CN108846571A - 一种网联化电动汽车宏观能量消耗估计方法 - Google Patents
一种网联化电动汽车宏观能量消耗估计方法 Download PDFInfo
- Publication number
- CN108846571A CN108846571A CN201810589715.3A CN201810589715A CN108846571A CN 108846571 A CN108846571 A CN 108846571A CN 201810589715 A CN201810589715 A CN 201810589715A CN 108846571 A CN108846571 A CN 108846571A
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- data
- energy
- electric car
- net
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000007613 environmental effect Effects 0.000 claims description 15
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000004378 air conditioning Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000013480 data collection Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 11
- 238000005096 rolling process Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种网联化电动汽车宏观能量消耗估计方法,首先选定一条路线划分成Q段并对网联化电动汽车的各种数据采集系统采集的数据进行在线行驶数据的融合和分类;其次,对于分类好的数据,一类数据通过一种两步迭代估计算法来得出获得不同操纵状况下的效率图然后进行汇总得出高分辨率效率图并以此图为依据划分预测精度等级,另一类数据则用于提取能耗参数即预测变量;接着,将联网车辆的能耗数据分解成正动能和负动能,按照构建的宏观能耗模型及能耗率计算方法,计算每一路段上能耗,最后计算总能耗。本发明能够保证计算准确度的同时降低了计算量,并对能耗估计的误差进行了评价。
Description
技术领域
本发明涉及汽车能耗估计方法领域,特别是一种网联化电动汽车宏观能量消耗估计方法。
背景技术
近些年,电动汽车在减少与交通有关的温室气体排放和化石燃料消耗方面展现出了巨大的潜力。随着现有技术的发展,电动汽车越来越趋向智能化,在过去十年,智能交通系统方法和智能车辆方法作为一种提升能源效率的方式引起了人们的极大兴趣。
众所周知,电动汽车在行驶过程中的能量消耗是由能量消耗率和行驶时间决定的,而且电动汽车的能量消耗率常常受到相关参数的影响,但在能耗估计方面,我们可以使用一个考虑环境状况的物理能耗模型来估计实际交通状况下的电动汽车能耗。网联式电动汽车就是在普通电动汽车的基础上增加了网络通讯功能(如V2V和V2I)以便于能够获得实时的全局交通信息和环境状况,从而能更准确的对能量消耗进行预测和估计。
发明内容
有鉴于此,本发明的目的是提出一种网联化电动汽车宏观能量消耗估计方法,能够准确地估计电动车的能耗。
本发明采用以下方案实现:一种网联化电动汽车宏观能量消耗估计方法,包括以下步骤:
步骤S1:选定一条路线并将其划分为Q段,获取每个路段上电动汽车的行驶数据,并进行在线行驶数据的融合与分类;
步骤S2:将步骤S1分类好的数据分别用于获得最终的高分辨率效率图并以此图为依据划分预测精度等级,以及用于提取能耗参数即预测变量;
步骤S3:将步骤S2提取的能耗参数分解成正动能和负动能,并构建宏观能耗模型;
步骤S4:按照构建的宏观能耗模型及能耗率计算方法,计算每一路段上能耗,最后计算总能耗;
步骤S5:对步骤S4计算得到的总能耗进行误差估计与评价。
较佳的,本发明中的电动汽车为可联网的电动汽车,本发明包括一个生态路由系统,两个数据采集系统(其中一个是第三代诊断仪,另一个是GPS数据记录器),一种交叉相关技术,一种现代通讯与网络技术。所述可联网的电动汽车包括车载传感器,控制器,执行器,CAN总线等,用于获得速度信息,加速度信息,滚动阻力,风阻,温度等信息。在方案实施之前首先提供初始位置和目的地,并根据路线引擎如谷歌地图中获得特定路线,并将路线划分成Q段。
进一步地,步骤S1中,所述行驶数据包括车辆的当前速度vi、平均速度vk、加速度ai、行驶距离di、车辆的净推进功率、当前地理信息、环境数据、车辆的电池电量、SOC信息、以及DOD信息;其中,车辆的净推进功率为:
Pprop=-(Ibp×Vbp)-(PAC+Pacc);
式中,Ibp是电池组的瞬时电流,Vbp是电池组的瞬时电压,PAC是通过空调设备消耗的能量,Pacc是其他附件消耗的能量。
其中,所述的两个数据采集系统和所述的现代通讯与网络技术用来获取每个路段上的车辆实时行驶数据和交通及道路数据。第三代诊断仪数据采集系统用于从测试车辆的CAN总线中获得电池的电流,电压,及电池的输出功率,SOC,DOD等信息;所述的GPS数据记录器用于获得车辆的位置信息和道路坡度数据。所述的现代通讯与网络技术包括车对车通讯(V2V)、车对基础设施通讯(V2I)、大数据、环境感知和高精准地图与定位,可用以获得驾驶员信息,车辆周围的全局交通信息和环境状况,并将这些信息进行整合与分析。
进一步地,步骤S1中,所述在线行驶数据的融合与分类具体为:先对几种数据源应用交叉相关技术进行数据的同步,接着根据切比雪夫滤波算法来进行融合,再对融合的数据进行地图匹配,并进行分类。
其中,所述的交叉相关技术是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法,用于对上述两个采集系统获得的数据以及由通讯技术获得的数据进行交叉分析。
进一步地,步骤S2具体为:步骤S1将数据分为两类,其中一类为车辆动态和道路信息数据,该类通过两步迭代估计算法来得出获得不同操纵状况下的效率图然后进行汇总得出高分辨率效率图并以此图及电池的放电深度为依据来划分预测精度等级;另一类为能耗预测所要用到的参数,该类用于提取能耗参数,即预测变量。其中,本发明是按照数据用途进行分类。
进一步地,步骤S3中具体包括以下步骤:
步骤S31:将影响能耗的因素作为变量;
步骤S32:将能耗参数分解成正动能和负动能;
步骤S33:将正动能和负动能作为预测变量;
步骤S34:依据步骤S33得到的预测变量并应用人工神经网络来构建一个链路级的网联化电动汽车宏观能耗模型。
质量为m的汽车来自一个功率源的总能耗计算模型为:
Etotal=Etractive+EA/C+Eaccessory (2)
Etractive=ΔEkinetic+ΔEpotertial+Erolling+Eaerodynamic+Eloss (3)
ΔEpotential=mgHlink=mgLlinktan(θ) (5)
式中,Llink是路段的长度,Hlink是竖直位移,θ是道路坡度,Etractive是牵引力能耗,EA/C和Eaccessory分别是空调设备和其他附件的能耗,ΔEkinetic和ΔEpotential分别是车辆动能和势能的变化,Erolling是路面上克服摩擦力消耗的能量,Eaerodynamic是克服空气阻力消耗的能量,Eloss是其他原因造成的内部能量损失。因为Eaerodynamic不重要,为了简化,一般假设Eloss与牵引力能耗成比例,即:
Eaerodynamic+Eloss=μ·Etractive (6)
式中,μ是常数。
当在特定的路段时,Etractive≈ΔEkinetic+σ+μ·ΔEkinetic,或者Etractive≈α+β·ΔEkinetic
式中,σ≈ΔEpotential+Erolling,α=σ/(1-μ),β=1/(1-μ),因此,如果构建一个回归模型来估计能耗,则动能的变化将会是一个强有力的预测变量。如果对特定的路段进行离散化,则公式(4)可以写成:
路段上单位距离的能耗率(ECR)可简单的如下表示:
当θ很小时,近似常数,所以,可以说ECR与正动能(positive kineticenergy,PKE)和负动能(negative kinetic energy,NKE)成线性关系,即可以用PKE和NKE作为预测变量。
其中,正动能是对每单位距离加速动能的一个衡量,负动能是用来衡量每单位距离的减速动能。正动能、负动能的定义如下:
式中,N代表的是在道路链上驾驶的长度,vi是瞬时速度,di是累积到第i个时间步长的行驶距离。
其中,在链路联网的基础上使用收集的网联汽车(可联网的电动汽车)行驶数据来计算正动能和负动能的值,而且由链路层上使用能量消耗率的正动能和负动能区域可知,可以将正动能和负动能作为能耗的预测变量。通过V2V和V2I网络通信构建联网车辆框架来获得实时的全局交通信息和环境状况,为了预测未来路线的能源消耗,使用提出的宏观模型,这个模型所需的速度曲线,加速度曲线,地理概况和环境信息,风速曲线和滚动阻力都可以通过车载传感器,数据采集系统和现代通信与网络技术来获得。
进一步地,步骤S31中所述影响能耗的因素包括平均车速、道路坡度。因为平均车速是真实世界交通拥堵水平的一个很好的指标,鉴于ECR与速度之间的关系,可以将一个四阶多项式拟合应用于ECR的中值:
式中,αi为回归系数,表示链路层的平均速度,fk是基于距离的能耗率。
进一步地,除了需要从联网车辆获得实时交通信息外,还需要一个所述的高分辨率效率图,所述的高分辨效率图可以通过划分预测精度等级配合计算方法来精确计算每一路段上的能耗,即,在车辆测试的过程中,交通拥堵也会对联网车辆的能耗产生影响,此时可用平均速度来反映车辆的能耗率;
由此,步骤S4具体包括以下步骤:
步骤S41:在所述宏观能耗模型中,依据提取的能耗参数以及每个路段相匹配的预测精度等级,采用下式计算每一段路的车辆的能耗率:
步骤S42:对每一段路,在该路段上的距离对能耗率进行积分来计算每一路段q上的能耗Eq;
步骤S43:采用下式计算该选定路线上的总能耗:
进一步地,所述步骤S5具体为:从基于对称平均绝对百分值误差的角度对估计的误差进行评价,即:
式中,n是道路链数量的总和,At是记录的道路链上的实际能耗,Et是道路链上估计的能耗。
此外,所述的生态路由系统主要是根据实际交通状况选择最节能的路线从而可以在估计汽车能耗时提高汽车的能源效率。在网联汽车的生态路径系统中,其中的智能交通系统管理系统提供汽车的真实驾驶状况数据并利用生态路径系统中的生态驱动技术来预先估计每个道路链的网联汽车能耗以便选择最节能的路线。
与现有技术相比,本发明有以下有益效果:本发明在设计过程中首先会对数据进行处理,构建宏观能耗模型然后按照划分的预测精度等级来计算每一段上的能耗,从而在保证计算准确度的同时降低了计算量,并对能耗估计的误差进行了评价。
附图说明
图1为本发明实施例的在线行驶数据融合流程示意图。
图2为本发明实施例的联网车辆框架中的能耗预测图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了对这众多在线行驶数据融合的流程图,在将上述所述的采集数据被用于分析之前,首先要对它们进行时间上的同步,即首先要进行调频,从时间更新的角度,来自GPS数据记录器和第三代诊断仪以及联网下的原始数据不吻合,因此,所有的原始数据文件都被处理成1HZ,这适用于同步以及后续的能耗估计。接着再进行行程数据的同步,因所述数据采集系统三者的时间参考不一样,所以为了融合三种数据源,需要确定一个共同的特性,如车速,并应用交叉相关技术来同步这三种数据源。
在本实施例中,根据上述所述的由车载传感器及第三代诊断仪采集的实际历史工况信息(如,车辆状态、历史能耗等)以及车载终端的平均速度,由GPS数据记录仪记采集的道路坡度信息和车载互联终端所提取的当前时刻的工况信息(如,驾驶员信息、行人信息、车辆周围的全局交通信息和环境状况等)在滤波器根据切比雪夫滤波算法来进行融合,再对融合的数据进行地图匹配,每个数据点与数字地图上相关的道路链进行匹配从而可以生成目标工况。
如图2所示,本实施例提供了一种网联化电动汽车宏观能量消耗估计方法,包括以下步骤:
步骤S1:选定一条路线并将其划分为Q段,获取每个路段上电动汽车的行驶数据,并进行在线行驶数据的融合与分类;
步骤S2:将步骤S1分类好的数据分别用于获得最终的高分辨率效率图并以此图为依据划分预测精度等级,以及用于提取能耗参数即预测变量;
步骤S3:将步骤S2提取的能耗参数分解成正动能和负动能,并构建宏观能耗模型;
步骤S4:按照构建的宏观能耗模型及能耗率计算方法,计算每一路段上能耗,最后计算总能耗;
步骤S5:对步骤S4计算得到的总能耗进行误差估计与评价。
较佳的,本发明中的电动汽车为可联网的电动汽车,本发明包括一个生态路由系统,两个数据采集系统(其中一个是第三代诊断仪,另一个是GPS数据记录器),一种交叉相关技术,一种现代通讯与网络技术。所述可联网的电动汽车包括车载传感器,控制器,执行器,CAN总线等,用于获得速度信息,加速度信息,滚动阻力,风阻,温度等信息。在方案实施之前首先提供初始位置和目的地,并根据路线引擎如谷歌地图中获得特定路线,并将路线划分成Q段。
在本实施例中,步骤S1中,所述行驶数据包括车辆的当前速度vi、平均速度vk、加速度ai、行驶距离di、车辆的净推进功率、当前地理信息、环境数据、车辆的电池电量、SOC信息、以及DOD信息;其中,车辆的净推进功率为:
Pprop=-(Ibp×Vbp)-(PAC+Pacc);
式中,Ibp是电池组的瞬时电流,Vbp是电池组的瞬时电压,PAC是通过空调设备消耗的能量,Pacc是其他附件消耗的能量。
其中,所述的两个数据采集系统和所述的现代通讯与网络技术用来获取每个路段上的车辆实时行驶数据和交通及道路数据。第三代诊断仪数据采集系统用于从测试车辆的CAN总线中获得电池的电流,电压,及电池的输出功率,SOC,DOD等信息;所述的GPS数据记录器用于获得车辆的位置信息和道路坡度数据。所述的现代通讯与网络技术包括车对车通讯(V2V)、车对基础设施通讯(V2I)、大数据、环境感知和高精准地图与定位,可用以获得驾驶员信息,车辆周围的全局交通信息和环境状况,并将这些信息进行整合与分析。
在本实施例中,步骤S1中,所述在线行驶数据的融合与分类具体为:先对几种数据源应用交叉相关技术进行数据的同步,接着根据切比雪夫滤波算法来进行融合,再对融合的数据进行地图匹配,并进行分类。
其中,所述的交叉相关技术是在纵向分析法和横向分析法的基础上,从交叉、立体的角度出发,由浅入深、由低级到高级的一种分析方法,用于对上述两个采集系统获得的数据以及由通讯技术获得的数据进行交叉分析。
在本实施例中,步骤S2具体为:步骤S1将数据分为两类,一类数据是车辆动态和道路信息数据,即网联车辆的速度、加速度、道路坡度、以及电池的输出信息,即电池的电压、电流等信息,该类数据通过两步迭代估计算法来得出获得不同操纵状况下的效率图然后进行汇总得出高分辨率效率图并以此图及电池的放电深度为依据来划分预测精度等级;该图包含了速度、加速度、道路坡度及相应的传动系统效率信息和风阻及滚动阻力信息;然后就可以利用得到的高分辨率效率图并以电池的放电深度(DOD)为依据来划分预测精度等级,可分为1-5级,比如,当电池储量(SOC)低时,它就会提供较高的精度或者复杂度,而当SOC较高时,就提供较低的精度或者复杂度以便使计算复杂度与所需的精确度相适应。另一类是能耗预测所要用到的参数,用于提取能耗参数,即预测变量。
在本实施例中,步骤S3中具体包括以下步骤:
步骤S31:将影响能耗的因素作为变量,譬如平均车速和道路坡度;
步骤S32:将能耗参数(智能交通系统和无线通信技术获得联网车辆在实际路况及环境下的真是驾驶数据)分解成正动能和负动能;
步骤S33:将正动能和负动能作为预测变量;
步骤S34:依据步骤S33得到的预测变量并应用人工神经网络来构建一个链路级的网联化电动汽车能耗模型。
质量为m的汽车来自一个功率源的总能耗计算模型为:
Etotal=Etractive+EA/C+Eaccessory (2)
Etractive=ΔEkinetic+ΔEpotertial+Erolling+Eaerodynamic+Eloss (3)
ΔEpotential=mgHlink=mgLlinktan(θ) (5)
式中,Llink是路段的长度,Hlink是竖直位移,θ是道路坡度,Etractive是牵引力能耗,EA/C和Eaccessory分别是空调设备和其他附件的能耗,ΔEkinetic和ΔEpotential分别是车辆动能和势能的变化,Erolling是路面上克服摩擦力消耗的能量,Eaerodynamic是克服空气阻力消耗的能量,Eloss是其他原因造成的内部能量损失。因为Eaerodynamic不重要,为了简化,一般假设Eloss与牵引力能耗成比例,即:
Eaerodynamic+Eloss=μ·Etractive (6)
式中,μ是常数。
当在特定的路段时,Etractive≈ΔEkinetic+σ+μ·ΔEkinetic,或者Etractive≈α+β·ΔEkinetic
式中,σ≈ΔEpotential+Erolling,α=σ/(1-μ),β=1/(1-μ),因此,如果构建一个回归模型来估计能耗,则动能的变化将会是一个强有力的预测变量。如果对特定的路段进行离散化,则公式(4)可以写成:
路段上单位距离的能耗率(ECR)可简单的如下表示:
当θ很小时,近似常数,所以,可以说ECR与正动能(positive kineticenergy,PKE)和负动能(negative kinetic energy,NKE)成线性关系,即可以用PKE和NKE作为预测变量。
其中,正动能是对每单位距离加速动能的一个衡量,负动能是用来衡量每单位距离的减速动能。正动能、负动能的定义如下:
式中,N代表的是在道路链上驾驶的长度,vi是瞬时速度,di是累积到第i个时间步长的行驶距离。
特别的,在本实施例中,为了确定额外的联网车辆的能耗影响因素,通过分析正动能和负动能与在道路链上每单位距离的网联汽车的能耗速率之间的关系来确定正动能和负动能能否作为影响能耗的因素。先在链路联网的基础上使用收集的网联汽车行驶数据来计算正动能和负动能的值,后经公式推导及实验分析可知,链路层上使用能量消耗率与正动能和负动能呈线性关系,因而可以将正动能和负动能作为能耗的预测变量。
其中,在链路联网的基础上使用收集的网联汽车(可联网的电动汽车)行驶数据来计算正动能和负动能的值,而且由链路层上使用能量消耗率的正动能和负动能区域可知,可以将正动能和负动能作为能耗的预测变量。通过V2V和V2I网络通信构建联网车辆框架来获得实时的全局交通信息和环境状况,为了预测未来路线的能源消耗,使用提出的宏观模型,这个模型所需的速度曲线,加速度曲线,地理概况和环境信息,风速曲线和滚动阻力都可以通过车载传感器,数据采集系统和现代通信与网络技术来获得。
在本实施例中,步骤S31中所述影响能耗的因素包括平均车速、道路坡度。因为平均车速是真实世界交通拥堵水平的一个很好的指标,鉴于ECR与速度之间的关系,可以将一个四阶多项式拟合应用于ECR的中值:
式中,αi为回归系数,表示链路层的平均速度,fk是基于距离的能耗率
在本实施例中,除了需要从联网车辆获得实时交通信息外,还需要一个所述的高分辨率效率图,所述的高分辨效率图可以通过划分预测精度等级配合计算方法来精确计算每一路段上的能耗,即,在车辆测试的过程中,交通拥堵也会对联网车辆的能耗产生影响,此时可用平均速度来反映车辆的能耗率;
由此,步骤S4具体包括以下步骤:
步骤S41:在所述宏观能耗模型中,依据提取的能耗参数以及每个路段相匹配的预测精度等级,采用下式计算每一段路的车辆的能耗率:
步骤S42:对每一段路,在该路段上的距离对能耗率进行积分来计算每一路段q上的能耗Eq;
步骤S43:采用下式计算该选定路线上的总能耗:
在本实施例中,所述步骤S5具体为:将平均速度,道路坡度,正动能和负动能作为预测变量,用人工神经网络来拟合估计模型,并对这个模型的性能进行评价,从基于对称平均绝对百分值误差的角度对估计的误差进行评价,即:
式中,n是道路链数量的总和,At是记录的道路链上的实际能耗,Et是道路链上估计的能耗。
其中,车辆利用网联无线通信技术向远程服务器发送预测请求,然后服务器将整个路线划分成Q段,即ΔS1,ΔS2,…,ΔSq,在每一段上都有一个特殊ID定义的Pq电动汽车,假设所有的Pq电动汽车都处于不同位置,这个假设可保证每辆车都提供的是独一无二的信息,每辆联网的车辆都会提供直接测量的数据和估计的数据,根据这些路段上的联网车辆收集的交通,地理和环境信息,即路段q上的能耗预测Eq,车辆提供的能耗预测路段q的距离ΔSq,的车速为而这些信息储存在服务器中的同时也反馈给车辆。
此外,在本实施例中,除了需要从联网车辆获得实施交通信息外,还需要一个高分辨率效率图,该图可由上述所说的方法得到。在实际情况中,当车辆具有足够的能量(SOC较高)来完成预定路线时,此时能量管理系统只会提供一个粗略的能耗估计,当电池的SOC较低时,就需要实时高分辨率能耗预测来确保完成所指定的路线。而多分辨率能耗预测是基于实时电池的放电深度(DOD)来实现精度等级的决策功能。假如计划行程的实际电动汽车能耗是Er,这是由实际的车辆信息,交通信息和环境信息所决定的,而在预测精度的每一层面上的能耗预测是Ek,每个Ek都是使用估计的车辆信息,交通信息和环境信息所获得的,那么这些信息就可以用高分辨率的预测或模拟的数值来减少计算负荷,最后通过仿真来验证提出的模型和能耗估计算法。
此外,所述的生态路由系统主要是根据实际交通状况选择最节能的路线从而可以在估计汽车能耗时提高汽车的能源效率。在网联汽车的生态路径系统中,其中的智能交通系统管理系统提供汽车的真实驾驶状况数据并利用生态路径系统中的生态驱动技术来预先估计每个道路链的网联汽车能耗以便选择最节能的路线,从而提高汽车的能源效率。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (8)
1.一种网联化电动汽车宏观能量消耗估计方法,其特征在于:包括以下步骤:
步骤S1:选定一条路线并将其划分为Q段,获取每个路段上电动汽车的行驶数据,并进行在线行驶数据的融合与分类;
步骤S2:将步骤S1分类好的数据分别用于获得最终的高分辨率效率图并以此图为依据划分预测精度等级,以及用于提取能耗参数即预测变量;
步骤S3:将步骤S2提取的能耗参数分解成正动能和负动能,并构建宏观能耗模型;
步骤S4:按照构建的宏观能耗模型及能耗率计算方法,计算每一路段上能耗,最后计算总能耗;
步骤S5:对步骤S4计算得到的总能耗进行误差估计与评价。
2.根据权利要求1所述的一种网联化电动汽车宏观能量消耗估计方法,其特征在于:步骤S1中,所述行驶数据包括车辆的当前速度vi、平均速度vk、加速度ai、行驶距离di、车辆的净推进功率、当前地理信息、环境数据、车辆的电池电量、SOC信息、以及DOD信息;其中,车辆的净推进功率为:
Pprop=-(Ibp×Vbp)-(PAC+Pacc) (1);
式中,Ibp是电池组的瞬时电流,Vbp是电池组的瞬时电压,PAC是通过空调设备消耗的能量,Pacc是其他附件消耗的能量。
3.根据权利要求1所述的一种网联化电动汽车宏观能量消耗估计方法,其特征在于:步骤S1中,所述在线行驶数据的融合与分类具体为:先对几种数据源应用交叉相关技术进行数据的同步,接着根据切比雪夫滤波算法来进行融合,再对融合的数据进行地图匹配,并进行分类。
4.根据权利要求1所述的一种网联化电动汽车宏观能量消耗估计方法,其特征在于:步骤S2具体为:步骤S1将数据分为两类,其中一类为车辆动态和道路信息数据,该类通过两步迭代估计算法来得出获得不同操纵状况下的效率图然后进行汇总得出高分辨率效率图并以此图及电池的放电深度为依据来划分预测精度等级;另一类为能耗预测所要用到的参数,该类用于提取能耗参数,即预测变量。
5.根据权利要求1所述的一种网联化电动汽车宏观能量消耗估计方法,其特征在于:步骤S3中具体包括以下步骤:
步骤S31:将影响能耗的因素作为变量;
步骤S32:将能耗参数分解成正动能和负动能;
步骤S33:将正动能和负动能作为预测变量;
步骤S34:依据步骤S33得到的预测变量并应用人工神经网络来构建一个链路级的网联化电动汽车宏观能耗模型。
6.根据权利要求5所述的一种网联化电动汽车宏观能量消耗估计方法,其特征在于:步骤S31中所述影响能耗的因素包括平均车速、道路坡度。
7.根据权利要求1所述的一种网联化电动汽车宏观能量消耗估计方法,其特征在于:步骤S4具体包括以下步骤:
步骤S41:在所述宏观能耗模型中,依据提取的能耗参数以及每个路段相匹配的预测精度等级,采用下式计算每一段路的车辆的能耗率:
步骤S42:对每一段路,在该路段上的距离对能耗率进行积分来计算每一路段q上的能耗Eq;
步骤S43:采用下式计算该选定路线上的总能耗:
8.根据权利要求1所述的一种网联化电动汽车宏观能量消耗估计方法,其特征在于:所述步骤S5具体为:从基于对称平均绝对百分值误差的角度对估计的误差进行评价,即:
式中,n是道路链数量的总和,At是记录的道路链上的实际能耗,Et是道路链上估计的能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589715.3A CN108846571A (zh) | 2018-06-08 | 2018-06-08 | 一种网联化电动汽车宏观能量消耗估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810589715.3A CN108846571A (zh) | 2018-06-08 | 2018-06-08 | 一种网联化电动汽车宏观能量消耗估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108846571A true CN108846571A (zh) | 2018-11-20 |
Family
ID=64210817
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810589715.3A Pending CN108846571A (zh) | 2018-06-08 | 2018-06-08 | 一种网联化电动汽车宏观能量消耗估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846571A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111785012A (zh) * | 2020-04-27 | 2020-10-16 | 南斗六星系统集成有限公司 | 一种车云协同计算的能耗路谱分析方法 |
CN112734097A (zh) * | 2020-12-31 | 2021-04-30 | 中南大学 | 无人驾驶列车能耗预测方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234544A (zh) * | 2013-04-27 | 2013-08-07 | 北京交通大学 | 电动汽车电量消耗因子模型建立及续驶里程估算方法 |
CN105825491A (zh) * | 2016-03-17 | 2016-08-03 | 江苏科技大学 | 一种基于混合模型的图像融合方法 |
-
2018
- 2018-06-08 CN CN201810589715.3A patent/CN108846571A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234544A (zh) * | 2013-04-27 | 2013-08-07 | 北京交通大学 | 电动汽车电量消耗因子模型建立及续驶里程估算方法 |
CN103234544B (zh) * | 2013-04-27 | 2016-04-06 | 北京交通大学 | 电动汽车电量消耗因子模型建立及续驶里程估算方法 |
CN105825491A (zh) * | 2016-03-17 | 2016-08-03 | 江苏科技大学 | 一种基于混合模型的图像融合方法 |
Non-Patent Citations (1)
Title |
---|
QI, XUEWEI 等: "Data-driven decomposition analysis and estimation of link-level electric vehicle energy consumption under real-world traffic conditions", 《TRANSPORTATION RESEARCH PART D》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN111785012A (zh) * | 2020-04-27 | 2020-10-16 | 南斗六星系统集成有限公司 | 一种车云协同计算的能耗路谱分析方法 |
CN111785012B (zh) * | 2020-04-27 | 2022-02-11 | 南斗六星系统集成有限公司 | 一种车云协同计算的能耗路谱分析方法 |
CN112734097A (zh) * | 2020-12-31 | 2021-04-30 | 中南大学 | 无人驾驶列车能耗预测方法、系统及存储介质 |
CN112734097B (zh) * | 2020-12-31 | 2023-09-05 | 中南大学 | 无人驾驶列车能耗预测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Asamer et al. | Sensitivity analysis for energy demand estimation of electric vehicles | |
Qi et al. | Data-driven decomposition analysis and estimation of link-level electric vehicle energy consumption under real-world traffic conditions | |
CN111753377B (zh) | 基于道路信息的纯电动汽车能耗最优路径规划方法 | |
Donkers et al. | Influence of driving style, infrastructure, weather and traffic on electric vehicle performance | |
US8706416B2 (en) | System and method for determining a vehicle route | |
CN111806240B (zh) | 一种基于中国工况的电动汽车续驶里程预测方法 | |
Yi et al. | Adaptive multiresolution energy consumption prediction for electric vehicles | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
CN109109784A (zh) | 根据用户行为而提供车辆剩余行驶信息的系统及其方法 | |
CN108846571A (zh) | 一种网联化电动汽车宏观能量消耗估计方法 | |
Guo et al. | A novel energy consumption prediction model with combination of road information and driving style of BEVs | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
Valera et al. | Driving cycle and road grade on-board predictions for the optimal energy management in EV-PHEVs | |
Zhang et al. | Mesoscopic model framework for estimating electric vehicles’ energy consumption | |
Zhao et al. | The creation of a representative driving cycle based on intelligent transportation system (ITS) and a mathematically statistical algorithm: A case study of Changchun (China) | |
CN115907076A (zh) | 一种山地城市充电负荷概率预测系统及方法 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
Deshpande et al. | In-vehicle test results for advanced propulsion and vehicle system controls using connected and automated vehicle information | |
CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测系统与方法 | |
WO2014049878A1 (ja) | 消費エネルギー推定装置、消費エネルギー推定方法、消費エネルギー推定プログラムおよび記録媒体 | |
Danningera et al. | Imperium-implementation of powertrain control for economic and clean real driving emission and fuel consumption | |
Zhang et al. | Neural network based vehicle speed prediction for specific urban driving | |
KR102472552B1 (ko) | 딥러닝을 활용한 차량의 에너지 소모량 및 탄소배출량 산출방법 | |
US20210241104A1 (en) | Device, method and machine learning system for determining a velocity for a vehicle | |
Qi et al. | Data-driven macroscopic energy consumption estimation for electric vehicles with different information availability |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181120 |