【技術實現步驟摘要】
本專利技術涉及新能源汽車，具體地說，是一種基于駕駛行為量化因子的電動汽?車剩余里程預測方法。
技術介紹
1、剩余里程作為新能源汽車動力電池續航能力的直觀表現，直接關系到駕駛員的對新能?源汽車駕駛的判斷。新能源汽車剩余里程預測作為新能源動力電池?rul（剩余壽命）預測的?深度直觀研究，對汽車電池的發展有著重要意義。剩余里程預測與剩余壽命預測有著相似的?方法，通過對汽車駕駛數據的收集例如?soc?數據、電池溫度、環境溫度的數據等；再選擇?建?立合適的模型，將收集到的數據作為輸入值，通過訓練模型，得到精確的預測值。由于真?實?剩余里程不同于普通且工況不變下的實驗剩余里程，在駕駛過程中各種情況的改變都能影?響?到剩余里程值。因此需要建立一個優秀的模型，將收集到重要相關數據做最優化處理，使?得?通過最終模型得到的預測值能盡量接近真實值。
技術實現思路
1、本專利技術的目的是提供一種基于駕駛行為量化因子的電動汽車剩余里程預測方法，該方?法能夠綜合考慮車輛狀態參數和駕駛行為對剩余里程的影響，提高預測的準確性。
2、為實現上述目的，本專利技術采用以下技術方案：s1?數據采集與預處理：
3、s1?數據采集與預處理：采集新能源汽車的歷史行駛數據，對數據進行分類清洗，去除?異常值、?缺失值和重復值，并進行數據劃分。
4、s2?駕駛行為量化：基于清洗后的數據，選取駕駛行為評價指標，對各項指標進行賦權?并評價權重系數；通過歸一化求加權和得到駕駛行為量化因子。
6、s4?剩余里程預測：將實時采集的車輛狀態參數和駕駛行為量化因子輸入訓練好的?lstm?神經網絡模型，得到剩余里程的預測值。
7、]?優選地，所述?s1?包括以下步驟：?s1-1、對數據的缺失值、異常值和重復值進行處理，?消除異常數據的影響。s1-2、對清洗后的數據進行劃分處理，先進行駕駛事件劃分，即車輛從啟動到熄火的過程,?其中包括加速、減速、勻速以及怠速等多種行車過程。將每一次駕駛?事件劃分成多個?20?多秒?的行駛片段，對事件的末尾段小于?20?秒的片段忽略。
8、優選地，所述?s2?包括以下步驟：
9、s2-1、從車速和加速度方面選取了?7?項評價指標對駕駛行為進行數字化處理，同時對?急加速?時長占比、高速時長占比和能量回收占比這?3?項進行駕駛行為評價指標進行分析。
10、s2-2、急加速時長分析：將短行駛片段中的車速與加速度進行提取,提出一種分段區間?90%百分位線的急加速事件閾值線判斷方法.?以?10km/h?作為一個分段區間,?對不同速度區間?進行獨立分析,?將每個速度區間的?90%百分位線作為急加速事件判斷的閾值線,避免閾值線難?以對高速事件進行識別。
11、s2-3、高速時長占比分析：通過?k-means?聚類方法和簇內誤差平方和方法將速度區?間?劃分成低速、中速和高速，獲得高速時長占比。
12、]?s2-4、通過隨機森林算法對評價指標的重要性進行評估，將各項評價指標對驅動電機?能耗的重要性大小作為權重系數。
13、s2-4、駕駛行為量化因子計算。
14、優選地，所述?s3?包括以下步驟：?s3-1、將駕駛行為量化因子和時間作為輸入，通過原始數據對神經網絡進行訓練。
15、優選的，所述?s4?包括以下步驟：?s4-1、通過?lstm?神經網絡進行剩余里程預測。
本文檔來自技高網...【技術保護點】
1.一種基于駕駛行為量化因子的電動汽車剩余里程預測方法，其特征在于，該方法包括以?下步驟：?S1?數據采集與預處理：采集電動汽車的歷史行駛數據，并對數據進行清洗、分類?和預?處理，以去除異常值、缺失值和重復值；?S2?駕駛行為量化：基于預處理后的數據，選?取與駕駛行為相關的評價指標，對每項指?標進行量化并賦予權重，得到駕駛行為量化因子；?S3?模型構建與訓練：構建神經網絡模型，將車輛狀態參數和駕駛行為量化因子作為輸?入，?剩余里程作為輸出，對模型進行訓練和優化；?S4?剩余里程預測：實時采集電動汽車的車輛?狀態參數和駕駛行為數據，輸入到訓練好?的神經網絡模型中，得到剩余里程的預測值。
2.根據權利要求?1?所述的電動汽車剩余里程預測方法，其中，駕駛行為量化步驟進一步包?括：?S2-1?選取駕駛行為評價指標，包括但不限于加速踏板開度、制動踏板開度、轉向角、?行駛速度和行駛時間等；?S2-2?對每個評價指標進行歸一化處理，以消除量綱差異；S2-3?根據各評價指標對剩余里程的影響程度，為每個評價指標分配相應的權重；?S2-4?將歸一化?后的評價指標值與其對應的權重相乘，并求
3.根據權利要求?1?或?2?所述的電動汽車剩余里程預測方法，其中，神經網絡模型采用長?短?期記憶（LSTM）網絡結構，能夠處理時序數據并捕捉駕駛行為和剩余里程之間的動態關?系。
4.一種電動汽車剩余里程預測系統，該系統包括：?S4-1?數據采集模塊，用于實時采集電?動汽車的車輛狀態參數和駕駛行為數據；?S4-2?數據處理模塊，用于對采集到的數據進行預?處理和駕駛行為量化；?S4-3?預測模型模塊，包含根據權利要求?1、2?或?3?所述的方法訓練?得到的神經網絡模型，?用于接收數據處理模塊的輸出并輸出剩余里程的預測值；S4-5?顯示?模塊，用于將剩余里程的預測值展示給駕駛員。
5.根據權利要求?4?所述的電動汽車剩余里程預測系統，該系統還包括：?S5-1?模型更新模?塊，用于定期或根據特定條件對神經網絡模型進行更新和優化，以提?高預測準確性。
6.一種電動汽車，其特征在于，該電動汽車集成了根據權利要求?4?或?5?所述的電動汽車?剩余里程預測系統。
7.一種計算機可讀存儲介質，其上存儲有計算機程序，該程序被處理器執行時實現根據權?利要求?1、2?或?3?所述的電動汽車剩余里程預測方法的步驟。
8.一種用于實現電動汽車剩余里程預測的計算設備，包括：?S8-1?處理器；?S8-2?存儲器，?存儲有可在處理器上運行的計算機程序，該程序被處理器執行時實現根據?權利要求1、2?或?3?所述的電動汽車剩余里程預測方法的步驟。
...【技術特征摘要】
1.一種基于駕駛行為量化因子的電動汽車剩余里程預測方法，其特征在于，該方法包括以?下步驟：?s1?數據采集與預處理：采集電動汽車的歷史行駛數據，并對數據進行清洗、分類?和預?處理，以去除異常值、缺失值和重復值；?s2?駕駛行為量化：基于預處理后的數據，選?取與駕駛行為相關的評價指標，對每項指?標進行量化并賦予權重，得到駕駛行為量化因子；?s3?模型構建與訓練：構建神經網絡模型，將車輛狀態參數和駕駛行為量化因子作為輸?入，?剩余里程作為輸出，對模型進行訓練和優化；?s4?剩余里程預測：實時采集電動汽車的車輛?狀態參數和駕駛行為數據，輸入到訓練好?的神經網絡模型中，得到剩余里程的預測值。
2.根據權利要求?1?所述的電動汽車剩余里程預測方法，其中，駕駛行為量化步驟進一步包?括：?s2-1?選取駕駛行為評價指標，包括但不限于加速踏板開度、制動踏板開度、轉向角、?行駛速度和行駛時間等；?s2-2?對每個評價指標進行歸一化處理，以消除量綱差異；s2-3?根據各評價指標對剩余里程的影響程度，為每個評價指標分配相應的權重；?s2-4?將歸一化?后的評價指標值與其對應的權重相乘，并求和得到駕駛行為量化因子。
3.根據權利要求?1?或?2?所述的電動汽車剩余里程預測方法，其中，神經網絡模型采用長?短?期記憶（lstm）網絡結構，能夠處理時...
【專利技術屬性】
技術研發人員：曾建邦，沈超群，李駿，黃豪，胡亦非，段興兵，覃清梅，李彬斌，
申請(專利權)人：華東交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。