【技术实现步骤摘要】
本专利技术涉及电动汽车能耗预测，特别涉及一种电动汽车实际行驶能耗预测方法及系统。
技术介绍
1、实际行驶过程中，电动汽车能耗影响因素极为复杂，导致用户用“里程虚标”来描述实际行驶能耗与标称能耗不一致。这种误解可以归结为缺乏模型对电动汽车实际行驶能耗进行全面准确的描述。例如，现有专利号为201611246090.8、202011542380.3、202111457972.x以及202310165460.9等都未考虑影响因素的全面性，从而导致预测精度不高。
2、本专利技术提出了一套合理模型构架和相应的参数学习方法，模型构架全面的考虑各类可能影响能耗的因素，为更准确的估算电动汽车实际行驶能耗提供了基础；参数学习方法区分了模型中的确定性参数和随机性参数，提升了学习过程中参数的合理性和拟合的可靠性，引入混合效应模型，可以区分大样本中由于驾驶员等可分组因素造成的不同样本模型参数的差异性，进一步提升了模型估计能耗的准确性。
技术实现思路
1、本专利技术的目的是提供一种电动汽车实际行驶能耗预测方法及系统，以提高电动汽车能耗预测的准确性。
2、为实现上述目的，本专利技术提供了如下方案：
3、第一方面，本专利技术提供了一种电动汽车实际行驶能耗预测方法，包括：
4、获取待学习参数，并确定待学习参数属性；所述参数属性包括：随机性、未考虑以及确定性；
5、获取待建模车辆的实际行驶样本，并对所述实际行驶样本进行分组标记；
6、获取仿真样本
7、通过分组标记后的实际行驶样本，应用线性混合效应模型拟合所述待学习参数中的随机性参数和所述仿真样本中未能计算得到的确定性参数；
8、构建电动汽车能耗模型；
9、将所述实际行驶样本带入所述电动汽车能耗模型，估计样本行程能耗率，得到行程能耗率估计值；
10、将所述行程能耗率估计值与样本中实际测量的能耗率进行对比，根据对比结果对电动汽车能耗模型的估计性能进行验证；
11、若估计性能满足需求，则确认当前电动汽车能耗模型的参数；
12、若估计性能不满足需求，则返回第一步，直到满足能耗估计性能要求或达到最大迭代次数，根据此时的待学习参数属性、实际行驶样本及分组标记和仿真样本，确认最终电动汽车能耗模型的参数。
13、可选的，所述电动汽车能耗模型的表达式如下：
14、re＝re1+re2
15、其中，re1为单一因素对能耗率影响的计算，re2为两个因素耦合关系对能耗率影响的计算。
16、可选的，所述re1的表达式为：
17、
18、其中，gc为能耗率载重敏感度，gg为能耗率重力敏感度，gs为能耗率速度敏感度，ghb为能耗率高速制动敏感度，glb为能耗率低速制动敏感度，gi为能耗率缓行敏感度，ght为能耗率高温敏感度，glt为能耗率低温敏感度，gult为能耗率极低温敏感度，gst为能耗率启动敏感度，gsoc为能耗率荷电状态敏感度，ic为载重强度，ig为爬坡强度，is为速度强度，ihb为高速制动强度，ilb为低速制动强度，ii为缓行强度，iht为高温制冷强度，ilt为低温制冷强度，iult为极低温制冷强度，ist为冷起动强度，isoc为高荷电状态。
19、可选的，所述re2表达式为：
20、
21、其中，gj-k为ij和ik耦合影响的补偿系数，j和k是影响因素的角标引索，ij，ik为角标属于上式集合且互不相等的行驶工况变量，根据以上角标，ij，ik可以为载重强度，爬坡强度，速度强度，高速制动强度，低速制动强度，缓行强度，高温制冷强度，低温制冷强度，极低温制冷强度，冷起动强度，高荷电状态这些行驶工况变量之一。
22、可选的，所述为载重强度ic的表达式如下：
23、
24、其中，m为车辆的载重，mb为车辆载重的基值，dh为行程的水平行驶距离，d为行程的总行驶距离；
25、所述爬坡强度ig的表达式如下：
26、
27、其中，dv为行程的海拔差；
28、所述速度强度is的表达式如下：
29、
30、其中，i为行程中采样点的引索，n为行程中采样点的总数，为一个采样间隔内的平均速度，表示为：
31、
32、其中，v(i)为行程中第i个采样点的速度；
33、所述高速制动强度ihb的表达式如下：
34、
35、其中，vth为高低速制动强度的阈值，eb(i)为行程中第i个采样点到第i-1个采样点间隔时间内的制动能量，表示为：
36、
37、其中，a,b,c为车辆的滑行制动系数，δt为速度的采样的间隔；
38、所述低速制动强度ilb的表达式如下：
39、
40、所述缓行强度ii的表达式如下：
41、
42、所述高温制冷强度iht的表达式如下：
43、iht＝max(t-t*,0)
44、t为环境温度，t*为乘员舱目标温度
45、所述低温制冷强度ilt的表达式如下：
46、ilt＝max(t*-t,0)
47、所述极低温制冷强度iult的表达式如下：
48、iult＝max(tul-t,0)
49、tul为极低温阈值；
50、所述冷起动强度ist的表达式如下：
51、
52、所述高荷电状态isoc的表达式如下：
53、
54、其中，socs为行程起始电池电量，soce为行程结束电池电量，socth为高荷电状态阈值电池电量。
55、第二方面，本专利技术提供一种电动汽车实际行驶能耗预测系统，包括：
56、参数属性确定模块，用于获取待学习参数，并确定待学习参数属性；所述参数属性包括：随机性、未考虑以及确定性；
57、分组标记模块，用于获取待建模车辆的实际行驶样本，并对所述实际行驶样本进行分组标记；
58、第一参数获取模块，用于获取仿真样本，通过行驶工况的控制，应用拟合算法获取可以准确测量计算的确定性参数；
59、第二参数获取模块，用于通过分组标记后的实际行驶样本，应用线性混合效应模型拟合所述待学习参数中的随机性参数和所述仿真样本中未能计算得到的确定性参数；
60、电动汽车能耗模型构建模块，用于构建电动汽车能耗模型；
61、行程能耗率估计模块，用于将所述实际行驶样本带入所述电动汽车能耗模型，估计样本行程能耗率，得到行程能耗率估计值；
62、比对模块，将所述行程能耗率估计值与样本中实际测量的能耗率进行对比，根据对比结果对电动汽车能耗模型的估计性能进行验证；
63、参本文档来自技高网...
【技术保护点】
1.一种电动汽车实际行驶能耗预测方法，其特征在于，包括：
2.根据权利要求1所述的电动汽车实际行驶能耗预测方法，其特征在于，所述电动汽车能耗模型的表达式如下：
3.根据权利要求2所述的电动汽车实际行驶能耗预测方法，其特征在于，所述re1的表达式为：
4.根据权利要求2所述的电动汽车实际行驶能耗预测方法，其特征在于，所述re2表达式为：
5.根据权利要求3所述的电动汽车实际行驶能耗预测方法，其特征在于，所述为载重强度Ic的表达式如下：
6.一种电动汽车实际行驶能耗预测系统，其特征在于，包括：
7.根据权利要求6所述的电动汽车实际行驶能耗预测系统，其特征在于，所述电动汽车能耗模型的表达式如下：
8.根据权利要求7所述的电动汽车实际行驶能耗预测系统，其特征在于，所述re1的表达式为：
9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1-5中任一项所述的电动汽车实际行驶能耗预测方法。
10.一种
...【技术特征摘要】
1.一种电动汽车实际行驶能耗预测方法，其特征在于，包括：
2.根据权利要求1所述的电动汽车实际行驶能耗预测方法，其特征在于，所述电动汽车能耗模型的表达式如下：
3.根据权利要求2所述的电动汽车实际行驶能耗预测方法，其特征在于，所述re1的表达式为：
4.根据权利要求2所述的电动汽车实际行驶能耗预测方法，其特征在于，所述re2表达式为：
5.根据权利要求3所述的电动汽车实际行驶能耗预测方法，其特征在于，所述为载重强度ic的表达式如下：
6.一种电动汽车实际行驶能耗预测系统，其特征在于，包括：
7...
【专利技术属性】
技术研发人员：孙巍，靳泽江，袁新枚，马一凡，赵洲轮，孟令昊，谷乐褀，
申请(专利权)人：吉林大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。