CN115563768A - 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 - Google Patents
基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 Download PDFInfo
- Publication number
- CN115563768A CN115563768A CN202211210669.4A CN202211210669A CN115563768A CN 115563768 A CN115563768 A CN 115563768A CN 202211210669 A CN202211210669 A CN 202211210669A CN 115563768 A CN115563768 A CN 115563768A
- Authority
- CN
- China
- Prior art keywords
- sample set
- threshold
- monte carlo
- carlo simulation
- new energy
- 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.)
- Pending
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及新能源汽车技术领域,公开了一种基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,包括以下步骤:步骤1:采集初始数据;所述初始数据为汽车厂家使用的车辆基础指标的已定阈值;步骤2:预处理初始数据,得到基础样本集;步骤3:对基础样本集进行数次随机抽样,并得到抽样样本集;步骤4:采用蒙特卡洛模拟方法,重复执行步骤3,并获得数组抽样样本集,并从中获取得到K值,所述K值为蒙特卡洛模拟的分位数特征向量;步骤5:对K值进行置信区间分析,并获取得到估计阈值;步骤6:基于估计阈值,评估确定目标阈值。本发明能够为阈值设置及评价提供可靠数据参考,有助于提高新能源汽车安全性能评估的真实度。
Description
技术领域
本发明涉及新能源汽车技术领域,具体涉及一种基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法。
背景技术
随着汽车产业的绿色能源革命进程的不断推进,我国新能源汽车产销量、保有量也大幅增长。但相应的,新能源汽车的运行安全问题也不断凸显,对交通安全、人身安全等造成了较大负面影响,故而,目前迫切需要强化对新能源汽车的电安全、动力电池安全等各项运行安全性能指标的检验评价。
而现今新能源汽车行业发展快、汽车厂家多、车型多,新能源汽车各项指标的已定阈值的设置标准不统一、评价标准不统一,以致于难以对车辆的各项安全性能指标进行客观、标准的检验评价。同时,考虑到实际应用场景中,目前常采用的阈值分析确认方法多为针对固定样本集采用固定分位数确定阈值,这其中,固定样本集中收集到的样本不能体现全部车型情况的同时,车型本身还在不停增加,固定样本集的可靠度较低,而直接的分位数分析也无法弥补此可靠度缺陷,故针对固定样本集的分位数分析很难真实评估各厂家、各车型的新能源汽车安全性能。
发明内容
本发明意在提供一种基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,能够为阈值设置及评价提供可靠数据参考,有助于提高新能源汽车安全性能评估的真实度。
本发明提供的基础方案为:基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,包括以下步骤:
步骤1:采集初始数据;所述初始数据为汽车厂家使用的车辆基础指标的已定阈值;
步骤2:预处理初始数据,得到基础样本集;
步骤3:对基础样本集进行数次随机抽样,并得到抽样样本集;
步骤4:采用蒙特卡洛模拟方法,重复执行步骤3,并获得数组抽样样本集,并从中获取得到K值,所述K值为蒙特卡洛模拟的分位数特征向量;
步骤5:对K值进行置信区间分析,并获取得到估计阈值;
步骤6:基于估计阈值,评估确定目标阈值。
本发明的工作原理及优点在于:首先,最特别的是,本方案的阈值分析对象是针对各汽车厂家所设置好的、实际用来评估的已定阈值。与常规的阈值分析方案相比,常规的阈值分析方案往往将分析视角局限于汽车的某项基础指标中,通过对该项基础指标的固定样本集进行分析进而确定阈值,这样分析得到的阈值实际受到了各厂家固定样本的局限,且一定程度上受到了人为因素(各厂家采用的分析取值方式不同)的影响;使得基于此阈值评判得到的新能源汽车性能结果的可靠性较差,且难以得到统一的、真实的性能检验结果。而本方案则自单项指标分析中跳脱出来,突破性地以已定阈值作为阈值分析的对象,基于已定阈值确定得到综合考量了各已定阈值的,更为可靠的、客观的目标阈值;能够为阈值设置及评价提供可靠数据参考,有助于提高新能源汽车安全性能评估的真实度和客观度。
其次,本方案通过对包含已定阈值的基础样本集进行多次随机抽样,构造得到新的样本集,即抽样样本集,与基础样本集相比,抽样样本集在采集子样时,对采样的目标是不施加任何人为意志的。而这种采样过程的随机性,能够有效降低常规阈值判定中所存在的因厂家不同、车型不同而导致的阈值判定差异性,有效减少人为因素对阈值判定的影响,进而有助于得到更为客观、可靠的目标阈值。再者,本方案基于已定阈值的几何数量和几何特征,利用蒙特卡洛模拟方法,利用抽样样本集进行充分数字模拟试验(对应步骤4),并结合区间估计,最终评估得到目标阈值。整体的阈值分析方法运作逻辑较为简洁,运作高效;能够获取得到可靠度更高的目标阈值。
进一步,在步骤1中,所述车辆基础指标包括温度、单体电压、单体间压差、SOC值和SOC跳变百分比。
有益效果:本方案能够分析的阈值项目多样,具备通用性和普适性。
进一步,在步骤2中,所述预处理操作包括:取每一已定阈值对应的列向量作为一个一维样本集;基于一维样本集进行数据清洗并得到基础样本集。
有益效果:通过数据清洗,可将初始数据中的无用数据有效清除,能够为后续的阈值分析提供可靠的数据基础。
进一步,数据清洗的清洗去除对象包括空值和非数值型数据。
有益效果:对空值和非数值型数据进行清洗去除,可有效避免此类数据影响到K值确认的精准度。
进一步,在步骤3中,随机抽样次数与基础样本集的长度相等;所述随机抽样为等长随机抽样。
有益效果:采用等长随机抽样,取得的抽样样本较为统一;抽样次数和基础样本集长度等同,能够抽取得到充足的抽样样本。
进一步,在步骤4中,K=[ki],i=1,2,3…1000;
其中,ki=Spi;抽样样本集为S,Spi为第i次随机抽样得到的抽样样本集Si的p分位数。
有益效果:分位数特征向量选取可靠,可保证后续估计阈值确认可靠。
进一步,在步骤5中,所述置信区间的置信水平为95%。
有益效果:置信水平设置较高,对于估计阈值的精准度要求较高,这样设置,虽然采取估值,但是最终得到的估计阈值的精准度能够保证。
进一步,在步骤5中,所述估计阈值按照下式计算得到:
有益效果:估计阈值的确认可靠,可保证后续目标阈值确认可靠。
附图说明
图1为本发明基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法实施例一的方法流程示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例基本如附图1所示:基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,包括以下步骤:
步骤1:采集初始数据;所述初始数据为汽车厂家使用的车辆基础指标的已定阈值。
所述车辆基础指标包括温度、单体电压、单体间压差、SOC值、SOC跳变百分比、绝缘电阻等。具体地,本实施例中,温度包括探针传感器的最高温度、探针传感器的最低温度、探针传感器的最高温度与最低温度的温差,其中,探针传感器指的是动力电池***中在多个关键位置设有的温度探针传感器,在任意时刻,每个温度探针传感器都会采集一个温度值,最高温度即为此时采集得到的所有温度值中的最大值,最低温度即为此时采集得到的所有温度值中的最小值;以及,驱动电机控制器温度、驱动电机报警温度、DCDC控制器温度等;单体电压包括三元锂电池正常最高单体电压、磷酸铁锂最高单体电压、三元锂电池最低单体电压、磷酸铁锂最低单体电压等;单体间压差包括三元锂电池单体间压差、磷酸铁锂单体间压差等;SOC值包括动力电池***的最低SOC值等。
步骤2:预处理初始数据,得到基础样本集。
所述预处理操作包括:取每一已定阈值对应的列向量作为一个一维样本集;基于一维样本集进行数据清洗并得到基础样本集X。数据清洗的清洗去除对象包括空值和非数值型数据。
步骤3:对基础样本集进行数次随机抽样,并得到抽样样本集。
具体地,随机抽样次数与基础样本集的长度相等;所述随机抽样为等长随机抽样。令基础样本集X的长度为n,对基础样本集X进行n次随机抽样得到长度为n的抽样样本集S。
步骤4:采用蒙特卡洛模拟方法,重复执行步骤3,并获得数组抽样样本集;并从中获取得到K值,所述K值为蒙特卡洛模拟的分位数特征向量。
具体地,步骤3重复执行的次数为N,进而可得到N个抽样样本集,分别为S1、S2…N;本实施例中,N=1000;这样设置,能够得到较多个抽样样本集,丰富的抽样样本集有助于提高使得后续得到的目标阈值更具适应性和鲁棒性。
K值具体为:K=[ki],i=1,2,3…1000;
其中,ki=Spi;抽样样本集为S,Spi为第i次随机抽样得到的抽样样本集Si的p分位数。
步骤5:对K值进行置信区间分析,并获取得到估计阈值;所述置信区间的置信水平为95%。
步骤6:基于估计阈值,评估确定目标阈值。
具体地,所述估计阈值按照下式计算得到:
由上式计算得到估计阈值后,再进一步评估确定得到目标阈值;在评估目标阈值时还结合各项车辆基础指标的实际物理含义进行评估。例如:若确认得到的某项最高温度指标的估计阈值为50.8001936℃,则进一步确认得到的目标阈值为50℃。若确认得到的三元最低单体电压指标的估计阈值为2.67795851V,则进一步确认得到的目标阈值为2.68V。
本实施例提供的一种基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,为新能源汽车阈值分析提供了全新的分析角度,能够为阈值标准化分析、新能源汽车状态标准化分析提供可靠数据参考。本方案通过对样本数据(包含已定阈值的基础样本集)进行指定长度随机抽样的蒙特卡罗模拟分析得到预测的估计阈值,进而结合各项指标实际物理含义可确定得到综合考量了各已定阈值的,更为可靠的、客观的目标阈值,能够为阈值设置及评价提供可靠数据参考,有助于提高新能源汽车安全性能评估的真实度和客观度。
其中,本方案通过对给定样本(基础样本集)进行多次指定长度的随机采样构造了新的抽样样本集,这种采样操作的随机性有效降低了各厂家、各车型对阈值判定的差异性,有助于客观评价车辆基础指标,有助于得到更为真实的新能源汽车安全性能评估结果。并且,本方案通过已定阈值的几何数量和几何特征,利用数学方法加以大量数字模拟试验(近千次),以一个概率模型作为基础,结合区间估计得到目标阈值的近似解,使得基于蒙特卡洛模拟方法得到的目标阈值更具鲁棒性与适应性,目标阈值更具实际参考价值;并且本方案虽然通过估计阈值求得目标阈值,但估计阈值的确认精度较高(对应95%的置信水平),能够充分利用蒙特卡洛模拟的简洁模式的同时,通过置信区间控制,保有了较高的数值确认精度。
实施例二:
基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,在实施例一的基础上,增加了预备步骤;所述预备步骤设于步骤1和步骤2之间。
具体地,预备步骤为:对采集到的初始数据按照预设处理策略进行处理。
所述预设处理策略包括以下子步骤:
S1:将采集到的初始数据按照车辆基础指标类型分类;
S2:调出易受环境因素影响的车辆基础指标的所有对应基础数据;本实施例中,易受环境因素影响的车辆基础指标包括温度(具体包括探针传感器的最高温度、探针传感器的最低温度、探针传感器的最高温度与最低温度的温差、驱动电机控制器温度、驱动电机报警温度、DCDC控制器温度等)。
S3:为所有基础数据配置可靠度标签;所述可靠度标签依据该基础数据(已定阈值)的提供厂家采用的测评标准和测评环境进行综合确认。采用的测评标准与对应国标存在不符的,降低15%的可靠度,采用的测评环境与对应国标存在不符的,降低15%的可靠度。可靠度标签即为可靠度百分比数值。对于可靠度低于90%的基础数据,额外进行筛除处理。
为S2中调出的基础数据配置影响标签;所述影响标签结合该基础数据(已定阈值)的提供厂家的所处地理位置和基础数据的确定时间进行综合确认。本实施例中,以温度为例,对于地理位置处于高海拔区域的厂家的,对其提供的已定阈值设置影响标签,比对其已定阈值与其余地理位置处于正常海拔区域的厂家的提供的已定阈值的差别;若是差值大于预设差值范围(此处预设差值范围的下限值设定为10℃),则判定为该已定阈值受到海拔影响(受海拔影响,直接的温度数值表现与正常海拔下的不一样,若为未经换算数据,数据与实际温度数值存在差异),为之配置上影响标签,并结合厂家所在海拔高度,对该已定阈值进行换算。并为明确未受到海拔影响的已定阈值以及换算完成的已定阈值消除影响标签。
基础数据的确定时间具体为该已定阈值确认时参考的样本数据的确定时间,若确定时间集中在6-9月或1-3月,该类时间段内外界环境温度影响较为明显(高温天气或寒冷天气),可能对样本数值存在影响,对于此类基础数据配置上影响标签,并对该类基础数据进行再校验,比对其已定阈值与其余基础数据的确定时间处于其余时间段的厂家的提供的已定阈值的差别;若是差值大于预设差值范围(此处预设差值范围的下限值设定为10℃),则判定为该已定阈值受到环境影响,并为明确未受到环境影响的已定阈值消除影响标签,保留影响标签的已定阈值数据可根据实际阈值分析需要选择是否参与S4中,这样设置,能够更细致地判定基础数据的可靠性。
S4:经上述步骤处理完毕的基础数据,继续参与步骤2。
本实施例提供的一种基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,相比于实施例一,额外对基础数据进行了特别核验,结合评估基础数据提供方本身的实际测评条件因素,以及,某些车辆指标项易受到的环境影响因素,对基础数据本身的可靠性做了验证,并对部分受影响数据进行了调整,能够有效提升整体基础数据的可靠度,进而有助于提升后续阈值分析的精准度。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。
Claims (8)
1.基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,其特征在于,包括以下步骤:
步骤1:采集初始数据;所述初始数据为汽车厂家使用的车辆基础指标的已定阈值;
步骤2:预处理初始数据,得到基础样本集;
步骤3:对基础样本集进行数次随机抽样,并得到抽样样本集;
步骤4:采用蒙特卡洛模拟方法,重复执行步骤3,并获得数组抽样样本集,并从中获取得到K值,所述K值为蒙特卡洛模拟的分位数特征向量;
步骤5:对K值进行置信区间分析,并获取得到估计阈值;
步骤6:基于估计阈值,评估确定目标阈值。
2.根据权利要求1所述的基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,其特征在于,在步骤1中,所述车辆基础指标包括温度、单体电压、单体间压差、SOC值和SOC跳变百分比。
3.根据权利要求1所述的基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,其特征在于,在步骤2中,所述预处理操作包括:取每一已定阈值对应的列向量作为一个一维样本集;基于一维样本集进行数据清洗并得到基础样本集。
4.根据权利要求3所述的基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,其特征在于,数据清洗的清洗去除对象包括空值和非数值型数据。
5.根据权利要求1所述的基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,其特征在于,在步骤3中,随机抽样次数与基础样本集的长度相等;所述随机抽样为等长随机抽样。
6.根据权利要求5所述的基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,其特征在于,在步骤4中,K=[ki],i=1,2,3…1000;
其中,ki=Spi;抽样样本集为S,Spi为第i次随机抽样得到的抽样样本集Si的p分位数。
7.根据权利要求1所述的基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法,其特征在于,在步骤5中,所述置信区间的置信水平为95%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210669.4A CN115563768A (zh) | 2022-09-30 | 2022-09-30 | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210669.4A CN115563768A (zh) | 2022-09-30 | 2022-09-30 | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115563768A true CN115563768A (zh) | 2023-01-03 |
Family
ID=84743413
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211210669.4A Pending CN115563768A (zh) | 2022-09-30 | 2022-09-30 | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115563768A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934040A (zh) * | 2023-07-28 | 2023-10-24 | 天津大学 | 一种移动充电站日前协同优化调度方法 |
-
2022
- 2022-09-30 CN CN202211210669.4A patent/CN115563768A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116934040A (zh) * | 2023-07-28 | 2023-10-24 | 天津大学 | 一种移动充电站日前协同优化调度方法 |
CN116934040B (zh) * | 2023-07-28 | 2024-03-19 | 天津大学 | 一种移动充电站日前协同优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN104077445B (zh) | 基于模糊理论的加速寿命试验统计分析方法 | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
CN114312322B (zh) | 车辆检测方法及装置 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和*** | |
CN112904219A (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
CN115563768A (zh) | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 | |
CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
CN116150572A (zh) | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 | |
CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
Zhang et al. | State of health estimation for lithium-ion batteries under arbitrary usage using data-driven multimodel fusion | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
CN116466241A (zh) | 一种单体电池热失控定位方法 | |
CN112836967B (zh) | 新能源汽车电池安全风险评估*** | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
CN113960484B (zh) | 一种基于单体压差的大数据电池健康诊断方法 | |
CN116224950A (zh) | 面向无人生产线自组织重构的智能故障诊断方法和*** | |
CN114879043A (zh) | 锂离子电池析锂诊断方法、装置、设备和介质 | |
CN117149551B (zh) | 一种车载无线通信芯片的测试方法 |
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 |