一种汽车能耗的预测方法、装置和设备与流程

1.本发明涉及电动汽车领域，特别涉及一种汽车能耗的预测方法、装置和设备。


背景技术：

2.数字孪生技术起源于航空航天领域，数据交互的实时性和双向性保证了其高准确度、实时性和可扩展性优势。随着数字化的逐渐普及，越来越多的领域开始逐渐应用数据孪生技术，比如建筑行业、能源互联行业、城市轨道交通行业以及自动驾驶等。
3.电动汽车具有能量转化效率高，能源清洁，能源成本低，噪音小等诸多有点，其最大的不足是行驶里程相对于传统的燃油车较短，虽然市面上公布的电动汽车的续驶里程可以达到600公里甚至700公里以上，但是电动汽车的实际续航里程受到多种因素的影响，导致实际续航里程大打折扣，因此为了准确预测电动汽车的整车耗能，需要设计一种汽车能耗的预测方法，基于数据孪生技术，更加可信地预测整车能耗。


技术实现要素：

4.本发明实施例提供一种汽车能耗的预测方法、装置和设备，用以解决现有技术中，汽车的整车能耗的可信度较低的问题。
5.为了解决上述技术问题，本发明实施例提供如下技术方案：
6.本发明实施例提供一种汽车能耗的预测方法，包括：
7.对车辆的行驶过程进行实时监测，得到第一时间段内的第一行驶数据；
8.根据所述第一行驶数据和基础模型，得到数字孪生模型；其中，所述基础模型用于表示电池温度与车辆能耗之间的关系；
9.根据所述数字孪生模型，对不同电池温度下的车辆能耗进行预测。
10.可选地，根据所述电池数据和基础模型，得到数字孪生模型之前，所述方法还包括：
11.根据仿真软件、采集的车辆基础数据以及实验数据，搭建所述基础模型；
12.其中，所述车辆基础数据包括：车辆尺寸数据、车辆重量数据、电池性能数据和电机基本参数；所述实验数据包括：电池实验数据和车辆能耗实验数据。
13.可选地，根据仿真软件、采集的车辆基础数据以及实验数据，搭建所述基础模型，包括：
14.根据仿真软件以及所述车辆基础数据，搭建车辆模型；
15.根据所述车辆模型以及预设工况数据，得到关于电池温度与车辆能耗之间的初始模型；
16.根据与所述预设工况数据对应的实验数据，对所述初始模型进行优化，得到所述基础模型。
17.可选地，根据所述第一行驶数据和基础模型，得到数字孪生模型，包括：
18.根据所述第一行驶数据和所述基础模型，得到电池温度和所述电池温度对应的补
偿系数；
19.根据对应的所述电池温度和所述补偿系数，对所述基础模型进行优化，得到数字孪生模型。
20.可选地，所述第一行驶数据包括：车速、加速踏板开度、电池剩余电量、电池瞬时电压、电池瞬时电流、电池包最高温度和电池包最低温度；
21.根据所述第一行驶数据和所述基础模型，得到电池温度和所述电池温度对应的补偿系数，包括：
22.根据对应的所述电池包最高温度和所述电池包最低温度，得到电池温度；
23.根据实时车辆能耗与所述基础模型中的车辆能耗，确定与所述基础模型相同的车速、加速踏板开度、电池剩余电量和电池温度下的补偿系数；
24.其中，所述实时车辆能耗是根据电池瞬时电压、电池瞬时电流、以及与所述电池瞬时电压和电池瞬时电流对应的监测开始时间、监测结束时间确定的。
25.可选地，根据对应的所述电池温度和所述补偿系数，对所述基础模型进行优化，得到数字孪生模型，包括：
26.根据所述补偿系数，对相应车速、加速踏板开度、电池剩余电量和电池温度下所述基础模型中的车辆能耗进行优化，得到优化后的车辆能耗；
27.根据对应的电池温度和优化后的车辆能耗，得到所述数字孪生模型。
28.可选地，所述方法还包括：
29.采集第二时间段内的第二行驶数据，根据所述第二行驶数据与所述基础模型，对所述补偿系数进行更新，得到更新的补偿系数；
30.根据与车速、加速踏板开度、电池剩余电量和电池温度对应的所述更新的补偿系数，对所述数字孪生模型进行优化，得到优化后的数字孪生模型。
31.可选地，所述方法还包括：
32.在同一电池温度下的实时车辆能耗与所述数字孪生模型中的车辆能耗之间的差值大于预设值的情况下，发出故障提示信息。
33.本发明实施例还提供一种汽车能耗的预测装置，包括：
34.监测模块，用于对车辆的行驶过程进行实时监测，得到第一时间段内的第一行驶数据；
35.处理模块，用于根据所述第一行驶数据和基础模型，得到数字孪生模型；其中，所述基础模型用于表示电池温度与车辆能耗之间的关系；
36.预测模块，用于根据所述数字孪生模型，对不同电池温度下的车辆能耗进行预测。
37.可选地，所述装置还包括：
38.模型建立模块，用于根据仿真软件、采集的车辆基础数据以及实验数据，搭建所述基础模型；
39.其中，所述车辆基础数据包括：车辆尺寸数据、车辆重量数据、电池性能数据和电机基本参数；所述实验数据包括：电池实验数据和车辆能耗实验数据。
40.可选地，所述模型建立模块，包括：
41.模型搭建单元，用于根据仿真软件以及所述车辆基础数据，搭建车辆模型；
42.第一处理单元，用于根据所述车辆模型以及预设工况数据，得到关于电池温度与
车辆能耗之间的初始模型；
43.第一优化单元，用于根据与所述预设工况数据对应的实验数据，对所述初始模型进行优化，得到所述基础模型。
44.可选地，所述处理模块，包括：
45.第二处理单元，用于根据所述第一行驶数据和所述基础模型，得到电池温度和所述电池温度对应的补偿系数；
46.第二优化单元，用于根据对应的所述电池温度和所述补偿系数，对所述基础模型进行优化，得到数字孪生模型。
47.可选地，所述第一行驶数据包括：车速、加速踏板开度、电池剩余电量、电池瞬时电压、电池瞬时电流、电池包最高温度和电池包最低温度；
48.所述第二处理单元，具体用于：
49.根据对应的所述电池包最高温度和所述电池包最低温度，得到电池温度；
50.根据实时车辆能耗与所述基础模型中的车辆能耗，确定与所述基础模型相同的车速、加速踏板开度、电池剩余电量和电池温度下的补偿系数；
51.其中，所述实时车辆能耗是根据电池瞬时电压、电池瞬时电流、以及与所述电池瞬时电压和电池瞬时电流对应的监测开始时间、监测结束时间确定的。
52.可选地，所述第二优化单元，具体用于：
53.根据所述补偿系数，对相应车速、加速踏板开度、电池剩余电量和电池温度下，所述基础模型中的车辆能耗进行优化，得到优化后的车辆能耗；
54.根据对应的电池温度和优化后的车辆能耗，得到所述数字孪生模型。
55.可选地，所述装置还包括：
56.更新模块，用于采集第二时间段内的第二行驶数据，根据所述第二行驶数据与所述基础模型，对所述补偿系数进行更新，得到更新的补偿系数；
57.优化模块，用于根据与车速、加速踏板开度、电池剩余电量和电池温度对应的所述更新的补偿系数，对所述数字孪生模型进行优化，得到优化后的数字孪生模型。
58.可选地，所述装置还包括：
59.提示模块，用于在同一电池温度下的实时车辆能耗与所述数字孪生模型中的车辆能耗之间的差值大于预设值的情况下，发出故障提示信息。
60.本发明实施例还提供一种汽车能耗的预测设备，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上中任一项所述的汽车能耗的预测方法的步骤。
61.本发明实施例还提供一种可读存储介质，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上中任一项所述的汽车能耗的预测方法中的步骤。
62.本发明的有益效果是：
63.本发明方案，通过对车辆的行驶过程进行实时监测，得到第一时间段内的第一行驶数据，根据第一行驶数据和基础模型，得到数字孪生模型，并根据数字孪生模型，对不同电池温度下的车辆能耗进行预测，即将数字孪生技术引入到电动汽车能耗预测上，并建立了数字孪生模型，根据数字孪生模型，对车辆能耗进行预测，可以提升车辆能耗预测的准确性与可信度。
附图说明
64.图1表示本发明实施例提供的汽车能耗的预测方法的流程图；
65.图2表示本发明实施例提供的电池温度和补偿系数的关系图；
66.图3表示本发明实施例提供的汽车能耗的预测装置的结构示意图。
具体实施方式
67.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
68.本发明针对现有技术中，汽车的整车能耗的可信度较低的问题，提供一种汽车能耗的预测方法、装置和设备。
69.如图1所示，本发明实施例提供一种汽车能耗的预测方法，包括：
70.步骤101：对车辆的行驶过程进行实时监测，得到第一时间段内的第一行驶数据。
71.在本发明实施中，通过搭建数字孪生模型，通过建立的数字孪生模型，对电动汽车的能耗进行预测。
72.电动汽车能耗预测的数字孪生模型将在以下步骤的基础上搭建。
73.第一步：创建步骤，在创建步骤中，电动汽车的各项数据将被收集。由于电动汽车本身有大量传感器，大多数常见行驶数据可以通过各种方式被外部设备通过传感器读取，整个过程在行业内已经成熟。除此之外收集的数据还包括外部环境数据如风力、风向、环境温度、交通状况、路面状况等。
74.第二步，传输步骤，在传输步骤中，主要包括两个子步骤的传输，第一子步骤是车内数据的有线传输，整个过程包含从传感器采集数据，初步的数据处理，再转化为控制器局域网络(controller area network，can)报文等可读取的形式。第二子步骤是车-云无线传输，将初步处理好的数据通过无线网络远程传输至云端，结合现有的5g技术，可以实现数据的远程实时监测。
75.第三步，聚合步骤，在聚合步骤中，将传输步骤所传输的汽车车内数据以及外部环境数据保存在云端的数据库中，可以通过计算机的数据监控平台来获取传感器所采集的各项实时数据，也可以调查任意时间的历史数据。
76.第四步，分析步骤，分析步骤是整个数字孪生模型搭建过程的核心步骤，在本步骤中所需的电动汽车相关数据将被用各种数据分析工具和技术处理整合，并随着新数据的采集不断迭代升级，完成电动汽车数字孪生模型核心内容的搭建。
77.第五步，洞见步骤，即是把分析步骤中处理整合的数据以可视化的形式展现出来，并且需要在一个以上的维度体现出虚拟模型和物理世界中的研究对象的差异性，本发明实施例中，是通过数字孪生模型来进行能耗预测，因而需要体现的是电动汽车数字孪生模型和整车能耗基于其主要影响因素的差异性。
78.第六步，行动步骤，在洞见步骤获得的数字孪生模型和物理世界中的研究对象的差异性的基础上，将此差异性有目的地作用于物理实体上，在本发明实施例中，在可以实时更新数据的电动汽车能耗预测的数字孪生模型搭建完毕，并充分迭代学习，直到模型充分可信之后，将能耗数据反馈至汽车实体上，对汽车的能耗进行实时精准预测，同时对引起增加的各种故障或故障隐患进行提前预知。
79.具体地，在本步骤101中，对车辆的行驶过程进行实时监测的过程为驾驶试验车载随机街道进行行驶，在行驶过程中非必要不开启与汽车行驶无关的其他耗电功能，比如空调、座椅加热、音响等。用试验车监控平台获取试验车的车辆电池的各项实时数据，即第一行驶数据，第一行驶数据中可以包括实时时间、车速、电池剩余电量、电池瞬时输出电压、电池瞬时输出电流、加速踏板开度、电池包最高温度、电池包最低温度等。
80.步骤102：根据所述第一行驶数据和基础模型，得到数字孪生模型；其中，所述基础模型用于表示电池温度与车辆能耗之间的关系。
81.在本步骤102中，基于搭建好的表示电池温度与车辆能耗之间的关系的基础模型，以及监测得到的第一行驶数据，搭建数字孪生模型。
82.步骤103：根据所述数字孪生模型，对不同电池温度下的车辆能耗进行预测。
83.也就是利用步骤102中搭建好的数字孪生模型反馈到电动汽车实体上，对不同电池温度下的汽车能耗进行实时精准预测。
84.需要说明的是，本发明实施例中的车辆能耗，为电动汽车行驶一百公里的消耗的电能。
85.本发明实施例，通过对车辆的行驶过程进行实时监测，得到第一时间段内的第一行驶数据，根据第一行驶数据和基础模型，得到数字孪生模型，并根据数字孪生模型，对不同电池温度下的车辆能耗进行预测，即将数字孪生技术引入到电动汽车能耗预测上，并建立了数字孪生模型，根据数字孪生模型，对车辆能耗进行预测，可以提升车辆能耗预测的准确性与可信度。
86.可选地，根据所述电池数据和基础模型，得到数字孪生模型之前，所述方法还包括：
87.根据仿真软件、采集的车辆基础数据以及实验数据，搭建所述基础模型；
88.其中，所述车辆基础数据包括：车辆尺寸数据、车辆重量数据、电池性能数据和电机基本参数；所述实验数据包括：电池实验数据和车辆能耗实验数据。
89.需要说明的是，在本发明实施例中，搭建数字孪生模型之前，需要根据仿真软件、车辆的基础数据以及实验数据，得到基础数据。车辆的基础数据包括车辆的尺寸数据、车辆的重量数据、电池性能数据和电机基本参数等数据，其中，电池性能数据包括电池额定电压、电池额定容量等数据，电机基本参数包括电机效率、电机速度曲线等。
90.可选地，根据仿真软件、采集的车辆基础数据以及实验数据，搭建所述基础模型，包括：
91.根据仿真软件以及所述车辆基础数据，搭建车辆模型；
92.根据所述车辆模型以及预设工况数据，得到关于电池温度与车辆能耗之间的初始模型；
93.根据与所述预设工况数据对应的实验数据，对所述初始模型进行优化，得到所述基础模型。
94.在本发明实施例中，搭建数字孪生模型的过程分为三步：一，搭建车辆模型；二，基于车辆模型得到关于电池温度与车辆能耗之间的初始模型，并对初始模型进行优化，得到基础模型；三，基于基础模型，得到数字孪生模型。
95.具体地，本发明实施例中，以eu300型的电动汽车为试验车，仿真软件为cruise软
件。一，收集eu300型的电动汽车的电池数据、电机数据和车辆尺寸数据，基于cruise软件搭建了eu300型的电动汽车的车辆模型；二，在搭建完eu300型的电动汽车的车辆模型后，用cruise软件中的车辆模型在虚拟新欧洲驾驶循环(new european driving cycle，nedc)标准工况，25摄氏度环境温度(预设工况数据)下运行，得到关于电池温度与车辆能耗之间的初始模型。然后在实验室中以相同的环境温度和相同的工况下做转鼓实验，读取传感器所测得的三电数据和实际能耗，用实验测得的三电数据对初始模型进行校准优化，从而保证基础模型的可信性。
96.需要说明的是，初始模型在25度环境温度下nedc工况的能耗为1.5661kwh，转鼓实验在25度环境温度下nedc工况的能耗为1.6263kwh，得到初始模型的能耗数据与转鼓实验的能耗数据偏差为3.70％，小于5％，可以认为在本发明实施例中，搭建的基础模型足够精确。
97.优选地，根据所述第一行驶数据和基础模型，得到数字孪生模型，包括：
98.根据所述第一行驶数据和所述基础模型，得到电池温度和所述电池温度对应的补偿系数；
99.根据对应的所述电池温度和所述补偿系数，对所述基础模型进行优化，得到数字孪生模型。
100.具体地，用试验车监控平台获取试验车的车辆电池的各项实时数据(第一行驶数据)后，根据一定的原则选取有效的电池数据，有效的电池数据中每一时刻的数据被称为数据点，时刻的数据点中包括实时时间、车速、电池剩余电量、电池瞬时输出电压、电池瞬时输出电流、加速踏板开度、电池包最高温度、电池包最低温度等等，由于电池温度在一定时间段内不发生改变，对这段时间内的数据点进行迭代处理，得到数据集，一个数据集只包括一个电池温度和该电池温度对应的补偿系数，得到足够多的数据集后，去除明显异常的点，并用最小二乘法，拟合得出如图2所示的电池温度和补偿系数的关系，其中，电池温度是自变量，补偿系数是因变量，图2中的点表示数据集，线表示电池温度和补偿系数之间的关系式。
101.需要说明的是，导致数据集的点明显异常的原因有很多，比如大坡度上下坡，极端交通状况等，但是此类异常点属于偶发性，且不会持续，故在数据处理过程中可以被识别。
102.进一步地，所述第一行驶数据包括：车速、加速踏板开度、电池剩余电量、电池瞬时电压、电池瞬时电流、电池包最高温度和电池包最低温度；
103.根据所述第一行驶数据和所述基础模型，得到电池温度和所述电池温度对应的补偿系数，包括：
104.根据对应的所述电池包最高温度和所述电池包最低温度，得到电池温度；
105.根据同一电池温度下实时车辆能耗与所述基础模型中的车辆能耗，确定所述电池温度对应的补偿系数；
106.其中，所述实时车辆能耗是根据电池瞬时电压、电池瞬时电流、以及与所述电池瞬时电压和电池瞬时电流对应的监测开始时间、监测结束时间确定的。
107.具体地，为了使数据集充分可信，每个数据集由不少于80个数据点处理而成，数据集的电池温度是根据数据点中的电池包最高温度和电池包最低温度确定的，优选地，取电池包最高温度和电池包最低温度的均值为电池温度。
108.补偿系数λ是根据数据集对应的一段时间内的实时车辆能耗与基础模型对应的同
一电池温度下的车辆能耗的比值，补偿系数λ的计算公式如下：
109.w＝λ*w
110.其中，w为一段时间内的实时车辆能耗，w为同一工况下，基础模型的车辆能耗。具体地，是否处于同一工况，是根据车速、加速踏板开度、电池剩余电量确定的。
111.还需要说明的是，补偿系数λ反映了基础模型的车辆能耗和试验车的一段时间内的实时车辆能耗的偏差，与电池温度有关。
112.一段时间内的实时车辆能耗是根据该段时间内的电池瞬时电压u和电池瞬时电流i计算出的，每个一段时间内的实时车辆能耗的计算公式如下：
[0113][0114]
其中，w是一段时间内的实时车辆能耗，t1是电池瞬时电压u和电池瞬时电流i对应的监测开始时间，即该段时间的开始时间，t1是电池瞬时电压u和电池瞬时电流i对应的监测结束时间，即该段时间的结束时间。
[0115]
需要说明的是，由于在试验车的实验过程中，排除了其他耗电功能对能耗的影响，因此，可以认为实验中电动汽车的实时车辆能耗就是形式所消耗的能耗。
[0116]
进一步地，根据对应的所述电池温度和所述补偿系数，对所述基础模型进行优化，得到数字孪生模型，包括：
[0117]
根据所述补偿系数，对相应车速、加速踏板开度、电池剩余电量和电池温度下，所述基础模型中的车辆能耗进行优化，得到优化后的车辆能耗；
[0118]
根据对应的电池温度和优化后的车辆能耗，得到所述数字孪生模型。
[0119]
进一步地，得到如图2所示的电池温度和补偿系数之间的关系式后，同一车速、加速踏板开度、电池剩余电量和电池温度下，基础模型的车辆能耗乘以补偿系数，既可以得到对应的车辆能耗，即对基础模型中的车辆能耗进行优化，得到优化后的车辆能耗，根据对应的电池温度和优化后的车辆能耗，得到所述数字孪生模型。
[0120]
还需要说明的是，在电池温度和补偿系数之间的关系式建立后，用其他的实验数据去验证补偿系数，结果为：虽然存在众多实际影响因素，如风力风向、轻度上下坡、路面状况等，导致实际数据浮动较大，从其他的实验数据来看，其他的实验数据仍然在得到电池温度和补偿系数之间的关系式上下，并且得到的电池温度和补偿系数之间的关系式与根据其他的实验数据得到的电池温度和补偿系数之间的关系式非常接近，在电池温度为9℃-16℃的范围内，两个关系式的误差最大仅为2.4％。
[0121]
可选地，所述方法还包括：
[0122]
采集第二时间段内的第二行驶数据，根据所述第二行驶数据与所述基础模型，对所述补偿系数进行更新，得到更新的补偿系数；
[0123]
根据与车速、加速踏板开度、电池剩余电量和电池温度对应的所述更新的补偿系数，对所述数字孪生模型进行优化，得到优化后的数字孪生模型。
[0124]
也就是，得到的补偿系数可以随着实时电池数据(第二行驶数据)的上传而不断地被优化，对应的，数字孪生模型也可以随着优化后的补偿系数(更新的补偿系数)而进一步地被优化，根据优化后的数字孪生模型，可以预测不同电池温度下的车辆能耗，具体地，第
二电池数据中也包括车速、加速踏板开度、电池剩余电量、电池瞬时电压、电池瞬时电流、电池包最高温度和电池包最低温度。
[0125]
可选地，所述方法还包括：
[0126]
在同一电池温度下的实时车辆能耗与所述数字孪生模型中的车辆能耗之间的差值大于预设值的情况下，发出故障提示信息。
[0127]
需要说明的是，随着用于修正数字孪生模型的实时监测数据的不断累积，数字孪生模型也将更加准确，对实际能耗的预测也将更加可信。随着汽车的使用，电池正常老化会引起的容量降低，电机及其他零部件的老化也会不可避免的引起能耗增加，这些变化也都能通过数据的双向传递反馈到数字孪生模型之中，修正之后的模型又能反过来预测当下状态下的汽车能耗。除了车辆能耗的预测，数字孪生模型还能对汽车健康状态进行实时检测，当汽车的能耗与数字孪生模型的偏差突然开始变大，则说明汽车出现故障或者隐患，则向车主发出提示信息，使车主可在出现重大事故之前及时对车辆进行检修。
[0128]
随着汽车智能化的飞速提升，车对外界的信息交换(vehicle to everything，v2x)技术逐渐成熟，v2x技术为数字孪生模型在汽车上的应用提供了软、硬件基础。因此，今后数字孪生技术在汽车上的应用成本会越来越小，空间会越来越大。
[0129]
本发明实施例提供的汽车能耗预测方法，一方面电动汽车的状态被传递给数字孪生模型以实现对数字孪生的实时修正，另一方面数字孪生模型在数字空间完成的仿真、优化结果也可反馈给电动汽车物理实体以指导真实决策。由此可知，与物理实体的双向数据交互是数字孪生的关键特征也是确保数字孪生与物理实体在状态上同步的重要手段。
[0130]
如图3所示，本发明实施例还提供一种汽车能耗的预测装置，包括：
[0131]
监测模块301，用于对车辆的行驶过程进行实时监测，得到第一时间段内的第一行驶数据；
[0132]
处理模块302，用于根据所述第一行驶数据和基础模型，得到数字孪生模型；其中，所述基础模型用于表示电池温度与车辆能耗之间的关系；
[0133]
预测模块303，用于根据所述数字孪生模型，对不同电池温度下的车辆能耗进行预测。
[0134]
本发明实施例，通过对车辆电池进行实时监测，得到第一行驶数据，根据第一行驶数据和基础模型，得到数字孪生模型，并根据数字孪生模型，对不同电池温度下的车辆能耗进行预测，即将数字孪生技术引入到电动汽车能耗预测上，并建立了数字孪生模型，根据数字孪生模型，对车辆能耗进行预测，可以提升车辆能耗预测的准确性与可信度。
[0135]
可选地，所述装置还包括：
[0136]
模型建立模块，用于根据仿真软件、采集的车辆基础数据以及实验数据，搭建所述基础模型；
[0137]
其中，所述车辆基础数据包括：车辆尺寸数据、车辆重量数据、电池性能数据和电机基本参数；所述实验数据包括：电池实验数据和车辆能耗实验数据。
[0138]
可选地，所述模型建立模块，包括：
[0139]
模型搭建单元，用于根据仿真软件以及所述车辆基础数据，搭建车辆模型；
[0140]
第一处理单元，用于根据所述车辆模型以及预设工况数据，得到关于电池温度与车辆能耗之间的初始模型；
[0141]
第一优化单元，用于根据与所述预设工况数据对应的实验数据，对所述初始模型进行优化，得到所述基础模型。
[0142]
可选地，所述处理模块，包括：
[0143]
第二处理单元，用于根据所述第一行驶数据和所述基础模型，得到电池温度和所述电池温度对应的补偿系数；
[0144]
第二优化单元，用于根据对应的所述电池温度和所述补偿系数，对所述基础模型进行优化，得到数字孪生模型。
[0145]
可选地，所述第一行驶数据包括：车速、加速踏板开度、电池剩余电量、电池瞬时电压、电池瞬时电流、电池包最高温度和电池包最低温度；
[0146]
所述第二处理单元，具体用于：
[0147]
根据对应的所述电池包最高温度和所述电池包最低温度，得到电池温度；
[0148]
根据实时车辆能耗与所述基础模型中的车辆能耗，确定与所述基础模型相同的车速、加速踏板开度、电池剩余电量和电池温度下的补偿系数；
[0149]
其中，所述实时车辆能耗是根据电池瞬时电压、电池瞬时电流、以及与所述电池瞬时电压和电池瞬时电流对应的监测开始时间、监测结束时间确定的。
[0150]
可选地，所述第二优化单元，具体用于：
[0151]
根据所述补偿系数，对相应车速、加速踏板开度、电池剩余电量和电池温度下，所述基础模型中的车辆能耗进行优化，得到优化后的车辆能耗；
[0152]
根据对应的电池温度和优化后的车辆能耗，得到所述数字孪生模型。
[0153]
可选地，所述装置还包括：
[0154]
更新模块，用于采集第二时间段内的第二行驶数据，根据所述第二行驶数据与所述基础模型，对所述补偿系数进行更新，得到更新的补偿系数；
[0155]
优化模块，用于根据与车速、加速踏板开度、电池剩余电量和电池温度对应的所述更新的补偿系数，对所述数字孪生模型进行优化，得到优化后的数字孪生模型。
[0156]
可选地，所述装置还包括：
[0157]
提示模块，用于在同一电池温度下的实时车辆能耗与所述数字孪生模型中的车辆能耗之间的差值大于预设值的情况下，发出故障提示信息。
[0158]
需要说明的是，本发明实施例提供的汽车能耗的预测装置，是能够执行上述的汽车能耗的预测方法的装置，则上述的汽车能耗的预测方法的所有实施例均适用于该装置，且能够给达到相同或者相似的技术效果。
[0159]
本发明实施例还提供一种汽车能耗的预测设备，包括：处理器；以及通过总线接口与所述处理器相连接的存储器，所述存储器用于存储所述处理器在执行操作时所使用的程序和数据，所述处理器调用并执行所述存储器中所存储的程序和数据。
[0160]
其中，所述汽车能耗的预测设备还包括收发机，所述收发机与总线接口连接，用于在所述处理器的控制下接收和发送数据；具体地，所述处理器调用并执行所述存储器中所存储的程序和数据，所述处理器执行下列过程：
[0161]
对车辆的行驶过程进行实时监测，得到第一时间段内的第一行驶数据；
[0162]
根据所述第一行驶数据和基础模型，得到数字孪生模型；其中，所述基础模型用于表示电池温度与车辆能耗之间的关系；
[0163]
根据所述数字孪生模型，对不同电池温度下的车辆能耗进行预测。
[0164]
可选地，所述处理器根据所述电池数据和基础模型，得到数字孪生模型之前，所述处理器，还用于：
[0165]
根据仿真软件、采集的车辆基础数据以及实验数据，搭建所述基础模型；
[0166]
其中，所述车辆基础数据包括：车辆尺寸数据、车辆重量数据、电池性能数据和电机基本参数；所述实验数据包括：电池实验数据和车辆能耗实验数据。
[0167]
可选地，所述处理器，具体用于：
[0168]
根据仿真软件以及所述车辆基础数据，搭建车辆模型；
[0169]
根据所述车辆模型以及预设工况数据，得到关于电池温度与车辆能耗之间的初始模型；
[0170]
根据与所述预设工况数据对应的实验数据，对所述初始模型进行优化，得到所述基础模型。
[0171]
可选地，所述处理器，具体用于：
[0172]
根据所述第一行驶数据和所述基础模型，得到电池温度和所述电池温度对应的补偿系数；
[0173]
根据对应的所述电池温度和所述补偿系数，对所述基础模型进行优化，得到数字孪生模型。
[0174]
可选地，所述第一行驶数据包括：车速、加速踏板开度、电池剩余电量、电池瞬时电压、电池瞬时电流、电池包最高温度和电池包最低温度；
[0175]
所述处理器，具体用于：
[0176]
根据对应的所述电池包最高温度和所述电池包最低温度，得到电池温度；
[0177]
根据实时车辆能耗与所述基础模型中的车辆能耗，确定与所述基础模型相同的车速、加速踏板开度、电池剩余电量电池温度对应的补偿系数；
[0178]
其中，所述实时车辆能耗是根据电池瞬时电压、电池瞬时电流、以及与所述电池瞬时电压和电池瞬时电流对应的监测开始时间、监测结束时间确定的。
[0179]
可选地，所述处理器，具体用于：
[0180]
根据所述补偿系数，对相应车速、加速踏板开度、电池剩余电量和电池温度下，所述基础模型中的车辆能耗进行优化，得到优化后的车辆能耗；
[0181]
根据对应的电池温度和优化后的车辆能耗，得到所述数字孪生模型。
[0182]
可选地，所述处理器，还用于：
[0183]
采集第二时间段内的第二行驶数据，根据所述第二行驶数据与所述基础模型，对所述补偿系数进行更新，得到更新的补偿系数；
[0184]
根据与车速、加速踏板开度、电池剩余电量和电池温度对应的所述更新的补偿系数，对所述数字孪生模型进行优化，得到优化后的数字孪生模型。
[0185]
可选地，所述处理器，还用于：
[0186]
在同一电池温度下的实时车辆能耗与所述数字孪生模型中的车辆能耗之间的差值大于预设值的情况下，发出故障提示信息。
[0187]
其中，总线架构可以包括任意数量的互联的总线和桥，具体由处理器代表的一个或多个处理器和存储器代表的存储器的各种电路链接在一起。总线架构还可以将诸如外围
设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口提供用户接口。收发机可以是多个元件，即包括发送机和接收机，提供用于在传输介质上与各种其他装置通信的单元。处理器负责管理总线架构和通常的处理，存储器可以存储处理器在执行操作时所使用的数据。
[0188]
另外，本发明具体实施例还提供一种可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上中任一项所述的汽车能耗的预测方法中的步骤。
[0189]
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。