一种电动汽车高压部件能耗分析预测方法及系统与流程

1.本发明涉及电动汽车能耗分析技术领域，特别涉及一种电动汽车高压部件能耗分析预测方法及系统。


背景技术：

2.目前，随着电动汽车的保有量增长，对于电动汽车能耗的研究也受到越来越多学术界和工业界的关注。电动汽车的能耗研究一般以台架测试数据为基础进行能耗分析，但是，台架测试是固定单一的循环工况，与实际道路运行工况存在较大差异；为此，近段时间以来研究学者基于车辆实际道路的实验测试数据，着重研究了道路参数(如坡度、交通状况等)、车辆参数(如电池健康状态、车辆老旧程度等)以及环境参数(如温度、天气等)等显著客观因素对电动汽车能耗的影响；
3.仍然缺乏对驾驶风格等主观因素对车辆能耗的影响；为了进一步研究主观因素对于电池能量消耗的影响，研究者又重点研究了驾驶行为(如车辆速度、加速度等)、驾驶设置(如空调使用、灯光使用等)以及充电行为(如快慢充、深浅充等)等不同主观因素对于能耗的影响。
4.虽然，对于影响电动汽车能耗的因素分析正在逐步丰富。但是，已有研究往往都是基于专家经验知识针对特定的部分已知的影响因素进行分析，鲜有涉及全面分析并深入挖掘影响电动汽车能耗的潜在因素研究，因此本专利研发了一种电动汽车高压部件能耗潜在影响因素智能挖掘方法，旨在实现对各高压部件能耗的潜在因素挖掘和全面工况分析。


技术实现要素：

5.基于此，有必要提供一种能够解决方法及系统。
6.本发明实施例一方面提供一种方法，包括如下步骤：
7.s1、根据电动汽车高压部件的类型，动态选择时间窗口尺度，建立高压部件耗电量计算模型，从而进行高压部件能耗的计算；
8.s2、利用数据机理双驱动的方法，基于相关性的特征提取和特征分组、基于决策树的特征排序和特征选择，得到影响各高压部件能耗的重要及潜在工况因素；
9.s3、根据得到的影响能耗的重要及潜在工况因素，利用编码方式构建工况矩阵划分不同工况，量化各工况因素对高压部件能耗的影响情况，并构建不同工况下高压部件耗电量整体分布模型，从而预测不同工况下的各高压部件能耗、进行异常能耗检测和异常能耗定位。
10.优选地，在步骤s1中，所述高压部件的类型包括电控电机dcu、空调加热器ptc、空调压缩机ecp、高压电加热器hvh和高低压转换器dcdc。
11.优选地，根据所述高压部件的类型，动态选取所述高压部件对应的时间窗口尺度，具体为：
12.当所述高压部件的类型为电控电机时，对应选择的所述时间窗口为连续的行车事
件，并剔除连续行驶小于1公里的片段；当所述高压部件的类型为空调加热器或空调压缩机时，所述时间窗口为每次使用空调加热器或空调压缩机的连续时间段，并剔除连续使用时间小于3分钟的片段；当所述高压部件的类型为高压电加热器或高低压转换器，所述时间窗口通过动态调整方法选取。
13.优选地，在步骤s1中，根据所述高压部件的类型，确定所述高压部件能耗计算的可获取数据，结合高压部件耗电量计算模型，计算得到相应时间窗口内的高压部件的能耗，将所述能耗用作后续分析模型的标签。
14.优选地，在步骤s1中，判断所述高压部件的类型，相应建立高压部件精准耗电量计算模型，从而分别计算不同类型高压部件的能耗，具体为：
15.若所述高压部件为电控电机、高压电加热器或高低压转换器时，所述电控电机、高压电加热器或高低压转换器的可获取数据均为电压电流值，相应的其第一能耗、第四能耗和所述第五能耗的计算公式如下：
[0016][0017]
其中，表示电控电机消耗的能量，单位kw
·
h；u表示电机控制器直流侧电压，单位v；i表示电机控制器直流侧的电流，单位a；当电机处于驱动状态时，i》0，当电机处于制动状态时，i《0。
[0018]
若所述高压部件为所述空调加热器或所述空调压缩机时，所述空调加热器或空调压缩机的可获取数据均为消耗功率p，相应的其第二能耗、第三能耗的计算公式如下：
[0019][0020]
其中，p代表该部件消耗功率，单位w，w1代表该部件耗能，单位kw
·
h。。
[0021]
优选地，在步骤s2中，具体包括：
[0022]
s21、初步筛选出与各类型所述高压部件能耗相关的维度；
[0023]
s22、初步筛选出能耗相关维度后，进行基于相关性的工况统计特征提取；
[0024]
s23、基于决策树特征选择：根据获得的各高压部件单位时间窗口内的所述特征候选集、以及各高压部件单位窗口相应的能耗值，利用嵌入式特征选择方法，得到所述特征候选集中的所述二次特征对能耗的影响程度，然后，根据对能耗影响程度的大小对所述二次特征进行排序。
[0025]
优选地，在步骤s22中，基于相关性的工况统计特征提取具体包括步骤：
[0026]
s221、二次特征提取：针对单位时间窗口，利用数学统计方法以及专家经验和先验知识提取每段单位时间窗口的二次特征；
[0027]
s222、相关性分析：根据所述二次特征间的相关性，剔除相关性不高的的二次特征，得到各类型高压部件能耗相关的二次特征候选集。
[0028]
优选地，在步骤s3中，对高压部件的能耗影响因素进行分析，具体如下：
[0029]
s31、基于编码的工况划分：结合步骤s2中得到的各高压部件的影响因素，即结合步骤s2潜在因素挖掘模块特征排序结果，根据各高压部件的类型设计工况向量，每一维度代替一种工况，利用编码方式构建工况矩阵，使得所有的工况被映射到一个长度可变的矩阵中，对于任意一个时间窗口的工况维度，根据各工况的维度情况显式地映射到同一工况
矩阵中，作为工况划分的标准，划分不同工况，从而量化各工况对高压部件能耗的影响；
[0030]
s32、基于统计分布的工况分析：构建不同工况下高压部件耗电量整体分布模型，从而针对落在同一工况的用电片段，进行同类别对比分析和跨类别对比分析，从而支持准确估计、预测不同工况下的各高压部件能耗以及异常能耗检测和问题定位。
[0031]
本发明还提供一种电动汽车高压部件能耗分析预测系统，所述系统包括：
[0032]
能耗计算模块：用于分析高压部件耗能具体机理和整车能量流，并针对不同的高压部件，动态选择合适的时间窗口尺度，建立高压部件耗电量计算模型，从而进行高压部件的能耗的计算；
[0033]
潜在因素挖掘模块：用于根据数据机理双驱动的方法，进行基于相关性的特征提取和特征分组、基于决策树的特征排序和特征选择，通过以上特征工程方法，从而挖掘得到影响各高压部件能耗的重要及潜在工况因素；
[0034]
预测模块：用于根据得到的影响能耗的重要及潜在工况因素，利用编码方式构建工况矩阵划分不同工况，量化分析各工况因素对高压部件能耗的影响情况，分析耗电量受不同工况因素的影响情况，并构建不同工况下高压部件耗电量整体分布模型，从而预测不同工况下的各高压部件能耗、进行异常能耗检测和异常能耗定位。
[0035]
优选地，所述能耗计算模块还包括高压部件类型模块，所述高压部件类型模块包括电控电机、空调加热器、空调压缩机、高压电加热器和高低压转换器。
[0036]
本发明针对电动汽车的高压部件，依托大数据处理技术手段，利用机理数据双驱动的方法，实现了对电动汽车高压部件能耗准确计算与分析，既突破了当前专家知识的局限性，也提升了人工智能方法的可解释性，从而实现了对高压部件能耗影响因素的全面分析；这一方法可用于电动汽车能耗智能管理，支撑车企高压部件标定优化、延长续航里程，指导用户优化用车习惯、缓解里程焦虑，从而为汽车高压部件研发优化及用户用车习惯指导提供参考。
附图说明
[0037]
通过附图中所示的本发明优选实施例更具体说明，本发明上述及其它目的、特征和优势将变得更加清晰。在全部附图中相同的附图标记指示相同的部分，且并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。
[0038]
图1为本发明实施例的方法的流程图；
[0039]
图2为本发明优选实施例的方法的预测能耗与高压部件实际消耗能耗的对比图；
具体实施方式
[0040]
下面结合附图和具体实施例对本发明技术方案作进一步的详细描述，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0041]
如图1-图2所示，一种电动汽车高压部件能耗分析预测方法，包括如下步骤：
[0042]
s1、进行高压部件的能耗计算：深入分析高压部件耗能具体机理及整车能量流后，分析高压部件耗能具体机理和整车能量流，然后，根据电动汽车高压部件的类型，动态选择时间窗口尺度，建立高压部件耗电量计算模型，从而进行高压部件能耗的计算，以准确了解高压部件耗电情况，为后续统计分析打下坚实计算基础；
[0043]
s2、通过能耗特征工程，挖掘能耗的影响因素：根据不同需求进行工况统计特征提取，利用数据机理双驱动的方法，进行基于相关性的特征提取和特征分组、基于决策树的特征排序和特征选择，通过以上一系列特征工程方法，从而全面挖掘影响各高压部件能耗的重要及潜在工况因素，为后续不同工况下高压部件能耗分析提供参考与指导；其中，可选择的，特征排序与特征选择均基于决策树的方法进行。
[0044]
s3、进行高压部件能耗的影响因素分析、及进行预测：根据步骤s2中挖掘的得到的影响能耗的重要及潜在工况因素，利用编码方式构建工况矩阵划分不同工况，量化分析各工况因素对高压部件能耗的影响情况，分析耗电量受不同工况因素的影响情况，并构建不同工况下高压部件耗电量整体分布模型，从而准确估计、预测不同工况下的各高压部件能耗以及异常能耗检测和问题定位；
[0045]
在优选实施例中，在步骤s1中，所述高压部件的类型包括电控电机(dcu)、空调加热器(ptc)、空调压缩机(ecp)、高压电加热器(hvh)及高低压转换器(dcdc)。其中，电控电机(dcu)为整车提供驱动动力；高低压转换器(dcdc)，用于将电池提供电流经高压电和低压直流电的转换，为整车用电设备提供电源；空调加热器(ptc)，参与空调加热过程，使空调能吹出热风，从而调节车内环境温度；空调压缩机(ecp)，参与空调制冷过程，使空调能吹出冷风，从而调节车内环境温度；同时对空调的冷却回路中的冷却液进行制冷。
[0046]
在优选实施例中，在步骤s1中，根据高压部件的类型，选取所述高压部件对应的时间窗口尺度，具体为：
[0047]
当所述高压部件的类型为电控电机(dcu)，所述时间窗口为连续的行车事件(从发动到熄火)，并剔除连续行驶小于1公里的片段；当所述高压部件的种类为空调加热器(ptc)或者空调压缩机(ecp)，所述时间窗口为每次使用空调加热器(ptc)或者空调压缩机(ecp)的连续时间段，并剔除连续使用时间小于3分钟的片段；当所述高压部件的种类为高压电加热器(hvh)或者高低压转换器(dcdc)，所述时间窗口通过动态调整方法选取。当所述高压部件的种类为高压电加热器(hvh)或者高低压转换器(dcdc)，所述时间窗口根据高压电加热器(hvh)或者高低压转换器(dcdc)具体使用情况进行选择，即时间窗口选取为行车过程中高压电加热器(hvh)或者高低压转换器(dcdc)的工作时间。
[0048]
在优选实施例中，在步骤s1中，根据所述高压部件的类型，确定所述高压部件能耗计算的可获取数据，结合高压部件耗电量计算模型，计算得到相应时间窗口内的高压部件的能耗，将所述能耗用作后续分析模型的标签。
[0049]
可选的，单位时间窗口内，所述电控电机的耗电量为第一能耗，所述空调加热器的耗电量为第二能耗，所述空调压缩机的耗电量为第三能耗，所述高压电加热器的耗电量为第四能耗，所述高低压转换器的耗电量为第五能耗。
[0050]
所述电控电机的耗电量为第一能耗，所述空调加热器的耗电量为第二能耗，所述空调压缩机的耗电量为第三能耗，所述高压电加热器的耗电量为第四能耗，所述高低压转换器的耗电量为第五能耗；所述能耗为各类型高压部件能耗之和，即所述能耗为第一能耗、第二能耗、第三能耗、第四能耗和第五能耗之和。
[0051]
在优选实施例中，在步骤s1中，判断所述高压部件的类型，相应建立高压部件精准耗电量计算模型，从而分别计算不同类型高压部件的能耗，具体为：采用机理分析与数据驱动相结合的方式，构建各部件耗电量计算模型；其中，机理分析即能量流分析及动力学模
型，数据驱动即车载设备国标采集数据维度及频率。关于可获取数据，电控电机(dcu)、高压电加热器(hvh)及高低压转换器(dcdc)能获取到其电压电流值，而空调加热器(ptc)、空调压缩机(ecp)可获取其消耗功率；关于计算模型，我们通过一定时间范围内电流电压/功率积分值获取该高压部件单位时间内的能耗，来作为后续能耗分析的真实值；
[0052]
若所述高压部件为电控电机(dcu)、高压电加热器(hvh)或者高低压转换器(dcdc)时，所述电控电机(dcu)、高压电加热器(hvh)及高低压转换器(dcdc)的可获取数据均为电压电流值，相应的其第一能耗、第四能耗和所述第五能耗的计算公式如下：
[0053][0054]
其中，表示电控电机消耗的能量，单位kw
·
h；u表示电机控制器直流侧电压，单位v；i表示电机控制器直流侧的电流，单位a；当电机处于驱动状态时，i》0，当电机处于制动状态时，i《0。
[0055]
若所述高压部件为空调加热器(ptc)或空调压缩机(ecp)时，空调加热器(ptc)和空调压缩机(ecp)的可获取数据均为消耗功率p，相应的其第二能耗、第三能耗的计算公式如下：
[0056][0057]
其中，p代表该部件消耗功率，单位w，w1代表该部件耗能，单位kw
·
h。
[0058]
可选的，针对计算过程中存在的数据不完整、不准确以及各部件采集频率不一致等问题，利用线性插值、降低采样频率等方式进行结果修正，以获得更符合实际情况的计算结果。
[0059]
在优选实施例中，在步骤s2中，具体包括：
[0060]
s21、基于专家经验知识，初步筛选出国标数据中与各类型所述高压部件能耗可能相关或者潜在相关的维度；根据所述高压部件的类型，分别筛选出不同的维度，具体为：
[0061]
当所述高压部件的类型为电控电机(dcu)，筛选电控电机(dcu)相关或潜在的维度类别有dcu状态类、车速变速类、方向盘轮胎类、驾驶行为类、地理环境类以及待挖掘的其他可能相关维度类；筛选空调加热器(ptc)和空调压缩机(ecp)相关维度类别主要有空调设置类、温度类、地理环境类以及其他待挖掘类；筛选高压电加热器(hvh)相关维度类别为工作状态类、电池信息类、温度类、以及其他待挖掘类；筛选高低压转换器(dcdc)相关维度类别为长期用电类、短时间间歇用电类以及附加用电设备类。
[0062]
s22、初步筛选出高压部件能耗的相关维度后，进行基于相关性的工况统计特征提取；
[0063]
s23、基于决策树特征选择：根据获得的各高压部件单位时间窗口内的所述特征候选集、以及各高压部件单位窗口相应的能耗值，利用嵌入式特征选择方法，得到所述特征候选集中的所述二次特征对能耗的影响程度，然后，根据对能耗影响程度的大小对所述二次特征进行排序。嵌入式特征选择方法，可选用树模型结构的lgbm，基于前述得到的各高压部件单位窗口内的特征候选集以及相应的能耗值，得到特征候选集中各特征对于能耗的影响程度并进行排序。优选的，嵌入式特征选择方法有多种选择，例如，可选择lgbm、xgboost等，来得到特征候选集中的二次特征对能耗的影响程度；利用决策树分析各个输入维度(即二
次特征)对输出结果(即能耗)准确性的影响，即特征的重要性，从而评估二次特征对能耗的影响程度。
[0064]
在优选实施例中，在步骤s22中，基于相关性的工况统计特征提取具体包括步骤：
[0065]
s221、二次特征提取：针对单位时间窗口，利用数学统计方法以及专家经验和先验知识提取每段单位时间窗口的二次特征，所述二次特征包括均值、标准差、最大值、最小值、中位数、变化值、所占行程里数比例值。对单位时间窗口内的维度进行特征提取，从而获取到二次特征。
[0066]
s222、相关性分析：并利用二次特征间的相关性剔除冗余二次特征，即去除相关性不高的特征，得到各高压部件能耗相关的二次特征候选集，即剔除冗余二次特征后，剩余二次特征组成二次特征候选集。可选的，二次特征间的相关性可选用皮尔森系数的大小值进行冗余二次特征的剔除。
[0067]
在优选实施例中，在步骤s3中，对高压部件的能耗影响因素进行分析，具体如下：
[0068]
s31、基于编码的工况划分：结合步骤s2中得到的各高压部件的影响因素，及特征排序结果，根据各高压部件的类型设计工况向量，每一维度代替一种工况，利用编码方式构建工况矩阵，使得所有的工况被映射到一个长度可变的矩阵中，对于任意一个时间窗口的工况维度，根据各工况的维度情况显式地映射到同一工况矩阵中，作为工况划分的标准，划分不同工况，从而量化各工况对高压部件能耗的影响，构建的工况矩阵示意如下：
[0069][0070]
工况取值可根据one-hot coding方式进行编码，将类别信息转化为机器学习方法可使用的形式。通过这种方法，所有的工况被映射到一个长度可变的矩阵中，每个时间窗口可根据各工况维度情况显式地映射到一个工况矩阵中，作为工况划分的标准。其中，“影响因素”是某一(类)“特征”反映在实际生活中的说法，对“特征”进行解释，比如特征车外温度的均值、车内温度的方差代表的影响因素是温度。
[0071]“维度”就是原始输入的数据信息，即数据表头；“特征”是对“维度”提取后的结果，也是算法的输入；比如维度速度提取特征后可得到加速度这一特征。
[0072]“工况”是多个“特征”复合后的结果，当多个特征表征一致时可视为同一工况；比如高温、高速、未开空调等可以看成是一个固定工况，低温、高速、未开空调等则为另一个不同的工况。
[0073]“能耗”为目标输出。
[0074]
s32、基于统计分布的工况分析：构建不同工况下高压部件耗电量整体分布模型，从而针对落在同一工况的用电片段，进行同类别对比分析(如某一工况下高压部件能耗的分布情况)和跨类别对比分析(不同工况对于高压部件能耗的具体影响)；从而为系统性地理解各影响因素(即工况)对于某高压部件能耗的具体影响，从而支持准确估计、预测不同工况下的各高压部件能耗以及异常能耗检测和问题定位。高压部件耗电量整体分布模型为
简单的高斯分布，可以通过均值μ和方差σ来反映各个工况下耗电量的情况，能耗x～n(μ,σ)。
[0075]
进行能耗验证：将电动汽车的实际能耗与能耗预测模型计算的预测能耗(即构建的高压部件耗电量整体分布模型)进行对比验证，从而验证准确性。
[0076]
图2所示，预测能耗模型的准确性验证：通过对上述工况的分析，可以构建以工况为输入，能耗为输出的能耗估计模型，r2可高达99％，其中，r2即相关系数，表示实际能耗与预测能耗的拟合度，图2中的历史的能耗片段训练可以知道，本发明的因素分析方法可以进行高压部件的较为准确的能耗估计。通过r2进行实际能耗与预测能耗的相关度对比，可以验证本发明高压部件能耗分析预测方法进行电动汽车高压部件能耗潜在影响因素挖掘的准确性。
[0077]
一种电动汽车高压部件能耗分析预测系统，所述系统包括：
[0078]
能耗计算模块：用于分析高压部件耗能具体机理和整车能量流，并针对不同的高压部件，动态选择合适的时间窗口尺度，建立高压部件耗电量计算模型，从而进行高压部件的能耗的计算；
[0079]
潜在因素挖掘模块：用于根据数据机理双驱动的方法，进行基于相关性的特征提取、特征分组、特征排序和基于决策树的特征选择，通过以上特征工程方法，从而挖掘得到影响各高压部件能耗的重要及潜在工况因素；
[0080]
预测模块：用于根据影响能耗的工况因素的特征排序结果，利用编码方式构建工况矩阵划分不同工况，量化分析各工况因素对高压部件能耗的影响情况，分析耗电量受不同工况因素的影响情况，并构建高压部件能耗智能模型(构建不同工况下高压部件耗电量整体分布模型)，从而准确估计、预测不同工况下的各高压部件能耗以及异常能耗检测和问题定位。
[0081]
在优选实施例中，所述能耗计算模块还包括高压部件类型模块，所述高压部件类型模块包括电控电机(dcu)、空调加热器(ptc)、空调压缩机(ecp)、高压电加热器(hvh)和高低压转换器(dcdc)。
[0082]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种电动汽车高压部件能耗分析预测方法，其特征在于，包括如下步骤：s1、根据电动汽车高压部件的类型，动态选择时间窗口尺度，建立高压部件耗电量计算模型，从而进行高压部件能耗的计算；s2、利用数据机理双驱动的方法，进行基于相关性的特征提取和特征分组、基于决策树的特征排序和特征选择，从而得到影响各高压部件能耗的重要及潜在工况因素；s3、根据得到的影响能耗的重要及潜在工况因素，利用编码方式构建工况矩阵划分不同工况，量化各工况因素对高压部件能耗的影响情况，并构建不同工况下高压部件耗电量整体分布模型，从而预测不同工况下的各高压部件能耗、进行异常能耗检测和异常能耗定位。2.如权利要求1所述的方法，其特征在于，在步骤s1中，所述高压部件的类型包括电控电机、空调加热器、空调压缩机、高压电加热器和高低压转换器。3.如权利要求2所述的方法，其特征在于，在步骤s1中，根据所述高压部件的类型，动态选取所述高压部件对应的时间窗口尺度，具体为：当所述高压部件的类型为电控电机时，对应选择的所述时间窗口为连续的行车事件，并剔除连续行驶小于1公里的片段；当所述高压部件的类型为空调加热器或空调压缩机时，所述时间窗口为每次使用空调加热器或空调压缩机的连续时间段，并剔除连续使用时间小于3分钟的片段；当所述高压部件的类型为高压电加热器或高低压转换器，所述时间窗口通过动态调整方法选取。4.如权利要求3所述的方法，其特征在于，在步骤s1中，根据所述高压部件的类型，确定所述高压部件能耗计算的可获取数据，结合高压部件耗电量计算模型，计算得到相应时间窗口内的高压部件能耗。5.如权利要求4所述的方法，其特征在于，在步骤s1中，判断所述高压部件的类型，相应建立高压部件精准耗电量计算模型，从而分别计算不同类型高压部件的能耗，具体为：若所述高压部件为电控电机、高压电加热器或高低压转换器时，所述电控电机、高压电加热器或高低压转换器的可获取数据均为电压电流值，相应的高压部件耗电量计算模型如下：其中，表示电控电机消耗的能量，单位kw
·
h；u表示电机控制器直流侧电压，单位v；i表示电机控制器直流侧的电流，单位a；当电机处于驱动状态时，i>0，当电机处于制动状态时，i<0。若所述高压部件为所述空调加热器或所述空调压缩机时，所述空调加热器或空调压缩机的可获取数据均为消耗功率p，相应的高压部件耗电量计算模型如下：其中，p代表该部件消耗功率，单位w，w1代表该部件耗能，单位kw
·
h。6.如权利要求1所述的方法，其特征在于，在步骤s2中，具体包括：s21、初步筛选出与各类型所述高压部件能耗相关的维度；s22、初步筛选出能耗相关维度后，进行基于相关性的工况统计特征提取；
s23、基于决策树特征选择：根据获得的各高压部件单位时间窗口内的所述特征候选集、以及各高压部件单位窗口相应的能耗值，利用嵌入式特征选择方法，得到所述特征候选集中的所述二次特征对能耗的影响程度，然后，根据对能耗影响程度的大小对所述二次特征进行排序。7.如权利要求6所述的方法，其特征在于，在步骤s22中，基于相关性的工况统计特征提取具体包括步骤：s221、二次特征提取：针对单位时间窗口，利用数学统计方法以及专家经验和先验知识提取每段单位时间窗口的二次特征；s222、相关性分析：根据所述二次特征间的相关性，剔除相关性不高的的二次特征，得到各类型高压部件能耗相关的二次特征候选集。8.如权利要求1所述的方法，其特征在于，在步骤s3中，对高压部件的能耗影响因素进行分析，具体如下：s31、基于编码的工况划分：结合步骤s2中得到的各高压部件的影响因素，即结合步骤s2潜在因素挖掘模块特征排序结果，根据各高压部件的类型设计工况向量，每一维度代替一种工况，利用编码方式构建工况矩阵，使得所有的工况被映射到一个长度可变的矩阵中，对于任意一个时间窗口的工况维度，根据各工况的维度情况显式地映射到同一工况矩阵中，作为工况划分的标准，划分不同工况，从而量化各工况对高压部件能耗的影响；s32、基于统计分布的工况分析：构建不同工况下高压部件耗电量整体分布模型，从而针对落在同一工况的用电片段，进行同类别对比分析和跨类别对比分析，从而支持准确估计、预测不同工况下的各高压部件能耗以及异常能耗检测和问题定位。9.一种电动汽车高压部件能耗分析预测系统，其特征在于，所述系统包括：能耗计算模块：用于分析高压部件耗能具体机理和整车能量流，并针对不同的高压部件，动态选择合适的时间窗口尺度，建立高压部件耗电量计算模型，从而进行高压部件的能耗的计算；潜在因素挖掘模块：用于根据数据机理双驱动的方法，进行基于相关性的特征提取和特征分组、基于决策树的特征排序和特征选择，通过以上特征工程方法，从而挖掘得到影响各高压部件能耗的重要及潜在工况因素；预测模块：用于根据得到的影响能耗的重要及潜在工况因素，利用编码方式构建工况矩阵划分不同工况，量化分析各工况因素对高压部件能耗的影响情况，分析耗电量受不同工况因素的影响情况，并构建不同工况下高压部件耗电量整体分布模型，从而准确估计、预测不同工况下的各高压部件能耗以及异常能耗检测和问题定位。10.如权利要求8所述的系统，其特征在于，所述能耗计算模块还包括高压部件类型模块，所述高压部件类型模块包括电控电机、空调加热器、空调压缩机、高压电加热器和高低压转换器。

技术总结
本发明涉及一种电动汽车高压部件能耗分析预测方法及系统，包括如下步骤：S1、针对不同的高压部件，动态选择合适的时间窗口尺度，建立高压部件耗电量计算模型，从而进行高压部件的能耗的计算；S2、进行基于相关性的特征提取、特征分组、特征排序和基于决策树的特征选择，从而挖掘得到影响各高压部件能耗的重要及潜在工况因素；S3、根据影响能耗的工况因素的特征排序结果，利用编码方式构建工况矩阵划分不同工况，量化各工况因素对高压部件能耗的影响情况，并构建不同工况下高压部件耗电量整体分布模型，从而预测不同工况下的各高压部件能耗、进行异常能耗检测和异常能耗定位。进行异常能耗检测和异常能耗定位。进行异常能耗检测和异常能耗定位。


技术研发人员：熊焰 焦建云 吴珺如 陶良乐 冯灏腾 梁健 张永航
受保护的技术使用者：大圣科技股份有限公司
技术研发日：2023.03.31
技术公布日：2023/8/14