一种电动汽车的剩余电量估计方法技术

本发明专利技术属于电动汽车电池领域，尤其涉及到一种电动汽车的剩余电量估计方法

【技术实现步骤摘要】
一种电动汽车的剩余电量估计方法、系统、设备及介质


[0001]本专利技术属于电动汽车电池领域，尤其涉及到一种电动汽车的剩余电量估计方法
、
系统
、
设备及介质
。

技术介绍

[0002]电动汽车行驶过程中，电池从当前行驶状态到完全放电状态，车辆能够行驶的距离为车辆剩余续驶里程
。
车辆剩余续驶里程主要由剩余可用能量和汽车未来电量两个因素决定
。
在以前的研究中，可利用安培积分法
、
速度对时间积分
、KNN
回归预测等方法准确预测出
SOC
，结合电压就可以估算出电池可用能量
。
车辆自身质量
、
结构及其零件的性能
、
电机效率
、
电池内阻消耗
、
胎压
、
造型这些因素都会对车辆的行驶阻力造成影响，继而影响车辆的行驶电量
。
另外不同的驾驶员对车辆内部的需求不同，其中空调的使用对电动汽车的电量有着较为明显的影响
。
[0003]目前很难根据现有的数据预测出汽车的电量，从而无法预测电动汽车剩余电量，估计车辆续航里程
。

技术实现思路

[0004]为了克服现有技术的缺点，本专利技术的目的在于提供一种电动汽车的剩余电量估计方法
、
系统
、
设备及介质，以解决现有技术无法准确的实时预测电动汽车剩余电量，估计车辆续航里程的技术问题
。
[0005]为了达到上述目的，本专利技术采用以下技术方案实现：
[0006]第一方面，本专利技术提供一种电动汽车的剩余电量估计方法包括：
[0007]S1
：汽车初始状态时，收集电动汽车行驶历史数据；；电动汽车行驶历史数据包括电动汽车行驶历史基本数据和电池数据；所述电池数据包括电池初始电量和行驶后电池剩余电量；
[0008]S2
：以收集的电动汽车行驶历史基本数据和电池初始电量为输入，以行驶后电池剩余电量为输出，制作数据集；
[0009]S3
：根据数据集搭建二维卷积神经网络，进行训练，获得训练好的网络模型；
[0010]S4
：获取电动汽车行驶实时数据输入至训练好的网络模型，进行模拟预测，获得电动汽车行驶后剩余电量；
[0011]S5
：输出所述电动汽车行驶后剩余电量
。
[0012]进一步地，所述电动汽车行驶历史基本数据包括行驶初始时间
、
行驶速度
、
行驶路程和行驶结束时间
。
[0013]进一步地，所述二维卷积神经网络包括：四层卷积层和两层全连接层；
[0014]所述四层卷积层用于提取特征信息；
[0015]所述二层全连接层用于进行数据回归预测
。
[0016]进一步地，步骤
S4
中电动汽车行驶实时数据包括行驶初始时间
、
行驶速度
、
行驶路
程
、
行驶结束时间和和电池初始电量
。
[0017]进一步地，所述训练用于计算二维卷积神经网络的准确率；
[0018]所述准确率为预测结果减去真实结果的绝对值除以真实结果，并将所有工况的熵取平均值
。
[0019]进一步地，模拟预测根据汽车各传感器收集到的汽车行驶基本数据信息后，网络模型根据准确率对电动汽车的剩余电量进行预测
。
[0020]进一步地，所述输出剩余电量通过网络模型预测后将数据传输给中控大屏，通过中控大屏显示和语音系统播报进行剩余电量显示
。
[0021]第二方面，提供一种电动汽车的剩余电量估计系统，包括：
[0022]读取模块：用于汽车初始状态时，收集电动汽车行驶历史数据；电动汽车行驶历史数据包括电动汽车行驶历史基本数据和电池数据；所述电池数据包括电池初始电量和行驶后电池剩余电量；
[0023]记录模块：用于以收集的电动汽车行驶历史基本数据和电池初始电量为输入，以行驶后剩余电量为输出，制作数据集；
[0024]训练模块：用于根据数据集搭建二维卷积神经网络，进行训练，获得训练好的网络模型；
[0025]模拟预测模块：用于获取电动汽车行驶实时数据输入至训练好的网络模型，进行模拟预测，获得电动汽车剩余电量；
[0026]输出模块：用于输出所述电动汽车行驶后剩余电量
。
[0027]第三方面，提供一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现所述的电动汽车剩余电量估计方法
。
[0028]第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现所述的电动汽车剩余电量估计方法
。
[0029]本专利技术至少具有以下有益效果：
[0030]本专利技术提供一种电动汽车的剩余电量估计方法，包括：
S1
：汽车初始状态时，收集电动汽车行驶历史数据；电动汽车行驶历史数据包括电动汽车行驶历史基本数据和电池数据；所述电池数据包括电池初始电量和行驶后电池剩余电量；
S2
：以收集的电动汽车行驶历史基本数据和电池初始电量为输入，以行驶后电池剩余电量为输出，制作数据集；
S3
：根据数据集搭建二维卷积神经网络，进行训练，获得训练好的网络模型；
S4
：获取电动汽车行驶实时数据输入至训练好的网络模型，进行模拟预测，获得电动汽车行驶后剩余电量；
S5
：输出所述电动汽车行驶后剩余电量
。
利用收集历史数据，利用历史数据做数据集模型，提高预测电动汽车平均电量数据的稳定性
。
附图说明
[0031]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定
。
在附图中：
[0032]图1为本专利技术一种电动汽车的剩余电量估计方法的算法流程图；
[0033]图2为本专利技术一种电动汽车的剩余电量估计方法
、
系统
、
设备及介质的流程图；
[0034]图3为本专利技术一种电动汽车的剩余电量估计方法
、
系统
、
设备及介质的系统流程
图；
[0035]图4为本专利技术一种电子设备的结构框图
。
具体实施方式
[0036]下面将参考附图并结合实施例来详细说明本专利技术
。
需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合
。
[0037]以下详细说明均是示例性的说明，旨在对本专利技术提供进一步的详细说明
。
...

【技术保护点】

【技术特征摘要】
1.
一种电动汽车的剩余电量估计方法，其特征在于，包括：
S1
：汽车初始状态时，收集电动汽车行驶历史数据；电动汽车行驶历史数据包括电动汽车行驶历史基本数据和电池数据；所述电池数据包括电池初始电量和行驶后电池剩余电量；
S2
：以收集的电动汽车行驶历史基本数据和电池初始电量为输入，以行驶后电池剩余电量为输出，制作数据集；
S3
：根据数据集搭建二维卷积神经网络，进行训练，获得训练好的网络模型；
S4
：获取电动汽车行驶实时数据输入至训练好的网络模型，进行模拟预测，获得电动汽车行驶后剩余电量；
S5
：输出所述电动汽车行驶后剩余电量
。2.
根据权利要求1所述的一种电动汽车的剩余电量估计方法，其特征在于，所述电动汽车行驶历史基本数据包括行驶初始时间
、
行驶速度
、
行驶路程和行驶结束时间
。3.
根据权利要求1所述的一种电动汽车的剩余电量估计方法，其特征在于，所述二维卷积神经网络包括：四层卷积层和两层全连接层；所述四层卷积层用于提取特征信息；所述二层全连接层用于进行数据回归预测
。4.
根据权利要求3所述的一种电动汽车的剩余电量估计方法，其特征在于，步骤
S4
中电动汽车行驶实时数据包括行驶初始时间
、
行驶速度
、
行驶路程
、
行驶结束时间和和电池初始电量

【专利技术属性】
技术研发人员：郭道一，
申请(专利权)人：奇瑞新能源汽车股份有限公司，
类型：发明
国别省市：