[發明專利]一種基于深度學習的電單車剩余里程估計方法及系統

在審

• 申請號: 202110053054.4
• 申請日: 2021-01-15
• 公開（公告）號: CN112862160A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 袁堯;胡金龍
• 申請（專利權）人: 淮安中科晶上智能網聯研究院有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 溫子云;郭德忠

1.一種基于深度學習的電單車剩余里程估計方法，其特征在于，包括以下步驟：

步驟1、對電單車剩余里程表征數據的初始樣本進行數據預處理得到中間樣本，將所述中間樣本分類得到不同車型的分類樣本；設定所述分類樣本中每個數據的權值，對所述分類樣本中同一行駛時刻的數據加權求和后，再采用虛假最近鄰點算法處理得到重構樣本；所述電單車剩余里程表征數據包括車輛銘牌數據及實時行駛數據；

步驟2、基于卷積神經網絡建立平均功耗模型，基于BiLSTM建立統計電量模型；采用所述重構樣本訓練所述平均功耗模型得到各類電單車的最優平均功耗模型，采用所述分類樣本訓練所述統計電量模型得到各類電單車的最優統計電量模型；

步驟3、應用中，根據待估計剩余里程電單車的型號，選擇對應的最優平均功耗模型及最優統計電量模型；將所述待估計剩余里程電單車的當前行駛時刻的剩余里程表征進行數據預處理后分別輸入最優平均功耗模型及最優統計電量模型，分別得到所述待估計剩余里程電單車在當前行駛時刻的平均功耗值及統計電量值；計算所述統計電量值與平均功耗值的比值，即可得到所述待估計剩余里程電單車在當前行駛時刻的剩余里程值。

2.根據權利要求1所述的方法，其特征在于，所述步驟2中基于卷積神經網絡建立平均功耗模型，所述卷積神經網絡為去掉池化層的新卷積神經網絡。

3.根據權利要求2所述的方法，其特征在于，所述新卷積神經網絡的訓練過程為：所述步驟1中采用虛假最近鄰點算法處理得到重構樣本的同時還要得到滑動窗口，采用所述重構樣本，并以所述滑動窗口作為所述新卷積神經網絡的步長，訓練所述新卷積神經網絡得到所述最優平均功耗模型。

4.根據權利要求1所述的方法，其特征在于，所述電單車剩余里程表征數據包括車型、電池出廠時間、電機出廠時間、額定電池容量、額定功率、工作溫度、變轉矩頻率、恒功率頻率、整車質量、原始車胎狀態、行駛里程、環境溫度、普遍工況、行駛速度、行駛電壓、行駛電流、行駛剩余電量、載重、循環充放電次數、車燈耗電量和行駛車胎狀態。

5.根據權利要求1所述的方法，其特征在于，所述步驟1與步驟3中的數據預處理包括數據清洗、數據變換和數據集合。

6.一種根據權利要求1～5任意一項所述的方法的基于深度學習的電單車剩余里程估計系統，其特征在于，包括數據處理模塊、平均功耗計算模塊、統計電量計算模塊及剩余里程計算模塊；

其中，所述數據處理模塊，用于對電單車剩余里程表征數據進行數據預處理得到待分析數據；對訓練樣本進行數據預處理得到中間樣本，將中間樣本分類得到不同車型的分類樣本，對分類樣本中同一行駛時刻的數據加權求和后，再采用虛假最近鄰點算法處理得到重構樣本；

所述平均功耗計算模塊，包含多個針對不同型號的電單車的平均功耗計算子模塊；采用所述數據處理模塊輸出的重構樣本對平均功耗計算子模型進行訓練；將所述數據處理模塊輸出的所述待分析數據輸入對應型號的訓練得到的平均功耗計算子模塊中，計算得到電單車平均功耗；

所述統計電量計算模塊，包含多個針對不同型號的電單車的統計電量計算子模塊；采用所述數據處理模塊輸出的重構樣本對統計電量計算子模塊進行訓練；將所述數據處理模塊輸出的所述待分析數據輸入對應型號的訓練得到的統計電量計算子模塊中，計算得到電單車統計電量；

所述剩余里程計算模塊，用于根據平均功耗計算模塊輸出的所述電單車平均功耗及所述統計電量計算模塊輸出的所述電單車統計電量，計算所述統計電量值與所述平均功耗值的比值得到電單車的剩余里程。

7.根據權利要求6所述的方法，其特征在于，所述數據處理模塊中的數據預處理的方式為：數據清洗、數據變換和數據集合。