CN102592330B - 基于电动车电池数据提取道路车辆行驶状况的方法 - Google Patents

Abstract

本发明公开了一种基于电动车的电池数据的车辆行驶状况的提取方法，包括：构建基于智能优化算法的系统辨识软件以关联电动车的电池数据与行驶状况，在服务器上安装此系统辨识软件，在电动车的电池上连接数据采集设备，数据采集设备与服务器之间通过互联网络通信；基于电动车的电池数据的车辆行驶状况的提取方法还包括应用步骤：通过数据采集设备采集电动车的电池数据，通过网络将电池数据上传到服务器，服务器通过使用系统辨识软件计算得到所述电动车的行驶状况。由此，可以从电动车的电池数据获得实时的电动车的行驶状况的信息，同时可以推理得到道路车辆信息。

Description

基于电动车电池数据提取道路车辆行驶状况的方法

技术领域

本发明涉及道路车辆行驶状况的提取方法，尤其涉及一种基于电动车电池数据的车辆行驶状况的提取方法。

背景技术

随着电动车的发展和普及，对电动车所使用的电池提出了更高的要求，不仅对电池本身的材料和充放电品质提出了要求，同时也对电池使用的合理性提出了要求，即如何驾驶以及如何选择行车路线能够相对提高电池使用效率。

目前，对电动车和普通汽车的行驶状况的测量都是通过在轮毂处添加传感器(霍尔传感器)并通过电子控制单元(ECU)处理来实现的。也就是说，只能在驾驶过程中看到实时的速度、加速度等信息，无法通过离线的方式获取整条行驶路线上的历史速度和加速度信息，这样就无法对该行驶路线上的一些特征(如上下坡、道路拥挤等)进行有效的提取，从而无法判断电力驱动车驾驶的优劣，也无法分析不同行车路线耗能高低的原因。

由于电动车电池的电压和充放电电流与电动车行驶时的路况、速度及加速度有着密切的联系，可以建立电动车的电池数据与行驶状况对应关系。电动车的负载功率为牵引力和速度的乘积，输出功率为电池电压和放电电流的乘积，输出功率减去热损和铜损应该等于负载功率。匀速行驶时，牵引力只需克服轮胎的摩擦阻力，故电机所需的负载转矩较小，从而在较大输出功率下可以判断有较大的行驶速度。而在加速度突然变化的瞬间，如突然加速或突然减速，电机的负载转矩会出现峰值，此时输出功率也会相应出现峰值。

因此，本领域的技术人员致力于开发一种基于电动车的电池数据的车辆行驶状况的提取方法，从电动车的电池数据获得实时的电动车的行驶状况的信息，同时可以推理得到道路车辆信息。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于电动车的电池数据的车辆行驶状况的提取方法，通过关联电动车的电池数据与行驶状况，建立数据分析模型，从而实现将电动车的电池数据转化为电动车的速度及加速度信息。

为实现上述目的，本发明提供了一种基于电动车的电池数据的车辆行驶状况的提取方法，其特征在于，构建基于智能优化算法的系统辨识软件以关联电动车的电池数据与行驶状况，在服务器上安装所述系统辨识软件，在电动车的电池上连接数据采集设备，所述数据采集设备与所述服务器之间通过互联网络通信；所述提取方法还包括以下步骤：通过所述数据采集设备采集所述电动车的电池数据，通过所述互联网络将所述电池数据上传到所述服务器，所述服务器通过计算得到所述电动车的行驶状况。

进一步地，所述智能优化算法是神经网络优化算法，所述系统辨识软件的数学模型是神经网络模型。

进一步地，构建所述神经网络模型所采用的输入样本是电动车行驶时电池的电压与电池的输出电流。

进一步地，构建所述神经网络模型所采用的输出样本是与所述样本电动车的电池的电压与电池的输出电流实时相对应的所述样本电动车的速度和加速度。

进一步地，所述速度和所述加速度由所述样本电动车上设置的传感器测量得到。

进一步地，所述速度和所述加速度的信号是经过过滤去除噪声后的信号。

进一步地，所述电池数据包括所述电池的电压与所述电池的输出电流。

进一步地，所述行驶状况包括所述电动车的速度和加速度。

在本发明的较佳实施方式中，使用神经网络优化算法构建系统辨识软件以关联电动车的电池数据与行驶状况，在服务器上安装此系统辨识软件，系统辨识软件的数学模型由神经网络模型实现。其中，电动车的电池数据包括电动车的电池的电压与输出电流，电动车的行驶状况包括电动车的速度和加速度。通过设置在样本电动车上的传感器采集对应于样本电动车的电池的电压与输出电流的样本电动车的速度与加速度来构建所述的神经网络模型，其中，样本电动车的电池的电压构成神经网络模型的输入样本，样本电动车的速度与加速度构成神经网络模型的输出样本。经过足够多的实验样本完善的神经网络模型可以实现将电动车的电池数据转化为电动车的速度及加速度信息。用户通过连接在电动车的电池上的数据采集设备采集电动车的电池数据，通过互联网络将此电池数据上传到服务器，服务器通过系统辨识软件计算得到包括电动车的速度及加速度信息的电动车的行驶状况，并可以推理得到电动车经过的路段的路况信息。

可见，本发明的基于电动车的电池数据的车辆行驶状况的提取方法，通过构建系统辨识软件以关联电动车的电池数据与行驶状况并在服务器上安装此系统辨识软件，实现了将电动车的电池数据实时地转化为电动车的速度和加速度信息，使用户能够实时地了解在所行路线的当前驾驶状况，以及当前的交通流量状态估计及拥堵状态评估。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的系统辨识软件的辨识模型的建立示意图。

图2是本发明的关联电动车的电池数据与行驶状况的系统辨识软件的应用过程示意图。

图3是本发明的基于电动车的电池数据的车辆行驶状况的提取方法的应用流程图。

具体实施方式

在本实施例中，使用神经网络优化算法构建系统辨识软件以关联电动车的电池数据与行驶状况，在本发明的基于电动车的电池数据的车辆行驶状况的提取方法的服务器上安装此系统辨识软件，系统辨识软件的数学模型采用神经网络模型。其中，电动车的电池数据包括电动车的电池的电压与输出电流，电动车的行驶状况包括电动车的速度和加速度。需要指出，也可以使用其他的智能优化算法构建本发明的系统辨识软件，即本发明的系统辨识软件的数学模型也可以是采用其他的智能优化算法的数学模型。

系统辨识软件的神经网络模型需要足够多的实验样本进行完善，对于电动车的电池的电压、放电电流与电动车行驶时的路况、速度及加速度之间有着密切的联系，分析如下：

电动车的电池的电压U和放电电流I乘积是输出功率，行驶速度V和牵引力F是负载功率，除去热损和铜损，二者是恒等的。有如下简化公式：

$F*V=U*I-D(I,U)-M(V,\stackrel{\·}{V}),$

其中，等号左侧是负载功率，F是牵引力，V是行驶速度；等号右侧U*I是输出功率，D是电路损耗功率，假设D与I、U有关，M是机械损耗功率，假设M与速度V和加速度有关。

牵引力F的简化计算公式为：即，牵引力F与加速度有关；行驶中受空气阻力，所以牵引力F与速度V有关；上下坡要摆脱重力分量，所以牵引力F与道路倾角α有关；轮胎在不同路面受到的摩擦阻力不同，所以牵引力F与摩擦系数μ有关。所以原方程可化为：

$f(\stackrel{\·}{V},V,\mathrm{\α},\mathrm{\μ})*V=U*I-D(I,U)-M(V,\stackrel{\·}{V})$

求解以上微分方程有如下非线性解：

V＝Y(U，I，α，μ)

因此可以建立关联电池的电压U、放电电流I与电动车行驶时的路况α及μ、速度V、加速度的数学模型，即图1中的辨识模型。

如图1所示，在实验中，测量得到样本电动车行驶过程中的电池的电压U、放电电流I，并且通过设置在样本电动车上的传感器测量得到与电压U、放电电流I实时相对应的样本电动车的速度V、加速度的信号，原始信号经过信号处理去除噪声后作为辨识模型的输入样本U(k)和输出样本Y(k)，其中，电池的电压U、放电电流I是输入样本U(k)，速度V、加速度是输出样本Y(k)。通过辨识模型得到关于输入样本U(k)的输出，并把通过辨识模型的输出与实际系统的输出而获得的系统误差E(k)反馈回辨识模型作为模型参数调整的依据(图中以斜箭头表示参数调整过程)。其中，E(k)为输入样本U(k)经过当前辨识模型计算得到估计的输出样本结果与实际输出样本Y(k)的差值的绝对值。由此，辨识模型通过足够多的实验样本的学习，其调整后的辨识模型参数所得结果将更加准确，其表现将逐渐接近实际系统。

完善的辨识模型可以实现将电动车的电池数据转化为电动车的速度及加速度信息。如图2所示，服务器4上安装有使用此辨识模型的系统辨识软件5，用户1通过连接在电动车的电池上的数据采集设备2采集、下载电动车的电池数据，通过互联网络将此电池数据上传到服务器4，服务器4通过系统辨识软件5计算得到包括电动车的速度及加速度信息的电动车的行驶状况，并可以推理得到电动车经过的路段的路况信息。服务器4将其计算、推理得到的行驶状况及路况信息通过网络传送给用户1，用户1在网络浏览器3上实时获得电动车的行驶状况及路况信息。此安装系统辨识软件的服务器4可以是私有云服务器或者公共服务器，例如由亚马逊公司提供的云服务Amazon EC2。

本发明的基于电动车的电池数据的车辆行驶状况的提取方法的具体应用步骤如图3所示，为：

步骤100，用户通过互联网络，通过网络浏览器在服务器上注册用户并设置密码，以获得在网络服务器上使用系统辨识软件的权利。

步骤101，服务器通过用户的注册，将用户提交的用户信息储存在其数据库中。

对于已经注册过的用户，使用服务器的系统辨识软件不需要经过步骤100和101，可以直接进入步骤110。

步骤110，用户输入用户名和密码，以开始使用系统辨识软件。

步骤111，服务器接收用户输入的信息，并将此信息与其储存在数据库中的信息进行比对，判断此信息是否与服务器的某一注册用户信息匹配，如果是匹配的，进入步骤120，如果不是匹配的，则进入步骤130。数据库进入步骤140。

步骤120，服务器开始为用户提供使用系统辨识软件的服务，服务器进入上传数据界面。

步骤121，用户上传电池数据到服务器。此电池数据为用户通过连接在电动车的电池上的数据采集设备采集、下载的电动车的实时电池数据，包括电池的电压及输出电流。

步骤122，服务器将步骤121中接收的电池数据输入系统辨识软件，并开始计算，通过计算得到包括电动车的速度及加速度信息的电动车的行驶状况，还可以推理得到电动车经过的路段的路况信息。

步骤123，服务器将步骤122中计算以及推理得到的行车信息显示在浏览器的页面上，供用户浏览。服务器进入步骤140。用户进入步骤140。

步骤130，服务器在浏览器的页面上提示密码错误，返回步骤110，再次要求用户输入用户名和密码。服务器进入步骤140。

步骤140，结束系统辨识软件的使用工作。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域的技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (6)

1.一种基于电动车的电池数据的车辆行驶状况的提取方法，其特征在于，构建基于智能优化算法的系统辨识软件以关联电动车的电池数据与行驶状况，在服务器上安装所述系统辨识软件，在电动车的电池上连接数据采集设备，所述数据采集设备与所述服务器之间通过互联网络通信；所述提取方法还包括以下步骤：通过所述数据采集设备采集所述电动车的电池数据，通过所述互联网络将所述电池数据上传到所述服务器，所述服务器通过计算得到所述电动车的行驶状况，所述电池数据包括所述电池的电压与所述电池的输出电流，所述行驶状况包括所述电动车的速度和加速度。

2.如权利要求1所述的基于电动车的电池数据的车辆行驶状况的提取方法，其中所述智能优化算法是神经网络优化算法，所述系统辨识软件的数学模型是神经网络模型。

3.如权利要求2所述的基于电动车的电池数据的车辆行驶状况的提取方法，其中构建所述神经网络模型所采用的输入样本是样本电动车的电池的电压与电池的输出电流。

4.如权利要求3所述的基于电动车的电池数据的车辆行驶状况的提取方法，其中构建所述神经网络模型所采用的输出样本是与所述样本电动车的电池的电压与电池的输出电流实时相对应的所述样本电动车的速度和加速度。

5.如权利要求4所述的基于电动车的电池数据的车辆行驶状况的提取方法，其中所述速度和所述加速度由所述样本电动车上设置的传感器测量得到。

6.如权利要求5所述的基于电动车的电池数据的车辆行驶状况的提取方法，其中所述速度和所述加速度的信号是经过过滤去除噪声后的信号。