(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211226921.0 (22)申请日 2022.10.09 (71)申请人 武汉理工大 学 地址 430070 湖北省武汉市洪山区珞狮路 122号 (72)发明人 胡杰　何陈　余海　程雅钰　 (74)专利代理 机构 武汉开元知识产权代理有限 公司 42104 专利代理师 刘琳 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06Q 50/30(2012.01) G06K 9/62(2022.01) (54)发明名称 基于机器学习的新能源公交车能耗预测方 法 (57)摘要 本发明提出了基于机器学习的新能源公交 车能耗预测方法， 通过新能源公交车行驶过程中 的各项数据， 采用数据驱动的方式， 充分考虑了 各种影响因素， 基于三大类构造特征与温度分层 的回归预测模 型， 结合网格搜索优化模型选取最 优的参数组合， 建立XGBoost回归预测模型， 使之 获得最佳的模型性能， 最后经过合格验证， 使得 模型具有较高的准确性以及可靠性。 本发明的方 法具有一定的普适性， 即通过少量的改变， 就可 以运用到其他线路、 其他车型的新能源公交车能 耗预测当中， 建立能耗预测平台， 对能耗实时监 督， 规劝驾驶员进行节能驾驶， 为充电需求测算、 生态轨迹规划和电池参数匹配方面的研究奠定 基础。 权利要求书3页 说明书6页 附图3页 CN 115481813 A 2022.12.16 CN 115481813 A 1.基于机器学习的新能源公交车能耗预测方法， 其特 征在于， 包括以下步骤： 步骤一、 收集获取新能源公交车运行过程中的数据： 车辆状态信息、 电池状态信息、 车 辆使用信息、 环境信息； 步骤二、 对获取的数据进行预处理： 包括划分充放电片段、 修正错误标记数据、 修复缺 失数据和状态滞后数据、 匹配工作路径以及切分去回程路径； 步骤三、 将预处理后的数据， 从电池状态信息、 车辆使用信息、 环境信息三个维度对公 交车能耗进行 特征构造， 得到三大类构造特 征； 步骤四、 使用k ‑means算法对温度能耗数据进行 聚类， 根据聚类结构建立温度分层的回 归预测模型； 步骤五、 基于三大类构造特征与温度分层的回归预测模型， 结合网格搜索优化模型选 取最优的参数组合， 建立XGBo ost回归预测模型； 步骤六、 将测试集数据输入到XGBoost回归预测模型当中， 计算预测结果与真实能耗的 误差， 对XGBoost回归 预测模型进行精度验证， 若未达到误差要求， 则重复步骤二至步骤五， 若达到误差要求， 则将该其作为新能源公交车能耗预测模型， 对新能源公交车 的能耗进行 预测。 2.根据权利要求1所述的基于机器学习的新 能源公交车能耗预测方法， 其特征在于： 所 述步骤一中， 车辆状态信息包括以下 特征： 车辆状态、 充电状态、 运行模式数据； 所述电池状态信息包括以下特征： 电池总电流、 电池总电压、 电池荷电量、 电池历史能 耗、 电池单体温度最高最低值、 电池单体电压最高最低数据； 所述车辆使用信息包括以下特征： 车速、 行驶累积里程、 车辆经纬度、 档位、 加速踏板行 程值、 制动踏板状态数据； 所述环境信息包括以下 特征： 环境温度、 降雨 量、 风速、 风向数据。 3.根据权利要求2所述的基于机器学习的新 能源公交车能耗预测方法， 其特征在于： 所 述步骤二中， 根据车辆状态信息和车辆使用信息， 对数据进 行充放电片段的划分， 对错误标 记数据进行修正； 对大量字段缺失的数据进行删除； 对少量字段缺失的数据及状态滞后数 据采用片段内逻辑填补和机器学习算法填补； 按照经纬度变化规律对新能源公交车的工作 路径进行匹配， 对新能源公交车的去回程路径进行切分； 所述错误标记数据为车辆处于充电状态且速度为0的情况下但是车辆状态却为行驶状 态的数据， 将这样的车辆状态数据修正为停车状态； 所述大量字段缺失的数据为除了时间 特征， 其余特征全为空值的数据； 所述少量字段缺失的数据为电池总电流、 电池总电压、 电 池荷电量均缺失但其他特征未缺 失的数据， 或者行驶累积里程缺 失但其他特征未缺 失的数 据； 所述状态滞后数据为车辆停车熄火状态下但是 车速连续 不为零的数据。 4.根据权利要求3所述的基于机器学习的新 能源公交车能耗预测方法， 其特征在于： 所 述步骤二获取的数据中， 当电池总电流、 电池总电压、 电池荷电量均缺 失但其他特征未缺 失 时， 电池总电流采用0进行填补， 电池总电压采用采用随机森林法进行填补， 电池荷电量采 用上一条电池荷电量数据进行填补； 当行驶累积里程缺失但其他特征未缺失时， 行驶累积 里程采用上下两条数据取均值的方式进行填补； 车辆停车熄火状态下但是车速连续不为零 时， 车速采用0进行填补。权　利　要　求　书 1/3 页 2 CN 115481813 A 25.根据权利要求4所述的基于机器学习的新 能源公交车能耗预测方法， 其特征在于： 所 述新能源公交车的工作路径匹配中， 将车辆维修或者车辆突 发意外需要绕道偏离原有的行 驶路径的情况剔除后， 对新能源公交车的工作路径进行匹配； 所述新能源公交车的去回程路径的路径切分中， 基于纬度最低点进行周期的初步定 位， 然后通过工作路径中的多个特殊点作为纬度定位锚点， 然后通过经度最大值处的速度 变化情况实现去回程路径的切分。 6.根据权利要求5所述的基于机器学习的新 能源公交车能耗预测方法， 其特征在于： 所 述步骤三中， 电池状态信息的构 造特征包括： 电池起始荷电量、 电池结束荷电量、 电池容量、 片段最大电压、 片段最小电压、 片段电压均值、 片段电压方差值、 片段电流最大值、 片段电流 最小值、 片段电流平均值、 片段电流方差、 温度一 致性评分、 电压一 致性评分； 车辆使用信息的构造特征包括： 行驶车速、 片段车速最大值、 片段车速最小值、 片段车 速方差、 总行驶里程、 片段内行驶里程、 加速度、 片段内加速度最大值， 片段内加速度最小 值， 片段内加速度方差、 片段加速比例、 片段减速比例、 片段匀速比例、 加速踏板行程值、 制 动踏板状态、 片段持续时间、 片段开始时间、 片段 结束时间； 环境信息的构造特 征包括： 环境温度、 小时平均风速、 小时平均风向、 小时平均降水量。 7.根据权利要求6所述的基于机器学习的新 能源公交车能耗预测方法， 其特征在于： 所 述电池容 量CI(i)为： 其中， CI(i)为电池容量值， C(t)为温度修正后的电池容量值， C2(i)为电流修正系数； Ci 为电池理论容量值， C1(t)代表温度修正系数， t代表该片段的平均温度， C2(i)为电流修正系 数， i为片段内平均电流； n代表某个充电过程中的窗口数量， n1,n2代表窗口起点和 终点时 刻， socn1,socn2代表该窗口 的电池起始荷电量和电池结束荷电量。 8.根据权利要求1 ‑7中任意一项所述的基于机器学习的新能源公交车能耗预测方法， 其特征在于： 所述 步骤四中， k‑means算法的计算公式如下： 式中， xi,yi分别代表在第i个维度的横、 纵坐标； 计算流程如下： (1)选择K个聚类中心； (2)计算各个样本 到聚类中心的距离；权　利　要　求　书 2/3 页 3 CN 115481813 A 3