详情

原文传递基于深度学习的电动汽车续航里程预测方法、设备及介质

专利名称：	基于深度学习的电动汽车续航里程预测方法、设备及介质
摘要：	本发明属于基于深度学习的电动汽车续航里程预测方法，采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；构建深度神经网络模型；以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；获取待预测电动汽车最新的若干条基础数据；将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程。该方法采用为每辆车使用单独的深度神经网络模型，能最大程度提高每辆车的续航里程预测的准确性。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	深圳四海万联科技有限公司
发明人：	万海涛;陈伟;向劲松;朱志凌;陈亚川;殷凡;李迎春
专利状态：	有效
申请日期：	2019-04-30T00:00:00+0800
发布日期：	2019-08-06T00:00:00+0800
申请号：	CN201910361556.6
公开号：	CN110091751A
代理机构：	北京酷爱智慧知识产权代理有限公司
代理人：	占丽君
分类号：	B60L58/10(2019.01);B;B60;B60L;B60L58
申请人地址：	518052 广东省深圳市前海深港合作区前湾一路1号A栋201室
主权项：	1.一种基于深度学习的电动汽车续航里程预测方法，其特征在于，包括以下步骤：采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；构建深度神经网络模型；以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；获取待预测电动汽车最新的若干条基础数据；将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程。 2.根据权利要求1所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述待预测电动汽车的基础数据包括以下一种或几种数据的组合：电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据；其中，电动汽车运动数据包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力；电池数据包括以下一种或几种数据的组合：电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC；电机数据包括以下一种或几种数据的组合：电机的转速、电机的转矩和电机的温度；电机控制器数据包括以下一种或几种数据的组合：电机控制器输入电压、电机控制器直流母线电流和电机控制器温度；环境数据包括以下一种或几种数据的组合：车外的温度、车辆所处位置的经纬度和海拔高度。 3.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述对所述历史基础数据进行分类具体包括：将所述历史基础数据分为两类：分类变量和连续变量；其中，分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力；连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。 4.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述对分类后的历史基础数据进行数据清洗，以得到历史清洗数据具体包括：去掉连续变量中的单位；当连续变量中一数值存在缺失或超出预设范围时，定义该数值为异常连续数值，求取该连续变量中异常连续数值的前一数值和后一数值的均值，用该均值替换该异常连续数值；当分类变量中一数值存在缺失或超出预设范围时，定义该数值为异常分类数值，用分类变量中该异常分类数值的前一数值替换该异常分类数值。 5.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述将所述历史清洗数据作为训练数据具体包括：将所述历史清洗数据分为自变量和因变量；根据预设的训练数据比例获取历史清洗数据中的部分数据作为所述训练数据，剩余部分的历史清洗数据作为验证数据；其中，所述自变量包括多个特征，所述特征包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态、制动力、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、SOC、电机的转速、电机的转矩、电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度和海拔高度；因变量包含行驶里程。 6.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述深度神经网络模型包括：输入层：接收输入的连续变量，输出到批归一化层；嵌入层：接收输入的分类变量，输出到DropOut层； concatenation层：接收所述批归一化层和DropOut层的输出矩阵，将批归一化层和DropOut层输出的矩阵拼接为一个单独的矩阵；第一全连接层：将concatenation层输出的矩阵输出给第二全连接层；第二全连接层：接收第一全连接层输出的矩阵，对第一全连接层输出的矩阵进行初始降维处理；第三全连接层：接收第二全连接层进行初始降维处理后获得的矩阵，将该矩阵降为一维矩阵输出。 7.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述使用深度学习框架训练所述深度神经网络模型具体包括：使用深度学习框架Pytorch训练所述深度神经网络模型，深度神经网络的损失函数使用均方根误差。 8.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述预测公式为：其中，Y为所述预测电动汽车的续航里程，n为续航里程预测结果的数量，yi为所述续航里程预测结果； f为所述训练好的深度神经网络模型；xi,0为SOC的取值，1≤xi,0≤100；为第i条基础数据；m为基础数据的特征数量。 9.一种设备，其特征在于，包括处理器、输入设备、输出设备和存储器，所述处理器、输入设备、输出设备和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如权利要求1-8任一项所述的方法。 10.一种计算机可读存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-8任一项所述的方法。
所属类别：	发明专利