CN110569550B - 续航里程估算的方法、系统和汽车 - Google Patents
续航里程估算的方法、系统和汽车 Download PDFInfo
- Publication number
- CN110569550B CN110569550B CN201910735770.3A CN201910735770A CN110569550B CN 110569550 B CN110569550 B CN 110569550B CN 201910735770 A CN201910735770 A CN 201910735770A CN 110569550 B CN110569550 B CN 110569550B
- Authority
- CN
- China
- Prior art keywords
- data
- score
- driving behavior
- driving
- mileage
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000006855 networking Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000004378 air conditioning Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 230000006399 behavior Effects 0.000 description 146
- 238000013179 statistical model Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种续航里程估算的方法、系统和汽车。其中,该方法包括:依据行车历史数据进行计算,得到驾驶行为评分;将驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程。本发明解决了由于现有技术中无法准确基于动力电池的荷电状态SOC估算的续航里程,导致严重影响电动汽车的使用效率的技术问题。
Description
技术领域
本发明涉及汽车制造技术领域,具体而言,涉及一种续航里程估算的方法、系统和汽车。
背景技术
在电动汽车运行的过程中,由于司机驾驶习惯的不同,相同行驶路径下的电动汽车能耗差异表现很大,研究表明,不同的驾驶员驾驶同一辆电动汽车,在行驶距离相同的情况下,净能量损耗差别达到32%,致使传统的基于动力电池的荷电状态(State Of Charge,简称SOC)估算的续航里程难以做到非常精确,如无法准确基于动力电池的荷电状态SOC估算的续航里程,将严重影响电动汽车的使用效率。
针对上述由于现有技术中无法准确基于动力电池的荷电状态SOC估算的续航里程,导致严重影响电动汽车的使用效率的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种续航里程估算的方法、系统和汽车,以至少解决由于现有技术中无法准确基于动力电池的荷电状态SOC估算的续航里程,导致严重影响电动汽车的使用效率的技术问题。
根据本发明实施例的一个方面,提供了一种续航里程估算的方法,包括:依据行车历史数据进行计算,得到驾驶行为评分;将驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程。
可选的,依据行车历史数据进行计算,得到驾驶行为评分包括:依据行车历史数据分别获取车辆的驾驶行为事件的百公里频次、百公里累计时长和百公里里程,其中,驾驶行为事件包括:急转弯、急刹车、急加速、长时间刹车、超速行驶、带故障行驶、空调工作不合理、转弯未打转向灯、空挡滑行、行车未系安全带、停车立即熄火、疲劳驾驶;分别计算百公里频次、百公里累计时长和百公里里程的得分,得到驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分;依据驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分,以及分别对驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分分配的预设权重进行计算,得到驾驶行为评分。
进一步地,可选的,分别计算百公里频次、百公里累计时长和百公里里程的得分,得到驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分包括:在计算百公里频次的驾驶行为频次得分的情况下,分别对各个百公里频次设置评分,得到各个百公里频次的驾驶行为频次得分;在计算百公里累计时长的驾驶行为时长得分的情况下,分别对各个百公里累计时长设置评分,得到各个百公里累计时长的驾驶行为时长得分;在计算百公里里程的驾驶行为百公里里程得分的情况下,分别对各个百公里里程设置评分,得到各个百公里里程的驾驶行为百公里里程得分。
可选的,将驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程包括:获取车辆的数据包,并将最后得到的数据包作为基准数据包;在车辆的车型相同的情况下,依据驾驶行为评分和行车历史数据与基准数据包中的基准数据进行计算,得到数据差值;获取数据差值最低的至少两个数据包,并依据至少两个数据包计算平均行驶里程;将平均行驶里程确定为续航里程。
进一步地,可选的,依据驾驶行为评分和行车历史数据与基准数据包中的基准数据进行计算,得到数据差值包括:在第一预设统计范围内判断数据包中是否存在第一数据包和第二数据包,其中,第一数据包中的荷电状态值与基准数据中的荷电状态值的差值小于第一预设阈值,第二数据包中包括低电量报警数据或掉电报警数据;在判断结果为是的情况下,计算第一数据包与基准数据包中各个数据之间的差值,得到第一数据差值;依据第一数据差值与驾驶行为评分、行车历史数据和基准数据包中的基准数据进行计算,得到数据差值;在判断结果为否的情况下,在第二预设统计范围内判断数据包中是否存在第三数据包,计算第三数据包与基准数据包中各个数据之间的差值,得到第二数据差值;依据第二数据差值与驾驶行为评分、行车历史数据和基准数据包中的基准数据进行计算,得到数据差值;其中,第三数据包中的荷电状态值与基准数据中的荷电状态值的差值小于第二预设阈值,第二预设统计范围大于第一预设统计范围。
可选的,该方法还包括:依据第二数据包中的里程与第一数据包中的里程进行计算,得到续航里程。
可选的,该方法还包括:查询车辆后续的充电时间,将充电时间传入的数据包作为第四数据包;依据第四数据包中的里程与第三数据包中的里程进行计算,得到续航里程。
根据本发明实施例的另一方面,还提供了一种续航里程估算的系统,包括:应用于汽车的车载终端、车联网平台和数据处理服务器,其中,车载终端,用于获取汽车的车况数据,并将车况数据发送至车联网平台;车联网平台,与车载终端连接,用于获取车况数据,并保存车况数据;数据处理服务器,与车联网平台连接,用于依据获取到的车况数据统计驾驶行为事件,生成驾驶行为评分,并依据驾驶行为评分进行计算,得到续航里程;以使得将续航里程发送至车联网平台,由车联网平台转发续航里程至车载终端,由车载终端显示续航里程。
根据本发明实施例的另一方面,还提供了一种汽车,包括:续航里程估算的系统,其中,续航里程估算的系统包括上述续航里程估算的系统。
可选的,汽车包括:纯电动汽车、油电混合动力汽车、气电混合动力汽车或醇电混合动力汽车。
在本发明实施例中,采用依据车辆的驾驶行为评分及车联网历史数据相似度模型计算车辆的续航里程的方式,通过依据行车历史数据进行计算,得到驾驶行为评分;将驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程,达到了依据数据平台历史数据相似度模型推算续航里程,实用性强的目的,从而实现了依据驾驶行为评分的续航里程计算模型,提高准确性的技术效果,进而解决了由于现有技术中无法准确基于动力电池的荷电状态SOC估算的续航里程,导致严重影响电动汽车的使用效率的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的续航里程估算的方法的流程示意图;
图2是根据本发明实施例的续航里程估算的系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例,提供了一种续航里程估算的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的续航里程估算的方法的流程示意图,如图1所示,该方法包括如下步骤:
步骤S102,依据行车历史数据进行计算,得到驾驶行为评分;
其中,本申请实施例提供的续航里程估算的方法中根据行车历史数据进行评分,得到驾驶行为评分,在本申请实施例中获取行车历史数据可以通过车载终端获取,其中,车载终端与汽车进行绑定,车载终端通过汽车内部的控制总线(即,CAN线)读取车况数据和驾驶行为事件(即,本申请实施例中的行车历史数据)得到,在本申请实施例中汽车可以包括:纯电动汽车、油电混合动力汽车、气电混合动力汽车或醇电混合动力汽车。
需要说明的是,本申请实施例中汽车以纯电动汽车为优选示例进行说明,因此在本申请实施例中,车况数据包括:车辆位置、总里程、充电后行驶里程、充电后运行时长、车辆电机数据、车辆电池数据、报警数据、如电机个数、电极转速、转矩、温度、输入电压、母线电流、SOC、总电压、总电流、单体电池个数、单体电池电压、电流、温度等数据;
驾驶行为事件包括:急转弯、急刹车、急加速、长时间刹车、超速行驶、带故障行驶、空调工作不合理、转弯未打转向灯、空挡滑行、行车未系安全带、停车立即熄火、疲劳驾驶。
在本申请实施例中行车历史数据可以为基于上述驾驶行为事件,纯电动汽车内通过CAN总线采集到的各个车况数据。依据该行车历史数据进行评分,得到驾驶行为评分,以供数据服务器根据车联网平台转发的驾驶行为评分计算续航里程,计算过程见步骤S104。
步骤S104,将驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程。
其中,基于步骤S102中得到的驾驶行为评分,通过车联网历史数据相似度模型进行计算,获取每组驾驶行为评分近似的驾驶行为习惯对应的续航里程。
具体的,步骤S102和步骤S104可以应用于续航里程估算的系统,其中,续航里程估算的系统包括:车载终端、车联网平台和数据处理服务器,其中,步骤S102和步骤S104应用于该系统中的数据处理服务器,在本申请实施例中,数据处理服务器根据车联网平台转发的车载终端获取的驾驶行为事件,生成驾驶行为评分,并依据该驾驶行为评分计算续航里程,其中,依据车联网历史数据相似度模型计算续航里程,具体计算过程如下:
以车辆最新一包数据为基准,定义为基准数据包;
第一步,统计相同车型,驾驶行为评分及车况历史数据(即,本申请实施例中的行车历史数据,其中,行车历史数据包括:车况数据和驾驶行为事件)与基准数据的差值,差值越小,相似度越高,差值越大相似度越低;
统计方式:以数据包为单位;
统计范围:数据包1中,SOC与基准SOC差值小于10%;后续数据包存在数据包2,其中存在低电量报警或者掉电报警;
如果存在这样的车辆则进入第二步,否则进入第三步;
第二步,计算基准数据包与数据包1中各个数据的差值;转入第五步;
第三步,统计范围放宽至,SOC与基准SOC差值小于20%定义为数据包3,如果不存在,则本周期不再统计,推迟至下个周期统计,如果存在则进入第四步;
第四步,计算基准数据包与数据包3中各个数据的差值;转入第五步;
第五步,依据数据差值及权重定义相似度得到总差值(即,本申请实施例中的数据差值);具体为:
总差值=驾驶行为评分差值*50%+(位置差值+总里程差值+充电后行驶里程)*15%+(总电压差值+总电流差值)*15%+(电机数据差值和)*10%+(SOC差值+充电后运行时长差值)*5%+(其他数据差值)*5%。
第六步,取相似度最高(即总差值最低)的10个数据包的平均行驶里程作为最终的续航里程。
其中,需要说明的是,在本申请实施例中仅以相似度最高的10个数据包为优选示例进行说明,除此之外只要能够得到续航里程,以及能够提升获取续航里程精度的计算方式,可以采集相似度最高的TOP N个数据包进行样本待使用,N为整数,且大于1,即,除了选择10个数据包之外,还可以选择20个数据包的平均行驶里程作为最终的续航里程。具体的,可以依据获取到数据包的实际个数,计算平均行驶里程数,并依据该平均行驶里程数作为最终的续航里程。
第七步,续航里程计算,如果第二步成立,则续航里程为数据包2中里程值减去数据包1中里程值;如果第四步成立,则查找该车车辆后续的充电时间,该时间点传入的数据包定义为数据包4,续航里程为数据包4中里程值减去数据包3中里程值。
具体的,除前六步外,在本申请实施例获得续航里程的方式还可以通过第七步得到,其中,当第二步成立的情况下,对数据包2中里程值与数据包1中里程值作差,得到续航里程;同理,在第四步成立的情况下,依据车辆后续充电时间上传的数据包,即,数据包4中里程值与数据包3中里程值的进行作差得到续航里程。
在本发明实施例中,采用依据车辆的驾驶行为评分及车联网历史数据相似度模型计算车辆的续航里程的方式,通过依据行车历史数据进行计算,得到驾驶行为评分;将驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程,达到了依据数据平台历史数据相似度模型推算续航里程,实用性强的目的,从而实现了依据驾驶行为评分的续航里程计算模型,提高准确性的技术效果,进而解决了由于现有技术中无法准确基于动力电池的荷电状态SOC估算的续航里程,导致严重影响电动汽车的使用效率的技术问题。
可选的,步骤S102中依据行车历史数据进行计算,得到驾驶行为评分包括:
步骤S1021,依据行车历史数据分别获取车辆的驾驶行为事件的百公里频次、百公里累计时长和百公里里程,其中,驾驶行为事件包括:急转弯、急刹车、急加速、长时间刹车、超速行驶、带故障行驶、空调工作不合理、转弯未打转向灯、空挡滑行、行车未系安全带、停车立即熄火、疲劳驾驶;
具体的,在本申请实施例中数据处理服务器可以根据车联网平台转发的车载终端获取的车况数据和驾驶行为事件,统计车辆的驾驶行为事件的百公里频次;统计车辆的驾驶行为事件的百公里累计时长;统计车辆的驾驶行为事件的百公里里程。
步骤S1022,分别计算百公里频次、百公里累计时长和百公里里程的得分,得到驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分;
步骤S1023,依据驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分,以及分别对驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分分配的预设权重进行计算,得到驾驶行为评分。
进一步地,可选的,步骤S1022中分别计算百公里频次、百公里累计时长和百公里里程的得分,得到驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分包括:
步骤S10221,在计算百公里频次的驾驶行为频次得分的情况下,分别对各个百公里频次设置评分,得到各个百公里频次的驾驶行为频次得分;
步骤S10222,在计算百公里累计时长的驾驶行为时长得分的情况下,分别对各个百公里累计时长设置评分,得到各个百公里累计时长的驾驶行为时长得分;
步骤S10223,在计算百公里里程的驾驶行为百公里里程得分的情况下,分别对各个百公里里程设置评分,得到各个百公里里程的驾驶行为百公里里程得分。
具体的,分别计算百公里频次、百公里累计时长和百公里里程的得分,得到驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分具体如下:
(1)在计算百公里频次的驾驶行为频次得分的情况下,通过车联网平台统计模型计算驾驶行为频次得分,驾驶行为频次得分记作SX:
其中,车联网平台统计模型包括:以车联网平台所有车辆为统计样本,统计频次最低20%的频次X1;统计频次最高10%的频次X2;
计算车辆驾驶行为频次得分SX:
设定频次0的驾驶行为频次评分为100分;
设定频次X1的驾驶行为频次评分为85分;
当频次X大于0小于X1时,其驾驶行为频次评分为线性插值,即100-15*X/X1;
设定频次X2的驾驶行为频次评分为70分;
当频次X大于X1小于X2时,其驾驶行为频次评分为线性插值,即15*X/(X1-X2)+15*X2/(X2-X1)+70;
设定频次4*X2的驾驶行为频次评分为50分,当频次X大于X1小于X2时,其驾驶行为频次评分为线性插值,即-20*X/3*X2+70+20/3;设定频次高于4*X2的驾驶行为频次评分为45分。
(2)在计算百公里累计时长的驾驶行为时长得分的情况下,通过车联网大数据平台统计模型计算驾驶行为时长得分,驾驶行为时长得分记作SY:
其中,车联网平台统计模型包括:以车联网平台所有车辆为统计样本,统计时长最低20%的时长Y1;统计时长最高10%的时长Y2;
计算车辆驾驶行为时长得分SY:
设定时长0的驾驶行为时长评分为100分;
设定时长Y1的驾驶行为时长评分为85分;
当时长Y大于0小于Y1时,其驾驶行为时长评分为线性插值,即100-15*Y/Y1;
设定时长Y2的驾驶行为时长评分为70分;
当时长Y大于Y1小于Y2时,其驾驶行为时长评分为线性插值,即15*Y/(Y1-Y2)+15*Y2/(Y2-Y1)+70;
设定时长4*Y2的驾驶行时长为评分为50分;
当时长Y大于Y1小于Y2时,其驾驶行为时长评分为线性插值,即-20*Y/3*Y2+70+20/3;
设定时长高于4*Y2的驾驶行为时长评分为45分。
(3)在计算百公里里程的驾驶行为百公里里程得分的情况下,通过车联网大数据平台统计模型计算驾驶行为百公里里程得分,驾驶行为百公里里程得分记作SZ:
其中,车联网平台统计模型包括:以车联网平台所有车辆为统计样本,
统计里程最低20%的里程Z1;统计里程最高10%的里程Z2;
计算车辆驾驶行为里程得分SZ:
设定里程0的驾驶行为里程评分为100分;
设定里程Z1的驾驶行为评分里程为85分;
当里程Z大于0小于Z1时,其驾驶行为里程评分为线性插值,即100-15*Z/Z1;
设定里程Z2的驾驶行为里程评分为70分;
当里程Z大于Z1小于Z2时,其驾驶行为里程评分为线性插值,即15*Z/(Z1-Z2)+15*Z2/(Z2-Z1)+70;
设定里程4*Z2的驾驶行为里程评分为50分;
当里程Z大于Z1小于Z2时,其驾驶行为里程评分为线性插值,即-20*Z/3*Z2+70+20/3;设定里程高于4*Z2的驾驶行为里程评分为45分。
基于上述得到的驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分计算驾驶行为评分,在本申请实施例中依据步骤S1023中依据驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分,以及分别对驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分分配的预设权重进行计算,得到驾驶行为评分包括:
将驾驶行为评分记作S,S=SX*0.6+SY*0.15+SZ*0.25。
可选的,步骤S104中将驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程包括:
步骤S1041,获取车辆的数据包,并将最后得到的数据包作为基准数据包;
步骤S1042,在车辆的车型相同的情况下,依据驾驶行为评分和行车历史数据与基准数据包中的基准数据进行计算,得到数据差值;
步骤S1043,获取数据差值最低的至少两个数据包,并依据至少两个数据包计算平均行驶里程;
步骤S1044,将平均行驶里程确定为续航里程。
进一步地,可选的,步骤S1042中依据驾驶行为评分和行车历史数据与基准数据包中的基准数据进行计算,得到数据差值包括:
步骤S10421,在第一预设统计范围内判断数据包中是否存在第一数据包和第二数据包,其中,第一数据包中的荷电状态值与基准数据中的荷电状态值的差值小于第一预设阈值,第二数据包中包括低电量报警数据或掉电报警数据;
步骤S10422,在判断结果为是的情况下,计算第一数据包与基准数据包中各个数据之间的差值,得到第一数据差值;依据第一数据差值与驾驶行为评分、行车历史数据和基准数据包中的基准数据进行计算,得到数据差值;
步骤S10423,在判断结果为否的情况下,在第二预设统计范围内判断数据包中是否存在第三数据包,计算第三数据包与基准数据包中各个数据之间的差值,得到第二数据差值;依据第二数据差值与驾驶行为评分、行车历史数据和基准数据包中的基准数据进行计算,得到数据差值;其中,第三数据包中的荷电状态值与基准数据中的荷电状态值的差值小于第二预设阈值,第二预设统计范围大于第一预设统计范围。
可选的,本申请实施例提供的续航里程估算的方法还包括:依据第二数据包中的里程与第一数据包中的里程进行计算,得到续航里程。
可选的,本申请实施例提供的续航里程估算的方法还包括:查询车辆后续的充电时间,将充电时间传入的数据包作为第四数据包;依据第四数据包中的里程与第三数据包中的里程进行计算,得到续航里程。
具体的,本申请实施例中得到续航里程具体如下:
以车辆最新一包数据为基准,定义为基准数据包;
第一步,统计相同车型,驾驶行为评分及车况历史数据(即,本申请实施例中的行车历史数据,其中,行车历史数据包括:车况数据和驾驶行为事件)与基准数据的差值,差值越小,相似度越高,差值越大相似度越低;
统计方式:以数据包为单位;
统计范围:数据包1中,SOC与基准SOC差值小于10%;后续数据包存在数据包2,其中存在低电量报警或者掉电报警;
如果存在这样的车辆则进入第二步,否则进入第三步;
第二步,计算基准数据包与数据包1中各个数据的差值;转入第五步;
第三步,统计范围放宽至,SOC与基准SOC差值小于20%定义为数据包3,如果不存在,则本周期不再统计,推迟至下个周期统计,如果存在则进入第四步;
第四步,计算基准数据包与数据包3中各个数据的差值;转入第五步;
第五步,依据数据差值及权重定义相似度得到总差值(即,本申请实施例中的数据差值);具体为:
总差值=驾驶行为评分差值*50%+(位置差值+总里程差值+充电后行驶里程)*15%+(总电压差值+总电流差值)*15%+(电机数据差值和)*10%+(SOC差值+充电后运行时长差值)*5%+(其他数据差值)*5%。
第六步,取相似度最高(即总差值最低)的10个数据包的平均行驶里程作为最终的续航里程。
其中,需要说明的是,在本申请实施例中仅以相似度最高的10个数据包为优选示例进行说明,除此之外只要能够得到续航里程,以及能够提升获取续航里程精度的计算方式,可以采集相似度最高的TOP N个数据包进行样本待使用,N为整数,且大于1,即,除了选择10个数据包之外,还可以选择20个数据包的平均行驶里程作为最终的续航里程。具体的,可以依据获取到数据包的实际个数,计算平均行驶里程数,并依据该平均行驶里程数作为最终的续航里程。
第七步,续航里程计算,如果第二步成立,则续航里程为数据包2中里程值减去数据包1中里程值;如果第四步成立,则查找该车车辆后续的充电时间,该时间点传入的数据包定义为数据包4,续航里程为数据包4中里程值减去数据包3中里程值。
具体的,除前六步外,在本申请实施例获得续航里程的方式还可以通过第七步得到,其中,当第二步成立的情况下,对数据包2中里程值与数据包1中里程值作差,得到续航里程;同理,在第四步成立的情况下,依据车辆后续充电时间上传的数据包,即,数据包4中里程值与数据包3中里程值的进行作差得到续航里程。
实施例2
根据本发明实施例的另一方面,还提供了一种续航里程估算的系统,图2是根据本发明实施例的续航里程估算的系统的示意图,如图2所示,包括:
应用于汽车的车载终端21、车联网平台23和数据处理服务器25,其中,车载终端21,用于获取汽车的车况数据,并将车况数据发送至车联网平台;车联网平台23,与车载终端21连接,用于获取车况数据,并保存车况数据;数据处理服务器25,与车联网平台23连接,用于依据获取到的车况数据统计驾驶行为事件,生成驾驶行为评分,并依据驾驶行为评分进行计算,得到续航里程;以使得将续航里程发送至车联网平台23,由车联网平台23转发续航里程至车载终端21,由车载终端21显示续航里程。
其中,在本申请实施例中以适用于纯电动汽车为例进行说明,车载终端21与纯电动汽车一一绑定,车载终端21通过CAN线读取车况数据,并定时转发至车联网平台23;展示车联网平台23反馈的续航里程;
车联网平台23,用于登记车载终端21与电动汽车绑定信息;记录车辆车型、车辆电池生产商、生产日期、充电时间等信息,搜集车载终端上传的车况数据,保存至数据库;反馈续航里程;
数据处理服务器25,用于统计驾驶行为事件,生成驾驶行为评分,计算续航里程。
实施例3
根据本发明实施例的另一方面,还提供了一种汽车,包括:续航里程估算的系统,其中,续航里程估算的系统包括上述续航里程估算的系统。
可选的,汽车包括:纯电动汽车、油电混合动力汽车、气电混合动力汽车或醇电混合动力汽车。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种续航里程估算的方法,其特征在于,包括:
依据行车历史数据进行计算,得到驾驶行为评分;
将所述驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程;
所述将所述驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程包括:获取车辆的数据包,并将最后得到的数据包作为基准数据包;在所述车辆的车型相同的情况下,依据所述驾驶行为评分和所述行车历史数据与所述基准数据包中的基准数据进行计算,得到数据差值;获取所述数据差值最低的至少两个数据包,并依据所述至少两个数据包计算平均行驶里程;将所述平均行驶里程确定为所述续航里程。
2.根据权利要求1所述的方法,其特征在于,所述依据行车历史数据进行计算,得到驾驶行为评分包括:
依据所述行车历史数据分别获取车辆的驾驶行为事件的百公里频次、百公里累计时长和百公里里程,其中,所述驾驶行为事件包括:急转弯、急刹车、急加速、长时间刹车、超速行驶、带故障行驶、空调工作不合理、转弯未打转向灯、空挡滑行、行车未系安全带、停车立即熄火、疲劳驾驶;
分别计算所述百公里频次、所述百公里累计时长和所述百公里里程的得分,得到驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分;
依据所述驾驶行为频次得分、所述驾驶行为时长得分和所述驾驶行为百公里里程得分,以及分别对所述驾驶行为频次得分、所述驾驶行为时长得分和所述驾驶行为百公里里程得分分配的预设权重进行计算,得到所述驾驶行为评分。
3.根据权利要求2所述的方法,其特征在于,分别计算所述百公里频次、所述百公里累计时长和所述百公里里程的得分,得到驾驶行为频次得分、驾驶行为时长得分和驾驶行为百公里里程得分包括:
在计算所述百公里频次的所述驾驶行为频次得分的情况下,分别对各个百公里频次设置评分,得到所述各个百公里频次的所述驾驶行为频次得分;
在计算所述百公里累计时长的所述驾驶行为时长得分的情况下,分别对各个百公里累计时长设置评分,得到所述各个百公里累计时长的所述驾驶行为时长得分;
在计算所述百公里里程的所述驾驶行为百公里里程得分的情况下,分别对各个百公里里程设置评分,得到所述各个百公里里程的所述驾驶行为百公里里程得分。
4.根据权利要求1所述的方法,其特征在于,所述依据所述驾驶行为评分和所述行车历史数据与所述基准数据包中的基准数据进行计算,得到数据差值包括:
在第一预设统计范围内判断所述数据包中是否存在第一数据包和第二数据包,其中,所述第一数据包中的荷电状态值与所述基准数据中的荷电状态值的差值小于第一预设阈值,所述第二数据包中包括低电量报警数据或掉电报警数据;
在判断结果为是的情况下,计算所述第一数据包与所述基准数据包中各个数据之间的差值,得到第一数据差值;依据所述第一数据差值与所述驾驶行为评分、所述行车历史数据和所述基准数据包中的基准数据进行计算,得到所述数据差值;
在判断结果为否的情况下,在第二预设统计范围内判断所述数据包中是否存在第三数据包,计算所述第三数据包与所述基准数据包中各个数据之间的差值,得到第二数据差值;依据所述第二数据差值与所述驾驶行为评分、所述行车历史数据和所述基准数据包中的基准数据进行计算,得到所述数据差值;其中,所述第三数据包中的荷电状态值与所述基准数据中的荷电状态值的差值小于第二预设阈值,所述第二预设统计范围大于所述第一预设统计范围。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
依据所述第二数据包中的里程与所述第一数据包中的里程进行计算,得到所述续航里程。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
查询所述车辆后续的充电时间,将所述充电时间传入的数据包作为第四数据包;
依据所述第四数据包中的里程与所述第三数据包中的里程进行计算,得到所述续航里程。
7.一种续航里程估算的系统,其特征在于,包括:应用于汽车的车载终端、车联网平台和数据处理服务器,其中,
所述车载终端,用于获取所述汽车的车况数据,并将所述车况数据发送至所述车联网平台;
所述车联网平台,与所述车载终端连接,用于获取所述车况数据,并保存所述车况数据;
所述数据处理服务器,与所述车联网平台连接,用于依据获取到的所述车况数据统计驾驶行为事件,生成驾驶行为评分,并依据所述驾驶行为评分进行计算,得到续航里程;以使得将所述续航里程发送至所述车联网平台,由所述车联网平台转发所述续航里程至所述车载终端,由所述车载终端显示所述续航里程;
所述将所述驾驶行为评分输入车联网历史数据相似度模型进行计算,得到续航里程包括:获取车辆的数据包,并将最后得到的数据包作为基准数据包;在所述车辆的车型相同的情况下,依据所述驾驶行为评分和所述驾驶行为事件与所述基准数据包中的基准数据进行计算,得到数据差值;获取所述数据差值最低的至少两个数据包,并依据所述至少两个数据包计算平均行驶里程;将所述平均行驶里程确定为所述续航里程。
8.一种汽车,其特征在于,包括:续航里程估算的系统,其中,所述续航里程估算的系统包括权利要求7所述的续航里程估算的系统。
9.根据权利要求8所述的汽车,其特征在于,所述汽车包括:纯电动汽车、油电混合动力汽车、气电混合动力汽车或醇电混合动力汽车。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735770.3A CN110569550B (zh) | 2019-08-09 | 2019-08-09 | 续航里程估算的方法、系统和汽车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910735770.3A CN110569550B (zh) | 2019-08-09 | 2019-08-09 | 续航里程估算的方法、系统和汽车 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110569550A CN110569550A (zh) | 2019-12-13 |
CN110569550B true CN110569550B (zh) | 2021-12-10 |
Family
ID=68774895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910735770.3A Active CN110569550B (zh) | 2019-08-09 | 2019-08-09 | 续航里程估算的方法、系统和汽车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110569550B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111516500B (zh) * | 2020-04-19 | 2022-02-11 | 神龙汽车有限公司 | 混合动力汽车续航里程预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107977476A (zh) * | 2016-10-21 | 2018-05-01 | 厦门雅迅网络股份有限公司 | 一种估算汽车剩余续航里程的方法 |
CN108399662A (zh) * | 2018-01-17 | 2018-08-14 | 苏州佳世达电通有限公司 | 个人化剩余里程动态校正方法 |
CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI520864B (zh) * | 2012-12-14 | 2016-02-11 | 財團法人工業技術研究院 | 電動車的充電後的行駛範圍預估方法、模組及駕駛輔助裝置 |
-
2019
- 2019-08-09 CN CN201910735770.3A patent/CN110569550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107977476A (zh) * | 2016-10-21 | 2018-05-01 | 厦门雅迅网络股份有限公司 | 一种估算汽车剩余续航里程的方法 |
CN108399662A (zh) * | 2018-01-17 | 2018-08-14 | 苏州佳世达电通有限公司 | 个人化剩余里程动态校正方法 |
CN109733248A (zh) * | 2019-01-09 | 2019-05-10 | 吉林大学 | 基于路径信息的纯电动汽车剩余里程模型预测方法 |
CN109784560A (zh) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | 一种电动汽车续航里程估算方法及估算系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110569550A (zh) | 2019-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110091751B (zh) | 基于深度学习的电动汽车续航里程预测方法、设备及介质 | |
CN105235543B (zh) | 用于电动汽车剩余行驶里程的处理方法、装置及系统 | |
CN111452619B (zh) | 电动车辆在线能耗预测方法及系统 | |
CN110406427B (zh) | 一种电动汽车剩余里程的自学习方法 | |
CN111860561A (zh) | 网约车的异常停留行为识别方法、装置、设备及存储介质 | |
CN113064939B (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
CN112208338A (zh) | 一种目的地剩余续航里程计算方法和装置 | |
CN102959418A (zh) | 获取电池的劣化度的方法和系统 | |
CN109693545B (zh) | 一种电池剩余能量、车辆剩余里程的估算方法及装置 | |
CN112526351B (zh) | 一种评估电动汽车的动力电池健康状态及剩余寿命的方法 | |
CN102745201A (zh) | 一种电动汽车剩余里程估算方法 | |
CN105976451A (zh) | 基于hud的驾驶行为检测方法、检测系统及hud | |
CN110001653A (zh) | 一种驾驶行为评估方法、服务器及计算机可读介质 | |
CN110569550B (zh) | 续航里程估算的方法、系统和汽车 | |
CN108803559A (zh) | 车辆故障分析方法、装置和系统 | |
CN111428893A (zh) | 电池管理方法、装置、服务器及存储介质 | |
CN110716527B (zh) | 一种基于运动学片段的车辆能耗分析方法及分析系统 | |
CN112092817B (zh) | 一种车辆的能耗分析方法、装置和车辆 | |
CN114705998A (zh) | 电池异常的识别方法、装置、存储介质和车辆 | |
CN115753132A (zh) | 一种电动汽车低温续驶里程测试规程开发方法 | |
CN112950030B (zh) | 电动汽车的残差评估方法、装置、电子设备及存储介质 | |
US11513164B2 (en) | Method and system for estimating battery pack balance state of new energy vehicle | |
CN113858956A (zh) | 新能源汽车数据采集与处理方法系统 | |
CN114043875A (zh) | 基于大数据的剩余里程预估偏差分析方法和系统 | |
CN109598396B (zh) | 电动汽车租赁系统的省电驾驶改进实时提醒方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20191213 Assignee: Beijing Zhike chelian Technology Co.,Ltd. Assignor: BEIQI FOTON MOTOR Co.,Ltd. Contract record no.: X2022980018253 Denomination of invention: The Method, System and Vehicle of Range Estimation Granted publication date: 20211210 License type: Common License Record date: 20221013 |