测增程器输出功率；将所述第一和第二目标车辆的增程器历史开启时机信息和不同工况下的增程器历史输出功率，与所述预测得到的第一和第二目标车辆预测增程器开启时机信息和在不同工况下的预测增程器输出功率的差异值确定为所述模型梯度值。 6.根据权利要求1所述的方法，其特征在于，所述更新后的全局联邦学习模型参数由所述服务器采用如下方式确定：接收多个模型梯度值以及不同模型梯度值对应的车辆类型；基于所述模型梯度值和车辆类型更新所述全局联邦学习模型，得到所述更新后的全局联邦学习模型参数；其中，所述全局联邦学习模型参数包括全局联邦学习模型的网络参数和/或类型参数。 7.根据权利要求1所述的方法，其特征在于，所述使用所述目标局部联邦学习模型确定所述第一目标车辆增程器的功率分配，包括：获取所述第一目标车辆本次行驶的路线信息，基于所述路线信息预估所述第一目标车辆本次行驶的工况信息；获取所述第一目标车辆的车辆状态信息，所述车辆状态信息至少包括所述第一目标车辆的剩余电量信息；将所述第一目标车辆本次行驶的工况信息、车辆状态信息和所述第一目标车辆的车辆类型输入至所述目标局部联邦学习模型，预测得到所述第一目标车辆的增程器开启时机信息和/或所述工况信息中包含的各工况对应的增程器输出功率；基于所述增程器的开启时机信息和/或各工况对应的增程器输出功率确定所述第一目标车辆增程器的功率分配。 8.一种基于联邦学习的增程器控制装置，其特征在于，包括：接收模块，被配置为接收服务器发送的全局联邦学习模型参数，基于所述全局联邦学习模型参数初始化局部联邦学习模型；获取模块，被配置为获取第一目标车辆的历史使用数据；所述获取模块还被配置为获取第一目标车辆的车辆标识，基于所述车辆标识确定车辆类型；所述获取模块还被配置为获取第二目标车辆的历史使用数据，所述第二目标车辆与所述第一目标车辆具有相同车辆类型；训练模块，被配置为基于所述第一目标车辆的历史使用数据和第二目标车辆的历史使用数据训练所述局部联邦学习模型，得到模型梯度值；通信模块，被配置为将所述模型梯度值发送至服务器；所述通信模块还被配置为接收所述服务器发送的更新后的全局联邦学习模型参数，所述更新后的全局联邦学习模型由所述服务器根据接收到的多个模型梯度值，对所述全局联邦学习模型更新后确定；所述训练模块还被配置为重复执行接收服务器发送的全局联邦学习模型参数、基于第一目标车辆的历史使用数据和第二目标车辆的历史使用数据训练所述局部联邦学习模型得到模型梯度值、接收服务器根据接收到的模型梯度值确定的更新后的全局联邦学习模型参数的步骤，直至接收到目标全局联邦学习模型参数，所述目标全局联邦学习模型参数为所述全局联邦学习模型收敛时的模型参数；所述训练模块还被配置为基于目标全局联邦学习模型参数更新所述局部联邦学习模型，得到目标局部联邦学习模型；控制模块，被配置为获取所述第一目标车辆本次行驶的工况信息、车辆状态信息和车辆类型，使用所述目标局部联邦学习模型确定所述第一目标车辆增程器的功率分配。 9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。 10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。