高能耗归因方法、装置、设备及可读存储介质与流程

1.本发明涉及计算机技术领域，尤其涉及一种高能耗归因方法、装置、设备及可读存储介质。


背景技术：

2.车辆能耗作为车辆的一重要性能指标，厂商和用户都对其格外关注。车辆能耗(燃油和电能的消耗)不仅是车辆的重要优化项目，同时车辆能耗的异常变化也能够直接反馈出车辆使用情况是否出现异常。
3.相较于识别出高能耗车辆，厂商和用户更关注于识别出造成高能耗的原因。但是目前大部分的能耗归因都是采取了专家经验，在识别出高能耗车辆后，由有经验的专家对车辆运行情况、运行工况进行分析，从而得出高能耗原因。由此现有高能耗归因的方式存在普适性较差的问题。


技术实现要素：

4.本发明的主要目的在于提供一种高能耗归因方法，旨在解决现有高能耗归因方法采用专家人工分析的方式，存在普适性较差的技术问题。
5.为实现上述目的，第一方面，本发明提供一种高能耗归因方法，所述高能耗归因方法包括：
6.获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型；
7.将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据；
8.获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因；
9.将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。
10.根据第一方面，在所述获取目标高能耗场景的步骤之前，包括：
11.获取各预设车辆类型对应的历史行驶数据，并根据所述预设车辆类型的各运行工况，将所述历史行驶数据拆分为各所述运行工况的工况行驶数据；
12.将各所述运行工况的工况行驶数据分别按照预设聚合周期进行聚合，获得各所述运行工况的工况行驶特征；
13.将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的能耗状态结果；
14.根据各所述工况行驶特征和对应的能耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标；
15.将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对
应的目标高能耗场景。
16.根据第一方面，或者以上第一方面的任意一种实现方式，所述根据各所述工况行驶特征和对应的能耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标的步骤，包括：
17.根据各所述工况行驶特征和所述能耗状态结果，筛选出各所述工况行驶特征中的各高能耗行驶特征；
18.根据各所述高能耗行驶特征和各预设关联特征函数，计算得到各预设高能耗原因的关联运行特征的历史运行特征值；
19.根据所述历史运行特征值，确定各所述关联运行特征的高能耗特征阈值，并将各所述关联运行特征的高能耗特征阈值作为各预设高能耗原因的高能耗指标。
20.根据第一方面，或者以上第一方面的任意一种实现方式，所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因的步骤，包括：
21.根据所述高能耗运行数据和各预设关联特征函数，计算得到所述高能耗运行数据的指定关联运行特征；
22.将所述指定关联运行特征与各所述预设高能耗原因的高能耗指标进行匹配，获得匹配的高能耗指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
23.根据第一方面，或者以上第一方面的任意一种实现方式，所述指定关联运行特征包括各关联运行特征的指定特征值，所述高能耗指标包括各关联运行特征的高能耗特征阈值，所述将所述指定关联运行特征与各所述预设高能耗原因的高能耗指标进行匹配，获得匹配的高能耗指标对应的预设高能耗原因作为所述目标车辆的高能耗归因的步骤，包括：
24.按照预设归因次序，依次判断所述指定关联运行特征中各指定特征值是否超过对应的高能耗指标中的高能耗特征阈值；
25.若所述指定特征值超过对应的高能耗指标中的高能耗特征阈值，则判定所述高能耗指标为所述指定特征值对应的匹配关联指标；
26.若所述指定特征值不超过对应的高能耗特征阈值，则判定所述高能耗指标不为所述指定特征值对应的匹配关联指标；
27.将各所述匹配关联指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
28.根据第一方面，或者以上第一方面的任意一种实现方式，在所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因步骤之后，所述方法还包括：
29.获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值；
30.根据所述实际能耗值与所述正常能耗基准值，获得所述高能耗运行数据在各所述运行工况下的可节约总能耗。
31.根据第一方面，或者以上第一方面的任意一种实现方式，在所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因步骤之后，还包括：
32.获取所述高能耗运行数据中的所述高能耗归因对应的高能耗运行特征和正常能耗运行数据；
33.根据所述高能耗运行特征对所述正常能耗运行数据进行更新，获得所述高能耗归因的差异化运行数据；
34.将所述差异化运行数据输入预设能耗预测模型，获得所述差异化运行数据的预测能耗值；
35.根据所述差异化运行数据的预测能耗值和所述正常能耗基准值，计算得到所述高能耗归因的可节约能量值。
36.第二方面，本发明提供了一种高能耗归因装置，所述高能耗归因装置包括：
37.第一获取模块，用于获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型；
38.识别模块，用于将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据；
39.第二获取模块，用于获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因；
40.匹配模块，用于将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。
41.根据第二方面，所述高能耗归因装置还包括：场景构建模块，用于：
42.获取各预设车辆类型对应的历史行驶数据，并根据所述预设车辆类型的各运行工况，将所述历史行驶数据拆分为各所述运行工况的工况行驶数据；
43.将各所述运行工况的工况行驶数据分别按照预设聚合周期进行聚合，获得各所述运行工况的工况行驶特征；
44.将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的能耗状态结果；
45.根据各所述工况行驶特征和对应的能耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标；
46.将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对应的目标高能耗场景。
47.根据第二方面，或者以上第二方面的任意一种实现方式，场景构建模块，还用于：
48.根据各所述工况行驶特征和所述能耗状态结果，筛选出各所述工况行驶特征中的各高能耗行驶特征；
49.根据各所述高能耗行驶特征和各预设关联特征函数，计算得到各预设高能耗原因的关联运行特征的历史运行特征值；
50.根据所述历史运行特征值，确定各所述关联运行特征的高能耗特征阈值，并将各所述关联运行特征的高能耗特征阈值作为各预设高能耗原因的高能耗指标。
51.根据第二方面，或者以上第二方面的任意一种实现方式，匹配模块，还用于：
52.根据所述高能耗运行数据和各预设关联特征函数，计算得到所述高能耗运行数据的指定关联运行特征；
53.将所述指定关联运行特征与各所述预设高能耗原因的高能耗指标进行匹配，获得匹配的高能耗指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
54.根据第二方面，或者以上第二方面的任意一种实现方式，所述指定关联运行特征
包括各关联运行特征的指定特征值，所述高能耗指标包括各关联运行特征的高能耗特征阈值，匹配模块，还用于：
55.按照预设归因次序，依次判断所述指定关联运行特征中各指定特征值是否超过对应的高能耗指标中的高能耗特征阈值；
56.若所述指定特征值超过对应的高能耗指标中的高能耗特征阈值，则判定所述高能耗指标为所述指定特征值对应的匹配关联指标；
57.若所述指定特征值不超过对应的高能耗特征阈值，则判定所述高能耗指标不为所述指定特征值对应的匹配关联指标；
58.将各所述匹配关联指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
59.根据第二方面，或者以上第二方面的任意一种实现方式，所述高能耗归因装置还包括：能耗量化模块，用于：
60.获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值；
61.根据所述实际能耗值与所述正常能耗基准值，获得所述高能耗运行数据在各所述运行工况下的可节约总能耗。
62.根据第二方面，或者以上第二方面的任意一种实现方式，能耗量化模块，还用于：
63.获取所述高能耗运行数据中的所述高能耗归因对应的高能耗运行特征和正常能耗运行数据；
64.根据所述高能耗运行特征对所述正常能耗运行数据进行更新，获得所述高能耗归因的差异化运行数据；
65.将所述差异化运行数据输入预设能耗预测模型，获得所述差异化运行数据的预测能耗值；
66.根据所述差异化运行数据的预测能耗值和所述正常能耗基准值，计算得到所述高能耗归因的可节约能量值。
67.第三方面，本发明提供了一种高能耗归因设备，所述高能耗归因设备包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上所述的高能耗归因方法的步骤。
68.第三方面以及第三方面的任意一种实现方式分别与第一方面以及第一方面的任意一种实现方式相对应。第三方面以及第三方面的任意一种实现方式所对应的技术效果可参见上述第一方面以及第一方面的任意一种实现方式所对应的技术效果，此处不再赘述。
69.第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质中存储了计算机程序，当所述计算机程序被处理器执行时，使得处理器执行如上述第一方面或第一方面的可能的实现方式中任一项所述的高能耗归因方法。
70.第四方面以及第四方面的任意一种实现方式分别与第一方面以及第一方面的任意一种实现方式相对应。第四方面以及第四方面的任意一种实现方式所对应的技术效果可参见上述第一方面以及第一方面的任意一种实现方式所对应的技术效果，此处不再赘述。
71.第五方面，本发明实施例提供了一种计算机程序，该计算机程序包括用于执行第一方面以及第一方面的任意可能的实现方式中的高能耗归因方法的指令。
72.第五方面以及第五方面的任意一种实现方式分别与第一方面以及第一方面的任意一种实现方式相对应。第五方面以及第五方面的任意一种实现方式所对应的技术效果可
参见上述第一方面以及第一方面的任意一种实现方式所对应的技术效果，此处不再赘述。
73.本发明提出了一种高能耗归因方法、装置、设备及可读存储介质，通过获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型。由于所述高能耗识别模型为所述目标车辆的车辆类型对应的模型，因此可以规避不同车辆类型本身的设计逻辑、运行规律、衰减规律等因素的影响，进一步地提升所述高能耗识别模型输出结果的准确性。将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据。获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因。从而通过将所述高能耗运行数据与各所述预设高能耗原因的高能耗指标进行匹配，可以确定所述高能耗运行数据满足的高能耗指标，匹配的高能耗指标对应的预设高能耗原因则是可以作为所述目标车辆的高能耗归因。本发明通过目标车辆的车辆类型对应的高能耗识别模型识别出所述目标车辆的存在高能耗情况的高能耗运行数据，进而将高能耗运行数据与各所述预设高能耗原因的高能耗指标进行匹配，从而可以对所述目标车辆的高能耗情况进行归因，获得所述目标车辆的高能耗归因。本发明相较于现有技术在一定程度上减少对专家经验的依赖，有效提高了高能耗归因的普适性，更易于大范围、批量使用。
附图说明
74.图1为本发明高能耗归因方法第一实施例的流程示意图；
75.图2为本发明高能耗归因方法第二实施例的流程示意图；
76.图3为本发明实施例方案涉及的关联运行特征的分布示意图；
77.图4为本发明高能耗归因方法第三实施例的流程示意图；
78.图5为本发明实施例方案涉及的正常行驶工况下可节约总能耗的示意图；
79.图6为本发明实施例方案涉及的高能耗归因的可节约能量值的第一示意图；
80.图7为本发明实施例方案涉及的高能耗归因的可节约能量值的第二示意图
81.图8为本发明高能耗归因装置的结构示意图；
82.图9为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
83.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
84.下面将结合本技术实施例中的附图，对本技术实施例中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技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
85.本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
86.本技术实施例的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一目标对象和第二目标对象等是用于区别不同的目标对象，而不是用于描述目标对象的特定顺序。
87.在本技术实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本
申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
88.应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
89.请参照图1，图1为本发明高能耗归因方法第一实施例的流程示意图。需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
90.本发明第一实施例提供一种高能耗归因方法，所述高能耗归因方法包括以下步骤：
91.步骤s100，获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型；
92.本实施例中，需要说明的是，所述指定运行数据为所述目标车辆期望进行高能耗归因的行驶数据，可以是所述目标车辆的实时行驶数据，或者是某一指定时间段内的行驶数据。其中，所述指定运行数据可以包括车速、驱动电机转速、驱动电机转矩、环境温度、驱动电机控制器温度、驱动电机温度、荷电状态、动力电池电流、动力电池电压、动力电池温度、海拔高度等表征车辆运行状态的车辆运行特征的检测值。
93.另外，还需要说明的是，所述车辆类型可以是车辆的动力类型，如纯电车辆、增程式车辆、汽油车辆(以汽油为燃料的车辆)、柴油车辆(以柴油为燃料的车辆)、甲醇车辆(以甲醇为燃料的车辆)等采用不同动力的车辆。进一步地，还可以在动力类型下更细分为小型客车、中型客车、大型客车、轻型货车、中型货车、重型货车等用途和体型不同的车辆。示例性地，所述车辆类型可以是增程式车辆，或者增程式小型客车。
94.此外，还需要说明的是，所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型。由于不同车辆类型的车辆具备的运行工况存在差异，因此不同车辆类型对应的高能耗识别模型中可以包含对应运行工况的子识别模型也不相同。例如所述高能耗识别模型可以包括用于对正常行驶工况下正常行驶数据进行高能耗识别的第一子识别模型、对能量回收工况下能量回收数据进行高能耗识别的第二子识别模型和对怠速工况下怠速工况数据进行高能耗识别的第三子识别模型。其中所述高能耗识别模型可以是机器学习算法模型或神经网络模型。作为一种示例，可以通过获取各预设车辆类型对应的历史行驶数据；然后根据所述目标车辆的各运行工况，将所述历史行驶数据拆分为历史正常行驶数据、历史能量回收数据和历史怠速工况数据；按照预设聚合周期分别对所述历史正常行驶数据、所述历史能量回收数据和所述历史怠速工况数据进行聚合，获得各所述预设车辆类型对应的历史正常行驶特征、历史能量回收特征和历史怠速工况特征；将所述历史正常行驶特征、历史能量回收特征和历史怠速工况特征分别输入各预设初始模型进行训练，获得各所述预设车辆类型对应的高能耗识别模型。
95.步骤s200，将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据；
96.作为一种示例，本实施例可以通过对所述指定运行数据进行特征提取，获得所述指定运行数据对应的各指定运行特征。然后再将各所述指定运行特征输入所述高能耗识别模型，输出各所述指定运行特征的识别结果。然后将所述识别结果为高能耗状态的指定运
行特征作为所述指定运行数据中的高能耗运行数据。此外为了保证所述高能耗识别输出结果的准确性，在对所述指定运行数据进行特征提取之前，还可以对所述指定运行数据进行数据清洗，作为一种示例，所述数据清洗可以包括以下过程：剔除异常数据，例如剔除车速大于200km/h、车速为负、驱动电机转速小于-500rpm或大于5000rpm、soc为负等异常数据记录；从剔除异常数据后的指定行驶数据中选取车辆行驶过程的数据(即车辆状态标记为行驶状态的数据)，从而获得数据清洗后的指定行驶数据。此外所述数据清洗还可以包括删除过滤单日数据量较少或里程数较少的原始数据。
97.作为另一种示例，由于不同运行工况下，车辆的能耗差异较大，为了进一步提高对于所述高能耗运行数据识别准确率。可以根据所述目标车辆的各运行工况，将所述指定运行数据拆分为正常行驶工况的正常行驶数据、能量回收工况的能量回收数据和怠速工况的怠速工况数据；然后对所述正常行驶数据、所述能量回收数据和所述怠速工况数据分别按照预设聚合周期进行聚合，获得所述正常行驶工况的各正常行驶特征、所述能量回收工况的各能量回收特征和所述怠速工况的各怠速工况。所述高能耗识别模型可以包括与各所述运行工况对应的子识别模型。从而可以将各所述正常行驶特征、各所述能量回收特征和各所述怠速工况特征分别输入所述高能耗识别模型中对应的子识别模型，识别出所述指定运行数据中在各运行工况下的高能耗数据，以将各所述运行工况下的高能耗数据作为所述高能耗运行数据。
98.步骤s300，获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因；
99.本实施例中，需要说明的是，目标高能耗场景可以包括各预设高能耗原因，各所述预设高能耗原因具备对应的高能耗指标，所述目标高能耗场景为根据所述目标车辆的车辆类型的历史行驶数据确定的。预设高能耗原因为会造成车辆高能耗的原因，示例性地，预设高能耗原因可以包括急踩加速踏板、深踩加速踏板、急踩制动踏板、深踩制动踏板、低速情况踏板行程波动较大、车辆重载、能量回收过程踩油门、频繁启停等不良驾驶行为类高能耗原因，爬坡状态和高温-低温状态等不良行驶环境类高能耗原因，以及电机高负荷工作、电机控制器持续高电流、进气量控制不佳、冷却液温度过高、冷车行驶、发动机波动过大等车辆本身异常类高能耗原因。可以理解的是，所述预设高能耗原因由于车辆类型的不同可能只存在上述的部分高能耗原因，例如纯电车辆没有发动机，因此不会存在进气量控制不佳、冷却液温度过高、发动机波动过大等高能耗原因。燃油车辆没有发电机和能量回收机制，因此也就不会存在电机高负荷工作、电机控制器持续高电流、能量回收过程踩油门等高能耗原因。
100.示例性地，可以获取各预设车辆类型对应的历史行驶数据，并根据所述预设车辆类型的各运行工况，将所述历史行驶数据拆分为各所述运行工况的工况行驶数据；将各所述运行工况的工况行驶数据分别按照预设聚合周期进行聚合，获得各所述运行工况的工况行驶特征；将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的能耗状态结果。然后则可以根据各所述工况行驶特征和对应的能耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标。其中，所述高能耗指标可以包括各关联运行特征的高能耗特征阈值。例如，所述预设高能耗原因为急踩加速踏板，则对应的高能耗指标中关联运行特征为加速踏板变化值，则通过所述工况行驶特征中加速踏板变化值和对应的
能耗状态结果，确定能耗状态结果为正常能耗状态下的第一加速踏板变化值和能耗状态结果为高能耗状态下的第二加速踏板变化值，从而根据第一加速踏板变化值和第二加速踏板变化值，生成所述加速踏板变化值对应的高能耗特征阈值，用于判断加速踏板变化值是否会造成能耗状态结果为高能耗状态。示例性地，所述加速踏板变化值对应的高能耗特征阈值可以采用所述第一加速踏板变化值的高分位数(如90分位数、95分位数)、所述第二加速踏板变化值的低分位数(如10分位数、20分位数)或者是所述第一加速踏板变化值的最大值与所述第二加速踏板变化值的最小值之间的均值。进而可以将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对应的目标高能耗场景。
101.步骤s400，将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。
102.本实施例中，需要说明的是，所述预设高能耗原因的高能耗指标包括各关联运行特征的高能耗特征阈值。所述关联运行特征为与所述预设高能耗原因相关联的车辆运行特征，例如车速、加速踏板变化值、加速踏板均值、制动踏板变化值、制动踏板均值、车辆载重系数、车辆爬升高度、环境温度、电机温度、电机控制器温度、单位时间启停次数、空燃比、冷却液温度、发动机转速等。所述高能耗特征阈值为关联运行特征会导致高能耗状态的数值。
103.本实施例通过将所述高能耗运行数据与各所述预设高能耗原因的高能耗指标进行匹配，从而可以确定所述高能耗运行数据满足的高能耗指标，即与所述高能耗运行数据匹配的高能耗指标对应的预设高能耗原因则是造成所述目标车辆的高能耗原因。则可以将与所述高能耗运行数据匹配的高能耗指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。可以理解的是，所述高能耗归因可以包括至少一个所述预设高能耗原因。
104.其中，步骤s400中所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因的步骤，包括：
105.步骤s410，根据所述高能耗运行数据和各预设关联特征函数，计算得到所述高能耗运行数据的指定关联运行特征；
106.步骤s420，将所述指定关联运行特征与各所述预设高能耗原因的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。
107.本实施例中，需要说明的是，所述预设关联特征函数为用于计算所述关联运行特征的函数。由于所述高能耗运行数据中记录的数据通常为原始检测数据，因此通过所述预设关联特征函数可以计算得到所述高能耗运行数据对应的指定关联运行特征，用于与各所述预设高能耗原因的高能耗指标进行比较。所述指定关联运行特征为所述高能耗运行数据对应的各关联运行特征对应的指定特征值。可以理解的是，所述特征值可以为各关联运行特征的平均值、极值、中位数等量数。
108.本实施例根据所述高能耗运行数据和各预设关联特征函数，计算得到所述高能耗运行数据的指定关联运行特征。所述指定关联运行特征可以包括各关联运行特征的指定特征值。进而基于各所述关联运行特征，将所述指定关联运行特征中的指定特征值与各所述预设高能耗原因的高能耗指标中的高能耗特征阈值进行对比，从而将所述指定特征值超过对应的高能耗特征阈值对应的预设高能耗原因作为所述目标车辆的高能耗归因。
109.其中，所述指定关联运行特征包括各关联运行特征的指定特征值，所述高能耗指标包括各关联运行特征的高能耗特征阈值，所述将所述指定关联运行特征与各所述预设高
能耗原因的高能耗指标进行匹配，获得所述目标车辆的高能耗归因的步骤，包括：
110.步骤s421，按照预设归因次序，依次判断所述指定关联运行特征中各指定特征值是否超过对应的高能耗指标中的高能耗特征阈值；
111.步骤s422，若所述指定特征值超过对应的高能耗指标中的高能耗特征阈值，则判定所述高能耗指标为所述指定特征值对应的匹配关联指标；
112.步骤s423，若所述指定特征值不超过对应的高能耗特征阈值，则判定所述高能耗指标不为所述指定特征值对应的匹配关联指标；
113.步骤s424，将各所述匹配关联指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
114.本实施例中，需要说明的是，所述预设归因次序为预先设置对于各所述预设高能耗原因对能耗影响的可能性大小，示例性地，各所述预设高能耗原因可分为不良驾驶行为类、不良行驶环境类、车辆本身异常类这三类高能耗原因。而不良驾驶行为类与不良行驶环境类是造成高能耗的常见原因。所述预设归因次序可以依次为不良驾驶行为类、不良行驶环境类、车辆本身异常类。以便能够尽快识别出造成所述目标车辆高能耗的原因。
115.作为一种示例，可以通过按照预设归因次序，依次判断所述指定关联运行特征中各指定特征值是否超过对应的高能耗指标中的高能耗特征阈值；若所述指定特征值超过对应的高能耗指标中的高能耗特征阈值，说明所述异常能耗行驶数据满足了所述高能耗特征阈值对应的高能耗指标，该高能耗指标对应的预设高能耗原因为造成所述目标车辆高能耗的原因之一，则判定所述高能耗指标为所述指定特征值对应的匹配关联指标。若所述指定特征值不超过对应的高能耗特征阈值，说明所述异常能耗行驶数据不满足所述高能耗特征阈值对应的高能耗指标，该高能耗指标对应的预设高能耗原因不是造成所述目标车辆高能耗的原因，则判定所述高能耗指标不为所述指定特征值对应的匹配关联指标。将各所述匹配关联指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
116.在本发明第一实施例中，通过获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型。由于所述高能耗识别模型为所述目标车辆的车辆类型对应的模型，因此可以规避不同车辆类型本身的设计逻辑、运行规律、衰减规律等因素的影响，进一步地提升所述高能耗识别模型输出结果的准确性。将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据。获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因。从而通过将所述高能耗运行数据与各所述预设高能耗原因的高能耗指标进行匹配，可以确定所述高能耗运行数据满足的高能耗指标，匹配的高能耗指标对应的预设高能耗原因则是可以作为所述目标车辆的高能耗归因。本实施例通过目标车辆的车辆类型对应的高能耗识别模型识别出所述目标车辆的存在高能耗情况的高能耗运行数据，进而将高能耗运行数据与各所述预设高能耗原因的高能耗指标进行匹配，从而可以对所述目标车辆的高能耗情况进行归因，获得所述目标车辆的高能耗归因。本实施例相较于现有技术在一定程度上减少对专家经验的依赖，有效提高了高能耗归因的普适性，更易于大范围、批量使用。
117.参照图2，图2为本发明高能耗归因方法的第二实施例的流程示意图。
118.本发明第二实施例提供一种高能耗归因方法，在步骤s300在所述获取目标高能耗
场景的步骤之前，包括：
119.步骤a10，获取各预设车辆类型对应的历史行驶数据，并根据所述预设车辆类型的各运行工况，将所述历史行驶数据拆分为各所述运行工况的工况行驶数据；
120.步骤a20，将各所述运行工况的工况行驶数据分别按照预设聚合周期进行聚合，获得各所述运行工况的工况行驶特征；
121.步骤a30，将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的功耗状态结果；
122.步骤a40，根据各所述工况行驶特征和对应的功耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标；
123.步骤a50，将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对应的目标高能耗场景。
124.本实施例中，需要说明的是，所述目标车辆的各运行工况可以包括正常行驶工况、能量回收工况和怠速工况这三种运行工况。在所述目标车辆为具备正常行驶工况、能量回收工况和怠速工况这三种运行工况的车辆(如纯电车辆、增程式车辆等)的情况下，可以根据所述目标车辆的各运行工况，将所述指定运行数据拆分为正常行驶工况的正常行驶数据、能量回收工况的能量回收数据和怠速工况的怠速工况数据。示例性地，对所述指定运行数据进行拆分的拆分规则如下：a.将所述指定运行数据中车速等于0，总电流大于0的数据划分为怠速工况数据；b.将所述指定运行数据中车速大于0，电机电流大于0的数据划分为正常行驶数据；c.将所述指定运行数据中车速大于0，电机电流小于0的数据划分为能量回收数据。进而为满足用户对于数据粒度的需求、降低瞬时采样或规避数据中断造成的误差，则可以将所述指定运行数据中原始数据进行聚合。通过对所述正常行驶数据、所述能量回收数据和所述怠速工况数据分别按照预设聚合周期进行聚合，获得所述正常行驶工况的各正常行驶特征、所述能量回收工况的各能量回收特征和所述怠速工况的各怠速工况；将各所述正常行驶特征、各所述能量回收特征和各所述怠速工况特征作为所述目标车辆的各运行工况的车辆工况特征。其中所述预设聚合周期可以根据用户对于数据粒度的需求进行选取，如30秒、1分钟、5分钟等。
125.进而可以将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的功耗状态结果。根据各所述工况行驶特征和对应的功耗状态结果，确定所述功耗状态结果为正常能耗状态下各所述关联运行特征的第一历史运行特征值，以及所述功耗状态结果为高能耗状态下各所述关联运行特征的第二历史运行特征值。然后根据所述第一历史运行特征值和所述第二历史运行特征值，生成各所述关联运行特征对应的高能耗特征阈值。示例性地，所述关联运动特征对应的高能耗特征阈值可以采用所述第一历史运行特征值的高分位数(如90分位数、95分位数)、所述第二历史运行特征值的低分位数(如10分位数、20分位数)或者是所述第一历史运行特征值的最大值与所述第二历史运行特征值的最小值之间的均值。由此各所述关联运行特征对应的高能耗特征阈值作为高能耗指标，获得各所述运行工况下各预设高能耗原因的高能耗指标。将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对应的目标高能耗场景。
126.其中，步骤a40中所述根据各所述工况行驶特征和对应的功耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标的步骤，包括：
127.步骤b10，根据各所述工况行驶特征和所述功耗状态结果，筛选出各所述工况行驶特征中的各高功耗行驶特征；
128.步骤b20，根据各所述高功耗行驶特征和各预设关联特征函数，计算得到各预设高能耗原因的关联运行特征的历史运行特征值；
129.步骤b30，根据所述历史运行特征值，确定各所述关联运行特征的高能耗特征阈值，并将各所述关联运行特征的高能耗特征阈值作为各预设高能耗原因的高能耗指标。
130.本实施例可以根据各所述工况行驶特征和所述功耗状态结果，筛选出各所述工况行驶特征中的各高功耗行驶特征(即所述功耗状态结果为高能耗状态的工况行驶特征)。根据各所述高功耗行驶特征和各预设关联特征函数，计算得到各预设高能耗原因的关联运行特征的历史运行特征值。其中所述历史运行特征值为所述高功耗行驶特征对应的特征值，即高能耗状态下关联运行特征的历史特征值。进而根据所述历史运行特征值，确定各所述关联运行特征的高能耗特征阈值，并将各所述关联运行特征的高能耗特征阈值作为各预设高能耗原因的高能耗指标。其中所述高能耗特征阈值可以是所述历史运行特征值的最小值、低分位数(如10分位数、20分位数)等量数。
131.参照图3，图3为本发明实施例方案涉及的关联运行特征的分布示意图。图中所述关联运行特征为加速踏板均值，深灰色点表示加速踏板均值小于对应的高能耗特征阈值(如70mm)，浅灰色点表示加速踏板均值大于对应的高能耗特征阈值(如70mm)，即高能耗指标为深踩加速踏板。图中，横轴为车速，纵轴为能耗值，从图中可以明显看出，浅灰色点(深踩加速踏板)会产生更多的能耗。
132.本发明第二实施例中，通过获取各预设车辆类型对应的历史行驶数据，并根据所述预设车辆类型的各运行工况，将所述历史行驶数据拆分为各所述运行工况的工况行驶数据；将各所述运行工况的工况行驶数据分别按照预设聚合周期进行聚合，获得各所述运行工况的工况行驶特征；将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的功耗状态结果；根据各所述工况行驶特征和对应的功耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标；将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对应的目标高能耗场景。从而本实施例中通过基于各预设车辆类型对应的历史行驶数据，构建了不同车辆类型和不同运行工况下的高能耗场景，由此提高了所述高能耗场景与高能耗运行数据之间匹配的准确性，能够更准确地识别出所述高能耗运行数据中的预设高能耗原因，进而提高了对于目标车辆的高能耗归因的准确性。
133.参照图4，图4为本发明高能耗归因方法的第三实施例的流程示意图。
134.本发明第三实施例提供一种高能耗归因方法，在步骤s400中所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因步骤之后，所述方法还包括：
135.步骤c10，获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值；
136.步骤c20，根据所述实际能耗值与所述正常能耗基准值，获得所述高能耗运行数据在各所述运行工况下的可节约总能耗。
137.本实施例中，需要说明的是，所述正常能耗基准值可以是与所述高能耗运行数据处于同一运行状态(如同一车速)下的所述目标车辆对应车辆类型的能耗平均值，或者是基
于所述高能耗运行数据通过预设正常能耗预测模型获得的理论能耗值。
138.本实施例通过获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值。由此可以将各所述运行工况下的实际能耗值与对应的正常能耗基准值之间的能耗差值作为各所述运行工况下的可节约总能耗。当然，还可以基于预设修正系数(如0.9、1.1等)对所述能耗差值，获得修正能耗差值作为所述可节约总能耗。参照图5，图5为本发明实施例方案涉及的正常行驶工况下可节约总能耗的示意图。
139.本实施例通过获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值，进而根据所述实际能耗值与所述正常能耗基准值，获得所述高能耗运行数据在各所述运行工况下的可节约总能耗。本实施例中通过对各所述运行工况进行区分，从而识别出所述目标车辆的高能耗运行数据在不同运行工况下的可节约总能耗，有助于用户对于所述目标车辆在不同工况下所述高能耗归因对于能耗的影响。
140.其中，在步骤s400中所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因步骤之后，还包括：
141.步骤d10，获取所述高能耗运行数据中的所述高能耗归因对应的高能耗运行特征和正常能耗运行数据；
142.步骤d20，根据所述高能耗运行特征对所述正常能耗运行数据进行更新，获得所述高能耗归因的差异化运行数据；
143.步骤d30，将所述差异化运行数据输入预设能耗预测模型，获得所述差异化运行数据的预测能耗值；
144.步骤d40，根据所述差异化运行数据的预测能耗值和所述正常能耗基准值，计算得到所述高能耗归因的可节约能量值。
145.本实施例中，需要说明的是，所述预设能耗预测模型为用于对车辆运行数据对应的能耗值的模型，所述预设能耗预测模型可以是机器学习算法模型或是神经网络模型。所述正常能耗运行数据可以是与所述高能耗运行数据处于同一运行状态(如同一车速)下能耗状态结果为正常能耗状态的所述目标车辆对应车辆类型的车辆行驶数据。
146.本实施例中通过获取所述高能耗运行数据中的所述高能耗归因对应的高能耗运行特征和正常能耗运行数据。其中所述高能耗运行特征包括所述高能耗归因中各预设高能耗原因对应的关联运行特征。然后将所述正常能耗运行数据中与所述高能耗运行特征对应的车辆运行特征进行替换，从而根据所述高能耗运行特征对所述正常能耗运行数据进行更新，获得所述高能耗归因的差异化运行数据。可以理解的是，所述差异化运行数据为替换了正常能耗运行数据中所述高能耗运行特征对应的车辆运行特征的数据。将所述差异化运行数据输入预设能耗预测模型，获得所述差异化运行数据的预测能耗值。由此将所述高能耗归因中各预设高能耗原因对应的高能耗运行特征作为变量，对能耗进行预测。从而获得存在预设高能耗原因对应的高能耗运行特征这一变量的情况下的预测能耗值。进而通过根据所述差异化运行数据的预测能耗值和所述正常能耗基准值的差值，计算得到所述高能耗归因中各预设高能耗原因的可节约能量值。从而本实施例较为准确地量化了所述高能耗归因中各预设高能耗原因对于能耗的影响，有助于用户了解所述高能耗归因中各预设高能耗原因对于能耗的影响程度。参见图6和图7，图6为本发明实施例方案涉及的高能耗归因的可节约能量值的第一示意图，图7为本发明实施例方案涉及的高能耗归因的可节约能量值的第
二示意图。可以采用表格或图像的方式对于不同高能耗归因的可节约能量值进行表示。
147.在本发明第三实施例中，通过获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值，进而根据所述实际能耗值与所述正常能耗基准值，获得所述高能耗运行数据在各所述运行工况下的可节约总能耗。本实施例中通过对各所述运行工况进行区分，从而识别出所述目标车辆的高能耗运行数据在不同运行工况下的可节约总能耗，有助于用户对于所述目标车辆在不同工况下所述高能耗归因对于能耗的影响。还可以进一步地，对所述高能耗归因中各预设高能耗原因的可节约能量值进行细分和量化。
148.参照图8，图8为本发明高能耗归因装置的结构示意图。
149.本发明还提供一种高能耗归因装置，所述高能耗归因装置包括：
150.第一获取模块10，用于获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型；
151.识别模块20，用于将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据；
152.第二获取模块30，用于获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因；
153.匹配模块40，用于将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。
154.可选地，所述高能耗归因装置还包括：场景构建模块，用于：
155.获取各预设车辆类型对应的历史行驶数据，并根据所述预设车辆类型的各运行工况，将所述历史行驶数据拆分为各所述运行工况的工况行驶数据；
156.将各所述运行工况的工况行驶数据分别按照预设聚合周期进行聚合，获得各所述运行工况的工况行驶特征；
157.将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的能耗状态结果；
158.根据各所述工况行驶特征和对应的能耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标；
159.将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对应的目标高能耗场景。
160.可选地，场景构建模块，还用于：
161.根据各所述工况行驶特征和所述能耗状态结果，筛选出各所述工况行驶特征中的各高能耗行驶特征；
162.根据各所述高能耗行驶特征和各预设关联特征函数，计算得到各预设高能耗原因的关联运行特征的历史运行特征值；
163.根据所述历史运行特征值，确定各所述关联运行特征的高能耗特征阈值，并将各所述关联运行特征的高能耗特征阈值作为各预设高能耗原因的高能耗指标。
164.可选地，匹配模块40，还用于：
165.根据所述高能耗运行数据和各预设关联特征函数，计算得到所述高能耗运行数据的指定关联运行特征；
166.将所述指定关联运行特征与各所述预设高能耗原因的高能耗指标进行匹配，获得
匹配的高能耗指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
167.可选地，所述指定关联运行特征包括各关联运行特征的指定特征值，所述高能耗指标包括各关联运行特征的高能耗特征阈值，匹配模块40，还用于：
168.按照预设归因次序，依次判断所述指定关联运行特征中各指定特征值是否超过对应的高能耗指标中的高能耗特征阈值；
169.若所述指定特征值超过对应的高能耗指标中的高能耗特征阈值，则判定所述高能耗指标为所述指定特征值对应的匹配关联指标；
170.若所述指定特征值不超过对应的高能耗特征阈值，则判定所述高能耗指标不为所述指定特征值对应的匹配关联指标；
171.将各所述匹配关联指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。
172.可选地，所述高能耗归因装置还包括：能耗量化模块，用于：
173.获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值；
174.根据所述实际能耗值与所述正常能耗基准值，获得所述高能耗运行数据在各所述运行工况下的可节约总能耗。
175.可选地，能耗量化模块，还用于：
176.获取所述高能耗运行数据中的所述高能耗归因对应的高能耗运行特征和正常能耗运行数据；
177.根据所述高能耗运行特征对所述正常能耗运行数据进行更新，获得所述高能耗归因的差异化运行数据；
178.将所述差异化运行数据输入预设能耗预测模型，获得所述差异化运行数据的预测能耗值；
179.根据所述差异化运行数据的预测能耗值和所述正常能耗基准值，计算得到所述高能耗归因的可节约能量值。
180.如图9所示，图9为本发明实施例方案涉及的硬件运行环境的设备结构示意图。
181.具体地，所述高能耗归因设备可以是vcu(vehicle control unit，整车控制器)、pc(personal computer，个人计算机)、平板电脑、便携式计算机或者服务器等设备。
182.如图9所示，所述高能耗归因设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)、输入单元比如键盘(keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的非易失性存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
183.本领域技术人员可以理解，图9中示出的设备结构并不构成对所述高能耗归因设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
184.如图9所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及高能耗归因应用程序。
185.在图9所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行
数据通信；用户接口1003主要用于连接客户端，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的高能耗归因程序，实现上述实施例提供的高能耗归因方法中的操作。
186.此外，本发明实施例还提出一种车辆，所述车辆包括上述高能耗归因设备。当然，可以理解的是，所述车辆还包括储能装置、驱动装置等其他保障车辆正常运行的装置。
187.此外，本发明实施例还提出一种计算机存储介质，所述计算机存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例提供的高能耗归因方法中的操作，具体步骤此处不再过多赘述。
188.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来，而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序；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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
189.对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的。可以根据实际的需要选择中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
190.上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
191.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，车辆，或者网络设备等)执行本发明各个实施例所述的方法。
192.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：
1.一种高能耗归因方法，其特征在于，所述高能耗归因方法包括以下步骤：获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型；将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据；获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因；将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。2.如权利要求1所述的高能耗归因方法，其特征在于，在所述获取目标高能耗场景的步骤之前，包括：获取各预设车辆类型对应的历史行驶数据，并根据所述预设车辆类型的各运行工况，将所述历史行驶数据拆分为各所述运行工况的工况行驶数据；将各所述运行工况的工况行驶数据分别按照预设聚合周期进行聚合，获得各所述运行工况的工况行驶特征；将各所述工况行驶特征输入所述高能耗识别模型，获得各所述工况行驶特征的能耗状态结果；根据各所述工况行驶特征和对应的能耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标；将各所述运行工况下各预设高能耗原因的高能耗指标作为所述预设车辆类型对应的目标高能耗场景。3.如权利要求2所述的高能耗归因方法，其特征在于，所述根据各所述工况行驶特征和对应的能耗状态结果，确定各所述运行工况下各预设高能耗原因的高能耗指标的步骤，包括：根据各所述工况行驶特征和所述能耗状态结果，筛选出各所述工况行驶特征中的各高能耗行驶特征；根据各所述高能耗行驶特征和各预设关联特征函数，计算得到各预设高能耗原因的关联运行特征的历史运行特征值；根据所述历史运行特征值，确定各所述关联运行特征的高能耗特征阈值，并将各所述关联运行特征的高能耗特征阈值作为各预设高能耗原因的高能耗指标。4.如权利要求1所述的高能耗归因方法，其特征在于，所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因的步骤，包括：根据所述高能耗运行数据和各预设关联特征函数，计算得到所述高能耗运行数据的指定关联运行特征；将所述指定关联运行特征与各所述预设高能耗原因的高能耗指标进行匹配，获得匹配的高能耗指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。5.如权利要求4所述的高能耗归因方法，其特征在于，所述指定关联运行特征包括各关联运行特征的指定特征值，所述高能耗指标包括各关联运行特征的高能耗特征阈值，所述
将所述指定关联运行特征与各所述预设高能耗原因的高能耗指标进行匹配，获得匹配的高能耗指标对应的预设高能耗原因作为所述目标车辆的高能耗归因的步骤，包括：按照预设归因次序，依次判断所述指定关联运行特征中各指定特征值是否超过对应的高能耗指标中的高能耗特征阈值；若所述指定特征值超过对应的高能耗指标中的高能耗特征阈值，则判定所述高能耗指标为所述指定特征值对应的匹配关联指标；若所述指定特征值不超过对应的高能耗特征阈值，则判定所述高能耗指标不为所述指定特征值对应的匹配关联指标；将各所述匹配关联指标对应的预设高能耗原因作为所述目标车辆的高能耗归因。6.如权利要求1至5中任一项所述的高能耗归因方法，其特征在于，在所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因步骤之后，所述方法还包括：获取所述高能耗运行数据中各所述运行工况下的实际能耗值与正常能耗基准值；根据所述实际能耗值与所述正常能耗基准值，获得所述高能耗运行数据在各所述运行工况下的可节约总能耗。7.如权利要求6所述的高能耗归因方法，其特征在于，在所述将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因步骤之后，还包括：获取所述高能耗运行数据中的所述高能耗归因对应的高能耗运行特征和正常能耗运行数据；根据所述高能耗运行特征对所述正常能耗运行数据进行更新，获得所述高能耗归因的差异化运行数据；将所述差异化运行数据输入预设能耗预测模型，获得所述差异化运行数据的预测能耗值；根据所述差异化运行数据的预测能耗值和所述正常能耗基准值，计算得到所述高能耗归因的可节约能量值。8.一种高能耗归因装置，其特征在于，所述高能耗归因装置包括：第一获取模块，用于获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型；识别模块，用于将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据；第二获取模块，用于获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因；匹配模块，用于将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。9.一种高能耗归因设备，其特征在于，所述高能耗归因设备包括：存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的高能耗归因方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有高能耗
归因程序，所述高能耗归因程序被处理器执行时实现如权利要求1至7中任一项所述的高能耗归因方法的步骤。

技术总结
本发明公开了一种高能耗归因方法、装置、设备及可读存储介质，涉及计算机技术领域。所述高能耗归因方法包括以下步骤：获取目标车辆的指定运行数据和高能耗识别模型，其中所述高能耗识别模型为基于所述目标车辆的车辆类型对应的历史行驶数据构建的模型；将所述指定运行数据输入所述高能耗识别模型，获得所述指定运行数据中的高能耗运行数据；获取目标高能耗场景，其中所述目标高能耗场景包括所述目标车辆的车辆类型对应的各预设高能耗原因；将所述高能耗运行数据与各所述预设高能耗原因对应的高能耗指标进行匹配，获得所述目标车辆的高能耗归因。本发明提高了对于车辆高能耗归因的普适性。普适性。普适性。


技术研发人员：卢熠婷 黄云飞 陈洁 刘木青 李春燕
受保护的技术使用者：浙江吉利远程新能源商用车集团有限公司 浙江吉利控股集团有限公司
技术研发日：2023.06.13
技术公布日：2023/9/14