CN111038334A - 一种电动汽车续驶里程预测方法及装置 - Google Patents

一种电动汽车续驶里程预测方法及装置 Download PDF

Info

Publication number
CN111038334A
CN111038334A CN201911412962.7A CN201911412962A CN111038334A CN 111038334 A CN111038334 A CN 111038334A CN 201911412962 A CN201911412962 A CN 201911412962A CN 111038334 A CN111038334 A CN 111038334A
Authority
CN
China
Prior art keywords
vehicle
driving
resistance
power
obtaining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911412962.7A
Other languages
English (en)
Inventor
宋敬育
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Express Jiangsu Technology Co Ltd
Human Horizons Jiangsu Technology Co Ltd
Original Assignee
China Express Jiangsu Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Express Jiangsu Technology Co Ltd filed Critical China Express Jiangsu Technology Co Ltd
Priority to CN201911412962.7A priority Critical patent/CN111038334A/zh
Publication of CN111038334A publication Critical patent/CN111038334A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种电动汽车续驶里程预测方法及装置，所述方法包括：获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；根据车辆的行驶阻力，获得车辆的行驶功率；再根据车辆的车载附件的使用状态以及用户对车载附件的历史使用数据，获得车载附件的消耗功率；最后，根据可用电量、行驶功率以及消耗功率，获得车辆的续驶里程。本发明考虑了车辆在将来路段的实际使用状态以及用户习惯，显著提高了续驶里程预测的准确性。

Description

一种电动汽车续驶里程预测方法及装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种电动汽车续驶里程预测方法及装置。
背景技术
纯电动能源供能的电动汽车在人们日常生活中越来越普及。由于是电池供能，电池充能时间与燃油车的充能时间相比更长。因此，用户在行驶的过程中准确的了解车辆的续驶里程，能够有效的避免用户产生长距离形式的续航焦虑。目前的电动汽车均会对车辆的续驶里程进行预测，其采用的方法是对车载电池的SOC(荷电状态评估)进行估算，进而得到车辆储存电量的情况，然后根据车辆的平均能耗水平估算车辆的剩余行驶里程。
但是，现有的估算方法无法考虑到车辆的实际使用状态导致估算结果非常粗糙，容易在未达到估算里程的时候电量耗尽，给用户带来麻烦。
发明内容
鉴于上述问题，本发明提出了一种电动汽车续驶里程预测方法及装置，考虑了车辆在将来路段的实际使用状态以及用户习惯，显著的提高了续驶里程预测的准确性。
第一方面，本申请通过一实施例提供如下技术方案：
一种电动汽车续驶里程预测方法，包括：
获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；
根据所述车辆的行驶阻力，获得所述车辆的行驶功率；
根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率；
根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
优选地，所述根据所述车辆的行驶阻力，获得所述车辆的行驶功率，包括：
根据所述车辆的车速，获得所述车辆的电机的转速；其中，所述车辆的车速为预估的所述车辆在将来行驶路段的车速；
根据所述转速，查找所述车辆的电机效率；
根据所述行驶阻力、所述电机效率、道路拓扑效率因子、交通状况效率因子、限速信息效率因子以及回馈习惯效率因子，获得所述行驶功率；
其中，所述道路拓扑效率因子表征所述车辆行驶的道路拓扑网络的运行效率大小；所述交通状况效率因子表征行驶路段的交通拥堵程度；所述限速信息效率因子表征行驶路段的限速大小信息；所述回馈习惯效率因子表征用户使用的能量回馈的强弱。
优选地，所述根据所述行驶阻力、所述电机效率、所述道路拓扑效率因子、交通状况效率因子、限速信息效率因子以及回馈习惯效率因子，获得所述行驶功率，包括：
根据
Figure BDA0002350442460000021
获得所述行驶功率；其中，P为行驶功率，F为行驶阻力，V为车速，η为电机效率，a1为道路拓扑效率因子，a2为交通状况效率因子，a3为限速信息效率因子，a4为回馈习惯效率因子。
优选地，所述行驶阻力包括滚动阻力；所述获取行驶阻力，包括：
根据所述车辆行驶的道路级别，确定所述车辆的路面滚动阻力系数因子；
根据所述车辆的车速，确定所述车辆的车速滚动阻力系数因子；
根据所述车辆的轮胎气压，确定所述车辆的轮胎滚动阻力系数因子；
根据Ff＝k1*k2*k3*fG，获得所述滚动阻力；其中，Ff为滚动阻力，k1为路面滚动阻力系数因子，k2为车速滚动阻力系数因子，k3为轮胎滚动阻力系数因子，f为所述车辆预设的滚动阻力系数，G为所述车辆的整车重力。
优选地，所述行驶阻力还包括坡道阻力；所述获取行驶阻力，包括：
获取所述车辆行驶路线的道路坡度角；
根据所述车辆的整车重力以及所述道路坡度角，获得所述坡道阻力。
优选地，所述行驶阻力还包括加速阻力；所述获取行驶阻力，包括：
根据
Figure BDA0002350442460000031
获取所述加速阻力；其中，Fj为加速阻力，k为加速驾驶习惯系数，δ为汽车旋转质量换算系数，m为所述车辆的质量，
Figure BDA0002350442460000032
为所述车辆的加速度。
优选地，所述车载附件为车载空调；所述根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率，包括：
获取所述车辆外的大气温度；
根据所述车辆的空调模式、所述大气温度以及预设的空调使用习惯模型，获得所述车载空调的消耗功率；其中，所述空调使用习惯模型中的参数由所述用户的历史使用数据确定。
第二方面，基于同一发明构思，本申请通过一实施例提供如下技术方案：
一种电动汽车续驶里程预测装置，包括：
获取模块，用于获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；
行驶功率获取模块，用于根据所述车辆的行驶阻力，获得所述车辆的行驶功率；
消耗功率获取模块，用于根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率；
续驶里程获取模块，用于根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
第三方面，基于同一发明构思，本申请通过一实施例提供如下技术方案：
一种电动汽车续驶里程预测装置，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电动汽车续驶里程预测装置执行第一方面中任一项所述方法的步骤。
第四方面，基于同一发明构思，本申请通过一实施例提供如下技术方案：
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面中任一项所述方法的步骤。
本发明实施例中提供的一种电动汽车续驶里程预测方法及装置，其中方法通过获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；根据车辆的行驶阻力，获得车辆的行驶功率；再根据车辆的车载附件的使用状态以及用户对车载附件的历史使用数据，获得车载附件的消耗功率；最后，根据可用电量、行驶功率以及消耗功率，获得车辆的续驶里程。该方法中充分考虑了车辆的行驶阻力以及车载附件的消耗功率，并且通过车载附件的使用状态并结合历史使用数据来确定车载附件的消耗功率，考虑了用户对车载附件的使用习惯，获得的消耗功率更加准确；同样的，行驶阻力也是对车辆将来行驶路段的实际情形进行预估获得。最终，通过可用电量、行驶功率以及消耗功率，获得的续驶里程更加准确可靠，在电量过低的时候可准确的提醒用户进行充电。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选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。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。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：
图1示出了本发明第一实施例提供的一种电动汽车续驶里程预测方法的方法流程图；
图2示出了本发明第二实施例提供的一种电动汽车续驶里程预测装置的功能模块框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开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公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
第一实施例
请参见图1，示出了本发明第一实施例提供的一种电动汽车续驶里程预测方法的方法流程图。所述方法包括：
步骤S10：获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；
步骤S20：根据所述车辆的行驶阻力，获得所述车辆的行驶功率；
步骤S30：根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率；
步骤S40：根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
本实施例的电动汽车续驶里程预测方法在对车辆进行续驶里程预测时充分考虑了车辆的行驶阻力以及车载附件的消耗功率，并且通过车载附件的使用状态并结合历史使用数据来确定车载附件的消耗功率，考虑了用户对车载附件的使用习惯，获得的消耗功率更加准确。最后，本实施例方法由可用电量、行驶功率以及消耗功率确定的续驶里程相对于现有技术的续驶里程预测更加准确可靠。
步骤S10：获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力。
在步骤S10中，车辆的可用电量为可实际用于驱动车辆的电量。车辆中的动力电池经过长时间使用将产生损耗；因此，在本实施例中可用电量为电池的剩余电量(SOC)与电池的健康指数(SOH)之积，即可用电量＝SOC*SOH。
行驶阻力，在本实施例中可包括：空气阻力、滚动阻力、坡道阻力以及加速阻力等，不作限制。具体的：
1、获取空气阻力的一种具体方式如下：
可根据将来行驶路段(即车辆导航的路段或车辆最有可能行驶的路段)的车速和风力来计算空气阻力；其中，行驶路段的车速可根据车辆导航至目的地之间的路况进行估计，得到平均车速或根据路况连续变化的变化车速；路况包括限速情况、拥堵情况等。同时，还可将估计车速与当前某一时段内的平均车速进行权重分配，加权求和得到最终的车速(权重值之和为1)。
需要说明的是，本实施例中所述的行驶路段为车辆导航至目的地将要经过的路段。若车辆无法获得导航的目的地，则车辆的行驶路段可为当前道路位置的前方(或周围)预设距离内的路段；若采用车辆当前位置周围的路段作为将来行驶的行驶路段，对各个路段的考虑比重由大至小可依次为：当前位置的道路的前方路段、当前位置的道路的两侧支路、当前道路的后方路段(一般来说掉头行驶的概率最小)。
进一步的，根据
Figure BDA0002350442460000061
Fw为空气阻力，CD空气阻力系数，A为车辆的迎风面积，u为车速(当车速为连续变化的车速时，可根据车速的变化曲线获得空气阻力的变化曲线)。
2、获取滚动阻力的一种具体方式如下：
步骤S2a：根据所述车辆行驶的道路级别，确定所述车辆的路面滚动阻力系数因子。
其中，道路级别由高到低可划分为高速路、快速路、主干路次干路以及支路等，也可由高到低分为一级、二级、三级、四级公路，道路级别越低路况越差时，车辆的路面滚动阻力系数因子越大。
步骤S2b：根据所述车辆的车速，确定所述车辆的车速滚动阻力系数因子。
其中，车速为预测将来行驶路段的车速，可根据车辆导航至目的地之间的路况进行估计，得到平均车速(可参考获取空气阻力步骤中对车速的阐述)，本实施例中，由于轮胎的特性，车速越快车速滚动阻力系数因子越大。
步骤S2c：根据所述车辆的轮胎气压，确定所述车辆的轮胎滚动阻力系数因子；
其中，在一定的范围内，轮胎气压越高轮胎滚动阻力系数因子越小；在本实施例中的轮胎气压可表示所有轮胎的平均气压；由于气压越小轮胎的滚动阻力越大，因此也可采用所有轮胎中的气压最小值代表轮胎气压。
步骤S2d：根据Ff＝k1*k2*k3*fG，获得所述滚动阻力；其中，Ff为滚动阻力，k1为路面滚动阻力系数因子，k2为车速滚动阻力系数因子，k3为轮胎滚动阻力系数因子，f为所述车辆预设的滚动阻力系数，G为所述车辆的整车重力。
在步骤S2d中，通过路面滚动阻力系数因子，车速滚动阻力系数因子以及轮胎滚动阻力系数因子，来分别表征道路等级、车速以及轮胎气压对滚动阻力产生的影响，可使的滚动阻力的确定更加的准确。
对于路面滚动阻力系数因子，车速滚动阻力系数因子以及轮胎滚动阻力系数因子的大小取值，不同产品类型的车辆由于车况不同，其取值也可不相同。可在车辆生产时，采用实验验证的方法进行获取实验数据，然后进行曲线拟合，从而找到车辆对应参数(道路等级、车速以及轮胎气压)与相关的阻力系数因子(路面滚动阻力系数因子，车速滚动阻力系数因子以及轮胎滚动阻力系数因子)之间的变化模型关系；例如，在需要获取路面滚动阻力系数因子时，向路面滚动阻力系数因子-道路等级对应的模型中输入道路等级，即模型输出的可获得路面滚动阻力系数因子。
3、获取坡道阻力的一种具体方式如下：
步骤S3a：获取所述车辆行驶路线的道路坡度角；
在步骤S3a中，车辆行驶路线的道路坡度角可根据地形图数据库进行采集预估；具体的，可根据行驶路线中经过的多个高点以及多个低点的海拔，来计算坡道的道路坡度角(爬升角度和下降角度)；另外，也可根据车辆上传感器实时测量得到车辆在坡道上的道路坡度角；还可进行互联网的数据收集从而获得车辆行驶至目标地点的各路段的道路坡度角。
步骤S3b：根据所述车辆的整车重力以及所述道路坡度角，获得所述坡道阻力。
在步骤S3b中，计算公式为：Fi＝Gsinθ；其中，Fi为坡道阻力，G为所述车辆的整车重力，θ为道路坡度角。
通过步骤S3a-S3b，就可考虑到车辆行驶路线的爬坡情况，对行驶功率、续驶里程的影响，提高续驶里程的预测准确性。
4、获取加速阻力的一种具体方式如下：
根据
Figure BDA0002350442460000081
获取所述加速阻力；其中，Fj为加速阻力，k为加速驾驶习惯系数，δ为汽车旋转质量换算系数，m为所述车辆的质量，
Figure BDA0002350442460000082
为所述车辆的加速度。需要说明的是，在本实施例中可根据车辆学习到的用户的驾驶习惯来确定不同行驶路段的加速阻力；也就是说，在不同的路段均可能存在不同加速习惯，从而产生不同的加速阻力。进一步的，加速习惯可根据前方的实时路况进行估计，例如在一个预测加速度的模型中，采用路段的拥堵程度、道路等级、日均车流量大小等作为输入参数，从而得到输出参数加速度。
步骤S20：根据所述车辆的行驶阻力，获得所述车辆的行驶功率。
在步骤S20中，由于行驶功率是考虑了将来需要行驶的路段的实际情况以及用户习惯做出的预估，而非单纯的根据点前的车辆状态获得。从而获得的行驶功率更加的真实可靠。步骤S20的具体实施方式如下：
步骤S21：根据所述车辆的车速，获得所述车辆的电机的转速；其中，所述车辆的车速为预估的所述车辆在将来行驶路段的车速；
步骤S22：根据所述转速，查找所述车辆的电机效率；
步骤S23：根据所述行驶阻力、所述电机效率、道路拓扑效率因子、交通状况效率因子、限速信息效率因子以及回馈习惯效率因子，获得所述行驶功率；
其中，所述道路拓扑效率因子表征所述车辆行驶的道路拓扑网络的运行效率大小；所述交通状况效率因子表征行驶路段的交通拥堵程度；所述限速信息效率因子表征行驶路段的限速大小信息；所述回馈习惯效率因子表征用户使用的能量回馈的强弱。
在步骤S21中，所述车辆的车速为车辆将来行驶道路上的车速。通过步骤S21-S23，充分考虑电机的实际效率，进一步的在通过道路实际的路况以及能量回收习惯(道路拓扑效率因子、交通状况效率因子、限速信息效率因子以及回馈习惯效率因子)对行驶阻力(或电机效率)进行修正最终得到行驶功率，充分融合了各种影响因素。其中，能量回馈效率因子可对用户的刹车习惯进行学习获取。
具体的，根据
Figure BDA0002350442460000091
获得所述行驶功率；其中，P为行驶功率，F为行驶阻力，V为车速，η为电机效率，a1为道路拓扑效率因子，a2为交通状况效率因子，a3为限速信息效率因子，a4为回馈习惯效率因子；其中，车速V可由千米/小时换算为米/秒后进行功率计算。
步骤S30：根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率。
在步骤S30中，在本实施例中车载附件包括但不限于车载空调、灯管、媒体播放器、车载电脑等。车载附件的使用状态，包括：车载附件是否启用，使用车载附件时的档位大小等。本实施例中车载空调的耗电功率较高，以车载空调的消耗功率为例进行说明：
步骤S3a：获取所述车辆外的大气温度；
步骤S3b：根据所述车辆的空调模式、所述大气温度以及预设的空调使用习惯模型，获得所述车载空调的消耗功率；其中，所述空调使用习惯模型中的参数由所述用户的历史使用数据确定。
在步骤S3a中，由于大气温度在短时间内的变化不大，可直接以当前的大气温度准。另外，在日出与日落阶段(不同的地区对应的时间区段不同)，温度可能会存在显著的上升或下降，若车辆行驶在该阶段的时候可采集当日的天气预报数据，获得该是时段的温度变化规律，从而预估出将来行驶路段的不同阶段的大气温度，从而预估空调的空调模式等具体使用情况。
在步骤S3b中，空调习惯模型可以为由用户使用空调的历史数据训练过的模型；例如，该空调习惯模型的输入可为空调模式、大气温度、路况信息、车载人数、车窗状态等，空调习惯模型输出为车载空调的消耗功率。
另外，对于步骤S30中的其他车载电器可判断是否使用，若使用时可采用其额定功率计入车载附件的消耗功率。也可以是，训练对应的预测模型对各个行驶路段的实际消耗功率进行预估，提高准确性。
步骤S40：根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
在步骤S40中，具体为：续航里程＝电池电量/(行驶功率+附件消耗功率)*预测平均车速；其中，预测平均车速的获取，可参见获取空气阻力的步骤中的阐述，不再赘述。
进一步的，可对车辆将要行驶的路段进行微分处理，得到多个微分单元，然后对每个微分单元的电量消耗进计算(每个微分单元均对应有预估的附件消耗功率以及行驶功率)，微分单元的大小可根据车载电脑的计算能力进行设定；最后获得可用电量的续驶里程。进一步的，本实施例中预测的将来行驶路段的行驶功率、附件消耗功率以及平均车速可以是根据距离实时的变化曲线，可采用多重积分对剩余电量的续驶里程进行计算。
另外，还需要说明的是在本实施例中所述的模型，均可为与机器学习相关的模型，具体可为线性模型和非线性模型，例如空调习惯模型可为非线性模型。非线性模型可为神经网络模型、多项式回归、岭回归等，不做限制。
还需要说明的是，在本实施例中用于计算续驶里程的所有参数均为对将来行驶路段中的各路段行驶时的一种预测，可最接近的表示未来行驶过程中的实际情况，比采用当前数据进行的预测更加准确。
还需要说明的是，本实施例中所述的用户表示泛指的使用车辆的任何人，也可表示特指的某一固定的用户。优选地，用户为特指的某一固定的用户，如车辆的主人，当车辆包含多个使用者时，可对使用车辆的用户进行分组管理。例如，夫妻A、B共用该车辆时，可将A使用车辆产生的历史数据单独保存，并且针对A生成对应的模型与参数等，将B使用车辆产生的历史数据单独保存，并且针对B生成对应的模型与参数等。此时，对应产生两个用户模式：模式a和模式b。当A使用时，可由A将车辆数据模式切换或选择为模式a，在模式a下预测的续驶里程为符合用户A的习惯，在模式b下预测的续驶里程为符合用户B的习惯，即用户习惯不同预测的续驶里程也不同，可见本申请的续驶里程预测更加准确可靠。
综上所述，本实施例中提供的一种电动汽车续驶里程预测方法，该方法通过获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；根据车辆的行驶阻力，获得车辆的行驶功率；再根据车辆的车载附件的使用状态以及用户对车载附件的历史使用数据，获得车载附件的消耗功率；最后，根据可用电量、行驶功率以及消耗功率，获得车辆的续驶里程。该方法中充分考虑了车辆的行驶阻力以及车载附件的消耗功率，并且通过车载附件的使用状态并结合历史使用数据来确定车载附件的消耗功率，考虑了用户对车载附件的使用习惯，获得的消耗功率更加准确；同样的，行驶阻力也是对车辆将来行驶路段的实际情形进行预估获得。最终，通过可用电量、行驶功率以及消耗功率，获得的续驶里程更加准确可靠，在电量过低的时候可准确的提醒用户进行充电。
第二实施例
基于同一发明构思，本发明第二实施例提供了一种电动汽车续驶里程预测装置300。图2示出了本发明第二实施例提供的一种电动汽车续驶里程预测装置300的功能模块框图。
所述装置300，包括：
获取模块301，用于获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；
行驶功率获取模块302，用于根据所述车辆的行驶阻力，获得所述车辆的行驶功率；
消耗功率获取模块303，用于根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率；
续驶里程获取模块304，用于根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
需要说明的是，本发明实施例所提供的装置300，其具体实现及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
第三实施例
另外，基于同一发明构思，本发明第三实施例还提供了一种电动汽车续驶里程预测装置，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述用户终端执行以下操作：
获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；行驶功率获取模块302，用于根据所述车辆的行驶阻力，获得所述车辆的行驶功率；根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率；根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
需要说明的是，本发明实施例所提供的电动汽车续驶里程预测装置中，上述每个步骤的具体实现及产生的技术效果和前述方法实施例相同，为简要描述，本实施例未提及之处可参考前述方法实施例中相应内容。
本发明提供的装置集成的功能模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种电动汽车续驶里程预测方法，其特征在于，包括：
获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；
根据所述车辆的行驶阻力，获得所述车辆的行驶功率；
根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率；
根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
2.根据权利要求1所述的方法，其特征在于，所述根据所述车辆的行驶阻力，获得所述车辆的行驶功率，包括：
根据所述车辆的车速，获得所述车辆的电机的转速；其中，所述车辆的车速为预估的所述车辆在将来行驶路段的车速；
根据所述转速，查找所述车辆的电机效率；
根据所述行驶阻力、所述电机效率、道路拓扑效率因子、交通状况效率因子、限速信息效率因子以及回馈习惯效率因子，获得所述行驶功率；
其中，所述道路拓扑效率因子表征所述车辆行驶的道路拓扑网络的运行效率大小；所述交通状况效率因子表征行驶路段的交通拥堵程度；所述限速信息效率因子表征行驶路段的限速大小信息；所述回馈习惯效率因子表征用户使用的能量回馈的强弱。
3.根据权利要求2所述的方法，其特征在于，所述根据所述行驶阻力、所述电机效率、所述道路拓扑效率因子、交通状况效率因子、限速信息效率因子以及回馈习惯效率因子，获得所述行驶功率，包括：
根据
Figure FDA0002350442450000011
获得所述行驶功率；其中，P为行驶功率，F为行驶阻力，V为车速，η为电机效率，a1为道路拓扑效率因子，a2为交通状况效率因子，a3为限速信息效率因子，a4为回馈习惯效率因子。
4.根据权利要求1所述的方法，其特征在于，所述行驶阻力包括滚动阻力；所述获取行驶阻力，包括：
根据所述车辆行驶的道路级别，确定所述车辆的路面滚动阻力系数因子；
根据所述车辆的车速，确定所述车辆的车速滚动阻力系数因子；
根据所述车辆的轮胎气压，确定所述车辆的轮胎滚动阻力系数因子；
根据Ff＝k1*k2*k3*fG，获得所述滚动阻力；其中，Ff为滚动阻力，k1为路面滚动阻力系数因子，k2为车速滚动阻力系数因子，k3为轮胎滚动阻力系数因子，f为所述车辆预设的滚动阻力系数，G为所述车辆的整车重力。
5.根据权利要求1所述的方法，其特征在于，所述行驶阻力还包括坡道阻力；所述获取行驶阻力，包括：
获取所述车辆行驶路线的道路坡度角；
根据所述车辆的整车重力以及所述道路坡度角，获得所述坡道阻力。
6.根据权利要求1所述的方法，其特征在于，所述行驶阻力还包括加速阻力；所述获取行驶阻力，包括：
根据
Figure FDA0002350442450000021
获取所述加速阻力；其中，Fj为加速阻力，k为加速驾驶习惯系数，δ为汽车旋转质量换算系数，m为所述车辆的质量，
Figure FDA0002350442450000022
为所述车辆的加速度。
7.根据权利要求1所述的方法，其特征在于，所述车载附件为车载空调；所述根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率，包括：
获取所述车辆外的大气温度；
根据所述车辆的空调模式、所述大气温度以及预设的空调使用习惯模型，获得所述车载空调的消耗功率；其中，所述空调使用习惯模型中的参数由所述用户的历史使用数据确定。
8.一种电动汽车续驶里程预测装置，其特征在于，包括：
获取模块，用于获取车辆的可用电量以及行驶阻力；其中，所述行驶阻力为预估的所述车辆在将来行驶路段中产生的阻力；
行驶功率获取模块，用于根据所述车辆的行驶阻力，获得所述车辆的行驶功率；
消耗功率获取模块，用于根据所述车辆的车载附件的使用状态以及用户对所述车载附件的历史使用数据，获得所述车载附件的消耗功率；其中，所述消耗功率为预估的所述车辆在将来行驶路段中所述车载附件消耗的功率；
续驶里程获取模块，用于根据所述可用电量、所述行驶功率以及所述消耗功率，获得所述车辆的续驶里程。
9.一种电动汽车续驶里程预测装置，其特征在于，包括处理器和存储器，所述存储器耦接到所述处理器，所述存储器存储指令，当所述指令由所述处理器执行时使所述电动汽车续驶里程预测装置执行权利要求1-7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7中任一项所述方法的步骤。
CN201911412962.7A 2019-12-31 2019-12-31 一种电动汽车续驶里程预测方法及装置 Pending CN111038334A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911412962.7A CN111038334A (zh) 2019-12-31 2019-12-31 一种电动汽车续驶里程预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911412962.7A CN111038334A (zh) 2019-12-31 2019-12-31 一种电动汽车续驶里程预测方法及装置

Publications (1)

Publication Number Publication Date
CN111038334A true CN111038334A (zh) 2020-04-21

Family

ID=70241057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911412962.7A Pending CN111038334A (zh) 2019-12-31 2019-12-31 一种电动汽车续驶里程预测方法及装置

Country Status (1)

Country Link
CN (1) CN111038334A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111483322A (zh) * 2020-04-27 2020-08-04 中国第一汽车股份有限公司 一种车辆剩余里程确定方法、装置及车辆
CN112208338A (zh) * 2020-09-29 2021-01-12 广州小鹏自动驾驶科技有限公司 一种目的地剩余续航里程计算方法和装置
CN112389272A (zh) * 2020-10-12 2021-02-23 浙江吉利控股集团有限公司 一种插电式混合动力汽车的能量管理方法、装置、电子设备及存储介质
CN112477606A (zh) * 2020-12-29 2021-03-12 珠海格力电器股份有限公司 新能源冷藏车续航里程估算方法及系统
CN113147756A (zh) * 2021-06-08 2021-07-23 安徽江淮汽车集团股份有限公司 基于压力传感器的纯电动车辆路线规划方法及系统
WO2021227086A1 (zh) * 2020-05-15 2021-11-18 华为技术有限公司 获取车辆滚动阻力系数的方法及装置
CN113815423A (zh) * 2021-09-30 2021-12-21 华人运通(江苏)技术有限公司 电动汽车的能量回馈控制方法、装置及车辆
CN114013284A (zh) * 2021-11-02 2022-02-08 上汽大众汽车有限公司 一种车辆续航里程的计算方法和系统
CN114332825A (zh) * 2022-03-10 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的道路地形分布识别方法、设备和存储介质
CN114407662A (zh) * 2022-02-11 2022-04-29 西北工业大学 一种剩余里程预测方法、装置、电动汽车及存储介质
EP3992023A1 (en) * 2020-10-28 2022-05-04 Hitachi, Ltd. Method and system for predicting range of an electric vehicle
CN114670647A (zh) * 2021-04-27 2022-06-28 北京新能源汽车股份有限公司 一种预估电机能耗的处理方法、控制器、系统及车辆
CN114919459A (zh) * 2022-05-24 2022-08-19 潍柴动力股份有限公司 一种续驶里程的确定方法、装置和计算机设备
CN115556633A (zh) * 2022-10-09 2023-01-03 东软睿驰汽车技术（沈阳）有限公司 续航里程的预测方法、预测装置与车辆
CN116109025A (zh) * 2023-04-04 2023-05-12 深圳天溯计量检测股份有限公司 基于大数据的电池续航测试方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001116512A (ja) * 1999-10-20 2001-04-27 Matsushita Electric Ind Co Ltd 車間距離測定方法および車間距離測定装置
FR2952337A1 (fr) * 2009-11-11 2011-05-13 Porsche Ag Procede pour estimer l'autonomie d'un vehicule a moteur
CN102837697A (zh) * 2011-06-24 2012-12-26 北汽福田汽车股份有限公司 一种电动汽车续航里程管理系统及工作方法
CN103213504A (zh) * 2013-04-27 2013-07-24 北京交通大学 一种电动汽车续驶里程估算方法
US20160009169A1 (en) * 2014-04-04 2016-01-14 Superpedestrian, Inc. Electrically motorized wheel
CN105480095A (zh) * 2014-10-01 2016-04-13 福特全球技术公司 估计可用行驶距离的系统和方法
CN105711519A (zh) * 2016-04-29 2016-06-29 奇瑞汽车股份有限公司 纯电动汽车的续驶里程计算方法
CN107264326A (zh) * 2017-07-04 2017-10-20 重庆长安汽车股份有限公司 一种对纯电动汽车的续驶里程进行预估的方法
CN108327551A (zh) * 2017-12-29 2018-07-27 北京智行鸿远汽车有限公司 电动车续航里程的估算方法及装置
CN109733248A (zh) * 2019-01-09 2019-05-10 吉林大学 基于路径信息的纯电动汽车剩余里程模型预测方法
EP2731822B1 (de) * 2011-07-16 2019-06-12 Audi AG Verfahren zur ermittlung der restreichweite eines kraftfahrzeugs
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001116512A (ja) * 1999-10-20 2001-04-27 Matsushita Electric Ind Co Ltd 車間距離測定方法および車間距離測定装置
FR2952337A1 (fr) * 2009-11-11 2011-05-13 Porsche Ag Procede pour estimer l'autonomie d'un vehicule a moteur
CN102837697A (zh) * 2011-06-24 2012-12-26 北汽福田汽车股份有限公司 一种电动汽车续航里程管理系统及工作方法
EP2731822B1 (de) * 2011-07-16 2019-06-12 Audi AG Verfahren zur ermittlung der restreichweite eines kraftfahrzeugs
CN103213504A (zh) * 2013-04-27 2013-07-24 北京交通大学 一种电动汽车续驶里程估算方法
US20160009169A1 (en) * 2014-04-04 2016-01-14 Superpedestrian, Inc. Electrically motorized wheel
CN105480095A (zh) * 2014-10-01 2016-04-13 福特全球技术公司 估计可用行驶距离的系统和方法
CN105711519A (zh) * 2016-04-29 2016-06-29 奇瑞汽车股份有限公司 纯电动汽车的续驶里程计算方法
CN107264326A (zh) * 2017-07-04 2017-10-20 重庆长安汽车股份有限公司 一种对纯电动汽车的续驶里程进行预估的方法
CN108327551A (zh) * 2017-12-29 2018-07-27 北京智行鸿远汽车有限公司 电动车续航里程的估算方法及装置
CN109733248A (zh) * 2019-01-09 2019-05-10 吉林大学 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111483322A (zh) * 2020-04-27 2020-08-04 中国第一汽车股份有限公司 一种车辆剩余里程确定方法、装置及车辆
CN111483322B (zh) * 2020-04-27 2021-10-15 中国第一汽车股份有限公司 一种车辆剩余里程确定方法、装置及车辆
WO2021227086A1 (zh) * 2020-05-15 2021-11-18 华为技术有限公司 获取车辆滚动阻力系数的方法及装置
CN112208338A (zh) * 2020-09-29 2021-01-12 广州小鹏自动驾驶科技有限公司 一种目的地剩余续航里程计算方法和装置
CN112208338B (zh) * 2020-09-29 2022-05-10 广州小鹏自动驾驶科技有限公司 一种目的地剩余续航里程计算方法和装置
CN112389272A (zh) * 2020-10-12 2021-02-23 浙江吉利控股集团有限公司 一种插电式混合动力汽车的能量管理方法、装置、电子设备及存储介质
EP3992023A1 (en) * 2020-10-28 2022-05-04 Hitachi, Ltd. Method and system for predicting range of an electric vehicle
CN112477606A (zh) * 2020-12-29 2021-03-12 珠海格力电器股份有限公司 新能源冷藏车续航里程估算方法及系统
CN114670647A (zh) * 2021-04-27 2022-06-28 北京新能源汽车股份有限公司 一种预估电机能耗的处理方法、控制器、系统及车辆
CN113147756A (zh) * 2021-06-08 2021-07-23 安徽江淮汽车集团股份有限公司 基于压力传感器的纯电动车辆路线规划方法及系统
CN113815423B (zh) * 2021-09-30 2023-10-20 华人运通(江苏)技术有限公司 电动汽车的能量回馈控制方法、装置及车辆
CN113815423A (zh) * 2021-09-30 2021-12-21 华人运通(江苏)技术有限公司 电动汽车的能量回馈控制方法、装置及车辆
CN114013284A (zh) * 2021-11-02 2022-02-08 上汽大众汽车有限公司 一种车辆续航里程的计算方法和系统
CN114013284B (zh) * 2021-11-02 2023-09-22 上汽大众汽车有限公司 一种车辆续航里程的计算方法和系统
CN114407662A (zh) * 2022-02-11 2022-04-29 西北工业大学 一种剩余里程预测方法、装置、电动汽车及存储介质
CN114407662B (zh) * 2022-02-11 2024-05-03 西北工业大学 一种剩余里程预测方法、装置、电动汽车及存储介质
CN114332825B (zh) * 2022-03-10 2022-06-17 中汽信息科技(天津)有限公司 基于深度学习的道路地形分布识别方法、设备和存储介质
CN114332825A (zh) * 2022-03-10 2022-04-12 中汽信息科技(天津)有限公司 基于深度学习的道路地形分布识别方法、设备和存储介质
CN114919459A (zh) * 2022-05-24 2022-08-19 潍柴动力股份有限公司 一种续驶里程的确定方法、装置和计算机设备
CN115556633A (zh) * 2022-10-09 2023-01-03 东软睿驰汽车技术（沈阳）有限公司 续航里程的预测方法、预测装置与车辆
CN116109025A (zh) * 2023-04-04 2023-05-12 深圳天溯计量检测股份有限公司 基于大数据的电池续航测试方法

Similar Documents

Publication Publication Date Title
CN111038334A (zh) 一种电动汽车续驶里程预测方法及装置
CN111806239B (zh) 电动车辆续航里程测量方法、电子设备及存储介质
CN110126841B (zh) 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
CN109733248B (zh) 基于路径信息的纯电动汽车剩余里程模型预测方法
CN106908075B (zh) 大数据采集与处理系统及基于其电动汽车续航估计方法
CN110091751B (zh) 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN106515478B (zh) 电动汽车剩余行驶里程在线预测方法及装置
Galvin Energy consumption effects of speed and acceleration in electric vehicles: Laboratory case studies and implications for drivers and policymakers
CN111452619B (zh) 电动车辆在线能耗预测方法及系统
Yavasoglu et al. Implementation of machine learning based real time range estimation method without destination knowledge for BEVs
Tannahill et al. Driver alerting system using range estimation of electric vehicles in real time under dynamically varying environmental conditions
JP5544983B2 (ja) 電気自動車用表示装置及び表示方法
US9631940B2 (en) Method and system for determining a route for efficient energy consumption
Hu et al. An online rolling optimal control strategy for commuter hybrid electric vehicles based on driving condition learning and prediction
CN107921886B (zh) 用于计算用于管理混合动力机动车辆的燃料和电力消耗的设定点的方法
CN112224089A (zh) 基于能耗的行程规划方法、装置、电子设备及存储介质
CN110167808B (zh) 对用于管理混合动力机动车辆的燃料和电力消耗的管理设定点进行计算的方法
CN108475359B (zh) 用于评价驾驶员的行程性能的方法和系统
CN110077274B (zh) 一种物流电动车可行驶距离的估算方法、装置及设备
CN108177528A (zh) 纯电动汽车续驶里程估算方法、系统、设备及存储介质
CN116572799B (zh) 基于深度学习的动力电池荷电续航预测方法、系统及终端
WO2023012229A1 (en) Methods and systems for predicting an energy consumption of a vehicle for its travel along a defined route and for routing
CN115759462A (zh) 一种电动汽车用户的充电行为预测方法、装置及电子设备
CN112406875A (zh) 一种车辆能耗的分析方法和装置
CN116341706A (zh) 基于综合能源感知的城市移动负荷概率预测系统与方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421

RJ01 Rejection of invention patent application after publication