本发明涉及电动汽车能源管理领域,主要涉及对未来一段时间内整车能耗预测问题,具体是一种基于车联网数据挖掘的电动汽车短期能耗预测方法。
背景技术:
1、电动汽车因其相较于其他新能源车具有明显的优势,同样,行驶经济性和环境友好性使得电动汽车相关技术成为当前汽车产业界和学术界的研究重点。但是许多关键技术没有实现突破,包括车载电池能量管理。电动汽车能耗预测是其中的重点工作之一。
2、当前电动汽车能耗预测方法多数表现为:搭建常用的神经网络框架,用能耗值和能耗相关的特征变量训练模型,最终输出能耗预测值;结合车辆所在城市路网结构和交通状况,在绿波带场景下进行能耗预测等。这些传统方法比较局限于特定环境和条件下的特定车型,训练完成的模型不一定适用于其他工况下的其他车辆;真实行车工况中,突变环境状况和特殊交通状况难以预知,未来较长时期内的整车能耗同样难以预测准确,因此预测结果并不具有太高的可信度,泛化能力不足。
3、对电动汽车未来时期内的能耗进行预测,能够反映未来车辆行驶状况,进而为用户提供实时续驶里程信息与驾驶决策,提高用户对电动汽车的使用信心,缓解里程焦虑问题。而现有的汽车能耗预测方法大体框架为:基于能耗相关特征变量的历史数据来构建多维矩阵,通过训练输入变量和输出变量得到最终能耗预测值。实际上,电动汽车能耗水平不仅与整车工况(车速、历史整车能耗值、电池系统参数等)实时相关,道路工况(如雨雪天气下道路湿滑情况、道路坡度陡峭程度等)与交通工况(城市早晚高峰、工作日双休日等条件下)等复杂情况也同样不可忽视。数据挖掘的手段是根据历史工况反映未来可能出现的情况,在输入特征选取正确且数据处理妥当的情况下,能够得到未来行车状况下比较准确的能耗值。然而,与能耗相关的特征信息影响因素纷繁复杂,且获取较为困难,建模工作存在较大难度;当进行能耗的在线预测时,预测模型所需要的输入特征不能保证实时性和准确性,所产生的预测效果可能不尽如人意。
技术实现思路
1、基于现有技术存在的问题,本发明提出了一种基于车联网大数据挖掘的电动汽车短期能耗预测方法,所述方法包括:
2、从车联网数据平台中获取电动汽车的运行数据和工况数据,并对数据进行预处理和归一化;
3、将运行数据划分为充电过程和放电过程,并按照放电过程进行里程片段划分;
4、从所述工况数据中按照相关系数提取出与电动汽车能耗相关的特征变量;
5、在划分好的每个里程片段内,对所选特征变量进行参数计算,构建出待测里程片段的输入变量;
6、将待测里程片段的输入变量输入到训练后的集成学习模型中,得到待测里程片段的能耗调整因子预测值;
7、利用待测里程片段的能耗调整因子预测值,计算得到电动汽车在待测里程片段的能耗预测值。
8、本发明的有益效果:
9、本发明专利提出了能耗调整因子的概念,用来表征历史能耗与未来能耗之间的耦合关系,旨在通过结合已知的历史能耗与能耗因子来得到未来能耗的预测值。这个能耗调整因子与能耗相关的特征变量之间拥有一定线性和非线性关系,因此,确定具体输入输出特征变量类别及其真实值、并正确得到它们之间的关系是准确预测能耗的关键所在。因此本发明基于能耗调整因子设计了预测模型框架,得到的电动汽车能耗预测模型能够更加准确的预测电动汽车的能耗水平;结果能够保证具有一定的实时性,能够在后续一段里程开始前得到一个合理且确定的能耗值,为驾驶员做驾驶决策提供了有效输入。
1.一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,所述方法包括:
2.根据权利要求1所述一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,所述工况数据包括历史整车工况、道路工况和交通工况。
3.根据权利要求1所述一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,所述将待测里程片段的输入变量输入到训练后的集成学习模型中,得到待测里程片段的能耗调整因子预测值包括分别采用训练后的lstm长短时期记忆神经网络模型和训练后的xgboost网络模型对待测里程片段的输入变量进行处理,得到待测里程片段在lstm长短时期记忆神经网络模型和xgboost网络模型下的能耗调整因子预测值;采用rbf径向基神经网络模型自适应修正lstm长短时期记忆神经网络模型和xgboost网络模型输出的能耗调整因子预测值;加权得到待测里程片段的能耗调整因子预测值。
4.根据权利要求1所述一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,所述采用rbf径向基神经网络模型自适应修正lstm长短时期记忆神经网络模型和xgboost网络模型输出的能耗调整因子预测值包括将待测里程片段的输入向量分别切分为长度为p的若干个单位数据片段以及长度为q的若干个单位数据片段;将所述p个单位数据片段输入到训练后的lstm长短时期记忆神经网络模型中,根据每个单位数据片段的长度与目标数据片段的长度,计算出径向基函数的方差;按照p个单位数据片段进行数据拟合,输出得到估计的待测里程片段的第一能耗调整因子预测值;将所述q个单位数据片段输入到训练后的xgboost网络模型中,按照q个单位数据片段进行数据拟合;输出得到估计的待测里程片段的第二能耗调整因子预测值;对第一能耗调整因子预测值和第二能耗调整因子预测值加权求和,得到最终的待测里程片段的能耗调整因子预测值,其中,p>q。
5.根据权利要求4所述一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,lstm长短时期记忆神经网络模型输出的待测里程片段的第一能耗调整因子预测值的计算公式表示为:
6.根据权利要求4所述一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,xgboost网络模型输出的待测里程片段的第二能耗调整因子预测值的计算公式表示为:
7.根据权利要求1所述一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,所述待测里程片段的能耗调整因子预测值的公式表示为:
8.根据权利要求1所述的一种基于车联网数据挖掘的电动汽车短期能耗预测方法,其特征在于,所述计算得到电动汽车在待测里程片段的能耗预测值的公式表示为: