一种基于GNSS的新能源车辆剩余里程预测方法

技术领域

本发明涉及新能源汽车技术领域，特别涉及一种基于GNSS的新能源车辆剩余里程预测方法。

背景技术

随着新能源汽车技术的发展，新能源汽车的市场普及率逐步增加，但新能源汽车存在续航不稳定的情况，因此，需对新能源汽车的剩余里程预测进行研究。

现有技术中，专利公开号为CN111439128A的《电动车辆剩余里程估计方法、装置和计算机设备》通过获取电动车辆的剩余里程预测值，可以得到平滑下降的理想预测值和更接近实际续驶里程的理论预测值，通过获取电池能量状态，根据电池能量状态确定理想置信度和理论置信度，可以根据理想置信度和理论置信度对理想预测值和理论预测值进行数据融合，根据理想置信度和理论置信度对理想预测值和理论预测值进行加权，得到剩余里程估计值。

新能源车辆的实际剩余里程不仅与车辆自身的状态参数等数据有关，还受到地理因素的影响，然而，上述现有技术仅考虑了电池能量状态与剩余里程的关系，缺乏将地理参数数据和车辆参数数据结合起来进行综合分析的方法，从而无法准确预测车辆在不同地理位置和车辆状态情况下的剩余里程，车辆剩余里程预测的准确性较低。

发明内容

本发明提供了一种基于GNSS的新能源车辆剩余里程预测方法，用以解决现有技术中没有比较可靠的针对车辆剩余里程预测的准确性较低的问题。

一方面，本发明提供了一种基于GNSS的新能源车辆剩余里程预测方法，包括以下步骤：

步骤一，获取GNSS定位数据。

步骤二，根据所述GNSS定位数据获取对应的地理参数数据。

步骤三，获取车辆参数数据。

步骤四，建立能量消耗模型，根据所述地理参数数据和所述车辆参数数据得到能量消耗预测数据。

步骤五，根据所述能量消耗预测数据和所述地理参数数据得到剩余里程预测数据。

在一种可能的实现方式中，步骤二中，所述地理参数数据包括：海拔高度数据、道路曲率数据和道路坡度数据。

在一种可能的实现方式中，步骤三中，所述车辆参数数据包括：车速数据、电池电量数据和车辆负载数据。

在一种可能的实现方式中，步骤四中，所述能量消耗模型包括：物理关系模型和/或统计学关系模型和/或机器学习模型。

所述物理关系模型为基于物理计算方法的能量消耗模型。

所述统计学关系模型为基于统计学方法的能量消耗模型。

所述机器学习模型为基于机器学习方法的能量消耗模型。

在一种可能的实现方式中，步骤四包括：

建立物理关系模型，即建立所述地理参数数据、所述车辆参数数据与所述能量消耗预测数据的物理关系式。

根据所述物理关系式、所述地理参数数据和所述车辆参数数据计算得到所述能量消耗预测数据。

在一种可能的实现方式中，步骤四包括：

建立统计学关系模型，即建立历史地理参数数据、历史车辆参数数据与历史能量消耗数据的统计学关系趋势。

根据所述统计学关系趋势、所述地理参数数据和所述车辆参数数据预测得到所述能量消耗预测数据。

在一种可能的实现方式中，步骤四包括：

建立机器学习模型，即建立神经网络模型，采用地理参数训练数据集和车辆参数训练数据集对所述神经网络模型进行训练，得到机器学习模型。

根据所述机器学习模型、所述地理参数数据和所述车辆参数数据预测得到所述能量消耗预测数据。

在一种可能的实现方式中，步骤四之后还包括：

综合比对所述物理关系模型和/或所述统计学关系模型和/或所述机器学习模型的能量消耗预测数据，剔除其中的异常数据。

根据实时地理参数数据和实时车辆参数数据对出现异常数据的能量消耗模型进行更新优化。

在一种可能的实现方式中，步骤五之后还包括：

设置剩余里程阈值，当所述剩余里程预测数据小于所述剩余里程阈值时，进行剩余里程预警。

本发明中的一种基于GNSS的新能源车辆剩余里程预测方法，具有以下优点：

通过结合GNSS定位数据、地理参数数据和车辆参数数据建立能量消耗模型，提高了车辆剩余里程预测的准确性；提出的能量消耗模型包括：物理关系模型和/或统计学关系模型和/或机器学习模型，提高了能量消耗预测的灵活性；提出的综合比对物理关系模型和/或统计学关系模型和/或机器学习模型的能量消耗预测数据，剔除其中的异常数据，提高了能量消耗预测的准确性；提出的根据实时地理参数数据和实时车辆参数数据对出现异常数据的能量消耗模型进行更新优化，提高了能量消耗模型的可进化性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种基于GNSS的新能源车辆剩余里程预测方法的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明实施例提供了一种基于GNSS的新能源车辆剩余里程预测方法，包括以下步骤：

步骤一，获取GNSS定位数据。

步骤二，根据所述GNSS定位数据获取对应的地理参数数据。

步骤三，获取车辆参数数据。

步骤四，建立能量消耗模型，根据所述地理参数数据和所述车辆参数数据得到能量消耗预测数据。

步骤五，根据所述能量消耗预测数据和所述地理参数数据得到剩余里程预测数据。

具体地，步骤一种，采用GNSS接收器获取GNSS定位数据，即当前位置的经纬度数据。

示例性地，步骤二中，所述地理参数数据包括：海拔高度数据、道路曲率数据和道路坡度数据。

具体地，利用当前位置的经纬度数据获取当前位置的地理参数数据，包括：海拔高度数据、道路曲率数据和道路坡度数据。

示例性地，步骤三中，所述车辆参数数据包括：车速数据、电池电量数据和车辆负载数据。

具体地，通过车辆传感器获取车速数据、电池电量数据和车辆负载数据。

示例性地，步骤四中，所述能量消耗模型包括：物理关系模型和/或统计学关系模型和/或机器学习模型。

所述物理关系模型为基于物理计算方法的能量消耗模型。

所述统计学关系模型为基于统计学方法的能量消耗模型。

所述机器学习模型为基于机器学习方法的能量消耗模型。

具体地，在本实施例中，能量消耗模型搭载在车载处理设备中，在其它可能的实施例中，能量消耗模型还可以设置于移动终端和/或云服务器上。

示例性地，步骤四包括：

建立物理关系模型，即建立所述地理参数数据、所述车辆参数数据与所述能量消耗预测数据的物理关系式。

根据所述物理关系式、所述地理参数数据和所述车辆参数数据计算得到所述能量消耗预测数据。

具体地，建立海拔高度数据、道路曲率数据、道路坡度数据、车速数据、电池电量数据、车辆负载数据与能量消耗预测数据的物理关系式。将实时的海拔高度数据、道路曲率数据、道路坡度数据、车速数据、电池电量数据、车辆负载数据输入物理关系式，即可得到能量消耗预测数据。

具体地，首先根据海拔高度数据、道路曲率数据、道路坡度数据、车速数据、电池电量数据和车辆负载数据分别得到海拔高度因素、道路曲率因素、道路坡度因素、车速因素、电池电量因素和车辆负载因素。

海拔高度变化影响大气密度，从而影响能量消耗。海拔高度因素＝exp(-α×海拔高度数据)，其中，α表示大气密度影响系数。

车辆在转弯时受到道路曲率的影响，从而影响能量消耗。道路曲率因素＝β×道路曲率数据^γ，其中，β和γ分别表示道路曲率动力学系数和轮胎特性系数。

车辆在上下坡时受到道路坡度的影响，从而影响能量消耗。道路坡度因素＝δ×sin(道路坡度数据)，其中δ表示道路坡度动力学系数。

车辆的速度对能量消耗有直接影响。车速因素＝车速数据^2。

电池电量对车辆的能量消耗存在影响。电池电量因素＝η×(1-电池电量数据)，其中，η表示电池效率系数。

车辆携带的乘客和货物的总重量对能量消耗存在影响。车辆负载因素＝ρ×车辆负载数据，其中，ρ表示车辆负载动力学系数。

能量消耗预测数据＝海拔高度因素×海拔高度权重+道路曲率因素×道路曲率权重+道路坡度因素×道路坡度权重+车速因素×车速权重+电池电量因素×电池电量权重+车辆负载因素×车辆负载权重。

示例性地，步骤四包括：

建立统计学关系模型，即建立历史地理参数数据、历史车辆参数数据与历史能量消耗数据的统计学关系趋势。

根据所述统计学关系趋势、所述地理参数数据和所述车辆参数数据预测得到所述能量消耗预测数据。

具体地，通过对历史地理参数数据、历史车辆参数数据以及历史能量消耗数据进行统计学分析，得到历史地理参数数据、历史车辆参数数据与历史能量消耗数据的统计学关系趋势。将实时的地理参数数据和车辆参数数据代入统计学关系趋势，即可得到能量消耗预测数据。

示例性地，步骤四包括：

建立机器学习模型，即建立神经网络模型，采用地理参数训练数据集和车辆参数训练数据集对所述神经网络模型进行训练，得到机器学习模型。

根据所述机器学习模型、所述地理参数数据和所述车辆参数数据预测得到所述能量消耗预测数据。

具体地，地理参数训练数据集和车辆参数训练数据集采用与待预测车辆同型号车辆的历史地理参数数据和历史车辆参数数据进行构建。神经网络模型的训练过程包括：将地理参数训练数据集中的数据和车辆参数训练数据集中对应的数据作为神经网络模型的输入，输出能量消耗预测训练数据，根据对应的实际能量消耗数据对神经网络模型进行权值优化，经过若干次迭代后，得到训练好的神经网络模型，即机器学习模型。

将实时的地理参数数据和车辆参数数据输入机器学习模型，输出结果即为能量消耗预测数据。

示例性地，步骤四之后还包括：

综合比对所述物理关系模型和/或所述统计学关系模型和/或所述机器学习模型的能量消耗预测数据，剔除其中的异常数据。

根据实时地理参数数据和实时车辆参数数据对出现异常数据的能量消耗模型进行更新优化。

具体地，在本实施例中，异常数据为超出相邻数据预设比例阈值的数据，以及当采用物理关系模型、统计学关系模型和机器学习模型一同进行能量消耗预测时，三个模型同时输出的能量消耗预测数据中差异度最大的数据。

示例性地，步骤五之后还包括：

设置剩余里程阈值，当所述剩余里程预测数据小于所述剩余里程阈值时，进行剩余里程预警。

具体地，通过进行剩余里程预警，提醒车主或驾驶员进行充电或寻找充电桩的操作，可以防止剩余里程不足导致的电量耗尽等事故。

本发明实施例通过结合GNSS定位数据、地理参数数据和车辆参数数据建立能量消耗模型，提高了车辆剩余里程预测的准确性；提出的能量消耗模型包括：物理关系模型和/或统计学关系模型和/或机器学习模型，提高了能量消耗预测的灵活性；提出的综合比对物理关系模型和/或统计学关系模型和/或机器学习模型的能量消耗预测数据，剔除其中的异常数据，提高了能量消耗预测的准确性；提出的根据实时地理参数数据和实时车辆参数数据对出现异常数据的能量消耗模型进行更新优化，提高了能量消耗模型的可进化性。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。