1.本发明属于新能源汽车续驶里程评估技术领域，尤其涉及利用新能源实车大数据对续驶里程进行评估的方法。


背景技术：

2.续驶里程作为反映新能源电动汽车续驶能力的指标，对帮助车主准确判断车辆当前性能和状态具有重要意义。目前在售的电动汽车续驶里程主要是基于nedc工况估算得到，然而在不同时间、不同温度等不同工况环境下，新能源汽车的续驶里程往往会存在一定的差异，仅以nedc作为依据评估实际续驶里程存在不客观、不准确的缺点。因此，为了提高电动汽车续驶里程评估评价的适应性，优化用车体验并辅助车主实现更为合理的行程规划，仍需要对电动汽车续驶里程的评估方法进行改进。


技术实现要素：

3.针对上述现有技术中存在的技术问题，本发明提供了一种电动汽车实际续驶里程评估方法，具体包括以下步骤：
4.步骤1、通过数据采集装置实时采集电动汽车的车辆运行数据，经由数据发送装置发送到云端数据平台；
5.步骤2、云端数据平台接收到车辆运行数据，针对各车型包括新车时期在内的历史运行数据，并从中提取各车辆包括：车辆型号、行驶月份、温度、地域、驾驶习惯和soc片段的特征数据，用于对车辆按照所述各特征进行分类；
6.对于按照车辆型号、行驶月份、温度、地域、驾驶习惯和soc片段的特征分类后的每一细分类别，根据车辆运行数据中的行车起始soc与行车起始表显里程按照下式计算满电最大续驶里程值，从而生成包含各个分类的满电实际最大续驶里程特征标准库：
[0007][0008]
其中，range
standard
为新车状态的满电最大续驶里程，m
d_starndard
为电动汽车行驶终点与行驶起点之间的里程差，soc
d_starndard
为电动汽车在行驶起点与行驶终点之间的soc差；
[0009]
步骤3、针对单车满电最大续驶里程进行计算：提取车辆当前一段时间的历史运行数据，使用车辆的行车起始soc与行车起始表显里程数据，按照下式进行当前车辆满电实际最大续驶里程计算；
[0010][0011]
其中，range
now
为当前待评估车辆满电最大续驶里程，md为待评估车辆车行驶终点与行驶起点之间的里程差，socd为待评估车辆行驶起点与行驶终点之间的soc差；
[0012]
步骤4、针对当前车辆进行满电最大续驶里程衰退评估：按照车辆型号、行驶月份、
温度、地域、驾驶习惯和soc片段的分类标签特征，从前述步骤2中建立的满电最大续驶里程特征标准库中查找出对应的新车标准满电续驶里程值，将当前待评估车辆计算得到的满电最大续驶里程range
now
与新车标准满电续驶里程值range
standard
进行对比，从而实现对待评估车辆当前的满电最大实际续驶里程衰退情况的评估；
[0013]
可选的，一种用于评估车辆满电续驶里程能力衰退的方案可采用下式计算：
[0014][0015]
其中，d为当前待评估车辆满电最大续驶里程相对其新车状态续驶里程能力的衰退量。进一步地，步骤2中的所述历史运行数据具体由云端数据平台从累积里程在5000公里以内的新车提取，并根据新增车辆的历史运行数据对所述续驶里程标准数据库进行定期更新。
[0016]
进一步地，对各车辆提取的车辆型号具体采用车辆公告型号，时间特征为采集时对应的月份，温度特征为按照电池探针所测电池最低温度、或最高温度、或以3℃或5℃为间隔划分的多个平均温度区间段、地域特征为车辆在一定时期内所在的常驻地级市、驾驶习惯和soc片段的特征数据运用机器学习算法聚类识别得到。其中，驾驶习惯可按照一段时间内的车辆运行的速度、加减速等特征分类。
[0017]
进一步地，所述云端数据平台接收到车辆运行数据后，在提取各特征前先执行包括：筛选、切片、重构、清洗、去噪的预处理。
[0018]
上述本发明所提供的方法，利用全工况条件全工作区间的全量电动汽车运行数据构建续驶里程的特征标准数据库，并通过云端实时采集新增运行数据对该数据库实现持续更新、优化以及内容完善。针对某型号的目标车辆采集其实时运行数据，提取相同的特征数据从所建立的标准数据库得到相应的实际满电续驶里程结果，根据比较可以有效地评估目标车辆当前的续驶里程衰退情况。通过对相同车型车辆的各特征数据进行不断收集，能使标准数据库的样本逐渐丰富，继而使评估结果精确性持续提高。本发明的方法大大减少了传统数据驱动方法的存储需求，降低了大数据分析储存资源的成本，并解决了由于实际工况与nedc工况的差别而造成的评估不准确问题，同时实现了低成本与准确评估的目的及效果。
附图说明
[0019]
图1为本发明所提供方法的总体流程示意图；
[0020]
图2为用于实现本发明的可选的系统架构图；
[0021]
图3为续驶里程标准数据库的建立流程图；
[0022]
图4为本发明的方法中实际续驶里程的计算过程示意图。
具体实施方式
[0023]
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0024]
本发明所提供的电动汽车实际续驶里程评估方法，如图1所示，具体包括以下步
骤：
[0025]
步骤1、通过数据采集装置1102实时采集电动汽车11的车辆运行数据，经由数据发送装置1101发送到云端数据平台12；
[0026]
步骤2、云端数据平台的数据接收装置1202接收到车辆运行数据，先由数据存储装置1202存储；云端数据平台针对各车型包括新车时期在内的历史运行数据，并由数据提取模块13从中提取各车辆包括：车辆型号、行驶月份、温度、地域、驾驶习惯和soc片段的特征数据，用于对车辆按照所述各特征进行分类；
[0027]
对于按照车辆型号、行驶月份、温度、地域、驾驶习惯和soc片段的特征分类后的每一细分类别，根据车辆运行数据中的行车起始soc与行车起始表显里程按照下式计算满电最大续驶里程值，从而生成包含各个分类的满电实际最大续驶里程特征标准库：
[0028][0029]
其中，range
standard
为新车状态的满电最大续驶里程，m
d_starndard
为电动汽车行驶终点与行驶起点之间的里程差，soc
d_starndard
为电动汽车在行驶起点与行驶终点之间的soc差；
[0030]
步骤3、针对单车满电最大续驶里程进行计算：提取车辆当前一段时间的历史运行数据，使用车辆的行车起始soc与行车起始表显里程数据，按照下式进行当前车辆满电实际最大续驶里程计算；
[0031][0032]
其中，range
now
为当前待评估车辆满电最大续驶里程，md为待评估车辆车行驶终点与行驶起点之间的里程差，socd为待评估车辆行驶起点与行驶终点之间的soc差；图3中的步骤s411-s412也示出了上述标准续驶里程数据库的详细建立过程。
[0033]
步骤4、针对当前车辆进行满电最大续驶里程衰退评估：按照车辆型号、行驶月份、温度、地域、驾驶习惯和soc片段的分类标签特征，从前述步骤2中建立的满电最大续驶里程特征标准库中查找出对应的新车标准满电续驶里程值，将当前待评估车辆计算得到的满电最大续驶里程range
now
与新车标准满电续驶里程值range
standard
进行对比，从而实现对待评估车辆当前的满电最大实际续驶里程衰退情况的评估；
[0034]
可选的，一种用于评估车辆满电续驶里程能力衰退的方案可采用下式计算：
[0035][0036]
其中，d为当前待评估车辆满电最大续驶里程相对其新车状态续驶里程能力的衰退量。
[0037]
图4中的步骤s421-s423也示出了实际续驶里程计算与续驶里程衰退评估的详细过程。
[0038]
在具体实施本发明的过程中，不仅可以利用上述优选的实际续驶里程算法，本领域技术人员根据实际需要还可灵活地选用其他多种的不同算法，该具体实施方式并不构成对本发明权利要求保护范围的限制。
[0039]
在本发明的一个优选实施方式中，步骤2中的所述历史运行数据具体由云端数据
平台从累积里程在5000公里以内的新车提取，并根据新增的历史运行数据对所述续驶里程标准数据库进行定期更新。
[0040]
在本发明的一个优选实施方式中，对各车辆提取的车辆型号具体采用车辆公告号，时间特征为采集时对应的月份，温度特征为按照电池探针所测电池最低温度、或最高温度、或以3℃或5℃为间隔划分的多个平均温度区间段、地域特征为车辆在一定时期内所在的常驻地级市、驾驶习惯和soc片段的特征数据运用机器学习算法聚类识别得到。其中，驾驶习惯可按照一段时间内的车辆运行的速度、加减速等特征分类。
[0041]
在本发明的一个优选实施方式中，所述云端数据平台接收到车辆运行数据后，由数据预处理模块14在提取各特征前先执行包括：筛选、切片、重构、清洗、去噪的预处理。
[0042]
应理解，本发明实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0043]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。