法律状态公告日
法律状态信息
法律状态
2020-08-18
授权
授权
2019-03-26
实质审查的生效 IPC(主分类):G06F17/50 申请日:20181023
实质审查的生效
2019-03-01
公开
公开
技术领域
本发明涉及能耗分析领域,特别是涉及一种电动汽车的能耗分析方法及系统。
背景技术
作为缓解能源危机和大气污染的有效措施,新能源汽车逐渐成为汽车工业的发展趋势。电动汽车的能耗能够对不同车型的整体和实时能耗水平进行评估,对于用户选购和实际驾驶电动汽车具有指导意义。
现有的电动汽车的能耗分析仅限于高能耗驾驶行为,能耗分析不全面。另外,有的能耗分析仅限于离线的车辆,在实时运行的测量中无法直接获取动力电池输出的总电量、车的功率、轴功率等参数,在实际运行车能耗以及效率分析过程中,会导致该系统失效。
发明内容
本发明的目的是提供一种电动汽车的能耗分析方法及系统,能够适用运行中的电动汽车,同时提高了能耗分析的准确性和全面性。
为实现上述目的,本发明提供了如下方案:
一种电动汽车的能耗分析方法,所述能耗分析方法包括:
采集电动汽车的多组原始数据,所述原始数据包括:第一时间、第一速度、第一加速度、总电压、荷电状态和总电流;各所述原始数据按时间顺序排列;相邻所述原始数据的时间间隔相同;
对各所述原始数据进行数据异常和缺失值处理,得到预处理数据集;
根据所述预处理数据集进行运动片段划分;所述运动片段包括:怠速、加速、匀速和减速四个阶段;
确定所述运动片段的特征参数;所述特征参数包括:第二速度、第二加速度、第二时间和距离;
对所述特征参数进行主成分分析,得到主成分得分矩阵;
对所述主成分得分矩阵进行k-均值聚类,将各所述运动片段划分为低速运动片段、中速运动片段和高速运动片段;
根据所述低速运动片段、中速运动片段和高速运动片段计算所述电动汽车的低速能耗、中速能耗和高速能耗。
可选的,对各所述原始数据进行数据异常和缺失值处理,具体包括:
判断各所述原始数据是否为异常数据,所述异常数据的总电压和荷电状态是否均为零;若存在,删除所述异常数据,得到第一监测数据集;
将所述第一监测数据集中的相邻所述原始数据的时间做差,得到时间差;
判断所述时间差是否为采样周期,若否,判断前组数据的速度或者后组数据的速度是否为零,得到第一判断结果,其中,所述前组数据为位于形成所述时间差的两组所述原始数据的之前的最近的一组原始数据,所述后组数据为位于形成所述时间差的两组所述原始数据的之后的最近第一组原始数据;
若所述第一判断结果表示前组数据的速度或后组数据的速度为零,将缺失片段定义为非运动状态;所述缺失片段为形成所述时间差的两组所述原始数据中间的时间区段;
若所述第一判断结果表示前组数据的速度和后组数据的速度均不为零,判断所述时间差是否大于10倍的采样周期,得到第二判断结果;
若所述第二判断结果表示所述时间差大于10倍的采样周期,删除所述缺失片段;
若所述第二判断结果表示所述时间差小于或者等于10倍的采样周期,采用插值法对所述缺失片段进行增补。
可选的,所述插值法为埃尔米特插值法。
可选的,各个行驶状态的定义如表1所示:
表1各个行驶状态的定义
将怠速、加速、匀速、减速到0化分为一个运动片段。
可选的,所述第二速度包括:平均速度、平均行驶速度、速度标准差和最大速度;
所述第二加速度包括:平均加速度、最大加速度、平均加速度、最大减速度和加速度标准差;
所述第二时间包括:加速时间、减速时间、怠速时间、匀速时间和总行驶时间;
所述距离为总行驶距离。
可选的,根据所述低速运动片段、中速运动片段和高速运动片段计算所述电动汽车的低速能耗、中速能耗和高速能耗,具体包括:
计算每一类运动片段的单位行驶里程的累计正向动能和单位行驶里程的累计负向动能;
根据所述累计正向动能和所述累计负向动能计算第一独立成分和第二独立成分;
根据所述第一独立成分和所述第二独立成分计算所述电动汽车的低速能耗、中速能耗和高速能耗。
可选的,计算每一类运动片段的单位行驶里程的累计正向动能和单位行驶里程的累计负向动能,具体包括:
采用公式(1)计算所述单位行驶里程的累计正向动能:
采用公式(2)计算所述单位行驶里程的累计负向动能:
其中,PKE表示单位行驶里程的累计正向动能,NKE表示单位行驶里程的累计负向动能,m表示电动汽车质量,N表示有N个时刻,i表示第i个时刻,v表示第i个时刻的速度,d表示位移。
可选的,根据所述累计正向动能和所述累计负向动能计算第一独立成分和第二独立成分,具体包括:
采用公式(3)计算第一独立成分:
R1=0.7071PKE-0.7071NKE (3)
采用公式(4)计算第二独立成分:
R2=0.7071PKE+0.7071NKE (4)
其中,R1表示第一独立成分,R2表示第二独立成分。
可选的,所述电动汽车的低速百公里能耗为:
ECR1=1.5118R1+4.2268R2+15.8294 (5);
所述电动汽车的中速百公里能耗为:
ECR2=-1.4025R1+2.5618R2+15.4682(6);
所述电动汽车的高速百公里能耗为:
EC3=0.5207R1+2.6583R2+13.3059(7)。
一种电动汽车的能耗分析系统,所述能耗分析系统包括:
数据采集模块,用于采集电动汽车的多组原始数据,所述原始数据包括:第一时间、第一速度、第一加速度、总电压、荷电状态和总电流;各所述原始数据按时间顺序排列;相邻所述原始数据的时间间隔相同;
预处理模块,用于对各所述原始数据进行数据异常和缺失值处理,得到预处理数据集;
运动片段划分模块,用于根据所述预处理数据集进行运动片段划分;所述运动片段包括:怠速、加速、匀速和减速四个阶段;
特征参数确定模块,用于确定所述运动片段的特征参数;所述特征参数包括:第二速度、第二加速度、第二时间和距离;
主成分分析模块,用于对所述特征参数进行主成分分析,得到主成分得分矩阵;
聚类模块,用于对所述主成分得分矩阵进行k-均值聚类,将各所述运动片段划分为低速运动片段、中速运动片段和高速运动片段;
能耗计算模块,用于根据所述低速运动片段、中速运动片段和高速运动片段计算所述电动汽车的低速能耗、中速能耗和高速能耗。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明将通过对实时运行的电动汽车数据收集与预处理后,定义各个行驶状态运用特定的运动片段,对相似运动学片段的进行主成分分析,利用聚类分析得到三类运动学片段,建立回归模型方程能对低速、中速、高速的能耗进行准确分析,提高了电动汽车能耗分析的准确性和全面性。
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为本发明电动汽车的能耗分析方法的流程图;
图2为本发明电动汽车的能耗分析系统的结构连接图;
图3为本发明一个完整的运动片段的示意图。
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。
本发明的目的是提供一种电动汽车的能耗分析方法及系统,能够适用运行中的电动汽车,同时提高了能耗分析的准确性和全面性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
图1为本发明电动汽车的能耗分析方法的流程图,如图1所示,所述能耗分析方法包括:
步骤11:采集电动汽车的多组原始数据,所述原始数据包括:第一时间、第一速度、第一加速度、总电压、荷电状态和总电流;各所述原始数据按时间顺序排列;相邻所述原始数据的时间间隔相同。采集周期为1s。
步骤12:对各所述原始数据进行数据异常和缺失值处理,得到预处理数据集,具体包括如下步骤:
步骤121:判断各所述原始数据是否为异常数据,所述异常数据的总电压和荷电状态是否均为零;若存在,删除所述异常数据,得到第一监测数据集;
步骤122:将所述第一监测数据集中的相邻所述原始数据的时间做差,得到时间差;
步骤123:判断所述时间差是否为采样周期,若否,判断前组数据的速度或者后组数据的速度是否为零,得到第一判断结果,其中,所述前组数据为位于形成所述时间差的两组所述原始数据的之前的最近的一组原始数据,所述后组数据为位于形成所述时间差的两组所述原始数据的之后的最近第一组原始数据;
步骤124:若所述第一判断结果表示前组数据的速度或后组数据的速度为零,将缺失片段定义为非运动状态;所述缺失片段为形成所述时间差的两组所述原始数据中间的时间区段;
步骤125:若所述第一判断结果表示前组数据的速度和后组数据的速度均不为零,判断所述时间差是否大于10倍的采样周期,得到第二判断结果;
步骤126:若所述第二判断结果表示所述时间差大于10倍的采样周期,删除所述缺失片段;
步骤127:若所述第二判断结果表示所述时间差小于或者等于10倍的采样周期,采用插值法对所述缺失片段进行增补。所述插值法为埃尔米特插值法。
步骤13:根据所述预处理数据集进行运动片段划分;所述运动片段包括:怠速、加速、匀速和减速四个阶段。
各个行驶状态的定义如表1所示:
表1各个行驶状态的定义
将怠速、加速、匀速、减速到0化分为一个运动片段。
步骤14:确定所述运动片段的特征参数;所述特征参数包括:第二速度、第二加速度、第二时间和距离
其中,所述第二速度包括:平均速度、平均行驶速度、速度标准差和最大速度;
所述第二加速度包括:平均加速度、最大加速度、平均加速度、最大减速度和加速度标准差;
所述第二时间包括:加速时间、减速时间、怠速时间、匀速时间和总行驶时间;
所述距离为总行驶距离。
步骤15:对所述特征参数进行主成分分析,得到主成分得分矩阵;
步骤16:对所述主成分得分矩阵进行k-均值聚类,将各所述运动片段划分为低速运动片段、中速运动片段和高速运动片段;
步骤17:根据所述低速运动片段、中速运动片段和高速运动片段计算所述电动汽车的低速能耗、中速能耗和高速能耗,具体包括:
步骤171:计算每一类运动片段的单位行驶里程的累计正向动能和单位行驶里程的累计负向动能:
采用公式(1)计算所述单位行驶里程的累计正向动能:
采用公式(2)计算所述单位行驶里程的累计负向动能:
其中,PKE表示单位行驶里程的累计正向动能,NKE表示单位行驶里程的累计负向动能,m表示电动汽车质量,N表示有N个时刻,i表示第i个时刻,v表示第i个时刻的速度,d表示位移。
步骤172:根据所述累计正向动能和所述累计负向动能计算第一独立成分和第二独立成分:
采用公式(3)计算第一独立成分:
R1=0.7071PKE-0.7071NKE (3)
采用公式(4)计算第二独立成分:
R2=0.7071PKE+0.7071NKE(4)
其中,R1表示第一独立成分,R2表示第二独立成分。
步骤173:根据所述第一独立成分和所述第二独立成分计算所述电动汽车的低速能耗、中速能耗和高速能耗:
所述电动汽车的低速百公里能耗为:
ECR1=1.5118R1+4.2268R2+15.8294 (5);
所述电动汽车的中速百公里能耗为:
ECR2=-1.4025R1+2.5618R2+15.4682(6);
所述电动汽车的高速百公里能耗为:
EC3=0.5207R1+2.6583R2+13.3059(7)。
本发明将通过对实时运行的电动汽车数据收集与预处理后,定义各个行驶状态运用特定的运动片段,对相似运动学片段的进行主成分分析,利用聚类分析得到三类运动学片段,建立回归模型方程能对低速、中速、高速的能耗进行准确分析,提高了电动汽车能耗分析的准确性和全面性。
实施例2
图2为本发明电动汽车的能耗分析系统的结构连接图;如图2所示,所述能耗分析系统包括:
数据采集模块21,用于采集电动汽车的多组原始数据,所述原始数据包括:第一时间、第一速度、第一加速度、总电压、荷电状态和总电流;各所述原始数据按时间顺序排列;相邻所述原始数据的时间间隔相同;
预处理模块22,用于对各所述原始数据进行数据异常和缺失值处理,得到预处理数据集;
运动片段划分模块23,用于根据所述预处理数据集进行运动片段划分;所述运动片段包括:怠速、加速、匀速和减速四个阶段;
特征参数确定模块24,用于确定所述运动片段的特征参数;所述特征参数包括:第二速度、第二加速度、第二时间和距离;
主成分分析模块25,用于对所述特征参数进行主成分分析,得到主成分得分矩阵;
聚类模块26,用于对所述主成分得分矩阵进行k-均值聚类,将各所述运动片段划分为低速运动片段、中速运动片段和高速运动片段;
能耗计算模块27,用于根据所述低速运动片段、中速运动片段和高速运动片段计算所述电动汽车的低速能耗、中速能耗和高速能耗。
本发明将通过对实时运行的纯电动汽车数据收集与预处理后,对相似运动学片段的主成分析和聚类,构建特征参数相似运动学片段集作为回归数据集,建立基于过程中因加速产生的正向动能(PKE)和减速产生的负向动能(NKE)对运动学片段的对百公里能耗回归方程模型。下面详细介绍其具体内容:
一、数据采集
利用车载终端,采集的数据参数有:速度、总电压、SOC(荷电状态)、总电流。数据1s采集一次。
二、数据预处理
将数据采集环节得到的速度、总电流、总电压、SOC(荷电状态)原始数据进行数据异常和缺失值的处理。
若出现所采集的数据SOC(荷电状态)和电压值都是零值,此时采集的数据被确定为数据异常,直接删除该条采集数据报文;
若数据无异常,针对采集数据时间项后一项减去前一项(采集的时候会有采集的具体到秒的一栏,由于会存在缺失等问题),由于采集数据频率1Hz,所以正常情况下时间项作差结果为1;
若时间间隔不是1s,说明采集数据时候中间存在数据缺失的情况,首先要进行判定数据区段前后的运行状态;若在该缺失上一区段末速度为0或下一区段初速度为0,则将缺失时刻定为非运行状态,不采取插补;
若该缺失上一区段末速度和下一去端初速度均不为0,此情形份两种情况讨论,如果区段缺失间隔小于10s,采用埃尔米特插值法,增补缺失的数据集,如果缺失间隔大于10s,直接删除缺失区段。
三、划分运动片段
各个行驶状态的定义如表1所示:
表1各个行驶状态的定义
将怠速、加速、匀速、减速到0化分为一个运动片段,如图3所示。四、运动片段特征参数选取
表2描述运动学片段的特征参数
如表2所示,运动片段的特征参数包括4大类,具体如下:
1、速度:平均速度、速度标准差、最大速度、平均行驶速度;
2、加速度:平均加速度、最大加速度、平均减速度、最大减速度和加速度标准差;
3、时间:加速时间、减速时间、怠速时间、匀速时间、总行驶时间
4、行驶距离:总行驶距离。
五、主成分分析方法及聚类
针对运动片段的特征参数,利用主成分分析方法选取
通过主成分分析,能够消除特征参数变量之间的相关性,构造线性不相关的主成分,有利于更加科学地对片段进行分类。
主成分分析(Principal ComponentAnalysis,PCA)是一种统计方法,利用正交变换将存在线性关系的变量转换为没有线性关系的变量,新变量叫做原变量的主成分。假设一个研究问题中涉及p个指标,分别用X1,X2,...,Xp来表示,这p个指标构成了一个p维向量,即X=(X1,X2,...,Xp),称X为原始变量。对X进行线性变换Y=LX得到一个新的p维向量Y,称Y为综合变量。设线性变换L由p个常数项量li=(li1,li2,...,lip)T,i=1,2,...,p构成,则Y满足:
为了让新构造的变量Y包含更多的原始信息,选取Yi的方差Var(Yi)作为评价标准。Var(Yi)越大则综合变量包含的原始内容越多。若综合变量之间均线性无关,则其协方差矩阵除了对角线以外应该都为零,因此PCA其实是一个协方差矩阵对角化的问题。假设原始变量X矩阵的协方差矩阵为C,线性变化后综合变量Y矩阵的协方差矩阵为D,如果一开始X矩阵被标准化,有:
只需要对协方差矩阵C进行特征分解,对求得的特征值进行从大到小排序,再用LT=(L1,L2,...,LP)乘以原始变量X就得到了综合变量Y=(Y1,Y2,...,YP)。其中按照特征值大小排列得到的Y1,Y2,...,YP称为第1,第2,…第p个主成分。PCA算法的标准流程为:
1)原始数据归一化。假设原始变量矩阵为:
按照如下方式对原始变量矩阵进行标准化处理:
其中:
2)计算原始变量的相关系数矩阵。
为方便表示,假设原始变量矩阵在归一化后仍用X表示,则归一化处理后X的相关矩阵为:
其中,
3)计算相关系数矩阵R的特征值(λ1,λ2,...,λp)和相应的特征向量ai:
ai=(ai1,ai2,...,aip),i=1,2,...,p>
4)根据贡献率选择主成分个数,根据相应的特征向量写出主成分表达式。
贡献率是指某个主成分的方差占全部方差的比重,即:
从式(9)可知某个主成分的方差就是对应相关系数矩阵R的某个特征值的大小,方差越大则主成分包含的信息也越多。一般按照特征值的大小排序后求累计贡献率,当累计贡献率达到85%以上对应的主成分个数比较合理。根据对应的特征向量可以写出主成分相对原始变量的表达式。
5)计算综合变量Y,也即是主成分得分。依据主成分得分,进一步对问题进行后续的分析和建模。
每个主成分对应的线性变换向量又称载荷系数,代表了主成分与原来数据之间的线性转换关系。原始变量在某个主成分上的载荷系数的绝对值越大,说明该变量与这个主成分的相关系数越高,所包含的信息量也就越多。
前五个主成分载荷系数矩阵L与归一化后的特征参数矩阵X相乘即可得到运动学片段的主成分得分矩阵Y。基于降维后的主成分得分矩阵Y进行k-均值聚类。将全部运动学片段划分为三类,分别包含若干个运动学片段。
由于提取运动学片段的特征参数后,还不能立即聚类算法进行分类。这是因为不同的特征参数变量之间可能存在不同程度的相关性,而片段的聚类希望能尽可能从不相关的多个维度进行,因而想选用的特征参数能够线性无关,因此需要进行主成分分析后在进行运动片段聚类。
之所以进行降维处理,是为了在减少需要分析的指标同时,尽量减少原指标包含信息的损失,以达到对所收集数据进行全面分析的目的。
百公里能耗ECR与对应的正向动能PKE和负向动能NKE呈现一定的线性关系。但PKE和NKE而二者本身也存在较强的线性相关性,所以需要通过主成分分析转换为独立主成分后再建立二元回归模型。
六、能耗计算
通过上述划分和筛选得到三类低速、中速和高速运动选片段的百公里能耗与片段的正向动能PKE和负向动能NKE。计算每一类运动学碎片的NKE和PKE以及相应的百公里能耗。
采用公式(1)计算单位行驶里程的累计正向动能PKE:
采用公式(2)计算所述单位行驶里程的累计负向动能NKE:
其中,PKE表示单位行驶里程的累计正向动能,NKE表示单位行驶里程的累计负向动能,m表示电动汽车质量,N表示有N个时刻,i表示第i个时刻,v表示第i个时刻的速度,d表示位移。
采用公式(3)计算第一独立成分:
R1=0.7071PKE-0.7071NKE (3)
采用公式(4)计算第二独立成分:
R2=0.7071PKE+0.7071NKE(4)
其中,R1表示第一独立成分,R2表示第二独立成分。
所述电动汽车的低速百公里能耗为:
ECR1=1.5118R1+4.2268R2+15.8294 (5);
所述电动汽车的中速百公里能耗为:
ECR2=-1.4025R1+2.5618R2+15.4682(6);
所述电动汽车的高速百公里能耗为:
EC3=0.5207R1+2.6583R2+13.3059(7)。
本发明的创新之处:借助实时运行数据,建立完备的数据预处理环节,最大化还原有效原始数据。基于速度、总电压、SOC(荷电状态)、总电流,定义各个行驶状态运用特定的运动片段,更有益于提取驾驶行为的特征参数,对相关参数进行降维,利用聚类分析得到三类运动学片段,建立回归模型方程能对低速、中速、高速的能耗进行准确分析。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
机译: 能耗分析仪,能耗分析系统及其分析方法
机译: 使用过去的能耗变化预测电动汽车的能耗
机译: 使用过去的能耗变化预测电动汽车的能耗