[发明专利]基于深度学习的电动汽车续航里程预测方法、设备及介质

权利要求书

1.一种基于深度学习的电动汽车续航里程预测方法，其特征在于，包括以下步骤：

采集待预测电动汽车的历史基础数据，并对所述历史基础数据进行分类；

对分类后的历史基础数据进行数据清洗，以得到历史清洗数据；

构建深度神经网络模型；

以所述历史清洗数据作为训练数据，使用深度学习框架训练所述深度神经网络模型；

获取待预测电动汽车最新的若干条基础数据；

将若干条基础数据输入到训练好的深度神经网络模型，得到若干个续航里程预测结果；

利用预设的预测公式对所述若干个续航里程预测结果进行预测，得到预测电动汽车的续航里程；

所述深度神经网络模型包括：

输入层：接收输入的连续变量，输出到批归一化层；

嵌入层：接收输入的分类变量，输出到DropOut Layer；

Concatenation Layer：接收所述批归一化层和DropOut Layer的输出矩阵，将批归一化层和DropOut Layer输出的矩阵拼接为一个单独的矩阵；

第一全连接层：将Concatenation Layer输出的矩阵输出给第二全连接层；

第二全连接层：接收第一全连接层输出的矩阵，对第一全连接层输出的矩阵进行初始降维处理；

第三全连接层：接收第二全连接层进行初始降维处理后获得的矩阵，将该矩阵降为一维矩阵输出。

2.根据权利要求1所述基于深度学习的电动汽车续航里程预测方法，其特征在于，

所述待预测电动汽车的基础数据包括以下一种或几种数据的组合：电动汽车运动数据、电池数据、电机数据、电机控制器数据和环境数据；

其中，电动汽车运动数据包括以下一种或几种数据的组合：运行模式、车速、行驶里程、加速踏板行程、制动踏板行程、档位、空调状态、充电状态、车辆状态和制动力；

电池数据包括以下一种或几种数据的组合：电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度和SOC；

电机数据包括以下一种或几种数据的组合：电机的转速、电机的转矩和电机的温度；

电机控制器数据包括以下一种或几种数据的组合：电机控制器输入电压、电机控制器直流母线电流和电机控制器温度；

环境数据包括以下一种或几种数据的组合：车外的温度、车辆所处位置的经纬度和海拔高度。

3.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述对所述历史基础数据进行分类具体包括：

将所述历史基础数据分为两类：分类变量和连续变量；

其中，分类变量包含运行模式、档位、空调状态、充电状态、SOC、车辆状态和制动力；

连续变量包括车速、行驶里程、加速踏板行程、制动踏板行程、电池包总电压、电池包总电流、单体电池电压、单体电池电流、电池包中监测点温度、电机的转速、电机的转矩和电机的温度、电机控制器输入电压、电机控制器直流母线电流、电机控制器温度、车外的温度、车辆所处位置的经纬度、海拔高度。

4.根据权利要求2所述基于深度学习的电动汽车续航里程预测方法，其特征在于，所述对分类后的历史基础数据进行数据清洗，以得到历史清洗数据具体包括：

去掉连续变量中的单位；

当连续变量中一数值存在缺失或超出预设范围时，定义该数值为异常连续数值，求取该连续变量中异常连续数值的前一数值和后一数值的均值，用该均值替换该异常连续数值；

当分类变量中一数值存在缺失或超出预设范围时，定义该数值为异常分类数值，用分类变量中该异常分类数值的前一数值替换该异常分类数值。