一种电动汽车的续航里程校准方法及系统

摘要

本发明提供的电动汽车的续航里程校准方法，包括：车载智能终端实时采集电动汽车的运行数据进行存储并定时将数据发送给车联网平台；车联网平台接收车载智能终端发送的电动汽车的运行数据，运行数据包括历史运行数据和定时发送的实时运行数据；车联网平台对接收的电动汽车的运行数据进行处理，计算得到车辆的续航里程预测模型的各个参数，并将参数发送给车载智能终端；车载智能终端接收参数并在里程预测模型中使用参数进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新，由车载仪表或车机ECU使用这些参数进行续航里程的预测。该方法能定期更新车辆的续航里程预测模型参数，使得车辆续航里程的预测更加准确。

权利要求

1.一种电动汽车的续航里程校准方法，其特征在于，包括以下步骤：车载智能终端定时采集电动汽车的运行数据并实时将数据发送给车联网平台；

或者车载智能终端定时采集电动汽车的运行数据进行存储并定时将数据发送给车联网平台；

车联网平台接收车载智能终端发送的电动汽车的运行数据，所述运行数据包括历史运行数据和定时发送的实时运行数据；

车联网平台对接收的电动汽车的运行数据进行处理，计算得到车辆的续航里程预测模型的各个参数，并将所述参数发送给车载智能终端；

车载智能终端接收所述参数并在续航里程预测模型中使用所述参数进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新，由车载仪表或车机ECU使用所述参数进行续航里程的预测；

所述车联网平台对接收的电动汽车的运行数据进行处理和训练的具体方法包括：车联网平台对所述历史运行数据进行清洗得到第一处理数据，根据第一处理数据建立续航里程预测模型；所述根据第一处理数据建立续航里程预测模型的具体方法包括：将所述第一处理数据分为自变量数据和因变量数据；

从所述自变量数据和因变量数据中选取多个数据作为训练数据，剩余数据作为验证数据；

选取不同的训练模型，并采用所述训练数据对所述训练模型进行训练；

采用所述验证数据对训练后的训练模型进行验证，将准确率更高的训练模型作为所述续航里程预测模型。

2.如权利要求1所述的电动汽车的续航里程校准方法，其特征在于，所述车联网平台对接收的电动汽车的运行数据进行处理和训练的具体方法包括：车联网平台对电动汽车的实时运行数据进行清洗得到第二处理数据，将第二处理数据输入所述续航里程预测模型，计算得到车辆的续航里程预测模型的各个参数。

3.如权利要求2所述的电动汽车的续航里程校准方法，其特征在于，对所述历史运行数据进行清洗具体包括以下步骤：去除所述历史运行数据中数值的数据单位；

将所述历史运行数据中缺失的数据采用均值替换；

将所述历史运行数据中的中文数据替换为整数；

将所述历史运行数据中的异常值采用相邻值替换；

对所述历史运行数据中的行驶里程数据进行转换。

4.如权利要求3所述的电动汽车的续航里程校准方法，其特征在于，对所述历史运行数据中的行驶里程进行转换，具体包括：根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量，或根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。

5.一种电动汽车的续航里程校准系统，其特征在于，所述系统包括车载智能终端和车联网平台，车载智能终端用于定时采集电动汽车的运行数据并实时将数据发送给车联网平台或者定时采集电动汽车的运行数据进行存储并定时将数据发送给车联网平台；

所述车联网平台包括数据接收模块、数据处理模块和数据发送模块，所述接收模块用于接收车载智能终端发送的电动汽车的运行数据；

所述数据处理模块用于对接收的电动汽车的运行数据进行处理，计算得到车辆的续航里程预测模型的各个参数；

所述数据发送模块用于将数据处理模块计算得到各个参数发送给车载智能终端；

所述车载智能终端还用于接收所述参数并在续航里程预测模型中使用所述参数进行续航里程预测或将所述参数发送给车载仪表或车机ECU进行处理和更新，由车载仪表或车机ECU使用所述参数进行续航里程的预测；所述数据处理模块包括第一数据处理单元和第二数据处理单元，所述第一数据处理单元用于对历史运行数据进行清洗得到第一处理数据，根据第一处理数据建立续航里程预测模型；所述第一数据处理单元根据第一处理数据建立续航里程预测模型的具体方法包括：将所述第一处理数据分为自变量数据和因变量数据；

从所述自变量数据和因变量数据中选取多个数据作为训练数据，剩余数据作为验证数据；

选取不同的训练模型，并采用所述训练数据对所述训练模型进行训练；

采用所述验证数据对训练后的训练模型进行验证，将准确率更高的训练模型作为所述续航里程预测模型。

6.如权利要求5所述的电动汽车的续航里程校准系统，其特征在于，所述第二数据处理单元用于对电动汽车的实时运行数据进行清洗得到第二处理数据，将第二处理数据输入所述续航里程预测模型，计算得到车辆的续航里程预测模型的各个参数。

7.如权利要求6所述的电动汽车的续航里程校准系统，其特征在于，所述第一数据处理单元对所述历史运行数据进行清洗具体包括：去除所述历史运行数据中数值的数据单位；

将所述历史运行数据中缺失的数据采用均值替换；

将所述历史运行数据中的中文数据替换为整数；

将所述历史运行数据中的异常值采用相邻值替换；

对所述历史运行数据中的行驶里程数据进行转换。

8.如权利要求7所述的电动汽车的续航里程校准系统，其特征在于，所述第一数据处理单元对所述历史运行数据中的行驶里程数据进行转换，具体包括：根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量，或根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。

说明书

一种电动汽车的续航里程校准方法及系统

技术领域

[0001] 本发明涉及电动汽车续航里程预测技术领域，具体涉及一种电动汽车的续航里程校准方法及系统。

背景技术

[0002] 众所周知，新能源电动车的电池续航能力会随着车辆使用里程和时间的增长而变差，在新车刚出厂的阶段，车辆充满电后的行驶里程会比较长，但是车辆跑了5～10万公里或者2～3年后，驾驶员能明显感觉到车辆充满电后的行驶里程会比新车时候明显缩短，但是车辆仪表上显示给驾驶员的剩余电量可行驶里程的数据是基于新车的状况下给出的预测，并没有考虑车载动力电池伴随着时间和里程的衰减问题，因此仪表显示的可行驶里程与实际行驶里程会有比较大的误差，从而给驾驶员带来困扰与麻烦。

发明内容

[0003] 针对现有技术中的缺陷，本发明实施例的目的在于提供一种电动汽车的续航里程校准方法及系统，能定期更新车辆的续航里程预测模型参数，使得车辆续航里程的预测更加准确。

[0004] 第一方面，本发明实施例提供的一种电动汽车的续航里程校准方法，包括以下步骤：

[0005] 车载智能终端定时采集电动汽车的运行数据并实时将数据发送给车联网平台；

[0006] 或者车载智能终端定时采集电动汽车的运行数据进行存储并定时将数据发送给车联网平台；

[0007] 车联网平台接收车载智能终端发送的电动汽车的运行数据，所述运行数据包括历史运行数据和定时发送的实时运行数据；

[0008] 车联网平台对接收的电动汽车的运行数据进行处理，计算得到车辆的续航里程预测模型的各个参数，并将所述参数发送给车载智能终端；

[0009] 车载智能终端接收所述参数并在续航里程预测模型中使用所述进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新，由车载仪表或车机ECU使用所述参数进行续航里程的预测。

[0010] 进一步地，所述车联网平台对接收的电动汽车的运行数据进行处理和训练的具体方法包括：

[0011] 车联网平台对所述历史运行数据进行清洗得到第一处理数据，根据第一处理数据建立续航里程预测模型；

[0012] 车联网平台对电动汽车的实时运行数据进行清洗得到第二处理数据，将第二处理数据输入所述续航里程预测模型，计算得到车辆的续航里程预测模型的各个参数。

[0013] 进一步地，对所述历史运行数据进行清洗具体包括以下步骤：

[0014] 去除所述历史运行数据中数值的数据单位；

[0015] 将所述历史运行数据中缺失的数据采用均值替换；

[0016] 将所述历史运行数据中的中文数据替换为整数；

[0017] 将所述历史运行数据中的异常值采用相邻值替换；

[0018] 对所述历史运行数据中的行驶里程数据进行转换。

[0019] 进一步地，对所述历史运行数据中的行驶里程进行转换，具体包括：

[0020] 根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量，或根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。

[0021] 进一步地，所述根据第一处理数据建立续航里程预测模型的具体方法包括：

[0022] 将所述第一处理数据分为自变量数据和因变量数据；

[0023] 从所述自变量数据和因变量数据中选取多个数据作为训练数据，剩余数据作为验证数据；

[0024] 选取不同的训练模型，并采用所述训练数据对所述训练模型进行训练；

[0025] 采用所述验证所数据对训练后的训练模型进行验证，将准确率更高的训练模型作为所述续航里程预测模型。

[0026] 第二方面，本发明实施例还提供一种电动汽车的续航里程校准系统，系统包括车载智能终端和车联网平台，

[0027] 车载智能终端用于定时采集电动汽车的运行数据并实时将数据发送给车联网平台；

[0028] 或者所述车载智能终端用于定时采集电动汽车的运行数据进行存储并定时将数据发送给车联网平台；

[0029] 所述车联网平台包括数据接收模块、数据处理模块和数据发送模块，所述接收模块用于接收车载智能终端发送的电动汽车的运行数据；

[0030] 所述数据处理模块用于对接收的电动汽车的运行数据进行处理，计算得到车辆的续航里程预测模型的各个参数；

[0031] 所述数据发送模块用于将数据处理模块计算得到各个参数发送给车载智能终端；

[0032] 所述车载智能终端还用于接收所述参数并在续航里程预测模型中使用所述参数进行续航里程预测或将所述参数发送给车载仪表或车机ECU进行处理和更新，由车载仪表或车机ECU使用所述参数进行续航里程的预测。

[0033] 进一步地，所述数据处理模块包括第一数据处理单元和第二数据处理单元，[0034] 所述第一数据处理单元用于对所述历史运行数据进行清洗得到第一处理数据，根据第一处理数据建立续航里程预测模型；

[0035] 所述第二数据处理单元用于对电动汽车的实时运行数据进行清洗得到第二处理数据，将第二处理数据输入所述续航里程预测模型，计算得到车辆的续航里程预测模型的各个参数。

[0036] 进一步地，所述第一处理单元对所述历史运行数据进行清洗具体包括：

[0037] 去除所述历史运行数据中数值的数据单位；

[0038] 将所述历史运行数据中缺失的数据采用均值替换；

[0039] 将所述历史运行数据中的中文数据替换为整数；

[0040] 将所述历史运行数据中的异常值采用相邻值替换；

[0041] 对所述历史运行数据中的行驶里程数据进行转换。

[0042] 进一步地，所述第一数据处理单元对所述历史运行数据中的行驶里程数据进行转换，具体包括：

[0043] 根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量，或根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。

[0044] 进一步地，所述第一数据处理单元根据第一处理数据建立续航里程预测模型的具体方法包括：

[0045] 将所述第一处理数据分为自变量数据和因变量数据；

[0046] 从所述自变量数据和因变量数据中选取多个数据作为训练数据，剩余数据作为验证数据；

[0047] 选取不同的训练模型，并采用所述训练数据对所述训练模型进行训练；

[0048] 采用所述验证所数据对训练后的训练模型进行验证，将准确率更高的训练模型作为所述续航里程预测模型。

[0049] 本发明的有益效果：

[0050] 本发明实施例提供的一种电动汽车的续航里程校准方法，车联网平台计算车辆的续航里程预测模型参数后，将参数发送给车载智能终端进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新后再进行续航里程的预测。在车辆的整个生命周期持续循环，车辆的续航里程预测模型参数将被持续进行定期更新。这样随着车上的动力蓄电池的性能或者容量衰减，电机的性能的衰减，以及其余的影响车辆行驶效率的因素(例如车辆车轮轴承的润滑情况)的持续变化，使得车辆的续航里程在每一个参数更新周期内都能根据预测模型被准确地计算出来。

[0051] 本发明实施例提供的一种电动汽车的续航里程校准系统，车联网平台计算车辆的续航里程预测模型参数后，将参数发送给车载智能终端进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新后再进行续航里程的预测。在车辆的整个生命周期持续循环，车辆的续航里程预测模型参数将被持续进行定期更新。这样随着车上的动力蓄电池的性能或者容量衰减，电机的性能的衰减，以及其余的影响车辆行驶效率的因素(例如车辆车轮轴承的润滑情况)的持续变化，使得车辆的续航里程在每一个参数更新周期内都能根据预测模型被准确地计算出来。

附图说明

[0052] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

[0053] 图1示出了本发明提供的一种电动汽车的续航里程校准方法第一实施例的流程图；

[0054] 图2示出了本发明提供的一种电动汽车的续航里程校准系统第一实施例的结构示意图。

具体实施方式

[0055] 下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只是作为示例，而不能以此来限制本发明的保护范围。

[0056] 需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

[0057] 如图1所示，示出了本发明提供的一种电动汽车的续航里程校准方法第一实施例的流程图，该方法包括以下步骤：

[0058] S1:车载智能终端定时采集电动汽车的运行数据并实时将数据发送给车联网平台或车载智能终端定时采集电动汽车的运行数据进行存储并定时将数据发送给车联网平台。

[0059] 具体地，每辆电动汽车的车载智能终端定时采集电动汽车的运行数据，数据包括电池包的SOC，每个单体电池的电压，电池包中每个温度探针的温度，车辆的外界环境温度，电机母线电压，电机母线电流，电机控制器的输入电压，电机控制器的直流母线电流，电机控制器温度，电机转速，电机扭矩，车辆电源的总电压，车辆的总电流，车辆的充电状态，车辆加速踏板的行程，车辆制动踏板的行程，车辆的速度，GPS的位置和海拔高度，车辆的总行驶里程等等。车载智能终端定时采集的时间可以是50毫秒(每秒采集20次)到10秒(每10秒采集一次)。定时将数据发送给车联网平台的时间可以设置为1～10秒。车载智能终端将采集到的数据缓存到本地存储器中。车载智能终端采集的数据来源包括从电动汽车上的各类传感器直接得到，从CAN总线上得到车上的各个ECU发出来的数据，从车载以太网总线上得到车上的各个ECU或者智能模块发出来的数据，从车载GPS模块上得到的GPS位置信息。

[0060] S2:车联网平台接收车载智能终端发送的电动汽车的运行数据，所述运行数据包括历史运行数据和定时发送的实时运行数据。

[0061] 具体地，历史运行数据和实时运行数据均包括了上述所罗列的各种数据，历史运行数据是基于电动汽车过去一段时间(例如半年到两年)内基于时间序列的运行数据，所述运行数据可通过汽车上的车载智能终端采集所得，车联网平台接收车载智能终端发送的电动汽车的历史运行数据和实时运行数据。

[0062] S3:车联网平台对接收的电动汽车的运行数据进行处理，计算得到车辆的续航里程预测模型的各个参数，并将所述参数发送给车载智能终端。

[0063] 具体地，车联网平台对接收的电动汽车的历史运行数据和实时运行数据进行处理，车联网平台定期对每辆车的车载智能终端上传的数据进行处理，将处理后的数据输入车辆续航里程预测模型中进行训练，得到续航里程预测模型的各项参数，也可以得到实时SOC值下的预测续航里程。根据模型的复杂程度的不同，这个续航里程的预测模型的参数大约有几十到上千项，车联网平台在定期的计算后为每辆车保存这些续航里程预测模型参数。车联网平台的数据处理定期间隔时间可以是每天，也可以是每周、每月或者每半年等，取决于每次处理计算后参数的变化幅度，如果参数变化幅度比较大，可以缩短处理计算的定时间隔时间，如果变化幅度很小，可以延长处理计算的定时间隔时间。

[0064] S4:车载智能终端接收参数并在续航里程预测模型中使用该参数进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新，由车载仪表或车机ECU使用该参数进行续航里程的预测。

[0065] 具体地，车载智能终端接收并保存车联网平台发送的续航里程预测模型的各项参数，根据各项参数可计算后续的续航里程。车载智能终端可以根据从CAN总线或者车载以太网总线上收集到的各种数据，并结合这些参数进行续航里程的计算，并将计算结果实时传送给车载仪表或者车载大屏显示器进行显示。车载智能终端也可以将这些参数通过CAN总线或者车载以太网直接传送给相关的ECU进行处理和更新，例如电池管理单元或者车辆控制单元或者仪表显示单元等ECU，由这些ECU自己进行续航里程的计算，这样可以持续更新预测模型参数来计算续航里程。

[0066] 本发明实施例提供的电动汽车的续航里程校准方法，车联网平台计算车辆的续航里程预测模型参数后，将参数发送给车载智能终端进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新后再进行续航里程的预测。在车辆的整个生命周期持续循环，车辆的续航里程预测模型参数将被持续进行定期更新。这样随着车上的动力蓄电池的性能或者容量衰减，电机的性能的衰减，以及其余的影响车辆行驶效率的因素(例如车辆车轮轴承的润滑情况)的持续变化，使得车辆的续航里程在每一个参数更新周期内都能根据预测模型被准确地计算出来。

[0067] 本发明提供了电动汽车的续航里程校准方法第二实施例，与第一实施例不同之处在于：车联网平台对接收的电动汽车的运行数据进行处理和训练的具体方法包括：

[0068] 车联网平台对所述历史运行数据进行清洗得到第一处理数据，根据第一处理数据建立续航里程预测模型；

[0069] 车联网平台对电动汽车的实时运行数据进行清洗得到第二处理数据，将第二处理数据输入所述续航里程预测模型，计算得到车辆的续航里程预测模型的各个参数。

[0070] 具体地，车联网平台首先对各电动汽车的历史运行数据进行数据清洗以得到第一处理数据，将数据清洗后的数据作为训练数据(即第一处理数据)输入到预设的机器学习训练模型中进行训练以建立续航里程预测模型，也就是说，对每辆电动汽车进行单独训练从而生成一个适合该车辆的一个续航里程预测模型，不同的电动汽车对应一个不同的续航里程预测模型。进行续航里程的预测时，车联网平台从实时运行数据中提取最新的运行数据，例如，最新的十条运行数据，并将提取的最新运行数据也进行数据清洗，将各条运行数据中的不同类别数据按列排布，取各列数据的平均值，并将其输入所述续航里程预测模型中，计算得到每辆车的续航里程预测模型的各个参数。

[0071] 进一步地，对所述历史运行数据进行清洗具体包括以下步骤：

[0072] 去除所述历史运行数据中数值的数据单位；

[0073] 将所述历史运行数据中缺失的数据采用均值替换；

[0074] 将所述历史运行数据中的中文数据替换为整数；

[0075] 将所述历史运行数据中的异常值采用相邻值替换；

[0076] 对所述历史运行数据中的行驶里程数据进行转换。

[0077] 具体地，通过进行数据清洗的操作，对历史运行数据中的错误数据进行纠正，以提高建立续航里程预测模型的准确性。其中，在应用时，对所述历史运行数据中的行驶里程进行转换，具体包括：

[0078] 根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量，或根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。

[0079] 需要说明的是，根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量。如相邻50条数据，对应的SOC值为80％，第51条到第90条数据对应的SOC值为79％，这段50条数据的第一条数据的里程值为10000公里，第50条数据的里程值为10003公里，那么将这50条数据的里程值都置为3公里，表示当SOC由80％变为79％时，该车行驶了3公里。

[0080] 根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。如以车辆开始运行后的第一条里程数据和SOC值为基础，里程每增加1公里，用起始的SOC值对应的SOC值，得到每行驶1公里的SOC值的变化量，车辆熄火停止运行后停止计算。

[0081] 本发明提供了电动汽车的续航里程校准方法的第三实施例，与第二实施例不同之处在于：根据第一处理数据建立续航里程预测模型的方法不同，其具体方法包括：

[0082] 将所述第一处理数据分为自变量数据和因变量数据。

[0083] 具体地，自变量数据包括：运行模式、车速、驱动力、档位、电压、电流、电池温度、SOC、加速踏板行程值、制动踏板行程值、空调状态和充电状态等；因变量数据包含：续航里程。

[0084] 从所述自变量数据和因变量数据中选取多个数据作为训练数据，剩余数据作为验证数据。

[0085] 具体地，可按照时间先后顺序，取第一处理数据的前80％作为训练数据，数据的后20％作为验证数据。

[0086] 选取不同的训练模型，并采用所述训练数据对所述训练模型进行训练。

[0087] 具体地，所述训练模型可采用随机森林算法训练模型和Xgboos训练模型等机器学习模型中进行训练。

[0088] 采用所述验证所数据对训练后的训练模型进行验证，将准确率更高的训练模型作为所述续航里程预测模型。

[0089] 具体地，各模型训练结果为其电动汽车续航里程的预测值，通过算法损失函数将估算值与验证数据的真实值进行对比，从而得出各训练模型的预测准确率，将准确率更高的训练模型作为所述续航里程预测模型。也就是说，不同的电动汽车或是同一品牌的电动汽车得出的训练模型都可能不同。

[0090] 基于与上述的一种电动汽车的续航里程校准方法相同的发明构思，本发明提供的一种电动汽车的续航里程校准系统第一实施例，如图2所示，系统包括车载智能终端和车联网平台，

[0091] 车载智能终端用于定时采集电动汽车的运行数据并实时将数据发送给车联网平台或定时采集电动汽车的运行数据进行存储并定时将数据发送给车联网平台。

[0092] 所述车联网平台包括数据接收模块、数据处理模块和数据发送模块，所述接收模块用于接收车载智能终端发送的电动汽车的运行数据。

[0093] 所述数据处理模块用于对接收的电动汽车的运行数据进行处理，计算得到车辆的续航里程预测模型的各个参数。

[0094] 所述数据发送模块用于将数据处理模块计算得到各个参数发送给车载智能终端。

[0095] 所述车载智能终端还用于接收所述参数并在续航里程预测模型中使用该参数进行续航里程预测或将所述参数发送给车载仪表或车机ECU进行处理和更新，由车载仪表或车机ECU使用该参数进行续航里程的预测。

[0096] 具体地，每辆电动汽车的车载智能终端定时采集电动汽车的运行数据，数据包括电池包的SOC，每个单体电池的电压，电池包中每个温度探针的温度，车辆的外界环境温度，电机母线电压，电机母线电流，电机控制器的输入电压，电机控制器的直流母线电流，电机控制器温度，电机转速，电机扭矩，车辆电源的总电压，车辆的总电流，车辆的充电状态，车辆加速踏板的行程，车辆制动踏板的行程，车辆的速度，GPS的位置和海拔高度，车辆的总行驶里程等等。车载智能终端定时采集的时间可以是50毫秒(每秒采集20次)到10秒(每10秒采集一次)。定时将数据发送给车联网平台的时间可以设置为1～10秒。车载智能终端将采集到的数据缓存到本地存储器中。车载智能终端采集的数据来源包括从电动汽车上的各类传感器直接得到，从CAN总线上得到车上的各个ECU发出来的数据，从车载以太网总线上得到车上的各个ECU或者智能模块发出来的数据，从车载GPS模块上得到的GPS位置信息。

[0097] 车载智能终端接收并保存车联网平台发送的续航里程预测模型的各项参数，根据各项参数可计算后续的续航里程。车载智能终端可以根据从CAN总线或者车载以太网总线上收集到的各种数据，并结合这些参数进行续航里程的计算，并将计算结果实时传送给车载仪表或者车载大屏显示器进行显示。车载智能终端也可以将这些参数通过CAN总线或者车载以太网直接传送给相关的ECU进行处理和更新，例如电池管理单元或者车辆控制单元或者仪表显示单元等ECU，由这些ECU自己进行续航里程的计算。

[0098] 本发明实施例提供的一种电动汽车的续航里程校准系统，车联网平台计算车辆的续航里程预测模型参数后，将参数发送给车载智能终端进行续航里程预测；或车载智能终端将参数发送给车载仪表或车机ECU进行处理和更新后进行续航里程预测。在车辆的整个生命周期持续循环，车辆的续航里程预测模型参数将被持续进行定期更新。这样随着车上的动力蓄电池的性能或者容量衰减，电机的性能的衰减，以及其余的影响车辆行驶效率的因素(例如车辆车轮轴承的润滑情况)的持续变化，使得车辆的续航里程在每一个参数更新周期内都能根据预测模型被准确地计算出来。

[0099] 本发明提供了电动汽车的续航里程校准系统第二实施例，与第一实施例不同之处在于：数据处理模块包括第一数据处理单元和第二数据处理单元，所述第一数据处理单元用于对所述历史运行数据进行清洗得到第一处理数据，根据第一处理数据建立续航里程预测模型；所述第二数据处理单元用于对电动汽车的实时运行数据进行清洗得到第二处理数据，将第二处理数据输入所述续航里程预测模型，计算得到车辆的续航里程预测模型的各个参数。

[0100] 具体地，车联网平台首先对各电动汽车的历史运行数据进行数据清洗以得到第一处理数据，将数据清洗后的数据作为训练数据(即第一处理数据)输入到预设的机器学习训练模型中进行训练以建立续航里程预测模型，也就是说，对每辆电动汽车进行单独训练从而生成一个适合该车辆的一个续航里程预测模型，不同的电动汽车对应一个不同的续航里程预测模型。进行续航里程的预测时，车联网平台从实时运行数据中提取最新的运行数据，例如，最新的十条运行数据，并将提取的最新运行数据也进行数据清洗，将各条运行数据中的不同类别数据按列排布，取各列数据的平均值，并将其输入所述续航里程预测模型中，计算得到每辆车的续航里程预测模型的各个参数。

[0101] 进一步地，所述第一处理单元对所述历史运行数据进行清洗具体包括：

[0102] 去除所述历史运行数据中数值的数据单位；

[0103] 将所述历史运行数据中缺失的数据采用均值替换；

[0104] 将所述历史运行数据中的中文数据替换为整数；

[0105] 将所述历史运行数据中的异常值采用相邻值替换；

[0106] 对所述历史运行数据中的行驶里程数据进行转换。

[0107] 具体地，通过进行数据清洗的操作，对历史运行数据中的错误数据进行纠正，以提高建立续航里程预测模型的准确性。其中，在应用时，对所述历史运行数据中的行驶里程进行转换，具体包括：

[0108] 根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量，或根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。

[0109] 需要说明的是，根据动力电池中荷电状态值的变化，计算所述行驶里程的变化量。如相邻50条数据，对应的SOC值为80％，第51条到第90条数据对应的SOC值为79％，这段50条数据的第一条数据的里程值为10000公里，第50条数据的里程值为10003公里，那么将这50条数据的里程值都置为3公里，表示当SOC由80％变为79％时，该车行驶了3公里。

[0110] 根据所述行驶里程的变化，计算动力电池中荷电状态值的变化量。如以车辆开始运行后的第一条里程数据和SOC值为基础，里程每增加1公里，用起始的SOC值对应的SOC值，得到每行驶1公里的SOC值的变化量，车辆熄火停止运行后停止计算。

[0111] 本发明提供了电动汽车的续航里程校准系统的第三实施例，与第二实施例不同之处在于：第一数据处理单元根据第一处理数据建立续航里程预测模型的方法不同，其具体方法包括：

[0112] 将所述第一处理数据分为自变量数据和因变量数据。

[0113] 具体地，自变量数据包括：运行模式、车速、驱动力、档位、电压、电流、电池温度、SOC、加速踏板行程值、制动踏板行程值、空调状态和充电状态等；因变量数据包含：续航里程。

[0114] 从所述自变量数据和因变量数据中选取多个数据作为训练数据，剩余数据作为验证数据。

[0115] 具体地，可按照时间先后顺序，取第一处理数据的前80％作为训练数据，数据的后20％作为验证数据。

[0116] 选取不同的训练模型，并采用所述训练数据对所述训练模型进行训练。

[0117] 具体地，所述训练模型可采用随机森林算法训练模型和Xgboos训练模型等机器学习模型中进行训练。

[0118] 采用所述验证所数据对训练后的训练模型进行验证，将准确率更高的训练模型作为所述续航里程预测模型。

[0119] 具体地，各模型训练结果为其电动汽车续航里程的预测值，通过算法损失函数将估算值与验证数据的真实值进行对比，从而得出各训练模型的预测准确率，将准确率更高的训练模型作为所述续航里程预测模型。也就是说，不同的电动汽车或是同一品牌的电动汽车得出的训练模型都可能不同。

[0120] 最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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，或者对其中部分或者全部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发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。