[發明專利]一種評估重型柴油車能耗的方法和設備

在審

• 申請號: 202010918106.5
• 申請日: 2020-09-03
• 公開（公告）號: CN112200932A
• 公開（公告）日: 2021-01-08
• 發明（設計）人: 盧浩雷;張鵬;孟德超;王讓;顧偉偉;張雷;武震宇;金鑫;于清源;張敏
• 申請（專利權）人: 北京蜂云科創信息技術有限公司
• 主分類號: G07C5/08
• 分類號: G07C5/08;G06N3/08;G06N3/04;G06K9/62
• 代理公司: 北京睿博行遠知識產權代理有限公司 11297
• 代理人: 龔家驊

1.一種評估重型柴油車能耗的方法，其特征在于，所述方法包括：

根據車輛的點火開關信號和發動機狀態信號確定當前行程內的行駛里程；

基于CAN總線獲取所述行駛里程內的車輛行駛數據，并對所述車輛行駛數據進行分類細化提取各基本特征信息，所述車輛行駛數據包括車輛工況特征數據，道路環境特征數據和駕駛行為特征數據；

基于皮爾遜相關系數計算同類型所述基本特征信息的相關系數，隨機剔除所述相關系數中大于預設閾值的一個所述基本特征信息，獲取能耗特征數據；

根據所述能耗特征數據和預設關系模型確定能耗評估結果，所述預設關系模型是基于神經網絡根據多個樣本數據進行訓練獲得的，所述樣本數據包括具有對應關系的能耗特征數據和能耗。

2.如權利要求1所述的方法，其特征在于，所述預設關系模型基于生成對抗網絡建立，所述生成對抗網絡包括生成器和分類器，所述生成器和分類器均包括卷積神經網絡和全連接層，在根據所述能耗特征數據和預設關系模型確定能耗評估結果之前，所述方法還包括：

在所述生成對抗網絡結構中，將原始數據輸入到生成器中，所述原始數據為所述樣本數據的子集；

生成器接收輸入數據，通過卷積神經網絡輸出對所述輸入數據進行預測后獲得的輸出；

將生成器的輸出與所述真實數據合并作為分類器的輸入，用于分類器進行學習真實數據和生成數據，利用反向傳播來提升訓練精準度；

分類器的輸出被返回用于訓練生成器。

3.如權利要求2所述的方法，其特征在于，所述生成器包括6個卷積層，將輸入矩陣從低階特征轉換為對應的高階特征；然后輸入至4個全連接層中，用于學習數據的相互結構；最后再接6個轉置卷積層，用于將數據恢復到低階特征上；

所述分類器包括6個卷積層，將輸入矩陣轉換為對應的高階特征；然后輸入至3個全連接層，用于對結果進行分離。

4.如權利要求1所述的方法，其特征在于，基于皮爾遜相關系數計算同類型所述基本特征信息的相關系數，具體為：

其中，X和Y表示同類型的兩個所述基本特征信息，ρ_XY表示變量X和Y的相關系數，Cov(X,Y)代表變量X和Y的協方差，D(X)和D(Y)分別代表變量X和Y的方差，ρ_XY取值范圍[-1，1]，ρ_XY絕對值越接近1，則相關性越大，反之則越小。

5.如權利要求1所述的方法，其特征在于，在基于皮爾遜相關系數計算同類型所述基本特征信息的相關系數之前，所述方法還包括：

對所述基本特征信息進行預處理，所述預處理包括缺失值處理、噪聲數據平滑和離群點識別中的至少一個。

6.如權利要求1所述的方法，其特征在于，所述車輛工況特征數據包括所述車輛車身長度、車齡、里程、能耗、發動機額定功率、發動機輸出功率和車輛承載率；所述道路環境特征數據包括道路擁堵程度、上坡段比例、下坡段比例、天氣溫度；所述駕駛行為特征數據包括油門深度、怠速時長、換擋轉速控制、剎車頻率。

7.如權利要求1所述的方法，其特征在于，根據所述能耗特征數據和預設關系模型確定能耗評估結果，具體為：

將所述能耗特征數據輸入所述預設關系模型，以使所述預設關系模型輸出對應的能耗預測值；

根據所述能耗預測值確定所述能耗評估結果。

8.如權利要求7所述的方法，其特征在于，在根據所述能耗預測值確定所述能耗評估結果之后，所述方法還包括：

根據所述能耗預測值和能耗評估需求確定能耗評估指標，所述能耗評估指標包括能耗預測值分別與交通條件、總行程里程、天氣環境、道路條件和駕駛行為的關系特性指標。