CN107627872A - 基于电动汽车出行模式的电池充电控制方法和系统 - Google Patents

基于电动汽车出行模式的电池充电控制方法和系统 Download PDF

Info

Publication number
CN107627872A
CN107627872A CN201710754896.6A CN201710754896A CN107627872A CN 107627872 A CN107627872 A CN 107627872A CN 201710754896 A CN201710754896 A CN 201710754896A CN 107627872 A CN107627872 A CN 107627872A
Authority
CN
China
Prior art keywords
row mode
battery
electric automobile
charging
target
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.)
Granted
Application number
CN201710754896.6A
Other languages
English (en)
Other versions
CN107627872B (zh
Inventor
罗国鹏
王敏
何涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xiaopeng Motors Technology Co Ltd
Original Assignee
Guangzhou Xiaopeng Motors Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Xiaopeng Motors Technology Co Ltd filed Critical Guangzhou Xiaopeng Motors Technology Co Ltd
Priority to CN201710754896.6A priority Critical patent/CN107627872B/zh
Publication of CN107627872A publication Critical patent/CN107627872A/zh
Application granted granted Critical
Publication of CN107627872B publication Critical patent/CN107627872B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • 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
    • 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
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/12—Electric charging stations

Landscapes

  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于电动汽车出行模式的电池充电控制方法及系统，该方法包括步骤：将电动汽车的出行信息与预设的多个典型出行模式进行匹配，获得概率最高的典型出行模式作为对应的目标出行模式；所述电动汽车的出行信息包括出行时间和/或当前地点；结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布；根据该总行驶能耗概率分布，计算电池的充电区间下限和充电区间上限；根据不同目标出行模式，对电池实现不同充电区间的智能充电控制。本发明可以使得电池尽量工作在中等SOC区间，实现浅充浅放，降低电池存放SOC衰减，提高电池的寿命，可广泛应用于电动汽车的充电控制中。

Description

基于电动汽车出行模式的电池充电控制方法和系统
技术领域
本发明涉及电动汽车的充电控制领域，特别是涉及基于电动汽车出行模式的电池充电控制方法和系统。
背景技术
电动汽车采用电力驱动，电池是电动汽车的唯一能量源。电池的工作状况对电动汽车性能有着重要影响。电动汽车在设计时，为了降低里程焦虑，纯电动汽车的最长续驶里程远大于日常出行需求。如果每次使用时都是满充满放，电池寿命会受到很大影响。一定的整车使用工况下，电池荷电状态对电池寿命衰减和整车电耗均有影响。总的来说，电池寿命主要受电流、电压和温度影响。电流越大，寿命下降越多。在同样放电功率下，SOC较低时，开路电压低、放电内阻大，导致放电电流更大，所以应尽量避免电池深度放电。而电池SOC越高，开路电压越高，导致自放电越大，寿命下降越多。另外，SOC很高时，能量回收功率受限，整车电耗也会上升；SOC很低时，电池内部损失增大，整车电耗也会上升。
总的来说，充电电量过高，会使得电池寿命衰减增大；充电电量过低，续驶里程有限，且深度放电也会使电池衰减增大。但是，目前电动汽车缺乏有效的充电控制方法，难以避免因电池进入深度放电或接近充满状态所带来的电池寿命衰减的情况。
发明内容
为了解决上述的技术问题，本发明的目的是提供基于电动汽车出行模式的电池充电控制方法，本发明的另一目的是提供基于电动汽车出行模式的电池充电控制系统。
本发明解决其技术问题所采用的技术方案是：
基于电动汽车出行模式的电池充电控制方法，包括步骤：
将电动汽车的出行信息与预设的多个典型出行模式进行匹配，获得概率最高的典型出行模式作为对应的目标出行模式；所述电动汽车的出行信息包括出行时间和/或当前地点；
结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布；
根据该总行驶能耗概率分布，计算电池的充电区间下限和充电区间上限；
根据不同目标出行模式，对电池实现不同充电区间的智能充电控制。
进一步，所述预设的多个典型出行模式是通过以下步骤获得的：
统计电动汽车在一段时间内的行驶数据；
对行驶数据进行分析后，提取获得电动汽车的多个典型出行模式，进而获取每种典型出行模式的概率分布特征。
进一步，所述行驶数据包括每天的行驶里程、行驶时间、充电地点以及行驶工况的分布比例，其中行驶工况按照道路等级和拥堵程度进行等级划分，行驶时间按照工作日和节假日进行分类，充电地点按照与居住地的距离进行分类。
进一步，所述获取每种典型出行模式的概率分布特征的步骤中，所述概率分布特征包括行驶里程分布概率及不同行驶里程对应的不同行驶工况的分布概率。
进一步，所述充电区间下限和充电区间上限是通过以下方式获得的：
根据电池特性获取电池的SOC可用区间下限、深度放电区间阈值以及充满区间下限后，基于根据目标出行模式对应的总行驶能耗概率分布进行计算，获得同时满足以下条件的充电区间下限和充电区间上限：
条件一、充电区间上限与SOC可用区间下限之间的电能满足目标出行模式的第一覆盖比例的出行需求；
条件二、充电区间上限与深度放电区间阈值之间的电能满足目标出行模式的第二覆盖比例的出行需求；
条件三、充电区间下限与深度放电区间阈值之间的电能满足目标出行模式的第三覆盖比例的出行需求；
其中，第一覆盖比例、第二覆盖比例与第三覆盖比例是由目标出行模式确定的，且第一覆盖比例大于第二覆盖比例和第三覆盖比例。
进一步，所述根据不同目标出行模式，对电池实现不同充电区间的智能充电控制的步骤，其具体为：
根据不同目标出行模式，首先控制电池充电到对应的充电区间下限后进行存放，并控制电池在即将达到出行时间时充电到充电区间上限。
进一步，所述结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布的步骤，其具体为：
获取出行日期的天气预报信息后，根据天气预报信息预测电动汽车的空调平均能耗，进而结合目标出行模式，根据下式，估算获得电动汽车的总行驶能耗；
上式中，E表示总行驶能耗，d表示电动汽车的总行驶里程，pi表示目标出行模式的典型行驶工况i的概率，vair表示风速，Text表示环境温度，Tint表示电动汽车的内部温度，xrain,snow表示雨雪状况，vi表示电动汽车在典型行驶工况i的平均车速，ECi(vair,Text,xrain,snow)表示当前风速、环境温度、雨雪状况下典型行驶工况i的单位里程能耗，可通过程序预设或查表得到，表示当前环境温度、内部温度及当前典型行驶工况i行驶时间内的空调平均能耗，可通过空调能耗模型计算或查表得到。
本发明解决其技术问题所采用的另一技术方案是：
基于电动汽车出行模式的电池充电控制系统，包括处理器和存储设备，所述存储设备存储有多条指令，所述指令由处理器加载并执行以下步骤：
将电动汽车的出行信息与预设的多个典型出行模式进行匹配，获得概率最高的典型出行模式作为对应的目标出行模式；所述电动汽车的出行信息包括出行时间和/或当前地点；
结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布；
根据该总行驶能耗概率分布，计算电池的充电区间下限和充电区间上限；
根据不同目标出行模式，对电池实现不同充电区间的智能充电控制。
进一步，所述预设的多个典型出行模式是通过以下步骤获得的：
统计电动汽车在一段时间内的行驶数据；
对行驶数据进行分析后，提取获得电动汽车的多个典型出行模式，进而获取每种典型出行模式的概率分布特征。
进一步，所述充电区间下限和充电区间上限是通过以下方式获得的：
根据电池特性获取电池的SOC可用区间下限、深度放电区间阈值以及充满区间下限后，基于根据目标出行模式对应的总行驶能耗概率分布进行计算，获得同时满足以下条件的充电区间下限和充电区间上限：
条件一、充电区间上限与SOC可用区间下限之间的电能满足目标出行模式的第一覆盖比例的出行需求；
条件二、充电区间上限与深度放电区间阈值之间的电能满足目标出行模式的第二覆盖比例的出行需求；
条件三、充电区间下限与深度放电区间阈值之间的电能满足目标出行模式的第三覆盖比例的出行需求；
其中，第一覆盖比例、第二覆盖比例与第三覆盖比例是由目标出行模式确定的，且第一覆盖比例大于第二覆盖比例和第三覆盖比例。
进一步，所述根据不同目标出行模式，对电池实现不同充电区间的智能充电控制的步骤，其具体为：
根据不同目标出行模式，首先控制电池充电到对应的充电区间下限后进行存放，并控制电池在即将达到出行时间时充电到充电区间上限。
本发明的有益效果是：本发明的基于电动汽车出行模式的电池充电控制方法和系统，通过在出行前，根据匹配获得的目标出行模式估算获得电动汽车的总行驶能耗概率分布，然后计算电池的充电区间下限和充电区间上限，进而根据电池的充电区间下限和充电区间上限，对电池进行智能充电控制，可以实现电池的分段充电控制，使得电池尽量工作在中等SOC区间，实现浅充浅放，降低电池存放SOC衰减，提高电池的寿命。
附图说明
图1是本发明的基于电动汽车出行模式的电池充电控制方法的流程图；
图2是本发明实施例中SOC参数与电池的电压关系曲线图；
图3是本发明详细实施例中的原理框图。
具体实施方式
参照图1，本发明实施例提供了一种基于电动汽车出行模式的电池充电控制方法，包括步骤：
将电动汽车的出行信息与预设的多个典型出行模式进行匹配，获得概率最高的典型出行模式作为对应的目标出行模式；所述电动汽车的出行信息包括出行时间和/或当前地点；
结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布；
根据该总行驶能耗概率分布，计算电池的充电区间下限和充电区间上限；
根据不同目标出行模式，对电池实现不同充电区间的智能充电控制。
进一步作为优选的实施方式，所述预设的多个典型出行模式是通过以下步骤获得的：
统计电动汽车在一段时间内的行驶数据；
对行驶数据进行分析后，提取获得电动汽车的多个典型出行模式，进而获取每种典型出行模式的概率分布特征。典型出行模式是对电动汽车的行驶数据进行统计后提取获得的反应电动汽车出行行驶规律的分类情况，每种典型出行模式对应不同的行驶数据。本实施例中，可以根据行驶数据提取获得工作日上下班通勤模式、周末市郊出行模式和假日临近城市出行模式等典型出行模式。
进一步作为优选的实施方式，所述行驶数据包括每天的行驶里程、行驶时间、充电地点以及行驶工况的分布比例，其中行驶工况按照道路等级和拥堵程度进行等级划分，行驶时间按照工作日和节假日进行分类，也可以细分为周一～周日等，充电地点按照与居住地的距离进行分类，具体的可以按照距离分为居住地和非居住地。
进一步作为优选的实施方式，所述获取每种典型出行模式的概率分布特征的步骤中，所述概率分布特征包括行驶里程分布概率及不同行驶里程对应的不同行驶工况的分布概率。
进一步作为优选的实施方式，所述根据不同目标出行模式，对电池实现不同充电区间的智能充电控制的步骤，其具体为：
根据不同目标出行模式，首先控制电池充电到对应的充电区间下限后进行存放，并控制电池在即将达到出行时间时充电到充电区间上限。将电池充电到对应的充电区间下限后停止充电，以较低SOC存放以降低存放时的衰减，并根据出行时间和剩余充电时间控制电池在即将达到出行时间时再次充电至充电区间上限。
实际操作中，可以是后台直接根据电动汽车的不同出行日间和出行地点匹配获得目标出行模式，也可以是根据用户输入的出行日间和出行地点来匹配获得目标出行模式，还可以是用户手动更改目标出行模式，并设置详细的出行参数等。
进一步作为优选的实施方式，所述充电区间下限和充电区间上限是通过以下方式获得的：
根据电池特性获取电池的SOC可用区间下限、深度放电区间阈值以及充满区间下限后，基于根据目标出行模式对应的总行驶能耗概率分布进行计算，获得同时满足以下条件的充电区间下限和充电区间上限：
条件一、充电区间上限与SOC可用区间下限之间的电能满足目标出行模式的第一覆盖比例的出行需求；
条件二、充电区间上限与深度放电区间阈值之间的电能满足目标出行模式的第二覆盖比例的出行需求；
条件三、充电区间下限与深度放电区间阈值之间的电能满足目标出行模式的第三覆盖比例的出行需求；
其中，第一覆盖比例、第二覆盖比例与第三覆盖比例是由目标出行模式确定的，且第一覆盖比例大于第二覆盖比例和第三覆盖比例，不同出行模式具有不同的第一覆盖比例、第二覆盖比例与第三覆盖比例。例如，第一覆盖比例可以设定为95％～100％，第二覆盖比例设定为70％～80％，第三覆盖比例设定为40％～50％。第一覆盖比例用于使得充电区间上限与SOC可用区间下限之间的电能满足绝大多数出行需求，如不能满足，则充电区间上限设定为电池允许的最高SOC。
分别用SOC1、SOC2、SOC3代表SOC的可用区间下限、深度放电区间阈值以及充满区间下限，SOC1、SOC2、SOC3由电池特性决定，用SOC_l表示充电区间下限，用SOC_h表示充电区间上限，SOC1、SOC2、SOC3、SOC_l、SOC_h等SOC参数与电池的电压关系曲线图如图2所示，SOC低于SOC1时电池必须停止放电，SOC低于SOC2则认为电池进入深度放电区间，SOC高于SOC3则进入接近充满区间。
SOC_l和SOC_h是本发明定义的用于约束电池充电状况的参数，其具体约束条件如下：
(1)SOC_h～SOC1之间的电能能够覆盖目标行驶模式所有出行需求，以免产生里程焦虑；
(2)SOC_h～SOC2之间的电能能够覆盖目标行驶模式大多数出行需求，如80％，以保证电池尽量处于中等SOC区间；不同出行模式可以定义不同的需求；如市区模式可以提高覆盖比例；
(3)SOC_l～SOC2之间的电能能够覆盖临时出行需求。
因此，依据上式，设定对应的充电区间下限SOC_l和充电区间上限SOC_h的计算公式，即可以根据SOC1、SOC2、SOC3和电池SOC变化率计算获得目标出行模式对应的电池的SOC_l和SOC_h。
进一步作为优选的实施方式，所述结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布的步骤，其具体为：
获取出行日期的天气预报信息后，根据天气预报信息预测电动汽车的空调平均能耗，进而结合目标出行模式，根据下式，估算获得电动汽车的总行驶能耗；
上式中，E表示总行驶能耗，d表示电动汽车的总行驶里程，pi表示目标出行模式的典型行驶工况i的概率，vair表示风速，Text表示环境温度，Tint表示电动汽车的内部温度，xrain,snow表示雨雪状况，vi表示电动汽车在典型行驶工况i的平均车速，ECi(vair,Text,xrain,snow)表示当前风速、环境温度、雨雪状况下典型行驶工况i的单位里程能耗，可通过程序预设或查表得到，表示当前环境温度、内部温度及当前典型行驶工况i行驶时间内的空调平均能耗，可通过空调能耗模型计算或查表得到。
本发明还提供了一种用于执行所述的基于电动汽车出行模式的电池充电控制方法的系统，包括处理器和存储设备，所述存储设备存储有多条指令，所述指令由处理器加载并执行以下步骤：
将电动汽车的出行信息与预设的多个典型出行模式进行匹配，获得概率最高的典型出行模式作为对应的目标出行模式；所述电动汽车的出行信息包括出行时间和/或当前地点；
结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布；
根据该总行驶能耗，计算获得电动汽车在目标出行模式下的电池SOC变化率；
根据电池SOC变化率，计算获得该目标出行模式对应的电池的充电区间下限和充电区间上限；
根据不同目标出行模式，对电池实现不同充电区间的智能充电控制。
进一步作为优选的实施方式，所述预设的多个典型出行模式是通过以下步骤获得的：
统计电动汽车在一段时间内的行驶数据；
对行驶数据进行分析后，提取获得电动汽车的多个典型出行模式，进而获取每种典型出行模式的概率分布特征。
进一步作为优选的实施方式，所述充电区间下限和充电区间上限是通过以下方式获得的：
根据电池特性获取电池的SOC可用区间下限、深度放电区间阈值以及充满区间下限后，基于根据目标出行模式对应的总行驶能耗概率分布进行计算，获得同时满足以下条件的充电区间下限和充电区间上限：
条件一、充电区间上限与SOC可用区间下限之间的电能满足目标出行模式的第一覆盖比例的出行需求；
条件二、充电区间上限与深度放电区间阈值之间的电能满足目标出行模式的第二覆盖比例的出行需求；
条件三、充电区间下限与深度放电区间阈值之间的电能满足目标出行模式的第三覆盖比例的出行需求；
其中，第一覆盖比例、第二覆盖比例与第三覆盖比例是由目标出行模式确定的，且第一覆盖比例大于第二覆盖比例和第三覆盖比例。
进一步作为优选的实施方式，所述根据不同目标出行模式，对电池实现不同充电区间的智能充电控制的步骤，其具体为：
根据不同目标出行模式，首先控制电池充电到对应的充电区间下限后进行存放，并控制电池在即将达到出行时间时充电到充电区间上限。
以下结合一详细实施例对本发明做进一步说明。
电动汽车的整车规格：NEDC(New European Driving Cycle)工况续驶里程300km。
电池规格：SOC1＝5％，SOC2＝20％，SOC3＝95％。
图3是本实施例的原理框图，本发明具体执行步骤如下：
(1)行驶数据分析
统计每天的行驶里程、行驶工况分布比例、行驶时间、充电地点等信息。
行驶时间可分为工作日和节假日，并区分周一～周日等。充电地点可以分为居住地、居住地附近(如与居住地距离小于50km)和其他地方(如与居住地距离大于100km)等。
本实施例中，行驶工况可根据道路等级和拥堵程度的组合进行等级划分，如下表1所示：
表1行驶工况等级划分表格
道路等级\拥堵程序 拥堵 一般 畅通
高速公路 中速工况 中高速工况 高速工况
快速路 中低速工况 中速工况 中高速工况
一般主干路 低速工况 中低速工况 中速工况
支路 低速工况 中低速工况 中低速工况
各个等级的工况的速度范围如下：
低速工况：平均行驶车速小于20km/h。
中低速工况：平均行驶车速小于20～40km/h。
中速工况：平均行驶车速小于40～60km/h。
中高速工况：平均行驶车速60～90km/h。
高速工况：平均行驶车速大于90km/h。
对行驶数据进行分析后，提取获得电动汽车的多个典型出行模式，进而获取每种典型出行模式的概率分布特征。本实施例中，典型出行模式分为市区模式、郊游模式和远途模式三种，分别对应工作日、普通周末和节假日。市区模式的概率分布特征如下表2所示：
表2市区模式的概率分布特征
(2)总行驶能耗预估
获取出行日期的天气预报信息后，根据天气预报信息预测电动汽车的空调平均能耗，进而结合目标出行模式，根据下式，估算获得电动汽车的总行驶能耗；
上式中，E表示总行驶能耗，d表示电动汽车的总行驶里程，pi表示目标出行模式的典型行驶工况i的概率，ECi(vair,Text,xrain,snow)表示当前风速、环境温度、雨雪状况下典型行驶工况i的单位里程能耗，可通过程序预设或查表得到，vair表示风速，Text表示环境温度，Tint表示电动汽车的内部温度，xrain,snow表示雨雪状况，表示当前环境温度、内部温度及当前典型行驶工况i行驶时间内的空调平均能耗，可通过空调能耗模型计算或查表得到，vi表示电动汽车在典型行驶工况i的平均车速。
(3)目标充电电量制定
将该总行驶能耗E除以电池总能量后，获得电动汽车在目标出行模式下的电池SOC变化率。
假设本实施例中，典型出行模式的里程划分情况如下表3所示：
表3典型出行模式的里程划分情况
市区模式对应的充电区间下限和充电区间上限计算过程如下：
假定市区模式单位里程SOC变化率0.32％/km；
SOC_l～SOC2区间的电能可以覆盖较低比例的出行需求，假定为40％；40％出行概率对应的里程是50km，则SOC_l＝SOC2+0.32％×50＝36％；
SOC_h～SOC2区间的电能可以覆盖较高比例的出行需求，假定为98％；对应的里程是150km，则SOC_h＝SOC2+0.32％×150＝68％。
市郊模式对应的充电区间下限和充电区间上限计算过程如下：
假定市郊模式单位里程SOC变化率0.30％/km；
SOC_l临时出行需求比市区模式强，假定要求SOC_l～SOC2区间的电能可以覆盖80km的出行需求，则SOC_l＝SOC2+0.30％×80＝44％；
SOC_h～SOC2电能可以覆盖90％概率的出行需求，假定对应里程是150km；SOC_h～SOC1之间的电能可以覆盖99％以上的出行需求，假定对应里程是240km；则SOC_h＝max{SOC2+0.30％×150),SOC1+0.30％×240}＝77％。
远途模式对应的充电区间下限和充电区间上限计算过程如下：
假定远途模式单位里程SOC变化率0.32％/km；
SOC_l临时出行需求比市区模式强，假定要求SOC_l～SOC2区间的电能可以覆盖80km的出行需求，则SOC_l＝SOC2+0.32％×80＝46％；
SOC_h～SOC2电能可以覆盖80％概率的出行需求，假定对应里程是200km；SOC_h～SOC1之间的电能可以覆盖95％以上的出行需求，假定对应里程是275km；则SOC_h＝max{SOC2+0.32％×200，SOC1+0.32％×275}＝93％。
因此，本发明通过对电动汽车的行驶数据进行分析后，提取获得典型出行模式，进而在出行前，根据匹配获得的目标出行模式对电池进行充电控制，可以实现分段充电控制，使得电池尽量工作在中等SOC区间，实现浅充浅放，降低电池存放SOC衰减，提高电池的寿命。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.基于电动汽车出行模式的电池充电控制方法，其特征在于，包括步骤：
将电动汽车的出行信息与预设的多个典型出行模式进行匹配，获得概率最高的典型出行模式作为对应的目标出行模式；所述电动汽车的出行信息包括出行时间和/或当前地点；
结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布；
根据该总行驶能耗概率分布，计算电池的充电区间下限和充电区间上限；
根据不同目标出行模式，对电池实现不同充电区间的智能充电控制。
2.根据权利要求1所述的基于电动汽车出行模式的电池充电控制方法，其特征在于，所述预设的多个典型出行模式是通过以下步骤获得的：
统计电动汽车在一段时间内的行驶数据；
对行驶数据进行分析后，提取获得电动汽车的多个典型出行模式，进而获取每种典型出行模式的概率分布特征。
3.根据权利要求2所述的基于电动汽车出行模式的电池充电控制方法，其特征在于，所述行驶数据包括每天的行驶里程、行驶时间、充电地点以及行驶工况的分布比例，其中行驶工况按照道路等级和拥堵程度进行等级划分，行驶时间按照工作日和节假日进行分类，充电地点按照与居住地的距离进行分类。
4.根据权利要求2所述的基于电动汽车出行模式的电池充电控制方法，其特征在于，所述获取每种典型出行模式的概率分布特征的步骤中，所述概率分布特征包括行驶里程分布概率及不同行驶里程对应的不同行驶工况的分布概率。
5.根据权利要求1所述的基于电动汽车出行模式的电池充电控制方法，其特征在于，所述充电区间下限和充电区间上限是通过以下方式获得的：
根据电池特性获取电池的SOC可用区间下限、深度放电区间阈值以及充满区间下限后，基于根据目标出行模式对应的总行驶能耗概率分布进行计算，获得同时满足以下条件的充电区间下限和充电区间上限：
条件一、充电区间上限与SOC可用区间下限之间的电能满足目标出行模式的第一覆盖比例的出行需求；
条件二、充电区间上限与深度放电区间阈值之间的电能满足目标出行模式的第二覆盖比例的出行需求；
条件三、充电区间下限与深度放电区间阈值之间的电能满足目标出行模式的第三覆盖比例的出行需求；
其中，第一覆盖比例、第二覆盖比例与第三覆盖比例是由目标出行模式确定的，且第一覆盖比例大于第二覆盖比例和第三覆盖比例。
6.根据权利要求1所述的基于电动汽车出行模式的电池充电控制方法，其特征在于，所述根据不同目标出行模式，对电池实现不同充电区间的智能充电控制的步骤，其具体为：
根据不同目标出行模式，首先控制电池充电到对应的充电区间下限后进行存放，并控制电池在即将达到出行时间时充电到充电区间上限。
7.基于电动汽车出行模式的电池充电控制系统，其特征在于，包括处理器和存储设备，所述存储设备存储有多条指令，所述指令由处理器加载并执行以下步骤：
将电动汽车的出行信息与预设的多个典型出行模式进行匹配，获得概率最高的典型出行模式作为对应的目标出行模式；所述电动汽车的出行信息包括出行时间和/或当前地点；
结合目标出行模式，估算获得电动汽车的总行驶能耗概率分布；
根据该总行驶能耗概率分布，计算电池的充电区间下限和充电区间上限；
根据不同目标出行模式，对电池实现不同充电区间的智能充电控制。
8.根据权利要求7所述的基于电动汽车出行模式的电池充电控制系统，其特征在于，所述预设的多个典型出行模式是通过以下步骤获得的：
统计电动汽车在一段时间内的行驶数据；
对行驶数据进行分析后，提取获得电动汽车的多个典型出行模式，进而获取每种典型出行模式的概率分布特征。
9.根据权利要求7所述的基于电动汽车出行模式的电池充电控制系统，其特征在于，所述充电区间下限和充电区间上限是通过以下方式获得的：
根据电池特性获取电池的SOC可用区间下限、深度放电区间阈值以及充满区间下限后，基于根据目标出行模式对应的总行驶能耗概率分布进行计算，获得同时满足以下条件的充电区间下限和充电区间上限：
条件一、充电区间上限与SOC可用区间下限之间的电能满足目标出行模式的第一覆盖比例的出行需求；
条件二、充电区间上限与深度放电区间阈值之间的电能满足目标出行模式的第二覆盖比例的出行需求；
条件三、充电区间下限与深度放电区间阈值之间的电能满足目标出行模式的第三覆盖比例的出行需求；
其中，第一覆盖比例、第二覆盖比例与第三覆盖比例是由目标出行模式确定的，且第一覆盖比例大于第二覆盖比例和第三覆盖比例。
10.根据权利要求7所述的基于电动汽车出行模式的电池充电控制系统，其特征在于，所述根据不同目标出行模式，对电池实现不同充电区间的智能充电控制的步骤，其具体为：
根据不同目标出行模式，首先控制电池充电到对应的充电区间下限后进行存放，并控制电池在即将达到出行时间时充电到充电区间上限。
CN201710754896.6A 2017-08-29 2017-08-29 基于电动汽车出行模式的电池充电控制方法和系统 Active CN107627872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710754896.6A CN107627872B (zh) 2017-08-29 2017-08-29 基于电动汽车出行模式的电池充电控制方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710754896.6A CN107627872B (zh) 2017-08-29 2017-08-29 基于电动汽车出行模式的电池充电控制方法和系统

Publications (2)

Publication Number Publication Date
CN107627872A true CN107627872A (zh) 2018-01-26
CN107627872B CN107627872B (zh) 2020-01-14

Family

ID=61100625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710754896.6A Active CN107627872B (zh) 2017-08-29 2017-08-29 基于电动汽车出行模式的电池充电控制方法和系统

Country Status (1)

Country Link
CN (1) CN107627872B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110015137A (zh) * 2017-10-30 2019-07-16 威马智慧出行科技（上海）有限公司 一种电池管理方法及装置
CN110920460A (zh) * 2018-09-20 2020-03-27 本田技研工业株式会社 电动汽车的充电支持装置
CN111071074A (zh) * 2019-12-24 2020-04-28 苏州正力新能源科技有限公司 一种大数据和bms结合的电动汽车优化充电方法
CN111516545A (zh) * 2020-03-24 2020-08-11 浙江合众新能源汽车有限公司 一种智能充电设置系统、方法
CN111688540A (zh) * 2020-06-28 2020-09-22 厦门金龙联合汽车工业有限公司 一种混合动力汽车全生命周期动力电池控制方法
CN112572229A (zh) * 2020-10-29 2021-03-30 广州小鹏自动驾驶科技有限公司 一种充电限值的调节方法和装置
CN113829958A (zh) * 2020-06-23 2021-12-24 北京新能源汽车股份有限公司 一种车辆电池包温度的控制方法、装置、控制设备及汽车
CN114248658A (zh) * 2020-09-25 2022-03-29 丰田自动车株式会社 电动汽车的电池的管理装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001157369A (ja) * 1999-11-26 2001-06-08 Sanyo Electric Co Ltd 電池の充放電制御方法
JP2007104799A (ja) * 2005-10-04 2007-04-19 Toyota Motor Corp 車両用電源制御装置
CN104044479A (zh) * 2013-03-13 2014-09-17 福特全球技术公司 用于在充电时控制电动车辆的方法
CN105161784A (zh) * 2015-10-21 2015-12-16 安徽江淮汽车股份有限公司 一种车载充电方法及系统
CN105667325A (zh) * 2014-12-04 2016-06-15 福特全球技术公司 基于模式的充电规划
CN105745811A (zh) * 2014-10-21 2016-07-06 株式会社Lg化学 用于校正电池soc的系统和方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001157369A (ja) * 1999-11-26 2001-06-08 Sanyo Electric Co Ltd 電池の充放電制御方法
JP2007104799A (ja) * 2005-10-04 2007-04-19 Toyota Motor Corp 車両用電源制御装置
CN104044479A (zh) * 2013-03-13 2014-09-17 福特全球技术公司 用于在充电时控制电动车辆的方法
CN105745811A (zh) * 2014-10-21 2016-07-06 株式会社Lg化学 用于校正电池soc的系统和方法
CN105667325A (zh) * 2014-12-04 2016-06-15 福特全球技术公司 基于模式的充电规划
CN105161784A (zh) * 2015-10-21 2015-12-16 安徽江淮汽车股份有限公司 一种车载充电方法及系统

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110015137A (zh) * 2017-10-30 2019-07-16 威马智慧出行科技（上海）有限公司 一种电池管理方法及装置
CN110920460A (zh) * 2018-09-20 2020-03-27 本田技研工业株式会社 电动汽车的充电支持装置
CN111071074A (zh) * 2019-12-24 2020-04-28 苏州正力新能源科技有限公司 一种大数据和bms结合的电动汽车优化充电方法
CN111071074B (zh) * 2019-12-24 2022-12-16 苏州正力新能源科技有限公司 一种大数据和bms结合的电动汽车优化充电方法
CN111516545B (zh) * 2020-03-24 2021-11-05 浙江合众新能源汽车有限公司 一种智能充电设置系统、方法
CN111516545A (zh) * 2020-03-24 2020-08-11 浙江合众新能源汽车有限公司 一种智能充电设置系统、方法
CN113829958A (zh) * 2020-06-23 2021-12-24 北京新能源汽车股份有限公司 一种车辆电池包温度的控制方法、装置、控制设备及汽车
CN113829958B (zh) * 2020-06-23 2023-11-21 北京新能源汽车股份有限公司 一种车辆电池包温度的控制方法、装置、控制设备及汽车
CN111688540A (zh) * 2020-06-28 2020-09-22 厦门金龙联合汽车工业有限公司 一种混合动力汽车全生命周期动力电池控制方法
CN111688540B (zh) * 2020-06-28 2021-11-23 厦门金龙联合汽车工业有限公司 一种混合动力汽车全生命周期动力电池控制方法
CN114248658A (zh) * 2020-09-25 2022-03-29 丰田自动车株式会社 电动汽车的电池的管理装置
US11780344B2 (en) 2020-09-25 2023-10-10 Toyota Jidosha Kabushiki Kaisha Management apparatus for battery of electric vehicle
CN112572229A (zh) * 2020-10-29 2021-03-30 广州小鹏自动驾驶科技有限公司 一种充电限值的调节方法和装置

Also Published As

Publication number Publication date
CN107627872B (zh) 2020-01-14

Similar Documents

Publication Publication Date Title
CN107627872A (zh) 基于电动汽车出行模式的电池充电控制方法和系统
CN107490386A (zh) 一种电动汽车最优路径和驾驶方式的规划方法及系统
CN106599390B (zh) 一种计及电动出租车时空随机特性的充电负荷的计算方法
CN107458259B (zh) 一种新能源电动汽车剩余里程估算方法
CN109693576B (zh) 一种基于模拟退火算法的电动汽车充电调度优化方法
CN103292820B (zh) 向用户提供移动体的精确续航范围的设备和方法
US9612130B2 (en) System and method of estimating available driving distance
CN107187442B (zh) 基于工况预测的插电式混合动力电动汽车能量管理系统
CN110775065A (zh) 一种基于工况识别的混合动力汽车电池寿命预测方法
CN104260724B (zh) 一种车辆智能预测控制系统及其方法
CN109733248A (zh) 基于路径信息的纯电动汽车剩余里程模型预测方法
CN102439396B (zh) 电力驱动式车辆
CN109927709A (zh) 一种车辆行驶路线工况确定方法、能量管理方法及系统
CN112208338A (zh) 一种目的地剩余续航里程计算方法和装置
CN106326992A (zh) 一种基于电量匹配的app预约租车系统及方法
CN112406630B (zh) 一种基于工况识别的电动车续驶里程计算方法
CN103839423A (zh) 环境感知的再生制动能量计算方法
CN103158704A (zh) 用于车辆的驾驶模式引导系统及其方法
CN107818377A (zh) 基于云计算平台的车辆全局优化控制方法、系统、车辆和云计算平台
CN106991492A (zh) 一种北方气候快充纯电动公交车运营调度优化方法
CN107921886A (zh) 用于计算用于管理混合动力机动车辆的燃料和电力消耗的设定点的方法
CN111891130B (zh) 一种车辆运行方法和装置
CN110139789A (zh) 用于优化混合动力车辆的能量消耗的方法
CN109636067B (zh) 一种基于粒子群算法的电动汽车充电调度优化方法
CN110375757A (zh) 基于大数据的新能源汽车智能辅助行车路线规划方法

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
CB02 Change of applicant information

Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou Xiaopeng Automobile Technology Co. Ltd.

Address before: 510000 nine Guangdong, Guangzhou 333, Jianshe Road 245, Guangzhou, China

Applicant before: Guangzhou Xiaopeng Automobile Technology Co. Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant