CN106596135B - 一种纯电动汽车实际行驶能耗测试、评价和预测方法 - Google Patents
一种纯电动汽车实际行驶能耗测试、评价和预测方法 Download PDFInfo
- Publication number
- CN106596135B CN106596135B CN201611246090.8A CN201611246090A CN106596135B CN 106596135 B CN106596135 B CN 106596135B CN 201611246090 A CN201611246090 A CN 201611246090A CN 106596135 B CN106596135 B CN 106596135B
- Authority
- CN
- China
- Prior art keywords
- data
- speed
- energy consumption
- vehicle
- formula
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明的纯电动汽车实际行驶能耗测试、评价和预测方法,采用三个能耗评价系数β 0、β 1、β 2准确预测纯电动汽车实际行驶能耗,三个能耗评价系数拟合结果的决定系数高达0.99。本发明的方法只需三个以上行程的纯电动汽车行驶时间、速度和能耗数据,即可实现纯电动汽车能耗的测试、评价和预测。方法简单,计算量小,易于使用和推广。本发明的方法的时间、车速和充电能耗信息都可以在不对整车进行任何改动的情况下准确获得,非常适合用于纯电动汽车能耗情况的在线监控、评估和预测。实际测量得到的能耗率与预测能耗率的相对误差均为1%左右,最大不超过3%,说明利用本方法预测纯电动汽车的能耗率有很好的准确度。
Description
技术领域
本发明涉及一种汽车能耗评价方法领域,特别是涉及一种面向纯电动汽车实际行驶能耗的测试、评价和预测方法。
背景技术
随着环境问题受到越来越广泛的关注,电动汽车已经成为未来绿色交通的重要组成部分。近年来,各国出台了一系列政策以推动电动汽车的发展。推广电动汽车的主要目的就是实现交通领域的节能减排,但对电动车的行驶能耗的评价方法仍存在明显的不足。目前,电动汽车能耗的测试评价结论还不能用于准确预测实际行驶中电动汽车的能耗。
电动汽车行驶能耗不但直接决定了其节能减排的效益,而且决定了其续驶里程的大小,所以对电动汽车行驶能耗的合理评价具有重要作用。目前,中国国内法规采用工况法和等速法对能耗进行测试和评价。两种测试方法均在底盘测功机上进行,利用底盘测功机模拟行驶阻力。所谓工况法即在轮毂测功机上设定标准NEDC(The New European DrivingCycle新欧洲驾驶循环)工况进行测试;所谓等速法即在底盘测功机上设定恒定60km/h进行测试。车辆的实际行驶数据和国内外大量研究表明,由于汽车受到行驶时段、道路状况、驾驶员驾驶习惯等因素的影响,其实际的行驶能耗可能与标准工况测试的能耗存在较大差异,所以目前这种利用标准工况对纯电动汽车能耗进行测试和评价的方法存在明显的不合理性。目前标准测试出的能耗结果也无法用于实际行驶能耗的预测。
美国对电动汽车的能耗测试对传统的工况法进行了改进,称为EPA五工况法。其中五个测试工况包括典型城市工况UDDS(urban dynamometer driving schedule),典型高速工况HWFET(Highway fuel economy test cycle),激进驾驶工况US06(US06 supplementalfederal test procedure),及一个冷启动工况和一个空调测试工况。这种测试方法系统通过增加不同的典型测试工况,相对全面的体现电动汽车的能耗水平。但由于实际行驶工况几乎不能和任何一个测试工况完全一致,所以这种测试方法也只能粗略的预测不同行驶工况下的能耗。
目前能耗评价方法的另一个缺陷在于,无论是国内目前采用的单工况测试法还是美国采用的五工况法,都只能在底盘测功机上进行测试,无法对实际行驶过程进行测试,这就为能耗测试作弊提供了机会。2015年的大众排放门事件充分的说明了对整车能耗排放进行实际行驶监控的重要作用。但目前的方法都无法将车辆实际行驶过程中能耗测试数据用于评价。本质上,对车辆实际行驶过程中能耗的评价才能真正反映电动车节能减排效益。
在学术上,利用仿真模型可以相对准确的预测不同工况下电动汽车的能耗特性,但是仿真模型不但非常复杂,无法通用,而且需要大量复杂细节的整车参数。这些参数无法通过整车的测试直接得到,所以这种方法无法应用于实际电动汽车的测试、评价和预测。
发明内容
为了解决已有技术的缺点,本发明提供一种可以直接利用电动汽车实际行驶数据,对电动汽车能耗进行测试、评价和预测的方法。这种测试方法适用于纯电动汽车,包括商用车及乘用车。
本发明可以基于任意纯电动汽车的实际行驶数据(≥三个行程),通过能耗特征提取算法获取本发明定义的表征电动汽车能耗特性的三个特征系数、、,可以采用这三个特征系数全面的评价电动汽车的能耗特性。在能耗率预测方面,只需利用这三个参数,就可以预测任意工况下该电动汽车的能耗。
本发明的纯电动汽车实际行驶能耗测试、评价和预测方法,A.使用的仪器设备包括行驶数据采集单元和数据处理计算机;行驶数据采集单元,其包括车载数据采集系统和充电能量测量设备;车载数据采集系统包括车速采集单元、主控制器、数据输出单元,由电源模块供电;电源模块的输入来源于车载弱电蓄电池;数据处理计算机包括行驶数据前处理单元、能耗特征提取单元和能耗率预测单元,数据处理计算机中存储和运行专用软件,用于处理车载数据采集系统和充电能量测量设备获取的数据,并进行纯电动汽车实际行驶能耗测试、评价和预测;
B.所述的纯电动汽车实际行驶能耗测试、评价和预测方法的步骤和条件如下:
定义:行驶数据包括时间、车速和行程消耗的电能信息,行驶数据的采集以“行程”计,一个“行程”的行驶数据定义为记录从车速为0起动直至某一时刻车速降为0全过程的时间、车速和能耗数据;
行驶数据采集和传输:(a)时间和车速数据的采集是通过车载数据采集系统实现的,要求等间隔采样, 1Hz≤采样频率≤100Hz,数据无中断且全过程时间≥20分钟;车速采集单元用于获取车速信息,采用GPS、整车 CAN总线或惯导的方式,其中GPS方式通过GPS定位信息计算获得车速信息,CAN总线方式通过读取车辆CAN总线中的报文直接获取车速信息,惯导通过陀螺仪的加速度信息计算获得车速信息;主控制器用于控制车速采集单元,从车速采集单元读取车速,并将时间、速度信息传递给数据输出单元;数据输出单元采用无线传输方式的GPRS、3G或4G网络,或SD卡存储后手动拷贝的方式将信息传给数据处理计算机,行驶数据前处理单元通过数据处理计算机存储和运行的专用软件,对采集到的时间、车速信息进行校验、剔除不完整及不符合要求的行程,并对车速数据进行滤波,去除由于采集车速的波动及不合理的数据;行驶数据前处理单元旨在保证采集的车速信息完整、合理和平滑;
(b)行程消耗的电能的采集是由充电能量测量设备获得的:在一个行程开始前,保证电动汽车的动力蓄电池充满电;在行程结束后马上将车辆与电网连接,再次将车辆的动力蓄电池充满电;在电网与车辆充电机之间连接充电能量测量设备,在行程结束后的充电过程中测量并记录来自电网的电能,该能量即为该行程中电动汽车消耗的电能,将信息传给数据处理计算机;
行驶工况的F 1和F 2两个参数计算:能耗特征提取单元通过数据处理计算机存储和运行的专用软件,利用行驶数据前处理单元得到的时间、速度的数据,根据式1和式2得到F 1和F 2两个参数:
式1
式2
式中 v(i)为第i个采样时刻的车速,n为一个行程的采样点数,t s为采样周期k brk为一个参数,单位同速度,该参数通过试验标定获得,用于通过整车的减速度即相邻速度数据的之差判断是否在第i个采样时刻计算整车制动力,只有当相邻速度差即近似该采样点的减速度差大于设定值时k brk,计算制动能量,否则认为该时刻减速非制动造成,所以不在式2中计算, F 1、F 2分别用于表征车辆的对应行程中,整车风阻和制动在整车能耗上的比例关系,上述表达式可以通过整车纵向动力学理论推导得到,通过以上步骤,每个行程都可以计算出一组F 1、F 2,表征该行程车速对风阻、制动能耗的影响;
行驶工况能耗率的计算:因为每个行程对应一个由充电能量测量设备测量到的行程消耗的电能,用该电能除以该行程车速数据累加获得的总行程,记为该行程的能耗率,如式3所示:
式3
式中,Ce为该行程的能耗率,E为该行程消耗的电能;
纯电动汽车三个能耗评价系数β 0、β 1、β 2的获得:利用整车纵向动力学原理推导得出式4,式4所示的Ce与F 1、F 2的数学关系,其中β 0、β 1、β 2为未知系数。若数据处理计算机获得k个行程的行驶数据,k≥3,可以利用式1和式2计算获得的k组F 1、F 2数据,和对应行程利用式3计算得到的k组能耗率Ce,获取纯电动汽车的能耗评价系数β 0、β 1、β 2;根据数学知识可知,当k≥3时,可以利用这k组数据,通过最小二乘法对式4的参数进行线性拟合,通过数据处理计算机 存储和运行的专用软件,计算得到三个能耗评价系数β 0、β 1、β 2:
式4
式中,β 0、β 1、β 2即为本发明提出的表征整车能耗特性的三个能耗评价系数,分别表征整车滚动阻力、风阻和制动的特性对整车能耗率的影响,使用得到的β 0、β 1、β 2可以全面准确表达不同工况下的纯电动汽车能耗Ce;
任意行程的数据组(F 1, F 2, Ce)对于β 0、β 1、β 2三个能耗评价系数有高关联度,或者可以说完全可以利用β 0、β 1、β 2三个能耗评价系数准确预测任意一组数据的能耗率。因为利用拟合得到的β 0、β 1、β 2,式4可以在三维坐标系下表示为一个平面,所述的三维坐标系的x轴是F 1,y轴是F 2,z轴是Ce,任意行程的数据组(F 1, F 2, Ce)可以在该三维坐标系下表示为一个点 ,所有行程的数据组的应的点集的分布都非常接近式4表示平面 。这可以直观的说明式4表征了所有行程的数据组的共性特征,或者说β 0、β 1、β 2可以全面准确表达不同工况下的纯电动汽车能耗率Ce。
以上方法的物理意义如下:整车的能耗有两方面因素决定:a.整车参数特性,b.整车行驶的路况特性。在本发明的方法中,F 1、F 2表征的是路况特性,所以这两个变量的计算与整车参数没有任何关系,其表达式来源于整车风阻中车速的影响和整车制动损耗能量中车速的影响;β 0、β 1、β 2为反映整车能耗特征的能耗评价系数,是常数,不随工况的变化而变化,因为β 0表征滚动阻力相关的特性,滚动阻力系数近似与车速无关,β 0项独立存在,没有与路况耦合的特征。整车在一个行程的能耗Ce是由整车参数特性β 0、β 1、β 2和整车行驶的路况特性F 1、F 2共同决定的。本发明中的通过最小二乘法得到的三个能耗评价系数β 0、β 1、β 2与行驶路况不相关的。所以本发明的方法不受行驶路况的影响,用β 0、β 1、β 2就可以合理的评价任意实际行驶下纯电动车的能耗;
预测工况的F 1和F 2两个参数计算:能耗率预测单元通过数据处理计算机存储和运行的专用软件,基于需要预测的工况的时间、速度数据,利用式1和式2计算预测工况下的F 1和F 2两个参数;
所述的需要预测的工况包括已知工况和未已知工况,已知工况是已行驶的行程,未知工况指的是未行驶的行程;工况数据包含时间、速度数据,数据来源分为两种,一种为已知工况数据,一种为未知工况数据;已知工况的能耗率的预测,数据来源于车载数据采集系统,通过行驶数据前处理单元得到的有效行程的已知工况数据;
未知工况能耗率的预测,由于未行驶行程不可能通过测量获取,所以可以通过实时交通流量信息及历史统计规律综合估计计算得到未知工况的数据;
未知工况数据和已知工况数据同样包含时间、速度数据,要求等间隔采样,1Hz≤采样频率≤100Hz,数据无中断且全过程时间≥20分钟;
纯电动汽车实际行驶能耗率预测:能耗率预测单元通过数据处理计算机存储和运行的专用软件。将基于能耗特征提取单元得到的数值β 0、β 1、β 2,和预测工况数据计算得到的F 1和F 2带入式5,得到需要预测的行程下的行驶能耗率预测值;
式5
式中,代表F 1和F 2对应行程的行驶能耗率预测值,代表预测值而非实际测量值;
有益效果:本发明的纯电动汽车实际行驶能耗测试、评价和预测方法,采用三个能耗评价系数β 0、β 1、β 2准确预测纯电动汽车实际行驶能耗,拟合结果的决定系数高达0.99。本方法可以使用任意工况下的测试数据进行纯电动汽车的能耗评价、预测任意工况下纯电动汽车的能耗。本方法只需要三个以上行程的纯电动汽车行驶时间、速度和能耗数据,即可实现纯电动汽车能耗的预测。本发明方法简单易行,计算量小,易于使用和推广。随着信息大数据和车联网技术的发展,时间、车速和充电能耗信息都可以在不对整车进行任何改动的情况下准确获得,所以非常适合用于纯电动汽车能耗情况的在线监控、评估和预测。该方法对防止在纯电动汽车能耗测试中的作弊行为具有重要意义。本发明的纯电动汽车实际行驶能耗测试、评价和预测方法,实际测量得到的能耗率与预测能耗率,二者的相对误差均为1%左右,最大不超过3%,充分说明了利用本方法预测纯电动汽车的能耗率具有很好的准确度。
附图说明
图1是本发明采用的仪器和设备连接关系示意图。
图2 是本发明的车载数据采集系统结构示意图。
图3 是本发明的软件的流程图。
图4 是本发明能耗评价可行性的验证图。
图5 是本发明能耗能耗率预测可行性的验证图。
具体实施方式
实施例1 本发明的纯电动汽车实际行驶能耗测试、评价和预测方法,A. 如图1所示,使用的仪器设备包括行驶数据采集单元104和数据处理计算机103;行驶数据采集单元104,其包括车载数据采集系统101和充电能量测量设备102;如图2所示,车载数据采集系统101包括车速采集单元201、主控制器202、数据输出单元203,由电源模块204供电,其中,乘用车为12V,商用车为24V;电源模块204的输入来源于车载弱电蓄电池;数据处理计算机103包括行驶数据前处理单元105、能耗特征提取单元106和能耗率预测单元107,数据处理计算机103中存储和运行专用软件,用于处理车载数据采集系统101和充电能量测量设备102获取的数据,并进行纯电动汽车实际行驶能耗测试、评价和预测;
B.所述的纯电动汽车实际行驶能耗测试、评价和预测方法的步骤和条件如下:
定义:行驶数据包括时间、车速和行程消耗的电能信息,行驶数据的采集以“行程”计,一个“行程”的行驶数据定义为记录从车速为0起动直至某一时刻车速降为0全过程的时间、车速和能耗数据;
行驶数据采集和传输:(a)时间和车速数据的采集是通过车载数据采集系统101实现的,要求等间隔采样, 1Hz≤采样频率≤100Hz,数据无中断且全过程时间≥20分钟;车速采集单元201用于获取车速信息,采用GPS、整车 CAN总线或惯导的方式,其中GPS方式通过GPS定位信息计算获得车速信息,CAN总线方式通过读取车辆CAN总线中的报文直接获取车速信息,惯导通过陀螺仪的加速度信息计算获得车速信息;主控制器202用于控制车速采集单元,从车速采集单元读取车速,并将时间、速度信息传递给数据输出单元203;数据输出单元203采用无线传输方式的GPRS、3G或4G网络,或SD卡存储后手动拷贝的方式将信息传给数据处理计算机103,行驶数据前处理单元105通过数据处理计算机103存储和运行的专用软件,对采集到的时间、车速信息进行校验、剔除不完整及不符合要求的行程,并对车速数据进行滤波,去除由于采集车速的波动及不合理的数据;行驶数据前处理单元105旨在保证采集的车速信息完整、合理和平滑;
(b)行程消耗的电能的采集是由充电能量测量设备102获得的:在一个行程开始前,保证电动汽车的动力蓄电池充满电;在行程结束后马上将车辆与电网连接,再次将车辆的动力蓄电池充满电;在电网与车辆充电机之间连接充电能量测量设备102,在行程结束后的充电过程中测量并记录来自电网的电能,该能量即为该行程中电动汽车消耗的电能,将信息传给数据处理计算机103;
行驶工况的F 1和F 2两个参数计算:能耗特征提取单元106通过数据处理计算机103存储和运行的专用软件,利用行驶数据前处理单元105得到的时间、速度的数据,根据式1和式2得到F 1和F 2两个参数:
式1
式2
式中 v(i)为第i个采样时刻的车速,n为一个行程的采样点数,t s为采样周期k brk为一个参数,单位同速度,该参数通过试验标定获得,用于通过整车的减速度即相邻速度数据的之差判断是否在第i个采样时刻计算整车制动力,只有当相邻速度差即近似该采样点的减速度差大于设定值时k brk,计算制动能量,否则认为该时刻减速非制动造成,所以不在式2中计算, F 1、F 2分别用于表征车辆的对应行程中,整车风阻和制动在整车能耗上的比例关系,上述表达式可以通过整车纵向动力学理论推导得到,通过以上步骤,每个行程都可以计算出一组F 1、F 2,表征该行程车速对风阻、制动能耗的影响;
行驶工况能耗率的计算:因为每个行程对应一个由充电能量测量设备102测量到的行程消耗的电能,用该电能除以该行程车速数据累加获得的总行程,记为该行程的能耗率,如式3所示:
式3
式中,Ce为该行程的能耗率,E为该行程消耗的电能;
纯电动汽车三个能耗评价系数β 0、β 1、β 2的获得:利用整车纵向动力学原理推导得出式4,式4所示的Ce与F 1、F 2的数学关系,其中β 0、β 1、β 2为未知系数。若数据处理计算机103获得k个行程的行驶数据,k≥3,可以利用式1和式2计算获得的k组F 1、F 2数据,和对应行程利用式3计算得到的k组能耗率Ce,获取纯电动汽车的能耗评价系数β 0、β 1、β 2;根据数学知识可知,当k≥3时,可以利用这k组数据,通过最小二乘法对式4的参数进行线性拟合,通过数据处理计算机103存储和运行的专用软件,计算得到三个能耗评价系数β 0、β 1、β 2:
式4
式中,β 0、β 1、β 2即为本发明提出的表征整车能耗特性的三个能耗评价系数,分别表征整车滚动阻力、风阻和制动的特性对整车能耗率的影响,使用得到的β 0、β 1、β 2可以全面准确表达不同工况下的纯电动汽车能耗Ce;
如图4所示,所有行程的数据组(F 1, F 2, Ce)对于β 0、β 1、β 2三个能耗评价系数有高关联度,或者可以说完全可以利用β 0、β 1、β 2三个能耗评价系数准确预测任意一组数据的能耗率。因为利用106拟合得到的β 0、β 1、β 2,式4可以在三维坐标系下表示为一个平面401,所述的三维坐标系的x轴是F 1,y轴是F 2,z轴是Ce,任意行程的数据组(F 1, F 2, Ce)可以在该三维坐标系下表示为一个点402 ,所有行程的数据组的应的点集402的分布都非常接近式4表示平面401 。这可以直观的说明式4表征了所有行程的数据组的共性特征,或者说β 0、β 1、β 2可以全面准确表达不同工况下的纯电动汽车能耗率Ce。
以上方法的物理意义如下:整车的能耗有两方面因素决定:a.整车参数特性,b.整车行驶的路况特性。在本发明的方法中,F 1、F 2表征的是路况特性,所以这两个变量的计算与整车参数没有任何关系,其表达式来源于整车风阻中车速的影响和整车制动损耗能量中车速的印象;β 0、β 1、β 2为反映整车能耗特征的能耗评价系数,是常数,不随工况的变化而变化,因为β 0表征滚动阻力相关的特性,滚动阻力系数近似与车速无关,β 0项独立存在,没有与路况耦合的特征。整车在一个行程的能耗Ce是由整车参数特性β 0、β 1、β 2和整车行驶的路况特性F 1、F 2共同决定的。本发明中的通过最小二乘法得到的三个能耗评价系数β 0、β 1、β 2与行驶路况不相关的。所以本发明的方法不受行驶路况的影响,用β 0、β 1、β 2就可以合理的评价任意实际行驶下纯电动车的能耗;
预测工况的F 1和F 2两个参数计算:能耗率预测单元107通过数据处理计算机103存储和运行的专用软件,基于需要预测的工况108的时间、速度数据,利用式1和式2计算预测工况下的F 1和F 2两个参数。
所述的需要预测的工况108包括已知工况和未已知工况,已知工况是已行驶的行程,未知工况指的是未行驶的行程;工况数据包含时间、速度数据,数据来源分为两种,一种为已知工况数据,一种为未知工况数据;已知工况的能耗率的预测,数据来源于车载数据采集系统101,通过行驶数据前处理单元105得到的有效行程的已知工况数据;
未知工况能耗率的预测,由于未行驶行程不可能通过测量获取,所以可以通过实时交通流量信息及历史统计规律综合估计计算得到未知工况的数据;
未知工况数据和已知工况数据同样包含时间、速度数据,要求等间隔采样,1Hz≤采样频率≤100Hz,数据无中断且全过程时间≥20分钟。
纯电动汽车实际行驶能耗率预测:能耗率预测单元107通过数据处理计算机103存储和运行的专用软件。将基于能耗特征提取单元106得到的数值β 0、β 1、β 2,和预测工况108数据计算得到的F 1和F 2带入式5,得到需要预测的行程下的行驶能耗率预测值;
式5
式中,代表F 1和F 2对应行程的行驶能耗率预测值,代表预测值而非实际测量值;
数据处理计算机103中存储和运行专用软件的流程图如图3所示。对该流程图说明如下:
步骤300,开始,数据初始化;
步骤305,时间和车速数据的采集和传输:是通过车载数据采集系统101实现的;要求等间隔采样,1Hz≤采样频率≤100Hz,数据无中断且全过程时间≥20分钟;
步骤310行程消耗的电能的采集:在一个行程开始前,保证电动汽车的动力蓄电池充满电;在行程结束后马上将车辆与电网连接,再次将车辆的动力蓄电池充满电;在电网与车辆充电机之间连接充电能量测量设备102,在行程结束后的充电过程中测量并记录来自电网的电能,该能量即为该行程中电动汽车消耗的电能;
步骤315,行驶数据前处理:行驶数据前处理单元105通过数据处理计算机103存储和运行的专用软件,对采集到的时间、车速信息进行校验、剔除不完整及不符合要求的行程,并对车速数据进行滤波,去除由于采集车速的波动及不合理的数据,行驶数据前处理单元旨在保证采集的车速信息完整、合理和平滑;
步骤320, 行驶工况的F 1和F 2两个参数计算:能耗特征提取单元106通过数据处理计算机103存储和运行的专用软件,利用行驶数据前处理单元105得到的时间、速度的数据,根据式1和式2计算分别得到F 1和F 2两个参数;
步骤325,纯电动汽车行驶工况能耗率计算:能耗特征提取单元106通过数据处理计算机103获得每个行程对应由充电能量测量设备102测量到的行程消耗的电能,根据式3,用该电能除以该行程车速数据累加获得的总行程,计算得到该行程的能耗率Ce。
步骤330,纯电动汽车三个能耗评价系数β 0、β 1、β 2的获取:对获得的k个行程的数据,k≥3,数据处理计算机103利用式1和式2计算获得的k组F 1、F 2数据,和对应的行程利用式3计算得到的k组能耗率Ce,采用最小二乘法获取式4的三个系数β 0、β 1、β 2。
步骤335, 预测工况的F 1和F 2两个参数计算:能耗率预测单元107通过数据处理计算机103存储和运行的专用软件,基于需要预测的工况108的时间、速度数据,利用式1和式2计算预测工况下的F 1和F 2两个参数;
步骤340,纯电动汽车实际行驶能耗率预测:能耗率预测单元107通过数据处理计算机103存储和运行的专用软件。将基于能耗特征提取单元106得到的数值β 0、β 1、β 2,和预测工况108数据计算得到的F 1和F 2带入式5,得到需要预测的行程下的行驶能耗率预测值;
步骤345,结束。
本实施应用30个行程的纯电动汽车实际行驶数据,用本发明的方法进行了纯电动汽车实际行驶能耗测试、评价。结果如图4所示。基于30个行程的纯电动汽车实际行驶数据,由式1,式2得到30个行程F1和F2,由式3得到对应30个行程的Ce,利用这三十组数据,通过最小二乘法对式4的参数进行线性拟合得到的三个能耗评价系数β 0、β 1、β 2,这三个能耗评价系数带入式4在三维坐标系下对应为平面401,而30个行程的数据组(F 1、 F 2和Ce)则在三维坐标系下表示为30个点402,可以看到30个点402的分布都非常接近三个能耗评价系数β 0、β 1、β 2通过式4决定的平面401。三个能耗评价系数β 0、β 1、β 2的拟合结果的决定系数高达0.99,充分说明式3准确描述了这30组数据对于β 0、β 1、β 2三个参数特性的高关联度,或者可以说完全可以利用β 0、
β 1、β 2三个参数准确预测这30组数据中任意一组数据的能耗率。
本实施应用20个行程的纯电动汽车实际行驶数据,用本发明的方法进行了纯电动汽车实际行驶能耗能耗率预测。基于需要预测的工况108的20组时间、速度数据,和由能耗特征提取单元106得到的β 0、β 1、β 2,在能耗预测单元107中,利用式1和式2计算相应20个行程工况下的20组F 1和F 2,将计算得到的20组F 1和F 2带入式5,得到需要预测的20个行程下的行驶能耗率预测值。
得到的20个行程下的行驶能耗率预测值与实际测量得到的行驶能耗率的对比结果如图5所示。图中左侧柱状图为实际测量得到的能耗率,右侧柱状图为得到的预测能耗率,下方柱状图为二者的相对误差。可以看到,20个行程能耗率预测的相对误差均为1%左右,最大不超过3%,充分说明了利用本方法预测纯电动汽车的能耗率具有很好的准确度。
Claims (1)
1.纯电动汽车实际行驶能耗测试、评价和预测方法,其特征在于, A.使用的仪器设备包括行驶数据采集单元(104)和数据处理计算机(103);行驶数据采集单元(104),其包括车载数据采集系统(101)和充电能量测量设备(102);车载数据采集系统(101)包括车速采集单元(201)、主控制器(202)、数据输出单元(203),由电源模块(204)供电;电源模块(204)的输入来源于车载弱电蓄电池;数据处理计算机(103)包括行驶数据前处理单元(105)、能耗特征提取单元(106)和能耗率预测单元(107),数据处理计算机(103)中存储和运行专用软件,用于处理车载数据采集系统(101)和充电能量测量设备(102)获取的数据,并进行纯电动汽车实际行驶能耗测试、评价和预测;B.所述的纯电动汽车实际行驶能耗测试、评价和预测方法的步骤和条件如下:
定义:a.行驶数据包括时间、车速和行程消耗的电能信息,行驶数据的采集以“行程”计,一个“行程”的行驶数据定义为记录从车速为0起动直至某一时刻车速降为0全过程的时间、车速和能耗数据;
行驶数据采集和传输:(a)时间和车速数据的采集是通过车载数据采集系统(101)实现的,要求等间隔采样, 1Hz≤采样频率≤100Hz,数据无中断且全过程时间≥20分钟;车速采集单元(201)用于获取车速信息,采用GPS、整车 CAN总线或惯导的方式,其中GPS方式通过GPS定位信息计算获得车速信息,CAN总线方式通过读取车辆CAN总线中的报文直接获取车速信息,惯导通过陀螺仪的加速度信息计算获得车速信息;主控制器(202)用于控制车速采集单元,从车速采集单元读取车速,并将时间、速度信息传递给数据输出单元(203);数据输出单元(203)采用无线传输方式的GPRS、3G或4G网络,或SD卡存储后手动拷贝的方式将信息传给数据处理计算机(103),行驶数据前处理单元(105)通过数据处理计算机(103)存储和运行的专用软件,对采集到的时间、车速信息进行校验、剔除不完整及不符合要求的行程,并对车速数据进行滤波,去除由于采集车速的波动产生的不合理的数据;
(b)行程消耗的电能信息的采集是由充电能量测量设备(102)获得的:在一个行程开始前,保证电动汽车的动力蓄电池充满电;在行程结束后马上将车辆与电网连接,再次将车辆的动力蓄电池充满电;在电网与车辆充电机之间连接充电能量测量设备(102),在行程结束后的充电过程中测量并记录来自电网的电能,该能量即为该行程中电动汽车消耗的电能,将信息传给数据处理计算机(103);
行驶工况的F 1和F 2两个参数计算:能耗特征提取单元(106)通过数据处理计算机(103)存储和运行的专用软件,利用工况数据前处理单元(105)得到的时间、速度的数据,根据式1和式2得到F 1和F 2两个参数:
式中 v(i)为第i个采样时刻的车速,n为一个行程的采样点数,t s为采样周期k brk为一个参数,单位同速度,该参数通过试验标定获得,用于通过整车的减速度即相邻速度数据的之差判断是否在第i个采样时刻计算整车制动力,只有当相邻速度差即近似该采样点的减速度差大于设定值k brk时,计算制动能量,否则认为该时刻减速非制动造成,所以不在式2中计算,F 1、F 2分别用于表征车辆的对应行程中,整车风阻和制动在整车能耗上的比例关系,上述表达式可以通过整车纵向动力学理论推导得到,每个行程都可以计算出一组F 1、F 2,表征该行程车速对风阻、制动能耗的影响;
行驶工况能耗率的计算:因为每个行程对应一个由充电能量测量设备(102)测量到的行程消耗的电能,用该电能除以该行程车速数据累加获得的总行程,记为该行程的能耗率,如式3所示:
式中,Ce为该行程的能耗率,E为该行程消耗的电能;
纯电动汽车三个能耗评价系数β 0、β 1、β 2的获得:利用整车纵向动力学原理推导得出式4,式4所示的Ce与F 1、F 2的数学关系,其中β 0、β 1、β 2为三个能耗评价系数,若数据处理计算机(103)获得k个行程的行驶数据,k≥3,可以利用式1和式2计算获得的k组F 1、F 2数据,和对应行程利用式3计算得到的k组能耗率Ce,获取纯电动汽车的能耗评价系数β 0、β 1、β 2;根据数学知识可知,当k≥3时,利用这k组数据,通过最小二乘法对式4的参数进行线性拟合,通过数据处理计算机(103)存储和运行的专用软件,计算得到三个能耗评价系数β 0、β 1、β 2:
式中,β 0、β 1、β 2即为表征整车能耗特性的三个能耗评价系数,分别表征整车滚动阻力、风阻和制动的特性对整车能耗率的影响,使用得到的β 0、β 1、β 2表达不同工况下的纯电动汽车能耗Ce;
预测工况的F 1和F 2两个参数计算:能耗率预测单元(107)通过数据处理计算机(103)存储和运行的专用软件,基于需要预测工况(108)的时间、速度数据,利用式1和式2计算预测工况下的F 1和F 2两个参数;
所述的需要预测的工况(108)包括已知工况和未知工况,已知工况是已行驶的行程,未知工况指的是未行驶的行程;工况数据包含时间、速度数据,数据来源分为两种,一种为已知工况数据,一种为未知工况数据;已知工况的能耗率的预测,数据来源于车载数据采集系统(101),通过行驶数据前处理单元(105)得到的有效行程的已知工况数据;
未知工况数据和已知工况数据同样包含时间、速度数据,要求等间隔采样,1Hz≤采样频率≤100Hz,数据无中断且全过程时间≥20分钟;
纯电动汽车实际行驶能耗率预测:能耗率预测单元(107)通过数据处理计算机(103)存储和运行的专用软件,将基于能耗特征提取单元(106)得到的数值β 0、β 1、β 2,和预测工况(108)数据计算得到的F 1和F 2带入式5,得到需要预测的行程下的行驶能耗率预测值;
式中,代表F 1和F 2对应行程的行驶能耗率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611246090.8A CN106596135B (zh) | 2016-12-29 | 2016-12-29 | 一种纯电动汽车实际行驶能耗测试、评价和预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611246090.8A CN106596135B (zh) | 2016-12-29 | 2016-12-29 | 一种纯电动汽车实际行驶能耗测试、评价和预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106596135A CN106596135A (zh) | 2017-04-26 |
CN106596135B true CN106596135B (zh) | 2017-09-19 |
Family
ID=58605109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611246090.8A Active CN106596135B (zh) | 2016-12-29 | 2016-12-29 | 一种纯电动汽车实际行驶能耗测试、评价和预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106596135B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230051503A1 (en) * | 2021-08-06 | 2023-02-16 | Jilin University | Method and system for characterizing energy consumption indicator of electric vehicle |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107515123A (zh) * | 2017-09-30 | 2017-12-26 | 南京越博动力系统股份有限公司 | 一种纯电动汽车路试能耗测量系统及其分析方法 |
CN107618394B (zh) * | 2017-10-13 | 2018-08-17 | 吉林大学 | 一种电动汽车行驶能耗数据获取装置 |
CN108510130B (zh) * | 2018-04-12 | 2020-08-04 | 中南大学 | 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 |
CN109060015A (zh) * | 2018-07-16 | 2018-12-21 | 开沃新能源汽车集团有限公司 | 一种纯电动汽车能耗检测、评价和降低能耗的装置及其工作方法 |
CN109614702B (zh) * | 2018-12-11 | 2023-03-24 | 合肥工业大学 | 一种汽车制动能量回收的匹配方法 |
CN110617974A (zh) * | 2019-09-23 | 2019-12-27 | 宝能(广州)汽车研究院有限公司 | 汽车能耗的测试方法及可读存储介质 |
CN110927444A (zh) * | 2019-11-18 | 2020-03-27 | 中汽研汽车检验中心(天津)有限公司 | 一种用于纯电动车汽车整车能耗测试的智能无人测试平台及测试方法 |
CN111873804B (zh) * | 2020-06-30 | 2023-06-30 | 德力新能源汽车有限公司 | 一种电动汽车工况数据生成方法和能耗评价工况生成方法 |
CN112560186B (zh) * | 2020-10-15 | 2022-08-05 | 吉林大学 | 电动汽车行程能耗预测方法、装置、设备及可存储介质 |
CN113405807B (zh) * | 2021-05-10 | 2024-04-26 | 北京新能源汽车股份有限公司 | 不同减速器油品对车辆能耗影响的检测方法及检测系统 |
CN115950647B (zh) * | 2022-12-19 | 2023-10-27 | 中国人民解放军陆军装甲兵学院 | 一种机电设备报废监测诊断分析方法 |
CN117172024B (zh) * | 2023-09-22 | 2024-04-05 | 福州大学 | 纯电动汽车在复杂道路线形条件下的节能减排评价方法 |
CN117207905B (zh) * | 2023-11-09 | 2024-01-12 | 深圳市金威源科技股份有限公司 | 一种新能源汽车的电源运维方法、系统及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8212527B2 (en) * | 2008-07-29 | 2012-07-03 | GM Global Technology Operations LLC | Method and apparatus for telematics-based vehicle no-start prognosis |
CN103287359B (zh) * | 2013-04-25 | 2015-04-29 | 华南农业大学 | 一种纯电动汽车能耗检测方法 |
CN103213504B (zh) * | 2013-04-27 | 2016-02-10 | 北京交通大学 | 一种电动汽车续驶里程估算方法 |
CN104527450B (zh) * | 2015-01-21 | 2017-01-04 | 安徽安凯汽车股份有限公司 | 一种纯电动汽车的平均电耗统计系统及其统计方法 |
CN105426672B (zh) * | 2015-11-12 | 2019-03-12 | 东方电气(乐山)新能源设备有限公司 | 一种纯电动汽车能耗计算方法 |
CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
-
2016
- 2016-12-29 CN CN201611246090.8A patent/CN106596135B/zh active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230051503A1 (en) * | 2021-08-06 | 2023-02-16 | Jilin University | Method and system for characterizing energy consumption indicator of electric vehicle |
Also Published As
Publication number | Publication date |
---|---|
CN106596135A (zh) | 2017-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106596135B (zh) | 一种纯电动汽车实际行驶能耗测试、评价和预测方法 | |
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 | |
Al-Wreikat et al. | Driving behaviour and trip condition effects on the energy consumption of an electric vehicle under real-world driving | |
CN111806239B (zh) | 电动车辆续航里程测量方法、电子设备及存储介质 | |
Asamer et al. | Sensitivity analysis for energy demand estimation of electric vehicles | |
Liu et al. | Impact of road gradient on energy consumption of electric vehicles | |
Sun et al. | Modeling carbon emissions from urban traffic system using mobile monitoring | |
CN111497679B (zh) | 一种纯电动汽车能耗监测优化方法及系统 | |
CN104272328B (zh) | 用于确定机动车的预期消耗值的方法 | |
CN103660984B (zh) | 一种基于远程数据传输的纯电动汽车续驶里程估计装置及方法 | |
JP5980170B2 (ja) | シミュレーション装置、シミュレーション方法及びプログラム | |
CN104792937A (zh) | 一种基于车载重力加速度传感器的桥头跳车检测评价方法 | |
CN107330217A (zh) | 一种基于rbfnn的中观油耗预测方法 | |
CN106875510A (zh) | 一种车辆侧翻预警方法和系统 | |
CN102749208B (zh) | 一种实现汽车自动变速的道路试验方法与系统 | |
CN109188073B (zh) | 插电式混合动力新能源汽车能耗测试方法 | |
Seedam et al. | Development of an onboard system to measure the on-road driving pattern for developing motorcycle driving cycle in Khon Kaen city, Thailand | |
CN107247234A (zh) | 一种车用动力电池的soc实时在线估计方法及系统 | |
CN106324514B (zh) | 车辆电池性能试验方法及其系统 | |
CN103162971B (zh) | 电动车行驶过程无线测试系统 | |
CN105469167A (zh) | 一种基于时空接近度的交通冲突预测方法 | |
Zhu et al. | An automated vehicle fuel economy benefits evaluation framework using real-world travel and traffic data | |
CN108320508A (zh) | 一种基于出行计划预测未来交通拥堵状况方法及其系统 | |
CN108171975B (zh) | 一种基于路段和交叉口分布的城市汽车运行速度预测方法 | |
CN107331163A (zh) | 一种排队长度计算方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |