JP2024508198A - 商用電気車両のエネルギー消費予測方法、装置及びコンピュータ機器 - Google Patents

商用電気車両のエネルギー消費予測方法、装置及びコンピュータ機器 Download PDF

Info

Publication number
JP2024508198A
JP2024508198A JP2022548244A JP2022548244A JP2024508198A JP 2024508198 A JP2024508198 A JP 2024508198A JP 2022548244 A JP2022548244 A JP 2022548244A JP 2022548244 A JP2022548244 A JP 2022548244A JP 2024508198 A JP2024508198 A JP 2024508198A
Authority
JP
Japan
Prior art keywords
data
energy consumption
past
commercial electric
electric vehicle
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
Application number
JP2022548244A
Other languages
English (en)
Inventor
段潘▲ティン▼
趙微
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Contemporary Amperex Technology Co Ltd
Original Assignee
Contemporary Amperex Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from CN202210016220.8A external-priority patent/CN115808922B/zh
Application filed by Contemporary Amperex Technology Co Ltd filed Critical Contemporary Amperex Technology Co Ltd
Publication of JP2024508198A publication Critical patent/JP2024508198A/ja
Pending legal-status Critical Current

Links

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
    • 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
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G07C5/04—Registering or indicating driving, working, idle, or waiting time only using counting means or digital clocks
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B60L58/13—Maintaining the SoC within a determined range
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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"
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/62—Vehicle position
    • B60L2240/622—Vehicle position by satellite navigation
    • 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
    • B60L2260/46—Control modes by self learning
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Transportation (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Medical Informatics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)

Abstract

本願は、商用電気車両のエネルギー消費予測方法、装置、コンピュータ機器、コンピュータ読み取り可能な記憶媒体及びコンピュータプログラム製品に関する。該方法は、商用電気車両の放電期間データを取得することと、商用電気車両の走行位置特徴データを取得することと、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得ることと、を含み、該エネルギー消費予測モデルは機械学習アルゴリズムに基づいて得られる。

Description

関連する出願の相互参照
本願は、２０２２年１月７日に提出された名称が「商用電気車両のエネルギー消費予測方法、装置及びコンピュータ機器」である中国特許出願第２０２２１００１６２２０．８号を参照し、そのすべてが参照により本願に組み込まれている。
本願は、モーター制御技術分野に関し、特に、商用電気車両のエネルギー消費予測方法、装置、コンピュータ機器、コンピュータ読み取り可能な記憶媒体及びコンピュータプログラム製品に関する。
エネルギーや環境問題の深刻化と車両用電池技術の発展に伴い、商用電気車両がますます広く適用されている。商用電気車両のエネルギー消費レベルは、商用電気車両の全体的な性能レベルを直接反映し、商用電気車両の走行距離、品質保証評価、経済的利益などの重要な指標に影響を与える。従って、商用電気車両のエネルギー消費を予測する必要がある。
いくつかの場合では、商用電気車両のエネルギー消費予測方法は、ＮＥＤＣ（Ｎｅｗ Ｅｕｒｏｐｅａｎ Ｄｒｉｖｉｎｇ Ｃｙｃｌｅ、新欧州ドライビングサイクル）などの固定運転条件で車両運転条件をシミュレーションする時、車両動力学的モデルに基づいて、車両の風上面積、質量、転がり抵抗係数などの車両特徴パラメータと組み合わせ、車両のエネルギー消費を予測する。車両の実際の適用プロセスにおいて、上記の車両特徴パラメータを正確に取得することは困難であるため、従来の商用電気車両のエネルギー消費の予測方法は、実験室シミュレーション環境のシミュレートされた運転条件に限定され、予測結果の精度が低いという欠点がある。
本願で開示された様々な実施例によれば、商用電気車両のエネルギー消費予測結果の精度を向上させるために、商用電気車両のエネルギー消費予測方法、装置、コンピュータ機器、コンピュータ読み取り可能な記憶媒体及びコンピュータプログラム製品を提供する。
商用電気車両のエネルギー消費予測方法であって、
商用電気車両の放電期間データを取得することと、商用電気車両の走行位置特徴データを取得することと、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得ることと、を含み、エネルギー消費予測モデルは、機械学習アルゴリズムによって得られる、方法である。
上記商用電気車両のエネルギー消費予測方法は、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、エネルギー消費予測データを得ることにより、商用電気車両の走行経路は比較的固定されているため、走行経路に対応する走行位置特徴データはある程度で商用電気車両の実際運転環境を反映することができ、エネルギー消費予測データの精度を向上させるのに役立つ。
幾つかの実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得る前に、商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得ることをさらに含む。
上記実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得る前に、商用電気車両の過去走行データに基づいてモデルをトレーニングし、エネルギー消費予測モデルを得ることにより、商用電気車両のエネルギー消費予測方法の科学性を向上させるのに役立つ。
幾つかの実施例において、商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得ることは、商用電気車両の、過去充放電データ及び過去走行位置特徴データを含む過去走行データと電池定格容量を取得することと、過去充放電データと電池定格容量に基づいて、商用電気車両の過去単位時間のエネルギー消費データを計算して得ることと、過去単位時間のエネルギー消費データと過去走行位置特徴データに基づいて、過去エネルギー消費データを得ることと、過去エネルギー消費データと予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得ることと、を含む。
上記実施例において、モデルトレーニングのプロセスでは、まず商用電気車両の過去単位時間のエネルギー消費データを計算して得て、次に過去単位時間のエネルギー消費データと過去走行位置特徴データに基づいて、モデルをトレーニングし、エネルギー消費予測モデルを得ることにより、単位時間のエネルギー消費と走行位置特徴との関係を正確に特徴付けることができ、エネルギー消費予測モデルと実際運転条件との一致度を向上させ、さらにモデルの予測精度を向上させるのに役立つ。
幾つかの実施例において、商用電気車両の過去走行データを取得することは、商用電気車両の元の過去走行データを取得することと、元の過去走行データを前処理し、商用電気車両の過去走行データを得ることと、を含む。
上記実施例において、商用電気車両の元の過去走行データを取得した後、過去走行データを得るためにデータを前処理する必要があり、それにより重複又は情報不完全の過去走行データを回避し、モデルの予測精度及び予測効率を効果的に向上させることができる。
幾つかの実施例において、過去充放電データと電池定格容量に基づいて、商用電気車両の過去単位時間のエネルギー消費データを計算して得ることは、設定された時間を周期として、過去充放電データに基づいて商用電気車両の過去充電データと過去放電データを得ることと、過去充電データと電池定格容量に基づいて、設定された時間内の商用電気車両の電池健康状態を得ることと、電池健康状態、電池定格容量及び過去充電データに対応する過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることと、を含む。
上記実施例において、商用電気車両の過去単位時間のエネルギー消費データの計算プロセスにおいて、車両のリアルタイムの電池健康状態を考慮することにより、過去単位時間のエネルギー消費データの精度を向上させ、さらにモデルの予測精度を向上させるのに役立つ。
幾つかの実施例において、所定時間内、１つの充電時間帯は複数のサブ放電時間帯に対応し、電池健康状態、電池定格容量及び過去充電データに対応する過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることは、電池健康状態、電池定格容量及び各サブ放電時間帯の過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることを含む。
上記実施例において、過去単位時間のエネルギー消費データを分析する時、設定された時間内の１つの充電時間帯が複数のサブ放電時間帯に対応する場合について、各サブ放電時間帯の過去放電データに合わせて最終的な過去単位時間のエネルギー消費データの分析を実現することができ、過去単位時間のエネルギー消費データの分析信頼性を効果的に向上させる。
幾つかの実施例において、設定された時間内、複数の充電時間帯があり、電池健康状態、電池定格容量及び過去充電データに対応する過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることは、電池健康状態、電池定格容量、各充電時間帯の過去充電データ及び各充電時間帯に対応する放電時間帯の過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることを含む。
上記実施例において、過去単位時間のエネルギー消費データを分析する時、設定された時間内に複数の充電時間帯がある場合について、各充電時間帯に対応する放電時間帯の過去放電データに合わせて各放電時間帯のエネルギー消費をそれぞれ計算した後、最終的に過去単位時間のエネルギー消費データの分析を実現し、過去単位時間のエネルギー消費データの分析信頼性をさらに向上させることができる。
幾つかの実施例において、電池健康状態、電池定格容量、各充電時間帯の過去充電データ及び各充電時間帯に対応する放電時間帯の過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることは、電池健康状態、電池定格容量、各充電時間帯の過去充電データ及び各充電時間帯に対応する放電時間帯の過去放電データに基づいて、各充電時間帯に対応する放電時間帯のエネルギー消費を得ることと、各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が電池定格容量より小さい場合、最大エネルギー消費値に基づいて設定された時間内の過去単位時間のエネルギー消費データを計算することと、各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が電池定格容量以上で、且つ予め設定された倍数の電池定格容量より小さい場合、各充電時間帯に対応する放電時間帯のエネルギー消費の平均値に基づいて、設定された時間内の過去単位時間のエネルギー消費データを計算することと、各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が予め設定された倍数の電池定格容量以上である場合、対応する設定された時間内の過去充放電データを破棄することと、を含む。
上記実施例において、各充電時間帯に対応する放電時間帯のエネルギー消費によって区別処理することにより、その配置されている異なる区間に合わせて異なる過去単位時間のエネルギー消費データの分析を実現し、異常の場合には対応する周期内の過去充放電データを破棄し、過去単位時間のエネルギー消費データの分析精度を効果的に向上させることができる。
幾つかの実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得た後、過去エネルギー消費データをトレーニングセットとテストセットに分割し、トレーニングセットとエネルギー消費予測モデルに基づいてテストセットに対応するエネルギー消費予測データを得ることと、テストセット及びテストセットに対応するエネルギー消費予測データに基づいて、エネルギー消費予測データに対して修正処理を実施し、修正後のエネルギー消費予測データを得ることと、をさらに含む。
上記実施例において、エネルギー消費予測データを得た後、さらに、トレーニングセットとテストセットに基づいてエネルギー消費予測結果に対して修正処理を実施することにより、商用電気車両のエネルギー消費予測方法の予測精度をさらに向上させることができる。
幾つかの実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入することは、放電期間データに対して補間処理を実施し、補間処理後の放電期間データを得て、補間処理後の放電期間データ及び走行位置特徴データをエネルギー消費予測モデルに代入することを含む。
上記実施例において、放電期間データをエネルギー消費予測モデルに代入する前、まず補間処理を実施することにより、入力モデルの放電期間データの連続性を確保し、エネルギー消費予測データの連続性をさらに確保することができ、商用電気車両のエネルギー消費予測方法の柔軟性を向上させるのに役立つ。
幾つかの実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得ることは、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両の初期エネルギー消費予測データを得ることと、初期エネルギー消費予測データを所定時間によりグループ化し、各グループの予め設定されたパーセンタイルを対応する所定時間内のエネルギー消費予測データとして取得することと、を含み、予め設定されたパーセンタイルは５０％より大きい。
上記実施例において、エネルギー消費予測モデルに基づいて、初期エネルギー消費予測データを予測して得て、グループ化後に各グループにおける大きい予め設定されたパーセンタイルをエネルギー消費予測データとして取得することにより、ノイズ値の干渉を取り除いて、エネルギー消費予測データの精度を向上させることができる。
幾つかの実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得た後、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定することをさらに含む。
上記実施例において、商用電気車両のエネルギー消費予測データを得た後、さらに、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定することで、ユーザーが適時に異常を検出し、対応する対策を講じることができ、商用電気車両の故障確率を低減し、車両の使用安全性を向上させるのに役立つ。
商用電気車両のエネルギー消費予測装置であって、
商用電気車両の放電期間データを取得するための放電期間取得モジュールと、商用電気車両の走行位置特徴データを取得するための走行位置特徴取得モジュールと、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得るためのエネルギー消費予測モジュールと、を含み、エネルギー消費予測モデルは、機械学習アルゴリズムによって得られる、装置である。
上記商用電気車両のエネルギー消費予測装置は、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、エネルギー消費予測データを得ることにより、商用電気車両の走行経路は比較的固定されているため、走行経路に対応する走行位置特徴データはある程度で商用電気車両の実際運転環境を反映することができ、エネルギー消費予測データの精度を向上させるのに役立つ。
幾つかの実施例において、商用電気車両のエネルギー消費予測装置は、商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得るためのエネルギー消費予測モデルのトレーニングモジュールをさらに含む。
上記実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得る前に、商用電気車両の過去走行データに基づいてモデルをトレーニングし、エネルギー消費予測モデルを得ることにより、商用電気車両のエネルギー消費予測方法の科学性を向上させるのに役立つ。
幾つかの実施例において、エネルギー消費予測モデルのトレーニングモジュールは、商用電気車両の、過去充放電データ及び過去走行位置特徴データを含む過去走行データと電池定格容量を取得するデータ取得ユニットと、過去充放電データと電池定格容量に基づいて、商用電気車両の過去単位時間のエネルギー消費データを計算して得るエネルギー消費データ計算ユニットと、過去単位時間のエネルギー消費データと過去走行位置特徴データに基づいて、過去エネルギー消費データを得る過去エネルギー消費データ生成ユニットと、過去エネルギー消費データと予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得るエネルギー消費予測モデルトレーニングユニットと、を含む。
上記実施例において、モデルトレーニングのプロセスでは、まず商用電気車両の過去単位時間のエネルギー消費データを計算して得て、次に過去単位時間のエネルギー消費データと過去走行位置特徴データに基づいて、モデルをトレーニングし、エネルギー消費予測モデルを得ることにより、単位時間のエネルギー消費と走行位置特徴との関係を正確に特徴付けることができ、エネルギー消費予測モデルと実際運転条件との一致度を向上させ、さらにモデルの予測精度を向上させるのに役立つ。
幾つかの実施例において、商用電気車両のエネルギー消費予測装置は、過去エネルギー消費データをトレーニングセットとテストセットに分割し、トレーニングセットとエネルギー消費予測モデルに基づいてテストセットに対応するエネルギー消費予測データを得て、テストセット及びテストセットに対応するエネルギー消費予測データに基づいて、エネルギー消費予測データに対して修正処理を実施し、修正後のエネルギー消費予測データを得るための修正モジュールをさらに含む。
上記実施例において、エネルギー消費予測データを得た後、さらに、トレーニングセットとテストセットに基づいてエネルギー消費予測結果に対して修正処理を実施することにより、商用電気車両のエネルギー消費予測方法の予測精度をさらに向上させることができる。
幾つかの実施例において、商用電気車両のエネルギー消費予測装置は、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定するための故障リスク特定モジュールをさらに含む。
上記実施例において、商用電気車両のエネルギー消費予測データを得た後、さらに、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定することで、ユーザーが適時に異常を検出し、対応する対策を講じることができ、商用電気車両の故障確率を低減し、車両の使用安全性を向上させるのに役立つ。
コンピュータ読み取り可能な命令が記憶されたメモリ及び１つ又は複数のプロセッサを含むコンピュータ機器であって、コンピュータ読み取り可能な命令が１つ又は複数のプロセッサによって実行される時、１つ又は複数のプロセッサに、
商用電気車両の放電期間データを取得するステップ、商用電気車両の走行位置特徴データを取得するステップ、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得るステップを実行させ、エネルギー消費予測モデルは、機械学習アルゴリズムによって得られる、コンピュータ機器。
コンピュータ読み取り可能な命令が記憶された１つ又は複数の不揮発性コンピュータ読み取り可能な記憶媒体であって、コンピュータ読み取り可能な命令が１つ又は複数のプロセッサによって実行される時、１つ又は複数のプロセッサに、
商用電気車両の放電期間データを取得するステップ、商用電気車両の走行位置特徴データを取得するステップ、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得るステップを実行させ、エネルギー消費予測モデルは、機械学習アルゴリズムによって得られる、記憶媒体。
コンピュータプログラムを含むコンピュータプログラム製品であって、該コンピュータプログラムが１つ又は複数のプロセッサによって実行される時、１つ又は複数のプロセッサに、
商用電気車両の放電期間データを取得するステップ、商用電気車両の走行位置特徴データを取得するステップ、放電期間データと走行位置特徴データを機械学習アルゴリズムによって得られるエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得るステップを実行させ、エネルギー消費予測モデルは、機械学習アルゴリズムによって得られる、コンピュータプログラム製品。
上記コンピュータ機器、コンピュータ読み取り可能な記憶媒体及びコンピュータプログラム製品は、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、エネルギー消費予測データを得ることにより、商用電気車両の走行経路は比較的固定されているため、走行経路に対応する走行位置特徴データはある程度で商用電気車両の実際運転環境を反映することができ、エネルギー消費予測データの精度を向上させるのに役立つ。
本願の実施例の技術的解決手段をより明らかに説明するために、以下に実施例に使用される図面を簡単に説明する。明らかに、以下に説明される図面は、本願の幾つかの実施例にすぎず、当業者にとって、創造的労力を要することなく、添付されるこれらの図面に基づいて、他の図面を得ることもできる。
本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測方法のフローチャートである。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測方法のフローチャートである。 本願の幾つかの実施例にかかるエネルギー消費予測モデルトレーニングのフローチャートである。 本願の幾つかの実施例にかかる過去単位時間のエネルギー消費データ分析のフローチャートである。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測方法のフローチャートである。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測方法のフローチャートである。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測方法のフローチャートである。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測方法のフローチャートである。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測装置の構成図である。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測装置の構成図である。 本願の幾つかの実施例にかかるエネルギー消費予測モデルの構成図である。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測装置の構成図である。 本願の幾つかの実施例にかかるエネルギー消費予測モジュールの構成図である。 本願の幾つかの実施例にかかる商用電気車両のエネルギー消費予測装置の構成図である。 本願の幾つかの実施例にかかるコンピュータ機器の内部構成図である。
本願の技術的解決手段及び利点をより明らかにするために、以下、図面及び実施例に合わせて、本願をさらに詳しく説明する。ここで説明される具体的な実施例は本願を解釈するものにすぎず、本願を限定するものではないことを理解されたい。
別段の定義がない限り、本明細書で使用されるすべての技術と科学用語は、当業者に一般的に理解されるものと同じ意味を有する。本明細書で使用される用語は、具体的な実施例を説明する目的にのみ使用され、本願を限定するものではない。本願の明細書、特許請求の範囲及び上記の図面に関する説明の「含む」、「有する」という用語及びそれらの任意の変形は、非排他的包含をカバーすることを意図する。
本願の実施例の説明において、「第１」「第２」などの技術用語は、異なるターゲットを区別することにのみ使用され、相対的な重要性又は示された技術的特徴の数、特定の順序又は優先順位の関係を示したり暗示したりするものとして理解することはできない。本願の実施例の説明において、別段の明確で具体的な限定がない限り、「複数」の意味は２つ以上である。同時に、本明細書で使用される「及び／又は」という用語は、列挙されている関連項目の任意及びすべての組み合わせを含む。
本願が提供する商用電気車両のエネルギー消費予測方法、装置、コンピュータ機器、コンピュータ読み取り可能な記憶媒体及びコンピュータプログラム製品は、電気公共交通、電気バス、地下鉄電気車両、主要鉄道電気車両、軽鉄道電気車両などを含むが、これらに限定されない様々な商用電気車両に適用可能である。
第１態様によれば、本願は、商用電気車両のエネルギー消費予測方法を提供し、該方法は、端末に応用されてもよく、サーバーに応用されてもよく、端末とサーバーとの相互作用を通じて実現してもよい。理解を便宜にするために、以下の説明は、該方法を端末に応用した場合を例とする。幾つかの実施例において、図１に示すように、該方法は、ステップＳ１０２～ステップＳ１０６を含む。
ステップＳ１０２：商用電気車両の放電期間データを取得する。
但し、放電期間データは、商用電気車両が設定された時間を計算周期として、各計算周期内の放電期間で構成されたデータセットを指す。該設定された時間は、半日、一日又は二日であってもよい。具体的には、放電期間データは、商用電気車両の充放電データから抽出することができる。充放電データは、充放電の開始時刻、終了時刻、充電容量及び各時刻に対応するＳＯＣ（Ｓｔａｔｅ ｏｆ Ｃｈａｒｇｅ、電池内の残留電荷の利用可能なパーセンテージ）などを含む。放電期間は、放電開始時刻と放電終了時刻との間の時間差である。
さらに、端末は、商用電気車両の充放電データを取得し、充放電データに対してデータ前処理を実施し、放電期間データを得ることができる。例えば、端末は、充放電データにおける重複とデータ情報不完全のデータ行を取り除いて、フィールド情報に基づいて、商用電気車両の放電時間帯での放電データを抽出し、さらに放電データにおける放電開始時刻と放電終了時刻に基づいて、放電期間を計算して得る。端末は、統計学規則に基づいて、計算して得られた放電期間内の異常値を取り除いてもよく、それにより異常データの影響を回避し、エネルギー消費予測精度をさらに向上させる。例えば、所定期間内の複数の計算周期における－１＊ｓｉｇｍａより小さく、及び＋３＊ｓｉｇｍａより大きい放電期間データを取り除くことができる。
説明すべきことは、設定された時間内に複数のサブ放電時間帯がある場合、各サブ放電時間帯のサブ放電期間を加算し、設定された時間内の放電期間を計算して得る。
ステップＳ１０４：商用電気車両の走行位置特徴データを取得する。
但し、ステップＳ１０４は、ステップＳ１０２の前、その後、又はステップＳ１０２と同期実行することができる。さらに、走行位置特徴データは、商用電気車両の様々な時刻の走行位置、及び該走行位置対応する天気データと地形データなどを含む。該天気データは、気温、湿度、気圧及び風速などの情報を含み、該地形データは、勾配、トラック抵抗と空気抵抗などの情報を含む。
具体的には、商用電気車両の走行経路は比較的固定されているため、端末は、過去同時期の走行位置特徴データを取得したり、まず予測される時間内の商用電気車両の走行経路を取得し、さらに走行経路上の車両走行の位置情報に基づいて、走行位置対応する天気データと地形データを関連付けて、該走行経路に対応する走行位置特徴データを取得したりできる。例えば、走行経路に対応する過去同時期の天気データ、及び走行経路に対応する地形データである。
さらに、端末が商用電気車両の放電期間データと走行位置特徴データを取得する具体的な方法は、能動的に取得してもよく、受動的に受け取ってもよい。
ステップＳ１０６：放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得る。
但し、エネルギー消費予測モデルは、機械学習アルゴリズムによって得られる。該機械学習アルゴリズムは、ニューラルネットワークアルゴリズム又は決定木アルゴリズムであってもよい。一実施例において、該機械学習アルゴリズムは、ＧＢＲＴ（Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔ Ｒｅｇｒｅｓｓｉｏｎ Ｔｒｅｅ、勾配ブースティング回帰木）アルゴリズムである。
具体的には、放電期間データと走行位置特徴データを、機械学習アルゴリズムによって得られたエネルギー消費予測モデルに代入して、商用電気車両のエネルギー消費予測データを得ることができる。
さらに、商用電気車両の走行経路が相対的に固定され、使用頻度が現在の業務量と運転中の車両の数の影響を受けやすいことを考慮すると、過去同時期の環境温度データ、及び最近の放電期間データをモデル独立変数として使用し、エネルギー消費予測モデルに代入することで、エネルギー消費予測の精度を向上させることができる。例えば、将来３か月のエネルギー消費を予測する必要がある時、過去３か月の放電期間と過去同期の環境温度を入力量として、エネルギー消費予測モデルに代入する。
また、端末がエネルギー消費予測データを得た後、さらに、該エネルギー消費予測データを出力してもよい。該エネルギー消費予測データの出力ターゲットは、記憶装置、表示装置又は通信装置であってもよい。また、端末は、通信装置を介してエネルギー消費予測データを他の端末に出力してもよい。
上記商用電気車両のエネルギー消費予測方法は、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、エネルギー消費予測データを得ることによって、一方では、商用電気車両の走行経路は比較的固定されているため、走行経路に対応する走行位置特徴データはある程度で商用電気車両の実際運転環境を反映することができ、エネルギー消費予測データの精度を向上させるのに役立ち、一方では、機械学習アルゴリズムによって得られたエネルギー消費予測モデルを使用してエネルギー消費を予測することにより、煩雑な数学的モデリングを省略し、精度を確保するとともに作業効率を向上させることができる。
説明すべきことは、機械学習アルゴリズムによって得られたエネルギー消費予測モデルの特徴は、設定された期間を周期とする連続的なエネルギー消費予測データを取得するために、放電期間データをエネルギー消費予測モデルに代入する前、データに対して補間処理を実施し、入力モデルの放電期間データが設定された期間を周期とする連続的なデータであることを確保し、エネルギー消費予測データの連続性をさらに確保することができ、また、非連続的な初期エネルギー消費予測データを得た後、初期エネルギー消費予測データに対して補間処理を実施し、設定された期間を周期とする連続的な商用電気車両のエネルギー消費予測データを得ることもできる。
幾つかの実施例において、図２に示すように、ステップＳ１０６の前に、該方法は、商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得るステップＳ１０５をさらに含む。但し、ステップＳ１０５は、ステップＳ１０２とステップＳ１０４の前、その後又は上記のステップと同期実行することができる。
但し、機械学習アルゴリズムの具体的な限定は上記の記述を参照し、ここではその説明を省略する。過去走行データは、商用電気車両の過去運転プロセスにおける実際データである。具体的には、端末は、商用電気車両の過去走行データと電池定格容量に基づいて、モデルをトレーニングするための実際のエネルギー消費データを得て、予め設定されたモデル損失関数を使用し、機械学習アルゴリズムに基づいてモデルをトレーニングし、エネルギー消費予測モデルを得る。
さらに、モデル損失関数は、具体的には、平均二乗誤差関数、絶対損失関数又は分位数損失関数などであってもよい。エネルギー消費予測モデルをＧＢＲＴモデルとして例を取り上げると、モデル損失関数の具体的な式は以下のとおりであってもよい。
但し、ｙは実際値であり、ｆ（ｘ）は予測値である。上記モデル損失関数に基づいて、予測値と実際値との差が最も小さくなりがちな損失関数に従って残差トレーニングを行い、ＧＢＲＴ回帰木をフィッティングし、エネルギー消費を予測するためのＧＢＲＴモデルを得ることができる。
上記実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得る前に、商用電気車両の過去走行データに基づいてモデルをトレーニングし、エネルギー消費予測モデルを得ることにより、商用電気車両のエネルギー消費予測方法の科学性を向上させるのに役立つ。
幾つかの実施例において、図３に示すように、ステップＳ１０５は、ステップＳ３０２～ステップＳ３０８を含む。
ステップＳ３０２：商用電気車両の過去走行データと電池定格容量を取得する。
但し、過去走行データは、過去充放電データと過去走行位置特徴データを含む。さらに、過去充放電データは、充放電の開始時刻、終了時刻、充電容量及び各時刻対応するＳＯＣなどを含む。電池定格容量は、定格条件下での電池の容量である。過去走行位置特徴データは、過去充放電データの時間ノードに対応する走行位置特徴データである。
ステップＳ３０４：過去充放電データと電池定格容量に基づいて、商用電気車両の過去単位時間のエネルギー消費データを計算して得る。
但し、商用電気車両の過去単位時間のエネルギー消費データは、過去の一定期間内に、設定された時間を周期とする商用電気車両の単位時間のエネルギー消費値からなるデータセットである。具体的には、端末は、過去充放電データに基づいて、設定された時間を計算周期として、各周期内の商用電気車両の過去エネルギー消費及び放電期間を得て、さらに商用電気車両の過去単位時間のエネルギー消費データを得ることができる。
さらに、端末は、過去充放電データと電池定格容量に基づいて、商用電気車両の過去単位時間のエネルギー消費データを得る具体的な方法は唯一ではない。一実施例において、端末は過去充放電データに基づいて放電開始と終了時刻のＳＯＣ差に電池定格容量を乗算し、設定された時間内の商用電気車両の過去放電量を得て、さらに対応する放電期間に合わせて、商用電気車両の所定期間内の過去単位時間のエネルギー消費を得る。但し、所定期間は、１か月、２か月又は３か月であってもよく、具体的にはエネルギー消費予測のニーズに応じて決定することができる。
ステップＳ３０６：過去単位時間のエネルギー消費データと走行位置特徴データに基づいて、過去エネルギー消費データを得る。
但し、過去エネルギー消費データは、過去単位時間のエネルギー消費データと過去走行位置特徴データを含む過去データである。具体的には、ステップＳ４０４で得られた所定期間内の複数の計算周期の過去単位時間のエネルギー消費データを、計算周期の時間ノードに従って、同じ商用電気車両の過去走行位置特徴データと合併し、時間、過去単位時間のエネルギー消費データ及び過去走行位置特徴データを含む過去エネルギー消費データを形成することができる。
ステップＳ３０８：過去エネルギー消費データと予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得る。
具体的には、過去エネルギー消費データに基づいて、予め設定されたモデル損失関数と機械学習アルゴリズムを使用してモデルをトレーニングし、エネルギー消費予測モデルを得ることができる。
上記実施例において、モデルトレーニングのプロセスでは、まず商用電気車両の過去単位時間のエネルギー消費データを計算して得て、次に過去単位時間のエネルギー消費データと過去走行位置特徴データに基づいて、モデルをトレーニングし、エネルギー消費予測モデルを得ることにより、単位時間のエネルギー消費と走行位置特徴との関係を正確に特徴付けることができ、エネルギー消費予測モデルと実際運転条件との一致度を向上させ、さらにモデルの予測精度を向上させるのに役立つ。
幾つかの実施例において、商用電気車両の過去走行データを取得することは、商用電気車両の元の過去走行データを取得することと、元の過去走行データを前処理し、商用電気車両の過去走行データを得ることと、を含む。
具体的には、端末は、商用電気車両の元の過去走行データを取得し、元の過去走行データに基づいてデータを前処理し、対応する商用電気車両の過去走行データを得ることができる。但し、元の過去走行データは、過去充放電データ、過去車両位置情報データ及び各車両位置に対応する天気データと地形データなどを含む。
例えば、４末は、過去充放電データを前処理し、重複とデータ情報不完全のデータ行を取り除いて、フィールド情報に基づいて、商用電気車両の各充電時間帯の充電データと各充電時間帯に対応する放電時間帯の放電データを抽出することができる。但し、データ情報不完全のデータ行は、日付が空のデータ行、充電時間帯又は放電時間帯データが欠落しているデータ行を含む。
上記実施例において、商用電気車両の元の過去走行データを取得した後、過去走行データを得るためにデータを前処理する必要があり、それにより重複又は情報不完全の過去走行データを回避し、モデルの予測精度及び予測効率を効果的に向上させることができる。
幾つかの実施例において、図４を参照し、ステップＳ３０４は、ステップＳ４０２～ステップＳ４０６を含む。
ステップＳ４０２：設定された時間を計算周期として、過去充放電データに基づいて商用電気車両の過去充電データと過去放電データを得る。
但し、充電データは、充電開始時刻、充電終了時刻、充電容量及び各時刻に対応するＳＯＣなどを含む。放電データは、放電開始時刻、放電終了時刻及び各時刻に対応するＳＯＣなどを含む。過去充電データと過去放電データは、それぞれ過去の一定時間内の実際充電データと実際放電データを指す。
具体的には、端末は、過去充放電データの情報に対して抽出及びデータ分類を実施する。「充電」フィールド情報を含むデータは充電データに分類され、「放電」フィールド情報を含むデータは放電データに分類される。さらに、設定された時間を周期として二次分類を実施し、複数の周期内の商用電気車両の過去充電データと過去放電データを得ることができる。
ステップＳ４０４：過去充電データと電池定格容量に基づいて、設定された時間内の商用電気車両の電池健康状態を得る。
但し、電池健康状態はＳＯＨ（Ｓｔａｔｅ ｏｆ Ｈｅａｌｔｈ）とも呼ばれ、新しい電池と比較して現在の電池の電気エネルギーの貯蔵能力を特徴付けることに用いられ、パーセンテージの形で現在の電池の性能状態を定量的に記述する。電池の健康状態は、温度、電流倍率、オフセット電圧などの様々な要因の影響を受け、電池寿命の開始から寿命の終了期間に動的に変化する。これらに基づいて、過去単位時間のエネルギー消費データの精度を向上させるために、端末は過去充電データと電池定格容量に基づいて、設定された時間内の商用電気車両の電池健康状態を計算して得る。
具体的には、電池健康状態の計算式は以下のとおりである。
式中、Ｑは充電容量、ｐａｃｋｃａｐは電池定格容量であり、
ステップＳ４０６：電池健康状態、電池定格容量及び過去充電データに対応する過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得る。
但し、充電データに対応する放電データは、現在の充電時間帯の充電終了時刻から次の充電時間帯の充電開始時刻までの間の放電データである。
具体的には、端末は、まず電池健康状態、電池定格容量及び放電開始時刻と放電終了時刻のＳＯＣ差に基づいて、商用電気車両の設定された時間内の過去エネルギー消費を得ることができ、さらに所定期間内の複数の計算周期の過去エネルギー消費と放電期間を統合し、商用電気車両の所定期間内の各計算周期の単位時間のエネルギー消費値を得る。一定期間内に、複数の計算周期の単位時間のエネルギー消費値からなるデータセットは、過去単位時間のエネルギー消費データである。
但し、設定された時間内のエネルギー消費Ｃの計算式は以下のとおりである。
式中、ｄｅｌｔ＿ｓｏｃ＿ｄｉｓｃｈａｒｇｅは放電開始時刻と放電終了時刻とのＳＯＣ差である。
単位時間のエネルギー消費値Ｃｐｅｒの計算式は以下のとおりである。
式中、ｈｏｕｒ＿ｄｉｓｃｈａｒｇｅは放電期間、即ち放電開始時刻と放電終了時刻との時間差である。
上記実施例において、商用電気車両の過去単位時間のエネルギー消費データの計算プロセスにおいて、車両のリアルタイムの電池健康状態を考慮することにより、過去単位時間のエネルギー消費データの精度を向上させ、さらにモデルの予測精度を向上させるのに役立つ。
幾つかの実施例において、所定時間内、１つの充電時間帯が複数のサブ放電時間帯に対応し、ステップＳ４０６において、電池健康状態、電池定格容量及び過去充電データに対応する過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることは、電池健康状態、電池定格容量及び各サブ放電時間帯の過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることを含む。
具体的には、設定された時間内、１つの充電時間帯が複数のサブ放電時間帯に対応する場合、各サブ放電時間帯の放電データに合わせて過去単位時間のエネルギー消費データを得る。電池健康状態、電池定格容量及び各サブ放電時間帯の過去放電データに合わせて、上記のエネルギー消費計算式を使用して各放電時間帯に対応するエネルギー消費をそれぞれ計算して得て、各放電時間帯のエネルギー消費を加算し、これらの放電時間帯の総エネルギー消費と総放電期間を得て、該総エネルギー消費を総放電期間で割って、単位時間のエネルギー消費値を得ることができる。また、各放電時間帯の放電データに基づいて、各サブ放電時間帯のサブ単位時間のエネルギー消費値をそれぞれ計算して得て、次に各サブ単位時間のエネルギー消費値の平均値又は中央値を充電時間帯に対応する放電時間帯の単位時間のエネルギー消費値とすることもできる。
上記実施例において、過去単位時間のエネルギー消費データを分析する時、設定された時間内の１つの充電時間帯が複数のサブ放電時間帯に対応する場合について、各サブ放電時間帯の過去放電データに合わせて最終的な過去単位時間のエネルギー消費データの分析を実現することができ、過去単位時間のエネルギー消費データの分析信頼性を効果的に向上させる。
幾つかの実施例において、設定された時間内、複数の充電時間帯があり、ステップＳ４０６は、電池健康状態、電池定格容量、各充電時間帯の過去充電データ及び各充電時間帯に対応する放電時間帯の過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることを含む。
具体的には、設定された時間内、複数の充電時間帯がある場合、各充電時間帯の充電データ及び該充電時間帯に対応する放電時間帯の放電データに基づいて、電池健康状態、電池定格容量及び上記のエネルギー消費計算式に合わせて、各充電時間帯に対応する放電時間帯のエネルギー消費をそれぞれ計算して得る。さらに、各充電時間帯に対応する放電時間帯のエネルギー消費に基づいて、区別処理を実施し、過去単位時間のエネルギー消費データを得る。
上記実施例において、過去単位時間のエネルギー消費データを分析する時、設定された時間内に複数の充電時間帯がある場合について、各充電時間帯に対応する放電時間帯の過去放電データに合わせて各放電時間帯のエネルギー消費をそれぞれ計算した後、最終的に過去単位時間のエネルギー消費データの分析を実現し、過去単位時間のエネルギー消費データの分析信頼性をさらに向上させることができる。
さらに、幾つかの実施例において、電池健康状態、電池定格容量、各充電時間帯の過去充電データ及び各充電時間帯に対応する放電時間帯の過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることは、電池健康状態、電池定格容量、各充電時間帯の過去充電データ及び各充電時間帯に対応する放電時間帯の過去放電データに基づいて、各充電時間帯に対応する放電時間帯のエネルギー消費を得ることと、各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が電池定格容量より小さい場合、最大エネルギー消費値に基づいて設定された時間内の過去単位時間のエネルギー消費データを計算することと、各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が電池定格容量以上で、且つ予め設定された倍数の電池定格容量より小さい場合、各充電時間帯に対応する放電時間帯のエネルギー消費の平均値に基づいて、設定された時間内の過去単位時間のエネルギー消費データを計算することと、各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が予め設定された倍数の電池定格容量以上である場合、対応する設定された時間内の過去充放電データを破棄することと、を含む。
但し、予め設定された倍数は、１．１、１．２又は１．３など、１より大きい実数である。各充電時間帯に対応する放電時間帯のエネルギー消費の計算方法は、上記エネルギー消費計算式に合わせて実現され、ここでその説明を省略する。また、単位時間のエネルギー消費値を計算する前に、統計学規則に基づいて、エネルギー消費と放電期間の異常値を処理することもでき、それにより異常データの影響を回避し、エネルギー消費予測精度をさらに向上させる。例えば、±３＊ｓｉｇｍａ又は他の規則を使用し、過去エネルギー消費における外れた値を取り除いて、±１＊ｓｉｇｍａ又は他の規則を使用し、過去エネルギー消費に対応する単位時間のエネルギー消費値における外れた値を取り除いて、－１＊ｓｉｇｍａより小さく＋３＊ｓｉｇｍａより大きい放電期間データを取り除くことができる。
上記実施例において、各充電時間帯に対応する放電時間帯のエネルギー消費に対して区別処理を実施し、その配置されている異なる区間に合わせて異なる過去単位時間のエネルギー消費データの分析を実現し、異常の場合には対応する周期内の過去充放電データを破棄することにより、過去単位時間のエネルギー消費データの分析精度を効果的に向上させることができる。
図５を参照し、幾つかの実施例において、ステップＳ１０６の後、過去エネルギー消費データをトレーニングセットとテストセットに分割し、トレーニングセットとエネルギー消費予測モデルに基づいてテストセットに対応するエネルギー消費予測データを得て、テストセット及びテストセットに対応するエネルギー消費予測データに基づいて、エネルギー消費予測データに対して修正処理を実施し、修正後のエネルギー消費予測データを得るステップＳ１０７をさらに含む。但し、ステップＳ１０７はステップＳ１０８の前に実行される。
具体的には、予め設定された比率に従って、過去エネルギー消費データをトレーニングセットとテストセットの２つの部分に分割し、トレーニングセットをエネルギー消費予測モデルに代入し、テストセットに対応するエネルギー消費予測データを得る。さらに、テストセットの実際エネルギー消費データを対応するエネルギー消費予測データと比較し、モデル予測誤差シーケンスを決定し、さらに該誤差シーケンスに基づいてエネルギー消費予測モデルの修正値を決定する。さらに、端末が該誤差シーケンスに基づいてエネルギー消費予測モデルの修正値を決定する方法は唯一ではない。例えば、誤差シーケンスの中央値又は平均値をエネルギー消費予測モデルの修正値としてもよい。
但し、モデル予測誤差シーケンスの誤差値の計算式は以下のとおりである。
ｅｒｒｏｒｉ＝Ｃｐ１ｉ－Ｃａｉ （５）
式中、ｅｒｒｏｒｉはテストセットのｉ個目のデータに対応する誤差値であり、Ｃａｉはテストセットのｉ個目の単位時間のエネルギー消費データの実際値であり、Ｃｐ１ｉはＣａｉに対応するエネルギー消費予測値である。
エネルギー消費予測モデルの修正値を得た後、さらに該修正値に基づいてエネルギー消費予測データに対して修正処理を実施し、得られた初期エネルギー消費予測値をエネルギー消費予測モデルの修正値に重ね合わせて、修正後のエネルギー消費予測値を得ることができる。即ち、式（５）に対応する最終的なエネルギー消費予測値は以下のとおりである。
Ｃｐｒｅｄｉｃｔ＿ｆｉｎａｌｉ＝Ｃｐｒｅｄｉｃｔ＿ｖａｌｕｅｉ－ｅｒｒｏｒ （６）
式中、ｅｒｒｏｒはエネルギー消費予測モデルの修正値であり、Ｃｐｒｅｄｉｃｔ＿ｖａｌｕｅｉは第ｉ個目の初期エネルギー消費予測値であり、Ｃｐｒｅｄｉｃｔ＿ｖａｌｕｅｉはＣｐｒｅｄｉｃｔ＿ｆｉｎａｌｉに対応する修正後のエネルギー消費予測値である。各修正後のエネルギー消費予測値を組み合わせてなるデータセットは、商用電気車両のエネルギー消費予測データである。
説明すべきことは、予め設定された比率の値は唯一ではない。例えば、４：１の予め設定された比率に従って、実際エネルギー消費データの８０％をトレーニングセットとし、残りの２０％をテストセットとしてもよいが、３：２の予め設定された比率に従って、実際エネルギー消費データの６０％をトレーニングセットとし、残りの４０％をテストセットとしてもよい。
上記実施例において、エネルギー消費予測データを得た後、さらに、トレーニングセットとテストセットに基づいてエネルギー消費予測結果に対して修正処理を実施することにより、商用電気車両のエネルギー消費予測方法の予測精度をさらに向上させることができる。
幾つかの実施例において、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入することは、放電期間データに対して補間処理を実施し、補間処理後の放電期間データを得て、補間処理後の放電期間データ及び走行位置特徴データをエネルギー消費予測モデルに代入することを含む。
但し、補間は、離散データに基づいて連続関数を内挿することを指す。これにより、この連続曲線は、指定されたすべての離散データポイントを通過する。補間処理により、限られた数の点での関数の値から、他の点での関数の近似値を推定することができる。
具体的には、過去充放電データにデータが欠落している可能性があり、実際の運転条件下で、設定された期間内に、放電時間帯データの欠落など、不完全なデータ情報が存在する可能性があるため、ステップＳ１０２で取得された放電期間データは、所定期間内の１つ又は複数の周期の計算値が欠落している非連続的なデータである可能性がある。これに基づいて、まず放電期間データに対して補間処理を実施し、差分処理後の設定された期間を周期とする連続放電期間データを得て、さらに該連続放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入する。
上記実施例において、放電期間データをエネルギー消費予測モデルに代入する前に、まず補間処理を実施することにより、入力モデルの放電期間データの連続性を確保し、エネルギー消費予測データの連続性をさらに確保することができ、商用電気車両のエネルギー消費予測方法の柔軟性を向上させるのに役立つ。
図６を参照し、幾つかの実施例において、ステップＳ１０６はステップＳ６０２とステップＳ６０４を含む。
ステップＳ６０２：放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両の初期エネルギー消費予測データを得る。
但し、初期エネルギー消費予測データはエネルギー消費予測モデルの予測値である。具体的には、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入すると、商用電気車両の初期エネルギー消費予測データを得ることができる。
ステップＳ６０４：初期エネルギー消費予測データを所定時間によりグループ化し、各グループの予め設定されたパーセンタイルを対応する所定時間内のエネルギー消費予測データとして取得する。
但し、放電期間データは、過去の所定期間内の複数の計算周期の実際データである。初期エネルギー消費予測データは、放電期間データに対応する複数の計算周期の予測データである。即ち、初期エネルギー消費予測データに将来の所定期間内の複数の計算周期の予測データが含まれる。さらに、一連のデータを小さいものから大きいものに並べ替え、対応する累積百分位を計算し、特定の百分位に対応するデータの値は、この百分位におけるパーセンタイルと呼ばれる。５０％より大きい予め設定されたパーセンタイルに対応する初期エネルギー消費予測値は、一連の初期エネルギー消費予測データの大きい値であることを理解すべきである。該予め設定されたパーセンタイルの具体的な値は唯一ではなく、例えば８５％分位、９０％分位又は９５％分位であってもよい。
具体的には、端末は、初期エネルギー消費データを所定時間によりグループ化して複数の予測データを得て、各グループのデータにおける大きい予め設定された分位数を該グループのエネルギー消費予測データとし、さらに所定期間内の商用電気車両のエネルギー消費予測データを得る。
説明すべきことは、上記に記述された所定期間、所定時間及び計算周期の３つの時間概念において、所定期間が最も長く、計算周期が最も短い。さらに、所定時間の値は唯一ではなく、所定期間と計算周期に応じて柔軟に設定できる。例えば、所定時間が３か月で、且つ計算周期が１日である場合、所定期間を１０日又は１５日に設定できる。
上記実施例において、エネルギー消費予測モデルに基づいて、初期エネルギー消費予測データを予測して得て、グループ化後に各グループにおける大きい予め設定されたパーセンタイルをエネルギー消費予測データとして取得することにより、ノイズ値の干渉を取り除いて、エネルギー消費予測データの精度を向上させることができる。
幾つかの実施例において、図７に示すように、ステップＳ１０６の後、該方法は、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定するステップＳ１０８をさらに含む。
但し、電池健康状態はＳＯＨとも呼ばれ、新しい電池と比較して現在の電池の電気エネルギーの貯蔵能力を特徴付けることに用いられ、パーセンテージの形で現在の電池の性能状態を定量的に記述する。電池の健康状態は、温度、電流倍率、オフセット電圧などの様々な要因の影響を受け、電池寿命の開始から寿命の終了期間に動的に変化する。
具体的には、端末は、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値に電池定格容量を乗算し、該計算周期内の電池の電量を得て、さらに同じ計算周期内のエネルギー消費予測データに合わせて、該商用電気車両に故障リスクがあるか否かを判断する。連続設定回数の計算周期内に予測された電池健康状態の推定値に対応する電池の電量がすべて対応する計算周期内のエネルギー消費予測値より小さい場合、該車両に高い故障リスクがあると判断する。該設定回数の具体的な値は、４、５又は６であってもよい。
さらに、商用電気車両の故障リスクを特定した後、警告情報を出力して、対応するリスク防止策を講じるようにユーザーに提示することもできる。例えば、該車両の監視頻度を増加するようにユーザーに提示するか、又は備品などを準備するようにユーザーに提示する。
上記実施例において、商用電気車両のエネルギー消費予測データを得た後、さらに、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定することで、ユーザーが適時に異常を検出し、対応する対策を講じることができ、商用電気車両の故障確率を低減し、車両の使用安全性を向上させるのに役立つ。
理解しやすくするために、以下、図８を参照し、商用電気車両のエネルギー消費予測方法を詳しく説明する。
端末は、商用電気車両の過去充放電データと過去走行特徴データを含む過去走行データと電池定格容量を取得する。但し、走行特徴データは、様々な時刻で商用電気車両の位置する都市、及びその都市に対応する気温を含む。過去走行データを取得した後、ますデータを前処理し、重複及び日付が空のデータ行を取り除いて、各車両の充放電時間帯データ情報を抽出し、各充電時間帯の開始ＳＯＣと終了ＳＯＣ、充電容量Ｑを抽出し、各放電時間帯の開始ＳＯＣと終了ＳＯＣ、放電時間帯の時間などの情報を抽出する。さらに、充放電時間帯のデータを合併し、各充電時間帯が少なくとも１つの放電時間帯に対応し、充電時間帯のみ又は放電時間帯のみを有するデータを破棄する。但し、充電時間帯に対応する放電時間帯は、現在の充電時間帯の充電終了時刻から次の充電時間帯の充電開始時刻までの放電データに対応する放電時間帯である。
対応する過去充放電データを得た後、次に過去充放電データに基づいて１日を計算周期として、車両の過去単位時間のエネルギー消費データを得る。具体的には、まず過去充電データと電池定格容量に基づいて、電池健康状態の式（２）によって計算周期内の商用電気車両の電池健康状態ＳＯＨを得て、続いて計算して得られたＳＯＨ、電池定格容量及び該充電データに対応する放電データを式（３）と式（４）に代入し、対応する計算周期内の車両的エネルギー消費Ｃと単位時間のエネルギー消費値Ｃｐｅｒを得る。
１つの計算周期内、１つの充電時間帯が複数のサブ放電時間帯に対応する場合、各サブ放電時間帯の放電データに合わせて単位時間のエネルギー消費値を計算する。具体的には、各放電時間帯のエネルギー消費を加算し、これらの放電時間帯の総エネルギー消費と放電総時間を得て、次に該総エネルギー消費を放電総時間で割って、単位時間のエネルギー消費値を得ることができる。また、各放電時間帯の放電データに基づいて、各サブ放電時間帯のサブ単位時間のエネルギー消費値をそれぞれ計算して得て、次に各サブ単位時間のエネルギー消費値の平均値又は中央値を充電時間帯に対応する放電時間帯の単位時間のエネルギー消費値とすることもできる。
１つの計算周期内、複数の充電時間帯がある場合、各充電時間帯の充電データ及び該充電時間帯に対応する放電時間帯の放電データに基づいて、各充電時間帯に対応する放電時間帯のエネルギー消費をそれぞれ計算して得る。さらに、各充電時間帯に対応する放電時間帯のエネルギー消費に基づいて、区別処理を実施する。即ち、各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が電池定格容量より小さい場合、該最大エネルギー消費値に基づいて、設定された時間内の単位時間のエネルギー消費値を計算する。各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が電池定格容量以上で、且つ１．２倍の電池定格容量より小さい場合、各充電時間帯に対応する放電時間帯のエネルギー消費の平均値に基づいて、設定された時間内の単位時間のエネルギー消費値を計算する。各充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が１．２倍の電池定格容量より大きい場合、エネルギー消費が異常と判断し、該計算周期内の充放電データを破棄する。
さらに、単位時間のエネルギー消費値を計算する前に、統計学規則に基づいて、エネルギー消費と放電期間の異常値を処理することもでき、それにより異常データの影響を回避し、エネルギー消費予測精度をさらに向上させる。例えば、±３＊ｓｉｇｍａ又は他の規則を使用し、過去エネルギー消費における外れた値を取り除いて、±１＊ｓｉｇｍａ又は他の規則を使用し、過去エネルギー消費に対応する過去単位時間のエネルギー消費値における外れた値を取り除いて、－１＊ｓｉｇｍａより小さく＋３＊ｓｉｇｍａより大きい過去放電期間データを取り除くことができる。
所定期間内の複数の計算周期の過去単位時間のエネルギー消費値に合わせて、商用電気車両の所定期間内の過去単位時間のエネルギー消費データを得ることができる。過去単位時間のエネルギー消費データを得た後、一方では、該過去単位時間のエネルギー消費データと過去走行データにおける対応する都市の環境温度データとを合併し、合併されたデータセットを得て、該合併されたデータセット及び予め設定されたモデル損失関数に基づいて、モデルをトレーニングしてＧＢＲＴモデルを得る。但し、モデル損失関数は式（１）である。一方では、商用電気車両の走行経路が相対的に固定され、使用頻度が現在の業務量と運転中の車両の数の影響を受けやすいことを考慮すると、過去放電期間データを線形補間し、最近の所定期間内の連続放電期間データを得て、該連続放電期間データ及び過去同時期の環境温度データを車両の将来のエネルギー消費の予測に使用する。具体的には、連続放電期間データ及び過去同時期の環境温度データを代入しトレーニングしてＧＢＲＴモデルを得ることで、将来の同時期のエネルギー消費予測データを得ることができる。トレーニングによって得られたＧＢＲＴモデルは、単位時間のエネルギー消費値と環境温度との関係を特徴付けることができ、これをもとに、過去同時期の環境温度データに基づいて、対応する単位時間のエネルギー消費データを得て、さらに最近の所定期間内の連続放電期間データに基づいて、将来の同時期のエネルギー消費予測データを得ることができることを理解することができる。
例えば、過去３か月の放電期間ｈｏｕｒ＿ｄｉｓｃｈａｒｇｅｔ及び過去同時期の環境温度ｔｅｍｐａｔｕｒｅｔをモデル入力のＸとする場合、将来の３か月エネルギー消費値Ｃ（ｔ）を得ることができる。
エネルギー消費予測データを得た後、エネルギー消費予測データを所定時間によりグループ化し、各グループの予め設定された９５％分位を対応する所定時間内のエネルギー消費予測データとする。例えば、将来３か月エネルギー消費予測データを１５日によりグループ化し、各グループの９５％分位を該グループのエネルギー消費予測値とする。
エネルギー消費予測データの精度をさらに向上させるために、４：１の比率によって、過去エネルギー消費データをトレーニングセットとテストセットの２つの部分に分割し、トレーニングセットをエネルギー消費予測モデルに代入し、テストセットに対応するエネルギー消費予測データを得る。さらに、テストセットの実際エネルギー消費データを対応するエネルギー消費予測データと比較し、式（５）によってモデル予測誤差シーケンスを決定する。最後に誤差シーケンスの中央値をエネルギー消費予測モデルの修正値に決定し、式（６）に基づいてエネルギー消費予測値を修正すると、修正後の最終的なエネルギー消費予測データを得ることができる。
また、修正後の最終的なエネルギー消費予測データを得た後、端末は、さらに商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値に電池定格容量を乗算し、該計算周期内の電池の電量を得て、さらに同じ計算周期内のエネルギー消費予測データに合わせて、該商用電気車両に故障リスクがあるか否かを判断する。連続５個の計算周期内に予測された電池健康状態の推定値に対応する電池の電量がすべて対応する計算周期内のエネルギー消費予測値より小さい場合、該車両に高い故障リスクがあると判断する。さらに、商用電気車両の故障リスクを特定した後、警告情報を出力して、対応するリスク防止策を講じるようにユーザーに提示することもできる。例えば、該車両の監視頻度を増加するようにユーザーに提示するか、又は備品などを準備するようにユーザーに提示する。
上記商用電気車両のエネルギー消費予測方法は、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、エネルギー消費予測データを得ることによって、一方では、商用電気車両の走行経路は比較的固定されているため、走行経路に対応する走行位置特徴データはある程度で商用電気車両の実際運転環境を反映することができ、エネルギー消費予測データの精度を向上させるのに役立ち、一方では、機械学習アルゴリズムによって得られたエネルギー消費予測モデルを使用してエネルギー消費を予測するとともに誤差項を導入し、煩雑な数学的モデリングを省略し、精度を確保するとともに作業効率を向上させることができる。また、商用電気車両のエネルギー消費予測データを得た後、さらに、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定することで、ユーザーが適時に異常を検出し、対応する対策を講じることができ、商用電気車両の故障確率を低減し、車両の使用安全性を向上させるのに役立つ。
上記の各実施例に関するフローチャートの各ステップは、矢印に従って順次表示されているが、これらのステップは、必ず矢印によって示される順序で実行されなければならないことを理解されたい。本明細書に明確に説明されていない限り、これらのステップの実行は、厳密に順次に制限されず、これらのステップは、他の順次で実行されてもよい。また、上記の各実施例に関するフローチャートの少なくとも一部のステップは、複数のステップ又は複数の段階を含んでもよく、これらのステップ又は段階は、必ずしも同じ時刻で実行及び完了する必要がなく、異なる時刻で実行されてもよく、これらのステップ又は段階の実行順序は必ずしも順序実行する必要がなく、他のステップ又は他のステップにおけるステップ又は段階の少なくとも一部と順番又は交互に実行されてもよい。
同様の発明思想に基づいて、第２態様によれば、本願の実施例は、上記の商用電気車両のエネルギー消費予測方法を実現するための商用電気車両のエネルギー消費予測装置をさらに提供する。該装置により提供される問題を解决する実施形態は、上記方法に記載されている実施形態と類似しているため、以下に提供される１つ又は複数の商用電気車両のエネルギー消費予測装置の実施例に対する具体的な限定は、前述の商用電気車両のエネルギー消費予測方法に対する限定を参照することができ、ここで、その説明を省略する。
幾つかの実施例において、図９に示すように、放電期間取得モジュール９０２、走行位置特徴取得モジュール９０４及びエネルギー消費予測モジュール９０６を含む商用電気車両のエネルギー消費予測装置９００を提供する。
放電期間取得モジュール９０２は、商用電気車両の放電期間データを取得することに用いられる。走行位置特徴取得モジュール９０４は、商用電気車両の走行位置特徴データを取得することに用いられる。エネルギー消費予測モジュール９０６は、放電期間データと走行位置特徴データを機械学習アルゴリズムによって得られるエネルギー消費予測モデルに代入し、商用電気車両のエネルギー消費予測データを得ることに用いられる。
図１０を参照し、幾つかの実施例において、商用電気車両のエネルギー消費予測装置７００は、商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得るためのエネルギー消費予測モデルのトレーニングモジュール９０５をさらに含む。
図１１を参照し、幾つかの実施例において、エネルギー消費予測モデルのトレーニングモジュール９０５は、商用電気車両の過去充放電データと過去走行位置特徴データを含む過去走行データと電池定格容量を取得するためのデータ取得ユニット１１２と、過去充放電データと電池定格容量に基づいて、商用電気車両の過去単位時間のエネルギー消費データを計算して得るためのエネルギー消費データ計算ユニット１１４と、過去単位時間のエネルギー消費データと過去走行位置特徴データに基づいて、過去エネルギー消費データを得るための過去エネルギー消費データ生成ユニット１１６と、過去エネルギー消費データと予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得るためのエネルギー消費予測モデルトレーニングユニット１１８と、を含む。
幾つかの実施例において、エネルギー消費データ計算ユニット１１４は、具体的には、設定された時間を周期として、過去充放電データに基づいて商用電気車両の過去充電データと過去放電データを得ることと、過去充電データと電池定格容量に基づいて、設定された時間内の商用電気車両の電池健康状態を得ることと、電池健康状態、電池定格容量及び過去充電データに対応する過去放電データに基づいて、商用電気車両の過去単位時間のエネルギー消費データを得ることと、に用いられる。
図１２を参照し、幾つかの実施例において、商用電気車両のエネルギー消費予測装置７００は、過去エネルギー消費データをトレーニングセットとテストセットに分割し、トレーニングセットとエネルギー消費予測モデルに基づいてテストセットに対応するエネルギー消費予測データを得て、テストセット及びテストセットに対応するエネルギー消費予測データに基づいて、エネルギー消費予測データに対して修正処理を実施し、修正後のエネルギー消費予測データを得るための修正モジュール１２２をさらに含む。
幾つかの実施例において、エネルギー消費予測モジュール９０６は、具体的には、放電期間データに対して補間処理を実施し、補間処理後の放電期間データを得て、補間処理後の放電期間データ及び走行位置特徴データをエネルギー消費予測モデルに代入することに用いられる。
図１３を参照し、幾つかの実施例において、エネルギー消費予測モジュール９０６は、放電期間データと走行位置特徴データをエネルギー消費予測モデルに代入し、商用電気車両の初期エネルギー消費予測データを得るための初期エネルギー消費予測データ生成ユニット１３２と、初期エネルギー消費予測データを所定時間によりグループ化し、各グループの予め設定されたパーセンタイルを対応する所定時間内のエネルギー消費予測データとして取得するためのエネルギー消費予測データ生成ユニット１３４と、を含み、予め設定されたパーセンタイルは５０％より大きい。
図１４を参照し、幾つかの実施例において、商用電気車両のエネルギー消費予測装置７００は、商用電気車両の電池健康状態の推定値を取得し、電池健康状態の推定値とエネルギー消費予測データに基づいて、商用電気車両の故障リスクを特定するための故障リスク特定モジュール１４２をさらに含む。
上記商用電気車両のエネルギー消費予測装置の各モジュールのすべて又は一部は、ソフトウェア、ハードウェア及びその組み合わせによって実現される。上記の各モジュールは、ハードウェアの形式によってコンピュータ機器のプロセッサに内蔵されるか、又は独立することができ、また、ソフトウェアの形式によってコンピュータ機器のメモリに記憶されることもでき、それにより、プロセッサが上記の各モジュールに対応する操作を呼び出して実行することは容易にする。
幾つかの実施例において、コンピュータ機器を提供する。該コンピュータ機器は端末であってもよく、その内部構成図は図１５に示されたものとしてもよい。該コンピュータ機器は、システムバスを介して接続されたプロセッサ、メモリ、通信インターフェース、ディスプレイパネル及び入力装置を含む。但し、該コンピュータ機器のプロセッサは、計算と制御機能を提供することに用いられる。該コンピュータ機器のメモリは、不揮発性記憶媒体、メモリを含む。該不揮発性記憶媒体にはオペレーティングシステムとコンピュータプログラムが記憶されている。該メモリは、不揮発性記憶媒体のオペレーティングシステムとコンピュータプログラムの実行に環境を提供する。該コンピュータ機器の通信インターフェースは、外部の端末と有線又は無線の方式によって通信することに用いられる。無線通信は、ＷＩＦＩ（登録商標）、モバイルセルラーネットワーク、ＮＦＣ（近距離無線通信）又は他の技術によって実現することができる。該コンピュータプログラムがプロセッサによって実行される時、商用電気車両のエネルギー消費予測方法を実現する。該コンピュータ機器のディスプレイパネルは、液晶ディスプレイパネル又は電子インクディスプレイパネルであってもよく、該コンピュータ機器の入力装置は、ディスプレイパネルに覆われたタッチ層であってもよく、コンピュータ機器のハウジングに設置されたボタン、トラックボール又はタッチパネルであってもよく、又は外部のキーボード、タッチパネル又はマウスなどであってもよい。
図１５に示される構造は、本願の方法に関連する一部構造のブロック図のみであり、本願の技術案が応用されるコンピュータ機器を限定するものではない。当業者であれば、具体的なコンピュータ機器は、図に示されるより多く又はより少ない部材、又は幾つかの部材の組み合わせ、又は異なる配置を有する部材を含み得ることを理解することができる。
幾つかの実施例において、コンピュータプログラムが記憶されたメモリとプロセッサを含むコンピュータ機器を提供する。該プロセッサがコンピュータプログラムを実行する時、上記の各方法の実施例のステップを実現する。
幾つかの実施例において、コンピュータプログラムが記憶されたコンピュータ読み取り可能な記憶媒体を提供する。該コンピュータプログラムがプロセッサによって実行される時、上記の各方法の実施例のステップを実現する。
幾つかの実施例において、コンピュータプログラムを含むコンピュータプログラム製品を提供する。該コンピュータプログラムがプロセッサによって実行される時、上記の各方法の実施例のステップを実現する。
当業者は、上記の実施例の方法におけるすべて又は一部のフローがコンピュータプログラムを介して関連するハードウェアに指示することによって実施でき、上記のコンピュータプログラムが不揮発性コンピュータ読み取り可能な記憶媒体に記憶されることができ、該コンピュータプログラムを実行する時、上記の各方法の実施例のフローを含んでもよいことを理解することができる。但し、本願により提供される各実施例で使用されるメモリ、データベース又は他の媒体に対する任意の参照はいずれも、不揮発性メモリと揮発性メモリのうちの少なくとも１種を含むことができる。不揮発性メモリは、読み取り専用メモリ（Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ、ＲＯＭ）、磁気テープ、フロッピーディスク、フラッシュメモリ、光メモリ、高密度埋め込み不揮発性メモリ、抵抗変化型メモリ（ＲｅＲＡＭ）、磁気変化型メモリ（Ｍａｇｎｅｔｏｒｅｓｉｓｔｉｖｅ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＭＲＡＭ）、強誘電体ランダムアクセスメモリ（Ｆｅｒｒｏｅｌｅｃｔｒｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＦＲＡＭ（登録商標））、相変化メモリ（Ｐｈａｓｅ Ｃｈａｎｇｅ Ｍｅｍｏｒｙ、ＰＣＭ）、グラフェンメモリなどを含んでもよい。揮発性メモリは、ランダムアクセスメモリ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＲＡＭ）又は外部キャッシュメモリなどを含んでもよい。限定ではなく例示として、ＲＡＭは、スタティックランダムアクセスメモリ（Ｓｔａｔｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＳＲＡＭ）又はダイナミックランダムアクセスメモリ（Ｄｙｎａｍｉｃ Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ、ＤＲＡＭ）など、様々な形態であってもよい。本願により提供される各実施例に関するデータベースは、リレーショナルデータベースと非リレーショナルデータベースのうちの少なくとも１種を含んでもよい。非リレーショナルデータベースは、ブロックチェーンに基づいた分散データベースなどを含んでもよいが、これに限定されない。本願により提供される各実施例に関するプロセッサは、汎用プロセッサ、中央処理装置、グラフィックプロセッサ、デジタルシグナルプロセッサ、プログラマブルロジックデバイス、量子計算に基づいたデータ処理ロジックデバイスなどであってもよいが、これらに限定されない。
上記の実施例の各技術的特徴を任意に組み合わせることができる。説明を簡潔化するために、上記の実施例の各技術的特徴のすべての可能な組み合わせを説明していないが、これらの技術的特徴の組み合わせに矛盾がない限り、すべてが本明細書に記載されている範囲に属すると見なされるべきである。
前述の実施例は、本願の幾つかの実施形態のみを記述しており、その説明は具体的で、詳細であるが、発明の特許請求の範囲を制限するものとして理解されるべきではない。指摘すべきことは、当業者にとって、本願の思想から逸脱することなく、幾つかの変形や改善を実施することができ、これらはすべて本願の保護範囲に属する。従って、本願の保護範囲は、添付されている特許請求の範囲に準じるべきである。

Claims (20)

  1. 商用電気車両のエネルギー消費予測方法であって、
    商用電気車両の放電期間データを取得することと、
    前記商用電気車両の走行位置特徴データを取得することと、
    前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得ることと、を含み、
    前記エネルギー消費予測モデルは、機械学習アルゴリズムに基づいて得られる、
    方法。
  2. 前述の前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得る前に、さらに、
    商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得ることを含む、
    請求項１に記載の方法。
  3. 前述の商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得ることは、
    商用電気車両の、過去充放電データ及び過去走行位置特徴データを含む過去走行データと電池定格容量を取得することと、
    前記過去充放電データと前記電池定格容量に基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを計算して得ることと、
    前記過去単位時間のエネルギー消費データと前記過去走行位置特徴データに基づいて、過去エネルギー消費データを得ることと、
    前記過去エネルギー消費データと予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得ることと、を含む、
    請求項２に記載の方法。
  4. 前述の商用電気車両の過去走行データを取得することは、
    商用電気車両の元の過去走行データを取得することと、
    前記元の過去走行データを前処理し、前記商用電気車両の過去走行データを得ることと、を含む、
    請求項３に記載の方法。
  5. 前述の前記過去充放電データと前記電池定格容量に基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを計算して得ることは、
    設定された時間を周期として、前記過去充放電データに基づいて、前記商用電気車両の過去充電データと過去放電データを得ることと、
    前記過去充電データと前記電池定格容量に基づいて、設定された時間内の前記商用電気車両の電池健康状態を得ることと、
    前記電池健康状態、前記電池定格容量及び前記過去充電データに対応する過去放電データに基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを得ることと、を含む、
    請求項３に記載の方法。
  6. 前記所定時間内、１つの充電時間帯は複数のサブ放電時間帯に対応し、前述の前記電池健康状態、前記電池定格容量及び前記過去充電データに対応する過去放電データに基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを得ることは、
    前記電池健康状態、前記電池定格容量及び各前記サブ放電時間帯の過去放電データに基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを得ることを含む、
    請求項５に記載の方法。
  7. 前記所定時間内、複数の充電時間帯があり、前述の前記電池健康状態、前記電池定格容量及び前記過去充電データに対応する過去放電データに基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを得ることは、
    前記電池健康状態、前記電池定格容量、各前記充電時間帯の過去充電データ及び各前記充電時間帯に対応する放電時間帯の過去放電データに基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを得ることを含む、
    請求項５に記載の方法。
  8. 前述の前記電池健康状態、前記電池定格容量、各前記充電時間帯の過去充電データ及び各前記充電時間帯に対応する放電時間帯の過去放電データに基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを得ることは、
    前記電池健康状態、前記電池定格容量、各前記充電時間帯の過去充電データ及び各前記充電時間帯に対応する放電時間帯の過去放電データに基づいて、各前記充電時間帯に対応する放電時間帯のエネルギー消費を得ることと、
    各前記充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が前記電池定格容量より小さい場合、前記最大エネルギー消費値に基づいて前記設定された時間内の過去単位時間のエネルギー消費データを計算することと、
    各前記充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が前記電池定格容量以上で、且つ予め設定された倍数の前記電池定格容量より小さい場合、各充電時間帯に対応する放電時間帯のエネルギー消費の平均値に基づいて、前記設定された時間内の過去単位時間のエネルギー消費データを計算することと、
    各前記充電時間帯に対応する放電時間帯のエネルギー消費のうち、最大エネルギー消費値が予め設定された倍数の前記電池定格容量以上である場合、対応する設定された時間内の過去充放電データを破棄することと、を含む、
    請求項７に記載の方法。
  9. 前述の前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得た後、さらに、
    前記過去エネルギー消費データをトレーニングセットとテストセットに分割し、前記トレーニングセットと前記エネルギー消費予測モデルに基づいて前記テストセットに対応するエネルギー消費予測データを得ることと、
    前記テストセット及び前記テストセットに対応するエネルギー消費予測データに基づいて、前記エネルギー消費予測データに対して修正処理を実施し、修正後のエネルギー消費予測データを得ることと、を含む、
    請求項３～８のいずれか１項に記載の方法。
  10. 前述の前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入することは、
    前記放電期間データに対して補間処理を実施し、補間処理後の放電期間データを得て、前記補間処理後の放電期間データ及び前記走行位置特徴データをエネルギー消費予測モデルに代入することを含む、
    請求項１～８のいずれか１項に記載の方法。
  11. 前述の前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得ることは、
    前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両の初期エネルギー消費予測データを得ることと、
    前記初期エネルギー消費予測データを所定時間によりグループ化し、各グループの予め設定されたパーセンタイルを対応する所定時間内のエネルギー消費予測データとして取得することと、を含み、
    前記予め設定されたパーセンタイルは５０％より大きい、
    請求項１～８のいずれか１項に記載の方法。
  12. 前述の前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得た後、さらに、
    前記商用電気車両の電池健康状態の推定値を取得し、前記電池健康状態の推定値と前記エネルギー消費予測データに基づいて、前記商用電気車両の故障リスクを特定することを含む、
    請求項１～８のいずれか１項に記載の方法。
  13. 商用電気車両のエネルギー消費予測装置であって、
    商用電気車両の放電期間データを取得するための放電期間取得モジュールと、
    前記商用電気車両の走行位置特徴データを取得するための走行位置特徴取得モジュールと、
    前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得るためのエネルギー消費予測モジュールと、を含み、
    前記エネルギー消費予測モデルは、機械学習アルゴリズムに基づいて得られる、
    装置。
  14. 前記装置は、さらに、
    商用電気車両の過去走行データ、電池定格容量及び予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得るための、エネルギー消費予測モデルのトレーニングモジュールを含む、
    請求項１３に記載の装置。
  15. 前記エネルギー消費予測モデルのトレーニングモジュールは、
    商用電気車両の、過去充放電データと過去走行位置特徴データを含む過去走行データと電池定格容量を取得するデータ取得ユニットと、
    前記過去充放電データと前記電池定格容量に基づいて、前記商用電気車両の過去単位時間のエネルギー消費データを計算して得るエネルギー消費データ計算ユニットと、
    前記過去単位時間のエネルギー消費データと前記過去走行位置特徴データに基づいて、過去エネルギー消費データを得る過去エネルギー消費データ生成ユニットと、
    前記過去エネルギー消費データと予め設定されたモデル損失関数に基づいて、機械学習アルゴリズムによってモデルをトレーニングし、エネルギー消費予測モデルを得るエネルギー消費予測モデルトレーニングユニットと、を含む、
    請求項１４に記載の装置。
  16. 前記装置は、さらに、
    前記過去エネルギー消費データをトレーニングセットとテストセットに分割し、前記トレーニングセットと前記エネルギー消費予測モデルに基づいて前記テストセットに対応するエネルギー消費予測データを得て、前記テストセット及び前記テストセットに対応するエネルギー消費予測データに基づいて、前記エネルギー消費予測データに対して修正処理を実施し、修正後のエネルギー消費予測データを得るための修正モジュールを含む、
    請求項１３～１５のいずれか１項に記載の装置。
  17. 前記装置は、さらに、
    前記商用電気車両の電池健康状態の推定値を取得し、前記電池健康状態の推定値と前記エネルギー消費予測データに基づいて、前記商用電気車両の故障リスクを特定するための故障リスク特定モジュールを含む、
    請求項１３～１５のいずれか１項に記載の装置。
  18. コンピュータ読み取り可能な命令が記憶されたメモリ及び１つ又は複数のプロセッサを含むコンピュータ機器であって、
    前記コンピュータ読み取り可能な命令が前記１つ又は複数のプロセッサによって実行される時、前記１つ又は複数のプロセッサに、
    商用電気車両の放電期間データを取得するステップ、
    前記商用電気車両の走行位置特徴データを取得するステップ、及び
    前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得るステップ、を実行させ、
    前記エネルギー消費予測モデルは、機械学習アルゴリズムに基づいて得られる、
    コンピュータ機器。
  19. コンピュータ読み取り可能な命令が記憶された１つ又は複数の不揮発性コンピュータ読み取り可能な記憶媒体であって、
    前記コンピュータ読み取り可能な命令が１つ又は複数のプロセッサによって実行される時、前記１つ又は複数のプロセッサに、
    商用電気車両の放電期間データを取得するステップ、
    前記商用電気車両の走行位置特徴データを取得するステップ、及び
    前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得るステップ、を実行させ、
    前記エネルギー消費予測モデルは、機械学習アルゴリズムに基づいて得られる、
    コンピュータ読み取り可能な記憶媒体。
  20. コンピュータプログラムを含むコンピュータプログラム製品であって、
    前記コンピュータプログラムが１つ又は複数のプロセッサによって実行される時、前記１つ又は複数のプロセッサに、
    商用電気車両の放電期間データを取得するステップ、
    前記商用電気車両の走行位置特徴データを取得するステップ、及び
    前記放電期間データと前記走行位置特徴データをエネルギー消費予測モデルに代入し、前記商用電気車両のエネルギー消費予測データを得るステップ、を実行させ、
    前記エネルギー消費予測モデルは、機械学習アルゴリズムに基づいて得られる、
    コンピュータプログラム製品。
JP2022548244A 2022-01-07 2022-06-02 商用電気車両のエネルギー消費予測方法、装置及びコンピュータ機器 Pending JP2024508198A (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN202210016220.8A CN115808922B (zh) 2022-01-07 2022-01-07 商用电动车辆能耗预测方法、装置和计算机设备
CN202210016220.8 2022-01-07
PCT/CN2022/096746 WO2023130659A1 (zh) 2022-01-07 2022-06-02 商用电动车辆能耗预测方法、装置和计算机设备

Publications (1)

Publication Number Publication Date
JP2024508198A true JP2024508198A (ja) 2024-02-26

Family

ID=87069898

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022548244A Pending JP2024508198A (ja) 2022-01-07 2022-06-02 商用電気車両のエネルギー消費予測方法、装置及びコンピュータ機器

Country Status (4)

Country Link
US (1) US20230222852A1 (ja)
EP (1) EP4235338A4 (ja)
JP (1) JP2024508198A (ja)
KR (1) KR20230107471A (ja)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5454537B2 (ja) * 2011-09-22 2014-03-26 株式会社デンソー 電動車両の充電制御システム
JP5631367B2 (ja) * 2012-08-09 2014-11-26 本田技研工業株式会社 経路探索装置
US9061599B2 (en) * 2013-01-11 2015-06-23 Johnson Controls Technology Company System and method for optimizing the storing of vehicular energy
US9476719B2 (en) * 2014-08-29 2016-10-25 Ford Global Technologies, Llc Route-based distance to empty calculation for a vehicle
GB2586655B (en) * 2019-09-02 2021-10-20 Siemens Plc Method and system for predicting battery degredation
CN112078431B (zh) * 2020-08-19 2022-02-25 大众问问(北京)信息科技有限公司 一种车辆能耗预测和能源补充方法及相关设备
CN113428159A (zh) * 2021-05-28 2021-09-24 合肥国轩高科动力能源有限公司 一种车辆能耗分析方法

Also Published As

Publication number Publication date
KR20230107471A (ko) 2023-07-17
US20230222852A1 (en) 2023-07-13
EP4235338A4 (en) 2023-11-22
EP4235338A1 (en) 2023-08-30

Similar Documents

Publication Publication Date Title
Yi et al. Electric vehicle charging demand forecasting using deep learning model
WO2023130659A1 (zh) 商用电动车辆能耗预测方法、装置和计算机设备
Yang et al. Probabilistic short-term wind power forecast using componential sparse Bayesian learning
Bi et al. Residual range estimation for battery electric vehicle based on radial basis function neural network
CN112540317A (zh) 基于实车数据的电池健康状态估计与剩余寿命预测方法
CN114707772B (zh) 基于多特征分解与融合的电力负荷预测方法及***
Unterluggauer et al. Short‐term load forecasting at electric vehicle charging sites using a multivariate multi‐step long short‐term memory: A case study from Finland
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法
WO2023221587A1 (zh) 电动车辆的动力电池的健康状态确定方法及服务器
Fan et al. Predicting vacant parking space availability: a long short-term memory approach
WO2018035087A1 (en) System and method for estimating and predicting vehicle trip energy consumption
Iftikhar et al. A prediction-based smart meter data generator
CN114290960A (zh) 获取动力电池的电池健康度的方法、装置和车辆
CN110210980A (zh) 一种驾驶行为评估方法、装置和存储介质
Wang et al. A fusion prognostics strategy for fuel cells operating under dynamic conditions
CN115587673A (zh) 一种电压互感器误差状态预测方法及***
Xiyun et al. Wind power probability interval prediction based on bootstrap quantile regression method
CN109583086A (zh) 配电变压器重过载预测方法及终端设备
CN115389954A (zh) 一种电池容量的估算方法、电子设备及可读存储介质
He et al. Full-process electric vehicles battery state of health estimation based on Informer novel model
CN117665620A (zh) 基于新能源汽车数据的电池健康度评估方法
Yamaguchi et al. Real-time prediction for future profile of car travel based on statistical data and greedy algorithm
JP2024508198A (ja) 商用電気車両のエネルギー消費予測方法、装置及びコンピュータ機器
CN112256735B (zh) 一种用电监测方法、装置、计算机设备和存储介质
Feng et al. Understanding detour behavior in taxi services: A combined approach

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220808

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240305

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240425

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240723