CN110667434A - 一种自适应工况的纯电动汽车行驶里程估计方法及系统 - Google Patents

Abstract

一种自适应工况的纯电动汽车行驶里程估计方法及系统。本发明涉及电动汽车监控技术领域。本发明提出了一种基于道路环境、交通状态以及车辆运行的历史、实时的大数据对任意规划行驶路线上不同行驶工况下的行车电耗进行在线预测，进而实现对不同道路和交通环境的行驶工况下剩余续驶里程的自适应估算的自适应工况的纯电动汽车行驶里程估计方法及系统。本发明的技术方案为：按以下步骤进行工作：1)、采集数据；2)、构建样本数据集；3)、建立行车电耗预测模型；4)、行车电耗在线预测；5)、计算剩余续驶里程。本发明可实现对不同道路和交通环境的行驶工况下剩余续驶里程的自适应估算。

Description

一种自适应工况的纯电动汽车行驶里程估计方法及系统

技术领域

本发明涉及电动汽车监控技术领域，尤其涉及一种自适应工况的纯电动汽车续驶里程估计方法及系统。

背景技术

目前，由于能源紧缺、环境污染等问题的日益加剧，纯电动汽车等新能源汽车受到大力发展和推广；但由于现阶段车用动力电池容量有限,纯电动汽车的行驶里程还不能达到传统燃油汽车的水平；因此，驾驶者需要实时准确地了解电动汽车的剩余可行驶里程数,以提前规划行驶路线和充电时机，确保不会因为电池电量耗尽而发生半路抛锚的状况。

而电动汽车的纯电续驶里程则取决于动力电池在未来行驶工况下的剩余可用能量和整车未来的能量消耗。整车能耗受到很多因素的影响，其中，未来不同道路和交通环境下的行驶工况在最大程度上决定了整车的能量消耗水平。

现有技术中大多以过去一段时间或里程内的平均电耗水平，或典型工况下的平均电耗水平来计算未来的剩余续驶里程，而实际的行驶工况是复杂多变的，这会使得续驶里程的计算结果较大程度上偏离实际行驶工况下的续驶里程值。因此，实现对任意不同行驶工况下的续驶里程的估算成为了本领域技术人员亟待解决的问题。

发明内容

本发明针对上述现有技术的不足，提出了一种基于道路环境、交通状态以及车辆运行的历史、实时的大数据对任意规划行驶路线上不同行驶工况下的行车电耗进行在线预测，进而实现对不同道路和交通环境的行驶工况下剩余续驶里程的自适应估算的自适应工况的纯电动汽车行驶里程估计方法及系统。

本发明的技术方案为：按以下步骤进行工作：

1)、采集数据：采集车辆的行驶工况数据和车辆的动力电池工作数据；

2)、构建样本数据集：基于步骤1)获取的数据构建样本数据集；

3)、建立行车电耗预测模型：利用BP神经网络对样本数据集进行训练，建立行车电耗预测模型；

4)、行车电耗在线预测：基于车载导航系统提供的实时工况信息，利用行车电耗预测模型对未来行驶路段内的电池能量消耗进行预测；

5)、计算剩余续驶里程：结合当前电池剩余电量和预测的行车电耗，计算未来剩余续驶里程值。

通过车载导航采集步骤1)中车辆的行驶工况数据，所述行驶工况数据包括行驶路线上的道路限速、道路坡度、道路类型、交通拥堵等级、行驶里程、行驶时间；

通过电池管理系统BMS采集车辆的动力电池工作数据，所述动力电池工作数据包括行驶路线上动力电池每个时刻的工作电压和电流。

步骤2)按以下步骤构建样本数据集；

2.1)、将历史行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段样本；

2.2)、提取各路段样本的行驶工况数据和动力电池工作数据，其中道路坡度、行驶里程和行驶时间在路段划分后可直接确定，而道路类型和道路限速参数为有限数量的离散型数值，通过提取获得；

2.3)、计算路段的行驶里程内电池的能量消耗：

式中U和I分别为动力电池每个时刻的工作电压和电流，T为路段的行驶时间。

步骤3)按以下步骤建立行车电耗预测模型，所述预测模型为BP神经网络模型，所述BP神经网络模型的输入变量为道路类型、道路限速、道路坡度、交通拥堵等级和行驶里程，输出量为行驶里程内的电池能量消耗；

3.1)、选定网络的输入变量，确定输入层节点数m；

3.2)、确定隐含层数和隐含层节点数；

3.3)、确定学习率、初始权值、初始阈值；

3.4)、确定输出层的节点数；

3.5)、训练神经网络。

步骤4)按以下步骤在线预测行车电耗；

4.1)、基于车载导航提供的规划行驶路线上的实时交通拥堵等级信息，将未来行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段；

4.2)、提取各路段的道路类型、道路限速、道路坡度、交通拥堵等级、行驶里程；

4.3)、将提取的道路类型、道路限速、道路坡度和交通拥堵等级和行驶里程参数数据作为单位行车电耗预测模型的输入，通过步骤3)建立的行车电耗预测模型在线预测出未来行驶路线上的各路段的行车电耗值集合{E₁,E₂,E₃...,E_n}，并记录相应各路段的行驶里程值集合{S₁,S₂,S₃...,S_n}。

步骤5)计算剩余续驶里程；

5.1)、计算当前时刻电池剩余电池能量：E_c＝U₀×C₀×(SOC-SOC₀)×SOH，式中U₀为动力电池额定电压，C₀为额定容量,SOH为电池健康状态,SOC₀为电池允许的最低放电值，SOC为当前时刻的荷电状态值；

5.2)、调取步骤4)预测得到的规划行驶路线上的路段行车电耗预测值集合{E₁,E₂,E₃...,E_n}和与之对应的路段行驶里程值集合{S₁,S₂,S₃...,S_n}；

5.3)、首先判断E₁＜E_c是否成立，如果不成立，则

如果成立，则接着判断E₁+E₂＜E_c是否成立；

如果E₁+E₂＜E_c不成立，则

如果成立，则接着判断E₁+E₂+E₃＜E_c是否成立；

如果E₁+E₂+E₃＜E_c不成立，则

如果成立，则以此类推，判断E₁+E₂+E₃+，…，+E_m＜E_c，1≤m≤n是否成立，直到第一次E₁+E₂+E₃+，…，+E_m＜E_c，1≤m≤n不成立，停止判断，并通过下式计算剩余续驶里程值：

自适应工况的纯电动汽车行驶里程估计系统包括数据采集子系统、离线训练子系统和在线估算子系统；

所述的数据采集子系统包括BMS模块和车载导航模块，用于对行驶路线上的行驶工况数据和动力电池工作数据进行采集；

所述的离线训练子系统包括样本数据集构建模块和BP神经网络模型训练模块，用于建立样本数据集，搭建BP神经网络模型，通过BP神经网络对所述数据集分别进行训练和验证，得到验证后的BP神经网络；

所述的在线估算子系统包括在线预测模块和续驶里程计算模块，用于通过验证后的BP神经网络对规划行驶路线上的单位行驶里程进行预测，计算剩余行驶里程。

本发明的效果和益处是：基于可获取的道路环境、交通状态和车辆运行的历史、实时大数据对任意规划行驶路线上不同行驶工况下的单位行驶里程电耗进行在线预测，进而可实现对不同道路和交通环境的行驶工况下剩余续驶里程的自适应估算。有效解决了因复杂多变的实际的行驶工况导致的续驶里程的计算结果较大程度上偏离实际行驶工况下的续驶里程值的问题。

说明书附图

图1是本案的工作流程图，

图2是本案对未来剩余续驶里程的计算原理图，

图3是本案中纯电动汽车行驶里程估计系统的结构示意图。

具体实施例

本发明如图1-2所示，按以下步骤进行工作：

1)、采集数据：采集车辆的行驶工况数据和车辆的动力电池工作数据；

2)、构建样本数据集：基于步骤1)获取的数据构建样本数据集；

3)、建立行车电耗预测模型：利用BP神经网络对样本数据集进行训练，建立行车电耗预测模型；

4)、行车电耗在线预测：基于车载导航系统提供的实时工况信息，利用行车电耗预测模型对未来行驶路段内的电池能量消耗进行预测；

5)、计算剩余续驶里程：结合当前电池剩余电量和预测的行车电耗，计算未来剩余续驶里程值。

通过车载导航采集步骤1)中车辆的行驶工况数据，所述行驶工况数据包括行驶路线上的道路限速、道路坡度、道路类型、交通拥堵等级、行驶里程、行驶时间；

通过电池管理系统BMS采集车辆的动力电池工作数据，所述动力电池工作数据包括行驶路线上动力电池每个时刻的工作电压和电流。

由于规划行驶路线上不同路段的实际交通状态是不同的且时变的，而不同的交通状态下，车辆运行的能量消耗情况是不同的，因此，本案将历史行驶路线划分为多段，以单个路段为样本进行样本数据的处理，具体如下：

步骤2)按以下步骤构建样本数据集；

2.1)、历史行驶路线划分为多个路段，具体是将历史行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段样本；

2.2)、提取各路段样本的行驶工况数据和动力电池工作数据，其中道路坡度、行驶里程和行驶时间在路段划分后可直接确定，而道路类型和道路限速参数为有限数量的离散型数值，通过提取获得；其具体参数值的提取方法为：

当按所述路段划分方法划分的路段中的道路类型或道路限速唯一时，则各路段的道路类型或道路限速参数数据，即为该道路类型或道路限速对应的参数值；

当按所述路段划分方法划分的路段中的道路类型或道路限速不唯一时，则该路段的道路类型或道路限速参数值按如下方式确定：

将不同的道路类型或道路限速在该路段中所占长度比例乘上各自道路类型或道路限速对应的参数值，再将乘积各乘以一定比例的参数值求和得到该路段的最终的道路类型或道路限速参数值；

2.3)、计算路段的行驶里程内电池的能量消耗：式中U和I分别为动力电池每个时刻的工作电压和电流，T为路段的行驶时间。

步骤3)按以下步骤建立行车电耗预测模型，所述预测模型为BP神经网络模型，所述BP神经网络模型的输入变量为道路类型、道路限速、道路坡度、交通拥堵等级和行驶里程，输出量为行驶里程内的电池能量消耗；

3.1)、选定网络的输入变量，确定输入层节点数m；

3.2)、确定隐含层数和隐含层节点数；隐含层的节点数m有三种计算方法如下:

(1)

(2)m＝log₂n

(3)

其中，n为输入层节点数，l为输出层节点数，δ为0～10之间的常数，通过计算方法以及试凑方法得到隐含层节点数m；

3.3)、确定学习率、初始权值、初始阈值；

3.4)、确定输出层的节点数；

3.5)、训练神经网络。训练神经网络具体为：

从样本数据集中任意选取75％作为训练样本，25％作为测试样本，以训练样本的道路类型、道路限速、道路坡度、交通拥堵等级和行驶里程作为网络输入；以训练样本的行车电耗作为网络输出，采用标准BP模型，选择隐含层数为2，输入层节点数为4，输出层节点数为1，按前述方法确定隐含层节点数，第一层传递函数选为tansig函数，第二层传递函数为purelin函数，训练函数为带动量梯度下降改进型训练函数traingdm，通过数据的学习完成神经网络的训练和验证。

考虑到规划行驶路线上不同路段的实际交通状态是不同的且时变的，行车电耗预测模型的建立是基于对行驶路线进行分段处理实现的，因此，相应地，行车电耗的在线预测同样是基于对规划路线分段处理而实现的，具体如下：步骤4)按以下步骤在线预测行车电耗；

4.1)、基于车载导航提供的规划行驶路线上的实时交通拥堵等级信息，将未来行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段；

4.2)、提取各路段的道路类型、道路限速、道路坡度、交通拥堵等级、行驶里程；其中，道路类型和道路限速参数数据的提取方法具体为；

当按所述路段划分方法划分的路段中的道路类型或道路限速唯一时，则各路段的道路类型或道路限速参数数据，即为该道路类型或道路限速对应的参数值；

当按所述路段划分方法划分的路段中的道路类型或道路限速不唯一时，则该路段的道路类型或道路限速参数值按如下方式确定：

将不同的道路类型或道路限速在该路段中所占长度比例乘上各自道路类型或道路限速对应的参数值，再将乘积各乘以一定比例的参数值求和得到该路段的最终的道路类型或道路限速参数值；

4.3)、将提取的道路类型、道路限速、道路坡度和交通拥堵等级和行驶里程参数数据作为单位行车电耗预测模型的输入，通过步骤3)建立的行车电耗预测模型在线预测出未来行驶路线上的各路段的行车电耗值集合{E₁,E₂,E₃...,E_n}，并记录相应各路段的行驶里程值集合{S₁,S₂,S₃...,S_n}。

步骤5)计算剩余续驶里程；

5.1)、计算当前时刻电池剩余电池能量：E_c＝U₀×C₀×(SOC-SOC₀)×SOH，式中U₀为动力电池额定电压，C₀为额定容量,SOH为电池健康状态,SOC₀为电池允许的最低放电值，SOC为当前时刻的荷电状态值(即如图2中所示始点处电池的SOC值)；

5.2)、调取步骤4)预测得到的规划行驶路线上的路段行车电耗预测值集合{E₁,E₂,E₃...,E_n}和与之对应的路段行驶里程值集合{S₁,S₂,S₃...,S_n}；

5.3)、结合电池剩余电池能量和路段行车电耗预测值集合和路段行驶里程值集合，确定未来剩余续驶里程，具体如下：首先判断E₁＜E_c是否成立，如果不成立，则如果成立，则接着判断E₁+E₂＜E_c是否成立；

如果E₁+E₂＜E_c不成立，则

如果成立，则接着判断E₁+E₂+E₃＜E_c是否成立；

如果E₁+E₂+E₃＜E_c不成立，则

如果成立，则以此类推，判断E₁+E₂+E₃+，…，+E_m＜E_c，1≤m≤n是否成立，直到第一次E₁+E₂+E₃+，…，+E_m＜E_c，1≤m≤n不成立，即当E₁+E₂+E₃+，…，+E_m≥E_c时，停止判断，并通过下式计算剩余续驶里程值：

其中，当E₁+E₂+E₃+，…，+E_m＝E_c时，即当前剩余电池能量支持车辆行驶至如图2中所示的终止点a处，此时直接累加这m个路段的行驶里程值即得到最终的剩余续驶里程值S_a＝S1+S2+,…，+S_m；

当E₁+E₂+E₃+，…，+E_m＞E_c时，即当前剩余电池能量支持车辆行驶至如图2中所示的终止点b处，由图2可知，此时的最终的剩余续驶里程为前m-1个路段的行驶里程值总和再加上第m个路段的部分行驶里程，则最终的续驶里程值可由下式确定：

如图3所示，自适应工况的纯电动汽车行驶里程估计系统包括数据采集子系统、离线训练子系统和在线估算子系统；

所述的数据采集子系统包括BMS模块和车载导航模块，用于对行驶路线上的行驶工况数据和动力电池工作数据进行采集；所述BMS模块用于采集动力电池的额定电压、额定容量、SOH值、SOC值、工作电压和电流；所述车载导航模块用于采集道路限速、道路坡度、道路类型、交通拥堵等级、行驶里程和行驶时间。

所述的离线训练子系统包括样本数据集构建模块和BP神经网络模型训练模块，用于建立样本数据集，搭建BP神经网络模型，通过BP神经网络对所述数据集分别进行训练和验证，得到验证后的BP神经网络；所述样本数据集构建模块用于构建用于建立行车电耗预测模型的样本数据集；所述BP神经网络模型训练模块用于将样本数据集划分为训练数据集和测试数据集，通过BP神经网络对训练数据集进行训练，通过测试数据集对训练好的BP神经网络进行有效性验证。

所述的在线估算子系统包括在线预测模块和续驶里程计算模块，用于通过验证后的BP神经网络对规划行驶路线上的单位行驶里程进行预测，计算剩余行驶里程。所述在线预测模块用于利用训练好BP神经网络模型对未来行驶路线上的行车电耗进行在线实时预测；所述续驶里程计算模块用于计算电池剩余能量，并结合预测得到的行车电耗，对剩余续驶里程进行计算。

Claims (7)

1.一种自适应工况的纯电动汽车行驶里程估计方法，其特征在于，按以下步骤进行工作：

1)、采集数据：采集车辆的行驶工况数据和车辆的动力电池工作数据；

2)、构建样本数据集：基于步骤1)获取的数据构建样本数据集；

3)、建立行车电耗预测模型：利用BP神经网络对样本数据集进行训练，建立行车电耗预测模型；

4)、行车电耗在线预测：基于车载导航系统提供的实时工况信息，利用行车电耗预测模型对未来行驶路段内的电池能量消耗进行预测；

5)、计算剩余续驶里程：结合当前电池剩余电量和预测的行车电耗，计算未来剩余续驶里程值。

2.根据权利要求1所述的一种自适应工况的纯电动汽车行驶里程估计方法，其特征在于，通过车载导航采集步骤1)中车辆的行驶工况数据，所述行驶工况数据包括行驶路线上的道路限速、道路坡度、道路类型、交通拥堵等级、行驶里程、行驶时间；

通过电池管理系统BMS采集车辆的动力电池工作数据，所述动力电池工作数据包括行驶路线上动力电池每个时刻的工作电压和电流。

3.根据权利要求1所述的一种自适应工况的纯电动汽车行驶里程估计方法，其特征在于，步骤2)按以下步骤构建样本数据集；

2.1)、将历史行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段样本；

2.2)、提取各路段样本的行驶工况数据和动力电池工作数据，其中道路坡度、行驶里程和行驶时间在路段划分后可直接确定，而道路类型和道路限速参数为有限数量的离散型数值，通过提取获得；

2.3)、计算路段的行驶里程内电池的能量消耗：

式中U和I分别为动力电池每个时刻的工作电压和电流，T为路段的行驶时间。

4.根据权利要求1所述的一种自适应工况的纯电动汽车行驶里程估计方法，其特征在于，步骤3)按以下步骤建立行车电耗预测模型，所述预测模型为BP神经网络模型，所述BP神经网络模型的输入变量为道路类型、道路限速、道路坡度、交通拥堵等级和行驶里程，输出量为行驶里程内的电池能量消耗；

3.1)、选定网络的输入变量，确定输入层节点数m；

3.2)、确定隐含层数和隐含层节点数；

3.3)、确定学习率、初始权值、初始阈值；

3.4)、确定输出层的节点数；

3.5)、训练神经网络。

5.根据权利要求1所述的一种自适应工况的纯电动汽车行驶里程估计方法，其特征在于，步骤4)按以下步骤在线预测行车电耗；

4.1)、基于车载导航提供的规划行驶路线上的实时交通拥堵等级信息，将未来行驶路线上交通拥堵等级相同的一段行驶里程划分为一个路段；

4.2)、提取各路段的道路类型、道路限速、道路坡度、交通拥堵等级、行驶里程；

4.3)、将提取的道路类型、道路限速、道路坡度和交通拥堵等级和行驶里程参数数据作为单位行车电耗预测模型的输入，通过步骤3)建立的行车电耗预测模型在线预测出未来行驶路线上的各路段的行车电耗值集合{E₁,E₂,E₃...,E_n}，并记录相应各路段的行驶里程值集合{S₁,S₂,S₃...,S_n}。

6.根据权利要求1所述的一种自适应工况的纯电动汽车行驶里程估计方法，其特征在于，步骤5)计算剩余续驶里程；

5.1)、计算当前时刻电池剩余电池能量：E_c＝U₀×C₀×(SOC-SOC₀)×SOH，式中U₀为动力电池额定电压，C₀为额定容量,SOH为电池健康状态,SOC₀为电池允许的最低放电值，SOC为当前时刻的荷电状态值；

5.2)、调取步骤4)预测得到的规划行驶路线上的路段行车电耗预测值集合{E₁,E₂,E₃...,E_n}和与之对应的路段行驶里程值集合{S₁,S₂,S₃...,S_n}；

5.3)、首先判断E₁＜E_c是否成立，如果不成立，则

如果成立，则接着判断E₁+E₂＜E_c是否成立；

如果E₁+E₂＜E_c不成立，则如果成立，则接着判断E₁+E₂+E₃＜E_c是否成立；

如果E₁+E₂+E₃＜E_c不成立，则

如果成立，则以此类推，判断E₁+E₂+E₃+，…，+E_m＜E_c，1≤m≤n是否成立，直到第一次E₁+E₂+E₃+，…，+E_m＜E_c，1≤m≤n不成立，停止判断，并通过下式计算剩余续驶里程值：

7.一种自适应工况的纯电动汽车行驶里程估计系统，其特征在于，包括数据采集子系统、离线训练子系统和在线估算子系统；

所述的数据采集子系统包括BMS模块和车载导航模块，用于对行驶路线上的行驶工况数据和动力电池工作数据进行采集；

所述的离线训练子系统包括样本数据集构建模块和BP神经网络模型训练模块，用于建立样本数据集，搭建BP神经网络模型，通过BP神经网络对所述数据集分别进行训练和验证，得到验证后的BP神经网络；

所述的在线估算子系统包括在线预测模块和续驶里程计算模块，用于通过验证后的BP神经网络对规划行驶路线上的单位行驶里程进行预测，计算剩余行驶里程。

Images