CN117436595B - 新能源汽车能耗预测方法、装置、设备及存储介质 - Google Patents
新能源汽车能耗预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117436595B CN117436595B CN202311753885.8A CN202311753885A CN117436595B CN 117436595 B CN117436595 B CN 117436595B CN 202311753885 A CN202311753885 A CN 202311753885A CN 117436595 B CN117436595 B CN 117436595B
- Authority
- CN
- China
- Prior art keywords
- new energy
- driving
- data
- sub
- energy automobile
- 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 122
- 238000005265 energy consumption Methods 0.000 title claims abstract description 121
- 230000008569 process Effects 0.000 claims abstract description 80
- 239000013598 vector Substances 0.000 claims description 47
- 230000004927 fusion Effects 0.000 claims description 33
- 238000001514 detection method Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 28
- 230000007246 mechanism Effects 0.000 claims description 21
- 238000001931 thermography Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 9
- 238000009432 framing Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000007599 discharging Methods 0.000 abstract description 11
- 230000036541 health Effects 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 description 9
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Economics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
Abstract
本发明提供了一种新能源汽车能耗预测方法、装置、设备及存储介质,该方法包括:获取目标新能源汽车的充放电数据,并基于充放电数据检测目标新能源汽车中新能源电池的电池性能数据;实时获取新能源汽车的驾驶数据,其中,驾驶数据至少包括目标新能源汽车在驾驶过程中的当前位置和目的地位置;基于当前位置和目的地位置,计算驾驶过程的驾驶路程,并基于驾驶路程、驾驶数据和电池性能数据预测新能源汽车在驾驶过程的能耗数值。本方法。本方法通过实时获取新能源汽车的驾驶数据以及充放电数据,并基于这些数据计算出驾驶路程和能耗数值,避免了由于电池的健康状况影响电池能耗预测不准确的问题,可以更加准确、综合地了解新能源汽车的能源消耗情况。
Description
技术领域
本发明涉及能耗预测领域,尤其涉及一种新能源汽车能耗预测方法、装置、设备及存储介质。
背景技术
与传统的燃油车相比,电动车具有能量转换效率较高、动力***成本较低,使用环节更环保和使用环节噪声小的优点,但是不足之处是续驶里程较短。加上目前各城市的充电设施不完善,充电时间长,导致驾驶员在驾驶车辆之前会评估电量与剩余里程的关系,容易产生“里程焦虑”的现象,为此驾驶员会对能耗问题的关注度增高。并且在近些年,随着共享电动汽车领域的发展,由于剩余电量预测不准确导致使用者在驾驶共享汽车未达到目的地时就遇到电量不足的问题发生。传统的能耗预测方式主要依赖于车辆的基本参数,如车速、加速度、行驶里程等信息进行计算。这种方式虽然实现起来比较简单,但是由于没有考虑电池状况,往往不能准确地反映车辆的实际能耗情况。
发明内容
本发明的主要目的在于解决现有的新能源汽车的能耗预测不够准确的技术问题。
本发明第一方面提供了一种新能源汽车能耗预测方法,所述新能源汽车能耗预测方法包括:
在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据;
在所述目标新能源汽车的驾驶过程中,实时获取所述目标新能源汽车的驾驶数据,其中,所述驾驶数据至少包括所述目标新能源汽车在所述驾驶过程中的当前位置和目的地位置;
基于所述当前位置和目的地位置,计算所述驾驶过程的驾驶路程,并基于所述驾驶路程、所述驾驶数据和所述电池性能数据预测所述目标新能源汽车在所述驾驶过程的能耗数值。
可选的,在本发明第一方面的第一种实现方式中,所述电池性能数据包括所述新能源电池的性能状态;
所述在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据包括:
在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,其中,所述充放电数据包括所述新能源电池的数值数据和视频数据,所述视频数据为所述新能源电池充放电过程中的热成像视频;
对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;
将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述新能源电池检测模型基于所述多个关键帧图像和所述数值数据检测所述目标新能源汽车中新能源电池的性能状态。
可选的,在本发明第一方面的第二种实现方式中,所述新能源电池检测模型为多模态模型,所述多模态模型包括输入层、注意力机制层、特征融合层、分类层和输出层;
所述将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述新能源电池检测模型基于所述多个关键帧图像和所述数值数据检测所述目标新能源汽车中新能源电池的性能状态包括:
将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述输入层对所述数值数据进行数据预处理以及数据特征提取,得到数据特征,并对所述多个关键帧图像进行图像特征提取,得到图像特征;
通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量;
通过所述特征融合层根据所述权重向量对所述数据特征和所述图像特征进行加权融合,得到融合特征向量;
通过所述分类层根据所述融合特征向量计算所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
可选的,在本发明第一方面的第三种实现方式中,所述通过所述分类层根据所述融合特征向量计算所述新能源电池的性能状态,并通过所述输出层输出所述性能状态包括:
通过所述分类层将所述融合特征向量线性变换映射至高维特征空间,得到线性变换结果;
通过预设的激活函数对所述线性变换结果进行非线性变换,得到非线性变换结果;
通过所述分类层中的全连接层根据所述非线性变换结果计算所述新能源电池对应不同状态区间的性能状态的概率;
将概率最高的状态区间的性能状态作为所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
可选的,在本发明第一方面的第四种实现方式中,所述基于所述当前位置和目的地位置,计算所述驾驶过程的驾驶路程包括:
确定所述当前位置和所述目的地位置所属的区域范围,并获取所述区域范围内的道路信息;
基于道路信息在所述当前位置和目的地位置之间进行路径规划,得到多条候选驾驶路径以及所述多条候选驾驶路径对应的驾驶距离;
响应与针对所述多条候选驾驶路径中任一候选驾驶路径的选择操作,确定目标驾驶路径,并将所述目标驾驶路径作为所述驾驶过程的驾驶路程。
可选的,在本发明第一方面的第五种实现方式中,所述基于所述驾驶路程、所述驾驶数据和所述电池性能数据预测所述目标新能源汽车在所述驾驶过程的能耗数值包括:
基于所述驾驶路程和所述驾驶数据将所述目标驾驶路径进行路段划分,得到多个子路段;
根据所述多个子路段对应的驾驶路程和驾驶数据对所述多个子路段进行聚类,得到各子路段对应的路段类型;
根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中,通过各子预测模型计算各子路段对应的耗能预测值;
根据各子路段对应的耗能预测值计算所述驾驶过程的能耗数值。
可选的,在本发明第一方面的第六种实现方式中,所述根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中,通过各子预测模型计算各子路段对应的耗能预测值包括:
根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中;
通过所述子预测模型生成输入的驾驶路程和驾驶数据以及所述电池性能数据的时序序列;
对所述时序序列进行编码,并通过预设的注意力机制计算所述时序序列中不同时间步的注意力权重;
根据所述注意力权重计算所述时序序列的上下文向量,并对所述上下文向量进行解码,生成输出序列,根据所述输出序列计算对应的子路段的耗能预测值。
本发明第二方面提供了一种新能源汽车能耗预测装置,所述新能源汽车能耗预测装置包括:
性能检测模块,用于在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据;
驾驶数据获取模块,用于在所述目标新能源汽车的驾驶过程中,实时获取所述目标新能源汽车的驾驶数据,其中,所述驾驶数据至少包括所述目标新能源汽车在所述驾驶过程中的当前位置和目的地位置;
能耗预测模块,用于基于所述当前位置和目的地位置,计算所述驾驶过程的驾驶路程,并基于所述驾驶路程、所述驾驶数据和所述电池性能数据预测所述目标新能源汽车在所述驾驶过程的能耗数值。
本发明第三方面提供了一种新能源汽车能耗预测装置,包括:存储器和至少一个处理器,所述存储器中存储有指令,所述存储器和所述至少一个处理器通过线路互连;所述至少一个处理器调用所述存储器中的所述指令,以使得所述新能源汽车能耗预测设备执行上述的新能源汽车能耗预测方法的步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的新能源汽车能耗预测方法的步骤。
上述新能源汽车能耗预测方法、装置、设备及存储介质,通过获取目标新能源汽车的充放电数据,并基于充放电数据检测目标新能源汽车中新能源电池的电池性能数据;实时获取新能源汽车的驾驶数据,其中,驾驶数据至少包括目标新能源汽车在驾驶过程中的当前位置和目的地位置;基于当前位置和目的地位置,计算驾驶过程的驾驶路程,并基于驾驶路程、驾驶数据和电池性能数据预测新能源汽车在驾驶过程的能耗数值。本方法。本方法通过实时获取新能源汽车的驾驶数据以及充放电数据,并基于这些数据计算出驾驶路程和能耗数值,避免了由于电池的健康状况影响电池能耗预测不准确的问题,可以更加准确、综合地了解新能源汽车的能源消耗情况。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
图1为本发明实施例中新能源汽车能耗预测方法的一个实施例示意图;
图2为本发明实施例中新能源汽车能耗预测装置的一个实施例示意图;
图3为本发明实施例中新能源汽车能耗预测装置的另一个实施例示意图;
图4为本发明实施例中新能源汽车能耗预测设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括其他没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种新能源汽车能耗预测方法进行详细介绍。如图1所示,该新能源汽车能耗预测的方法,本方法包括如下步骤:
101、在目标新能源汽车的充放电过程中,获取目标新能源汽车的充放电数据,并基于充放电数据检测目标新能源汽车中新能源电池的电池性能数据;
在本实施例中,述电池性能数据包括所述新能源电池的性能状态;所述在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据包括:在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,其中,所述充放电数据包括所述新能源电池的数值数据和视频数据,所述视频数据为所述新能源电池充放电过程中的热成像视频;对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述新能源电池检测模型基于所述多个关键帧图像和所述数值数据检测所述目标新能源汽车中新能源电池的性能状态。
在本发明的一个实施例中,目标新能源汽车的电池进行工作的过程中,例如充电作业或放电作业时,获取其工作数据,如电压、电流等,并且对电池工作时进行热成像处理,得到新能源电池在工作过程中热成像视频。对热成像视频进行分帧操作,这个操作可以理解为将连续的视频剥离成多个独立的静态图像帧。在具体操作过程中,每一帧图像代表了电池在一个特定时间点的热成像情况。这样,就能得到一系列热成像图像,每个图像都代表了电池在充放电过程中的某一时间点的热状态,对于关键帧的获取可以通过多种方式获取热成像拍摄的关键帧图像,例如基于时间间隔,按照设定的时间间隔从视频中均匀地提取关键帧。例如,每隔一秒或每隔几秒提取一帧作为关键帧,或者通过评估图像质量来选择关键帧。可以使用图像质量评估算法,如图像清晰度、对比度、亮度等指标来衡量每一帧的质量,选择质量最好的帧作为关键帧。而在本实施例中,主要通过计算各图像帧之间相似度的方式,对这些图像帧进行逐帧比对,计算各图像帧之间的相似度。这是为了找出在温度变化上有显著差异的帧,也就是说,要找出电池在充放电过程中温度变化的关键时刻。同一时间,这个步骤也有助于发现和定位可能存在的异常温度区域。然后,可以设置一个预设的相似度阈值,这个阈值会根据的特定需求设定,比如可以设定阈值为70%。这意味着,只有当两个连续的图像帧在热成像上的相似度低于70%时,才认为电池在这两个时间点经历了显著的温度变化。最后,在整个时间轴上,将那些相似度大于预设相似度阈值的图像帧抽取出来作为关键帧图像。这些关键帧图像代表了电池在整个充放电过程中的关键热成像变化。
进一步的,所述新能源电池检测模型为多模态模型,所述多模态模型包括输入层、注意力机制层、特征融合层、分类层和输出层;所述将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述新能源电池检测模型基于所述多个关键帧图像和所述数值数据检测所述目标新能源汽车中新能源电池的性能状态包括:将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述输入层对所述数值数据进行数据预处理以及数据特征提取,得到数据特征,并对所述多个关键帧图像进行图像特征提取,得到图像特征;通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量;通过所述特征融合层根据所述权重向量对所述数据特征和所述图像特征进行加权融合,得到融合特征向量;通过所述分类层根据所述融合特征向量计算所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
具体的,在实际应用中,因为电流电压等数据都是数值数据,而关键帧图像是图像数据,因此可以使用融合多种类型特征的神经网络模型对数值数据和多个关键帧图像进行处理,融合多种类型特征的神经网络模型可以使用多输入模型、深度融合模型或注意力融合模型,其中,多输入模型可以将数值数据和图像数据分别作为不同的输入层,并通过连接层将它们合并为一个模型。这种方法可以使用常见的卷积神经网络,如ResNet、EfficientNet等,或视觉Transformer来处理图像数据,并使用全连接层来处理数值数据。深度融合模型可以将数值数据和图像数据分别送入各自的神经网络中进行特征提取和分类预测,并将它们的输出连接到全连接层中进行综合学习和分类预测。这种方法可以使用多个神经网络模型,例如一个卷积神经网络和一个全连接神经网络,以处理不同类型的特征。而本实施例主要使用注意力融合模型,其使用注意力机制来加权融合不同类型的特征。这种方法可以对数值数据和图像数据分别进行特征提取。
具体的,通过所述输入层对数值数据进行数据预处理以及数据特征提取,得到数据特征,并对所述多个关键帧图像进行图像特征提取,得到图像特征,其中,对于数值数据,将数值数据作为输入层的神经元,通过一些全连接层进行特征提取和转换,得到了一个维度为d的数值特征向量,图像特征提取可以使用视觉Transformer(如ViT)来处理图像数据,提取图像特征。假设得到了一个维度为d的图像特征向量,然后在注意力机制层使用注意力机制来加权融合数值特征和图像特征。可以使用自注意力机制(self-attention)来计算每个特征的重要性权重,得到了数值特征和图像特征的注意力权重向量,然后将数值特征向量和图像特征向量按照注意力权重进行加权融合,得到最终的融合特征向量,最后将融合特征向量输入到全连接层进行分类预测。这个层可以包括多个全连接层、激活函数和损失函数,用于模型的训练和优化。
进一步的,所述通过所述分类层根据所述融合特征向量计算所述新能源电池的性能状态,并通过所述输出层输出所述性能状态包括:通过所述分类层将所述融合特征向量线性变换映射至高维特征空间,得到线性变换结果;通过预设的激活函数对所述线性变换结果进行非线性变换,得到非线性变换结果;通过所述分类层中的全连接层根据所述非线性变换结果计算所述新能源电池对应不同状态区间的性能状态的概率;将概率最高的状态区间的性能状态作为所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
具体的,将得到的融合特征向量作为全连接层的输入,将融合特征向量通过线性变换映射到一个更高维度的特征空间。这个线性变换通常是一个全连接层,其中包含多个神经元(节点),每个神经元与融合特征向量的每个元素相连。对线性变换的结果进行非线性变换,引入非线性关系以增加模型的表达能力。常用的激活函数包括ReLU、sigmoid、tanh等。激活函数的选择取决于具体的任务和模型设计。根据任务的不同,输出层的设计也会有所差异。例如,对于二分类任务,可以使用一个神经元并应用sigmoid激活函数来输出一个0到1之间的概率值;对于多分类任务,可以使用多个神经元,并应用softmax激活函数来输出每个类别的概率分布。根据输出层的结果,可以根据预先定义的阈值或者选择概率最高的类别来进行最终的分类预测,得到新能源电池对应的性能状态。
102、在目标新能源汽车的驾驶过程中,实时获取新能源汽车的驾驶数据,其中,驾驶数据至少包括目标新能源汽车在驾驶过程中的当前位置和目的地位置;
在本发明的一个实施例中,驾驶数据主要包括环境数据、行驶过程中的工况、驾驶行为和驾驶时间等信息,首先,环境数据是指汽车所处的环境信息,包括温度、湿度、气压等参数。这些环境数据对电池的性能有着直接的影响,比如在低温环境下,电池的性能通常会下降,从而影响到能源的释放和充放电效率。因此,及时收集环境数据对于分析电池性能状态至关重要。其次,驾驶过程中的工况是指汽车在行驶过程中所处的路况情况,包括上坡、下坡、平路等不同情况。这些工况对于能耗的消耗有着显著的影响,比如在上坡行驶时,电动汽车需要消耗更多的能量来克服重力,而在下坡行驶时则可能通过回收能量来减少能耗。因此,实时获取驾驶过程中的工况数据可以帮助准确预测能源消耗情况。此外,驾驶行为也是影响能耗的重要因素之一。比如急加速、急刹车、高速行驶等行为都会直接影响能源的消耗情况。因此,实时获取驾驶行为数据可以帮助分析驾驶习惯对能耗的影响,从而进行个性化的能耗预测和优化。最后,驾驶时间信息也是非常重要的一部分,因为不同时间段的交通状况、路况等因素都会对能耗产生影响。因此,实时获取驾驶时间信息可以帮助更加准确地预测能源消耗情况。
103、基于当前位置和目的地位置,计算驾驶过程的驾驶路程,并基于驾驶路程、驾驶数据和电池性能数据预测新能源汽车在驾驶过程的能耗数值。
在本发明的一个实施例中,所述基于所述驾驶路程、所述驾驶数据和所述电池性能数据预测所述目标新能源汽车在所述驾驶过程的能耗数值包括:基于所述驾驶路程和所述驾驶数据将所述目标驾驶路径进行路段划分,得到多个子路段;根据所述多个子路段对应的驾驶路程和驾驶数据对所述多个子路段进行聚类,得到各子路段对应的路段类型;根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中,通过各子预测模型计算各子路段对应的耗能预测值;根据各子路段对应的耗能预测值计算所述驾驶过程的能耗数值。
具体的,在进行新能源汽车能耗预测时,为了提高预测的准确性和可靠性,需要对驾驶路程进行细致的划分,并对不同子路段进行聚类。这主要是因为新能源汽车的能耗受到多种因素的影响,如环境因素、驾驶行为、路况等,而这些因素又在不同的时间和位置上发生变化,使得预测模型的学习难度增大。首先,将整个驾驶路程划分成多个子路段可以有效地降低预测模型的复杂度。具体来说,一个较长的驾驶路程可能包含许多不同的工况、驾驶行为和环境因素,这样就会导致特征维度众多,模型的学习难度增加。而将整个驾驶路程划分成多个子路段后,每个子路段内的工况、驾驶行为和环境因素相对稳定,模型的学习难度就会降低,同时也能更加准确地预测每个子路段的能耗情况。其次,对不同子路段进行聚类可以进一步提高预测模型的准确性。由于驾驶路程中存在许多变量,如路况、驾驶行为、环境因素等,使得不同的子路段具有不同的特征。因此,对不同子路段进行聚类可以将具有相似特征的子路段分到同一类中,从而提高预测模型的准确性。最后,对于新能源汽车能耗预测这一任务来说,时间因素也是非常重要的。由于不同时间段的交通状况、路况等因素都会对能耗产生影响,因此需要对驾驶路程进行细致的时间划分,并对不同时间段内的子路段进行聚类。这样可以更加准确地反映出时间因素对能源消耗的影响,从而提高预测模型的准确性。
具体的,根据所述多个子路段对应的驾驶路程和驾驶数据对所述多个子路段进行聚类,可以使用基于机器学***均值,并将这些平均值作为新的中心点。重复上述步骤,直到中心点不再发生变化或达到预设的迭代次数。最终得到的各个类别就代表了不同的路段类型。需要注意的是,在进行聚类时需要考虑到不同驾驶路程和驾驶数据之间的差异性,为了避免某些特征对聚类结果的影响过大,可以采用特征缩放等方法进行处理。同时,在选择类别数K时也需要注意避免过度拟合或欠拟合的情况,可以通过交叉验证等方法来确定最优的类别数。
进一步的,所述根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中,通过各子预测模型计算各子路段对应的耗能预测值包括:根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中;通过所述子预测模型生成输入的驾驶路程和驾驶数据以及所述电池性能数据的时序序列;对所述时序序列进行编码,并通过预设的注意力机制计算所述时序序列中不同时间步的注意力权重;根据所述注意力权重计算所述时序序列的上下文向量,并对所述上下文向量进行解码,生成输出序列,根据所述输出序列计算对应的子路段的耗能预测值。
具体的,在本实施例中,主要使用LSTM神经网络进行能耗预测,长短时记忆神经网络(LSTM)是一种特殊的RNN,能有效避免后者梯度消失和梯度***等问题,且在时间序列中具有良好的表现,而本实施例中的新能源汽车已经确定了路程,并且也划分了不同类型的子路段,对应每个子路段,都具有很强的时空周期性,因此构建适合解决这类问题的LSTM能耗预测模型。在本实施例中,虽然LSTM在解决长时间序列问题时能通过细胞状态存储历史信息,达到较好的效果,但因LSTM的输入序列一致,导致模型不能区分长时间序列中各种特征的重要性程度,将在一定程度上忽略某些关键信息。本文引入注意力机制,通过对神经元分配不同的权重概率,使模型能选择并学***均来获得上下文向量,即将不同时间步的隐藏状态按照注意力权重进行加权求和。最后将上下文向量作为输入,通过另一个LSTM网络进行解码,生成输出序列,进而根据所述输出序列计算对应的子路段的耗能预测值。
在本实施例中,通过获取目标新能源汽车的充放电数据,并基于充放电数据检测目标新能源汽车中新能源电池的电池性能数据;实时获取新能源汽车的驾驶数据,其中,驾驶数据至少包括目标新能源汽车在驾驶过程中的当前位置和目的地位置;基于当前位置和目的地位置,计算驾驶过程的驾驶路程,并基于驾驶路程、驾驶数据和电池性能数据预测新能源汽车在驾驶过程的能耗数值。本方法。本方法通过实时获取新能源汽车的驾驶数据以及充放电数据,并基于这些数据计算出驾驶路程和能耗数值,避免了由于电池的健康状况影响电池能耗预测不准确的问题,可以更加准确、综合地了解新能源汽车的能源消耗情况。
上面对本发明实施例中新能源汽车能耗预测方法进行了描述,下面对本发明实施例中新能源汽车能耗预测装置进行描述,请参阅图2,本发明实施例中新能源汽车能耗预测装置一个实施例包括:
性能检测模块201,用于在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据;
驾驶数据获取模块202,用于在所述目标新能源汽车的驾驶过程中,实时获取所述目标新能源汽车的驾驶数据,其中,所述驾驶数据至少包括所述目标新能源汽车在所述驾驶过程中的当前位置和目的地位置;
能耗预测模块203,用于基于所述当前位置和目的地位置,计算所述驾驶过程的驾驶路程,并基于所述驾驶路程、所述驾驶数据和所述电池性能数据预测所述目标新能源汽车在所述驾驶过程的能耗数值。
本发明实施例中,所述新能源汽车能耗预测装置运行上述新能源汽车能耗预测方法,所述新能源汽车能耗预测装置通过获取目标新能源汽车的充放电数据,并基于充放电数据检测目标新能源汽车中新能源电池的电池性能数据;实时获取新能源汽车的驾驶数据,其中,驾驶数据至少包括目标新能源汽车在驾驶过程中的当前位置和目的地位置;基于当前位置和目的地位置,计算驾驶过程的驾驶路程,并基于驾驶路程、驾驶数据和电池性能数据预测新能源汽车在驾驶过程的能耗数值。本方法。本方法通过实时获取新能源汽车的驾驶数据以及充放电数据,并基于这些数据计算出驾驶路程和能耗数值,避免了由于电池的健康状况影响电池能耗预测不准确的问题,可以更加准确、综合地了解新能源汽车的能源消耗情况。
请参阅图3,本发明实施例中新能源汽车能耗预测装置的第二个实施例包括:
性能检测模块201,用于在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据;
驾驶数据获取模块202,用于在所述目标新能源汽车的驾驶过程中,实时获取所述目标新能源汽车的驾驶数据,其中,所述驾驶数据至少包括所述目标新能源汽车在所述驾驶过程中的当前位置和目的地位置;
能耗预测模块203,用于基于所述当前位置和目的地位置,计算所述驾驶过程的驾驶路程,并基于所述驾驶路程、所述驾驶数据和所述电池性能数据预测所述目标新能源汽车在所述驾驶过程的能耗数值。
在本发明的一个实施例中,所述电池性能数据包括所述新能源电池的性能状态;所述性能检测模块201包括:
充放电单元2011,用于在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,其中,所述充放电数据包括所述新能源电池的数值数据和视频数据,所述视频数据为所述新能源电池充放电过程中的热成像视频;
分帧单元2012,用于对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;
检测单元2013,用于将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述新能源电池检测模型基于所述多个关键帧图像和所述数值数据检测所述目标新能源汽车中新能源电池的性能状态。
在本发明的一个实施例中,所述新能源电池检测模型为多模态模型,所述多模态模型包括输入层、注意力机制层、特征融合层、分类层和输出层;
所述检测单元2013具体用于:
将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述输入层对所述数值数据进行数据预处理以及数据特征提取,得到数据特征,并对所述多个关键帧图像进行图像特征提取,得到图像特征;
通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量;
通过所述特征融合层根据所述权重向量对所述数据特征和所述图像特征进行加权融合,得到融合特征向量;
通过所述分类层根据所述融合特征向量计算所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
在本发明的一个实施例中,所述检测单元2013具体还用于:
通过所述分类层将所述融合特征向量线性变换映射至高维特征空间,得到线性变换结果;
通过预设的激活函数对所述线性变换结果进行非线性变换,得到非线性变换结果;
通过所述分类层中的全连接层根据所述非线性变换结果计算所述新能源电池对应不同状态区间的性能状态的概率;
将概率最高的状态区间的性能状态作为所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
在本发明的一个实施例中,所述能耗预测模块203具体用于:
确定所述当前位置和所述目的地位置所属的区域范围,并获取所述区域范围内的道路信息;
基于道路信息在所述当前位置和目的地位置之间进行路径规划,得到多条候选驾驶路径以及所述多条候选驾驶路径对应的驾驶距离;
响应与针对所述多条候选驾驶路径中任一候选驾驶路径的选择操作,确定目标驾驶路径,并将所述目标驾驶路径作为所述驾驶过程的驾驶路程。
在本发明的一个实施例中,所述能耗预测模块203具体还用于:
基于所述驾驶路程和所述驾驶数据将所述目标驾驶路径进行路段划分,得到多个子路段;
根据所述多个子路段对应的驾驶路程和驾驶数据对所述多个子路段进行聚类,得到各子路段对应的路段类型;
根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中,通过各子预测模型计算各子路段对应的耗能预测值;
根据各子路段对应的耗能预测值计算所述驾驶过程的能耗数值。
在本发明的一个实施例中,所述能耗预测模块203具体还用于:
根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中;
通过所述子预测模型生成输入的驾驶路程和驾驶数据以及所述电池性能数据的时序序列;
对所述时序序列进行编码,并通过预设的注意力机制计算所述时序序列中不同时间步的注意力权重;
根据所述注意力权重计算所述时序序列的上下文向量,并对所述上下文向量进行解码,生成输出序列,根据所述输出序列计算对应的子路段的耗能预测值。
本实施例在上一实施例的基础上,详细描述了各个模块的具体功能以及部分模块的单元构成,通过上述模块和模块中的各单元,获取目标新能源汽车的充放电数据,并基于充放电数据检测目标新能源汽车中新能源电池的电池性能数据;实时获取新能源汽车的驾驶数据,其中,驾驶数据至少包括目标新能源汽车在驾驶过程中的当前位置和目的地位置;基于当前位置和目的地位置,计算驾驶过程的驾驶路程,并基于驾驶路程、驾驶数据和电池性能数据预测新能源汽车在驾驶过程的能耗数值。本方法。本方法通过实时获取新能源汽车的驾驶数据以及充放电数据,并基于这些数据计算出驾驶路程和能耗数值,避免了由于电池的健康状况影响电池能耗预测不准确的问题,可以更加准确、综合地了解新能源汽车的能源消耗情况。
上面图2和图3从模块化功能实体的角度对本发明实施例中的中新能源汽车能耗预测装置进行详细描述,下面从硬件处理的角度对本发明实施例中新能源汽车能耗预测设备进行详细描述。
图4是本发明实施例提供的一种新能源汽车能耗预测设备的结构示意图,该新能源汽车能耗预测设备400可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)410(例如,一个或一个以上处理器)和存储器420,一个或一个以上存储应用程序433或数据432的存储介质430(例如一个或一个以上海量存储设备)。其中,存储器420和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对新能源汽车能耗预测设备400中的一系列指令操作。更进一步地,处理器410可以设置为与存储介质430通信,在新能源汽车能耗预测设备400上执行存储介质430中的一系列指令操作,以实现上述新能源汽车能耗预测方法的步骤。
新能源汽车能耗预测设备400还可以包括一个或一个以上电源440,一个或一个以上有线或无线网络接口450,一个或一个以上输入输出接口460,和/或,一个或一个以上操作***431,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图4示出的新能源汽车能耗预测设备结构并不构成对本发明提供的新能源汽车能耗预测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述新能源汽车能耗预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种新能源汽车能耗预测方法,其特征在于,所述新能源汽车能耗预测方法包括:
在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据;
在所述目标新能源汽车的驾驶过程中,实时获取所述目标新能源汽车的驾驶数据,其中,所述驾驶数据至少包括所述目标新能源汽车在所述驾驶过程中的当前位置和目的地位置,所述驾驶数据还包括环境数据、行驶过程中的工况、驾驶行为和驾驶时间;
确定所述当前位置和所述目的地位置所属的区域范围,并获取所述区域范围内的道路信息;基于道路信息在所述当前位置和目的地位置之间进行路径规划,得到多条候选驾驶路径以及所述多条候选驾驶路径对应的驾驶距离;响应于针对所述多条候选驾驶路径中任一候选驾驶路径的选择操作,确定目标驾驶路径,并将所述目标驾驶路径作为所述驾驶过程的驾驶路程,并基于所述驾驶路程和所述驾驶数据将所述目标驾驶路径进行路段划分,得到多个子路段;根据所述多个子路段对应的驾驶路程和驾驶数据对所述多个子路段进行聚类,得到各子路段对应的路段类型;根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中,其中,各子预测模型由长短时记忆神经网络、注意力机制、词嵌入构成;通过所述子预测模型中的词嵌入生成输入的驾驶路程和驾驶数据以及所述电池性能数据的时序序列;通过所述子预测模型中的长短时记忆神经网络对所述时序序列进行编码,并通过所述子预测模型中的注意力机制计算编码后的时序序列中不同时间步的注意力权重;根据所述注意力权重计算编码后的时序序列的上下文向量,并通过另一长短时记忆神经网络对所述上下文向量进行解码,生成输出序列,根据所述输出序列计算对应的子路段的耗能预测值;根据各子路段对应的耗能预测值计算所述驾驶过程的能耗数值。
2.根据权利要求1所述的新能源汽车能耗预测方法,其特征在于,所述电池性能数据包括所述新能源电池的性能状态;
所述在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据包括:
在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,其中,所述充放电数据包括所述新能源电池的数值数据和视频数据,所述视频数据为所述新能源电池充放电过程中的热成像视频;
对所述热成像视频进行分帧操作,得到所述热成像视频的多个关键帧图像;
将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述新能源电池检测模型基于所述多个关键帧图像和所述数值数据检测所述目标新能源汽车中新能源电池的性能状态。
3.根据权利要求2所述的新能源汽车能耗预测方法,其特征在于,所述新能源电池检测模型为多模态模型,所述多模态模型包括输入层、注意力机制层、特征融合层、分类层和输出层;
所述将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述新能源电池检测模型基于所述多个关键帧图像和所述数值数据检测所述目标新能源汽车中新能源电池的性能状态包括:
将所述多个关键帧图像和所述数值数据输入预设的新能源电池检测模型中,通过所述输入层对所述数值数据进行数据预处理以及数据特征提取,得到数据特征,并对所述多个关键帧图像进行图像特征提取,得到图像特征;
通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量;
通过所述特征融合层根据所述权重向量对所述数据特征和所述图像特征进行加权融合,得到融合特征向量;
通过所述分类层根据所述融合特征向量计算所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
4.根据权利要求3所述的新能源汽车能耗预测方法,其特征在于,所述通过所述分类层根据所述融合特征向量计算所述新能源电池的性能状态,并通过所述输出层输出所述性能状态包括:
通过所述分类层将所述融合特征向量线性变换映射至高维特征空间,得到线性变换结果;
通过预设的激活函数对所述线性变换结果进行非线性变换,得到非线性变换结果;
通过所述分类层中的全连接层根据所述非线性变换结果计算所述新能源电池对应不同状态区间的性能状态的概率;
将概率最高的状态区间的性能状态作为所述新能源电池的性能状态,并通过所述输出层输出所述性能状态。
5.一种新能源汽车能耗预测装置,其特征在于,所述新能源汽车能耗预测装置包括:
性能检测模块,用于在目标新能源汽车的充放电过程中,获取所述目标新能源汽车的充放电数据,并基于所述充放电数据检测所述目标新能源汽车中新能源电池的电池性能数据;
驾驶数据获取模块,用于在所述目标新能源汽车的驾驶过程中,实时获取所述目标新能源汽车的驾驶数据,其中,所述驾驶数据至少包括所述目标新能源汽车在所述驾驶过程中的当前位置和目的地位置,所述驾驶数据还包括环境数据、行驶过程中的工况、驾驶行为和驾驶时间;
能耗预测模块,用于确定所述当前位置和所述目的地位置所属的区域范围,并获取所述区域范围内的道路信息;基于道路信息在所述当前位置和目的地位置之间进行路径规划,得到多条候选驾驶路径以及所述多条候选驾驶路径对应的驾驶距离;响应于针对所述多条候选驾驶路径中任一候选驾驶路径的选择操作,确定目标驾驶路径,并将所述目标驾驶路径作为所述驾驶过程的驾驶路程,并基于所述驾驶路程和所述驾驶数据将所述目标驾驶路径进行路段划分,得到多个子路段;根据所述多个子路段对应的驾驶路程和驾驶数据对所述多个子路段进行聚类,得到各子路段对应的路段类型;根据不同子路段对应的路段类型选择对应的子预测模型,并将所述不同子路段对应的驾驶路程和驾驶数据以及所述电池性能数据输入至对应的子预测模型中,其中,各子预测模型由长短时记忆神经网络、注意力机制、词嵌入构成;通过所述子预测模型中的词嵌入生成输入的驾驶路程和驾驶数据以及所述电池性能数据的时序序列;通过所述子预测模型中的长短时记忆神经网络对所述时序序列进行编码,并通过所述子预测模型中的注意力机制计算编码后的时序序列中不同时间步的注意力权重;根据所述注意力权重计算编码后的时序序列的上下文向量,并通过另一长短时记忆神经网络对所述上下文向量进行解码,生成输出序列,根据所述输出序列计算对应的子路段的耗能预测值;根据各子路段对应的耗能预测值计算所述驾驶过程的能耗数值。
6.一种新能源汽车能耗预测设备,其特征在于,所述新能源汽车能耗预测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述新能源汽车能耗预测设备执行如权利要求1-4中任意一项所述的新能源汽车能耗预测方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-4中任意一项所述新能源汽车能耗预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753885.8A CN117436595B (zh) | 2023-12-20 | 2023-12-20 | 新能源汽车能耗预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311753885.8A CN117436595B (zh) | 2023-12-20 | 2023-12-20 | 新能源汽车能耗预测方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117436595A CN117436595A (zh) | 2024-01-23 |
CN117436595B true CN117436595B (zh) | 2024-03-29 |
Family
ID=89553818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311753885.8A Active CN117436595B (zh) | 2023-12-20 | 2023-12-20 | 新能源汽车能耗预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117436595B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117673580B (zh) * | 2024-02-02 | 2024-04-16 | 深圳市国威通电子技术有限公司 | 一种用于新能源电池的温度控制设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111452794A (zh) * | 2019-01-22 | 2020-07-28 | 上海汽车集团股份有限公司 | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 |
CN111563624A (zh) * | 2020-05-06 | 2020-08-21 | 北京工业大学 | 一种基于LSTM与Attention相结合的绿色能源预测方法 |
CN115222145A (zh) * | 2022-08-11 | 2022-10-21 | 中通客车股份有限公司 | 基于新能源汽车运行大数据的续驶里程预测方法及*** |
WO2023012229A1 (en) * | 2021-08-03 | 2023-02-09 | Bareways GmbH | Methods and systems for predicting an energy consumption of a vehicle for its travel along a defined route and for routing |
CN115759462A (zh) * | 2022-12-02 | 2023-03-07 | 重庆邮电大学 | 一种电动汽车用户的充电行为预测方法、装置及电子设备 |
CN116523177A (zh) * | 2023-04-19 | 2023-08-01 | 元始智能科技(南通)有限公司 | 融合机理和深度学习模型的车辆能耗预测方法及装置 |
CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理***的热失控防护方法、装置、设备及存储介质 |
-
2023
- 2023-12-20 CN CN202311753885.8A patent/CN117436595B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111452794A (zh) * | 2019-01-22 | 2020-07-28 | 上海汽车集团股份有限公司 | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 |
CN111563624A (zh) * | 2020-05-06 | 2020-08-21 | 北京工业大学 | 一种基于LSTM与Attention相结合的绿色能源预测方法 |
WO2023012229A1 (en) * | 2021-08-03 | 2023-02-09 | Bareways GmbH | Methods and systems for predicting an energy consumption of a vehicle for its travel along a defined route and for routing |
CN115222145A (zh) * | 2022-08-11 | 2022-10-21 | 中通客车股份有限公司 | 基于新能源汽车运行大数据的续驶里程预测方法及*** |
CN115759462A (zh) * | 2022-12-02 | 2023-03-07 | 重庆邮电大学 | 一种电动汽车用户的充电行为预测方法、装置及电子设备 |
CN116523177A (zh) * | 2023-04-19 | 2023-08-01 | 元始智能科技(南通)有限公司 | 融合机理和深度学习模型的车辆能耗预测方法及装置 |
CN117237349A (zh) * | 2023-11-14 | 2023-12-15 | 珠海市嘉德电能科技有限公司 | 电池管理***的热失控防护方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117436595A (zh) | 2024-01-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7242101B2 (ja) | 融合ニューラルネットワークモデルに基づくエンジンサージング故障の予測システム及び方法 | |
CN110889546B (zh) | 一种基于注意力机制的交通流量模型训练方法 | |
CN117436595B (zh) | 新能源汽车能耗预测方法、装置、设备及存储介质 | |
Shang et al. | A remaining life prediction of rolling element bearings based on a bidirectional gate recurrent unit and convolution neural network | |
CN114861890B (zh) | 构建神经网络的方法、装置、计算设备及存储介质 | |
CN112270355A (zh) | 基于大数据技术与sae-gru的主动安全预测方法 | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
CN117104377B (zh) | 电动自行车的智能管理***及其方法 | |
CN112884008A (zh) | 一种电力信息采集***运行状态的预测评估方法及装置 | |
CN116523177A (zh) | 融合机理和深度学习模型的车辆能耗预测方法及装置 | |
CN118032327A (zh) | 基于人工智能的设备智能润滑监测方法及装置 | |
CN114580262B (zh) | 一种锂离子电池健康状态估计方法 | |
CN114048546B (zh) | 一种基于图卷积网络和无监督域自适应的航空发动机剩余使用寿命预测方法 | |
Thu et al. | Multi-source data analysis for bike sharing systems | |
CN114863170A (zh) | 一种基于深度学习的新能源车电池自燃预警方法及装置 | |
CN117094535B (zh) | 基于人工智能的能源补给管理方法及*** | |
Qin et al. | Remaining useful life prediction using temporal deep degradation network for complex machinery with attention-based feature extraction | |
CN117154256A (zh) | 锂电池的电化学修复方法 | |
CN117422990A (zh) | 一种基于机器学习的桥梁结构分类与评估方法 | |
CN114463978B (zh) | 一种基于轨道交通信息处理终端的数据监测方法 | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
CN110650130B (zh) | 基于多分类GoogLeNet-LSTM模型的工控入侵检测方法 | |
JP2022131393A (ja) | 機械学習プログラム、機械学習方法及び推定装置 | |
CN115034502B (zh) | 一种公路车辆旅行时间的预测方法 | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热***热功率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |