CN109409571A - 一种电动汽车充电需求预测方法及装置 - Google Patents
一种电动汽车充电需求预测方法及装置 Download PDFInfo
- Publication number
- CN109409571A CN109409571A CN201811108495.4A CN201811108495A CN109409571A CN 109409571 A CN109409571 A CN 109409571A CN 201811108495 A CN201811108495 A CN 201811108495A CN 109409571 A CN109409571 A CN 109409571A
- Authority
- CN
- China
- Prior art keywords
- electric
- electric automobile
- electric car
- drive speed
- car drive
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000007613 environmental effect Effects 0.000 claims abstract description 14
- 238000005070 sampling Methods 0.000 claims description 31
- 238000005265 energy consumption Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 9
- 238000013135 deep learning Methods 0.000 abstract description 3
- 210000002569 neuron Anatomy 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种电动汽车充电需求预测方法及装置,包括:利用预先建立的神经网络模型预测电动汽车驾驶速度;根据电动汽车驾驶速度确定电动汽车能量消耗;根据电动汽车能量消耗确定电动汽车充电需求;其中,预先建立的神经网络模型利用历史交通环境信息及其对应的历史电动汽车驾驶速度建立;本发明基于深度学习历史交通环境信息及其对应的历史电动汽车驾驶速度和电动汽车电池模型使预测的电动汽车充电需求更加准确,具备良好的可操作性和实用性。
Description
技术领域
本发明属于充电技术领域,具体涉及一种电动汽车充电需求预测方法及装置。
背景技术
传统能源危机与环境污染的日益加剧,促使电动汽车技术快速发展、市场上电动汽车的数量快速增加,为了应对电动汽车的充电需求,大量的充电桩投入市场运行。
然而,电动汽车的充电需求与充电站之间的矛盾日益突出。其中,对电动汽车充电需求的准确预测是电动汽车充电网络管理中最基本的管理方法,且当前的商用电动汽车充电需求预测并未充分利用现有的信息处理与分析技术。
目前的预测方法中,一种是先基于传统汽车基于车辆动力学模型的能量需求估算方法,再假设基于恒定速度行驶预测出电动汽车的充电需要;另一种方法是结合了汽车动力学模型以及电池模型,两种方法预测出的电动汽车充电需求都不够准确,不能满足电动汽车充电网络管理中的基本需求。
发明内容
本发明提供一种电动汽车充电需求预测方法及装置,综合考虑影响实际驾驶的环境因素、驾驶员的驾驶习惯和电动汽车的电池特性,目的是使对电动汽车充电需求预测更加准确。
为实现上述目的,本发明提供一种电动汽车充电需求预测方法,其改进之处在于,方法包括:
利用预先建立的神经网络模型预测电动汽车驾驶速度;
根据所述电动汽车驾驶速度确定电动汽车能量消耗;
根据电动汽车能量消耗确定电动汽车充电需求;
其中,所述预先建立的神经网络模型利用历史交通环境信息及其对应的历史电动汽车驾驶速度建立;
优选地,所述交通环境信息,包括:温度、风速、交通拥堵指数及道路坡度;
进一步地,所述利用预先建立的神经网络模型预测电动汽车驾驶速度,包括:
将预测时间段的交通环境信息输入至所述预先建立的神经网络模型,获取预测时间段的电动汽车驾驶速度;
进一步地,所述根据所述电动汽车驾驶速度确定电动汽车能量消耗,包括:
按下式确定预测时间段内第k个采样周期电动汽车能量消耗Ekτ:
Ekτ=(FTractionvk+PAnc)τ
式中,FTraction是电动汽车的牵引力;τ为预测时间段的采样周期;n是采样周期总数;vk是预测时间段内第k个采样周期预测的电动汽车驾驶速度;PAnc是电动汽车辅助系统消耗功率;
进一步地,所述根据电动汽车能量消耗确定电动汽车充电需求包括:
按下式确定电池剩余荷电状态SOCt+nτ:
式中,SOCt是当前电动汽车电池的荷电状态;Ut+kτ是电动汽车电池在第k个采样周期的电压值;Q是电动汽车电池的总电量;
根据若所述剩余荷电状态SOCt+nτ小于20%,则提醒驾驶员需要充电。
本发明提供一种电动汽车充电需求预测装置,其改进之处在于,装置包括:
预测速度模块,用于利用预先建立的神经网络模型预测电动汽车驾驶速度;
能量消耗确定模块,用于根据所述电动汽车驾驶速度确定电动汽车能量消耗;
充电需求预测模块,用于根据电动汽车能量消耗确定电动汽车充电需求;
其中,所述预先建立的神经网络模型利用历史交通环境信息及其对应的历史电动汽车驾驶速度建立;
优选地,所述交通环境信息,包括:温度、风速、交通拥堵指数及道路坡度;
进一步地,所述预测速度模块用于:
将预测时间段的交通环境信息输入至所述预先建立的神经网络模型,获取预测时间段的电动汽车驾驶速度;
进一步地,所述能量消耗确定模块用于:
按下式确定预测时间段内第k个采样周期电动汽车能量消耗Ekτ:
Ekτ=(FTractionvk+PAnc)τ
式中,FTraction是电动汽车的牵引力;τ为预测时间段的采样周期;vk是预测时间段内第k个采样周期预测的电动汽车驾驶速度;PAnc是电动汽车辅助系统消耗功率;
进一步地,所述充电需求预测模块包括:
剩余荷电状态确定单元,用于按下式确定第t+nτ时刻的电动汽车电池剩余荷电状态SOCt+nτ:
式中,SOCt是当前时刻t电动汽车电池的荷电状态;n是采样周期总数;Ekτ第k个采样周期电动汽车能量消耗;Ut+kτ是电动汽车电池在第k个采样周期的电压值;Q是电动汽车电池的总电量;
充电需求判断单元,用于当所述剩余荷电状态SOCt+nτ小于20%,则提醒驾驶员需要充电。
和最接近的现有技术比,本发明提供技术方案具有以下优异效果
本发明提出的一种电动汽车充电需求预测方法及装置,通过深度学习大数据平台的历史交通环境信息及其对应的历史电动汽车驾驶速度预先建立的神经网络模型,先将预测时间段内的交通环境信息输入神经网络模型预测电动汽车驾驶速度、再结合车辆牵引力和根据预测出的电动汽车驾驶速度估计电动汽车的能量消耗、最后结合电动汽车电池模型和估计电动汽车的能量消耗确定电动汽车充电需求,能够准确地预测电动汽车的充电需求,具备良好的可操作性和实用性。
附图说明
图1是本发明充电需求预测方法示意图;
图2是本发明充电需求预测装置结构图。
具体实施方式
下面结合实施例对发明作进一步的详细说明。
如图1所示,本发明提供一种电动汽车充电需求预测方法,方法包括:
步骤1,利用预先建立的神经网络模型预测电动汽车驾驶速度;
步骤2,根据所述电动汽车驾驶速度确定电动汽车能量消耗;
步骤3,根据电动汽车能量消耗确定电动汽车充电需求;
其中,预先建立的神经网络模型利用历史交通环境信息及其对应的历史电动汽车驾驶速度获取;
获取步骤包括:
将所述历史交通环境信息及其对应的历史电动汽车驾驶速度输入所述神经网络模型的输入层,并传至所述神经网络模型的隐藏层;
隐藏层学习记忆所述历史交通环境信息及其对应的历史电动汽车驾驶速度;
预先建立的神经网络模型的隐藏层设置有30个神经元;所述神经元设置有AdaGrad优化器;所述优化器的学习率设置为指数衰减法。
其中,交通环境信息包括:温度、风速、交通拥堵指数及道路坡度。
在具体的实施例中,预测方法具体介绍如下:
步骤1利用预先建立的神经网络模型预测电动汽车驾驶速度,具体包括:
将预测时间段的交通环境信息输入至所述预先建立的神经网络模型,获取预测时间段的电动汽车驾驶速度;
步骤2根据所述电动汽车驾驶速度确定电动汽车能量消耗,具体包括:
按下式确定预测时间段内第k个采样周期电动汽车能量消耗Ekτ:
Ekτ=(FTractionvk+PAnc)τ
式中,FTraction是电动汽车的牵引力;τ为预测时间段的采样周期;n是采样周期总数;vk是预测时间段内第k个采样周期预测的电动汽车驾驶速度;PAnc是电动汽车辅助系统消耗功率;
其中,电动汽车的牵引力可以通过车辆动力学模型或实测获得;电动汽车辅助系统消耗功率PAnc包括空调和灯光的功率消耗,可以根据其实际功率消耗状态确定,也可以预设为常值。
步骤3所述根据电动汽车能量消耗确定电动汽车充电需求,具体包括:
按下式确定电池剩余荷电状态SOCt+nτ:
式中,SOCt是当前电动汽车电池的荷电状态;Ut+kτ是电动汽车电池在第k个采样周期的电压值;Q是电动汽车电池的总电量;
当所述剩余荷电状态SOCt+nτ小于20%,则提醒驾驶员需要充电。
如图2所示,本发明还提供一种电动汽车充电需求预测装置,装置包括:
预测速度模块,用于利用预先建立的神经网络模型预测电动汽车驾驶速度;
能量消耗确定模块,用于根据所述电动汽车驾驶速度确定电动汽车能量消耗;
充电需求预测模块,用于根据电动汽车能量消耗确定电动汽车充电需求;
其中,所述预先建立的神经网络模型利用历史交通环境信息及其对应的历史电动汽车驾驶速度建立;
神经网络模型获取模块用于:
将所述历史交通环境信息及其对应的历史电动汽车驾驶速度输入所述神经网络模型的输入层,并传至所述神经网络模型的隐藏层;
所述隐藏层学习记忆所述历史交通环境信息及其对应的历史电动汽车驾驶速度;
神经网络模型的隐藏层设置有30个神经元;所述神经元设置有AdaGrad优化器;所述优化器的学习率设置为指数衰减法。
其中,交通环境信息,包括:温度、风速、交通拥堵指数及道路坡度。
预测装置具体介绍如下:
预测速度模块用于:
将预测时间段的交通环境信息输入至所述预先建立的神经网络模型,获取预测时间段的电动汽车驾驶速度;
能量消耗确定模块用于:
按下式确定预测时间段内第k个采样周期电动汽车能量消耗Ekτ:
Ekτ=(FTractionvk+PAnc)τ
式中,FTraction是电动汽车的牵引力;τ为预测时间段的采样周期;vk是预测时间段内第k个采样周期预测的电动汽车驾驶速度;PAnc是电动汽车辅助系统消耗功率;
其中,电动汽车辅助系统消耗功率PAnc包括空调和灯光的功率消耗,可以根据其实际功率消耗状态确定,也可以预设为常值。
充电需求预测模块包括:
剩余荷电状态确定单元,用于按下式确定第t+nτ时刻的电动汽车电池剩余荷电状态SOCt+nτ:
式中,SOCt是当前时刻t电动汽车电池的荷电状态;n是采样周期总数;Ekτ第k个采样周期电动汽车能量消耗;Ut+kτ是电动汽车电池在第k个采样周期的电压值;Q是电动汽车电池的总电量;
充电需求判断单元,用于当所述剩余荷电状态SOCt+nτ小于20%,则提醒驾驶员需要充电。
综上所述,本发明提出的一种电动汽车充电需求预测方法及装置,通过深度学习大数据平台的历史交通环境信息及其对应的历史电动汽车驾驶速度预先建立的神经网络模型,先将预测时间段内的交通环境信息输入神经网络模型预测电动汽车驾驶速度、再结合车辆牵引力和根据预测出的电动汽车驾驶速度估计电动汽车的能量消耗、最后结合电动汽车电池模型和估计电动汽车的能量消耗确定电动汽车充电需求,能够准确地预测电动汽车的充电需求,具备良好的可操作性和实用性。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员尽管参照上述实施例应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (10)
1.一种电动汽车充电需求预测方法,其特征在于,所述方法包括:
利用预先建立的神经网络模型预测电动汽车驾驶速度;
根据所述电动汽车驾驶速度确定电动汽车能量消耗;
根据电动汽车能量消耗确定电动汽车充电需求;
其中,所述预先建立的神经网络模型利用历史交通环境信息及其对应的历史电动汽车驾驶速度建立。
2.如权利要求1所述的方法,其特征在于,所述交通环境信息,包括:温度、风速、交通拥堵指数及道路坡度。
3.如权利要求2所述的方法,其特征在于,所述利用预先建立的神经网络模型预测电动汽车驾驶速度,包括:
将预测时间段的交通环境信息输入至所述预先建立的神经网络模型,获取预测时间段的电动汽车驾驶速度。
4.如权利要求2所述的方法,其特征在于,所述根据所述电动汽车驾驶速度确定电动汽车能量消耗,包括:
按下式确定预测时间段内第k个采样周期电动汽车能量消耗Ekτ:
Ekτ=(FTractionvk+PAnc)τ
式中,FTraction是电动汽车的牵引力;τ为预测时间段的采样周期;n是采样周期总数;vk是预测时间段内第k个采样周期预测的电动汽车驾驶速度;PAnc是电动汽车辅助系统消耗功率。
5.如权利要求2所述的方法,其特征在于,所述根据电动汽车能量消耗确定电动汽车充电需求包括:
按下式确定电池剩余荷电状态SOCt+nτ:
式中,SOCt是当前电动汽车电池的荷电状态;Ut+kτ是电动汽车电池在第k个采样周期的电压值;Q是电动汽车电池的总电量;
根据若所述剩余荷电状态SOCt+nτ小于20%,则提醒驾驶员需要充电。
6.一种电动汽车充电需求预测装置,其特征在于,所述装置包括:
预测速度模块,用于利用预先建立的神经网络模型预测电动汽车驾驶速度;
能量消耗确定模块,用于根据所述电动汽车驾驶速度确定电动汽车能量消耗;
充电需求预测模块,用于根据电动汽车能量消耗确定电动汽车充电需求;
其中,所述预先建立的神经网络模型利用历史交通环境信息及其对应的历史电动汽车驾驶速度建立。
7.如权利要求6所述的装置,其特征在于,所述交通环境信息,包括:温度、风速、交通拥堵指数及道路坡度。
8.如权利要求7所述的装置,其特征在于,所述预测速度模块用于:
将预测时间段的交通环境信息输入至所述预先建立的神经网络模型,获取预测时间段的电动汽车驾驶速度。
9.如权利要求7所述的装置,其特征在于,所述能量消耗确定模块用于:
按下式确定预测时间段内第k个采样周期电动汽车能量消耗Ekτ:
Ekτ=(FTractionvk+PAnc)τ
式中,FTraction是电动汽车的牵引力;τ为预测时间段的采样周期;vk是预测时间段内第k个采样周期预测的电动汽车驾驶速度;PAnc是电动汽车辅助系统消耗功率。
10.如权利要求7所述的装置,其特征在于,所述充电需求预测模块包括:
剩余荷电状态确定单元,用于按下式确定第t+nτ时刻的电动汽车电池剩余荷电状态SOCt+nτ:
式中,SOCt是当前时刻t电动汽车电池的荷电状态;n是采样周期总数;Ekτ第k个采样周期电动汽车能量消耗;Ut+kτ是电动汽车电池在第k个采样周期的电压值;Q是电动汽车电池的总电量;
充电需求判断单元,用于当所述剩余荷电状态SOCt+nτ小于20%,则提醒驾驶员需要充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811108495.4A CN109409571A (zh) | 2018-09-21 | 2018-09-21 | 一种电动汽车充电需求预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811108495.4A CN109409571A (zh) | 2018-09-21 | 2018-09-21 | 一种电动汽车充电需求预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109409571A true CN109409571A (zh) | 2019-03-01 |
Family
ID=65465190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811108495.4A Pending CN109409571A (zh) | 2018-09-21 | 2018-09-21 | 一种电动汽车充电需求预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109409571A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112217280A (zh) * | 2020-09-28 | 2021-01-12 | 廖志玻 | 一种基于大数据的新能源汽车充电预测提醒系统 |
CN112435053A (zh) * | 2020-11-13 | 2021-03-02 | 睿驰电装(大连)电动系统有限公司 | 电动汽车充电行为的预测方法、装置和电子设备 |
CN112782584A (zh) * | 2019-11-05 | 2021-05-11 | 奥动新能源汽车科技有限公司 | 电池电量的剩余使用额度的预测方法、系统、介质及设备 |
DE102022131650A1 (de) | 2022-11-30 | 2024-06-06 | Audi Aktiengesellschaft | Verfahren zur Bestimmung einer prädiktiven Egogeschwindigkeit eines entlang einer vorgegebenen Strecke fahrenden Fahrzeugs, Steuerungseinrichtung für ein Fahrzeug oder für eine Navigationseinrichtung oder für ein mobiles Nutzerendgerät, Navigationsgerät und Fahrzeug |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
CN104442825A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种电动汽车剩余行驶里程的预测方法和系统 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
CN105691383A (zh) * | 2014-12-11 | 2016-06-22 | 现代自动车株式会社 | 混合动力电动车辆中电池荷电状态的控制装置和方法 |
GB201608120D0 (en) * | 2016-01-20 | 2016-06-22 | Mahindra Reva Electric Vehicles Private Ltd | A method and system for trip planning for vehicles with limited on-board energy |
CN106908075A (zh) * | 2017-03-21 | 2017-06-30 | 福州大学 | 大数据采集与处理系统及基于其电动汽车续航估计方法 |
GB201720903D0 (en) * | 2017-12-14 | 2018-01-31 | Jaguar Land Rover Ltd | Whole journey predictive energy optimisation |
-
2018
- 2018-09-21 CN CN201811108495.4A patent/CN109409571A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
CN104442825A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种电动汽车剩余行驶里程的预测方法和系统 |
CN105691383A (zh) * | 2014-12-11 | 2016-06-22 | 现代自动车株式会社 | 混合动力电动车辆中电池荷电状态的控制装置和方法 |
CN104821080A (zh) * | 2015-03-02 | 2015-08-05 | 北京理工大学 | 基于宏观城市交通流的智能车辆行驶速度及时间预测方法 |
GB201608120D0 (en) * | 2016-01-20 | 2016-06-22 | Mahindra Reva Electric Vehicles Private Ltd | A method and system for trip planning for vehicles with limited on-board energy |
CN106908075A (zh) * | 2017-03-21 | 2017-06-30 | 福州大学 | 大数据采集与处理系统及基于其电动汽车续航估计方法 |
GB201720903D0 (en) * | 2017-12-14 | 2018-01-31 | Jaguar Land Rover Ltd | Whole journey predictive energy optimisation |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112782584A (zh) * | 2019-11-05 | 2021-05-11 | 奥动新能源汽车科技有限公司 | 电池电量的剩余使用额度的预测方法、系统、介质及设备 |
CN112217280A (zh) * | 2020-09-28 | 2021-01-12 | 廖志玻 | 一种基于大数据的新能源汽车充电预测提醒系统 |
CN112217280B (zh) * | 2020-09-28 | 2022-12-27 | 深圳市鸿嘉利新能源有限公司 | 一种基于大数据的新能源汽车充电预测提醒系统 |
CN112435053A (zh) * | 2020-11-13 | 2021-03-02 | 睿驰电装(大连)电动系统有限公司 | 电动汽车充电行为的预测方法、装置和电子设备 |
DE102022131650A1 (de) | 2022-11-30 | 2024-06-06 | Audi Aktiengesellschaft | Verfahren zur Bestimmung einer prädiktiven Egogeschwindigkeit eines entlang einer vorgegebenen Strecke fahrenden Fahrzeugs, Steuerungseinrichtung für ein Fahrzeug oder für eine Navigationseinrichtung oder für ein mobiles Nutzerendgerät, Navigationsgerät und Fahrzeug |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xie et al. | Model predictive energy management for plug-in hybrid electric vehicles considering optimal battery depth of discharge | |
Xie et al. | Pontryagin’s minimum principle based model predictive control of energy management for a plug-in hybrid electric bus | |
Song et al. | Pontryagin’s minimum principle-based real-time energy management strategy for fuel cell hybrid electric vehicle considering both fuel economy and power source durability | |
US11325494B2 (en) | Systems, methods, and storage media for determining a target battery charging level for a drive route | |
Vepsäläinen et al. | Development and validation of energy demand uncertainty model for electric city buses | |
CN104442825B (zh) | 一种电动汽车剩余行驶里程的预测方法和系统 | |
CN109409571A (zh) | 一种电动汽车充电需求预测方法及装置 | |
CN103273921B (zh) | 电动汽车续驶里程估计方法 | |
CN103033752B (zh) | 电动车电池寿命预测方法以及延长方法 | |
Wu et al. | Hierarchical predictive control for electric vehicles with hybrid energy storage system under vehicle-following scenarios | |
Wang et al. | Parameterized deep Q-network based energy management with balanced energy economy and battery life for hybrid electric vehicles | |
CN103713262A (zh) | 用于计算绿色车辆的可能行驶距离的系统和方法 | |
US20230139003A1 (en) | Systems and methods for managing velocity profiles | |
Veerendra et al. | Hybrid power management for fuel cell/supercapacitor series hybrid electric vehicle | |
Zhang et al. | A novel learning-based model predictive control strategy for plug-in hybrid electric vehicle | |
Xu et al. | Optimization of energy management strategy for extended range electric vehicles using multi-island genetic algorithm | |
Ritter et al. | Long-term stochastic model predictive control for the energy management of hybrid electric vehicles using Pontryagin’s minimum principle and scenario-based optimization | |
Wang et al. | Real-time energy management strategy for a plug-in hybrid electric bus considering the battery degradation | |
CN114282821A (zh) | 一种共享电动汽车的调度方法、系统及设备 | |
Yao et al. | Simulation-based optimization framework for economic operations of autonomous electric taxicab considering battery aging | |
EP3875976A1 (en) | Electricity storage element evaluating device, computer program, electricity storage element evaluating method, learning method, and creation method | |
Li et al. | A comparative study of energy-oriented driving strategy for connected electric vehicles on freeways with varying slopes | |
Li et al. | Data-driven bi-level predictive energy management strategy for fuel cell buses with algorithmics fusion | |
CN109919393A (zh) | 一种电动出租汽车的充电负荷预测方法 | |
Das et al. | Eco-routing navigation systems in electric vehicles: A comprehensive survey |
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 |