CN112895967B - 换电里程的剩余使用时间的预测方法、***、介质及设备 - Google Patents
换电里程的剩余使用时间的预测方法、***、介质及设备 Download PDFInfo
- Publication number
- CN112895967B CN112895967B CN201911217463.2A CN201911217463A CN112895967B CN 112895967 B CN112895967 B CN 112895967B CN 201911217463 A CN201911217463 A CN 201911217463A CN 112895967 B CN112895967 B CN 112895967B
- Authority
- CN
- China
- Prior art keywords
- mileage
- historical
- battery replacement
- data
- battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008859 change Effects 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 4
- 238000013501 data transformation Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/80—Exchanging energy storage elements, e.g. removable batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/60—Monitoring or controlling charging stations
- B60L53/66—Data transfer between charging stations and vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/54—Energy consumption estimation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/12—Timing analysis or timing optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/12—Electric charging stations
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Artificial Intelligence (AREA)
- Transportation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种换电里程的剩余使用时间的预测方法、***、介质及设备,所述预测方法包括:获取用户的历史换电数据;从所述历史换电数据中提取多组换电变量、与每组换电变量对应的历史换电里程余额及历史使用时间;根据所述历史换电数据计算得到历史日均换电里程;以所述历史日均换电里程、多组所述换电变量、所述历史换电里程余额及所述历史使用时间作为训练数据,训练得到预测模型;获取所述用户的当前换电变量以及当前换电里程余额;将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间。本发明技术方案提高了预测的准确度和时效性,提高了用户体验。
Description
技术领域
本发明涉及电池换电技术领域,尤其涉及一种换电里程的剩余使用时间的预测方法、***、介质及设备。
背景技术
电动汽车是近年来越来越普及的节能环保的交通工具之一,具有二氧化碳排放量低、养护成本低以及用户体验好的优点。用户在使用电动汽车时,最关心的就是电池在换电后能够使用的时长,以判断电动汽车是否会在长距离行驶的途中因换电里程余额耗尽而无法继续行驶。
现有技术中,在电池换电后,通常会对换电里程的余额进行估计,继而将汽车还能够行驶的里程数展示给用户,再由用户自行判断电动汽车目前的里程余额还能继续使用的时长。然而,用户在获知电池的换电里程后,根本无从下手,并不清楚电动汽车目前的里程余额还能继续使用的时长,只能依据历史行驶情况进行模糊判断,而且,由于用户的驾驶习惯、天气情况、温度等多种变量都会对换电里程的剩余使用时间造成不同程度的影响,由用户根据换电后的里程数主观判断可以使用的时长,不仅准确性差,而且效率很低,严重影响了用户体验。
发明内容
本发明要解决的技术问题是为了克服现有技术中不能直接准确的向用户展示换电后里程余额可以使用的时间长短的缺陷,提供一种换电里程的剩余使用时间的预测方法、***、介质及设备。
本发明是通过下述技术方案来解决上述技术问题:
一种换电里程的剩余使用时间的预测方法,所述预测方法包括:
获取用户的历史换电数据;
从所述历史换电数据中提取多组换电变量、与每组换电变量对应的历史换电里程余额及历史使用时间;
根据所述历史换电数据计算得到历史日均换电里程;
以所述历史日均换电里程、多组所述换电变量、所述历史换电里程余额及所述历史使用时间作为训练数据,训练得到预测模型;
获取所述用户的当前换电变量以及当前换电里程余额;
将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间。
较佳地,所述历史换电数据为预设历史时段的数据;
所述根据所述历史换电数据计算得到历史日均换电里程的步骤包括:
判断所述预设历史时段中自然日的总天数与所述预设历史时段中换电消费日的总天数是否相差超过预设阈值;
若是,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数;
若否,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述自然日的总天数,或者所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数。
较佳地,不同的所述换电变量具有不同的权重系数;
所述将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间的步骤包括:
将所述当前换电变量以及所述当前换电里程余额输入所述预测模型;
匹配确定所述当前换电变量对应的所述权重系数;
利用所述权重系数、所述当前换电里程余额以及所述历史日均换电里程预测所述当前换电里程余额的剩余使用时间。
较佳地,所述利用所述权重系数、所述当前换电里程以及所述历史日均换电里程预测所述当前换电里程的剩余使用时间的公式为:
Y=X1*X2*X3*……*Xn*(W/W0);
其中,Y为所述剩余使用时间,Xn为所述权重系数,n为正整数,W为所述当前换电里程余额,W0为所述历史日均换电里程。
较佳地,所述将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间的步骤之后还包括:
根据所述剩余使用时间生成换电建议;
将所述剩余使用时间和/或所述换电建议发送至预定的用户终端。
一种换电里程的剩余使用时间的预测***,所述预测***包括:
历史换电数据获取模块,用于获取用户的历史换电数据;
数据提取模块,用于从所述历史换电数据中提取多组换电变量、与每组换电变量对应的历史换电里程余额及历史使用时间;
计算模块,用于根据所述历史换电数据计算得到历史日均换电里程;
训练模块,用于以所述历史日均换电里程、多组所述换电变量、所述历史换电里程余额及所述历史使用时间作为训练数据,训练得到预测模型;
当前换电数据获取模块,用于获取所述用户的当前换电变量以及当前换电里程余额;
预测模块,用于将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间。
较佳地,所述历史换电数据为预设历史时段的数据;
所述计算模块包括判断子模块,所述判断子模块用于判断所述预设历史时段中自然日的总天数与所述预设历史时段中换电消费日的总天数是否相差超过预设阈值;
若是,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数;
若否,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述自然日的总天数,或者所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数。
较佳地,不同的所述换电变量具有不同的权重系数;
所述预测模块还用于将所述当前换电变量以及所述当前换电里程余额输入所述预测模型;匹配确定所述当前换电变量对应的所述权重系数;利用所述权重系数、所述当前换电里程余额以及所述历史日均换电里程预测所述当前换电里程余额的剩余使用时间。
较佳地,所述预测模块预测所述当前换电里程的剩余使用时间的公式为:
Y=X1*X2*X3*……*Xn*(W/W0);
其中,Y为所述剩余使用时间,Xn为所述权重系数,n为正整数,W为所述当前换电里程余额,W0为所述历史日均换电里程。
较佳地,所述预测***还包括换电建议生成模块以及发送模块;
所述换电建议生成模块用于根据所述剩余使用时间生成换电建议;
所述发送模块用于将所述剩余使用时间和/或所述换电建议发送至预定的用户终端。
一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现前述的换电里程的剩余使用时间的预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现前述的换电里程的剩余使用时间的预测方法的步骤。
本发明的积极进步效果在于:本发明提供的换电里程的剩余使用时间的预测方法、***、介质及设备在预测换电里程的剩余使用时间时考虑了多种影响因素对电池使用过程的影响,并且利用训练后的预测模型对数据进行拟合处理,直观地向用户显示换电里程的剩余使用时间,提高了预测的准确度和时效性,提高了用户体验。
附图说明
图1为本发明实施例1中的换电里程的剩余使用时间的预测方法的流程图。
图2为本发明实施例2中的换电里程的剩余使用时间的预测***的结构框图。
图3是本发明实施例3中的换电里程的剩余使用时间的预测方法的电子设备的结构示意图。
具体实施方式
下面通过实施例的方式进一步说明本发明,但并不因此将本发明限制在的实施例范围之中。
实施例1
本实施例提供一种换电里程的剩余使用时间的预测方法,如图1所示,预测方法可以包括如下步骤:
步骤S10:获取用户的历史换电数据;
此处的历史换电数据可以是预设的历史时段的换电数据,例如,距当前时间1个月以内的数据或者距当前时间3个月内的数据等。
步骤S11:从历史换电数据中提取多组换电变量、与每组换电变量对应的历史换电里程余额及历史使用时间;
本实施例中,换电变量可以包括电池健康度、用户画像、是否为节假日、电池包内部或外部的温度和湿度等。
具体地,用户画像可以包括用户在不同季节使用汽车空调的情况,用户在驾驶过程中对油门的控制习惯等。
步骤S12:根据历史换电数据计算得到历史日均换电里程;
本实施例中,历史换电数据为预设历史时段的数据;
步骤S12具体可以用如下方式实现:判断预设历史时段中自然日的总天数与预设历史时段中换电消费日的总天数是否相差超过预设阈值;若是,则历史日均换电里程=预设历史时段的换电总里程/换电消费日的总天数;若否,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述自然日的总天数,或者所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数。
例如,在场景1中,若预设历史时段为90天,预设阈值为10天。则在该场景中,自然日为90天,若用户在其中的85天内都进行了电池换电的操作,即自然日的总天数与换电消费日的总天数相差只有5天,不超过预设阈值10天,则历史日均换电里程可以采用85天内换电的换电总里程/自然日的总天数(90天)来得到,或者采用85天内换电的换电总里程/换电消费日的总天数(85天)得到同样可以。
在场景2中,若预设历史时段为90天,预设阈值为10天。则在该场景中,自然日为90天,若用户在其中的50天内都进行了电池换电的操作,即自然日的总天数与换电消费日的总天数相差为40天,超过预设阈值10天,则历史日均换电里程可以采用50天内换电的换电总里程/换电消费日的总天数(50天)来得到。
步骤S13:以历史日均换电里程、多组换电变量、历史换电里程余额及历史使用时间作为训练数据,训练得到预测模型;
其中,预测模型可以是训练后的线性回归模型。
步骤S14:获取用户的当前换电变量以及当前换电里程余额;
步骤S15:将当前换电变量以及当前换电里程余额输入预测模型,得到当前换电里程余额的剩余使用时间。
本实施例中,可以为不同的换电变量设置不同的权重系数;
基于此,将当前换电变量以及当前换电里程余额输入预测模型后,可以匹配确定当前换电变量对应的权重系数,接下来,再利用权重系数、当前换电里程余额以及历史日均换电里程预测当前换电里程余额的剩余使用时间。
具体的,利用权重系数、当前换电里程以及历史日均换电里程预测当前换电里程的剩余使用时间的公式可以为:
Y=X1*X2*X3*……*Xn*(W/W0);
其中,Y为剩余使用时间,Xn为权重系数,n为正整数,W为当前换电里程余额,W0为历史日均换电里程。
进一步地,在获取历史换电数据后,还可以对历史换电数据进行预处理,以提高后续计算的精确度。预处理包括但不限于数据清理、数据集成、数据变换以及数据规约。
具体地,数据清理是指,通过填写缺失的值、光滑噪声数据、识别或删除离群点(如波峰或波谷数据)并解决不一致性来“清理”数据。通过数据清理可以使数据格式标准化,清除异常数据,纠正错误数据以及清除重复数据。
数据集成是指,把多个数据源中的数据结合起来并统一存储,从而简化数据存储空间。
数据变换是指,通过平滑聚集、数据概化或者规范化等方式将数据转换成适用于数据计算的形式,提高后续数据计算的速度。
数据归约是指将大量数据归约为数据集,不但能保持原始数据的完整性,还能够提高数据存放的秩序性。
本实施例中,历史换电数据可以包括训练集数据以及测试集数据;
优选地,在对模型进行训练时,可以以训练集数据中的多组换电变量、与每组换电变量对应的历史换电里程余额作为输入,并且以历史使用时间作为输出对模型进行训练,得到预测模型;接下来,还可以利用测试集数据对预测模型进行测试,并判断测试的结果是否符合预设条件,若是,则表明预测模型较为准确,则可以用于后续的预测操作,若否,则调整权重系数,并重新利用训练集数据对模型进行训练,直到预测结果符合要求。
进一步地,在预测得到当前换电里程余额的剩余使用时间之后,本实施例中的预测方法还包括如下步骤:
步骤S16:根据剩余使用时间生成换电建议;
步骤S17:将剩余使用时间和/或换电建议发送至预定的用户终端。
具体地,用户终端可以为任意型号的PC端或移动终端(例如:手机,ipad)等,本发明实施例对此不做限制。
本发明提供的换电里程的剩余使用时间的预测方法、***、介质及设备在预测换电里程的剩余使用时间时考虑了多种影响因素对电池使用过程的影响,并且利用训练后的预测模型对数据进行拟合处理,直观地向用户显示换电里程的剩余使用时间,提高了预测的准确度和时效性,提高了用户体验。
实施例2
本实施例提供一种换电里程的剩余使用时间的预测***,如图2所示,预测***1可以包括:
历史换电数据获取模块10,用于获取用户的历史换电数据;
此处的历史换电数据可以是预设的历史时段的换电数据,例如,距当前时间1个月以内的数据或者距当前时间3个月内的数据等。
数据提取模块11,用于从历史换电数据中提取多组换电变量、与每组换电变量对应的历史换电里程余额及历史使用时间;
本实施例中,换电变量可以包括电池健康度、用户画像、是否为节假日、电池包内部或外部的温度和湿度等。
具体地,用户画像可以包括用户在不同季节使用汽车空调的情况,用户在驾驶过程中对油门的控制习惯等。
计算模块12,用于根据历史换电数据计算得到历史日均换电里程;
本实施例中,历史换电数据为预设历史时段的数据;
计算模块12还用于判断预设历史时段中自然日的总天数与预设历史时段中换电消费日的总天数是否相差超过预设阈值;若是,则历史日均换电里程=预设历史时段的换电总里程/换电消费日的总天数;若否,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述自然日的总天数,或者所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数。
例如,在场景1中,若预设历史时段为90天,预设阈值为10天。则在该场景中,自然日为90天,若用户在其中的85天内都进行了电池换电的操作,即自然日的总天数与换电消费日的总天数相差只有5天,不超过预设阈值10天,则历史日均换电里程可以采用85天内换电的换电总里程/自然日的总天数(90天)来得到,或者采用85天内换电的换电总里程/换电消费日的总天数(85天)得到同样可以。
在场景2中,若预设历史时段为90天,预设阈值为4天。则在该场景中,自然日为90天,若用户在其中的85天内都进行了电池换电的操作,即自然日的总天数与换电消费日的总天数相差为5天,超过预设阈值4天,则历史日均换电里程可以采用85天内换电的换电总里程/换电消费日的总天数(85天)来得到。
预测***1还包括训练模块13,用于以历史日均换电里程、多组换电变量、历史换电里程余额及历史使用时间作为训练数据,训练得到预测模型;其中,预测模型可以是训练后的线性回归模型。
当前换电数据获取模块14,用于获取用户的当前换电变量以及当前换电里程余额;
预测模块15,用于将当前换电变量以及当前换电里程余额输入预测模型,得到当前换电里程余额的剩余使用时间。
本实施例中,不同的换电变量可以具有不同的权重系数。
预测模块15还用于将当前换电变量以及当前换电里程余额输入预测模型;匹配确定当前换电变量对应的权重系数;利用权重系数、当前换电里程余额以及历史日均换电里程预测当前换电里程余额的剩余使用时间。
具体地,预测模块预测当前换电里程的剩余使用时间的公式为:
Y=X1*X2*X3*……*Xn*(W/W0);
其中,Y为剩余使用时间,Xn为权重系数,n为正整数,W为当前换电里程余额,W0为历史日均换电里程。
进一步地,预测***1还可以包括预处理模块16,预处理模块16可以对历史换电数据进行预处理,以提高后续计算的精确度。预处理包括但不限于数据清理、数据集成、数据变换以及数据规约。
具体地,数据清理是指,通过填写缺失的值、光滑噪声数据、识别或删除离群点(如波峰或波谷数据)并解决不一致性来“清理”数据。通过数据清理可以使数据格式标准化,清除异常数据,纠正错误数据以及清除重复数据。
数据集成是指,把多个数据源中的数据结合起来并统一存储,从而简化数据存储空间。
数据变换是指,通过平滑聚集、数据概化或者规范化等方式将数据转换成适用于数据计算的形式,提高后续数据计算的速度。
数据归约是指将大量数据归约为数据集,不但能保持原始数据的完整性,还能够提高数据存放的秩序性。
本实施例中,历史换电数据可以包括训练集数据以及测试集数据;预测***还可以包括测试模块17。
训练模块13对模型进行训练时,可以以训练集数据中的多组换电变量、与每组换电变量对应的历史换电里程余额作为输入,并且以历史使用时间作为输出对模型进行训练,得到预测模型;接下来,测试模块17可以利用测试集数据对预测模型进行测试,并判断测试的结果是否符合预设条件,若是,则表明预测模型较为准确,则可以用于后续的预测操作,若否,则调整权重系数,并且调用训练模块13,训练模块13基于调整后的权重系数,重新利用训练集数据对模型进行训练,直到预测结果符合要求。
进一步地,预测***1还可以包括换电建议生成模块18以及发送模块19;
换电建议生成模块18用于根据剩余使用时间生成换电建议;发送模块19用于将剩余使用时间和/或换电建议发送至预定的用户终端。
具体地,用户终端可以为任意型号的PC端或移动终端(例如:手机,ipad)等,本发明实施例对此不做限制。
本发明提供的换电里程的剩余使用时间的预测***在预测换电里程的剩余使用时间时考虑了多种影响因素对电池使用过程的影响,并且利用训练后的预测模型对数据进行拟合处理,直观地向用户显示换电里程的剩余使用时间,提高了预测的准确度和时效性,提高了用户体验。
实施例3
本发明还提供一种电子设备,如图3所示,电子设备可以包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现前述实施例1中的换电里程的剩余使用时间的预测方法的步骤。
可以理解的是,图3所示的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示,电子设备2可以以通用计算设备的形式表现,例如:其可以为服务器设备。电子设备2的组件可以包括但不限于:上述至少一个处理器3、上述至少一个存储器4、连接不同***组件(包括存储器4和处理器3)的总线5。
总线5可以包括数据总线、地址总线和控制总线。
存储器4可以包括易失性存储器,例如随机存取存储器(RAM)41和/或高速缓存存储器42,还可以进一步包括只读存储器(ROM)43。
存储器4还可以包括具有一组(至少一个)程序模块44的程序工具45(或实用工具),这样的程序模块44包括但不限于:操作***、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
处理器3通过运行存储在存储器4中的计算机程序,从而执行各种功能应用以及数据处理,例如本发明实施例1中的换电里程的剩余使用时间的预测方法的步骤。
电子设备2也可以与一个或多个外部设备6(例如键盘、指向设备等)通信。这种通信可以通过输入/输出(I/O)接口7进行。并且,模型生成的电子设备2还可以通过网络适配器8与一个或者多个网络(例如局域网LAN,广域网WAN和/或公共网络)通信。
如图3所示,网络适配器8可以通过总线5与模型生成的电子设备2的其它模块通信。本领域技术人员应当明白,尽管图中未示出,可以结合模型生成的电子设备2使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID(磁盘阵列)***、磁带驱动器以及数据备份存储***等。
需要说明的是,尽管在上文详细描述中提及了电子设备的若干单元/模块或子单元/模块,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本发明的实施方式,上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之,上文描述的一个单元/模块的特征和功能可以进一步划分为由多个单元/模块来具体化。
实施例4
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,程序被处理器执行时实现实施例1中的换电里程的剩余使用时间的预测方法的步骤。
其中,计算机可读存储介质可以采用的更具体方式可以包括但不限于:便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中,本发明还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行实现实施例1中的换电里程的剩余使用时间的预测方法的步骤。
其中,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码,程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这仅是举例说明,本发明的保护范围是由所附权利要求书限定的。本领域的技术人员在不背离本发明的原理和实质的前提下,可以对这些实施方式做出多种变更或修改,但这些变更和修改均落入本发明的保护范围。
Claims (10)
1.一种换电里程的剩余使用时间的预测方法,其特征在于,所述预测方法包括:
获取用户的历史换电数据;
从所述历史换电数据中提取多组换电变量、与每组换电变量对应的历史换电里程余额及历史使用时间;
根据所述历史换电数据计算得到历史日均换电里程;
以所述历史日均换电里程、多组所述换电变量、所述历史换电里程余额及所述历史使用时间作为训练数据,训练得到预测模型,其中,不同的所述换电变量具有不同的权重系数;
获取所述用户的当前换电变量以及当前换电里程余额;
将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间,包括:
将所述当前换电变量以及所述当前换电里程余额输入所述预测模型;
匹配确定所述当前换电变量对应的所述权重系数;
利用所述权重系数、所述当前换电里程余额以及所述历史日均换电里程预测所述当前换电里程余额的剩余使用时间。
2.如权利要求1所述的换电里程的剩余使用时间的预测方法,其特征在于,所述历史换电数据为预设历史时段的数据;
所述根据所述历史换电数据计算得到历史日均换电里程的步骤包括:
判断所述预设历史时段中自然日的总天数与所述预设历史时段中换电消费日的总天数是否相差超过预设阈值;
若是,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数;
若否,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述自然日的总天数,或者所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数。
4.如权利要求1-3任一项所述的换电里程的剩余使用时间的预测方法,其特征在于,
所述将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间的步骤之后还包括:
根据所述剩余使用时间生成换电建议;
将所述剩余使用时间和/或所述换电建议发送至预定的用户终端。
5.一种换电里程的剩余使用时间的预测***,其特征在于,所述预测***包括:
历史换电数据获取模块,用于获取用户的历史换电数据;
数据提取模块,用于从所述历史换电数据中提取多组换电变量、与每组换电变量对应的历史换电里程余额及历史使用时间;
计算模块,用于根据所述历史换电数据计算得到历史日均换电里程;
训练模块,用于以所述历史日均换电里程、多组所述换电变量、所述历史换电里程余额及所述历史使用时间作为训练数据,训练得到预测模型,其中,不同的所述换电变量具有不同的权重系数;
当前换电数据获取模块,用于获取所述用户的当前换电变量以及当前换电里程余额;
预测模块,用于将所述当前换电变量以及所述当前换电里程余额输入所述预测模型,得到所述当前换电里程余额的剩余使用时间,包括:
将所述当前换电变量以及所述当前换电里程余额输入所述预测模型;匹配确定所述当前换电变量对应的所述权重系数;利用所述权重系数、所述当前换电里程余额以及所述历史日均换电里程预测所述当前换电里程余额的剩余使用时间。
6.如权利要求5所述的换电里程的剩余使用时间的预测***,其特征在于,所述历史换电数据为预设历史时段的数据;
所述计算模块包括判断子模块,所述判断子模块用于判断所述预设历史时段中自然日的总天数与所述预设历史时段中换电消费日的总天数是否相差超过预设阈值;
若是,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数;
若否,则所述历史日均换电里程=所述预设历史时段的换电总里程/所述自然日的总天数,或者所述历史日均换电里程=所述预设历史时段的换电总里程/所述换电消费日的总天数。
8.如权利要求5-7任一项所述的换电里程的剩余使用时间的预测***,其特征在于,所述预测***还包括换电建议生成模块以及发送模块;
所述换电建议生成模块用于根据所述剩余使用时间生成换电建议;
所述发送模块用于将所述剩余使用时间和/或所述换电建议发送至预定的用户终端。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1-4任一项所述的换电里程的剩余使用时间的预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-4任一项所述的换电里程的剩余使用时间的预测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210508068.5A CN114714966A (zh) | 2019-12-03 | 2019-12-03 | 换电里程的剩余使用时间的预测方法、***、介质及设备 |
CN201911217463.2A CN112895967B (zh) | 2019-12-03 | 2019-12-03 | 换电里程的剩余使用时间的预测方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911217463.2A CN112895967B (zh) | 2019-12-03 | 2019-12-03 | 换电里程的剩余使用时间的预测方法、***、介质及设备 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210508068.5A Division CN114714966A (zh) | 2019-12-03 | 2019-12-03 | 换电里程的剩余使用时间的预测方法、***、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112895967A CN112895967A (zh) | 2021-06-04 |
CN112895967B true CN112895967B (zh) | 2022-03-29 |
Family
ID=76103651
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911217463.2A Active CN112895967B (zh) | 2019-12-03 | 2019-12-03 | 换电里程的剩余使用时间的预测方法、***、介质及设备 |
CN202210508068.5A Pending CN114714966A (zh) | 2019-12-03 | 2019-12-03 | 换电里程的剩余使用时间的预测方法、***、介质及设备 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210508068.5A Pending CN114714966A (zh) | 2019-12-03 | 2019-12-03 | 换电里程的剩余使用时间的预测方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN112895967B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109624719A (zh) * | 2018-12-29 | 2019-04-16 | 银隆新能源股份有限公司 | 一种用于检测电动汽车的剩余里程数的装置及方法 |
CN110015160A (zh) * | 2017-09-12 | 2019-07-16 | 屹立电动技术有限公司 | 高尔夫球车电池*** |
CN110103773A (zh) * | 2019-05-22 | 2019-08-09 | 福建工程学院 | 一种电动汽车续驶里程预测方法和*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180080995A1 (en) * | 2016-09-20 | 2018-03-22 | Faraday&Future Inc. | Notification system and method for providing remaining running time of a battery |
-
2019
- 2019-12-03 CN CN201911217463.2A patent/CN112895967B/zh active Active
- 2019-12-03 CN CN202210508068.5A patent/CN114714966A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110015160A (zh) * | 2017-09-12 | 2019-07-16 | 屹立电动技术有限公司 | 高尔夫球车电池*** |
CN109624719A (zh) * | 2018-12-29 | 2019-04-16 | 银隆新能源股份有限公司 | 一种用于检测电动汽车的剩余里程数的装置及方法 |
CN110103773A (zh) * | 2019-05-22 | 2019-08-09 | 福建工程学院 | 一种电动汽车续驶里程预测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN114714966A (zh) | 2022-07-08 |
CN112895967A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN110210980A (zh) | 一种驾驶行为评估方法、装置和存储介质 | |
CN113815481B (zh) | 电池包选择方法、装置、电子设备及存储介质 | |
CN112068003A (zh) | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 | |
CN117578534B (zh) | 光伏储能***的调度方法、装置、设备及存储介质 | |
CN111179108A (zh) | 用电能耗的预测方法和装置 | |
CN115730755A (zh) | 一种双碳目标实现路径规划方法、装置、终端设备及介质 | |
CN118211045A (zh) | 用于换电站的电池选取方法、装置、存储介质及设备 | |
CN114970357A (zh) | 节能效果评价方法、***、装置及存储介质 | |
CN113487086B (zh) | 设备剩余使用寿命预测方法、装置、计算机设备和介质 | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、***、介质及设备 | |
CN112895967B (zh) | 换电里程的剩余使用时间的预测方法、***、介质及设备 | |
CN117592510A (zh) | 一种基于安全约束的负荷预测方法与*** | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN112560325B (zh) | 换电业务的预测方法、***、设备及存储介质 | |
CN115473216A (zh) | 一种改进电网线损计算的方法及*** | |
CN112782601A (zh) | 电池健康度的获取方法、***、设备及可读存储介质 | |
CN111428344A (zh) | 一种高速公路机电设备退化分析模型的构建方法 | |
CN112622682B (zh) | 电动汽车电池换电里程管理方法、***、电子设备及介质 | |
CN116542498B (zh) | 基于深度强化学习的电池调度方法、***、装置及介质 | |
CN116934530B (zh) | 一种智能电表的数据处理方法和装置、设备及存储介质 | |
CN118052424B (zh) | 物料分配方法、装置、电子设备及存储介质 | |
CN116703456A (zh) | 换电次数的预测方法、装置、电子设备及存储介质 | |
Appino | Scheduling of energy storage using probabilistic forecasts and energy-based aggregated models | |
CN114048905A (zh) | 电力资源的价格预测方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |