CN110435429A - 一种融合能耗预测的双电机电动汽车续航里程估计方法 - Google Patents
一种融合能耗预测的双电机电动汽车续航里程估计方法 Download PDFInfo
- Publication number
- CN110435429A CN110435429A CN201910747204.4A CN201910747204A CN110435429A CN 110435429 A CN110435429 A CN 110435429A CN 201910747204 A CN201910747204 A CN 201910747204A CN 110435429 A CN110435429 A CN 110435429A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- speed
- energy consumption
- battery
- course continuation
- 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
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
- 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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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
本发明涉及一种融合能耗预测的双电机电动汽车续航里程估计方法,包括以下步骤:步骤S1:根据实际运行数据,采集工况特征参数和当前速度;步骤S2:构建能耗估计模型;步骤S3:根据特征参数,利用工况识别器,获取车辆当前所处的工况类型;步骤S4:根据的工况类型,计算得到状态转移矩阵;步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度,并计算得到加速度;步骤S6:根据速度、加速度与电池SOC,查表,获取工作模式;步骤S7:根据工作模式,将速度和加速度作为能耗估计模型中,预测电池输出功率;步骤S8:根据电池SOC计算出电池剩余可用能量,并根据剩余能量与预测电池输出功率计算得到续航里程。本发明能够快速有效的预测未来能耗,并预估续航里程。
Description
技术领域
本发明涉及纯电动汽车续航里程估计领域,具体涉及一种融合能耗预测的双电机电动汽车续航里程估计方法。
背景技术
电动汽车电池容量严重限制了电动汽车的行驶里程,对于里程稍长的路线,不可避免地需要在行驶途中充电。同时,相比与传统内燃机汽车仅几分钟的加油时间,电动汽车充电过程又十分漫长,一般长达数小时。所以电动汽车行驶过程中的充电问题不容忽视。如何避免在行驶路途中电量不足而又无法充电境遇,如何合理的选择充电的地点与时长,都是亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种融合能耗预测的双电机电动汽车续航里程估计方法,用于估计双电机电动汽车续航里程。
为实现上述目的,本发明采用如下技术方案:
一种融合能耗预测的双电机电动汽车续航里程估计方法,包括以下步骤:
步骤S1:根据双电机电动汽车实际运行数据,采集车辆行驶工况特征参数和当前速度;
步骤S2:构建能耗估计模型;
步骤S3:根据特征参数,利用工况识别器,获取车辆当前所处的工况类型;
步骤S4:根据车辆当前所处的工况类型,计算得到状态转移矩阵;
步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度,并计算得到加速度;
步骤S6:根据速度、加速度与电池SOC,查找工作范围表,获取工作模式;
步骤S7:根据工作模式,将速度和加速度作为能耗估计模型中,预测电池输出功率;
步骤S8:根据电池SOC计算出电池剩余可用能量,并根据剩余能量与预测电池输出功率计算得到续航里程。
进一步的,所述车辆行驶工况特征参数包括:平均速度vmean、最大速度vmax、速度标准差vvar、正加速度平均值apmean、负加速度平均值anmean、加速度标准差avar、最大加速度amax、最小加速度amin、怠速时间比例Pi、匀速时间比例Pc、加速时间比例Pa和减速时间比例Pd。
进一步的,所述步骤S2具体为:
步骤S21:能耗估计模型从车辆动力学出发,以速度、加速度为输入变量,构建常数、v、a·v、v3的能耗估计多项式,采用多元线性回归确定各项系数。
由车辆动力学公式可知,在驱动模式下:
制动模式下:
其中:Pbatt_drive:驱动模式下电池功率;Pbatt_brake:制动模式下电池功率;ηSM1、ηSM2、ηTC、ηSC、ηBM1、ηBM2分别表示对应模式下系统效率;θ为道路水平度;m:车辆总质量;g:重力加速度;Cd:空气阻力系数;A:汽车迎风面积;σ:旋转质量换算系数。
步骤S22:预设道路水平θ=0,各个模式下的系统效率不同但都为常数,则式(1)、式(2)表示为:
驱动模式下,令:
制动模式下,令:则式(3)、(4)表示为:
Pbatt=k1·v+k2·v3+k3·av (5)
步骤S23:将车辆实际工况数据与测得的电池输出功率通过统计学的多元线性回归分析,得到不同工作模式下k1、k2、k3具体数值,得到了以速度、加速度为输入,电池功率为输出的多元线性回归方程;
步骤S24:将电池功率对时间积分,得到一段时间内电池消耗总能量,即以速度v、加速度a为输入的能耗估计模型。
进一步的,所述工作模式包括电机M1驱动SM1、电机M2驱动SM2、电机M1与M2转矩耦合TC、电机M1与M2转速耦合SC、电机M1制动BM1、电机M2制动BM2。
进一步的,所述工况识别及采用LVQ神经网络,分为输入层、竞争层、输出层,输入层为车辆行驶特征参数,包括平均速度vmean、最大速度vmax、速度标准差vvar、正加速度平均值apmean、负加速度平均值anmean、加速度标准差avar、最大加速度amax、最小加速度amin、怠速时间比例Pi、匀速时间比例Pc、加速时间比例Pa、减速时间比例Pd,竞争层对输入向量进行分类,输出层三个神经元分别对应城市拥堵工况、城市郊区工况、高速公路工况,并以T为周期对汽车所处工况识别。
进一步的,所述状态转移概率矩阵建立过程如下:
式中,将速度分为M个状态,Pij为当t时刻车速为vi时,t+1时刻速度为vj的转移概率,mij为从速度vi转移到vj的次数,mi为从速度vi转移的次数,P为状态转移概率矩阵。
其中Pij:
进一步的,所述步骤S8具体为:
未来t+1时刻能耗率Efut(kw·h/km):
电池当前时刻电池SOCcur与剩余可用电量Qres之间关系为:
Qres=(SOCcur-SOCt)·Qm (9)
其中mQ为电池组额定容量,SOCt为最小可接受电池组电荷状;
考虑到电池寿命与放电效率,电池组有效剩余能量Eres为:
Eres=ηdis·ηdod·Qres·Ue (10)
其中ηdis为电池放电效率,ηdod电池放电深度,Ue为电池组额定电压由式(8)、(9)、(10)得到续航里程为:
本发明与现有技术相比具有以下有益效果:
本发明根据多元线性回归建立双电机电动汽车能耗估计模型,通过估计未来能耗估算出续航里程,并考虑了行驶工况对能耗的影响,能够快速有效的预估续航里程。
附图说明
图1是本发明一实施例中双电机电动汽车模型;
图2是本发明一实施例中流程原理图。
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。
请参照图1,本实施例涉及双电机电动汽车,系统共有6种工作模式,分别是电机M1驱动(SM1)、电机M2驱动(SM2)、电机M1与M2转矩耦合(TC)、电机M1与M2转速耦合(SC)、电机M1制动(BM1)、电机M2制动(BM2)。这些工作模式的切换可以通过制动器L1、L2的闭合张开以及连接器T的位置变化(左、中、右三个位置)实现,如表1所示,在6中工作模式下由于动力传递路线不同
表1工作模式与部件的对应关系
参考图2,本实施中,一种融合能耗预测的双电机电动汽车续航里程估计方法,包括以下步骤:
步骤S1:根据双电机电动汽车实际运行数据,采集车辆行驶工况特征参数和当前速度;
步骤S2:构建能耗估计模型;
步骤S21:能耗估计模型从车辆动力学出发,以速度、加速度为输入变量,构建常数、v、a·v、v3的能耗估计多项式,采用多元线性回归确定各项系数。
由车辆动力学公式可知,在驱动模式下:
制动模式下:
其中:Pbatt_drive:驱动模式下电池功率;Pbatt_brake:制动模式下电池功率;ηSM1、ηSM2、ηTC、ηSC、ηBM1、ηBM2分别表示对应模式下系统效率;θ为道路水平度;m:车辆总质量;g:重力加速度;Cd:空气阻力系数;A:汽车迎风面积;σ:旋转质量换算系数。
步骤S22:预设道路水平θ=0,各个模式下的系统效率不同但都为常数,则式(1)、式(2)表示为:
驱动模式下,令:
制动模式下,令:则式(3)、(4)表示为:
Pbatt=k1·v+k2·v3+k3·av (5)
步骤S23:将车辆实际工况数据与测得的电池输出功率通过统计学的多元线性回归分析,得到不同工作模式下k1、k2、k3具体数值,得到了以速度、加速度为输入,电池功率为输出的多元线性回归方程;
步骤S24:将电池功率对时间积分,得到一段时间内电池消耗总能量,即以速度v、加速度a为输入的能耗估计模型。
步骤S3:根据特征参数,利用工况识别器,获取车辆当前所处的工况类型;工况类型为NYCC工况(城市拥堵工况)、UDDS工况(城市郊区工况)、HWFET工况(高速公路工况);为识别车辆所处的工况,本发明采用LVQ神经网络(学习矢量量化网络)作为工况识别器,它分为输入层、竞争层、输出层,输入层为车辆行驶特征参数,包括平均速度vmean、最大速度vmax、速度标准差vvar、正加速度平均值apmean、负加速度平均值anmean、加速度标准差avar、最大加速度amax、最小加速度amin、怠速时间比例Pi、匀速时间比例Pc、加速时间比例Pa、减速时间比例Pd12个特征参数,竞争层对输入向量进行分类,输出层三个神经元分别对应NYCC工况、UDDS工况、HWFET工况,以T为周期对汽车所处工况识别。
步骤S4:识别出车辆所处的工况后,需要给出每种工况对应的状态转移概率,状态转移概率矩阵建立过程如下:
式中,将速度分为M个状态,Pij为当t时刻车速为vi时,t+1时刻速度为vj的转移概率,mij为从速度vi转移到vj的次数,mi为从速度vi转移的次数,P为状态转移概率矩阵。
Pij满足:
根据式(6)、式(7)可得到三种工况的状态转移概率矩阵,根据状态转移概率矩阵可由当前时刻速度预测得到下一时刻的速度。
步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度,并计算得到加速度;当识别出汽车所处的工况后,由状态转移概率矩阵便可由t时刻速度vt得到t+1时刻速度vt+1,再由得到t+1时刻加速度at+1;
步骤S6:根据速度、加速度与电池SOC,查找工作范围表,获取工作模式;
步骤S7:根据工作模式,将速度和加速度作为能耗估计模型中,预测电池输出功率;根据式(3)、(4)建立的以速度加速度为输入的能耗估计模型,由式(8)得到未来t+1时刻能耗率Efut(kw·h/km)。
步骤S8:根据电池SOC计算出电池剩余可用能量,并根据剩余能量与预测电池输出功率计算得到续航里程。
电池当前时刻电池SOCcur与剩余可用电量Qres之间关系为:
其中为电池组额定容量,SOCt为最小可接受电池组电荷状态。
考虑到电池寿命与放电效率,电池组有效剩余能量Eres为:
Eres=ηdis·ηdod·Qres·Ue
(10)
其中ηdis为电池放电效率,ηdod电池放电深度,Ue为电池组额定电压
由式(8)、(9)、(10)得到续航里程为:
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 (7)
1.一种融合能耗预测的双电机电动汽车续航里程估计方法,其特征在于,包括以下步骤:
步骤S1:根据双电机电动汽车实际运行数据,采集车辆行驶工况特征参数和当前速度;
步骤S2:构建能耗估计模型;
步骤S3:根据特征参数,利用工况识别器,获取车辆当前所处的工况类型;
步骤S4:根据车辆当前所处的工况类型,计算得到状态转移矩阵;
步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度,并计算得到加速度;
步骤S6:根据速度、加速度与电池SOC,查找工作范围表,获取工作模式;
步骤S7:根据工作模式,将速度和加速度作为能耗估计模型中,预测电池输出功率;
步骤S8:根据电池SOC计算出电池剩余可用能量,并根据剩余能量与预测电池输出功率计算得到续航里程。
2.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法,其特征在于:所述车辆行驶工况特征参数包括:平均速度vmean、最大速度vmax、速度标准差vvar、正加速度平均值apmean、负加速度平均值anmean、加速度标准差avar、最大加速度amax、最小加速度amin、怠速时间比例Pi、匀速时间比例Pc、加速时间比例Pa和减速时间比例Pd。
3.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法,其特征在于,所述步骤S2具体为:
步骤S21:能耗估计模型从车辆动力学出发,以速度、加速度为输入变量,构建常数、v、a·v、v3的能耗估计多项式,采用多元线性回归确定各项系数。
由车辆动力学公式可知,在驱动模式下:
制动模式下:
其中:Pbatt_drive:驱动模式下电池功率;Pbatt_brake:制动模式下电池功率;ηSM1、ηSM2、ηTC、ηSC、ηBM1、ηBM2分别表示对应模式下系统效率;θ:道路坡度;m:车辆总质量;g:重力加速度;Cd:空气阻力系数;A:汽车迎风面积;σ:旋转质量换算系数。
步骤S22:预设道路水平θ=0,各个模式下的系统效率不同但都为常数,则式(1)、式(2)表示为:
驱动模式下,令:
制动模式下,令:则式(3)、(4)表示为:
Pbatt=k1·v+k2·v3+k3·av (5)
步骤S23:将车辆实际工况数据与测得的电池输出功率通过统计学的多元线性回归分析,得到不同工作模式下k1、k2、k3具体数值,得到了以速度、加速度为输入,电池功率为输出的多元线性回归方程;
步骤S24:将电池功率对时间积分,得到一段时间内电池消耗总能量,即以速度v、加速度a为输入的能耗估计模型。
4.根据权利要求3所述的一种融合能耗预测的双电机电动汽车续航里程估计方法,其特征在于:所述工作模式包括电机M1驱动SM1、电机M2驱动SM2、电机M1与M2转矩耦合TC、电机M1与M2转速耦合SC、电机M1制动BM1、电机M2制动BM2。
5.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法,其特征在于:所述工况识别及采用LVQ神经网络,分为输入层、竞争层、输出层,输入层为车辆行驶特征参数,包括平均速度vmean、最大速度vmax、速度标准差vvar、正加速度平均值apmean、负加速度平均值anmean、加速度标准差avar、最大加速度amax、最小加速度amin、怠速时间比例Pi、匀速时间比例Pc、加速时间比例Pa、减速时间比例Pd,竞争层对输入向量进行分类,输出层三个神经元分别对应城市拥堵工况、城市郊区工况、高速公路工况,并以T为周期对汽车所处工况识别。
6.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法,其特征在于,所述状态转移概率矩阵建立过程如下:
式中,将速度分为M个状态,Pij为当t时刻车速为vi时,t+1时刻速度为vj的转移概率,mij为从速度vi转移到vj的次数,mi为从速度vi转移的次数,P为状态转移概率矩阵。
其中Pij:
7.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法,其特征在于,所述步骤S8具体为:
未来t+1时刻能耗率Efut(kw·h/km):
电池当前时刻电池SOCcur与剩余可用电量Qres之间关系为:
Qres=(SOCcur-SOCt)·Qm (9)
其中电池组额定容量,SOCt为最小可接受电池组电荷状;
考虑到电池寿命与放电效率,电池组有效剩余能量Eres为:
Eres=ηdis·ηdod·Qres·Ue (10)
其中ηdis为电池放电效率,ηdod电池放电深度,Ue为电池组额定电压由式(8)、(9)、(10)得到续航里程为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747204.4A CN110435429B (zh) | 2019-08-14 | 2019-08-14 | 一种融合能耗预测的双电机电动汽车续航里程估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910747204.4A CN110435429B (zh) | 2019-08-14 | 2019-08-14 | 一种融合能耗预测的双电机电动汽车续航里程估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110435429A true CN110435429A (zh) | 2019-11-12 |
CN110435429B CN110435429B (zh) | 2023-03-28 |
Family
ID=68435346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910747204.4A Active CN110435429B (zh) | 2019-08-14 | 2019-08-14 | 一种融合能耗预测的双电机电动汽车续航里程估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110435429B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110667540A (zh) * | 2019-11-15 | 2020-01-10 | 吉林工程技术师范学院 | 一种用于电动汽车的电子电力控制动力系统及其控制方法 |
CN111301426A (zh) * | 2020-03-13 | 2020-06-19 | 南通大学 | 基于gru网络模型预测未来行驶过程能耗的方法 |
CN111619704A (zh) * | 2020-05-30 | 2020-09-04 | 东莞市喜悦自行车有限公司 | 一种电动自行车的控制系统及方法 |
CN112009307A (zh) * | 2020-09-03 | 2020-12-01 | 三一专用汽车有限责任公司 | 车辆的语音提示方法、语音提示系统和车辆 |
CN112046335A (zh) * | 2020-09-09 | 2020-12-08 | 北京航空航天大学 | 一种基于行驶能耗模型的电动汽车剩余行驶里程计算方法 |
CN112572824A (zh) * | 2020-12-14 | 2021-03-30 | 华南农业大学 | 一种载重型无人机的动力配置方法及装置 |
CN113232673A (zh) * | 2021-03-18 | 2021-08-10 | 联合汽车电子有限公司 | 一种车辆行程里程区域预估方法 |
CN113702842A (zh) * | 2021-07-15 | 2021-11-26 | 恒大海拉电子(扬州)有限公司 | 一种纯电动汽车的续航里程估计方法 |
CN113715953A (zh) * | 2021-08-28 | 2021-11-30 | 广州炎山科技有限公司 | 一种电动自行车的里程计算方法和系统 |
CN114013284A (zh) * | 2021-11-02 | 2022-02-08 | 上汽大众汽车有限公司 | 一种车辆续航里程的计算方法和系统 |
CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
CN115808922A (zh) * | 2022-01-07 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102745201A (zh) * | 2012-06-30 | 2012-10-24 | 惠州市亿能电子有限公司 | 一种电动汽车剩余里程估算方法 |
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
DE102012007126A1 (de) * | 2012-04-07 | 2013-10-10 | Volkswagen Aktiengesellschaft | Verfahren und System zum Steuern des Aufladevorgangs eines elektrischen Energiespeichers, insbesondere in einem Fahrzeug |
CN109664874A (zh) * | 2017-10-13 | 2019-04-23 | 福特全球技术公司 | 剩余里程数准确度增强 |
CN109774492A (zh) * | 2018-12-29 | 2019-05-21 | 江苏大学 | 一种基于未来驱动功率需求的纯电动汽车整车功率分配方法 |
-
2019
- 2019-08-14 CN CN201910747204.4A patent/CN110435429B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012007126A1 (de) * | 2012-04-07 | 2013-10-10 | Volkswagen Aktiengesellschaft | Verfahren und System zum Steuern des Aufladevorgangs eines elektrischen Energiespeichers, insbesondere in einem Fahrzeug |
CN102745201A (zh) * | 2012-06-30 | 2012-10-24 | 惠州市亿能电子有限公司 | 一种电动汽车剩余里程估算方法 |
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
CN109664874A (zh) * | 2017-10-13 | 2019-04-23 | 福特全球技术公司 | 剩余里程数准确度增强 |
CN109774492A (zh) * | 2018-12-29 | 2019-05-21 | 江苏大学 | 一种基于未来驱动功率需求的纯电动汽车整车功率分配方法 |
Non-Patent Citations (1)
Title |
---|
孙蕾,林歆悠,林国发: "基于工况识别与多元非线性回归优化的能量管理策略", 《中国机械工程》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110667540A (zh) * | 2019-11-15 | 2020-01-10 | 吉林工程技术师范学院 | 一种用于电动汽车的电子电力控制动力系统及其控制方法 |
CN110667540B (zh) * | 2019-11-15 | 2020-07-03 | 吉林工程技术师范学院 | 一种用于电动汽车的电子电力控制动力系统及其控制方法 |
CN111301426A (zh) * | 2020-03-13 | 2020-06-19 | 南通大学 | 基于gru网络模型预测未来行驶过程能耗的方法 |
CN111619704A (zh) * | 2020-05-30 | 2020-09-04 | 东莞市喜悦自行车有限公司 | 一种电动自行车的控制系统及方法 |
CN112009307A (zh) * | 2020-09-03 | 2020-12-01 | 三一专用汽车有限责任公司 | 车辆的语音提示方法、语音提示系统和车辆 |
CN112046335A (zh) * | 2020-09-09 | 2020-12-08 | 北京航空航天大学 | 一种基于行驶能耗模型的电动汽车剩余行驶里程计算方法 |
CN114248781A (zh) * | 2020-09-21 | 2022-03-29 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
CN114248781B (zh) * | 2020-09-21 | 2024-04-16 | 比亚迪股份有限公司 | 车辆工况的预测方法、装置及车辆 |
CN112572824B (zh) * | 2020-12-14 | 2022-03-25 | 华南农业大学 | 一种载重型无人机的动力配置方法及装置 |
CN112572824A (zh) * | 2020-12-14 | 2021-03-30 | 华南农业大学 | 一种载重型无人机的动力配置方法及装置 |
CN113232673A (zh) * | 2021-03-18 | 2021-08-10 | 联合汽车电子有限公司 | 一种车辆行程里程区域预估方法 |
CN113702842A (zh) * | 2021-07-15 | 2021-11-26 | 恒大海拉电子(扬州)有限公司 | 一种纯电动汽车的续航里程估计方法 |
CN113702842B (zh) * | 2021-07-15 | 2023-10-20 | 上海海拉电子有限公司 | 一种纯电动汽车的续航里程估计方法 |
CN113715953A (zh) * | 2021-08-28 | 2021-11-30 | 广州炎山科技有限公司 | 一种电动自行车的里程计算方法和系统 |
CN114013284A (zh) * | 2021-11-02 | 2022-02-08 | 上汽大众汽车有限公司 | 一种车辆续航里程的计算方法和系统 |
CN114013284B (zh) * | 2021-11-02 | 2023-09-22 | 上汽大众汽车有限公司 | 一种车辆续航里程的计算方法和系统 |
CN115808922A (zh) * | 2022-01-07 | 2023-03-17 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
CN115808922B (zh) * | 2022-01-07 | 2023-10-27 | 宁德时代新能源科技股份有限公司 | 商用电动车辆能耗预测方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110435429B (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110435429A (zh) | 一种融合能耗预测的双电机电动汽车续航里程估计方法 | |
CN112703125B (zh) | 一种锂电池的析锂检测方法及装置 | |
CN110549876B (zh) | 一种能量输出控制方法、装置和氢燃料混合动力汽车 | |
Panchal et al. | Thermal and electrical performance assessments of lithium-ion battery modules for an electric vehicle under actual drive cycles | |
CN104512265B (zh) | 车辆电池充电设定点控制 | |
CN111273180B (zh) | 一种锂电池的析锂检测方法及装置 | |
CN102765388B (zh) | 一种基于多信息融合的整车控制方法 | |
CN107000599B (zh) | 电池组系统的冷却策略 | |
KR100949260B1 (ko) | 전기자동차용 전지 충전 시스템 | |
Gao et al. | Equivalent fuel consumption optimal control of a series hybrid electric vehicle | |
Park et al. | Development of equivalent fuel consumption minimization strategy for hybrid electric vehicles | |
CN106427990A (zh) | 混合动力系统及其能量管理方法 | |
CN113815437B (zh) | 燃料电池混合动力汽车的预测性能量管理方法 | |
CN105882648A (zh) | 一种基于模糊逻辑算法的混合动力系统能量管理方法 | |
CN105244553B (zh) | 电池充放电电流控制方法和使用其建立bms模型的方法 | |
CN106055830A (zh) | 基于动态规划的phev控制门限参数优化方法 | |
CN104512266B (zh) | 汽车起动过程中的供电管理方法和汽车供电系统 | |
CN113428049A (zh) | 一种考虑电池老化抑制的燃料电池混动汽车能量管理方法 | |
Yang et al. | Cyber-physical optimization-based fuzzy control strategy for plug-in hybrid electric buses using iterative modified particle swarm optimization | |
CN115027290A (zh) | 一种基于多目标优化的混合动力汽车跟车能量管理方法 | |
Ye et al. | Reinforcement learning-based energy management system enhancement using digital twin for electric vehicles | |
CN104590249B (zh) | 混合动力汽车工作模式的动态转移控制方法及系统 | |
Park et al. | Intelligent vehicle power management through neural learning | |
Schellenberg et al. | A computationally inexpensive battery model for the microscopic simulation of electric vehicles | |
Hu et al. | A real-time multi-objective optimization method in energy efficiency for plug-in hybrid electric vehicles considering dynamic electrochemical characteristics of battery and driving conditions |
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 |