CN106945530A - 一种电动汽车及其续驶里程预测方法、系统 - Google Patents
一种电动汽车及其续驶里程预测方法、系统 Download PDFInfo
- Publication number
- CN106945530A CN106945530A CN201710224336.XA CN201710224336A CN106945530A CN 106945530 A CN106945530 A CN 106945530A CN 201710224336 A CN201710224336 A CN 201710224336A CN 106945530 A CN106945530 A CN 106945530A
- Authority
- CN
- China
- Prior art keywords
- electric automobile
- cluster centre
- road
- energy consumption
- specific energy
- 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
Links
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
- 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
- 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
-
- 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
-
- 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
- B60L2260/54—Energy consumption estimation
-
- 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
本申请公开了一种电动汽车及其续驶里程预测方法、系统，该方法包括：获取当前电动汽车的行驶信息；利用行驶信息，确定当前电动汽车所在行驶道路的道路类型，得到目标道路类型；确定与目标道路类型对应的单位能耗，并获取电动汽车的当前电池状态；利用单位能耗以及当前电池状态，计算当前电动汽车可持续行驶的里程数。本申请中的单位能耗是与道路类型相对应的，能够更加贴合当前电动汽车所行驶道路的实际情况，也即使得上述单位能耗与当前电动汽车的实际能耗更加一致，具有非常高的准确度，从而提升了后续依赖上述单位能耗计算出来的可持续行驶里程数的准确度。综上，本申请能够对电动汽车剩余的续驶里程进行更加准确的预估。
Description
技术领域
本发明涉及电动汽车技术领域，特别涉及一种电动汽车及其续驶里程预测方法、系统。
背景技术
目前，随着环境污染、能源危机等问题的不断恶化，电动汽车的研发和推广成为了各个汽车厂商的关注重点。电动汽车作为能够以可充电电池作为动力源的汽车，具有低排放、能源利用率高、行驶噪音小等诸多优点。
在目前的电动汽车上，驾驶员可以利用当前电池的状态信息以及电动汽车自身参数中的平均公里能耗，对当前电动汽车还可继续行驶的里程进行估算。然而，这种估算方式经常导致估算值与实际值之间的偏差非常大，对人们的日常出行造成了极大的困扰。
综上所述可以看出，如何对电动汽车剩余的续驶里程进行更加准确的预估是目前还有待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种电动汽车及其续驶里程预测方法、系统，能够对电动汽车剩余的续驶里程进行更加准确的预估。其具体方案如下：
一种电动汽车续驶里程预测方法，包括：
获取当前电动汽车的行驶信息；
利用所述行驶信息，确定当前所述电动汽车所在行驶道路的道路类型，得到目标道路类型；
确定与所述目标道路类型对应的单位能耗，并获取所述电动汽车的当前电池状态；
利用所述单位能耗以及所述当前电池状态，计算当前所述电动汽车可持续行驶的里程数。
可选的，所述获取当前电动汽车的行驶信息的过程，包括：
获取当前所述电动汽车在预设时间段内的平均速度、最大速度、平均加速度、平均正加速度、平均负加速度、怠速时间比、巡航时间比、最大加速度、最小加速度、行驶距离、速度方差、加速度方差、速度平方和以及加速度平方和。
可选的，所述确定与所述目标道路类型对应的单位能耗的过程，包括：
从预先基于实际经验确定的数据表中筛选出与所述目标道路类型对应的单位能耗。
可选的，所述利用所述行驶信息，确定当前所述电动汽车所在行驶道路的道路类型的过程，包括：
计算所述行驶信息与预设聚类中心集合中的每个聚类中心之间的欧氏距离，得到相应的欧氏距离集；
将所述欧氏距离集中数值最小的欧氏距离所对应的聚类中心确定为目标聚类中心；
将所述目标聚类中心对应的道路类型确定为当前电动汽车所在行驶道路的道路类型。
可选的，所述聚类中心集合的创建过程，包括：
获取历史样本数据集；其中，所述历史样本数据集包含电动汽车在不同道路类型的道路上行驶时所对应的历史行驶信息；
利用K均值聚类算法，对所述历史样本数据集进行相应的聚类处理，得到所述聚类中心集合；其中，所述聚类中心集合中不同的聚类中心对应于不同的道路类型。
本发明还公开了一种电动汽车续驶里程预测系统，包括：
行驶信息获取模块，用于获取当前电动汽车的行驶信息；
道路类型确定模块，用于利用所述行驶信息，确定当前所述电动汽车所在行驶道路的道路类型，得到目标道路类型；
单位能耗确定模块，用于确定与所述目标道路类型对应的单位能耗；
电池状态获取模块，用于获取所述电动汽车的当前电池状态；
计算模块，用于利用所述单位能耗以及所述当前电池状态，计算当前所述电动汽车可持续行驶的里程数。
可选的，所述单位能耗确定模块，具体用于从预先基于实际经验确定的数据表中筛选出与所述目标道路类型对应的单位能耗。
可选的，所述道路类型确定模块，包括：
聚类中心创建子模块，用于预先创建聚类中心集合；
欧氏距离计算子模块，用于计算所述行驶信息与所述聚类中心集合中的每个聚类中心之间的欧氏距离，得到相应的欧氏距离集；
第一确定子模块，用于将所述欧氏距离集中数值最小的欧氏距离所对应的聚类中心确定为目标聚类中心；
第二确定子模块，用于将所述目标聚类中心对应的道路类型确定为当前电动汽车所在行驶道路的道路类型。
可选的，所述聚类中心创建子模块，包括：
历史样本获取单元，用于获取历史样本数据集；其中，所述历史样本数据集包含电动汽车在不同道路类型的道路上行驶时所对应的历史行驶信息；
样本聚类单元，用于利用K均值聚类算法，对所述历史样本数据集进行相应的聚类处理，得到所述聚类中心集合；其中，所述聚类中心集合中不同的聚类中心对应于不同的道路类型。
本发明进一步公开了一种电动汽车，包括前述公开的电动汽车续驶里程预测系统。
本发明中，电动汽车续驶里程预测方法，包括：获取当前电动汽车的行驶信息；利用行驶信息，确定当前电动汽车所在行驶道路的道路类型，得到目标道路类型；确定与目标道路类型对应的单位能耗，并获取电动汽车的当前电池状态；利用单位能耗以及当前电池状态，计算当前电动汽车可持续行驶的里程数。
可见，本发明会根据当前电动汽车的行驶信息来确定出当前电动汽车所行驶道路的道路类型，然后基于该道路类型确定出相应的单位能耗，由此可见，本发明中的单位能耗是与道路类型相对应的，能够更加贴合当前电动汽车所行驶道路的实际情况，也即使得上述单位能耗与当前电动汽车的实际能耗更加一致，具有非常高的准确度，从而提升了后续依赖上述单位能耗计算出来的可持续行驶里程数的准确度。综上，本发明能够对电动汽车剩余的续驶里程进行更加准确的预估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种电动汽车续驶里程预测方法流程图；
图2为本发明实施例公开的一种具体的电动汽车续驶里程预测方法流程图；
图3为本发明实施例公开的一种电动汽车续驶里程预测系统结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种电动汽车续驶里程预测方法，参见图1所示，该方法包括：
步骤S11：获取当前电动汽车的行驶信息。
具体的，上述获取当前电动汽车的行驶信息的过程，可以包括：获取当前电动汽车在预设时间段内的平均速度、最大速度、平均加速度、平均正加速度、平均负加速度、怠速时间比、巡航时间比、最大加速度、最小加速度、行驶距离、速度方差、加速度方差、速度平方和以及加速度平方和。
也即，本发明实施例中的行驶信息具体可以包括当前电动汽车在预设时间段内的平均速度、最大速度、平均加速度、平均正加速度、平均负加速度、怠速时间比、巡航时间比、最大加速度、最小加速度、行驶距离、速度方差、加速度方差、速度平方和以及加速度平方和等多个参数。当然，为了降低数据处理量，本发明实施例中的行驶信息也可以仅包括上述多个参数中的任意几个参数。
另外，可以理解的是，上述预设时间段具体可以是根据实际经验值来预先设置完毕的参数，在此不对其进行具体限定。
步骤S12：利用行驶信息，确定当前电动汽车所在行驶道路的道路类型，得到目标道路类型。
需要指出的是，本实施例中行驶道路的道路类型包括但不限于高速路、郊区道路、城区道路和城市拥堵道路。可以理解的是，在不同道路类型的道路上行驶时，电动汽车所对应的行驶信息会有所差异，此时电动汽车所对应的单位能耗也会有所不同。
步骤S13：确定与目标道路类型对应的单位能耗，并获取电动汽车的当前电池状态。
其中，上述单位能耗是指当前电动汽车单位里程所对应的能耗，例如每公里能耗或每百公里能耗等，另外，电动汽车的当前电池状态包括当前电池的剩余能量以及当前电池的效率。
步骤S14：利用单位能耗以及当前电池状态，计算当前电动汽车可持续行驶的里程数。
可见，本发明实施例会根据当前电动汽车的行驶信息来确定出当前电动汽车所行驶道路的道路类型，然后基于该道路类型确定出相应的单位能耗，由此可见，本发明实施例中的单位能耗是与道路类型相对应的，能够更加贴合当前电动汽车所行驶道路的实际情况，也即使得上述单位能耗与当前电动汽车的实际能耗更加一致，具有非常高的准确度，从而提升了后续依赖上述单位能耗计算出来的可持续行驶里程数的准确度。综上，本发明实施例能够对电动汽车剩余的续驶里程进行更加准确的预估。
本发明实施例公开了一种具体的电动汽车续驶里程预测方法，参见图2所示，该方法包括：
步骤S21：获取当前电动汽车的行驶信息。
步骤S22：计算上述行驶信息与预设聚类中心集合中的每个聚类中心之间的欧氏距离，得到相应的欧氏距离集。
其中，上述聚类中心集合的创建过程，具体可以包括下面步骤S31和S32：
步骤S31：获取历史样本数据集；其中，历史样本数据集包含电动汽车在不同道路类型的道路上行驶时所对应的历史行驶信息。
例如，假设本实施例中行驶道路的道路类型包括以下四种：高速路、郊区道路、城区道路和城市拥堵道路。则上述历史样本数据集中具体可以包括与上述四种道路类型分别一一对应的四组历史样本数据，其中，每组历史样本数据均可以包含电动汽车在与该组历史样本数据对应的道路上行驶时，在多个历史时间段内采集到的多份历史样本数据，需要说明的是，上述多个历史时间段中的每个历史时间段的时间长度与上一实施例中的预设时间段的时间长度均相同。
步骤S32：利用K均值聚类算法，对历史样本数据集进行相应的聚类处理，得到聚类中心集合；其中，聚类中心集合中不同的聚类中心对应于不同的道路类型。
可以理解的是，经过上述步骤S32得到的聚类中心集合中聚类中心的数量与道路类型的数量相等。也即，假如本实施例中行驶道路的道路类型包括以下四种：高速路、郊区道路、城区道路和城市拥堵道路，则上述聚类中心集合中将包含与上述4种道路类型分别一一对应的4个聚类中心。
步骤S23：将上述欧氏距离集中数值最小的欧氏距离所对应的聚类中心确定为目标聚类中心。
步骤S24：将目标聚类中心对应的道路类型确定为当前电动汽车所在行驶道路的道路类型，得到目标道路类型。
步骤S25：从预先基于实际经验确定的数据表中筛选出与目标道路类型对应的单位能耗，并获取电动汽车的当前电池状态。
可以理解的是，上述数据表中记录了电动汽车在不同类型的道路上行驶时所对应的单位能耗。
步骤S26：利用单位能耗以及当前电池状态，计算当前电动汽车可持续行驶的里程数。
综上可知，本发明实施例具体是在结合K均值聚类算法的基础上，实现了对当前电动汽车行驶道路的类型判断，当然，除了结合K均值聚类算法，本发明实施例也可以通过结合神经网络算法或支持向量机算法等来实现对当前电动汽车行驶道路的类型判断。相对于神经网络算法和支持向量机算法，基于K均值聚类算法的道路类型判断过程所需要的计算量更低，并且考虑到电动汽车的整车控制器的计算能力有限，由此本发明实施例更推荐使用K均值聚类算法来实现对电动汽车行驶道路的类型判断。
相应的，本发明还公开了一种电动汽车续驶里程预测系统，参见图3所示，该系统包括：
行驶信息获取模块11，用于获取当前电动汽车的行驶信息；
道路类型确定模块12，用于利用行驶信息，确定当前电动汽车所在行驶道路的道路类型，得到目标道路类型；
单位能耗确定模块13，用于确定与目标道路类型对应的单位能耗；
电池状态获取模块14，用于获取电动汽车的当前电池状态；
计算模块15，用于利用单位能耗以及当前电池状态，计算当前电动汽车可持续行驶的里程数。
其中，单位能耗确定模块13，具体可以用于从预先基于实际经验确定的数据表中筛选出与目标道路类型对应的单位能耗。
另外，上述道路类型确定模块12，具体可以包括聚类中心创建子模块、欧氏距离计算子模块、第一确定子模块和第二确定子模块；其中，
聚类中心创建子模块，用于预先创建聚类中心集合；
欧氏距离计算子模块，用于计算行驶信息与聚类中心集合中的每个聚类中心之间的欧氏距离，得到相应的欧氏距离集；
第一确定子模块，用于将欧氏距离集中数值最小的欧氏距离所对应的聚类中心确定为目标聚类中心；
第二确定子模块，用于将目标聚类中心对应的道路类型确定为当前电动汽车所在行驶道路的道路类型。
进一步的，上述聚类中心创建子模块，具体可以包括历史样本获取单元和样本聚类单元；其中，
历史样本获取单元，用于获取历史样本数据集；其中，历史样本数据集包含电动汽车在不同道路类型的道路上行驶时所对应的历史行驶信息；
样本聚类单元，用于利用K均值聚类算法，对历史样本数据集进行相应的聚类处理，得到聚类中心集合；其中，聚类中心集合中不同的聚类中心对应于不同的道路类型。
可见，本发明实施例会根据当前电动汽车的行驶信息来确定出当前电动汽车所行驶道路的道路类型，然后基于该道路类型确定出相应的单位能耗，由此可见，本发明实施例中的单位能耗是与道路类型相对应的，能够更加贴合当前电动汽车所行驶道路的实际情况，也即使得上述单位能耗与当前电动汽车的实际能耗更加一致，具有非常高的准确度，从而提升了后续依赖上述单位能耗计算出来的可持续行驶里程数的准确度。综上，本发明实施例能够对电动汽车剩余的续驶里程进行更加准确的预估。
进一步的，本发明还公开了一种电动汽车，包括前述实施例公开的电动汽车续驶里程预测系统。关于该系统的具体构造可以参考前述实施例中公开的相应内容，在此不再进行赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种电动汽车及其续驶里程预测方法、系统进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电动汽车续驶里程预测方法，其特征在于，包括：
获取当前电动汽车的行驶信息；
利用所述行驶信息，确定当前所述电动汽车所在行驶道路的道路类型，得到目标道路类型；
确定与所述目标道路类型对应的单位能耗，并获取所述电动汽车的当前电池状态；
利用所述单位能耗以及所述当前电池状态，计算当前所述电动汽车可持续行驶的里程数。
2.根据权利要求1所述的电动汽车续驶里程预测方法，其特征在于，所述获取当前电动汽车的行驶信息的过程，包括：
获取当前所述电动汽车在预设时间段内的平均速度、最大速度、平均加速度、平均正加速度、平均负加速度、怠速时间比、巡航时间比、最大加速度、最小加速度、行驶距离、速度方差、加速度方差、速度平方和以及加速度平方和。
3.根据权利要求1所述的电动汽车续驶里程预测方法，其特征在于，所述确定与所述目标道路类型对应的单位能耗的过程，包括：
从预先基于实际经验确定的数据表中筛选出与所述目标道路类型对应的单位能耗。
4.根据权利要求1至3任一项所述的电动汽车续驶里程预测方法，其特征在于，所述利用所述行驶信息，确定当前所述电动汽车所在行驶道路的道路类型的过程，包括：
计算所述行驶信息与预设聚类中心集合中的每个聚类中心之间的欧氏距离，得到相应的欧氏距离集；
将所述欧氏距离集中数值最小的欧氏距离所对应的聚类中心确定为目标聚类中心；
将所述目标聚类中心对应的道路类型确定为当前电动汽车所在行驶道路的道路类型。
5.根据权利要求4所述的电动汽车续驶里程预测方法，其特征在于，所述聚类中心集合的创建过程，包括：
获取历史样本数据集；其中，所述历史样本数据集包含电动汽车在不同道路类型的道路上行驶时所对应的历史行驶信息；
利用K均值聚类算法，对所述历史样本数据集进行相应的聚类处理，得到所述聚类中心集合；其中，所述聚类中心集合中不同的聚类中心对应于不同的道路类型。
6.一种电动汽车续驶里程预测系统，其特征在于，包括：
行驶信息获取模块，用于获取当前电动汽车的行驶信息；
道路类型确定模块，用于利用所述行驶信息，确定当前所述电动汽车所在行驶道路的道路类型，得到目标道路类型；
单位能耗确定模块，用于确定与所述目标道路类型对应的单位能耗；
电池状态获取模块，用于获取所述电动汽车的当前电池状态；
计算模块，用于利用所述单位能耗以及所述当前电池状态，计算当前所述电动汽车可持续行驶的里程数。
7.根据权利要求6所述的电动汽车续驶里程预测系统，其特征在于，
所述单位能耗确定模块，具体用于从预先基于实际经验确定的数据表中筛选出与所述目标道路类型对应的单位能耗。
8.根据权利要求6或7所述的电动汽车续驶里程预测系统，其特征在于，所述道路类型确定模块，包括：
聚类中心创建子模块，用于预先创建聚类中心集合；
欧氏距离计算子模块，用于计算所述行驶信息与所述聚类中心集合中的每个聚类中心之间的欧氏距离，得到相应的欧氏距离集；
第一确定子模块，用于将所述欧氏距离集中数值最小的欧氏距离所对应的聚类中心确定为目标聚类中心；
第二确定子模块，用于将所述目标聚类中心对应的道路类型确定为当前电动汽车所在行驶道路的道路类型。
9.根据权利要求8所述的电动汽车续驶里程预测系统，其特征在于，所述聚类中心创建子模块，包括：
历史样本获取单元，用于获取历史样本数据集；其中，所述历史样本数据集包含电动汽车在不同道路类型的道路上行驶时所对应的历史行驶信息；
样本聚类单元，用于利用K均值聚类算法，对所述历史样本数据集进行相应的聚类处理，得到所述聚类中心集合；其中，所述聚类中心集合中不同的聚类中心对应于不同的道路类型。
10.一种电动汽车，其特征在于，包括如权利要求6至9任一项所述的电动汽车续驶里程预测系统。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710224336.XA CN106945530A (zh) | 2017-04-07 | 2017-04-07 | 一种电动汽车及其续驶里程预测方法、系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710224336.XA CN106945530A (zh) | 2017-04-07 | 2017-04-07 | 一种电动汽车及其续驶里程预测方法、系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106945530A true CN106945530A (zh) | 2017-07-14 |
Family
ID=59474980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710224336.XA Pending CN106945530A (zh) | 2017-04-07 | 2017-04-07 | 一种电动汽车及其续驶里程预测方法、系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106945530A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108091951A (zh) * | 2017-12-29 | 2018-05-29 | 潍柴动力股份有限公司 | 一种电池管理系统及其控制方法 |
| CN108422881A (zh) * | 2018-03-16 | 2018-08-21 | 奇瑞汽车股份有限公司 | 一种纯电动汽车续航里程计算方法及系统 |
| CN108556682A (zh) * | 2018-03-30 | 2018-09-21 | 北京新能源汽车股份有限公司 | 一种续驶里程预测方法、装置及设备 |
| CN109130868A (zh) * | 2018-10-17 | 2019-01-04 | 奇瑞新能源汽车技术有限公司 | 电动汽车续航里程预估方法及系统 |
| CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及系统 |
| CN109902869A (zh) * | 2019-02-26 | 2019-06-18 | 广州恒众车联网智能电子技术有限公司 | 车辆可达里程预测的方法、装置、计算机设备和存储介质 |
| CN110667434A (zh) * | 2019-09-11 | 2020-01-10 | 南京航空航天大学 | 一种自适应工况的纯电动汽车行驶里程估计方法及系统 |
| CN111216730A (zh) * | 2020-01-15 | 2020-06-02 | 山东理工大学 | 电动汽车剩余续驶里程估算方法、装置、存储介质及设备 |
| CN111301172A (zh) * | 2020-02-12 | 2020-06-19 | 浙江吉利汽车研究院有限公司 | 一种续驶里程的估算方法、装置、设备及存储介质 |
| CN111361451A (zh) * | 2020-03-04 | 2020-07-03 | 吉利汽车研究院（宁波）有限公司 | 一种纯电动汽车的剩余里程预估方法及装置 |
| CN111497624A (zh) * | 2020-04-27 | 2020-08-07 | 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 |
| CN116541679A (zh) * | 2023-07-04 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106326581A (zh) * | 2016-08-29 | 2017-01-11 | 北京新能源汽车股份有限公司 | 一种续驶里程的确定方法、装置及汽车 |
| CN106394278A (zh) * | 2016-08-26 | 2017-02-15 | 北京长城华冠汽车科技股份有限公司 | 基于模糊控制的汽车续航里程计算方法 |
| CN106515478A (zh) * | 2016-10-27 | 2017-03-22 | 合肥工业大学 | 电动汽车剩余行驶里程在线预测方法及装置 |
-
2017
- 2017-04-07 CN CN201710224336.XA patent/CN106945530A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN106394278A (zh) * | 2016-08-26 | 2017-02-15 | 北京长城华冠汽车科技股份有限公司 | 基于模糊控制的汽车续航里程计算方法 |
| CN106326581A (zh) * | 2016-08-29 | 2017-01-11 | 北京新能源汽车股份有限公司 | 一种续驶里程的确定方法、装置及汽车 |
| CN106515478A (zh) * | 2016-10-27 | 2017-03-22 | 合肥工业大学 | 电动汽车剩余行驶里程在线预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 詹森: "《基于工况与驾驶风格识别的混合动力汽车能量管理策略研究》", 《重庆大学博士学位论文》 * |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108091951A (zh) * | 2017-12-29 | 2018-05-29 | 潍柴动力股份有限公司 | 一种电池管理系统及其控制方法 |
| CN108422881A (zh) * | 2018-03-16 | 2018-08-21 | 奇瑞汽车股份有限公司 | 一种纯电动汽车续航里程计算方法及系统 |
| CN108556682A (zh) * | 2018-03-30 | 2018-09-21 | 北京新能源汽车股份有限公司 | 一种续驶里程预测方法、装置及设备 |
| CN109130868A (zh) * | 2018-10-17 | 2019-01-04 | 奇瑞新能源汽车技术有限公司 | 电动汽车续航里程预估方法及系统 |
| CN109130868B (zh) * | 2018-10-17 | 2022-02-08 | 奇瑞新能源汽车股份有限公司 | 电动汽车续航里程预估方法及系统 |
| CN109558988B (zh) * | 2018-12-13 | 2021-08-06 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及系统 |
| CN109558988A (zh) * | 2018-12-13 | 2019-04-02 | 北京理工新源信息科技有限公司 | 一种基于大数据融合的电动汽车能耗预测方法及系统 |
| CN109902869A (zh) * | 2019-02-26 | 2019-06-18 | 广州恒众车联网智能电子技术有限公司 | 车辆可达里程预测的方法、装置、计算机设备和存储介质 |
| CN110667434A (zh) * | 2019-09-11 | 2020-01-10 | 南京航空航天大学 | 一种自适应工况的纯电动汽车行驶里程估计方法及系统 |
| CN111216730B (zh) * | 2020-01-15 | 2021-11-16 | 山东理工大学 | 电动汽车剩余续驶里程估算方法、装置、存储介质及设备 |
| CN111216730A (zh) * | 2020-01-15 | 2020-06-02 | 山东理工大学 | 电动汽车剩余续驶里程估算方法、装置、存储介质及设备 |
| CN111301172A (zh) * | 2020-02-12 | 2020-06-19 | 浙江吉利汽车研究院有限公司 | 一种续驶里程的估算方法、装置、设备及存储介质 |
| CN111301172B (zh) * | 2020-02-12 | 2022-05-10 | 浙江吉利汽车研究院有限公司 | 一种续驶里程的估算方法、装置、设备及存储介质 |
| CN111361451A (zh) * | 2020-03-04 | 2020-07-03 | 吉利汽车研究院（宁波）有限公司 | 一种纯电动汽车的剩余里程预估方法及装置 |
| CN111497624A (zh) * | 2020-04-27 | 2020-08-07 | 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 |
| CN111497624B (zh) * | 2020-04-27 | 2022-02-25 | 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 |
| CN116541679A (zh) * | 2023-07-04 | 2023-08-04 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
| CN116541679B (zh) * | 2023-07-04 | 2023-09-15 | 杭州宇谷科技股份有限公司 | 电池续航距离的预估方法、系统、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106945530A (zh) | 一种电动汽车及其续驶里程预测方法、系统 | |
| Wang et al. | Hybrid electric vehicle energy management with computer vision and deep reinforcement learning | |
| CN109927709B (zh) | 一种车辆行驶路线工况确定方法、能量管理方法及系统 | |
| Liu et al. | Hybrid-trip-model-based energy management of a PHEV with computation-optimized dynamic programming | |
| CN105091892B (zh) | 车辆用能量管理装置 | |
| CN106816008B (zh) | 一种道路拥堵预警及拥堵形成时间预测方法 | |
| CN103606271B (zh) | 一种混合动力城市公交车控制方法 | |
| Yi et al. | Adaptive multiresolution energy consumption prediction for electric vehicles | |
| CN103914985B (zh) | 一种混合动力客车未来车速轨迹预测方法 | |
| CN102407850B (zh) | 基于随机运行工况模型的混合动力公交车能源管理方法 | |
| Gong et al. | Power management of plug-in hybrid electric vehicles using neural network based trip modeling | |
| CN104272328B (zh) | 用于确定机动车的预期消耗值的方法 | |
| CN108909702A (zh) | 一种插电式混合动力汽车能量管理方法及系统 | |
| CN107264326A (zh) | 一种对纯电动汽车的续驶里程进行预估的方法 | |
| Fotouhi et al. | A review on the applications of driving data and traffic information for vehicles׳ energy conservation | |
| CN104442825A (zh) | 一种电动汽车剩余行驶里程的预测方法和系统 | |
| Ganji et al. | A study on look-ahead control and energy management strategies in hybrid electric vehicles | |
| Gong et al. | Trip based near globally optimal power management of plug-in hybrid electric vehicles using gas-kinetic traffic flow model | |
| Sun et al. | Integrating traffic velocity data into predictive energy management of plug-in hybrid electric vehicles | |
| CN105593096A (zh) | 用于混合动力车辆的模式驾驶区间优化的预测性且自适应性运动支持设备、运动支持方法以及驾驶支持系统 | |
| CN105329191B (zh) | 一种高效节能的电动汽车续航控制系统 | |
| Gong et al. | Trip based optimal power management of plug-in hybrid electric vehicle with advanced traffic modeling | |
| CN116187161A (zh) | 一种智能网联环境下混合动力客车智能能量管理方法及系统 | |
| CN109353329A (zh) | 一种混合动力汽车的控制方法及装置 | |
| Hu et al. | Energy management optimization method of plug-in hybrid-electric bus based on incremental learning |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20170714 Assignee: Chongqing Changan New Energy Automotive Technology Co., Ltd. Assignor: Chongqing Changan Automobile Co., Ltd.|Chongqing Chang'an New Energy Automobile Co., Ltd. Contract record no.: 2018500000022 Denomination of invention: Electric vehicle, driving mileage prediction method and system thereof License type: Exclusive License Record date: 20181130 |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190109 Address after: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing Applicant after: Chongqing Changan New Energy Automotive Technology Co., Ltd. Address before: 400023, No. 260, Jianxin East Road, Jiangbei District, Chongqing Applicant before: Chongqing Changan Automobile Co., Ltd. Applicant before: Chongqing Chang'an New Energy Automobile Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170714 |