CN103605885A - 一种基于交通路网信息的电动车辆剩余里程估算方法 - Google Patents

Abstract

本发明涉及一种基于交通路网信息的电动车辆剩余里程估算方法，其包括以下步骤：利用电动车辆的电池能量管理系统采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC，计算电动车辆的剩余能量E_B；利用电动车辆从起点到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果，计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数；根据电池剩余能量E_B和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数，采用随机规划模型，估算电动车辆的剩余里程数。本发明能够反映交通路网的动态随机变化特性，并具有估算结果合理的优点，因此本发明可以广泛应用于车辆剩余里程的估算中。

Description

一种基于交通路网信息的电动车辆剩余里程估算方法

技术领域

本发明涉及一种电动车辆剩余里程估算方法，特别是关于一种基于交通路网信息的电动车辆剩余里程估算方法。

背景技术

近年来，随着石油资源储备的减少与城市环境污染的日益加剧，清洁环保的电动车辆正逐渐被广大汽车厂商和消费者接受。然而，由于电动车辆动力电池的比能量不高，直接导致电动车辆的行驶里程远小于传统车辆的行驶里程，难以满足驾驶员的心理预期，从而造成驾驶员对所驾驶车辆剩余可行驶里程数的担忧。同时，交通环境的动态性与随机性也对如何合理利用交通信息来估计电动车辆行驶过程中的能量消耗提出了挑战。

发明内容

针对上述问题，本发明的目的是提出一种能够反映交通动态随机变化特性、估算结果合理的基于交通路网信息的电动车辆剩余里程估算方法。

为实现上述目的，本发明采取以下技术方案：一种基于交通路网信息的电动车辆剩余里程估算方法，其包括以下步骤：1）利用电动车辆的电池能量管理系统采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC，计算得到电动车辆的剩余能量E_B为：

$E_B={\∫}_{{\mathrm{SOC}}_2}^{{\mathrm{SOC}}_1}U\×\mathrm{QdSOC},$

式中，SOC₁为电池放电开始时的荷电状态，SOC₂为电池放电截止时的荷电状态；2）基于交通路网信息，计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数；3）根据电池剩余能量E_B和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数，采用期望值模型、机会约束模型和相关机会模型，估算电动车辆的剩余里程数。

所述步骤2）中，计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数，其包括以下步骤：（1）收集交通路网中的道路坡度信息以及各路段的历史交通信息，并建立动态随机路网模型；（2）采用支持向量回归方法，通过求解训练参数，建立交通路网中所有路段对应的短时交通预测模型；（3）根据电动车辆将要到达某一路段的时刻、动态随机路网模型和短时交通预测模型，确定电动车辆在未来通过该路段的速度值；（4）根据电动车辆在未来通过交通路网中某一路段的速度值和该路段的长度，采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值；（5）根据电动车辆从起点到达交通路网中所有节点的能量消耗的期望值，利用遗传算法计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径；（6）利用步骤（4）得到的电动车辆从起点到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果，计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数。

所述步骤（2）中，建立交通路网中所有路段对应的短时交通预测模型的步骤包括：①采用支持向量回归方法，建立支持向量回归函数f(x)，

$f\left(x\right)=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)K(x,x_j)+b^{*},$

式中，

α_j和b^*均为待求训练参数，x_j为训练样本，j为训练样本数目（j＝1,2,3...,l），x为待估计的输入样本值，K(x,x_j)为高斯核函数；②根据交通路网中某条路段及其上游所有路段在过去N时刻内的平均通行速度构造训练样本和预测结果值，并将训练样本和预测结果值作为支持向量回归函数f(x)的输入，求解支持向量回归函数f(x)中的训练参数

α_j和b^*，将求解得到的训练参数α_j和b^*带入支持向量回归函数f(x)，建立交通路网中某条路段对应的短时交通预测模型；③重复步骤②，对交通路网中所有路段均进行支持向量回归函数f(x)中训练参数的求解，根据求解得到的训练参数建立交通路网中所有路段对应的短时交通预测模型。

所述步骤（3）中，确定电动车辆在未来通过交通路网中某一路段的速度值，其包括以下步骤：①判断电动车辆到达交通路网中某一路段起点的时刻是否在短时交通预测的时段内；②根据步骤①的判断结果，确定电动车辆在未来通过交通路网中该路段的速度值；如果电动车辆到达某一路段的起点的时刻在短时交通预测的时段内，则将通过短时预测模型得到的路段平均通行速度预测值作为电动车辆在未来通过该路段的速度值；如果电动车辆到达某一路段起点的时刻在短时交通预测的时段外，则采用动态随机路网模型对该路段上的平均通行速度的概率密度函数进行随机抽样，得到的平均速度值作为电动车辆在未来通过该路段的速度值。

所述步骤（4）中，电动车辆从起点达到交通路网中所有节点的能量消耗的期望值的计算包括以下步骤：①以交通路网中某一节点为终点，随机选取连接出发起点O与终点的N_generation条路径；②对N_generation条路径中的第一条路径N₁，根据电动车辆到达路径N₁中各个路段的时刻，确定电动车辆在路径N₁中各个路段上的速度值，并结合各路段的长度计算电动车辆通过各路段的通行时间；③根据电动车辆通过路径N₁中各路段的速度值和通行时间，计算电动车辆沿路径N₁从出发起点O到达终点的能量消耗E，即

$E=\underset{i=1}{\overset{D}{\mathrm{\Σ}}}{P}_i{t}_i,$

式中，t_i为电动车辆通过路径N₁中路段i所花的时间，P_i为电动车辆通过路径N₁中路段i所需要输入给电机的功率，D为路径N₁中的路段数目，即

P_i＝F_iv_i/η，

式中，v_i为电动车辆在路径N₁中通过路段i的行驶速度，η为主减速器的效率与电机中效率的乘积，F_i为通过路段i的行驶阻力，

$F_i=\mathrm{Gf}\cos {\mathrm{\θ}}_i+\frac{C_{D}A}{21.15}{v_i}^2+G\sin {\mathrm{\θ}}_i,$

式中，G为整车重量，f为滚动阻力系数，θ_i为路段i与水平面的倾角，C_D为空气阻力系数，A为整车迎风面积；④对路径N₁进行N_sampling次随机模拟，得到通过路径N₁的电动车辆的能量消耗与时间消耗的随机抽样结果，并对该随机抽样结果计算电动车辆能量消耗的期望值；⑤重复步骤①～④，计算得到电动车辆从起点到达交通路网中所有节点的N_generation路径分别经N_sampling次抽样后的电动车辆能量消耗的期望值。

所述步骤（4）中，计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径的步骤包括：①按照电动车辆通过某条路径中各节点的顺序，依次记录各节点编号，各编号构成的序列作为该路径的染色体；将连接起点与交通路网中某一节点的N_generation条路径分别经N_sampling次抽样后得到的电动车辆能量消耗的期望值分别作为N_generation条路径的染色体的适应度初值；②对每个染色体的适应度值求取倒数，作为最终的适应度值；③利用轮盘赌方法对当前代的染色体进行抽样，抽取N_generation次，得到新一代染色体；④产生随机数，与交叉概率P_c进行比较，如果随机数大于交叉概率P_c，则放弃当前两个染色体的交叉操作，转而对下一对染色体进行交叉操作判别；如果随机数小于交叉概率P_c，则对当前这对染色体进行交叉操作；为当前两个染色体分别确定固定位，在固定位之前的路径各节点不变，固定位之后的节点采用另一染色体中未重复的节点进行补齐；完成该对染色体的交叉操作后，转为对下一对染色体进行交叉操作判别，直至所有染色体都完成了染色体交叉判别；⑤产生随机数，与变异概率P_m进行比较，如果随机数大于变异概率P_m，则放弃当前染色体的变异操作，转而对下一个染色体进行变异操作判别；如果随机数小于变异概率P_m，则对当前染色体进行变异操作；对当前染色体随机选取两个节点位置，交换这两个节点位置的节点坐标，构成新的路径，进而对下一个染色体进行变异操作判别；⑥完成本代染色体的遗传算法计算后，重复选择、交叉和变异操作，直到达到指定的遗传代数Count；⑦选取在遗传算法中最好的X条路径进行记录，作为从起点到达该节点的X条路径；⑧重复步骤①～⑦，遍历交通路网中的所有节点，得到从起点到达交通路网中每一节点的X条能量消耗最低的路径。

所述步骤（5）中，计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数的步骤包括：①对从起点到达交通路网中某一节点的X条路径的随机抽样结果取并集；②根据随机抽样结果的并集，对从起点到达交通路网中某一节点的X条路径的能量消耗与时间消耗的采样点进行归一化；③利用parzen方窗核函数法计算电动车辆从起点出发到达交通路网中所有节点的能量消耗与通行时间的概率密度函数；

式中，

表示x点处的概率密度函数的估计值；N表示样本总数；V表示超立方体的体积，h表示超立方体的棱长，V＝h^e，e表示样本维数；s_i表示每个样本，s和s_i均为列向量，s＝[s¹,s²,...s^e]^T，

令

$\frac{s^1-s_i^1}{h}=u_1,...\frac{s^e-s_i^e}{h}=u_e,$ 则

所述步骤3）中，估算电动车辆的剩余里程数包括以下步骤：（1）利用由步骤2）得到的从起点到达交通路网中各节点的能量消耗与通行时间的概率密度函数，对每一节点采用期望值模型、机会约束模型和相关机会模型，计算得到电动车辆在交通路网中的可达范围；（2）将采用相关机会规划模型得到的计算结果作为可达范围的下界，将采用高置信区间的机会约束模型得到的计算结果作为可达范围的上界，根据电动车辆在交通路网中可达范围的上界和下界，得到电动车辆的剩余里程数。

采用所述机会约束规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括：①采用机会约束模型，制定一个置信水平β。对交通路网中任一节点，为满足该置信水平β，对电动车辆从起点出发到达交通路网中每一节点的能量消耗的概率密度函数进行数值积分，得到在满足该置信水平β时的概率密度函数对应的能量消耗值。比较该能量消耗值与电池剩余能量E_B，如果该能量消耗值小于电池剩余能量E_B，说明电动车辆能够以这一置信水平β到达该节点；如果该能量消耗大于电池剩余能量E_B，说明电动车辆无法以这一置信水平β到达该节点；②遍历交通路网中所有节点，计算并判断每一节点电动车辆是否可以到达；③顺次连接交通路网中各个方向上的最远可达点，得到在机会约束模型下，电动车辆在交通路网中的可达范围。

采用所述相关机会规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括：①采用相关机会规划模型，在满足电池剩余能量E_B大于电动车辆到达交通路网中某一节点能量消耗最大值的情况下，求取能量消耗的概率密度函数在剩余电池能量值E_B附近的微小区域的积分；②遍历交通路网中的所有节点，计算每一节点在相关机会模型下的概率值，将概率值从大到小进行排序；③顺次连接交通路网中各个方向上的概率最大点，得到在相关机会规划模型下，电动车辆在交通路网中的可达范围。

本发明由于采取以上技术方案，其具有以下优点：1、本发明由于基于历史交通路网信息建立动态随机路网模型和短时交通预测模型，对电动车辆未来通过交通路网中某一路段的速度进行预测，从而预测电动车辆在未来出行过程将要消耗的能量，因此本发明能够反映交通路网各路段动态、随机变化的特性。2、本发明由于采用动态随机路网模型和短时交通预测模型对电动车辆在未来通过交通路网中某路段的速度进行预测，因此本发明能够实现历史交通数据和实时交通数据的融合，更好地描述当前交通路网的特性。3、本发明由于采用遗传算法计算得到从起点到达交通路网中每一节点的能量消耗合理的路径，并利用随机规划模型对电动车辆的可达范围进行分析，因此本发明能够保证电动车辆剩余里程数估算结果的合理性。基于以上优点，本发明可以广泛应用于车辆的剩余里程的估算中。

附图说明

图1是本发明的基于交通路网信息的电动车辆剩余里程估算方法的流程图

图2是本发明的实施例中交通路网示意图

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

如图1所示，本发明的基于交通路网信息的电动车辆剩余里程估算方法包括以下步骤：

1）利用电动车辆的电池能量管理系统采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC（state of charge），计算得到电动车辆的剩余能量E_B为：

$E_B={\∫}_{{\mathrm{SOC}}_2}^{{\mathrm{SOC}}_1}U\×\mathrm{QdSOC}---\left(1\right)$

式（1）中，SOC₁为电池放电开始时的荷电状态，SOC₂为电池放电截止时的荷电状态。

2）基于交通路网信息，计算电动车辆到达交通路网中各节点的能量消耗与通行时间的概率密度函数，其具体包括以下步骤：

（1）收集交通路网中的道路坡度信息（即路面与水平面的倾角信息）以及各路段的历史交通信息（即各路段在过去各个时段平均通行速度的概率密度函数），并建立动态随机路网模型；

由于交通路网中的每条道路在建设完成后，它的坡度随之确定，而不随时间变化，因此可以对交通路网中的每条道路的坡度大小和坡度的变化规律等坡度信息进行收集，进而根据收集的交通路网中的道路坡度信息计算电动车辆通过该路段时为克服重力做功所消耗的能量。

收集交通路网中各路段不同日期、不同时段的平均速度，收集得到各路段在各时段内平均通行速度的概率密度函数，用随时间变化的各路段平均通行速度所服从的概率密度函数对交通路网进行描述，从而建立动态随机路网模型，用于描述交通路网中各路段平均通行速度的随机性和动态性。

（2）采用支持向量回归方法，通过求解训练参数，建立交通路网中所有路段对应的短时交通预测模型（短时交通预测模型预测的时段取0～30分钟），其具体包括以下步骤：

①采用支持向量回归方法，建立支持向量回归函数f(x)，

$f\left(x\right)=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)K(x,x_j)+b^{*}---\left(2\right)$

式（2）中，

α_j和b^*均为待求训练参数，x_j为训练样本，j为训练样本数目（j＝1,2,3...,l），x为待估计的输入样本值，K(x,x_j)为高斯核函数。

②根据交通路网中某条路段及其上游所有路段在过去N时刻内的平均通行速度构造训练样本和预测结果值，并将训练样本和预测结果值作为支持向量回归函数f(x)的输入，求解支持向量回归函数f(x)中的训练参数α_j，b^*。

将交通路网中路段r上游的所有R条路段在过去N时刻内的平均通行速度记录为：v_i(t-T),v_i(t-2T),...v_i(t-NT)（其中，i＝1，2…R，T为单位时间段）；将该路段r在过去N时刻内的平均通行速度记录为：v(t-T),v(t-2T),...v(t-NT)。平均通行速度v_i(t-T),v_i(t-2T),...v_i(t-NT)（其中，i＝1，2…R）和v(t-T),v(t-2T),...v(t-NT)构成一组训练样本x_j。路段r在t时刻的平均通行速度值v(t)作为预测结果值y_j，其中，t时刻为未来0～30分钟内每隔5分钟的某一时刻。

将求解式（2）中的训练参数值

α_j和b^*的问题转化为求解优化函数W(α,α^*)：

$\max W(\mathrm{\α},{\mathrm{\α}}^{*})=-\mathrm{\ϵ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}+{\mathrm{\α}}_i)+\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{y}_i({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)-\frac{1}{2}\underset{i,j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_i^{*}-{\mathrm{\α}}_i)({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)K(x_i,x_j)---\left(3\right)$

使得 $\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{*}=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\α}}_i---\left(4\right)$

$0\≤{\mathrm{\α}}_i^{*}\≤C,i=1,...,l---\left(5\right)$

0≤α_i≤C,i＝1,...,l（6）

式（3）～式（6）中，i和j均表示训练样本的编号，y_i表示训练样本x_i对应的预测结果值，C为折中系数，ε表示拟合误差。

通过求解优化函数W(α,α^*)，得到支持向量回归函数f(x)中的训练参数α_i和b^*，将训练参数α_i和b^*分别带入支持向量回归函数f(x)，建立交通路网中路段r对应的短时交通预测模型。

③重复步骤②，对交通路网中所有路段均进行以上支持向量回归函数f(x)中训练参数的求解，根据求解得到的训练参数建立交通路网中所有路段对应的短时交通预测模型。

（3）根据电动车辆将要到达交通路网中某一路段的时刻、动态随机路网模型和短时交通预测模型，确定电动车辆在未来通过交通路网中该路段的速度值，其包括以下步骤：

①判断电动车辆到达交通路网中某一路段起点的时刻是否在短时交通预测的时段内，即30分钟内。

②根据判断结果，确定电动车辆在未来通过该路段的速度值；

如果电动车辆到达交通路网中某一路段起点的时刻在短时交通预测的时段内，则采用短时交通预测模型得到该路段的平均通行速度预测值，并将得到的平均通行速度预测值作为电动车辆在未来通过该路段的速度值。

如果电动车辆到达某一路段起点的时刻在短时交通预测的时段外，则采用动态随机路网模型，对该路段上电动车辆当前到达时刻所对应的平均通行速度的概率密度函数进行随机抽样得到平均速度值，并将得到的平均速度值作为电动车辆在未来通过该路段的速度值。

（4）利用遗传算法采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值，并根据期望值计算电动车辆从起点出发到达交通路网中每一节点的能量消耗最低的X条路径，排除明显折返且能量消耗高的路径，其包括以下步骤：

采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值，其包括以下步骤：

①以交通路网中某一节点为终点，随机选取连接起点与终点的N_generation条路径。

②对于N_generation条路径中的第一条路径N₁，根据电动车辆到达路径N₁中各个路段的时刻，由步骤（3）确定电动车辆在路径N₁中各个路段上的速度值，并结合各路段的长度计算电动车辆通过各路段的通行时间。

③根据电动车辆通过路径N₁中各路段的速度值和通行时间，计算电动车辆沿路径N₁从起点到达终点的能量消耗E，即

$E=\underset{i=1}{\overset{D}{\mathrm{\Σ}}}{P}_i{t}_i---\left(7\right)$

式（7）中，t_i为电动车辆通过路径N₁中路段i所花的时间，P_i为电动车辆通过路径N₁中路段i所需要输入给电机的功率，D代表路径N₁所经过的路段数目，即

P_i＝F_iv_i/η    （8）

式（8）中，v_i为电动车辆在路径N₁中通过路段i的行驶速度，η为主减速器的效率与电机中效率的乘积，F_i为通过路段i的行驶阻力，即

$F_i=\mathrm{Gf}\cos {\mathrm{\θ}}_i+\frac{C_{D}A}{21.15}{v_i}^2+G\sin {\mathrm{\θ}}_i---\left(9\right)$

式（9）中，G为整车重量，f为滚动阻力系数，θ_i为路段i与水平面的倾角，C_D为空气阻力系数，A为整车迎风面积。

④对路径N₁进行N_sampling次随机抽样，得到电动车辆通过路径N₁的能量消耗与时间消耗的随机抽样结果，并对该随机抽样结果计算电动车辆能量消耗的期望值。

⑤重复步骤①～④，计算得到电动车辆从起点出发到达交通路网中所有节点的N_generation路径分别经N_sampling次抽样后能量消耗的期望值。

根据电动车辆从起点出发到达交通路网中所有节点的能量消耗的期望值，利用遗传算法计算电动车辆从起点出发到达交通路网中每一节点的能量消耗最低的X条路径，排除明显折返且能量消耗高的路径，其包括以下步骤：

①按照电动车辆通过某条路径中各节点的顺序，依次记录各节点编号，各编号构成的序列作为该路径的染色体；将连接起点与交通路网中某一节点的N_generation条路径分别经N_sampling次抽样后得到的电动车辆能量消耗的期望值分别作为N_generation条路径的染色体的适应度初值。

②为求取能量消耗少的染色体，对每个染色体的适应度值求取倒数，作为最终的适应度值。

③利用轮盘赌方法对当前代的染色体进行抽样，抽取N_generation次，得到新一代染色体。

④产生0到1之间的服从均匀分布的随机数，与交叉概率P_c进行比较，如果随机数大于交叉概率P_c，则放弃当前两个染色体的交叉操作，转而对下一对染色体进行交叉操作判别；如果随机数小于交叉概率P_c，则对当前这对染色体进行交叉操作。为当前两个染色体分别确定固定位，在固定位之前的路径各节点不变，固定位之后的节点采用另一染色体中未重复的节点进行补齐。完成该对染色体的交叉操作后，转为对下一对染色体进行交叉操作判别，直至所有染色体都完成了染色体交叉判别。

⑤产生0到1之间的服从均匀分布的随机数，与变异概率P_m进行比较，如果随机数大于变异概率P_m，则放弃当前染色体的变异操作，转而对下一个染色体进行变异操作判别；如果随机数小于变异概率P_m，则对当前染色体进行变异操作。对当前染色体随机选取两个节点位置，交换这两个节点位置的节点坐标，构成新的路径，进而对下一个染色体进行变异操作判别。

⑥完成本代染色体的遗传算法计算后，重复选择、交叉和变异操作，直到达到指定的遗传代数Count。

⑦选取在遗传算法中适应度最大（即能量消耗最低）的X条路径进行记录，作为从起点到达该节点的X条路径。

⑧重复步骤①～⑦，遍历交通路网中的所有节点，得到从起点到达交通路网中每一节点的X条能量消耗最低的路径。

（5）利用步骤（4）得到的电动车辆从起点出发到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果，计算电动车辆从起点出发到达交通路网中各节点的能量消耗与通行时间的概率密度函数，其包括以下步骤：

①为综合反映电动车辆从起点到达交通路网中某一节点的能量消耗与时间消耗的分布，对从起点到达交通路网中某一节点的X条路径的随机抽样结果取并集。

②根据随机抽样结果的并集，对从起点到达交通路网中某一节点的X条路径的能量消耗与时间消耗的采样点进行归一化。

③利用parzen方窗核函数法计算电动车辆从起点出发到达交通路网中所有节点的能量消耗与通行时间的概率密度函数。

式（10）中，

表示s点处的概率密度函数的估计值；N表示样本总数；V表示超立方体的体积，h表示超立方体的棱长，V＝h^e，e表示样本维数；s_i表示每个样本；s和s_i均为列向量，s＝[s¹,s²,...s^e]^T，令

$\frac{s^1-s_i^1}{h}=u_1,...\frac{s^e-s_i^e}{h}=u_e,$ 则

3）根据电池剩余能量E_B和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数，采用随机规划模型，估算电动车辆的剩余里程数，其包括以下步骤：

（1）利用由步骤2）得到的电动车辆从起点出发到达交通路网中各节点的能量消耗与通行时间的概率密度函数，对每一节点采用三种随机规划模型，计算得到电动车辆在交通路网中的可达范围。

三种随机规划模型包括期望值模型、机会约束模型和相关机会模型。

采用期望值模型对电动车辆在交通路网中的可达范围进行计算，其具体步骤包括：

①根据电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数，采用期望值模型，计算电动车辆从起点出发到达交通路网中每一节点的能量消耗概率分布的期望值。

②对于交通路网中的任一节点，判断电池剩余能量E_B是否超过到达该节点能量消耗的期望值。如果超过，说明电池剩余能量E_B大于电动车辆到达该节点的能量消耗，即电动车辆可以到达此点；如果未超过，说明电池剩余能量E_B小于电动车辆到达该节点的能量消耗，即电动车辆无法到达此点。

③遍历交通路网中的所有节点，计算并判断每一节点电动车辆是否可以到达。

④顺次连接交通路网中各个方向上的最远可达点，得到在期望值模型下，电动车辆在交通路网中的可达范围。

采用机会约束规划模型对电动车辆在交通路网中的可达范围进行计算，其具体步骤包括：

①采用机会约束模型，制定一个置信水平β。对交通路网中任一节点，为满足该置信水平β，对电动车辆从起点出发到达交通路网中每一节点的能量消耗的概率密度函数进行数值积分，得到在满足该置信水平β时的概率密度函数对应的能量消耗值。比较该能量消耗值与电池剩余能量E_B，如果该能量消耗值小于电池剩余能量E_B，说明电动车辆能够以这一置信水平β到达该节点；如果该能量消耗大于电池剩余能量E_B，说明电动车辆无法以这一置信水平β到达该节点。

②遍历交通路网中所有节点，计算并判断每一节点电动车辆是否可以到达。

③顺次连接交通路网中各个方向上的最远可达点，得到在机会约束模型下，电动车辆在交通路网中的可达范围。

采用相关机会规划模型对电动车辆在交通路网中的可达范围进行计算，其具体步骤包括：

①采用相关机会规划模型，在满足电池剩余能量E_B大于电动车辆到达交通路网中某一节点能量消耗最大值的情况下，求取能量消耗的概率密度函数在剩余电池能量值E_B附近的微小区域的积分。

②遍历交通路网中的所有节点，计算每一节点在相关机会模型下的概率值，将概率值从大到小进行排序。

③顺次连接交通路网中各个方向上的概率最大点，得到在相关机会规划模型下，电动车辆在交通路网中的可达范围。

（2）根据电动车辆在交通路网中可达范围的上界和下界，得到电动车辆的剩余里程数。

为保证电动车辆能够以较高的置信水平到达交通路网中的某节点，只考虑采用机会约束模型和相关机会模型得到的计算结果。考虑到电动车辆可达范围估算结果的可靠性，采用相关机会规划模型得到的计算结果作为可达范围的下界，即保证在此界限以内的节点电动车辆都可以到达。考虑到交通路网中的道路通行速度的随机性与动态性，采用高置信区间的机会约束模型得到的计算结果作为可达范围的上界，即保证在上下界之间的区域中，电动车辆能够以较高的置信水平到达该区域内的道路节点。

实施例：如图2所示，将交通路网中电动车辆的起点记为O，电动车辆需要到达的终点记为F，假设选择连接起点O与终点F的路径共N_generation条，采用本发明的基于交通路网信息的电动车辆剩余里程估算方法对电动车辆从起点O是否能够到达终点F进行估算，其包括以下步骤：

1）利用电动车辆的剩余能量计算公式（1）计算得到电动车辆在起点O的剩余能量，记为E_O。

2）假设连接起点O与终点F的N_generation条路径中的路径1包括路段a～路段d，将电动车辆在起点O出发的时刻记为T_a，将电动车辆在未来通过路段a的速度值记为v_a。

利用短时交通预测模型对路段a在时刻T_a的短时交通进行预测，并将预测结果值作为电动车辆在未来通过路段a的速度值v_a，已知路段a长度，计算得到电动车辆通过路段a所需要的时间为t_a。

根据电动车辆通过路段a的速度值v_a和通过路段a所需要的时间为t_a，利用公式（7）～公式（9）计算得到电动车辆通过路段a需要消耗的能量E_a。

3）将电动车辆到达路段b起点的时刻记为T_b，则T_b＝T_a+t_a；将电动车辆在未来通过路段b的速度值记为v_b。

判断t_a是否超出了短时交通预测模型预测的时间间隔30分钟；如果t_a＜30，则采用短时交通预测模型对路段b的通行速度进行预测，并将预测结果值作为电动车辆在未来通过路段b的速度值v_b；如果t_a＞30，则采用动态随机路网模型对路段b在时刻T_b的平均通行速度的概率密度函数P(b,T_b)进行随机抽样，并将抽样结果作为电动车辆在未来通过路段b的速度值v_b。已知路段b的长度，计算得到电动车辆通过路段b所需要的时间为t_b。

根据电动车辆通过路段b的速度值v_b和通过路段b所需要的时间为t_b，利用公式（7）～公式（9）计算得到电动车辆通过路段b需要消耗的能量E_b。

4）采用与步骤3相同的方法，分别计算得到电动车辆通过路段c和路段d所需要的时间t_c和t_d以及需要消耗的能量E_c和E_d。

5）由步骤2）～步骤4）得到电动车辆从起点O经路段a～路段d后到达交通路网中的终点F需要消耗的总能量E为：

E＝E_a+E_b+E_c+E_d。

6）对于连接交通路网中起点O与终点F的路径1，重复步骤2～步骤5的计算N_sampling次，得到N_sampling个能量消耗值

并对N_sampling个能量消耗值

进行平均，得到路径1的N_sampling个能量消耗值的期望值

为：

${\stackrel{\‾}{E}}_1=\frac{E_1+E_2+...+E_{N_{\mathrm{sampling}}}}{N_{\mathrm{sampling}}}.$

7）对交通路网中连接起点O与终点F的N_generation条路径中明显折返、能量消耗异常高的不合理路径将不予考虑。如图2所示，路径2将不予考虑。为找出N_generation条路径中能量消耗均值最小的路径，重复步骤2～步骤6，分别计算N_generation条路径的能量消耗值的期望值，并根据该期望值利用遗传算法进行迭代计算，直到达到预定迭代代数，从最终一代的N_generation条路径中挑选出X条合理路径，即能量消耗均值最小的X条路径。

8）对X条路径的所有能量消耗抽样结果取并集，用于综合反映电动车辆从起点O到达终点F的能量消耗情况。

9）利用公式（10）和公式（11）对能量消耗抽样结果的并集，估算能量消耗的概率密度函数。

10）利用随机规划模型分析电动车辆是否能够从起点O到达终点F。

采用期望值模型进行分析，对到达终点F的能量消耗的概率密度函数取期望值，即到达终点F的能量消耗的期望值。如果电池的剩余能量E_O大于该期望值，判断电动车辆可以到达终点F，如果电池的剩余能量E_O小于该期望值，判断电动车辆无法到达终点F。

利用机会约束模型，制定置信水平β，并对电动车辆到达终点F的能量消耗概率密度函数进行数值积分。当积分结果满足该置信水平值β后，停止数值积分过程，记录计算过程中的能量消耗值的数值积分上限值。如果电池的剩余能量值E_O大于到达终点F的数值积分过程的上限值，说明电动车辆能够在满足置信水平β的情况下到达终点F；如果电池的剩余能量值E_O小于到达终点F的数值积分过程的上限值，说明电动车辆不能在满足置信水平β的情况下到达终点F。

采用相关机会模型，如果电池的剩余能量E_O大于到达终点F的能量消耗结果的最大值，说明电动车辆可以在相关机会模型下到达终点F，继续求取能量消耗的概率密度函数在剩余电池能量值E_O附近的微小区域的积分，用于与交通路网中其他节点的积分结果进行比较；如果电池的剩余能量E_O小于电动车辆到达终点F的能量消耗结果的最大值，则电动车辆不能在相关机会模型下到达终点F。

上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和实施步骤等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。

Claims (10)

1.一种基于交通路网信息的电动车辆剩余里程估算方法，其包括以下步骤：

1）利用电动车辆的电池能量管理系统采集电动车辆电池组电压U、电池额定容量Q、电池荷电状态SOC，计算得到电动车辆的剩余能量E_B为：

$E_B={\∫}_{{\mathrm{SOC}}_2}^{{\mathrm{SOC}}_1}U\×\mathrm{QdSOC},$

式中，SOC₁为电池放电开始时的荷电状态，SOC₂为电池放电截止时的荷电状态；

2）基于交通路网信息，计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数；

3）根据电池剩余能量E_B和电动车辆到达交通路网中每一节点能量消耗与通行时间的概率密度函数，采用期望值模型、机会约束模型和相关机会模型，估算电动车辆的剩余里程数。

2.如权利要求1所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：所述步骤2）中，计算电动车辆到达交通路网中每一节点的能量消耗与通行时间的概率密度函数，其包括以下步骤：

（1）收集交通路网中的道路坡度信息以及各路段的历史交通信息，并建立动态随机路网模型；

（2）采用支持向量回归方法，通过求解训练参数，建立交通路网中所有路段对应的短时交通预测模型；

（3）根据电动车辆将要到达某一路段的时刻、动态随机路网模型和短时交通预测模型，确定电动车辆在未来通过该路段的速度值；

（4）根据电动车辆在未来通过交通路网中某一路段的速度值和该路段的长度，采用随机抽样的方式计算电动车辆从当前起点出发到达交通路网中所有节点的能量消耗的期望值；

（5）根据电动车辆从起点到达交通路网中所有节点的能量消耗的期望值，利用遗传算法计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径；

（6）利用步骤（4）得到的电动车辆从起点到达交通路网中各节点的能量消耗最低的X条路径的随机抽样结果，计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数。

3.如权利要求2所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：所述步骤（2）中，建立交通路网中所有路段对应的短时交通预测模型的步骤包括：

①采用支持向量回归方法，建立支持向量回归函数f(x)，

$f\left(x\right)=\underset{j=1}{\overset{l}{\mathrm{\Σ}}}({\mathrm{\α}}_j^{*}-{\mathrm{\α}}_j)K(x,x_j)+b^{*},$

式中，

α_j和b^*均为待求训练参数，x_j为训练样本，j为训练样本数目（j＝1,2,3...,l），x为待估计的输入样本值，K(x,x_j)为高斯核函数；

②根据交通路网中某条路段及其上游所有路段在过去N时刻内的平均通行速度构造训练样本和预测结果值，并将训练样本和预测结果值作为支持向量回归函数f(x)的输入，求解支持向量回归函数f(x)中的训练参数

α_j和b^*，将求解得到的训练参数

α_j和b^*带入支持向量回归函数f(x)，建立交通路网中某条路段对应的短时交通预测模型；

③重复步骤②，对交通路网中所有路段均进行支持向量回归函数f(x)中训练参数的求解，根据求解得到的训练参数建立交通路网中所有路段对应的短时交通预测模型。

4.如权利要求2所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：所述步骤（3）中，确定电动车辆在未来通过交通路网中某一路段的速度值，其包括以下步骤：

①判断电动车辆到达交通路网中某一路段起点的时刻是否在短时交通预测的时段内；

②根据步骤①的判断结果，确定电动车辆在未来通过交通路网中该路段的速度值；

如果电动车辆到达某一路段的起点的时刻在短时交通预测的时段内，则将通过短时预测模型得到的路段平均通行速度预测值作为电动车辆在未来通过该路段的速度值；

如果电动车辆到达某一路段起点的时刻在短时交通预测的时段外，则采用动态随机路网模型对该路段上的平均通行速度的概率密度函数进行随机抽样，得到的平均速度值作为电动车辆在未来通过该路段的速度值。

5.如权利要求2或3或4所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：所述步骤（4）中，电动车辆从起点达到交通路网中所有节点的能量消耗的期望值的计算包括以下步骤：

①以交通路网中某一节点为终点，随机选取连接出发起点O与终点的N_generation条路径；

②对N_generation条路径中的第一条路径N₁，根据电动车辆到达路径N₁中各个路段的时刻，确定电动车辆在路径N₁中各个路段上的速度值，并结合各路段的长度计算电动车辆通过各路段的通行时间；

③根据电动车辆通过路径N₁中各路段的速度值和通行时间，计算电动车辆沿路径N₁从出发起点O到达终点的能量消耗E，即

$E=\underset{i=1}{\overset{D}{\mathrm{\Σ}}}{P}_i{t}_i,$

式中，t_i为电动车辆通过路径N₁中路段i所花的时间，P_i为电动车辆通过路径N₁中路段i所需要输入给电机的功率，D为路径N₁中的路段数目，即

P_i＝F_iv_i/η，

式中，v_i为电动车辆在路径N₁中通过路段i的行驶速度，η为主减速器的效率与电机中效率的乘积，F_i为通过路段i的行驶阻力，

$F_i=\mathrm{Gf}\cos {\mathrm{\θ}}_i+\frac{C_{D}A}{21.15}{v_i}^2+G{\sin \mathrm{\θ}}_i,$

式中，G为整车重量，f为滚动阻力系数，θ_i为路段i与水平面的倾角，C_D为空气阻力系数，A为整车迎风面积；

④对路径N₁进行N_sampling次随机模拟，得到通过路径N₁的电动车辆的能量消耗与时间消耗的随机抽样结果，并对该随机抽样结果计算电动车辆能量消耗的期望值；

⑤重复步骤①～④，计算得到电动车辆从起点到达交通路网中所有节点的N_generation路径分别经N_sampling次抽样后的电动车辆能量消耗的期望值。

6.如权利要求2或3或4所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：所述步骤（4）中，计算电动车辆从起点到达交通路网中每一节点的能量消耗最低的X条路径的步骤包括：

①按照电动车辆通过某条路径中各节点的顺序，依次记录各节点编号，各编号构成的序列作为该路径的染色体；将连接起点与交通路网中某一节点的N_generation条路径分别经N_sampling次抽样后得到的电动车辆能量消耗的期望值分别作为N_generation条路径的染色体的适应度初值；

②对每个染色体的适应度值求取倒数，作为最终的适应度值；

③利用轮盘赌方法对当前代的染色体进行抽样，抽取N_generation次，得到新一代染色体；

④产生随机数，与交叉概率P_c进行比较，如果随机数大于交叉概率P_c，则放弃当前两个染色体的交叉操作，转而对下一对染色体进行交叉操作判别；如果随机数小于交叉概率P_c，则对当前这对染色体进行交叉操作；为当前两个染色体分别确定固定位，在固定位之前的路径各节点不变，固定位之后的节点采用另一染色体中未重复的节点进行补齐；完成该对染色体的交叉操作后，转为对下一对染色体进行交叉操作判别，直至所有染色体都完成了染色体交叉判别；

⑤产生随机数，与变异概率P_m进行比较，如果随机数大于变异概率P_m，则放弃当前染色体的变异操作，转而对下一个染色体进行变异操作判别；如果随机数小于变异概率P_m，则对当前染色体进行变异操作；对当前染色体随机选取两个节点位置，交换这两个节点位置的节点坐标，构成新的路径，进而对下一个染色体进行变异操作判别；

⑥完成本代染色体的遗传算法计算后，重复选择、交叉和变异操作，直到达到指定的遗传代数Count；

⑦选取在遗传算法中最好的X条路径进行记录，作为从起点到达该节点的X条路径；

⑧重复步骤①～⑦，遍历交通路网中的所有节点，得到从起点到达交通路网中每一节点的X条能量消耗最低的路径。

7.如权利要求2或3或4所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：所述步骤（5）中，计算电动车辆从起点到交通路网中所有节点的能量消耗与通行时间的概率密度函数的步骤包括：

①对从起点到达交通路网中某一节点的X条路径的随机抽样结果取并集；

②根据随机抽样结果的并集，对从起点到达交通路网中某一节点的X条路径的能量消耗与时间消耗的采样点进行归一化；

③利用parzen方窗核函数法计算电动车辆从起点出发到达交通路网中所有节点的能量消耗与通行时间的概率密度函数；

式中，

表示x点处的概率密度函数的估计值；N表示样本总数；V表示超立方体的体积，h表示超立方体的棱长，V＝h^e，e表示样本维数；s_i表示每个样本，s和s_i均为列向量，s＝[s¹,s²,...s^e]^T，

令

$\frac{s^1-s_i^1}{h}=u_1,...\frac{s^e-s_i^e}{h}=u_e,$ 则

8.如权利要求1所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：所述步骤3）中，估算电动车辆的剩余里程数包括以下步骤：

（1）利用由步骤2）得到的从起点到达交通路网中各节点的能量消耗与通行时间的概率密度函数，对每一节点采用期望值模型、机会约束模型和相关机会模型，计算得到电动车辆在交通路网中的可达范围；

（2）将采用相关机会规划模型得到的计算结果作为可达范围的下界，将采用高置信区间的机会约束模型得到的计算结果作为可达范围的上界，根据电动车辆在交通路网中可达范围的上界和下界，得到电动车辆的剩余里程数。

9.如权利要求1～8任一项所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：采用所述机会约束规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括：

①采用机会约束模型，制定一个置信水平β。对交通路网中任一节点，为满足该置信水平β，对电动车辆从起点出发到达交通路网中每一节点的能量消耗的概率密度函数进行数值积分，得到在满足该置信水平β时的概率密度函数对应的能量消耗值。比较该能量消耗值与电池剩余能量E_B，如果该能量消耗值小于电池剩余能量E_B，说明电动车辆能够以这一置信水平β到达该节点；如果该能量消耗大于电池剩余能量E_B，说明电动车辆无法以这一置信水平β到达该节点；

②遍历交通路网中所有节点，计算并判断每一节点电动车辆是否可以到达；

③顺次连接交通路网中各个方向上的最远可达点，得到在机会约束模型下，电动车辆在交通路网中的可达范围。

10.如权利要求1～9任一项所述的一种基于交通路网信息的电动车辆剩余里程估算方法，其特征在于：采用所述相关机会规划模型对电动车辆在交通路网中的可达范围进行计算的步骤包括：

①采用相关机会规划模型，在满足电池剩余能量E_B大于电动车辆到达交通路网中某一节点能量消耗最大值的情况下，求取能量消耗的概率密度函数在剩余电池能量值E_B附近的微小区域的积分；

②遍历交通路网中的所有节点，计算每一节点在相关机会模型下的概率值，将概率值从大到小进行排序；

③顺次连接交通路网中各个方向上的概率最大点，得到在相关机会规划模型下，电动车辆在交通路网中的可达范围。

Images