基于大数据的电堆能耗分析制造技术

本发明专利技术提供了基于大数据的电堆能耗分析预测系统，其从海量数据中提取出车内状态信息以及车外环境信息感知等与氢能源能耗相关的多种因素，基于一种强化学习的特征选择方法对这些相关因素进一步筛选，从而挖掘出影响氢燃料电堆能耗的重要特征，并结合基于GRU模型的循环神经网络实现对氢燃料电池的能耗动态分析，预测电堆的能耗趋势，为后续进行加氢需求测算、生态轨迹规划和电池能量管理等奠定基础，对推广和普及氢燃料车辆具有重要意义。对推广和普及氢燃料车辆具有重要意义。对推广和普及氢燃料车辆具有重要意义。

【技术实现步骤摘要】
基于大数据的电堆能耗分析


[0001]本专利技术属于氢燃料电堆能耗分析
，具体涉及一种基于新能源汽车大数据对所述电堆的能耗进行分析预测的系统。

技术介绍

[0002]对于纯电力驱动的新能源汽车来说，能源消耗是在现阶段电动汽车驾驶员、汽车制造商和决策者所最关心的关键性能指标，在真实驾驶条件下能否准确、实时地预测能耗对于缓解“里程焦虑”至关重要。然而，现有的电堆能耗分析大多在典型工况基础上进行，对内外部影响因素的综合研究甚少，且小数据量的试验性研究存在偶然性误差。绝大部分现有技术仍然集中于锂离子动力电池的能耗分析预测，对于氢燃料则鲜少涉及。而对于氢燃料这种高能效、低污染这种代表新能源领域发展方向的能源，如何有针对性地提供一种适合氢燃料电堆能耗的分析预测方式，是本领域中亟待解决的技术问题。

技术实现思路

[0003]针对上述本领域中存在的技术问题，本专利技术提供了一种基于大数据的电堆能耗分析预测系统，具体包括以下组成部分：
[0004]数据采集与处理模块、特征选择模块、能耗预测模型模块；
[0005]其中，所述数据采集与处理模块用于监测氢燃料车辆状态，针对与电堆能耗相关的特征数据进行采集与存储操作，所述数据包括：车辆相关特征数据、环境相关特征数据以及驾驶员相关特征数据；对各相关特征数据执行预处理，剔除无效数据并采用先聚类后插值的方式填充缺失数据；针对预处理后的相关特征数据所对应的连续工况，从中分别提取构建训练集、验证集与测试集；
[0006]所述特征选择模块用于根据每个特征与电堆能耗的相关程度，从训练集的全部相关特征中选取若干特征构成的特征集合，以降低所述能耗预测模型模块的模型训练难度和提升能耗预测精度；
[0007]所述能耗预测模型模块利用所述特征集合对基于循环神经网络的电堆能耗预测模型进行训练；模型训练好后利用所述验证集对模型参数进行调整优化，并指导所述特征选择模块更新所选取的特征集合；利用所述测试集对所述模型的性能进行测试。
[0008]进一步地，所述数据采集与处理模块采集的车辆相关特征数据具体包括：动力模式(DM
t
)，单体电池的实时电压(V
t
)、温度(T
t
)、电流(C
t
)，车速(v
t
)，车加速度(a
t
)，制动能量再生系统实时电压(BERS_V
t
)、电流(BERS_C
t
)、功率(BERS_P
t
)，电力负载工作状态(PL
t
)，氢燃料系统温度(HS_T
t
)、氢气压力(HS_P
t
)、浓度(HS_C
t
)，整车质量(Q
t
)，氢燃料消耗速率(H_rate
t
)；所述环境相关特征数据具体包括：环境温度(DM
t
)，空气阻力(DM
t
)，坡度阻力(DM
t
)，交通状况(DM
t
)，道路状况(DM
t
)；所述驾驶员相关特征数据具体包括：车辆的运行模式(OM
t
)，挡位(Gx
t
)，加氢习惯(HH
t
)，路线规划(RP
t
)；
[0009]其中，所述动力模式采用离散编码，包括：0
‑
纯氢燃料车辆，1
‑
氢电混合车辆，2
‑
带
能量回收功能的车辆；所述车辆的运行模式采用离散编码，包括：0
‑
普通模式，1
‑
经济模式，3
‑
运动模式；所述环境温度(DM
t
)，空气阻力(DM
t
)，坡度阻力(DM
t
)，交通状况(DM
t
)，道路状况(DM
t
)等数据采集于百度API并作换算。
[0010]进一步地，所述对各相关特征数据执行预处理具体包括：
[0011]首先从车辆日数据中剔除无行驶记录或者行驶里程大于800km的车辆数据。将日志数据通过滑动窗口进行数据切分，具体以半个小时为时间窗口，滑动步长为10分钟，最终针对每辆车每天得到143个工况片段；剔除工况片段中任意特征缺失率大于10％的车辆数据，然后针对某车历史数据，通过聚类算法和无缺失特征将其工况片段划分为1000类，缺失值使用类内的齐备工况片段进行插值修复；使用公式：将特征值归一化到[0,1]范围，其中X为原始特征值，X
max
为该特征极大值，X
min
为该特征极小值；将特征动力模式(DM
t
)、车辆的运行模式(OM
t
)、路线规划(RP
t
)的道路类型等类型特征采用独热编码。
[0012]进一步地，所述特征选择模块基于强化学习算法选取特征子集，具体包括以下步骤：
[0013]1)计算每个相关特征的信息熵其中p(x
i
)为特征数值等于x
i
的概率；以及，计算每两个特征之间的Pearson相关系数其中cov(X，Y)为特征向量X,Y之间的协方差，σ
X
、σ
Y
分别为X,Y的标准差；
[0014]2)随机初始化当前选择特征子集方案数组F＝{f
DM
，f
V
，f
T
，...，f
RP
}，数组维度等于特征数量，各数组元素采用0
‑
1编码，0表示不选择该特征，1表示选择该特征；
[0015]3)设当前状态为S
t
，从未被选择的特征子集中选择信息熵最大的特征元素f
in
，执行动作a
t
：编码0改为编码为1；从已选择的特征子集中选择与其他特征Pearson相关系数的和最大的特征元素f
out
，执行动作a
t
：从编码1改为编码0，执行完动作后特征选择状态设为S
t+1
；按照下式计算上述动作带来的收益，并选择能带来最大收益的动作：
[0016]Q(S
t
，a
t
)＝(1
‑
ε)Q(S
t
，a
t
)+ε(R(S
t
，a
t
)+γ(maxQ(S
t+1
，a
t+1
)))
[0017]其中，ε(0＜ε＜1)是控制强化学习算法收敛的学习率，γ(0≤γ≤1)为折扣系数，R(S
t
，a
t
)为当前选择特征或者去除特征带来的收益，Q(S
t
，a
t
)表示选择并执行动作后的即时收益与之后周期执行最优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于大数据的电堆能耗分析预测系统，其特征在于：具体包括以下组成部分：数据采集与处理模块、特征选择模块、能耗预测模型模块；其中，所述数据采集与处理模块用于监测氢燃料车辆状态，针对与电堆能耗相关的特征数据进行采集与存储操作，所述数据包括：车辆相关特征数据、环境相关特征数据以及驾驶员相关特征数据；对各相关特征数据执行预处理，剔除无效数据并采用先聚类后插值的方式填充缺失数据；针对预处理后的相关特征数据所对应的连续工况，从中分别提取构建训练集、验证集与测试集；所述特征选择模块用于根据每个特征与电堆能耗的相关程度，从训练集的全部相关特征中选取若干特征构成的特征集合，以降低所述能耗预测模型模块的模型训练难度和提升能耗预测精度；所述能耗预测模型模块利用所述特征集合对基于循环神经网络的电堆能耗预测模型进行训练；模型训练好后利用所述验证集对模型参数进行调整优化，并指导所述特征选择模块更新所选取的特征集合；利用所述测试集对所述模型的性能进行测试。2.如权利要求1所述的系统，其特征在于：所述数据采集与处理模块采集的车辆相关特征数据具体包括：动力模式，单体电池的实时电压、温度、电流，车速，车加速度，制动能量再生系统实时电压、电流、功率，电力负载工作状态，氢燃料系统温度、氢气压力、浓度，整车质量，氢燃料消耗速率；所述环境相关特征数据具体包括：环境温度，空气阻力，坡度阻力，交通状况，道路状况；所述驾驶员相关特征数据具体包括：车辆的运行模式，挡位，加氢习惯，路线规划；其中，所述动力模式采用离散编码，包括：0
‑
纯氢燃料车辆，1
‑
氢电混合车辆，2
‑
带能量回收功能的车辆；所述车辆的运行模式采用离散编码，包括：0
‑
普通模式，1
‑
经济模式，3
‑
运动模式；所述环境温度，空气阻力，坡度阻力，交通状况，道路状况数据采集于百度API并作换算。3.如权利要求1所述的系统，其特征在于：所述对各相关特征数据执行预处理具体包括：首先从车辆日数据中剔除无行驶记录或者行驶里程大于800km的车辆数据，将日志数据通过滑动窗口进行数据切分，具体以半个小时为时间窗口，滑动步长为10分钟，最终针对每辆车每天得到143个工况片段；剔除工况片段中任意特征缺失率大于10％的车辆数据，然后针对某车历史数据，通过聚类算法和无缺失特征将其工况片段划分为1000类，缺失值使用类内的齐备工况片段进行插值修复；使用公式：将特征值归一化到[0，1]范围，其中X为原始特征值，X
max
为该特征极大值，X
min
为该特征极小值；将特征动力模式、车辆的运行模式、路线规划的道路类型特征采用独热编码。4.如权利要求1所述的系统，其特征在于：所述特征选择模块基于强化学习算法选取特征子集，具体包括以下步骤：1)计算每个相关特征的信息熵其中p(x
i
)为特征数值等于x
i
的概率；以及，计算每两个特征之间的Pearson相关系数其中cov(X，Y)为特征向量X，Y之间的协方差，σ
X
、σ
Y
分别为X，Y的标准差；
2)随机初始化当前选择特征子集方案数组F＝{f
DM
，f
V
，f
T
，...，f
RP
}，数组维度等于特征数量，各数组元素采用0
‑
1编码，0表示不选择该特征，1表示选择该特征；3)设当前状态为S
t
，从未被选择的特征子集中选择信息熵最大的特征元素f
in
，执行动作a
t
：编码0改为编码为1；从已选择的特征子集中选择与其他特征Pearson相关系数的和最大的特征元素f
out
，执行...

【专利技术属性】
技术研发人员：王震坡，龙超华，刘鹏，阮旭松，杨永刚，杨学森，
申请(专利权)人：北理新源佛山信息科技有限公司，
类型：发明
国别省市：