车辆能量管理系统和方法与流程

1.本发明涉及车辆，更具体地，涉及对车辆能量的管理。


背景技术：

2.当前，出于保护环境和节省能源的目的，利用新能源的混合动力汽车已经被广泛开发和应用，包括混合电动汽车(hev)、燃料电池电动汽车(fcev)以及燃料电池混合电动汽车(fchev)等。能量管理策略对于混合动力汽车而言是关键的技术，其在节约成本、增加续航里程方面有着重要的作用。
3.一种已经提出的能量管理策略是等效燃料消耗最小化策略(ecms)，确定最优等效燃料因子是其中的关键的技术，通过最优等效燃料因子可以实现混合动力汽车中的燃料消耗最小化。当前，等效燃料因子基于对车辆驾驶工况的识别来确定。驾驶工况可以包括：城市驾驶、乡村驾驶以及高速驾驶等。在识别了驾驶工况之后，基于所确定的当前驾驶工况，利用存储有各种驾驶工况与对应的等效燃料因子的查找表来查找出与当前驾驶工况相对应的等效燃料因子。
4.在实际的驾驶过程中，车辆的工况是复杂的，仅仅针对预定的驾驶工况通过查表确定对应的等效燃油因子，可能难以满足复杂工况的需求。例如，尽管城市驾驶涉及复杂的驾驶情况，但其通常仅被分配有一个特定的等效燃料因子。如果满足复杂工况的需求，在驾驶工况的种类繁多的情况下，查找表所占用的存储资源是可观的。这对于存储容量有限的车载系统尤其成问题。
5.因此，期望提供对车辆能量的改进的管理。


技术实现要素：

6.提供了改进的车辆能量管理系统和方法，其能够根据与车辆的运动状态相关的数据直接得到等效燃料因子而无需预先知道车辆驾驶工况。
7.根据本发明的一个方面，提供了一种车辆能量管理系统。所述系统包括：接收单元，其用于接收与车辆的运动状态相关的数据；以及确定单元，其用于利用机器学习模型基于所述数据确定等效燃料因子；其中，所述机器学习模型是基于已知的与车辆的运动状态相关的数据和相对应的等效燃料因子训练得到的。
8.根据本发明的另一个方面，提供了一种车辆能量管理方法。所述方法包括：接收与车辆的运动状态相关的数据；以及利用机器学习模型基于所述数据确定等效燃料因子；其中，所述机器学习模型是基于已知的与车辆的运动状态相关的数据和相对应的等效燃料因子训练得到的。
9.根据本发明的另一方面，提供了一种车辆能量管理设备。所述设备包括：存储器，其上存储有计算机可读指令；以及处理器，当所述计算机可读指令由所述处理器运行时，所述计算机可读指令使所述处理器执行根据本发明的各个实施例所述的方法。
10.根据本发明的另一方面，提供了一种计算机存储介质，其上存储有计算机可读指
令，当所述计算机可读指令由处理器执行时，所述计算机可读指令使所述处理器执行根据本发明的各个实施例所述的方法。
11.根据本发明的各方面的各个实施例，能够根据与车辆的运动状态相关的数据直接得到等效燃料因子而无需预先知道车辆驾驶工况。因此，无需存储包括具体车辆驾驶工况与对应的等效燃料因子的查找表，从而节省了系统的存储空间。此外，基于与车辆的运动状态相关的数据来确定等效燃料因子，能够使得所确定的等效燃料因子更适用于当前的实际驾驶情况，由此改进了确定等效燃料因子的准确性。
12.本领域技术人员在阅读和理解以下详细描述之后将认识到本发明的其他优点。
附图说明
13.图1示出了根据本发明的一个实施例的车辆能量管理系统的框图。
14.图2示出了根据本发明的一个实施例的示例性的用于确定等效燃料因子的神经网络模型。
15.图3示出了根据本发明的一个实施例的车辆能量管理方法的流程图。
具体实施方式
16.图1示出了根据本发明的一个实施例的车辆能量管理系统100的框图。该系统100至少包括接收单元101和确定单元102。接收单元101接收与车辆的运动状态相关的数据，尤其是与车辆的速度、加速度和零速度时间相关的数据。确定单元102利用如图2所示的机器学习模型10基于接收单元10接收的数据确定等效燃料因子。机器学习模型10例如是前向神经网络回归模型。
17.图2示出了根据本发明的一个实施例的示范性的机器学习模型10，其接收与车辆的运动状态相关的数据d
in
作为模型输入，并且输出等效燃料因子e。因此，不难理解，机器学习模型10是利用大量已知的与车辆的运动状态相关的数据和相对应的最优等效燃料因子通过机器学习方法训练得到的。本领域技术人员能够理解，在训练前可以调节模型的超参数和隐单元(例如，迭代次数、期望误差等)，以将过度拟合和欠拟合最小化，从而满足对模型准确度的需求。
18.例如，对于特定一种配置的车辆而言，能够针对特定的与车辆的运动状态相关的数据来确定燃料消耗最小时的等效燃料因子作为已知的最优等效燃料因子。最终，机器学习模型10是利用大量特定的数据与对应的已知的最优等效燃料因子训练得到的。
19.上述与车辆的运动状态相关的数据能够由相应的传感器20获得，传感器20包括但不限于：速度传感器、加速度传感器以及计时器。
20.能够理解，传感器20能够作为系统100的一部分而包括在系统100中。或者，传感器20可以独立于系统100的部件，例如，传感器20可以是车载传感器，或者传感器20可以被集成在智能移动设备上。独立于系统100的传感器20能够利用通信模块将获得的数据传送给系统100的接收单元101。
21.在一个优选的实施例中，确定单元102首先基于与车辆的运动状态相关的数据导出至少一项特征数据，例如，基于所接收的速度数据导出与速度的统计量有关的特征数据，并且基于所接收的加速度数据导出与加速度的统计量有关的特征数据，然后利用机器学习
模型基于该至少一项特征数据确定等效燃油因子。
22.本发明的发明人发现，能够由机器学习模型10接收为输入以准确地确定出等效燃料因子的优选特征数据包括在一个预定的时间段上，例如在一个驾驶周期上的如下特征数据：最大速度v
max
、平均速度v
avg
、速度的标准差v
std
、零速度时间比例idle、平均正向加速度a
avg
以及平均负向加速度a-avg
。其中，最大速度v
max
被确定为在整个驾驶周期中车辆行驶最快时的速度，平均速度v
avg
被确定为在整个驾驶周期中车辆行驶速度的平均值，速度的标准差v
std
被确定为在整个驾驶周期中车辆行驶速度的标准差，零速度时间比例idle被确定为车辆停止(例如由于等红灯)的时间占整个驾驶周期的比例，平均正向加速度a
avg
被确定为在整个驾驶周期中所有大于0.1m/s2的加速度值的平均值，并且平均负向加速度a-avg
被确定为在整个驾驶周期中所有小于0.1m/s2的加速度值的平均值。
23.在其他实施例中，本领域技术人员能够理解，根据对于确定准确度的不同需求，可以减少上述特征中的一个或多个；或者可以增加其他特征，例如加速度的标准差或者速度在特定范围内的时间比例等。
24.在一个实施例中，上述特征数据中的至少一项能够由系统100以外的其他处理单元得到，并且接收单元101直接接收上述特征数据中的至少一项作为与车辆的运动状态相关的数据。
25.在一个实施例后，机器学习模型10可以在车辆使用的过程中被不断实时的训练。例如，能够基于车辆的历史驾驶数据来进一步训练机器学习模型10。例如，在某次历史驾驶中，车辆消耗了更少的燃料，因此能够根据燃料消耗量计算出更优的等效燃料因子。可以利用此次驾驶中记录的与车辆的运动状态相关的数据以及所计算的更优的等效燃料因子对机器学习模型10进行进一步的自适应训练，使得机器学习模型10的准确性能够随着车辆使用时间的推进而逐渐提升。
26.在车辆行驶过程中，系统100的接收单元101可以例如从传感器20接收预定时间段的与车辆的运动状态相关的数据；响应于接收了预定时间段的数据，确定单元102基于所接收的预定时间段的数据更新等效燃油因子。在优选实施例中，接收单元以预定的频率来接收该预定时间段的数据，例如，该预定频率可以是1秒，预定时间段可以是1分钟。由此，接收单元每秒都接收之前1分钟之内的与车辆的运动状态相关的数据供确定单元使用。确定单元基于从接收单元接收的预定时间段的数据以相应的预定频率来更新等效燃油因子。
27.不同于现有技术中针对一种驾驶工况确定一个等效燃料因子的情况下，本发明能够实时地更新等效燃料因子。例如，即使车辆一直在城市驾驶这一种工况中使用，根据本发明，等效燃料因子能够以预定频率实时更新，并且适应车辆当前变化的状况。相比于仅在改变驾驶工况时更新等效燃料因子的情况，这能够实现对等效燃料因子的更精细的调节，从而实现了对车辆能耗的改进的管理。
28.本领域技术人员能够理解，预定频率和/或预定时间段可以是人为设定的。或者，预定频率和/或预定时间段可以是根据传感器20感测的数据被自动调整的。例如，在速度传感器数据和/或加速度传感器数据指示车辆的驾驶情况在很长一段时间内变化很小的情况下，预定频率可以被调整得更低。而在例如复杂的城市驾驶的情况下，车辆速度和/或加速度可能发生频繁的改变，此时，可以将预定频率调整得更高，并且将预定时间段设置的相对短，以使得所确定的等效燃油因子适应频繁的变化。
29.在一个实施例中，如图1所示，系统100还包括预测单元103，其用于基于与车辆驾驶有关的数据来预测车辆接下来的行驶速度和/或路线。
30.在一个最简单的范例中，与车辆驾驶有关的数据可以包括用于指导驾驶的导航数据。例如，预测单元103可以接收用户在车载导航仪上设置的导航数据，并根据导航数据所指示的目的地位置和当前交通状况预测出车辆接下来的行驶速度和/或路线。
31.或者，与车辆驾驶有关的数据可以包括由传感器20采集的数据，或者包括如上文记载的由传感器20采集的数据导出的特征数据。预测单元103能够基于上述传感器数据或特征数据来预测出车辆接下来的行驶速度和/或路线。例如，对于特定车辆而言，其在经常行驶的同一条路线上能够表现出相似的特征数据，因此，预测单元103能够基于特定的特征数据预测到该车辆接下来将以经常使用的行驶速度通过经常行驶的一条路线。
32.在该实施例中，系统100还包括调整单元104。调整单元104能够基于所预测的行驶速度和/或路线对由确定单元102确定的等效燃料因子进行调整或修正。
33.在所确定的等效燃料因子明显与所预测的驾驶情况不相符的情况下，调整单元104可以将所确定的等效燃料因子调整到与所预测的驾驶情况相符的范围中。这是由于预测单元103所预测的行驶速度和/或路线实际上能够体现车辆接下来的驾驶工况。尽管本发明的模型能够在不知道驾驶工况的情况下确定出等效燃料因子，但是当所确定的等效燃料因子与所预测的工况存在偏差的情况下，所预测的工况能够作为调整等效燃料因子的依据，从而使得最终确定的等效燃料因子的准确性最大化。
34.本领域技术人员将理解，虽然参照上述接收单元101、确定单元102、预测单元103、调整单元104描述了车辆能量管理系统，这些单元仅仅是示意性的，而非限制性的，它们可以被合并/拆分/部分组合，以实现对应的功能。
35.另外，上述接收单元101、确定单元102、预测单元103、调整单元104中的一个或多个还可以被实施为计算机可读指令，其被存储在计算机可读介质上。或者，相应的计算机可读指令能够被存储在存储器中，上述各个单元的功能能够通过处理器执行相应的指令来实现。可以由这样的存储器和处理器构成车辆能量管理装置。该车辆能量管理装置可以作为车辆控制系统的一部分。
36.本领域技术人员将理解，根据一个或多个实施例的系统100可以被集成在车辆内，以形成车载系统的一部分。或者根据一个或多个实施例的系统100可以是独立的系统，其能够通过例如数据接口与车载系统通信。
37.也可以设想的是，上述车辆能量管理系统的各个单元的功能在服务器端实现，由服务器接收来自车辆的数据，进而确定对应的等效燃料因子，下发给对应的车辆。一台服务器可能同时对多辆车进行监测。
38.图3示出了根据本发明的一个实施例的车辆能量管理方法300的流程图。
39.在310中，利用一个或多个传感器获得与车辆的运动状态相关的数据。
40.在320中，接收与车辆的运动状态相关的数据。
41.在330中，利用机器学习模型基于所述数据确定等效燃料因子，其中，所述机器学习模型是基于已知的与车辆的运动状态相关的数据和相对应的等效燃料因子训练得到的。
42.在340中，以预定的频率接收预定时间段的所述数据。
43.在350中，基于所述预定时间段的所述数据来以所述预定的频率更新所确定的等
效燃料因子。
44.能够理解，根据本技术的方法具有与根据本技术的系统相同或相似的实施例。
45.图3中所示的方法的处理能够由处理器执行相应的指令来实现。指令能够被存储在任意适当的计算机可读介质上。
46.以上仅仅参照图3所示的实施例描述了本发明的方法，能够理解上述实施例中所包括的各项操作不是限制性的，其可以根据需要而被删除、组合、变更、拆分和/或重新组合，以增加/修改/删除对应的功能。
47.以上参照各个实施例描述了本发明的系统和方法，其中提到的实施例可以包括特定的特征、结构或特性，但是不是每一个实施例都必然包括该特定的特征、结构或特性。此外，一些实施例可以具有一些或全部的针对其它实施例所描述的特征或者没有针对其它实施例所描述的特征。
48.不同的实施例或示例的各个特征可以与所包含的一些特征以及所排除的其它特征进行多种结合来适应多种不同的应用。附图和前述描述给出了实施例的示例。本领域技术人员将理解，所描述的元件中的一个或多个可以被组合成单个功能元件。或者，某些元件可以分成多个功能元件。来自一个实施例的元件可以添加到另一个实施例。例如，本文描述的过程的顺序可以改变并且不限于本文所述的方式。此外，任何流程图的操作不需要以所示的顺序实现；也不一定需要执行所有操作。此外，不依赖于其他操作的那些操作可以与其他操作并行地执行。实施例的范围决不受这些具体示例的限制。无论是否在说明书中明确给出，诸如操作顺序、产品组成和结构上的差异的许多变化是可能的。