1.本发明涉及电动车辆技术领域，尤其涉及一种车辆能耗测算方法、装置、电子设备及存储介质。


背景技术：

2.随着人们环保意识的日益增强和石油资源的日益紧张，电动车辆作为传统能源车辆的替代品，成为了人们在选购代步工具时候的首选。但一方面由于现有技术的限制，动力电池技术的发展不足以支持电动车辆连续行驶的里程过长，另一方面，充电桩等基础设施不够完备也造成了驾驶员对电动车辆的里程焦虑，限制了电动车辆的推广应用。准确测算电动车辆的能耗水平对缓解驾驶员的里程焦虑、电动汽车的普及推广都有很大帮助。
3.目前，电动车辆能耗测算的方式多采用基于车辆动力学模型的方法。在这种方法中，车辆纵向动力学模型(longitudinal dynamics model，ldm)和车辆比功率模型(vehicle specificpower，vsp)通常被用于车辆能耗水平的测算，在应用该方法进行能耗水平测算之前需要获取或假设大量车辆参数包括车辆迎风面积、质量和滚动阻力系数等，而在实际应用中很难提前精确获取这些参数，尤其是在应用于大量车辆如物流车群的情况时，获取每辆车的详细参数几乎不具有可行性，同时车辆动力学模型方法往往通过固定的工况如nedc(new european driving cycle，新欧洲驾驶周期)模拟车辆工况，但是车辆的实际行驶工况十分复杂，基于车辆动力学模型的方法无法考虑驾驶人的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素的影响，因此存在测算精度差的问题。


技术实现要素：

4.鉴于上述问题，本发明提供了一种车辆能耗测算方法及相关设备，主要目的在于解决现有技术对车辆能耗水平的测算精度差的问题。
5.为解决上述技术问题，第一方面，本发明提供了一种车辆能耗测算方法，该方法包括：
6.采集车辆各功能组件的历史耗能数据；
7.根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平。
8.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法计算得到目标车辆能耗水平的步骤，包括：
9.根据历史耗能数据中与当前座舱承重信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平。
10.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法计算得到目标车辆能耗水平的步骤，包括：
11.根据历史耗能数据中与当前环境信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平，其中，环境信息为风速风向信息、气压信息、温度信息和湿度信息中的至少一种信息。
12.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法计算得到目标车辆能耗水平的步骤，包括：
13.根据历史耗能数据中与图像采集装置采集到的车内人员信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平。
14.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平的步骤，包括：
15.对历史耗能数据进行归一化处理和异常值填充，得到训练数据；
16.根据训练数据，通过机器学习算法测算得到目标车辆能耗水平。
17.在一种可能的实施方式中，该方法还包括：
18.根据目标车辆能耗水平、导航路径信息和电池soc信息，判断是否进行能耗超额提醒。
19.在一种可能的实施方式中，该方法还包括：
20.若预设时段内的实际车辆能耗水平大于目标车辆能耗水平的预设比例，则进行异常能耗提醒。
21.为解决上述技术问题，根据本发明的第二方面，提供了一种车辆能耗测算装置，该装置包括：
22.采集单元，用于采集车辆各功能组件的历史耗能数据；
23.测算单元，用于根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平。
24.为解决上述技术问题，根据本发明的第三方面，提供了一种电子设备，该电子设备包括至少一个处理器、以及与处理器连接的至少一个存储器，其中，处理器用于调用存储器中的程序指令，执行上述第一方面中任一项的车辆能耗测算方法。
25.为解决上述技术问题，根据本发明的第四方面，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行上述第一方面中任一项的车辆能耗测算方法。
26.借由上述技术方案，本技术提供了一种车辆能耗测算方法、装置、电子设备及存储介质，主要目的在于解决现有技术对车辆能耗水平的测算精度差的问题。本技术实施例通过采集车辆各功能组件的历史耗能数据；根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平，实现车辆能耗测算。上述方案通过采集车辆各功能组件的历史耗能数据的步骤，可以间接得到不同车辆/驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素；通过根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平的步骤，可以在对目标车辆能耗水平的测算过程中考虑到不同车辆的驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素。上述方案能够实现提高车辆能耗水平测算精度的技术效果，进而解决了现有技术对车辆能耗水平的测算精度差的问题。
附图说明
27.通过阅读下文示例性实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了；附图仅用于示出示例性实施方式的目的，而并不认为是对本技术的限制；而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
28.图1为本技术实施例提供的一种车辆能耗测算方法的示意性流程图；
29.图2为本技术实施例提供的一种车辆能耗测算装置的示意性结构框图；
30.图3为本技术实施例提供的一种电子设备的示意性结构框图。
具体实施方式
31.下面将参照附图更详细地描述本技术的示例性实施例。虽然附图中显示了本技术的示例性实施例，然而应当理解，可以以各种形式实现本技术而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本技术，并且能够将本技术的范围完整的传达给本领域的技术人员。
32.为了解决现有技术对车辆能耗水平的测算精度差的问题，本技术实施例提供了一种车辆能耗测算方法，如图1所示，该方法可以包括：
33.步骤101、采集车辆各功能组件的历史耗能数据；
34.具体的，车辆各功能组件为车辆上消耗电池能源的全部功能组件，可以包括车辆动力系统、电池热管理系统、空调系统、灯光系统、音响系统、座椅系统等；历史耗能数据为车辆行驶过程中各功能组件对电池soc(state of charge，电量状态)消耗量的时间序列数据。
35.需要说明的是，车辆各功能组件的历史耗能数据在不同车辆和不同驾驶员的条件下通常都是不同的，可以间接反映出不同车辆/驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素，例如，驾驶风格可以分为激进型、一般型和保守型，激进型驾驶员在行驶过程中踩油门的幅度较大，频次较多，因而行驶能耗水平相对较高，而保守型驾驶员则踩油门的幅度较小，频次较少，行驶能耗水平相对比较低，一般型驾驶员介于二者之间。
36.步骤102、根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平。
37.具体的，机器学习算法可以为统计学算法，如灰度模型、移动平均自回归模型等，也可以为深度学习算法，如卷积神经网络算法、长短期记忆神经网络算法等；通过历史耗能数据可以得到目标车辆能耗水平，目标车辆能耗水平即根据历史耗能数据得到的车辆各功能组件在车辆驾驶过程中每预设里程数的电池soc消耗量的理论值，目标车辆能耗水平越高则电池soc消耗量越大，预设里程数可以由本领域技术人员自行设定，例如，预设里程数可以为100公里。
38.需要说明的是，根据车辆各功能组件的历史耗能数据对目标车辆能耗水平进行测算，可以在测算过程中考虑到不同车辆的驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素，可以提高对目标车辆能耗水平的测算精度。
39.借由上述技术方案，本技术实施例提供了一种车辆能耗测算方法，主要目的在于解决现有技术对车辆能耗水平的测算精度差的问题。本技术实施例通过采集车辆各功能组件的历史耗能数据；根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平，实现车辆能耗测算。上述方案通过采集车辆各功能组件的历史耗能数据的步骤，可以间接得到不同车辆/驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素；通过根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平的步骤，可以在对目标车辆能耗水平的测算过程中考虑到不同车辆的驾驶员的行驶习惯、对车载设备的使用偏好以
及车辆保养水平等因素。上述方案能够实现提高车辆能耗水平测算精度的技术效果，进而解决了现有技术对车辆能耗水平的测算精度差的问题。
40.在一种可能的实施方式中，步骤102可以包括：根据历史耗能数据中与当前座舱承重信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平。
41.具体的，座舱承重信息可以为主驾驶位置的承重信息，根据不同承重级别将历史耗能数据进行划分，将与当前承重级别对应的历史耗能数据通过机器学习算法测算得到目标车辆能耗水平；承重级别可以5公斤或10公斤为界进行划分。
42.需要说明的是，考虑到一台车辆可能会由不同的驾驶员进行驾驶，而驾驶员的体重通常不同，根据座舱承重级别筛选出的历史耗能数据可以分别对应于不同的驾驶员，例如，在某台车辆由甲乙二人进行驾驶的情况下，甲的体重为90公斤，乙的体重为60公斤，则甲乙二人在驾驶车辆时对应于不同的历史耗能数据，可以更准确地测算出甲乙二人不同的目标车辆能耗水平；不同驾驶员的行驶习惯、对车载设备的使用偏好也不尽相同，通过上述可能的实施方式可以更准确地测算出不同驾驶员对应的目标车辆能耗水平。
43.在一种可能的实施方式中，步骤102可以包括：根据历史耗能数据中与当前环境信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平；
44.其中，环境信息为风速风向信息、气压信息、温度信息和湿度信息中的至少一种信息。
45.具体的，环境信息可以由车辆传感器感应获得，也可以通过车载通信装置(如t-box等)根据车辆当前gnss(global navigation satellite system，卫星导航系统)定位从云端获得；环境信息除可以包括风速风向信息、气压信息、温度信息和湿度信息，还可以包括降雨信息、天气预警信息、风速风向预报信息、温度预报信息和湿度预报信息等。
46.需要说明的是，通常在不同的环境下，车辆的能耗水平都是不同的，例如在温度为20摄氏度的情况下通常车辆无需开启空调，目标车辆能耗水平较低，在温度为30摄氏度的情况下通常车辆会开启空调，目标车辆能耗水平较高；通过上述可能的实施方式可以根据不同的环境信息更加准确地测算出目标车辆能耗水平。
47.在一种可能的实施方式中，步骤102可以包括：根据历史耗能数据中与图像采集装置采集到的车内人员信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平。
48.具体的，图像采集装置可以为设置在车内的摄像头等，通过摄像头采集到的图像识别出驾驶员信息，也即车内人员信息可以为驾驶员信息，根据不同的驾驶员信息将历史耗能数据进行划分，将与当前驾驶员信息对应的历史耗能数据通过机器学习算法测算得到目标车辆能耗水平。
49.需要说明的是，考虑到一台车辆可能会由不同的驾驶员进行驾驶，根据驾驶员信息筛选出的历史耗能数据可以分别对应于不同的驾驶员，不同驾驶员的行驶习惯、对车载设备的使用偏好也不尽相同，通过上述可能的实施方式可以更准确地测算出不同驾驶员对应的目标车辆能耗水平。
50.在一种可能的实施方式中，步骤102可以包括：对历史耗能数据进行归一化处理和异常值填充，得到训练数据；根据训练数据，通过机器学习算法测算得到目标车辆能耗水平。
51.具体的，归一化处理可以是把有量纲历史耗能数据变为无量纲历史耗能数据，并
把数据映射到0～1范围之内；异常值填充可以是在数据出现异常值(如离群值和空值等)时用样条曲线插值或平均值等进行填充。
52.需要说明的是，通过归一化处理可以方便地去除不同数据单位及量纲的影响并提取出来，使测算过程更加便捷快速；通过异常值填充可以保证数据的时间连续性。
53.在一种可能的实施方式中，该方法还可以包括：根据目标车辆能耗水平、导航路径信息和电池soc信息，判断是否进行能耗超额提醒。
54.具体的，根据导航路径信息可以得到道路等级、速度等级、红绿灯数目、左右转次数、掉头次数、实时路况等信息；通过导航路径信息和目标车辆能耗水平可以综合得到电池soc是否足够支持车辆行驶到目的地的判断，若判断电池soc不足以支持车辆行驶到目的地，则进行能耗超额提醒。
55.需要说明的是，通过上述可能的实施方式，可以使驾驶员及时进行充电处理、合理安排行程。
56.在一种可能的实施方式中，该方法还可以包括：若预设时段内的实际车辆能耗水平大于目标车辆能耗水平的预设比例，则进行异常能耗提醒。
57.具体的，若某功能组件对应的预设时长内的实际车辆能耗水平大于该功能组件对应的目标车辆能耗水平，预设时长可以由本领域技术人员自行设定，例如，预设时长可以为10分钟或半个小时等；预设比例可以由本领域技术人员自行设定，例如，预设比例为20％，空调系统对应的目标车辆能耗水平为每百公里消耗soc为10，而空调系统对应的实际车辆能耗水平在一小时内为每百公里消耗soc为13，则进行空调系统的异常能耗的提醒。
58.需要说明的是，通过上述可能的实施方式，可以使驾驶员及时发现异常能耗数据，有助于电动车辆的能源管理，缓解用户的里程焦虑。
59.进一步的，作为对前述方法实施例的实现，本技术实施例提供了一种车辆能耗测算装置，用于对前述方法实施例进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本车辆能耗测算装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本技术实施例中的装置能够对应实现前述方法实施例中的全部内容。如图2所示，该车辆能耗测算装置20包括：采集单元201和测算单元202，其中，
60.采集单元201，用于采集车辆各功能组件的历史耗能数据；
61.测算单元202，用于根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平。
62.借由上述技术方案，本技术实施例还提供了一种车辆能耗测算装置，主要目的在于解决现有技术对车辆能耗水平的测算精度差的问题。本技术实施例通过采集车辆各功能组件的历史耗能数据；根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平，实现车辆能耗测算。上述方案通过采集车辆各功能组件的历史耗能数据的步骤，可以间接得到不同车辆/驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素；通过根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平的步骤，可以在对目标车辆能耗水平的测算过程中考虑到不同车辆的驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素。上述方案能够实现提高车辆能耗水平测算精度的技术效果，进而解决了现有技术对车辆能耗水平的测算精度差的问题。
63.本技术实施例提供了一种电子设备30，如图3所示，该电子设备包括至少一个处理
器301、以及与处理器连接的至少一个存储器302，其中，处理器301用于调用存储器302中的程序指令，以执行实现上述车辆能耗测算方法。
64.本技术实施例还提供了一种存储介质，其上存储有程序，该程序运行时控制该存储介质所在设备执行时实现以下车辆能耗测算方法：
65.采集车辆各功能组件的历史耗能数据；
66.根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平。
67.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法计算得到目标车辆能耗水平的步骤，包括：
68.根据历史耗能数据中与当前座舱承重信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平。
69.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法计算得到目标车辆能耗水平的步骤，包括：
70.根据历史耗能数据中与当前环境信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平，其中，环境信息为风速风向信息、气压信息、温度信息和湿度信息中的至少一种信息。
71.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法计算得到目标车辆能耗水平的步骤，包括：
72.根据历史耗能数据中与图像采集装置采集到的车内人员信息对应的数据，通过机器学习算法测算得到目标车辆能耗水平。
73.在一种可能的实施方式中，根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平的步骤，包括：
74.对历史耗能数据进行归一化处理和异常值填充，得到训练数据；
75.根据训练数据，通过机器学习算法测算得到目标车辆能耗水平。
76.在一种可能的实施方式中，该方法还包括：
77.根据目标车辆能耗水平、导航路径信息和电池soc信息，判断是否进行能耗超额提醒。
78.在一种可能的实施方式中，该方法还包括：
79.若预设时段内的实际车辆能耗水平大于目标车辆能耗水平的预设比例，则进行异常能耗提醒。
80.借由上述技术方案，本技术实施例提供了一种车辆能耗测算方法及相关装置，主要目的在于解决现有技术对车辆能耗水平的测算精度差的问题。本技术实施例通过采集车辆各功能组件的历史耗能数据；根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平，实现车辆能耗测算。上述方案通过采集车辆各功能组件的历史耗能数据的步骤，可以间接得到不同车辆/驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素；通过根据历史耗能数据，通过机器学习算法测算得到目标车辆能耗水平的步骤，可以在对目标车辆能耗水平的测算过程中考虑到不同车辆的驾驶员的行驶习惯、对车载设备的使用偏好以及车辆保养水平等因素。上述方案能够实现提高车辆能耗水平测算精度的技术效果，进而解决了现有技术对车辆能耗水平的测算精度差的问题。
81.本技术是参照根据本技术实施例的方法、装置和电子设备的流程图和/或方框图
来描述的；应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合；可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程流程管理设备的处理器以产生一个机器，使得通过计算机或其他可编程流程管理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
82.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
83.在本技术所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
84.在一个典型的配置中，电子设备可以包括一个或多个处理器(cpu)、存储器和总线；电子设备还可以包括输入/输出接口、网络接口等。
85.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片；存储器是存储介质的示例。
86.存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储；信息可以是计算机可读指令、数据结构、程序的模块或其他数据；计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息；按照本文中的界定，存储介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
87.本技术的说明书和权利要求书及附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序；应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。
88.需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本技术并不受所描述的动作顺序的限制，因为依据本技术，某些步骤可能可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本技术所必须的。
89.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素；在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的
过程、方法、商品或者设备中还存在另外的相同要素。
90.本领域技术人员应明白，本技术的实施例可提供为方法、装置或电子装置；因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式；而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
91.可以由一种或多种程序设计语言或其组合来编写用于执行本技术实施例操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言——诸如common lisp、python、c++、objective-c、smalltalk、delphi、java、swift、c#、perl、ruby、javascript和php等，还包括常规的过程式程序设计语言——诸如fortran、algol、cobol、pl/i、basic、pascal和c等，还包括其他任意一种编程语言——诸如lisp、tcl、prolog、visual basic.net、sql和r等；程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行；在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
92.以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的权利要求范围之内。