[发明专利]基于GRU网络模型预测未来行驶过程能耗的方法

说明书

本发明公开了一种基于GRU网络模型预测未来行驶过程能耗的方法，将与电动汽车行驶过程中电池能耗变化有较强相关性的变量输入至GRU网络当中，计算输入时间序列数据的权重和偏向，通过不断调整模型的参数值，保存最优模型参数；基于权重和偏向计算获得GRU网络的训练结果；输入测试样本至工况行驶SOC预测模型，输出预测结果；通过对历史行车数据的训练，可准确预测电动汽车未来行驶过程中的电池能耗值变化。本发明对电动汽车未来行驶过程中的电池能耗预测误差小，有效提升了预测准确率。通过对能耗值进行精准预测，可以准确的估算出电动汽车在未来行驶工况下的续航里程，从而帮助电动汽车驾驶员建立行驶里程自信。

技术领域

本发明属于交通技术领域，主要应用于通过预测未来行驶工况能耗估算电动汽车续航里程的方法，具体涉及一种基于GRU网络模型预测未来行驶过程能耗的方法。

背景技术

电动汽车以电能作为动力来源，电能具有高效、快捷、来源广泛、清洁无污染的特点，使得电动汽车已经是汽车行业发展的最新趋势。由于电动汽车的能量仅由电池提供，而电池的能量又不充足，这样导致在车辆行驶过程中易使驾驶者产生里程焦虑问题，即驾驶电动汽车时因担心突然没电引起的精神痛苦或忧虑，所以行驶里程短这一限制严重制约了电动汽车的推广普及。

目前关于电动汽车续航里程的研究中，未来能耗估计方法十分简单，认为车辆未来行驶条件与过去基本相同，能耗始终保持不变。而在实际道路上运行时，电动汽车电流、电压、温度、速度、驾驶习惯等各种环境因素都在变化，如何结合电动汽车行驶过程中的工况特性，借助现有的预测模型进行分析，从而保障驾驶员每一次出行的通行能力，是每一个交通人最为关心的问题。主要工作体现在借助电动汽车的电池管理系统中的历史流量数据对未来行驶过程中的电动汽车能耗进行预测。

现有技术中，综合分析主要分为两大类：1、基于过去一段时间的平均能耗估计未来行驶的平均能耗。影响电动汽车的能耗因素有很多，主要包括道路类型、坡度、车速、交通状况、环境温度、驾驶习惯等。当未来的交通状况发生改变的时候，电动汽车的能耗就会发生很大的改变，产生较大的预测误差。2、利用具体能耗模型结合GPS信息具体计算出未来的行驶能耗需求。这种方法需要采集并处理大量的数据信息，而且要根据车辆工作原理建立复杂车辆能耗估计模型，这是一个很繁琐的过程，并且车辆的大部分能耗影响因子的影响又很难量化，能耗计算过程相对复杂。

发明内容

针对上述现有技术仅从模型的改善来预测电池的电荷状态无法从实质情况提升预测精度的问题，本发明于提出一种GRU网络模型预测未来行驶过程中能耗的方法。该方法的具体技术方案如下：

一种基于GRU网络模型预测电动汽车未来行驶平均能耗值的方法，所述方法包括：

S1、构建数据集，从城市公交大数据平台数据库中将纯电动公交车辆历史行驶数据导入至Hadoop大数据集群下的HBase数据库中，通过Spark计算框架对电动公交数据进行预处理；

S2、将处理后的数据特征进行标准化处理，分析每个特征的影响因子，筛选出有效特征；

S3、建立模型，基于GRU网络构建以交叉验证的方式对输入的数据集和输出数据划分为训练集和测试集，通过训练GRU网络模型，结合设定的初始网络参数，建立预测电动车未来行驶能耗的GRU网络模型，并跟踪损失函数调整参数，获得最优的GRU网络模型；

S4、输入新特征数据样本至所述GRU网络模型，输出车辆运行过程中未来的平均能耗，从而计算出新能源公交车的剩余续航里程。

进一步的，所述步骤S1中通过Spark计算框架对电动汽车行驶数据进行预处理，包括以下步骤：

步骤1-1)从HBase数据库中根据车辆状态参数筛选出行驶数据，对数据进行预处理，包括异常值、空缺值剔除，数据修复；

步骤1-2)以行驶里程一公里为度量，计算车辆平均速度、平均电压、平均电流，最高温度、最低温度；