CN104724120A

CN104724120A - 用于预测电动车辆能量消耗的方法和系统

Info

Publication number: CN104724120A
Application number: CN201410742780.7A
Authority: CN
Inventors: 西罗·安琪·索托; 苏吉斯·瑞波路; 奥莱格·由里维奇·古斯京; 佩里·罗宾逊·麦克尼尔; 大卫·瑞奇斯·伯瑞翰; 邹伯玉; 马克·约翰·詹宁斯; 孟岩
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Electric Mach Technology Nanjing Co ltd; Ford Global Technologies LLC
Priority date: 2013-12-05
Filing date: 2014-12-05
Publication date: 2015-06-24
Anticipated expiration: 2034-12-05
Also published as: DE102014224758A1; US20150158397A1; CN104724120B

Abstract

本发明提供一种用于预测电动车辆能量消耗的方法和系统，所述系统包括一个或更多个处理器，所述一个或更多个处理器被配置为：接收路线，并接收动力使用影响变量。处理器还被配置为：将路线分为多个路段。处理器被配置为：对于每个路段，基于所接收的变量，查找预定的动力使用估计值。另外，处理器被配置为：基于累计的每个路段的动力使用估计值，对整个路线呈现总的估计的动力使用。

Description

用于预测电动车辆能量消耗的方法和系统

技术领域

示例性实施例总体上涉及一种用于预测电动车辆能量消耗的方法及设备。

背景技术

电动车辆作为环保、燃料经济性的交通工具而受到欢迎。在混合动力电动车辆车辆(HEV)的情形下，依赖燃料与电力的混合而运转；在电池电动车辆(BEV)的情形下，完全依赖电力而运转；这些车辆提供传统的汽油驱动车辆的替代物。通常，可以在家庭电源插座处对这些车辆充电。在其他情形下，可以在远程电站(这些电站相当于传统的加油站)对这些车辆充电。

目前，仅存在有限数量的适用于对电动车辆(EV)充电的远程电站。随着道路上的EV的数量的增大，预期电站的数量也增大。然而，由于目前电站的数量受到限制，所以在偏远位置处，驾驶者需要更加关注电力的耗尽。了解在驾驶期间将会消耗多少电力可以帮助驾驶者确保避免无电状态。

第5,487,002号美国专利总体上涉及这样一种能量管理控制系统：采用传感器来监测各种车辆系统的能量消耗，并且基于标准或所存储的驾驶数据而提供用于里程计算的能量消耗预测。与能量管理系统协作的导航系统基于能量消耗考虑而进行路线计划，并针对能量不足状况而提供可替换的路线。系统中具有相关联的显示器的控制器向车辆驾驶者提供关于系统状态的信息，并且针对提高能量效率来控制各种车辆系统。

第2010/0138142号美国专利公告总体上涉及嵌入到包括各种输入的车辆中的系统。所述输入可包括一个硬编码数据、来自车辆上的传感器的数据、来自外部传感器的数据、用户编码的数据、从远程数据库接收的数据、从广播数据流接收的数据或者在车辆的使用期间已经累计的数据。所述输入提供关于车辆速度、电动机rpm、电动机扭矩、电池电压、电池电流和电池荷电水平等的信息。所述嵌入的系统还包括处理器单元，处理器单元用于从多个输入接收信息并至少计算预期的车辆里程。由处理器单元完成的任何计算的结果被提供作为显示单元的输出，接着显示单元向用户显示信息。

第2011/0270486号美国专利公告总体上涉及用于模拟车辆能量使用的系统、方法和计算机程序。所述系统包括服务器，能量建模工具链接到服务器并产生能量消耗数据，所述能量消耗数据提供正在研究的车辆的能量消耗函数。数据记录工具被链接以测试车辆，并从真实世界驾驶状况采集驾驶循环数据。接着，数据记录工具通过网络将驾驶循环数据传送至服务器。车队管理工具(fleet management tool)也链接到服务器，并且将能量消耗数据与驾驶循环数据结合，以估计研究中的车辆的能量使用。

第2010/0280700号美国专利公告总体上涉及平衡共享的车辆系统中的车辆资源负荷。设置中央家庭站并分配给许多车辆。许多日间站关联到中央家庭站，以利于对接并对车辆重新供能。由分配用户利用从中央家庭站开始到日间站终止的行程通过操作将车辆分配至日间站中的一个或者更多个。根据在各个有限的期限结束时车辆要返回到日间站的需求，由日间用户在日间站设置供有限的期限使用的车辆。在有限的期限使用届满时，由分配用户利用从日间站开始到中央家庭站终止的行程经由操作将车辆返回到中央家庭站。

发明内容

在第一示例性实施例中，一种用于预测电动车辆能量消耗的系统包括一个或更多个处理器，所述一个或更多个处理器被配置为：接收路线，并接收动力使用影响变量。处理器还被配置为：将路线分为多个路段。处理器被配置为：对于每个路段，基于所接收的变量，查找预定的动力使用估计值。所述预定的动力使用估计值基于对应于具有近似值的相同变量而接收的众包数据(crowd-sourced data)被预先确定和更新。另外，处理器被配置为：基于累计的每个路段的动力使用估计值，对整个路线呈现总的估计的动力使用。

所述动力使用影响变量包括车辆重量估计值。

所述车辆重量估计值包括乘客重量估计值。

所述动力使用影响变量包括速度估计值。

所述动力使用影响变量包括车辆附件使用估计值。

所述动力使用影响变量包括道路坡度估计值。

所述动力使用影响变量包括加速度估计值。

在第二示例性实施例中，一种计算机实现的方法包括：接收路线，并接收动力使用影响变量。所述方法还可包括：经由车辆关联的计算系统(VACS)将路线分为多个路段。所述方法还包括：对于每个路段，基于所接收的变量查找预定的动力使用估计值。所述方法另外包括：基于累计的每个路段的动力使用估计值，对整个路线呈现总的估计的动力使用。

一种计算机实现的方法包括：接收路线；接收动力使用影响变量以及相应的当前值和预测值；经由车辆关联的计算系统(VACS)将路线分为多个路段；对于每个路段，基于所接收的变量而查找预定的动力使用估计值，所述预定的动力使用估计值基于对应于具有近似值的相同变量而接收的众包数据被预先确定和更新；基于累计的每个路段的动力使用估计值而对整个路线呈现总的估计的动力使用。

所述动力使用影响变量包括车辆重量估计值。

所述车辆重量估计值包括乘客重量估计值。

所述动力使用影响变量包括速度估计值。

所述动力使用影响变量包括车辆附件使用估计值。

所述动力使用影响变量包括道路坡度估计值。

所述动力使用影响变量包括加速度估计值。在第三示例性实施例中，提供一种存储指令的非暂时性计算机可读存储介质，在通过处理器执行所述指令时，使得处理器执行一种方法，所述方法包括接收路线并接收动力使用影响变量。所述方法包括接收动力使用影响变量以及相应的当前值和预测值。

所述方法还包括：经由车辆关联的计算系统(VACS)将路线分为多个路段。所述方法还包括：对于每个路段，基于所接收的变量，查找预定的动力使用估计值。所述预定的动力使用估计值基于对应于具有近似值的相同变量而接收的众包数据被预先确定和更新。所述方法另外包括：基于累计的每个路段的动力使用估计值，对整个路线呈现总的估计的动力使用。

所述动力使用影响变量包括车辆重量估计值。

所述动力使用影响变量包括速度估计值。

所述动力使用影响变量包括车辆附件使用估计值。

所述动力使用影响变量包括道路坡度估计值。

所述动力使用影响变量包括加速度估计值。

附图说明

图1示出了在固定间隔的网格和可变间隔的网格上的最大再生能量与最大加速度的示例性的映射图；

图2A和图2B示出了用于能量消耗计算调整的示例性的处理；

图3示出了用于对路线进行能量消耗计算的示例性的处理；

图4示出了用于对路线进行能量消耗计算的调整的示例性的处理。

具体实施方式

根据需要，在此公开了本发明的具体实施例；然而，应理解的是，所公开的实施例仅为本发明的示例，本发明可以以多种和替代形式实施。附图无需按比例绘制；可放大或缩小一些特征以示出特定部件的细节。因此，在此所公开的具体结构和功能性细节不应解释为限制，而仅为用于教导本领域技术人员以多种形式采用本发明的代表性基础。

利用建模工具，可以在车辆被用户驾驶很早之前，模拟并观测许多与实际驾驶状况相关的因素。这些建模工具也可以设置有实际的道路数据，以提高建模的准确性，并且具有相应的信心可以在真实世界场景中使用来自所述工具的结果。

在示例性实施例中，为了有能力来预测BEV中的可行驶里程(DTE)，可利用建模工具预先计算燃料使用结果，并将所述结果记录在下面所示的表格中。在示例性表格中，元素代表以给定的速度、加速度、道路坡度、附件负荷以及车辆重量运动所需的功(以瓦特为单位)。在该示例性模型中，车辆重量可以被简化，并假设每个乘客有固定重量(在该情形下为150磅)通过车辆中的乘客的数量而被参数化。可以在电池端子和车轮处提供功。前者的值(即，电池端子处提供的功)可包括动力传动系中的寄生损耗，但是在电池中不存在寄生损耗。

所述表格可以分解为针对特定的accLoad(附件负荷，以瓦特为单位)以及许多乘客(如表中所示，第4列至7列分别对应于1个乘客至4个乘客，第8列至11列分别对应于1个乘客至4个乘客)的单独的二维子表格。在表格中，“batt_Whr”表示在电池端子处提供的功，“whl_Whr”表示在车轮处提供的功。所述子表格还具有两个另外的变量(道路坡度与速度)，在该模型中，道路坡度与速度是在驾驶循环期间变化的仅有的变量。所述子表格还可被分解为由％坡度与车辆速度为维度的三次样条曲面(cubic spline surface)。通过建模而计算的值成为表格中的每个值的角节点(corner node)。接着，这些双三次样条曲面可用于通过驾驶循环利用加速度与被组合为％坡度值的坡度(如第2列所示)来估计动力。

acc-load-watt	grade-perc	speed-kph	batt-whr	batt-whr	batt-whr	batt-whr	whl-whr	whl-whr	whl-whr	whl-whr
											400.000	-6.00	10.0	-212.72	-225.22	-237.70	-250.20	-376.63	-392.66	-408.67	-424.70
400.000	-6.00	30.0	-288.43	-302.73	-317.01	-331.31	-354.00	-369.90	-385.78	-401.68
											400.000	-6.00	50.0	-273.35	-287.92	-302.46	-317.01	-318.89	-334.68	-350.45	-366.23
400.000	-6.00	70.0	-234.25	-248.99	-263.60	-278.22	-270.65	-286.35	-302.01	-317.68
											400.000	-6.00	90.0	-177.01	-191.77	-206.49	-221.23	-208.58	-224.18	-239.75	-255.34
400.000	-6.00	110.0	-104.60	-119.24	-133.85	-148.47	-133.27	-148.79	-164.27	-179.77
											400.000	-6.00	130.0	-19.74	-34.20	-48.60	-63.02	-44.44	-59.90	-75.31	-90.74
400.000	-4.00	10.0	-96.92	-104.94	-112.94	-120.95	-229.18	-239.28	-249.35	-259.44
											400.000	-4.00	30.0	-154.64	-163.76	-172.86	-181.97	-206.56	-216.53	-226.47	-236.44
400.000	-4.00	50.0	-136.31	-145.50	-154.66	-163.83	-171.46	-181.32	-191.15	-200.99
											400.000	-4.00	70.0	-95.61	-104.78	-113.93	-123.09	-123.23	-132.99	-142.71	-152.46
400.000	-4.00	90.0	-37.60	-46.74	-55.85	-64.97	-61.17	-70.84	-80.47	-90.12
											400.000	-4.00	110.0	36.10	25.94	16.41	7.38	14.14	4.55	-5.00	-14.56
400.000	-4.00	130.0	131.83	121.66	111.53	101.38	102.95	93.43	83.95	74.46
											400.000	-2.00	10.0	20.48	17.19	13.92	10.63	-81.38	-85.52	-89.64	-93.78
400.000	-2.00	30.0	-19.47	-23.15	-26.80	-30.47	-58.77	-62.78	-66.78	-70.79

双三次样条曲面可以由双三次曲面片p(x,y)构成，可如下限定p(x,y)：

p (x, y) = Σ_{i = 0}^{3} Σ_{j = 0}^{3} a_{ij} x^{i} y^{j}

在该等式中，曲面片的四个角由x＝y＝0；x＝1；y＝0；x＝y＝1；x＝0，y＝1限定，在四个角处已知能量值及其导数。映射函数将速率映射为x，并将坡度/加速度映射为y。每个表面的映射函数与系数a_ij代表个体车辆的能量性能。可以将这些值与函数容易地储存在嵌入式处理器以及从驾驶循环进行能量计算的基于云的应用程序两者中。16个系数a_ij可以被计算如下：

对于每个曲面片的角处计算的值：

p(0，0)＝a₀₀

p(1，0)＝a₀₀+a₁₀+a₂₀+a₃₀

p(0，1)＝a₀₀+a₀₁+a₀₂+a₀₃

p (1, 1) = Σ_{i = 0}^{3} Σ_{j = 0}^{3} a_{ij}

对于在每个曲面片的角处计算的x导数：

\frac{&PartialD; p (0,0)}{&PartialD; x} = a_{10}

\frac{&PartialD; p (1, 0)}{&PartialD; x} = a_{10} + {2 a}_{20} + {3 a}_{30}

\frac{&PartialD; p (0, 1)}{&PartialD; x} = a_{10} + a_{11} + a_{12} + a_{13}

\frac{&PartialD; p (1,1)}{&PartialD; x} = Σ_{i = 0}^{3} Σ_{j = 0}^{3} a_{ij} i

对于在每个曲面片的角处计算的y导数：

\frac{&PartialD; p (0,0)}{&PartialD; y} = a_{01}

\frac{&PartialD; p (1, 0)}{&PartialD; y} = a_{01} + a_{11} + a_{21} + a_{31}

\frac{&PartialD; p (0, 1)}{&PartialD; y} = a_{01} + 2 a_{02} + 3 a_{03}

\frac{&PartialD; p (1,1)}{&PartialD; y} = Σ_{i = 0}^{3} Σ_{j = 0}^{3} a_{ij} j

对于在角处计算的xy的交叉导数：

\frac{&PartialD; (\frac{&PartialD; p (0,0)}{&PartialD; y})}{&PartialD; x} = a_{11}

\frac{&PartialD; (\frac{&PartialD; p (1,0)}{&PartialD; y})}{&PartialD; x} = a_{01} + a_{11} + a_{21} + a_{31}

\frac{&PartialD; (\frac{&PartialD; p (0,1)}{&PartialD; y})}{&PartialD; x} = a_{11} + {2 a}_{02} + 3 a_{03}

\frac{&PartialD; (\frac{&PartialD; p (1,1)}{&PartialD; y})}{&PartialD; x} = Σ_{i = 0}^{3} Σ_{j = 0}^{3} a_{ij} ij

由于存在16个a_ij值与16个等式，所以可以求解出所有的a_ij。这一方法提供短的计算时间以及确定性的求解稳定性。

图1示出了在固定间隔的网格和可变间隔的网格上的最大再生能量与最大加速度的示例性的映射图。

曲线图101代表在固定间隔的网格上的双三次曲面片的网格。这一方法会呈现一些困难，这是因为能量曲线在％坡度与车辆速度二维空间中在最大加速度109以及最大再生能量107的阈值处包含一阶不连续。在这些阈值之外，用于运动的功是均衡的，并由水平面表示。在阈值以内(105)，用于运动的功是平滑变化的函数。然而，不能在固定间隔上很好地通过双三次样条曲面来对从平滑变化的函数到水平面的过渡进行建模。

如曲线图103中所示，通过计算阈值曲线并利用具有位于阈值曲线上的节点的可变间隔网格三次样条曲面，可以获得更好的结果。这里，最大加速度113和最大再生能量111具有由平滑函数与水平面之间的过渡处所限定的交叉处的离散点。在这种情形下，可以相当好地捕获最大再生能量阈值曲线和最大加速度阈值曲线的形状。

由于缺乏滞后作用，在建模中会观察到其他困难。在示例性图示中使用的驾驶循环数据处于第二固定的时间间隔上，通常，从一个间隔到另一个间隔，车辆速度变化。模型在加速/减速事件之后需要数秒来稳定，因此，用于运动的功实际上是当前的时间间隔与多个先前的间隔的函数。另外，可能存在会在较长的时间段内发生的较长期的时间效应(诸如，车辆在寒冷的上午预热)。

把时间效应包括在表格中，将需要为速率曲线的高阶导数和/或为速率以及先前的时间步长增加维度。无论进行哪一个将增加阶数n所需仿真的数量，即使复杂性增大，也可完成用于导出算法的存储需求和计算能力。

建模的结果可被储存在云服务器上或者储存在车辆系统中。如果远程地储存结果，则车辆可能够通过由例如WiFi链接或者与车辆以及远程服务器通信的蜂窝电话提供的远程连接而与服务器通信。

车辆可在行程的起始处以及在行程的各个点处与远程服务器通信。如果启用了动态预测(即，随着路线上的变量值变化而变化的预测)，则无论何时注意到变量的阈值变化或者例如无论何时到达或接近新的路段，系统均可建立连接。

图2A示出了用于能量消耗计算调整的示例性的处理。在该示例性的示例中，处理为特定的BEV建立模型(框201)。诸如(但不限于)重量、加速度、坡度、速率和附件负荷(消耗)的参数可被包括在模型中(框203)，并且系统可基于所述参数对驾驶经验进行仿真(框205)。

可记录与多个间隔期间所需的动力相关的数据(框207)，并且根据需要可改变各种参数(框209)。可测量并记录各种改变的影响(框211)，并且在对参数进行所有期望的改变之前，可继续该处理。在此所使用的建模可包括利用已改变的参数对多个已知的等式求解。

图2B示出了用于建模的情形下的测量的可能的参数变化的示意性示例。出于建模的目的，可以示例性地改变重量(框221)、改变加速度(框225)、改变速率(框229)、改变道路坡度(框233)、改变动力消耗(例如，附件消耗)(框237)以及改变其他可选的变量(框241)。

在模型中，选择这些参数中的任何参数均可导致相对应的重量的改变(框223)、加速度的改变(框227)、速率的改变(框231)、仿真的道路坡度的改变(框235)、或动力消耗的改变(框239)。选择“新”变量可以向用户呈现选项，以增添与新变量相关的信息(框243)，接着设定与新变量相对应的值(框245)。

图3示出了用于对路线进行能量消耗计算的示例性的处理。该示例性的处理示出了应用到在道路上运行的车辆的建模数据的实际应用。如前面注意的是：这有助于所有者确保在行程中行进时，车辆将不可能用尽动力。通过利用所建模的值，可计算为已知的行程所估计的动力消耗，所有者可以对当前的动力供应足以完成行程具有相应程度的信心。

首先，接收路线(框301)。接着，处理可为路线设置“变量”(框303)。这些变量可包括(例如，但不限于)重量(例如，车辆重量+乘客的数量(通过乘客检测方法检测到的))、加速度(可以基于已知的驾驶属性、最大速度限制、路线上的交通等进行假设)、已知路线上的道路坡度、速度(例如，基于速度限制与交通)以及附件负荷(基于温度、驾驶属性、乘客的数量等)。利用这些变量，可以将路线分成多个路段(并且可以将一些变量(诸如但不限于道路坡度、加速和速度(在该示例中，附件负荷与重量应该保持相对恒定))的不同值分配给每个路段)，并且可以针对每个路段访问表格(框305)。可以按照时间、距离或任何其他合适的参数对路线进行分段。可以从所述表格估计针对路段的能量使用，在该示例中，所述表格是预先计算好的。

如果存在剩余的路段，并且路线还不完整(框307)，则处理可继续，以对所有剩余的路段计算能量使用(框309)。一旦已经执行了所有计算，那么处理可以为整个路线输出预测的动力消耗(框311)。

由于已经计算了表格，所以如果能量使用超出剩余动力，则处理还会建议改变成可提高效率的路线，以使得能量使用属性适合在动力的剩余量内。可建议不同的路线、最大加速度变化率、附件限制等，以使得生成将不可能使用超出剩余动力量的动力使用属性。由于在该实例中所需要的是简单的查找(与计算新值相反)，因此变量的改变可被迅速地考虑到路线中。如果需要，也可以对建议的最大值启用限制加速度、附件使用等车辆主动式管理功能，以维持动力。

图4示出了用于对路线进行能量消耗计算的调整的示例性的处理。在该示意性示例中，处理将随着路线的行进而动态地调整消耗数量。这将帮助将交通、重量变化(例如，乘客进入或离开车辆)、加速度与标准属性的方差(例如，用户很匆忙)、意外的附件负荷(例如，空调运行超出预期)考虑在内。此外，在该示例中，从表格中获取值来估计动力使用，因此，对变量进行的改变可以被迅速地考虑到路线计算中。

在该示意性的示例中，系统最初处理路线(框401)，接着，当到达路段时(或者有时在到达路段之前)，针对每个路段访问变量(框403)。例如，如果任何变量偏离预测值发生不期望的变化，则处理会基于新的变量值为余下的路线重新计算总的能量使用。这种情况的一般示例会是乘客离开车辆。

当考虑给定的路段(在路线正在进行之后)时，处理可将所述路段的当前已知的值与预测的变量值进行比较(框405)。如果已知的值接近预测值(在容差内)或与预测值相同(框407)，则无需为所述路段重新计算动力消耗，处理可行进至下一个路段(框417)。

然而，如果值已经变化，则处理可以为当前的路段调整预测值。有时候，变量可以是多路段变量(诸如重量，将假设该重量适用于所有即将到来的路段)，有时候，可以通过路段基础(诸如坡度)在路段上更好地观测变量。在多路段变量的情形下(框411)，当注意到变量的变化时，处理可对所有即将到来的路段调整变量以及伴随的动力使用计算(框413)。当注意到针对即将到来的路段的变量的变化可能保持恒定时，由于访问表格(尤其是如果这些表格储存在云服务器里)可能需要一些有限的时间段，所以可有益于对所有即将到来的路段执行更新。

在应该预先了解路段(诸如坡度)但可能发生意外的变化的情形下，由于意外的变化(由于结构、道路变化等所导致)不可能存在于行程的所有余下的路段，所以最好通过路段基础来观测路段的变化。

在已经计算了任何变化之后，处理可向驾驶者呈现新的消耗预测值(框415)。如果预测的动力消耗已经增大到超出剩余的动力水平，则此时还可呈现对驾驶行为的调整。

虽然上面已经描述了示例性实施例，但是并非意在这些实施例描述了本发明的所有可能的形式。更确切地说，在说明书中所使用的词语是描述性的词语，而非限制性的词语，并且应该理解的是，在不脱离本发明的精神和范围的情况下，可以进行各种改变。此外，可组合各种实施的实施例的特征，以形成本发明的进一步的实施例。

Claims

1.一种系统，包括：

一个或更多个处理器，被配置为：

接收路线；

接收动力使用影响变量以及相应的当前值和预测值；

将路线分为多个路段；

对于每个路段，基于所接收的变量而查找预定的动力使用估计值，所述预定的动力使用估计值基于对应于具有近似值的相同变量而接收的众包数据被预先确定和更新；

基于累计的每个路段的动力使用估计值而对整个路线呈现总的估计的动力使用。

2.根据权利要求1所述的系统，其中，所述动力使用影响变量包括车辆重量估计值。

3.根据权利要求2所述的系统，其中，所述车辆重量估计值包括乘客重量估计值。

4.根据权利要求1所述的系统，其中，所述动力使用影响变量包括速度估计值。

5.根据权利要求1所述的系统，其中，所述动力使用影响变量包括车辆附件使用估计值。

6.根据权利要求1所述的系统，其中，所述动力使用影响变量包括道路坡度估计值。

7.根据权利要求1所述的系统，其中，所述动力使用影响变量包括加速度估计值。