CN109849734B - 一种基于用户体验的电动汽车剩余续驶里程算法 - Google Patents

一种基于用户体验的电动汽车剩余续驶里程算法 Download PDF

Info

Publication number
CN109849734B
CN109849734B CN201910062265.7A CN201910062265A CN109849734B CN 109849734 B CN109849734 B CN 109849734B CN 201910062265 A CN201910062265 A CN 201910062265A CN 109849734 B CN109849734 B CN 109849734B
Authority
CN
China
Prior art keywords
com
driving range
soc
algorithm
charging
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
Application number
CN201910062265.7A
Other languages
English (en)
Other versions
CN109849734A (zh
Inventor
金希佳
陈栋梁
兰军明
张�浩
吴海平
宋振营
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.)
Jiangsu Min'an Automotive Co ltd
Original Assignee
Jiangsu Min'an Automotive 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 Jiangsu Min'an Automotive Co ltd filed Critical Jiangsu Min'an Automotive Co ltd
Priority to CN201910062265.7A priority Critical patent/CN109849734B/zh
Publication of CN109849734A publication Critical patent/CN109849734A/zh
Application granted granted Critical
Publication of CN109849734B publication Critical patent/CN109849734B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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

  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明提供一种基于用户体验的电动汽车剩余续驶里程算法，根据车辆历史运行数据进行用户驾驶习惯分析和预期行驶路况预测，针对不同SOC下的用户关注点采用不同算法进行剩余续驶里程计算，尽可能反映出真实的剩余续驶里程；同时该算法通过补偿算法，跨SOC区间时不同算法估算的剩余续驶里程之间可以平滑过渡，不会产生跳变；注重用户体验的优化。本方法无需导航或GPRS，适用性广。

Description

一种基于用户体验的电动汽车剩余续驶里程算法
技术领域
本发明涉及电动汽车剩余续驶里程算法，注重用户体验的优化,同时尽可能的提高剩余续驶里程估算精度。
背景技术
近年来，能源枯竭和环境污染问题日益受到关注，全球开始大力倡导节能、环保的电动汽车。随着普通用户对电动汽车接受程度的日渐提高，人们对电动汽车的安全性、舒适性和续驶里程提出了更高的要求。电动汽车通过一系列的算法，估算出剩余续驶里程并通过仪表显示告知用户。准确的剩余续驶里程显示，对于消除用户的“里程焦虑”将会有很大帮助。
早期的电动汽车，通常根据动力电池的SOC(荷电状态)来估算电动汽车的剩余续驶里程。然而，电动汽车的续驶里程不仅与动力电池的SOC有关，而且与车辆行驶的路况、环境以及用户的驾驶习惯等也有很大关系。此外，动力电池自身容量的衰减也会对电动汽车续驶里程产生影响。
公开号为CN105882435的中国专利，描述了一种根据动力电池SOC估算电动汽车剩余续驶里程的算法。在该专利中，SOC被划分为若干区间，不同SOC区间对应特定的续驶里程，该续驶里程可以通过“自学习”进行实时的修正，最终通过查表法获取剩余SOC对应的续驶里程累加来估算电动汽车的剩余续驶里程。上述方案的问题在于：一、对于没有经过自学习的新车，用户首次驾车时的剩余续驶里程显示可能不准确；二、该专利中的“自学习”方法，能一定程度上把除SOC以外影响续驶里程的因素涵盖到SOC区间与续驶里程的对照表中，但该“自学习”的样本仅为上一次驾驶工况的相关数据，存在局限性。
公开号为US2018118033的美国专利，描述了一种根据单位里程能耗估算电动汽车剩余续驶里程的算法。该算法通过历史工况的相关数据计算单位里程能耗，从而结合动力电池剩余可用能量估算出电动汽车剩余续驶里程。对于某些较复杂的路况，该算法可能导致剩余续驶里程上下浮动，用户体验较差。
公开号为CN105459842的中国专利，描述了一种通过导航系统获取电动汽车预定行驶路径，并根据大数据分析得到预定行驶路径的平均能耗估算电动汽车剩余续驶里程的算法；公开号为CN103660984的中国专利，描述了一种通过导航系统获取电动汽车预定行驶路径，并根据由车型、整车参数、电机参数提取到的参考运动学片段估算电动汽车剩余续驶里程的算法。以上两种算法结合了实际路况信息，可以较准确的估算出电动汽车剩余续驶里程，但必须在开启导航的情况下才能实现，此外，对于某些偏远路线或GPRS信号弱的地区，这两种算法的适应性较差。
发明内容
本发明目的在于提供一种基于用于体验的电动汽车剩余续驶里程算法，用于解决传统的电动汽车续驶里程算法中考虑的因素较为片面、用户体验差、适应性差的技术问题。
为达成上述目的，本发明提出如下技术方案：
一种基于用户体验的电动汽车剩余续驶里程算法，其特征在于：在汽车上电时，以T为周期循环执行剩余续驶里程算法计算汽车剩余续驶里程RDM；在汽车充电结束后，进行剩余续驶里程充电重置算法，对S0和CFlag进行重置；
其中，剩余续驶里程充电重置算法的计算过程如下：
首先判断SOC＝100％是否成立；
若成立，则S0＝F(ODO-HODO)，CFlag＝0，Ccom＝0，Sc＝0；
若不成立，且SOC≥80％，则S0＝a*F(ODO-HODO)*SOC+b*Ebat/(E0*K0)，CFlag＝0，Ccom＝0，Sc＝0；
若SOC＜80％，则不进行重置；
其中，剩余续驶里程算法的计算过程如下：
首先判断SOC≥40％是否成立；
若成立，则LFlag＝0，Lcom＝0；
若成立，且CFlag＝0，则RDM＝S0-SC+│S0-SC-S1│*Ccom/20，同时判断SFlag＝1是否成立，若成立则执行充电重置剩余续驶里程补偿算法更新上式中的Ccom值；
若成立，且CFlag＝1，则RDM＝Ebat/E40；
若不成立，且SOC≥30％、LFlag＝0，则RDM＝S1+│S1-S2│*Lcom/10，同时判断SFlag＝1是否成立，若成立则执行低SOC剩余续驶里程补偿算法更新上式中的Lcom值；
若不成立，且SOC≥30％且LFlag＝1，则RDM＝Ebat/E30；
若不成立，且SOC＜30％，则RDM＝Ebat/E30；
其中，充电重置剩余续驶里程补偿算法的计算过程如下：
首先判断│DeltaSC│＜2是否成立；
若成立，则认为补偿完成，CFlag＝1，Ccom＝0；
若不成立，且DeltaSC＞0，则Ccom取上一周期的Ccom值减1，Ccom最小值限制为-20，同时判断Ccom＞0是否成立，若成立则Ccom＝-20；
若不成立，且DeltaSC＜0，则Ccom取上一周期的Ccom值加1，Ccom最大值限制为20，同时判断Ccom＜0是否成立，若成立则Ccom＝20；
其中，低SOC剩余续驶里程补偿算法的计算过程如下：
首先判断│DeltaSL│＜2是否成立；
若成立，则认为补偿完成，LFlag＝1，Lcom＝0；
若不成立，且DeltaSL＞0，则Lcom取上一周期的Lcom值减1，Lcom最小值限制为-10，同时判断Lcom＞0是否成立，若成立则Lcom＝-10；
若不成立，且DeltaSL＜0，则Lcom取上一周期的Lcom值加1，Lcom最大值限制为10，同时判断Lcom＜0是否成立，若成立则Lcom＝10；
上述涉及的各个参数含义如下：
1)RDM，估算出的电动汽车剩余续驶里程；
2)SOC，动力电池荷电状态，通过CAN总线从电池管理系统获取；
3)ODO，电动汽车行驶总里程，通过CAN总线从仪表获取；
4)HODO，历史电动汽车行驶总里程，初始值为0，若电动汽车更换动力电池总成，由维修人员将更换动力电池前的电动汽车行驶总里程刷写入EEPROM中；
5)F(ODO-HODO)，总续驶里程函数，体现动力电池衰减对续驶里程的影响，通过动力电池试验数据和电动汽车用户大数据分析获得；
6)E0，由转毂测试获得的标准工况下平均单位里程能耗值，标准工况可以选择NEDC循环工况或者WLTP循环工况；
7)Ebat，动力电池剩余可用能量，通过CAN总线从电池管理系统获取；
8)E40，SOC>＝40％时的计算单位里程能耗，E40＝(c*E0*K0+d*E5)；
9)a，剩余续驶里程充电重置算法中的ODO权重系数，可标定量；
10)b，剩余续驶里程充电重置算法中的用户权重系数，可标定量；
11)c，计算单位里程能耗时的用户驾驶习惯权重系数，可标定量；
12)d，计算单位里程能耗时的最近5公里能耗权重系数，可标定量；
13)K1，K2，K3，K4，K5，体现用户驾驶习惯的用户系数，初始值为1，每次充电开始且满足条件Lbc-Lac>＝80时进行计算，K1＝Eu1/E0，K2＝Eu2/E0，K3＝Eu3/E0，K4＝Eu4/E0，K5＝Eu5/E0，存储于EEPROM中，整车上电时读取；
14)K0，计算用户系数，初始值为1，每次充电开始时进行计算，当K1～K5两两之间的误差小于10％时，K0取K1～K5的平均值，当K1～K3与K0之间的误差均大于10％时，K0值重置为K1～K3平均值，存储于EEPROM中，整车上电时读取；
15)Lbc，充电开始时的ODO，初始值＝0，每次充电开始时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
16)Lac，上次充电后的ODO，初始值＝0，每次充电终止时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
17)Ebc，充电开始时的Ebat，初始值＝0，每次充电开始时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
18)Eac，上次充电后的Ebat，初始值＝0，每次充电终止时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
19)Eu1，Eu2，Eu3，Eu4，Eu5，用户单位里程能耗值，初始值均为E0，每次充电开始且满足条件Lbc-Lac>＝80时进行计算，更新Eu1＝(Eac-Ebc)/(Lbc-Lac)，同时更新Eu2为上一轮的Eu1，Eu3为上一轮的Eu2，Eu3为上一轮的Eu2，Eu4为上一轮的Eu3，Eu5为上一轮的Eu4，如此循环覆盖，并存储于EEPROM中，整车上电时读取；
20)E5，最近5km平均单位里程能耗，车辆每行驶1km进行计算，整车下电VCU休眠前存储于EEPROM中，整车上电时读取；
21)Ehvac，供热通风与空气调节系统工作时暖风或空调的单位里程能耗；
22)CFlag，充电重置剩余续驶里程补偿完成标志位，充电结束且SOC>＝80％时，该参数置0，补偿完成后，该参数置1；
23)Ccom，充电重置剩余续驶里程补偿系数，初始值＝0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取；
24)LFlag，低SOC剩余续驶里程补偿完成标志位，SOC＞＝40％时，该参数置0，补偿完成后，该参数置1；
25)Lcom，低SOC剩余续驶里程补偿系数，初始值＝0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取；
26)SFlag，里程标志位，初始值＝0，每行驶满1km，该参数置1，每一个计算周期起始置0；
27)S0，充电重置后的剩余续驶里程，存储于EEPROM中，整车上电时读取；
28)S1，第一低SOC剩余续驶里程补偿算法计算里程，S1＝Ebat/E40；
29)S2，第二低SOC剩余续驶里程补偿算法计算里程，S2＝Ebat/E30；
30)E30，SOC<30％时的计算单位里程能耗，E30＝E5+Ehvac；
31)DeltaSC，充电重置剩余续驶里程补偿算法条件参数，DeltaSC＝LRDM-S1；
32)DeltaSL，低SOC剩余续驶里程补偿算法条件参数，DeltaSL＝LRDM-S2；
33)LRDM，上一计算周期的RDM计算值；
34)Sc，充电重置后的累计行驶里程，充电重置后置0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取并继续累加。
有益效果：
由以上技术方案可知，本发明的技术方案提供了一种基于用户体验的电动汽车剩余续驶里程算法。该算法针对动力电池处于不同SOC区间时用户的关注点，展开不同的剩余续驶里程算法，并通过补偿算法，使跨SOC区间时估算的剩余续驶里程平滑过渡；同时，该算法充分考虑不同用户的驾驶习惯，同时根据车辆历史运行数据进行行驶路况预测，尽可能的估算出接近真实的剩余续驶里程。从而获取用户对估算出的剩余续驶里程的信任度，减轻用户里程焦虑，提升用户体验。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不意在按比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为剩余续驶里程充电重置算法；
图2为剩余续驶里程算法；
图3为充电重置剩余续驶里程补偿算法；
图4为低SOC剩余续驶里程补偿算法。
具体实施方式
为了更了解本发明的技术内容，特举具体实施例并配合所附图式说明如下。
在本公开中参照附图来描述本发明的各方面，附图中示出了许多说明的实施例。本公开的实施例不必定意在包括本发明的所有方面。应当理解，上面介绍的多种构思和实施例，以及下面更加详细地描述的那些构思和实施方式可以以很多方式中任意一种来实施，这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外，本发明公开的一些方面可以单独使用，或者与本发明公开的其他方面的任何适当组合来使用。
本发明的具体实施例提供一种基于用户体验的电动汽车剩余续驶里程算法，该算法起始于电动汽车上电时，用于为不同SOC状态下的电动汽车提供剩余续驶里程的估算。充电结束时，若SOC大于等于设定阈值，则进行剩余续驶里程重置，根据是否充满分别进行不同的重置算法。
如图1所示，在汽车上电时，以T为周期循环执行剩余续驶里程算法计算汽车剩余续驶里程RDM；在汽车充电结束后，进行剩余续驶里程充电重置算法，对S0和CFlag进行重置。
其中，剩余续驶里程充电重置算法的计算过程如下：
首先判断SOC＝100％是否成立；
若成立，则S0＝F(ODO-HODO)，CFlag＝0，Ccom＝0，Sc＝0。
此处根据电动汽车动力电池总成已使用的总里程，估计动力电池能量衰减情况，并体现到电动汽车剩余续驶里程中。
通过合理的F(ODO-HODO)曲线标定，用户每次充满电后感知到的剩余续驶里程，与厂商的设计续驶里程保持一致，不会发生跳变，同时可以体现出动力电池的衰减对剩余续驶里程的影响。
若不成立，且SOC≥80％，则S0＝a*F(ODO-HODO)*SOC+b*Ebat/(E0*K0)，CFlag＝0，Ccom＝0，Sc＝0。
若SOC＜80％，则不执行剩余续驶里程充电重置算法。
80％为SOC设定阈值，在该设定阈值与100％之间，通过合理的标定，一方面，用户充电后感知到的剩余续驶里程比较合乎用户逻辑(与总续驶里程*SOC差距不会太大)，另一方面，该剩余续驶里程也充分考虑了用户的驾驶习惯、预测了用户可能的行驶路况。
上面提到的剩余续驶里程算法是在汽车上电时始终存在的一个算法，周期以现有的处理器的处理能力能控制在毫秒级，本具体实施例中采用的计算频率为10ms每次，即以T＝10ms为周期循环执行的一个算法。
该算法的计算过程如下：
首先判断SOC≥40％是否成立；
若成立，则LFlag＝0，Lcom＝0。
若成立，且CFlag＝0，则RDM＝S0-SC+│S0-SC-S1│*Ccom/20，同时判断SFlag＝1是否成立，若成立则执行充电重置剩余续驶里程补偿算法更新上式中的Ccom值。
若成立，且CFlag＝1，则RDM＝Ebat/E40。
若不成立，且SOC≥30％、LFlag＝0，则RDM＝S1+│S1-S2│*Lcom/10，同时判断SFlag＝1是否成立，若成立则执行低SOC剩余续驶里程补偿算法更新上式中的Lcom值。
若不成立，且SOC≥30％且LFlag＝1，则RDM＝Ebat/E30。
若不成立，且SOC＜30％，则RDM＝Ebat/E30。
这里将CFlag作为是否进行充电重置补偿的标识位，每次充电重置后置0，每次补偿完成置1。因为充电重置后的剩余续驶里程与使用公式计算的剩余续驶里程会存在差异，通过补偿算法，使充电重置后的剩余续驶里程平滑过渡，避免直接跳变。
同样的，本算法中SOC＜30％时使用的剩余续驶里程计算公式和SOC≥40％时使用的计算公式不一样，当SOC＜40％时通过补偿算法，使计算结果平滑过渡。
这样设计的目的在于：当SOC≥40％，根据历史工况(最近5次充电且行驶里程≥80km的区间行驶工况，以及最近5km行驶工况作为参考样本)预计未来工况，来估算剩余续驶里程。当SOC较低(SOC≤30％)时，仅根据最近5km行驶工况和HVAC工作情况作为样本来预估未来工况，从而估算剩余续驶里程。前者计算的剩余续驶里程随着用户用车平滑缓慢下降，后者计算更为保守，且可能存在剩余续驶里程计算结果随工况跳变的情况。
如图3所示，进行充电重置剩余续驶里程补偿算法的计算过程如下：
首先判断│DeltaSC│＜2是否成立；
若成立，则认为补偿完成，CFlag＝1，Ccom＝0；
若不成立，且DeltaSC＞0，则Ccom取上一周期的Ccom值减1，Ccom最小值限制为-20，同时判断Ccom＞0是否成立，若成立则Ccom＝-20；
若不成立，且DeltaSC＜0，则Ccom取上一周期的Ccom值加1，Ccom最大值限制为20，同时判断Ccom＜0是否成立，若成立则Ccom＝20；
为了尽快完成补偿，上述Ccom值最大不大于20，最小不小于-20。
上述Ccom是选择加1还是减1是考虑补偿方向，根据DeltaSC的计算式DeltaSC＝LRDM-S1，其中LRDM为上一周期的RDM计算值，在补偿未开始时，LRDM侧重考虑与设计总里程相关的算法，而S1侧重考虑历史工况、驾驶习惯的算法，通过Ccom的补偿方向，使得计算结果逐渐向S1平滑过渡。
如图4所示，进行低SOC剩余续驶里程补偿算法的计算过程如下：
首先判断│DeltaSL│＜2是否成立；
若成立，则认为补偿完成，LFlag＝1，Lcom＝0；
若不成立，且DeltaSL＞0，则Lcom取上一周期的Lcom值减1，Lcom最小值限制为-10，同时判断Lcom＞0是否成立，若成立则Lcom＝-10；
若不成立，且DeltaSL＜0，则Lcom取上一周期的Lcom值加1，Lcom最大值限制为10，同时判断Lcom＜0是否成立，若成立则Lcom＝10；
同理，这里的Lcom是选择加1还是减1也是考虑补偿方向，基本思路与上文对Ccom的取值方法类似。为了尽快完成补偿，上述Lcom值最大不大于10，最小不小于-10。
上述涉及的各个参数含义如下：
1)RDM，估算出的电动汽车剩余续驶里程。
2)SOC，动力电池荷电状态，通过CAN总线从电池管理系统获取。
3)ODO，电动汽车行驶总里程，通过CAN总线从仪表获取。
4)HODO，历史电动汽车行驶总里程，初始值为0，若电动汽车更换动力电池总成，由维修人员将更换动力电池前的电动汽车行驶总里程刷写入EEPROM中。
5)F(ODO-HODO)，总续驶里程函数，体现动力电池衰减对续驶里程的影响，通过动力电池试验数据和电动汽车用户大数据分析获得。
6)E0，由转毂测试获得的标准工况下平均单位里程能耗值，标准工况可以选择NEDC循环工况或者WLTP循环工况。
7)Ebat，动力电池剩余可用能量，通过CAN总线从电池管理系统获取。
8)E40，SOC>＝40％时的计算单位里程能耗，E40＝(c*E0*K0+d*E5)。
当SOC≥40％，根据最近5次充电且行驶里程＞80km的区间行驶工况，以及最近5km行驶工况作为参考样本来预计未来工况，权重系数可自由定义。现阶段电动汽车受续驶里程限制，一般用于城市内工况，大部分情况下，电动汽车的工况和路线相对简单、有规律，此算法可较准确的预估剩余续驶里程。对于复杂多变的工况，难以准确预估，但本算法的参考样本相比业内其他算法的参考样本(一般为最近xxkm的能耗)更广，适应性更强。
9)a，剩余续驶里程充电重置算法中的ODO权重系数，可标定量。
10)b，剩余续驶里程充电重置算法中的用户权重系数，可标定量。
11)c，计算单位里程能耗时的用户驾驶习惯权重系数，可标定量。
12)d，计算单位里程能耗时的最近5公里能耗权重系数，可标定量。
上述所谓的标定，为通过CCP协议进行整车标定，调整不同参数进行验证，得到效果最优的参数组合。本算法可以通过调整a、b、c、d权重系数，实现输出的剩余续驶里程估算结果偏向不同。而什么样的权重系数是合适的，不在本算法的讨论范围内。
13)K1，K2，K3，K4，K5，体现用户驾驶习惯的用户系数，初始值为1，每次充电开始且满足条件Lbc-Lac>＝80时进行计算，K1＝Eu1/E0，K2＝Eu2/E0，K3＝Eu3/E0，K4＝Eu4/E0，K5＝Eu5/E0，存储于EEPROM中，整车上电时读取。
14)K0，计算用户系数，初始值为1，每次充电开始时进行计算，当K1～K5两两之间的误差小于10％时，K0取K1～K5的平均值，当K1～K3与K0之间的误差均大于10％时，K0值重置为K1～K3平均值，存储于EEPROM中，整车上电时读取。
当K1～K3与K0之间的误差均超过阈值(连续三次充电区间行驶工况有较大变化)，视为以下两种情况发生：
1、车辆常用运行工况有变化；
2、车辆驾驶员变化(驾驶习惯变化)；
此时更新K0值，将上述变化体现到剩余续驶里程计算中。
15)Lbc，充电开始时的ODO，初始值＝0，每次充电开始时，通过CAN总线获取并存储于EEPROM中，整车上电时读取。
16)Lac，上次充电后的ODO，初始值＝0，每次充电终止时，通过CAN总线获取并存储于EEPROM中，整车上电时读取。
17)Ebc，充电开始时的Ebat，初始值＝0，每次充电开始时，通过CAN总线获取并存储于EEPROM中，整车上电时读取。
18)Eac，上次充电后的Ebat，初始值＝0，每次充电终止时，通过CAN总线获取并存储于EEPROM中，整车上电时读取。
19)Eu1，Eu2，Eu3，Eu4，Eu5，用户单位里程能耗值，初始值均为E0，每次充电开始且满足条件Lbc-Lac>＝80时，即两次充电之间行驶距离大于80KM时，认为样本可信度高，此时进行一轮计算，更新Eu1＝(Eac-Ebc)/(Lbc-Lac)，同时更新Eu2为上一轮的Eu1，Eu3为上一轮的Eu2，Eu3为上一轮的Eu2，Eu4为上一轮的Eu3，Eu5为上一轮的Eu4，如此循环覆盖，并存储于EEPROM中，整车上电时读取。
20)E5，最近5km平均单位里程能耗，车辆每行驶1km进行计算，整车下电VCU休眠前存储于EEPROM中，整车上电时读取。
21)Ehvac，供热通风与空气调节系统工作时暖风或空调的单位里程能耗。
22)CFlag，充电重置剩余续驶里程补偿完成标志位，充电结束且SOC>＝80％时，该参数置0，补偿完成后，该参数置1。
23)Ccom，充电重置剩余续驶里程补偿值，初始值＝0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取。
24)LFlag，低SOC剩余续驶里程补偿完成标志位，SOC＞＝40％时，该参数置0，补偿完成后，该参数置1。
25)Lcom，低SOC剩余续驶里程补偿值，初始值＝0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取。
26)SFlag，里程标志位，初始值＝0，每行驶满1km，该参数置1，每一个计算周期起始置0。
27)S0，充电重置后的剩余续驶里程，存储于EEPROM中，整车上电时读取。
28)S1，第一低SOC剩余续驶里程补偿算法计算里程，S1＝Ebat/E40。
29)S2，第二低SOC剩余续驶里程补偿算法计算里程，S2＝Ebat/E30。
30)E30，SOC<30％时的计算单位里程能耗，E30＝E5+Ehvac。
31)DeltaSC，充电重置剩余续驶里程补偿算法条件参数，DeltaSC＝LRDM-S1。
32)DeltaSL，低SOC剩余续驶里程补偿算法条件参数，DeltaSL＝LRDM-S2。
33)LRDM，上一计算周期的RDM计算值。
34)Sc，充电重置后的累计行驶里程，充电重置后置0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取并继续累加。
具体的，本发明的算法具有如下优势：
1、针对动力电池处于不同SOC区间时用户的关注点，展开不同的剩余续驶里程算法，提升用户体验。在用户充电完成且充满电的情况下，每次估算的剩余续驶里程一致，不会短期内发生跳变，同时能体现动力电池衰减引起的剩余续驶里程减少；在SOC较高时，充分考虑不同用户的驾驶习惯，同时根据车辆历史运行数据进行行驶路况预测，进行剩余续驶里程估算；在SOC较低时，根据车辆最近5km运行数据，进行保守估算，尽可能的反映出真实的剩余续驶里程。
2、通过补偿算法，跨SOC区间时估算的剩余续驶里程可以平滑过渡，优化用户体验。
3、对于没有历史运行数据的新车，本算法通过由转毂测试得到的E0以及K0初始值，也能较准确的估算出剩余续驶里程。
4、对于城市路况，尤其是每天行驶路线及驾驶员固定的情况下(即计算K0时，K1～K5两两之间的误差小于设定阈值时)，本算法估算出的剩余续驶里程较精确。
5、对于复杂路况，当SOC＞30％时，本算法充分改善了估算出的剩余续驶里程随车辆工况上下浮动的问题，优化了用户体验。
6、本算法无需导航、无需GRPS信号，适用性更广。
7、本算法仅需占用EEPROM一定字节数的存储空间，算法相对简单，硬件资源需求较小，无需增加成本。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (2)

1.一种基于用户体验的电动汽车剩余续驶里程算法，其特征在于：在汽车上电时，以T为周期循环执行剩余续驶里程算法计算汽车剩余续驶里程RDM；在汽车充电结束后，进行剩余续驶里程充电重置算法，对S0和CFlag进行重置；
其中，剩余续驶里程充电重置算法的计算过程如下：
首先判断SOC＝100％是否成立；
若成立，则S0＝F(ODO-HODO)，CFlag＝0，Ccom＝0，Sc＝0；
若不成立，且SOC≥80％，则S0＝a*F(ODO-HODO)*SOC+b*Ebat/(E0*K0)，CFlag＝0，Ccom＝0，Sc＝0；
若SOC＜80％，则不进行重置；
其中，剩余续驶里程算法的计算过程如下：
首先判断SOC≥40％是否成立；
若成立，则LFlag＝0，Lcom＝0；
若成立，且CFlag＝0，则RDM＝S0-SC+│S0-SC-S1│*Ccom/20，同时判断SFlag＝1是否成立，若成立则执行充电重置剩余续驶里程补偿算法更新上式中的Ccom值；
若成立，且CFlag＝1，则RDM＝Ebat/E40；
若不成立，且SOC≥30％、LFlag＝0，则RDM＝S1+│S1-S2│*Lcom/10，同时判断SFlag＝1是否成立，若成立则执行低SOC剩余续驶里程补偿算法更新上式中的Lcom值；
若不成立，且SOC≥30％且LFlag＝1，则RDM＝Ebat/E30；
若不成立，且SOC＜30％，则RDM＝Ebat/E30；
其中，充电重置剩余续驶里程补偿算法的计算过程如下：
首先判断│DeltaSC│＜2是否成立；
若成立，则认为补偿完成，CFlag＝1，Ccom＝0；
若不成立，且DeltaSC＞0，则Ccom取上一周期的Ccom值减1，Ccom最小值限制为-20，同时判断Ccom＞0是否成立，若成立则Ccom＝-20；
若不成立，且DeltaSC＜0，则Ccom取上一周期的Ccom值加1，Ccom最大值限制为20，同时判断Ccom＜0是否成立，若成立则Ccom＝20；
其中，低SOC剩余续驶里程补偿算法的计算过程如下：
首先判断│DeltaSL│＜2是否成立；
若成立，则认为补偿完成，LFlag＝1，Lcom＝0；
若不成立，且DeltaSL＞0，则Lcom取上一周期的Lcom值减1，Lcom最小值限制为-10，同时判断Lcom＞0是否成立，若成立则Lcom＝-10；
若不成立，且DeltaSL＜0，则Lcom取上一周期的Lcom值加1，Lcom最大值限制为10，同时判断Lcom＜0是否成立，若成立则Lcom＝10；
上述涉及的各个参数含义如下：
1)RDM，估算出的电动汽车剩余续驶里程；
2)SOC，动力电池荷电状态，通过CAN总线从电池管理系统获取；
3)ODO，电动汽车行驶总里程，通过CAN总线从仪表获取；
4)HODO，历史电动汽车行驶总里程，初始值为0，若电动汽车更换动力电池总成，由维修人员将更换动力电池前的电动汽车行驶总里程刷写入EEPROM中；
5)F(ODO-HODO)，总续驶里程函数，体现动力电池衰减对续驶里程的影响，通过动力电池试验数据和电动汽车用户大数据分析获得；
6)E0，由转毂测试获得的标准工况下平均单位里程能耗值，标准工况可以选择NEDC循环工况或者WLTP循环工况；
7)Ebat，动力电池剩余可用能量，通过CAN总线从电池管理系统获取；
8)E40，SOC>＝40％时的计算单位里程能耗，E40＝(c*E0*K0+d*E5)；
9)a，剩余续驶里程充电重置算法中的ODO权重系数，可标定量；
10)b，剩余续驶里程充电重置算法中的用户权重系数，可标定量；
11)c，计算单位里程能耗时的用户驾驶习惯权重系数，可标定量；
12)d，计算单位里程能耗时的最近5公里能耗权重系数，可标定量；
13)K1，K2，K3，K4，K5，体现用户驾驶习惯的用户系数，初始值为1，每次充电开始且满足条件Lbc-Lac>＝80时进行计算，K1＝Eu1/E0，K2＝Eu2/E0，K3＝Eu3/E0，K4＝Eu4/E0，K5＝Eu5/E0，存储于EEPROM中，整车上电时读取；
14)K0，计算用户系数，初始值为1，每次充电开始时进行计算，当K1～K5两两之间的误差小于10％时，K0取K1～K5的平均值，当K1～K3与K0之间的误差均大于10％时，K0值重置为K1～K3平均值，存储于EEPROM中，整车上电时读取；
15)Lbc，充电开始时的ODO，初始值＝0，每次充电开始时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
16)Lac，上次充电后的ODO，初始值＝0，每次充电终止时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
17)Ebc，充电开始时的Ebat，初始值＝0，每次充电开始时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
18)Eac，上次充电后的Ebat，初始值＝0，每次充电终止时，通过CAN总线获取并存储于EEPROM中，整车上电时读取；
19)Eu1，Eu2，Eu3，Eu4，Eu5，用户单位里程能耗值，初始值均为E0，每次充电开始且满足条件Lbc-Lac>＝80时进行计算，更新Eu1＝(Eac-Ebc)/(Lbc-Lac)，同时更新Eu2为上一轮的Eu1，Eu3为上一轮的Eu2，Eu3为上一轮的Eu2，Eu4为上一轮的Eu3，Eu5为上一轮的Eu4，如此循环覆盖，并存储于EEPROM中，整车上电时读取；
20)E5，最近5km平均单位里程能耗，车辆每行驶1km进行计算，整车下电VCU休眠前存储于EEPROM中，整车上电时读取；
21)Ehvac，供热通风与空气调节系统工作时暖风或空调的单位里程能耗；
22)CFlag，充电重置剩余续驶里程补偿完成标志位，充电结束且SOC>＝80％时，该参数置0，补偿完成后，该参数置1；
23)Ccom，充电重置剩余续驶里程补偿系数，初始值＝0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取；
24)LFlag，低SOC剩余续驶里程补偿完成标志位，SOC＞＝40％时，该参数置0，补偿完成后，该参数置1；
25)Lcom，低SOC剩余续驶里程补偿系数，初始值＝0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取；
26)SFlag，里程标志位，初始值＝0，每行驶满1km，该参数置1，每一个计算周期起始置0；
27)S0，充电重置后的剩余续驶里程，存储于EEPROM中，整车上电时读取；
28)S1，第一低SOC剩余续驶里程补偿算法计算里程，S1＝Ebat/E40；
29)S2，第二低SOC剩余续驶里程补偿算法计算里程，S2＝Ebat/E30；
30)E30，SOC<30％时的计算单位里程能耗，E30＝E5+Ehvac；
31)DeltaSC，充电重置剩余续驶里程补偿算法条件参数，DeltaSC＝LRDM-S1；
32)DeltaSL，低SOC剩余续驶里程补偿算法条件参数，DeltaSL＝LRDM-S2；
33)LRDM，上一计算周期的RDM计算值；
34)Sc，充电重置后的累计行驶里程，充电重置后置0，整车下电VCU休眠前存储于EEPROM中，整车上电时读取并继续累加。
2.根据权利要求1所述的基于用户体验的电动汽车剩余续驶里程算法，其特征在于：所述T为毫秒级。
CN201910062265.7A 2019-01-23 2019-01-23 一种基于用户体验的电动汽车剩余续驶里程算法 Active CN109849734B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910062265.7A CN109849734B (zh) 2019-01-23 2019-01-23 一种基于用户体验的电动汽车剩余续驶里程算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910062265.7A CN109849734B (zh) 2019-01-23 2019-01-23 一种基于用户体验的电动汽车剩余续驶里程算法

Publications (2)

Publication Number Publication Date
CN109849734A CN109849734A (zh) 2019-06-07
CN109849734B true CN109849734B (zh) 2020-09-08

Family

ID=66895670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910062265.7A Active CN109849734B (zh) 2019-01-23 2019-01-23 一种基于用户体验的电动汽车剩余续驶里程算法

Country Status (1)

Country Link
CN (1) CN109849734B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113335131B (zh) * 2020-02-18 2022-12-23 宁波吉利汽车研究开发有限公司 一种车辆续航里程预测方法、装置、设备和存储介质
CN111516553B (zh) * 2020-04-24 2021-12-17 东风汽车集团有限公司 纯电动汽车剩余续航里程计算方法
CN113682196B (zh) * 2020-05-19 2024-04-02 北京新能源汽车股份有限公司 一种电动汽车续航里程的评估方法、装置及汽车
CN112319307A (zh) * 2020-10-30 2021-02-05 东风襄阳旅行车有限公司 一种基于k值的电动汽车续驶里程估算方法
CN114005195B (zh) * 2021-11-17 2024-03-26 中国第一汽车股份有限公司 一种续驶里程的显示方法、装置、车辆及存储介质
CN114954022A (zh) * 2022-05-10 2022-08-30 重庆大学 一种电动汽车车云协同控制装置和方法
CN117681772A (zh) * 2022-09-05 2024-03-12 华为技术有限公司 充电提醒的方法、装置和车辆

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4292721B2 (ja) * 2001-02-14 2009-07-08 株式会社日本自動車部品総合研究所 ハイブリッド車の電池状態制御方法
EP2744068B1 (en) * 2011-10-04 2019-01-09 LG Chem, Ltd. Battery management system and battery management method
CN103863125B (zh) * 2014-03-18 2016-08-17 安徽安凯汽车股份有限公司 一种电动汽车剩余里程的二次处理算法
ITUA20163842A1 (it) * 2016-05-26 2017-11-26 Iveco Spa Metodo e dispositivo di ausilio alla navigazione di un veicolo elettrico a batteria
CN107458259B (zh) * 2017-08-24 2020-01-07 成都雅骏新能源汽车科技股份有限公司 一种新能源电动汽车剩余里程估算方法
CN108437840A (zh) * 2018-05-17 2018-08-24 铠龙东方汽车有限公司 一种电动汽车剩余续驶里程算法及系统

Also Published As

Publication number Publication date
CN109849734A (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
CN109849734B (zh) 一种基于用户体验的电动汽车剩余续驶里程算法
CN107655489B (zh) 车辆的可行驶距离算出系统以及可行驶距离算出方法
CN106908075B (zh) 大数据采集与处理系统及基于其电动汽车续航估计方法
AU2016269540B2 (en) System and method for recommending charging station for electric vehicle
CN105620487B (zh) 一种电动汽车续驶里程的估算方法和装置
JP5359391B2 (ja) ナビゲーション装置及び目的地到達可否判定方法
WO2019042297A1 (zh) 一种电动汽车最优路径和驾驶方式的规划方法及系统
CN102589562B (zh) 使用用于路线模拟的车辆状态信息的导航系统和方法
CN111452794B (zh) 一种确定能耗的方法及装置和确定驾驶策略的方法及装置
CN112789193B (zh) 用于预测性地控制机动车辆的电能存储器的充电过程的方法和后端设备
CN111954964A (zh) 优化系统和优化方法
CN111891130B (zh) 一种车辆运行方法和装置
US20100131139A1 (en) Charge planning apparatus
CN111497679A (zh) 一种纯电动汽车能耗监测优化方法及系统
JP2012527212A (ja) エネルギシステムを監視及び制御するシステム及び方法
CN109466375A (zh) 增程器控制方法及设备、计算机可读存储介质、车辆
CN114750601A (zh) 一种剩余里程预测方法、系统、计算机设备及可读存储介质
CN116572799B (zh) 基于深度学习的动力电池荷电续航预测方法、系统及终端
US11175143B2 (en) Electric efficiency prediction method for electrically powered vehicle, server, and electrically powered vehicle
JP2020505262A (ja) ハイブリッド動力車の燃料および電力消費を管理する管理設定値を計算する方法
CN116685495A (zh) 确定续航里程的方法、装置、系统、电动汽车和存储介质
CN106143360A (zh) 电动汽车及其续驶里程计算方法
CN113335126B (zh) 新能源汽车智能充电控制方法、存储介质和电子设备
US20240123859A1 (en) Device and method for recommending charging station
US11827208B2 (en) Driving guide setting system of electric operating vehicle and method of setting the driving guide

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