本技术介绍了一种利用历史实时能耗数据预测燃料电池汽车续航的新方法。该方法首先通过标准化测试收集燃料电池汽车的历史数据,并结合开放道路数据构建速度历程曲线。接着,对历史数据进行处理以生成模型输入数据,并利用这些数据训练原始CNN-LSTM能耗模型,从而获得优化后的能耗预测模型。通过对速度历程曲线进行划分,提取速度历程片段,并计算对应片段的里程,将这些片段输入优化后的CNN-LSTM模型以预测能耗。结合片段里程和预测能耗,计算剩余能量和历史单位能耗行驶里程,再通过历史实时策略优化单位能耗行驶里程。最终,将剩余能量与优化后的单位能耗行驶里程相乘,得出燃料电池汽车的续驶里程预测值。
背景技术
燃料电池汽车是一种环保、高效的交通工具,具有能源补充迅速及续航里程长的优势。然而准确预测燃料电池汽车的续驶里程一直是一个挑战。传统的基于数学模型和简单能耗估计的预测方法无法充分考虑到外部环境、控制策略和实时能耗的复杂性,导致预测结果偏差大,难以实现续驶里程的准确预测。
公开号为CN112339615A的专利文献公开了一种基于在线支持向量机的燃料电池客车续航里程预测方法,通过构建燃料电池氢气消耗离线预测支持向量机模型,考虑电堆老化、公交车运营环境等多个因素,预测公交车接下来到达其余站点所需的氢气消耗量,并计算出剩余里程,帮助驾驶员合理安排行车计划、及时去加氢站充氢气。但是该方法是以某一站点为节点获取此处的环境变量,并未考虑车辆在行驶过程中实时工况的变化,并因此带来续驶里程预测的不准确。
公开号为CN113352899B的专利文献公开了一种基于XGBoost算法的氢燃料电池汽车续航里程预测方法,首先获取车辆当前的各种相关数据,分析判断当前车辆工况,采用XGBoost算法预测氢气在当前工况下的未来的消耗曲线,不断利用算法模型的残差来优化调整当前续驶里程的运算需要用的算法模型。但是该方法仅将工况类型分为四种,不足以表征燃料电池汽车复杂的工况变化,也没有考虑历史能耗对于车辆续驶里程的影响。
实现思路