CN117207781A - 基于历史实时能耗的燃料电池汽车续驶里程预测方法 - Google Patents

Abstract

本发明公开了一种基于历史实时能耗的燃料电池汽车续驶里程预测方法，通过对燃料电池汽车进行标准化测试获得历史数据，采集开放道路数据构建速度历程曲线；对历史数据进行处理获得模型输入数据，将模型输入数据导入原始CNN‑LSTM能耗模型进行训练，获得优化CNN‑LSTM能耗模型；对速度历程曲线片段划分，获得速度历程片段，通过积分获得对应片段里程，将速度历程片段输入优化CNN‑LSTM能耗模型中获得当前片段能耗；根据对应片段里程、当前片段能耗计算剩余能量和历史单位能耗行驶里程；对历史单位能耗行驶里程采用历史实时策略获得优化单位能耗行驶里程，剩余能量和优化单位能耗行驶里程相乘获得续驶里程预测值，实现燃料电池汽车续驶里程预测。

Description

基于历史实时能耗的燃料电池汽车续驶里程预测方法

技术领域

本发明涉及燃料电池汽车技术领域，尤其涉及基于历史实时能耗的燃料电池汽车续驶里程预测方法。

背景技术

燃料电池汽车是一种环保、高效的交通工具，具有能源补充迅速及续航里程长的优势。然而准确预测燃料电池汽车的续驶里程一直是一个挑战。传统的基于数学模型和简单能耗估计的预测方法无法充分考虑到外部环境、控制策略和实时能耗的复杂性，导致预测结果偏差大，难以实现续驶里程的准确预测。

公开号为CN112339615A的专利文献公开了一种基于在线支持向量机的燃料电池客车续航里程预测方法，通过构建燃料电池氢气消耗离线预测支持向量机模型，考虑电堆老化、公交车运营环境等多个因素，预测公交车接下来到达其余站点所需的氢气消耗量，并计算出剩余里程，帮助驾驶员合理安排行车计划、及时去加氢站充氢气。但是该方法是以某一站点为节点获取此处的环境变量，并未考虑车辆在行驶过程中实时工况的变化，并因此带来续驶里程预测的不准确。

公开号为CN113352899B的专利文献公开了一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法，首先获取车辆当前的各种相关数据，分析判断当前车辆工况，采用XGBoost算法预测氢气在当前工况下的未来的消耗曲线，不断利用算法模型的残差来优化调整当前续驶里程的运算需要用的算法模型。但是该方法仅将工况类型分为四种，不足以表征燃料电池汽车复杂的工况变化，也没有考虑历史能耗对于车辆续驶里程的影响。

发明内容

本发明是为了避免上述现有技术所存在的不足，提供基于历史实时能耗的燃料电池汽车续驶里程预测方法，在开放道路上实现燃料电池汽车续驶里程预测，以帮助驾驶员更好地了解车辆性能，提高车辆的使用效率和驾驶体验。

本发明为实现发明目的采用如下技术方案：

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点是：通过对燃料电池汽车进行标准化测试获得历史数据，对所述历史数据进行处理获得模型输入数据，将模型输入数据导入原始CNN-LSTM能耗模型进行训练，获得优化CNN-LSTM能耗模型；采集开放道路数据构建速度历程曲线，对所述速度历程曲线进行片段划分，获得速度历程片段，通过积分获得对应片段里程，将速度历程片段输入所述优化CNN-LSTM能耗模型中获得当前片段能耗；根据对应片段里程和当前片段能耗计算获得剩余能量和历史单位能耗行驶里程；对所述历史单位能耗行驶里程采用历史实时策略获得优化单位能耗行驶里程，根据所述剩余能量和优化单位能耗行驶里程获得续驶里程预测值，实现燃料电池汽车续驶里程的预测。

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点是包含如下步骤：

步骤1：对燃料电池汽车进行标准化测试获得历史数据，并构建速度历程曲线：

所述历史数据包括燃料电池汽车标定行驶总里程D_z、燃料电池汽车标定总能量E_z、历史速度历程曲线和历史电信号；所述历史电信号是指每个时间点的电信号，分别是：燃料电池端输出电流I₁、燃料电池端输出电压U₁、动力电池端输出电流I₂和动力电池端输出电压U₂；

利用速度传感器采集获得开放道路上燃料电池汽车的速度数据，并将采集获得的速度数据以时间序列的形式记录，构建速度历程曲线；

步骤2：对所述历史数据进行处理，包括数据预处理和归一化，获得模型输入数据，将所述模型输入数据导入原始CNN-LSTM能耗模型进行网络训练，获得优化CNN-LSTM能耗模型；

步骤3：对速度历程曲线进行100s片段划分，获得速度历程片段，对所述速度历程片段进行积分获得对应片段里程；将所述速度历程片段输入优化CNN-LSTM能耗模型中获得当前片段能耗；

步骤4：对所述对应片段里程进行累加获得已行驶里程D_tr，对所述当前片段能耗进行累加获得总能耗E_tr；由所述燃料电池汽车标定总能量E_z减去所述总能耗E_tr获得剩余能量E_res，将所述已行驶里程除以所述总能耗E_rr获得历史单位能耗行驶里程l_his；

步骤5：对所述历史单位能耗行驶里程l_his采用历史实时能耗加权策略获得优化单位能耗行驶里程将所述剩余能量E_res和所述优化单位能耗行驶里程/>相乘获得续驶里程预测值D_pre。

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点也在于：

在所述步骤2中，按如下方式对所述历史数据进行数据预处理和归一化：

根据所述历史数据中的历史速度历程曲线获取每个时间点的速度，根据相邻时间点的速度值和对应的时间间隔计算获得各时间点的加速度，根据所述历史电信号按式(1)计算获得燃料电池汽车各时间点的功率P，以所述功率P作为标签，完成数据预处理；

P＝I₁×U₁+I₂×U₂ (1)

将每个时间点的速度和加速度作为原始特征X，利用式(2)对所述原始特征X进行均值方差归一化，获得均值为0、方差为1的优化特征X′，完成归一化；

式(2)中：

μ为原始特征X的均值，σ为原始特征X的标准差；

将所述优化特征X^′和作为标签的所述功率P共同作为模型输入数据。

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点也在于：

在所述步骤2中，按如下方式将所述模型输入数据导入原始CNN-LSTM能耗模型进行网络训练，获得优化CNN-LSTM能耗模型：

所述原始CNN-LSTM能耗模型包含能耗特征提取模块、时序信息拟合模块和能耗指标回归模块；

所述能耗特征提取模块，其由一层卷积层和一层池化层组成，通过卷积和池化操作对所述模型输入数据进行特征提取和映射，获得关键特征信息；

所述时序信息拟合模块，其由一层长短期记忆网络LSTM组成，通过学习模型输入数据的时序模式和规律，预测和拟合未来时序数据；

所述能耗指标回归模块，其由两层全连接网络层组成，通过权重参数进行信息传递，处理经过所述能耗特征提取模块和所述时序信息拟合模块的复杂能耗特征，实现能耗指标的准确回归；

在进行原始CNN-LSTM能耗模型训练时，首先将所述模型输入数据输入所述能耗特征提取模块和时序信息拟合模块，获取具有时序关联的特征信息，再将所述特征信息导入所述能耗指标回归模块，进行能耗值的回归；通过训练获取不同模块中的参数，获得优化CNN-LSTM能耗模型。

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点也在于：

在所述步骤3中，按如下方式获取对应片段里程和当前片段能耗：

按式(3)对所述速度历程片段中的每个时间点的速度进行积分，以i表征片段i，获得片段i的里程D_i；

式(3)中：

t_i为片段i的起始时间点，j表征片段i中的时间点j，v_j为时间点j的速度；

对所述速度历程曲线采用速度差值方法计算获得加速度历程曲线；所述速度差值方法是指根据相邻曲线点的速度和时间间隔计算获得速度历程曲线每个点对应的加速度；

对所述速度历程曲线和加速度历程曲线采用均值方差归一化方法获得实时模型输入数据，将所述实时模型输入数据输入优化CNN-LSTM能耗模型获得当前片段每个时间点的预测功率P_pre，按式(4)对预测功率积分获得当前片段能耗：

式(4)中：E_i为片段i的能耗。

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点也在于：

在所述步骤4中，利用式(5)计算获得已行驶里程D_tr和总能耗E_tr：

式(5)中：

D_i和E_i分别为片段i的里程和能耗；

利用式(6)计算获得剩余能量E_res和历史单位能耗行驶里程l_his：

以n表示片段的数量。

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点也在于：

在所述步骤5中，所述历史实时能耗加权策略是指：

利用式(7)计算获得当前片段能耗行驶里程和标定单位能耗行驶里程l_cal：

利用式(8)计算获得历史实时单位能耗行驶里程以所述历史实时单位能耗行驶里程/>表征历史状态和当前状态下片段能耗的波动趋势：

式(8)中：

α₁、α₂、α₃和α₄为对应的权重指标，权重α₁、α₂、α₃和α₄分别为0.8、0.2、0.2和0.8；

将标定单位能耗行驶里程l_cal作为单位能耗行驶里程l_ini的初始值，通过与历史实时单位能耗行驶里程比较，按照如下方法进行单位能耗行驶里程l_ini迭代，获得优化单位能耗行驶里程/>

若：则将所述单位能耗行驶里程l_ini以减少0.03进行迭代；

若：则将所述单位能耗行驶里程l_ini保持不变；

若：则将所述单位能耗行驶里程l_ini以增加0.03进行迭代。

本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法的特点也在于：

在所述步骤5中，按如下方式获取续驶里程预测值：

通过式(9)计算续驶里程预测值D_pre：

通过迭代获得的优化单位能耗行驶里程用于应对燃料电池汽车工况变化，从而实时预测续驶里程。

本发明解决了燃料电池汽车控制策略复杂导致的续驶里程预测难问题，与已有技术相比，本发明有益效果体现在：

1、本发明采用CNN-LSTM进行燃料电池汽车瞬时功率预测，CNN用于特征提取，LSTM拟合时序信息，有助于提高瞬时功率预测效率和精度，再对瞬时功率预测值积分获取片段能耗。

2、本发明采用历史实时能耗加权策略，在初始单位能耗行驶里程的基础上，考虑历史和实时能耗对于车辆工况的影响，通过对比迭代获得优化单位能耗行驶里程，对所述优化单位能耗行驶里程与剩余能量相乘获得续驶里程预测值。

附图说明

图1为本发明基于历史实时能耗的燃料电池汽车续驶里程预测方法流程图；

图2为本发明中原始CNN-LSTM能耗模型原理图；

图3为本发明中当前片段能耗与能耗真值对比图；

图4为本发明中不同单位能耗行驶里程的时间历程曲线图；

图5为本发明中优化单位能耗行驶里程的时间历程曲线图；

图6为本发明中续驶里程预测值和续驶里程真值对比图。

具体实施方式

图1所示为本实施例中燃料电池汽车续驶里程预测方法流程图，其包含如下步骤：

本实施例中基于历史实时能耗的燃料电池汽车续驶里程预测方法是通过对燃料电池汽车进行标准化测试获得历史数据，对历史数据进行处理获得模型输入数据，将模型输入数据导入原始CNN-LSTM能耗模型进行训练，获得优化CNN-LSTM能耗模型；采集开放道路数据构建速度历程曲线，对速度历程曲线进行片段划分，获得速度历程片段，通过积分获得对应片段里程，将速度历程片段输入优化CNN-LSTM能耗模型中获得当前片段能耗；根据对应片段里程和当前片段能耗计算获得剩余能量和历史单位能耗行驶里程；对历史单位能耗行驶里程采用历史实时策略获得优化单位能耗行驶里程，根据剩余能量和优化单位能耗行驶里程获得续驶里程预测值，实现燃料电池汽车续驶里程的预测。

本实施例中标准化测试以世界范围市区工况(WLTC)为测试循环，确保测试车辆处于标准化测试所要求的状态，包括：电池电量充足、氢气贮存充足、车辆处于稳定温度。依据国家标准计划号20203814-T-339《燃料电池电动汽车能量消耗量及续驶里程测试方法》、GB/T 35178-2017《燃料电池混合动力电动汽车氢气消耗量测量方法》，结合底盘测功机和氢气安全检测***进行综合测试。

本实施例中基于历史实时能耗的燃料电池汽车续驶里程预测方法包含如下步骤：

步骤1：对燃料电池汽车进行标准化测试获得历史数据，并构建速度历程曲线：

历史数据包括燃料电池汽车标定行驶总里程D_z、燃料电池汽车标定总能量E_z、历史速度历程曲线和历史电信号；历史电信号是指每个时间点的电信号，分别是：燃料电池端输出电流I₁、燃料电池端输出电压U₁、动力电池端输出电流I₂和动力电池端输出电压U₂；

利用速度传感器采集获得开放道路上燃料电池汽车的速度数据，并将采集获得的速度数据以时间序列的形式记录，构建速度历程曲线；

步骤2：对历史数据进行处理，包括数据预处理和归一化，获得模型输入数据，将模型输入数据导入原始CNN-LSTM能耗模型进行网络训练，获得优化CNN-LSTM能耗模型；

步骤3：对速度历程曲线进行100s片段划分，获得速度历程片段，对速度历程片段进行积分获得对应片段里程；将速度历程片段输入优化CNN-LSTM能耗模型中获得当前片段能耗；

步骤4：对对应片段里程进行累加获得已行驶里程D_tr，对当前片段能耗进行累加获得总能耗E_tr；由燃料电池汽车标定总能量E_z减去总能耗E_tr获得剩余能量E_res，将已行驶里程除以总能耗E_tr获得历史单位能耗行驶里程l_his；

步骤5：对历史单位能耗行驶里程l_his采用历史实时能耗加权策略获得优化单位能耗行驶里程将剩余能量E_res和优化单位能耗行驶里程/>相乘获得续驶里程预测值D_pre。

具体实施中，相应的技术措施也包括：

在步骤2中，按如下方式对历史数据进行数据预处理和归一化：

根据历史数据中的历史速度历程曲线获取每个时间点的速度，根据相邻时间点的速度值和对应的时间间隔计算获得各时间点的加速度，根据历史电信号按式(1)计算获得燃料电池汽车各时间点的功率P，以功率P作为标签，完成数据预处理；

P＝I₁×U₁+I₂×U₂ (1)

将每个时间点的速度和加速度作为原始特征X，利用式(2)对原始特征X进行均值方差归一化，获得均值为0、方差为1的优化特征X′，完成归一化；

式(2)中：

μ为原始特征X的均值，σ为原始特征X的标准差；

将优化特征X^′和作为标签的功率P共同作为模型输入数据。

在步骤2中，按如下方式将模型输入数据导入原始CNN-LSTM能耗模型进行网络训练，获得优化CNN-LSTM能耗模型：

原始CNN-LSTM能耗模型包含能耗特征提取模块、时序信息拟合模块和能耗指标回归模块；

能耗特征提取模块，其由一层卷积层和一层池化层组成，通过卷积和池化操作对模型输入数据进行特征提取和映射，获得关键特征信息；

时序信息拟合模块，其由一层长短期记忆网络LSTM组成，通过学习模型输入数据的时序模式和规律，预测和拟合未来时序数据；

能耗指标回归模块，其由两层全连接网络层组成，通过权重参数进行信息传递，处理经过能耗特征提取模块和时序信息拟合模块的复杂能耗特征，实现能耗指标的准确回归；

具体实施中，原始CNN-LSTM能耗模型按图2所示顺序进行搭建：

首先采用卷积神经网络(CNN)作为能耗特征提取模块，CNN包含2层，其中第1层为卷积层，卷积层包含10个卷积核，步长设置为1，采用ReLU作为激活函数，第2层为池化层，步长设置为2；随后采用长短期记忆网络(LSTM)作为时序信息拟合模块，LSTM层数设置为1层，包含32个神经元，Dropout设置为0.4，其中输入门、遗忘门和输出门采用Sigmoid作为激活函数，候选记忆单元和输出值采用Tanh作为激活函数；最后采用全连接网络作为能耗指标回归模块，全连接网络包含两层，分别为64个神经元和32个神经元，均采用ReLU作为激活函数，最终输出结果为燃料电池汽车瞬时功率值；

在进行原始CNN-LSTM能耗模型训练时，首先将模型输入数据输入能耗特征提取模块和时序信息拟合模块，获取具有时序关联的特征信息，再将特征信息导入能耗指标回归模块，进行能耗值的回归；通过训练获取不同模块中的参数，获得优化CNN-LSTM能耗模型。

原始CNN-LSTM能耗模型训练方式如下：

采用pytorch作为深度学习框架，进行1000个epoch的训练，batchsze设置为256，模型的损失函数选择均方误差(MSE)，用于衡量模型预测值和真实值之间的差异；每个epoch使用随机划分的模型输入数据进行模型训练，使用验证集监控模型在未见过的数据上的表现，并采用早停策略来避免过拟合，记录并保存最优模型，获得优化CNN-LSTM能耗模型。

在步骤3中，按如下方式获取对应片段里程和当前片段能耗：

按式(3)对速度历程片段中的每个时间点的速度进行积分，以i表征片段i，获得片段i的里程D_i；

式(3)中：

t_i为片段i的起始时间点，j表征片段i中的时间点j，v_j为时间点j的速度；

对速度历程曲线采用速度差值方法计算获得加速度历程曲线；速度差值方法是指根据相邻曲线点的速度和时间间隔计算获得速度历程曲线每个点对应的加速度；

对速度历程曲线和加速度历程曲线采用均值方差归一化方法获得实时模型输入数据，将实时模型输入数据输入优化CNN-LSTM能耗模型获得当前片段每个时间点的预测功率P_pre，按式(4)对预测功率积分获得当前片段能耗：

式(4)中：E_i为片段i的能耗。

本实施例中CNN-LSTM能耗模型预测的当前片段能耗与能耗真值对比如图3所示，图3中曲线a1为当前片段能耗，曲线a2为能耗真值，图3中曲线a1和曲线a2整体重叠度较好，说明CNN-LSTM能耗模型能够对燃料电池汽车片段能耗精确预测，且评价指标：平均绝对误差(MAE)为0.042，MSE为0.063。

在步骤4中，利用式(5)计算获得已行驶里程D_tr和总能耗E_tr：

式(5)中：

D_i和E_i分别为片段i的里程和能耗；

利用式(6)计算获得剩余能量E_res和历史单位能耗行驶里程l_his：

以n表示片段的数量。

在步骤5中，历史实时能耗加权策略是指：

利用式(7)计算获得当前片段能耗行驶里程和标定单位能耗行驶里程l_cal：

本实施例中不同单位能耗行驶里程的时间历程曲线如图4所示，图4中曲线b1为历史单位能耗行驶里程l_his，指车辆从启动开始总行驶里程除以这段时间内消耗的能量，一般用于表征车辆未来能耗；图4中曲线b2为当前片段单位能耗行驶里程指在当前片段(100s)内车辆总行驶里程除以此片段下消耗的能量；图4中曲线b3为标定单位能耗行驶里程l_cal，指车辆在一次满氢满电状态下按照测试工况要求进行测试可以行驶的最大距离除以期间消耗的能量，用于表征该车辆整体能耗水平。

利用式(8)计算获得历史实时单位能耗行驶里程以历史实时单位能耗行驶里程/>表征历史状态和当前状态下片段能耗的波动趋势：

式(8)中：

α₁、α₂、α₃和α₄为对应的权重指标；

通过网格搜索，在一定范围内搜索最优的权重组合，以达到燃料电池汽车续驶里程评价指标MAE的最优值，本实施例中的权重设置如下：权重α₁、α₂、α₃和α₄分别为0.8、0.2、0.2和0.8；

将标定单位能耗行驶里程l_ca1作为单位能耗行驶里程l_ini的初始值，通过与历史实时单位能耗行驶里程比较，按照如下方法进行单位能耗行驶里程l_ini迭代，获得优化单位能耗行驶里程/>

若：则将单位能耗行驶里程l_ini以减少0.03进行迭代；

若：则将单位能耗行驶里程l_ini保持不变；

若：则将单位能耗行驶里程l_ini以增加0.03进行迭代。

本实施例中优化单位能耗行驶里程的时间历程曲线如图5所示，图5中的曲线为优化单位能耗行驶里程其中内部长方形框图为6000-14000s优化单位能耗行驶里程局部放大部分；可以看出通过实时能耗数据的加权，可以及时响应车辆当前的能耗情况和行驶状态，历史数据提供过去的能耗情况和模式，反应车辆长期平均形式特征，通过加权计算，可以更准确的估计车辆的能耗情况，进而实现续驶里程的精确预测。

在步骤5中，按如下方式获取续驶里程预测值：

通过式(9)计算续驶里程预测值D_pre：

通过迭代获得的优化单位能耗行驶里程用于应对燃料电池汽车工况变化，从而实时预测续驶里程。

本实施例中续驶里程预测值和续驶里程真值对比如图6所示，图6中曲线c1为续驶里程预测值D_pre，c2为续驶里程真值，图6中曲线c1和曲线c2基本重叠，说明历史实时能耗加权策略能够对燃料电池汽车续驶里程精确预测，并且评价指标MAE达到1.812，百分比误差达到0.449％。

通过对本实施例CNN-LSTM能耗模型当前片段能耗预测结果与采用历史实时能耗加权策略的续驶里程预测结果综合判断，本发明能够准确地对燃料电池汽车续驶里程进行预测。

Claims (8)

1.一种基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是：通过对燃料电池汽车进行标准化测试获得历史数据，对所述历史数据进行处理获得模型输入数据，将模型输入数据导入原始CNN-LSTM能耗模型进行训练，获得优化CNN-LSTM能耗模型；采集开放道路数据构建速度历程曲线，对所述速度历程曲线进行片段划分，获得速度历程片段，通过积分获得对应片段里程，将速度历程片段输入所述优化CNN-LSTM能耗模型中获得当前片段能耗；根据对应片段里程和当前片段能耗计算获得剩余能量和历史单位能耗行驶里程；对所述历史单位能耗行驶里程采用历史实时策略获得优化单位能耗行驶里程，根据所述剩余能量和优化单位能耗行驶里程获得续驶里程预测值，实现燃料电池汽车续驶里程的预测。

2.根据权利要求1所述的基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是包含如下步骤：

步骤1：对燃料电池汽车进行标准化测试获得历史数据，并构建速度历程曲线：

所述历史数据包括燃料电池汽车标定行驶总里程D_z、燃料电池汽车标定总能量E_z、历史速度历程曲线和历史电信号；所述历史电信号是指每个时间点的电信号，分别是：燃料电池端输出电流I₁、燃料电池端输出电压U₁、动力电池端输出电流I₂和动力电池端输出电压U₂；

利用速度传感器采集获得开放道路上燃料电池汽车的速度数据，并将采集获得的速度数据以时间序列的形式记录，构建速度历程曲线；

步骤2：对所述历史数据进行处理，包括数据预处理和归一化，获得模型输入数据，将所述模型输入数据导入原始CNN-LSTM能耗模型进行网络训练，获得优化CNN-LSTM能耗模型；

步骤3：对速度历程曲线进行100s片段划分，获得速度历程片段，对所述速度历程片段进行积分获得对应片段里程；将所述速度历程片段输入优化CNN-LSTM能耗模型中获得当前片段能耗；

步骤4：对所述对应片段里程进行累加获得已行驶里程D_tr，对所述当前片段能耗进行累加获得总能耗E_tr；由所述燃料电池汽车标定总能量E_z减去所述总能耗E_tr获得剩余能量E_res，将所述已行驶里程除以所述总能耗E_tr获得历史单位能耗行驶里程l_his；

步骤5：对所述历史单位能耗行驶里程l_his采用历史实时能耗加权策略获得优化单位能耗行驶里程将所述剩余能量E_res和所述优化单位能耗行驶里程/>相乘获得续驶里程预测值D_pre。

3.根据权利要求2所述的基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是：

在所述步骤2中，按如下方式对所述历史数据进行数据预处理和归一化：

根据所述历史数据中的历史速度历程曲线获取每个时间点的速度，根据相邻时间点的速度值和对应的时间间隔计算获得各时间点的加速度，根据所述历史电信号按式(1)计算获得燃料电池汽车各时间点的功率P，以所述功率P作为标签，完成数据预处理；

P＝I₁×U₁+I₂×U₂ (1)

将每个时间点的速度和加速度作为原始特征X，利用式(2)对所述原始特征X进行均值方差归一化，获得均值为0、方差为1的优化特征X^′，完成归一化；

式(2)中：

μ为原始特征X的均值，σ为原始特征X的标准差；

将所述优化特征X^′和作为标签的所述功率P共同作为模型输入数据。

4.根据权利要求2所述的基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是：

在所述步骤2中，按如下方式将所述模型输入数据导入原始CNN-LSTM能耗模型进行网络训练，获得优化CNN-LSTM能耗模型：

所述原始CNN-LSTM能耗模型包含能耗特征提取模块、时序信息拟合模块和能耗指标回归模块；

所述能耗特征提取模块，其由一层卷积层和一层池化层组成，通过卷积和池化操作对所述模型输入数据进行特征提取和映射，获得关键特征信息；

所述时序信息拟合模块，其由一层长短期记忆网络LSTM组成，通过学习模型输入数据的时序模式和规律，预测和拟合未来时序数据；

所述能耗指标回归模块，其由两层全连接网络层组成，通过权重参数进行信息传递，处理经过所述能耗特征提取模块和所述时序信息拟合模块的复杂能耗特征，实现能耗指标的准确回归；

在进行原始CNN-LSTM能耗模型训练时，首先将所述模型输入数据输入所述能耗特征提取模块和时序信息拟合模块，获取具有时序关联的特征信息，再将所述特征信息导入所述能耗指标回归模块，进行能耗值的回归；通过训练获取不同模块中的参数，获得优化CNN-LSTM能耗模型。

5.根据权利要求3所述的基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是：

在所述步骤3中，按如下方式获取对应片段里程和当前片段能耗：

按式(3)对所述速度历程片段中的每个时间点的速度进行积分，以i表征片段i，获得片段i的里程D_i；

式(3)中：

t_i为片段i的起始时间点，j表征片段i中的时间点j，v_j为时间点j的速度；

对所述速度历程曲线采用速度差值方法计算获得加速度历程曲线；所述速度差值方法是指根据相邻曲线点的速度和时间间隔计算获得速度历程曲线每个点对应的加速度；

对所述速度历程曲线和加速度历程曲线采用均值方差归一化方法获得实时模型输入数据，将所述实时模型输入数据输入优化CNN-LSTM能耗模型获得当前片段每个时间点的预测功率P_pre，按式(4)对预测功率积分获得当前片段能耗：

式(4)中：E_i为片段i的能耗。

6.根据权利要求2所述的基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是：

在所述步骤4中，利用式(5)计算获得已行驶里程D_tr和总能耗E_tr：

式(5)中：

D_i和E_i分别为片段i的里程和能耗；

利用式(6)计算获得剩余能量E_res和历史单位能耗行驶里程l_his：

以n表示片段的数量。

7.根据权利要求2所述的基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是：

在所述步骤5中，所述历史实时能耗加权策略是指：

利用式(7)计算获得当前片段能耗行驶里程和标定单位能耗行驶里程l_cal：

利用式(8)计算获得历史实时单位能耗行驶里程以所述历史实时单位能耗行驶里程/>表征历史状态和当前状态下片段能耗的波动趋势：

式(8)中：

α₁、α₂、α₃和α₄为对应的权重指标，权重α₁、α₂、α₃和α₄分别为0.8、0.2、0.2和0.8；

将标定单位能耗行驶里程l_cal作为单位能耗行驶里程l_ini的初始值，通过与历史实时单位能耗行驶里程比较，按照如下方法进行单位能耗行驶里程l_ini迭代，获得优化单位能耗行驶里程/>

若：则将所述单位能耗行驶里程l_ini以减少0.03进行迭代；

若：则将所述单位能耗行驶里程l_ini保持不变；

若：则将所述单位能耗行驶里程l_ini以增加0.03进行迭代。

8.根据权利要求7所述的基于历史实时能耗的燃料电池汽车续驶里程预测方法，其特征是：

在所述步骤5中，按如下方式获取续驶里程预测值：

通过式(9)计算续驶里程预测值D_pre：

通过迭代获得的优化单位能耗行驶里程用于应对燃料电池汽车工况变化，从而实时预测续驶里程。