电池续航距离的预估方法、系统、电子设备和存储介质技术方案

本申请涉及一种电池续航距离的预估方法、系统、电子设备和存储介质，该方法相比于相关技术，分别以电池特征和用户特征为节点，以电池特征和用户特征之间的关联信息为边，构建用户换电的属性网络；得到用户特征的第一嵌入表示，和电池特征的第二嵌入表示；根据属性网络，获取用户每次换电的实际移动距离，并基于实际移动距离确定最大移动距离。解决了相关技术中复杂环境下SOD预估方法结果不够准确的问题，充分利用骑手的骑行习惯信息、车辆的信息、电池的健康状态信息，构建了人

【技术实现步骤摘要】
电池续航距离的预估方法、系统、电子设备和存储介质


[0001]本申请涉及人工智能领域，特别是涉及一种电池续航距离的预估方法、系统、电子设备和存储介质。

技术介绍

[0002]电池的续航距离（State of Duration，SOD）是一个重要的属性参数，续航距离是指设备在使用电池供电时可以连续工作的时间或距离。通常，电池的续航距离是根据电池的容量和设备的功耗来估算的，在相关技术中，电池续航距离的预估方法包括：1.根据各个器件电流、电压情况计算功率，进而得到所有器件的累计功率；使用电池总能量（mWh）除以累计功率估算出续航时间；进一步的，再根据续航时间乘以时速即可预估电池的续航距离；该方法由于没有考虑各个电源器件的电压转换效率，导致估算的结果偏差会较大。
[0003]2.在获取电池端电流情况之后，通过电池总容量（mAh）和电流（mA）估得到续航时间，再根据续航时间乘以时速即可预估电池的续航距离。
[0004]上述两种方案都是在实验室的标准环境下进行预估，而在实际应用中，环境复杂，影响电池续航距离的因素众多，例如：车辆的型号、控制器、新旧程度、骑手的骑行习惯、电池健康度 SOH、当前容量 SOC 等。导致上述预估的方法，均存在预估结果不准确的问题。
[0005]目前针对电池续航距离的预估方法存在的结果不准确的问题，尚未提出有效的解决方案。

技术实现思路

[0006]本申请实施例提供了一种电池续航距离的预估方法、系统、电子设备和计算机可读存储介质，以至少解决相关技术中电池续航距离的预估方法存在的结果不准确的问题。
[0007]第一方面，本申请实施例提供了一种电池续航距离的预估方法，所述方法包括：分别以电池特征和用户特征为节点，以所述电池特征和所述用户特征之间的关联信息为边，构建用户换电的属性网络；通过预建图神经网络对所述属性网络进行处理，得到所述用户特征的第一嵌入表示，和所述电池特征的第二嵌入表示；根据所述属性网络，获取用户每次换电的实际移动距离，并基于所述实际移动距离确定最大移动距离；从所述属性网络中获取边特征，根据所述边特征、所述第一嵌入表示和所述第二嵌入表示，得到用户每次换电的样本特征；
[0008]根据所述样本特征和所述最大移动距离，训练预建MLP网络，以得到电池续航距离预估模型，通过电池续航距离预估模型进行电池续航距离预估。
[0009]在其中一些实施例中，通过预建图神经网络对所述属性网络进行处理，得到所述
用户特征的第一嵌入表示，和所述电池特征的第二嵌入表示包括：在所述属性网络中，分别获述电池节点的二阶邻居聚合和用户节点的二阶邻居聚合；通过所述预建图神经网络中的MLP网络层，分别根据所述电池节点的二阶邻居聚合和所述用户节点的二阶邻居聚合，得到第一嵌入表示和所述第二嵌入表示。
[0010]在其中一些实施例中，得到第一嵌入表示和所述第二嵌入表示，所述方法还包括：通过所述MLP网络层，根据所述第一嵌入表示、第二嵌入表示和模型参数，分别获取所述用户节点和所述电池节点的重构特征；根据所述用户特征、所述电池特征和所述重构特征，最小化所述属性网络的重构误差；基于所述最小化之后的重构误差，通过反向传播算法优化所述预建图神经网络的模型参数；根据优化模型参数之后的所述预建图神经网络，获取优化之后的第一嵌入表示和第二嵌入表示。
[0011]在其中一些实施例中，在所述属性网络中，分别获取电池节点的二阶邻居聚合和用户节点的二阶邻居聚合包括：获取所述用户节点和所述电池节点的一阶邻居节点，将所述用户节点或所述电池节点的特征，与其一阶邻居节点的特征合并，得到特征集合，获取所述特征集合的特征均值，通过所述图神经网络的全连接层对所述特征均值进行处理，得到所述一阶邻居聚合；
[0012]分别根据所述电池节点的一阶邻居聚合和所述用户节点的一阶邻居聚合，得到所述用户节点的二阶邻居聚合，和所述电池节点的二阶邻居聚合。
[0013]在其中一些实施例中，根据所述样本特征和所述最大移动距离，训练预建MLP网络包括：根据所述样本特征和所述最大移动距离生成样本对；通过随机抽样，将所述样本对划分为训练集和测试集；基于所述训练集对所述预建MLP网络进行训练，得到MLP模型；基于所述测试集获取所述MLP模型的预测精度，在所述预测精度大于等于预设精度阈值的情况下，将所述MLP模型定义为所述电池续航距离预估模型。
[0014]在其中一些实施例中，基于所述测试集获取所述MLP模型的预测精度包括：通过所述MLP模型，对所述测试集中的样本特征进行电池续航距离预估，得到预估最大移动距离；在所述测试集中，获取每个预估最大移动距离对应的实际最大移动距离，并根据搜书预估最大移动距离和所述实际最大移动距离生成测试对；分别获取各个测试对的残差，并确定所述残差的残差平方和；确定所述测试集中的样本数量，根据所述残差平方和以及所述样本数量，得到所述预测精度。
[0015]在其中一些实施例中，通过如下公式，基于所述实际移动距离确定最大移动距离：
[0016]其中，是目标电池的单位SOC对应的移动距离，是目标用户的单位SOC对应的移动距离，是用户换电的时刻获取的剩余SOC，是所述实际移动距离。
[0017]第二方面，本申请实施例提供了一种电池续航距离的预估系统，所述系统包括：构建模块、特征提取模块和模型处理模块，其中：所述构建模块，用于分别以电池特征和用户特征为节点，以所述电池特征和所述用户特征之间的关联信息为边，构建用户换电的属性网络，以及，通过预建图神经网络对所述属性网络进行处理，得到所述用户特征的第一嵌入表示，和所述电池特征的第二嵌入表示；所述特征提取模块，用于根据所述属性网络，获取用户每次换电的实际移动距离，并基于所述实际移动距离确定最大移动距离，以及，从所述属性网络中获取边特征，根据所述边特征、所述第一嵌入表示和所述第二嵌入表示，得到用户每次换电的样本特征；所述模型处理模块，用于根据所述样本特征和所述最大移动距离，训练预建MLP网络，以得到电池续航距离预估模型，以及，通过电池续航距离预估模型进行电池续航距离预估。
[0018]第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的方法。
[0019]第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的方法。
[0020]相比于相关技术，本申请实施例提供的电池续航距离预估方法，分别以电池特征和用户特征为节点，以电池特征和用户特征之间的关联信息为边，构建用户换电的属性网络；得到用户特征的第一嵌入表示，和电池特征的第二嵌入表示；根据属性网络，获取用户每次换电的实际移动距离，并基于实际移动距离确定最大移动距离；从属性网络中获取边特征，根据边特征、第一嵌入表示和第二嵌入表示和，得到用户每次换电的样本特征。解决了相关技术中复杂环境下电池续航距离本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池续航距离的预估方法，其特征在于，所述方法包括：分别以电池特征和用户特征为节点，以所述电池特征和所述用户特征之间的关联信息为边，构建用户换电的属性网络；通过预建图神经网络对所述属性网络进行处理，得到所述用户特征的第一嵌入表示，和所述电池特征的第二嵌入表示；根据所述属性网络，获取用户每次换电的实际移动距离，并基于所述实际移动距离确定最大移动距离；从所述属性网络中获取边特征，根据所述边特征、所述第一嵌入表示和所述第二嵌入表示，得到用户每次换电的样本特征；根据所述样本特征和所述最大移动距离，训练预建MLP网络，以得到电池续航距离预估模型，通过电池续航距离预估模型进行电池续航距离预估。2.根据权利要求1所述的方法，其特征在于，通过预建图神经网络对所述属性网络进行处理，得到所述用户特征的第一嵌入表示，和所述电池特征的第二嵌入表示包括：在所述属性网络中，分别获述电池节点的二阶邻居聚合和用户节点的二阶邻居聚合；通过所述预建图神经网络中的MLP网络层，分别根据所述电池节点的二阶邻居聚合和所述用户节点的二阶邻居聚合，得到第一嵌入表示和所述第二嵌入表示。3.根据权利要求2所述的方法，其特征在于，得到第一嵌入表示和所述第二嵌入表示，所述方法还包括：通过所述MLP网络层，根据所述第一嵌入表示、第二嵌入表示和模型参数，分别获取所述用户节点和所述电池节点的重构特征；根据所述用户特征、所述电池特征和所述重构特征，最小化所述属性网络的重构误差；基于所述最小化之后的重构误差，通过反向传播算法优化所述预建图神经网络的模型参数；根据优化模型参数之后的所述预建图神经网络，获取优化之后的第一嵌入表示和第二嵌入表示。4.根据权利要求2所述的方法，其特征在于，在所述属性网络中，分别获取电池节点的二阶邻居聚合和用户节点的二阶邻居聚合包括：获取所述用户节点和所述电池节点的一阶邻居节点，将所述用户节点或所述电池节点的特征，与其一阶邻居节点的特征合并，得到特征集合，获取所述特征集合的特征均值，通过所述图神经网络的全连接层对所述特征均值进行处理，得到所述一阶邻居聚合；分别根据所述电池节点的一阶邻居聚合和所述用户节点的一阶邻居聚合，得到所述用户节点的二阶邻居聚合，和所述电池节点的二阶邻居聚合。5.根据权利要求1所述的方法，其特征在于，根据所述样本特征和所述最大移动距离，训练预建MLP网络包括：根据所述样本...

【专利技术属性】
技术研发人员：李朝，黄家明，肖劫，
申请(专利权)人：杭州宇谷科技股份有限公司，
类型：发明
国别省市：