商用电动车辆能耗预测方法、装置和计算机设备

技术领域

本申请涉及电机控制技术领域，特别是涉及一种商用电动车辆能耗预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

背景技术

随着能源和环境问题的加剧和车用电池技术的发展，商用电动车辆得到了越来越广泛的应用。商用电动车辆的能耗水平直接反映了商用电动车辆的整体性能水平，并影响商用电动车辆的续驶里程、质保评估、经济效益等关键指标，因此，有必要对商用电动车辆的能耗进行预测。

传统的商用电动车辆能耗预测方法，在固定工况如NEDC(New European DrivingCycle，新欧洲驾驶周期)模拟车辆工况下，基于车辆动力学模型，结合车辆迎风面积、质量和滚动阻力系数等车辆特征参数，进行车辆能耗预测。由于车辆实际应用过程中，很难精确获取上述车辆特征参数，因此，传统的商用电动车辆能耗预测方法，局限于实验室仿真环境的模拟工况，存在预测结果准确性差的缺点。

发明内容

基于此，有必要针对上述技术问题，提供一种商用电动车辆能耗预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，提高商用电动车辆能耗预测结果的准确性。

第一方面，本申请提供了一种商用电动车辆能耗预测方法。所述方法包括：

获取商用电动车辆的放电时长数据；

获取所述商用电动车辆的行驶位置特征数据；

将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据；所述能耗预测模型基于机器学习算法得到。

上述商用电动车辆能耗预测方法，将放电时长数据和行驶位置特征数据代入能耗预测模型，得到能耗预测数据，由于商用电动车辆的行驶路线相对固定，与行驶路线对应的行驶位置特征数据可以一定程度上反应商用电动车辆的实际驾驶环境，有利于提高能耗预测数据的准确性。

在其中一个实施例中，所述将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据之前，还包括：

根据商用电动车辆的历史行驶数据、电池额定容量，以及预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。

上述实施例中，将放电时长数据和行驶位置特征数据代入能耗预测模型，得到商用电动车辆的能耗预测数据之前，基于商用电动车辆的历史行驶数据进行模型训练得到能耗预测模型，有利于提高商用电动车辆能耗预测方法的科学性。

在其中一个实施例中，所述根据商用电动车辆的历史行驶数据、电池额定容量，以及预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型，包括：

获取商用电动车辆的历史行驶数据和电池额定容量；所述历史行驶数据包括历史充放电数据和历史行驶位置特征数据；

基于所述历史充放电数据和所述电池额定容量，计算得到所述商用电动车辆的历史单位时间能耗数据；

根据所述历史单位时间能耗数据和所述历史行驶位置特征数据，得到历史能耗数据；

根据所述历史能耗数据和预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。

上述实施例中，在进行模型训练的过程中，先计算得到商用电动车辆的历史单位时间能耗数据，再基于历史单位时间能耗数据和历史行驶位置特征数据进行模型训练得到能耗预测模型，可以准确表征单位时间能耗与行驶位置特征的关系，有利于提高能耗预测模型与实际工况的匹配度，进而提升模型的预测精度。

在其中一个实施例中，所述基于所述历史充放电数据和所述电池额定容量，计算得到所述商用电动车辆的历史单位时间能耗数据，包括：

以设定时间为周期，基于所述历史充放电数据，得到所述商用电动车辆的历史充电数据和历史放电数据；

基于所述历史充电数据和所述电池额定容量，得到设定时间内所述商用电动车辆的电池健康状态；

根据所述电池健康状态、所述电池额定容量，以及所述历史充电数据对应的历史放电数据，得到所述商用电动车辆的历史单位时间能耗数据。

上述实施例中，在计算商用电动车辆的历史单位时间能耗数据的过程中，考虑车辆的实时电池健康状态，有利于提高历史单位时间能耗数据的准确性，进而提升模型的预测精度。

在其中一个实施例中，所述将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据之后，还包括：

将所述历史能耗数据划分成训练集和测试集，基于所述训练集和所述能耗预测模型得到所述测试集对应的能耗预测数据；

根据所述测试集，以及所述测试集对应的能耗预测数据，对所述能耗预测数据进行修正处理，得到修正后的能耗预测数据。

上述实施例中，在得到能耗预测数据后，还基于训练集和测试集对能耗预测结果进行修正处理，可以进一步提高商用电动车辆能耗预测方法的预测精度。

在其中一个实施例中，所述将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，包括：

对所述放电时长数据进行插值处理，得到插值处理后的放电时长数据，并将所述插值处理后的放电时长数据，以及所述行驶位置特征数据，代入能耗预测模型。

上述实施例中，在将放电时长数据代入能耗预测模型之前，先进行插值处理，可以确保输入模型的放电时长数据的连续性，进而确保能耗预测数据的连续性，有利于提高商用电动车辆能耗预测方法的灵活性。

在其中一个实施例中，所述将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据，包括：

将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的初始能耗预测数据；

将所述初始能耗预测数据按照预设时间分组，并取各组的预设百分位数作为对应预设时间内的能耗预测数据；所述预设百分位数大于50％。

上述实施例中，基于能耗预测模型预测得到的初始能耗预测数据，进行分组后取各组中较大的预设百分位数作为能耗预测数据，可以剔除噪声值的干扰，提高能耗预测数据的准确性。

在其中一个实施例中，所述将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据之后，还包括：

获取所述商用电动车辆的电池健康状态估计值，并根据所述电池健康状态估计值和所述能耗预测数据，确定所述商用电动车辆的抛锚风险。

上述实施例中，在得到商用电动车辆能耗预测数据后，还获取商用电动车辆的电池健康状态估计值，并根据电池健康状态估计值和能耗预测数据，确定商用电动车辆的抛锚风险，可以便于用户及时发现异常并采取相应措施，有利于降低商用电动车辆的抛锚概率，提高车辆的使用安全性。

第二方面，本申请提供了一种商用电动车辆能耗预测装置。所述装置包括：

放电时长获取模块，用于获取商用电动车辆的放电时长数据；

行驶位置特征获取模块，用于获取所述商用电动车辆的行驶位置特征数据；

能耗预测模块，用于将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据；所述能耗预测模型基于机器学习算法得到。

在其中一个实施例中，所述商用电动车辆能耗预测装置还包括：

能耗预测模型训练模块，用于根据商用电动车辆的历史行驶数据、电池额定容量，以及预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。

在其中一个实施例中，所述能耗预测模型训练模块包括：

数据获取单元，用于获取商用电动车辆的历史行驶数据和电池额定容量；所述历史行驶数据包括历史充放电数据和历史行驶位置特征数据；

能耗数据计算单元，用于基于所述历史充放电数据和所述电池额定容量，计算得到所述商用电动车辆的历史单位时间能耗数据；

历史能耗数据生成单元，用于根据所述历史单位时间能耗数据和所述历史行驶位置特征数据，得到历史能耗数据；

能耗预测模型训练单元，用于根据所述历史能耗数据和预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。

在其中一个实施例中，所述能耗数据计算单元具体用于：以设定时间为周期，基于所述历史充放电数据，得到所述商用电动车辆的历史充电数据和历史放电数据；基于所述历史充电数据和所述电池额定容量，得到设定时间内所述商用电动车辆的电池健康状态；根据所述电池健康状态、所述电池额定容量，以及所述历史充电数据对应的历史放电数据，得到所述商用电动车辆的历史单位时间能耗数据。

在其中一个实施例中，所述商用电动车辆能耗预测装置还包括修正模块，用于：将所述历史能耗数据划分成训练集和测试集，基于所述训练集和所述能耗预测模型得到所述测试集对应的能耗预测数据；根据所述测试集，以及所述测试集对应的能耗预测数据，对所述能耗预测数据进行修正处理，得到修正后的能耗预测数据。

在其中一个实施例中，所述能耗预测模块具体用于：对所述放电时长数据进行插值处理，得到插值处理后的放电时长数据，并将所述插值处理后的放电时长数据，以及所述行驶位置特征数据，代入能耗预测模型。

在其中一个实施例中，所述能耗预测模块，包括：

初始能耗预测数据生成单元，用于将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的初始能耗预测数据；

能耗预测数据生成单元，用于将所述初始能耗预测数据按照预设时间分组，并取各组的预设百分位数作为对应预设时间内的能耗预测数据；所述预设百分位数大于50％。

在其中一个实施例中，所述商用电动车辆能耗预测装置，还包括：

抛锚风险确定模块，用于获取所述商用电动车辆的电池健康状态估计值，并根据所述电池健康状态估计值和所述能耗预测数据，确定所述商用电动车辆的抛锚风险。

第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

获取商用电动车辆的放电时长数据；

获取所述商用电动车辆的行驶位置特征数据；

将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据；所述能耗预测模型基于机器学习算法得到。

第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

获取商用电动车辆的放电时长数据；

获取所述商用电动车辆的行驶位置特征数据；

将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据；所述能耗预测模型基于机器学习算法得到。

第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取商用电动车辆的放电时长数据；

获取所述商用电动车辆的行驶位置特征数据；

将所述放电时长数据和所述行驶位置特征数据代入能耗预测模型，得到所述商用电动车辆的能耗预测数据；所述能耗预测模型基于机器学习算法得到。

附图说明

图1为一个实施例中商用电动车辆能耗预测方法的流程图；

图2为一个实施例中将放电时长数据和行驶位置特征数据代入能耗预测模型，得到商用电动车辆的能耗预测数据的流程图；

图3为另一个实施例中商用电动车辆能耗预测方法的流程图；

图4为一个实施例中根据商用电动车辆的历史行驶数据、电池额定容量，以及预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型的流程图；

图5为一个实施例中基于历史充放电数据和电池额定容量，计算得到商用电动车辆的历史单位时间能耗数据的流程图；

图6为又一个实施例中商用电动车辆能耗预测方法的流程图；

图7为一个实施例中商用电动车辆能耗预测装置的结构框图；

图8为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。

在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。同时，在本说明书中使用的术语“和/或”包括相关所列项目的任何及所有组合。

本申请提供的商用电动车辆能耗预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，可以应用于各类商用电动车辆，包括但不限于电动公交车、电动巴士、地铁电动车辆、铁路干线电动车辆和轻轨电动车辆等。

第一方面，本申请提供了一种商用电动车辆能耗预测方法，该方法可以应用于终端，也可以应用于服务器，还可以通过终端与服务器的交互实现。为便于理解，下面均以该方法应用于终端的情况为例，进行说明。在一个实施例中，如图1所示，该方法包括步骤S102至步骤S106。

步骤S102：获取商用电动车辆的放电时长数据。

其中，放电时长数据是指商用电动车辆以设定时间为计算周期，在每个计算周期内的放电时长所组成的数据集。该设定时间，可以是半天、一天或两天。具体的，放电时长数据可以从商用电动车辆的充放电数据中提取。充放电数据包括充放电开始时刻、结束时刻、充入容量以及各时刻对应的SOC(State of Charge,电池中剩余电荷的可用百分比)等。放电时长即为放电开始时刻和放电结束时刻之间的时间差。

进一步的，终端可以获取商用电动车辆的充放电数据，并对充放电数据进行数据预处理，得到放电时长数据。例如，终端可以剔除充放电数据中重复和数据信息不全的数据行，并根据字段信息，提取商用电动车辆在放电段的放电数据，再基于放电数据中的放电开始时刻和放电结束时刻，计算得到放电时长。终端还可以基于统计学规则，剔除计算得到的放电时长中的异常值，以避免异常数据的影响，进一步提高能耗预测精度。例如，可以剔除预设时长内的多个计算周期中，＜-1*sigma和＞+3*sigma的放电时长数据。

需要说明的是，若设定时间内存在多个子放电段，则将各子放电段的子放电时长相加，计算得到设定时间内的放电时长。

步骤S104：获取商用电动车辆的行驶位置特征数据。

其中，步骤S104可以在步骤S102之前、之后，或与步骤S102同步执行。进一步的，行驶位置特征数据包括商用电动车辆不同时刻的行驶位置，以及该行驶位置对应的天气数据和地形数据等。该天气数据包括气温、湿度、气压和风速等信息；该地形数据包括坡度、轨道阻力和空气阻力等信息。

具体的，由于商用电动车辆的行驶路线相对固定，终端可以获取历史同期的行驶位置特征数据，也可以先获取待预测时间内商用电动车辆的行驶路线，再根据行驶路线上的车辆行驶位置信息，关联与行驶位置对应的天气数据和地形数据，得到该行驶路线对应的行驶位置特征数据。例如，行驶路线所对应的历史同期的天气数据，以及行驶路线所对应的地形数据。

进一步的，终端获取商用电动车辆的放电时长数据和行驶位置特征数据的具体方式，可以是主动获取，也可以是被动接收。

步骤S106：将放电时长数据和行驶位置特征数据代入能耗预测模型，得到商用电动车辆的能耗预测数据。

其中，能耗预测模型基于机器学习算法得到。该机器学习算法，可以是神经网络算法或决策树算法。在一个实施例中，该机器学习算法为GBRT(Gradient Boost RegressionTree，渐进梯度回归树)算法。

具体的，将放电时长数据和行驶位置特征数据，代入基于机器学习算法得到的能耗预测模型，即可得到商用电动车辆的能耗预测数据。

进一步的，考虑到商用电动车辆的行驶路线相对固定，而使用频次容易受当前业务量和在役车辆数量的影响，因此，可以使用历史同期的环境温度数据，以及近期的放电时长数据作为模型自变量代入能耗预测模型，以提高能耗预测的精度。例如，在需要对未来三个月的能耗进行预测时，取近期三个月的放电时长和历史同期的环境温度作为输入量，代入能耗预测模型。

此外，终端得到能耗预测数据之后，还可以将该能耗预测数据输出。该能耗预测数据的输出对象，可以是存储装置、显示装置或通信装置。此外，终端还可以通过通信装置将能耗预测数据输出至其他终端。

上述商用电动车辆能耗预测方法，将放电时长数据和行驶位置特征数据代入能耗预测模型，得到能耗预测数据，一方面，由于商用电动车辆的行驶路线相对固定，与行驶路线对应的行驶位置特征数据可以一定程度上反应商用电动车辆的实际驾驶环境，有利于提高能耗预测数据的准确性；另一方面，采用基于机器学习算法得到的能耗预测模型进行能耗预测，可以省去繁琐的数学建模，在确保精度的基础上提高工作效率。

需要说明的是，根据机器学习算法得到的能耗预测模型的特点，为获取以设定时长为周期的连续能耗预测数据，可以在将放电时长数据代入能耗预测模型之前，对数据进行插值处理，确保输入模型的放电时长数据为以设定时长为周期的连续数据，进而确保能耗预测数据的连续性；也可以在得到非连续的初始能耗预测数据之后，对初始能耗预测数据进行插值处理，得到以设定时长为周期的，连续的商用电动车辆的能耗预测数据。

在一个实施例中，将放电时长数据和行驶位置特征数据代入能耗预测模型，包括：对放电时长数据进行插值处理，得到插值处理后的放电时长数据，并将插值处理后的放电时长数据，以及行驶位置特征数据，代入能耗预测模型。

其中，插值是指在离散数据的基础上补插连续函数，使得这条连续曲线通过全部给定的离散数据点。通过插值处理，可以通过函数在有限个点处的取值状况，估算出函数在其他点处的近似值。

具体的，由于历史充放电数据可能存在数据缺失，并且在实际工况下，设定时长内可能存在数据信息不全的情况，例如放电段数据缺失，因此，步骤S102中获取的放电时长数据，可能是非连续数据，缺失预设时长内某一个或多个周期的计算值。基于此，先对放电时长数据进行插值处理，得到差值处理后的以设定时长为周期的连续放电时长数据，再将该连续放电时长数据与行驶位置特征数据，代入能耗预测模型。

上述实施例中，在将放电时长数据代入能耗预测模型之前，先进行插值处理，可以确保输入模型的放电时长数据的连续性，进而确保能耗预测数据的连续性，有利于提高商用电动车辆能耗预测方法的灵活性。

在一个实施例中，如图2所示，步骤S106包括步骤S202和步骤S204。

步骤S202：将放电时长数据和行驶位置特征数据代入能耗预测模型，得到商用电动车辆的初始能耗预测数据。

其中，初始能耗预测数据为能耗预测模型的预测值。具体的，将放电时长数据和行驶位置特征数据代入能耗预测模型，可以得到商用电动车辆的初始能耗预测数据。

步骤S204：将初始能耗预测数据按照预设时间分组，并取各组的预设百分位数作为对应预设时间内的能耗预测数据。

其中，放电时长数据为过去预设时长内多个计算周期的实际数据。初始能耗预测数据为与放电时长数据对应的，多个计算周期的预测数据。也即，初始能耗预测数据中包含未来的预设时长内的多个计算周期的预测数据。进一步的，将一组数据从小到大排序，并计算相应的累计百分位，则某一百分位所对应数据的值就称为这一百分位的百分位数。不难理解，大于50％的预设百分位数对应的初始能耗预测值，为一组初始能耗预测数据中的较大值。该预设百分位数的具体数值并不唯一，例如可以85％分位数、90％分位数或95％分位数。

具体的，终端将初始能耗数据按照预设时间分组，得到多组预测数据，并取各组数据中较大的预设分位数作为该组的能耗预测数据，进而得到整个预设时长内商用电动车辆的能耗预测数据。

需要说明的是，上文中涉及预设时长、预设时间和计算周期这三个时间概念中，预设时长时间跨度最大，计算周期的时间跨度最小。进一步的，预设时间的取值并不唯一，可以根据预设时长和计算周期灵活设置。例如，预设时间为三个月且计算周期为一天时，可以将预设时长设置为10天或15天。

上述实施例中，基于能耗预测模型预测得到的初始能耗预测数据，进行分组后取各组中较大的预设百分位数作为能耗预测数据，可以剔除噪声值的干扰，提高能耗预测数据的准确性。

在一个实施例中，如图3所示，步骤S106之后，还包括步骤S108：获取商用电动车辆的电池健康状态估计值，并根据电池健康状态估计值和能耗预测数据，确定商用电动车辆的抛锚风险。

其中，电池健康状态又称SOH(State of Health)，用于表征当前电池相对于新电池存储电能的能力，以百分比的形式定量描述当前电池的性能状态。电池的健康状态受温度、电流倍率、截止电压等多种因素影响，从电池寿命开始到寿命结束期间动态变化。

具体的，终端获取商用电动车辆的电池健康状态估计值，并将电池健康状态估计值乘以电池额定容量，得到该计算周期内的电池电量，再结合同一计算周期内的能耗预测数据，判断该商用电动车辆是否存在抛锚风险：若连续设定次数的计算周期内预测的电池健康状态估计值所对应的电池电量，均小于对应计算周期内的能耗预测值，则认为该车存在较高的抛锚风险。该设定次数的具体数值，可以是4、5或6。

进一步的，在确定商用电动车辆的抛锚风险后，还可以输出警示信息，提示用户采取相应的风险预防措施，例如，提示用户加强该车的监控频次，或者提示用户准备备件等。

上述实施例中，在得到商用电动车辆能耗预测数据后，还获取商用电动车辆的电池健康状态估计值，并根据电池健康状态估计值和能耗预测数据，确定商用电动车辆的抛锚风险，可以便于用户及时发现异常并采取相应措施，有利于降低商用电动车辆的抛锚概率，提高车辆的使用安全性。

在一个实施例中，请继续参考图3，步骤S106之前，还包括步骤S105：根据商用电动车辆的历史行驶数据、电池额定容量，以及预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。其中，步骤S105可以在步骤S102和步骤S104的之前、之后，或者与上述步骤同步执行。

其中，关于机器学习算法的具体限定参见上文，此处不再赘述。历史行驶数据是指商用电动车辆在历史运行过程中的实际数据。具体的，终端基于商用电动车辆的历史行驶数据和电池额定容量，得到用于模型训练的实际能耗数据，并使用预设的模型损失函数，基于机器学习算法进行模型训练，得到能耗预测模型。

进一步的，模型损失函数具体可以是均方差函数、绝对损失函数或分位数损失函数等。以能耗预测模型为GBRT模型为例，模型损失函数的具体公式可以为：

其中，y为实际值，f(x)为预测值。基于上述模型损失函数，按照预测值与实际值的差值趋向于最小的损失函数进行残差训练，即可拟合出GBRT回归树，进而得到用于能耗预测的GBRT模型。

上述实施例中，将放电时长数据和行驶位置特征数据代入能耗预测模型，得到商用电动车辆的能耗预测数据之前，基于商用电动车辆的历史行驶数据进行模型训练得到能耗预测模型，有利于提高商用电动车辆能耗预测方法的科学性。

在一个实施例中，如图4所示，步骤S105包括步骤S402至步骤S408。

步骤S402：获取商用电动车辆的历史行驶数据和电池额定容量。

其中，历史行驶数据包括历史充放电数据和历史行驶位置特征数据。进一步的，历史充放电数据包括充放电开始时刻、结束时刻、充入容量以及各时刻对应的SOC等。电池额定容量是指额定条件下电池的容量。历史行驶位置特征数据为与历史充放电数据所在时间节点对应的行驶位置特征数据。

具体的，终端可以获取商用电动车辆的历史原始行驶数据，并在历史原始行驶数据的基础上，进行数据预处理，得到对应商用电动车辆的历史行驶数据。其中，历史原始行驶数据包括历史充放电数据、历史车辆位置信息数据，以及各车辆位置对应的天气数据和地形数据等。

例如，终端可以对历史充放电数据进行预处理，剔除重复和数据信息不全的数据行，根据字段信息，提取商用电动车辆每个充电段的充电数据，和每个充电段对应的放电段的放电数据。其中，数据信息不全的数据行，包括日期为空的数据行、充电段或放电段数据缺失的数据行。

步骤S404：基于历史充放电数据和电池额定容量，计算得到商用电动车辆的历史单位时间能耗数据。

其中，商用电动车辆的历史单位时间能耗数据，是指由过去的一段时间内，以设定时间为周期的商用电动车辆的单位时间能耗值组成的数据集。具体的，终端基于历史充放电数据，可以以设定时间为计算周期，得到各周期内商用电动车辆的历史能耗以及放电时长，进而得到商用电动车辆的历史单位时间能耗数据。

进一步的，终端基于历史充放电数据和电池额定容量，得到商用电动车辆的历史单位时间能耗数据的具体方式并不唯一。在一个实施例中，终端基于历史充放电数据，将放电起始和结束时刻的SOC差值，乘以电池额定容量，得到设定时间内商用电动车辆的历史放电电量，再结合对应的放电时长，得到商用电动车辆在预设时长内的历史单位时间能耗。其中，预设时长可以是一个月、两个月或三个月，具体可以根据能耗预测需求确定。

在另一个实施例中，如图5所示，步骤S404包括步骤S502至步骤S506。

步骤S502：以设定时间为计算周期，基于历史充放电数据，得到商用电动车辆的历史充电数据和历史放电数据。

其中，充电数据包括充电开始时刻、充电结束时刻、充入容量以及各时刻对应的SOC等。放电数据包括放电开始时刻、放电结束时刻以及各时刻对应的SOC等。历史充电数据和历史放电数据，分别是指由过去的一段时间内的实际充电数据和实际放电数据。

具体的，终端对历史充放电数据中的信息，进行提取和数据归类：将包含“充电”字段信息的数据归类为充电数据，并将包含“放电”字段信息的数据归类为放电数据。再以设定时间为周期进行二次归类，可以得到多个周期内商用电动车辆的历史充电数据和历史放电数据。

步骤S504：基于历史充电数据和电池额定容量，得到设定时间内商用电动车辆的电池健康状态。

其中，电池健康状态又称SOH，用于表征当前电池相对于新电池存储电能的能力，以百分比的形式定量描述当前电池的性能状态。电池的健康状态受温度、电流倍率、截止电压等多种因素影响，从电池寿命开始到寿命结束期间动态变化。基于此，为提高历史单位时间能耗数据的准确性，终端基于历史充电数据和电池额定容量，计算得到设定时间内商用电动车辆的电池健康状态。

具体的，电池健康状态的计算公式为：

式中，Q为充入容量，pack

步骤S506：根据电池健康状态、电池额定容量，以及历史充电数据对应的历史放电数据，得到商用电动车辆的历史单位时间能耗数据。

其中，充电数据对应的放电数据，是指当前充电段的充电结束时刻至下一充电段的充电开始时刻之间的放电数据。

具体的，终端先根据电池健康状态、电池额定容量，以及放电开始时刻和放电结束时刻的SOC差，即可得到商用电动车辆在设定时间内的历史能耗，再综合预设时长内多个计算周期的历史能耗和放电时长，得到商用电动车辆在预设时长内各计算周期的单位时间能耗值。一段时间内，多个计算周期的单位时间能耗值组成的数据集，即为历史单位时间能耗数据。

其中，设定时间内的能耗C的计算公式为：

C＝SOH×paCk

式中，delt_soc_discharge为放电开始时刻和放电结束时刻的SOC差。

单位时间能耗值Cper的计算公式为：

式中，hour_discharge为放电时长，即放电开始时刻和放电结束时刻的时间差。

进一步的，若设定时间内，一个充电段对应有多个子放电段，则结合各子放电段的放电数据得到历史单位时间能耗数据。具体的，可以将各放电段的能耗相加，得到这些放电段的总能耗和总放电时长，并将该总能耗除以总放电时长，得到单位时间能耗值；也可以基于各放电段的放电数据，分别计算得到各子放电段的子单位时间能耗值，再取各子单位时间能耗值的平均值或中位数，作为充电段对应的放电段的单位时间能耗值。

若设定时间内，存在多个充电段，则根据各充电段的充电数据，以及该充电段对应的放电段的放电数据，分别计算得到各充电段对应的放电段的能耗。再根据各充电段对应的放电段的能耗，进行区别处理：若各充电段对应的放电段的能耗中，最大能耗值小于电池额定容量，则基于该最大能耗值计算设定时间内的单位时间能耗值；若各充电段对应的放电段的能耗中，最大能耗值大于或等于电池额定容量，且小于预设倍数的电池额定容量，则基于各充电段对应的放电段的能耗的平均值，计算设定时间内的单位时间能耗值；若各充电段对应的放电段的能耗中，最大能耗值大于或等于预设倍数的电池额定容量，则认为能耗异常，舍弃该计算周期内的充放电数据。其中，预设倍数为大于1的实数，如1.1、1.2或1.3。

此外，在计算单位时间能耗值之前，还可以基于统计学规则，进行能耗和放电时长异常值的处理，以避免异常数据的影响，进一步提高能耗预测精度。例如，可以采用±3*sigma或者其它规则，剔除历史能耗中的离群值；采用±1*sigma或者其它规则，剔除历史能耗对应的单位时间能耗值的离群值；剔除＜-1*sigma和＞+3*sigma的放电时长数据。

上述实施例中，在计算商用电动车辆的历史单位时间能耗数据的过程中，考虑车辆的实时电池健康状态，有利于提高历史单位时间能耗数据的准确性，进而提升模型的预测精度。

步骤S406：根据历史单位时间能耗数据和行驶位置特征数据，得到历史能耗数据。

其中，历史能耗数据是指包含历史单位时间能耗数据和历史行驶位置特征数据的历史数据。具体的，可以将步骤S404中得到的，预设时长内多个计算周期的历史单位时间能耗数据，按照计算周期所在的时间节点，与同一商用电动车辆的历史行驶位置特征数据合并，形成包含时间、历史单位时间能耗数据和历史行驶位置特征数据的历史能耗数据。

步骤S408：根据历史能耗数据和预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。

具体的，基于历史能耗数据，使用预设的模型损失函数和机器学习算法进行模型训练，即可得到能耗预测模型。

上述实施例中，在进行模型训练的过程中，先计算得到商用电动车辆的历史单位时间能耗数据，再基于历史单位时间能耗数据和历史行驶位置特征数据进行模型训练得到能耗预测模型，可以准确表征单位时间能耗与行驶位置特征的关系，有利于提高能耗预测模型与实际工况的匹配度，进而提升模型的预测精度。

在一个实施例中，请继续参考图3，步骤S106之后，还包括步骤S107：将历史能耗数据划分成训练集和测试集，基于训练集和能耗预测模型得到测试集对应的能耗预测数据，并根据测试集，以及测试集对应的能耗预测数据，对能耗预测数据进行修正处理，得到修正后的能耗预测数据。其中，步骤S107在步骤S108之前执行。

具体的，可以按照预设比例，将历史能耗数据划分成训练集和测试集两部分，并将训练集代入能耗预测模型，得到测试集对应的能耗预测数据。再将测试集中的实际能耗数据与对应的能耗预测数据进行比较，确定模型预测误差序列，再根据该误差序列确定能耗预测模型的修正值。进一步的，终端根据该误差序列确定能耗预测模型的修正值的方式并不唯一，例如，可以将误差序列中的中位数或平均值作为能耗预测模型的修正值。

其中，模型预测误差序列中的误差值的计算公式为：

error

式中，error

得到能耗预测模型的修正值后，再基于该修正值对能耗预测数据进行修正处理，将得到的初始能耗预测值叠加能耗预测模型的修正值，即可得到修正后的能耗预测值。也即，公式(5)对应的最终能耗预测值为：

Cpredict_final

式中，error为能耗预测模型的修正值，Cpredict_value

需要说明的是，预设比例的取值并不唯一，例如，可以按照4:1的预设比例，取实际能耗数据中的80％作为训练集，剩下的20％作为测试集；也可以按照3:2的预设比例，取实际能耗数据中的60％作为训练集，剩下的40％作为测试集。

上述实施例中，在得到能耗预测数据后，还基于训练集和测试集对能耗预测结果进行修正处理，可以进一步提高商用电动车辆能耗预测方法的预测精度。

为便于理解，下面结合图6，对商用电动车辆能耗预测方法进行详细说明。

在一个实施例中，如图6所示，终端获取商用电动车辆的历史行驶数据和电池额定容量，该历史行驶数据包括历史充放电数据和历史行驶特征数据。其中，行驶特征数据包括商用电动车辆不同时刻所在的城市，以及该城市对应的气温。获取历史行驶数据后，先进行数据预处理，剔除重复以及日期为空的数据行，并提取每辆车的充放电段数据段信息，提取每个充电段的起始SOC和结束SOC、充入容量Q，提取每个放电段的起始SOC和结束SOC、放电段时长等信息。再将充放电段的数据合并，将每个充电段对应至少一个放电段，并舍弃只有充电段或只有放电段的数据。其中，充电段对应的放电段，是指当前充电段的充电结束时刻至下一充电段的充电开始时刻之间的放电数据所对应的放电段。

得到对应的历史充放电数据后，再基于历史充放电数据，以一天为计算周期，得到车辆的历史单位时间能耗数据。具体的，先基于历史充电数据和电池额定容量，根据电池健康状态的计算公式(2)，得到计算周期内商用电动车辆的电池健康状态SOH，再将计算得到的SOH、电池额定容量，以及该充电数据对应的放电数据，代入公式(3)和(4)，得到对应的计算周期内车辆的能耗C和单位时间能耗值Cper。

若一个计算周期内，一个充电段对应有多个子放电段，则结合各子放电段的放电数据计算单位时间能耗值。具体的，可以将各放电段的能耗相加，得到这些放电段的总能耗和总放电时长，再将该总能耗除以总放电时长，得到单位时间能耗值；也可以基于各放电段的放电数据，分别计算得到各子放电段的子单位时间能耗值，再取各子单位时间能耗值的平均值或中位数，作为充电段对应的放电段的单位时间能耗值。

若一个计算周期内，存在多个充电段，则根据各充电段的充电数据，以及该充电段对应的放电段的放电数据，分别计算得到各充电段对应的放电段的能耗。再根据各充电段对应的放电段的能耗，进行区别处理：若各充电段对应的放电段的能耗中，最大能耗值小于电池额定容量，则基于该最大能耗值计算设定时间内的单位时间能耗值；若各充电段对应的放电段的能耗中，最大能耗值大于或等于电池额定容量，且小于1.2倍的电池额定容量，则基于各充电段对应的放电段的能耗的平均值，计算设定时间内的单位时间能耗值；若各充电段对应的放电段的能耗中，最大能耗值大于或等于1.2倍的电池额定容量，则认为能耗异常，舍弃该计算周期内的充放电数据。

进一步的，在计算单位时间能耗值之前，还可以基于统计学规则，进行能耗和放电时长异常值的处理，以避免异常数据的影响，进一步提高能耗预测精度。例如，可以采用±3*sigma或者其它规则，剔除历史能耗中的离群值；采用±1*sigma或者其它规则，剔除历史能耗对应的历史单位时间能耗值的离群值；剔除＜-1*sigma和＞+3*sigma的历史放电时长数据。

结合预设时长内多个计算周期的历史单位时间能耗值，即可得到商用电动车辆在预设时长内的历史单位时间能耗数据。得到历史单位时间能耗数据后，一方面，将该历史单位时间能耗数据合并历史行驶数据中的对应城市的环境温度数据，得到合并数据集，并基于该合并数据集，和预设的模型损失函数，进行模型训练得到GBRT模型。其中，模型损失函数为公式(1)。另一方面，考虑到商用电动车辆的行驶路线相对固定，而使用频次容易受当前业务量和在役车辆数量的影响，对历史放电时长数据进行线性插值，得到最近的预设时长内的连续放电时长数据，并将该连续放电时长数据，与历史同期的环境温度数据，用于进行车辆未来能耗的预测。具体的，将连续的放电时长数据，与历史同期的环境温度数据，代入训练得到GBRT模型，即可得到未来同期的能耗预测数据。可以理解，训练得到的GBRT模型可以用于表征单位时间能耗值与环境温度的关系，基于此，可以根据历史同期的环境温度数据，得到对应的单位时间能耗数据，再结合最近的预设时长内的连续放电时长数据，即可得到未来同期的能耗预测数据。

例如，取近期三个月的放电时长hour_discharge

C(t)＝f(hour_discharge

得到能耗预测数据后，将能耗预测数据按照预设时间分组，并取各组的预设95％分位数作为对应预设时间内的能耗预测数据。例如，对于未来三个月的能耗预测数据，可以按15天进行分组，并取各组的95％分位数，作为该组的能耗预测值。

为进一步提高能耗预测数据的准确性，按照4:1的比例，将历史能耗数据划分成训练集和测试集两部分，并将训练集代入能耗预测模型，得到测试集对应的能耗预测数据。再将测试集中的实际能耗数据与对应的能耗预测数据进行比较，根据公式(5)确定模型预测误差序列。最后将误差序列中的中位数确定为能耗预测模型的修正值，并基于公式(6)对能耗预测值进行修正，即可得到修正后的最终能耗预测数据。

此外，得到修正后的最终能耗预测数据后，终端还可以获取商用电动车辆的电池健康状态估计值，并将电池健康状态估计值乘以电池额定容量，得到该计算周期内的电池电量，再结合同一计算周期内的能耗预测数据，判断该商用电动车辆是否存在抛锚风险：若连续5个计算周期内预测的电池健康状态估计值所对应的电池电量，均小于对应计算周期内的能耗预测值，则认为该车存在较高的抛锚风险。进一步的，在确定商用电动车辆的抛锚风险后，还可以输出警示信息，提示用户采取相应的风险预防措施，例如提示用户加强该车的监控频次，或者提示用户准备备件等。

上述商用电动车辆能耗预测方法，将放电时长数据和行驶位置特征数据代入能耗预测模型，得到能耗预测数据，一方面，由于商用电动车辆的行驶路线相对固定，与行驶路线对应的行驶位置特征数据可以一定程度上反应商用电动车辆的实际驾驶环境，有利于提高能耗预测数据的准确性；另一方面，采用基于机器学习算法得到的能耗预测模型进行能耗预测，并引入误差项，可以省去繁琐的数学建模，在确保精度的基础上提高工作效率。此外，在得到商用电动车辆能耗预测数据后，还获取商用电动车辆的电池健康状态估计值，并根据电池健康状态估计值和能耗预测数据，确定商用电动车辆的抛锚风险，可以便于用户及时发现异常并采取相应措施，有利于降低商用电动车辆的抛锚概率，提高车辆的使用安全性。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，第二方面，本申请实施例还提供了一种用于实现上述所涉及的商用电动车辆能耗预测方法的商用电动车辆能耗预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个商用电动车辆能耗预测装置实施例中的具体限定，可以参见上文中对于商用电动车辆能耗预测方法的限定，在此不再赘述。

在一个实施例中，如图7所示，提供了一种商用电动车辆能耗预测装置700，包括放电时长获取模块702、行驶位置特征获取模块704和能耗预测706，其中：

放电时长获取模块702，用于获取商用电动车辆的放电时长数据；

行驶位置特征获取模块704，用于获取商用电动车辆的行驶位置特征数据；

能耗预测模块706，用于将放电时长数据和行驶位置特征数据代入能耗预测模型，得到商用电动车辆的能耗预测数据；能耗预测模型基于机器学习算法得到。

在一个实施例中，商用电动车辆能耗预测装置700还包括：

能耗预测模型训练模块，用于根据商用电动车辆的历史行驶数据、电池额定容量，以及预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。

在一个实施例中，能耗预测模型训练模块包括：

数据获取单元，用于获取商用电动车辆的历史行驶数据和电池额定容量；历史行驶数据包括历史充放电数据和历史行驶位置特征数据；

能耗数据计算单元，用于基于历史充放电数据和电池额定容量，计算得到商用电动车辆的历史单位时间能耗数据；

历史能耗数据生成单元，用于根据历史单位时间能耗数据和历史行驶位置特征数据，得到历史能耗数据；

能耗预测模型训练单元，用于根据历史能耗数据和预设的模型损失函数，基于机器学习算法进行模型训练得到能耗预测模型。

在一个实施例中，能耗数据计算单元具体用于：以设定时间为周期，基于历史充放电数据，得到商用电动车辆的历史充电数据和历史放电数据；基于历史充电数据和电池额定容量，得到设定时间内商用电动车辆的电池健康状态；根据电池健康状态、电池额定容量，以及历史充电数据对应的历史放电数据，得到商用电动车辆的历史单位时间能耗数据。

在一个实施例中，商用电动车辆能耗预测装置700还包括修正模块，用于：将历史能耗数据划分成训练集和测试集，基于训练集和能耗预测模型得到测试集对应的能耗预测数据；根据测试集，以及测试集对应的能耗预测数据，对能耗预测数据进行修正处理，得到修正后的能耗预测数据。

在一个实施例中，能耗预测模块706具体用于：对放电时长数据进行插值处理，得到插值处理后的放电时长数据，并将插值处理后的放电时长数据，以及行驶位置特征数据，代入能耗预测模型。

在一个实施例中，能耗预测模块706包括：

初始能耗预测数据生成单元，用于将放电时长数据和行驶位置特征数据代入能耗预测模型，得到商用电动车辆的初始能耗预测数据；

能耗预测数据生成单元，用于将初始能耗预测数据按照预设时间分组，并取各组的预设百分位数作为对应预设时间内的能耗预测数据；预设百分位数大于50％。

在一个实施例中，商用电动车辆能耗预测装置700还包括：

抛锚风险确定模块，用于获取商用电动车辆的电池健康状态估计值，并根据电池健康状态估计值和能耗预测数据，确定商用电动车辆的抛锚风险。

上述商用电动车辆能耗预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种商用电动车辆能耗预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。