CN111452619A - 电动车辆在线能耗预测方法及系统 - Google Patents

Abstract

本发明公开了电动车辆在线能耗预测方法及系统，预测方法包括：载入车型信息，获取该车型平均百公里能耗P₀，能耗为标准驾驶风格、标准路况、非高温或低温天气下的能耗；计算能耗修正系数k_e：获取当前行驶路段的行驶过的预设数量的同车型车辆的驾驶信息，根据行驶至目的地后记录的个人驾驶风格、拥堵程度、天气进行分类，对每类中的实际耗能取平均值，进而换算出该路段的平均百公里能耗，与标准百公里能耗P₀之比值即为不同风格、拥堵程度、天气下的k_e；计算本车辆当前百公里能耗P和续驶里程E，并在每个执行周期实时更新，其中，P＝k_eP₀，E＝100Q·C/P，其中Q为当前电池电量百分比，C为本车电池总能量。由此，不仅考虑传统算法中的车型，增加了对驾驶行为的考虑，能耗预测更准确。

Description

电动车辆在线能耗预测方法及系统

技术领域

本发明涉及电动车辆技术领域，尤其是涉及一种电动车辆在线能耗预测方法及系统。

背景技术

电动车辆能耗预测系统对交通出行有重大意义：个人层面，准确的能耗预测系统可以使出行者更加“安心”，不必担心续航里程预测有误而引起的诸多麻烦；车企层面，有助于企业研究、统计某种特定车型的能耗，并在下一代产品中做出优化或改进；社会层面，辅佐政府部门进行充电站部署；国家层面，解除人们的“里程焦虑”，鼓励电动车辆购买，推动经济发展。

当前，电动车辆能耗预测机制仅考虑行驶工况及历史行程，不考虑驾驶员的驾驶行为，且很多产品会标明其续航里程结果来自于“内部测试”，会对其实际能耗(续航)情况使消费者产生误解。实际上，驾驶风格(如激进型、标准型、平稳型等)会对能耗有一定影响。急加速等大电流放电过程会影响电池使用时间。

本发明提出一种考虑驾驶风格的电动车辆整车在线能耗预测模型，即在考虑可能影响驾驶风格的诸多因素(天气、路况等)的情况下，驾驶员使用特定车型行驶特定路径时，对模型得出的驾驶风格及所预测的(百公里)能耗进行不断修正。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明的一个目的在于提出一种电动车辆在线能耗预测方法及系统。

根据本发明实施例的电动车辆在线能耗预测方法，包括：

载入车型信息，获取该车型平均百公里能耗P₀，该能耗为标准驾驶风格、标准路况、非高温或低温天气下的能耗；

计算能耗修正系数k_e：获取当前行驶路段的行驶过的预设数量的同车型车辆的驾驶信息，根据行驶至目的地后记录的个人驾驶风格、拥堵程度、天气进行分类，对每类中的实际耗能取平均值，进而换算出该路段的平均百公里能耗，与标准百公里能耗P₀之比值即为不同风格、拥堵程度、天气下的k_e；

计算本车辆的当前百公里能耗P和续驶里程E，并在每个执行周期实时更新，其中，P＝k_eP₀，E＝100Q·C/P，其中Q为当前电池电量百分比，C为本车电池总能量，P为当前百公里能耗。

在一些实施例中，驾驶风格类型包括以下四种：新手型、平稳型、标准型、激进型，驾驶风格类型的判断方法包括：

比较平均最大加速度，若当前的平均最大加速度大于同路段旁车的平均最大加速度值超过25％则为激进型，若当前的平均最大加速度小于同路段旁车的平均最大加速度值超过25％则为新手型；

若当前的平均最大加速度与同路段旁车的平均最大加速度值相差不超过25％，则比较当前的平均速度与同路段旁车的平均速度，若当前的平均速度小于同路段旁车的平均速度，则为平稳型，反之，为标准型风格。

在一些实施例中，对驾驶风格按以下方法动态更新：首先以一个执行周期为单位，获取旁车或同路段邻近车辆的平均速度、本车辆平均最大加速度，分别以V、A表示；获取本车辆当前平均速度、本车辆平均最大加速度，分别以v、a表示；对比A和a、V和v，得出当前驾驶风格类型以及当前驾驶风格类型对应的参考值D_n0；

根据当前驾驶风格类型以及A、a、V、v计算当前驾驶风格的修正项R，当前驾驶风格的数值D_n，计算当前驾驶风格的数值D_n＝D_n0+R；

对当前驾驶风格值D_n与上次驾驶风格D_n-1加权获得此时驾驶风格D_n+1＝k₁D_n+k₂D_n-1，其中k₁、k₂为权系数。

在一些实施例中，驾驶风格对应的修正项R以及参考值参见如下表格：

在一些实施例中，若计算中出现D_n小于等于0或D_n大于等于1，分别将当前驾驶风格D_n重置为0与1，当行程结束时，分别取k₁＝0.2，k₂＝0.8，代入D_n+1＝k₁D_n+k₂D_h，得到最后一次所得驾驶风格数值，即此次行程结束后的D_h，在下次行程时作为历史驾驶风格值使用：

在一些实施例中，记录每次行驶前以及行驶后的电池电量，计算两者的差值ΔQ，结合本车辆的电池容量C，进而得出本车辆的总耗能信息E＝CΔQ，将总耗能信息与此次行车结束时的驾驶风格，通过网联系统传输给云端进行数据扩充。

在一些实施例中，对于拥堵程度，由第三方地图软件及全部在此路段的网联车辆数据，获取该路段平均速度数据，并获取该路段限速，其中拥堵程度被分类为：畅通、行驶缓慢、拥堵。

在一些实施例中，记平均车速为V，该路段限速为v₀，若该路段的平均车速大于75％限速，即V＞0.75v₀，则为畅通；若该路段平均车速介于45％限速与75％限速之间，即0.45v₀＜V＜0.75v₀，则为行驶缓慢；若该路段平均车速小于50％限速，即V＜0.45v₀，则为拥堵。

在一些实施例中，对于天气，使用第三方数据载入天气状况信息，天气分类包括：晴朗、雨雪天气、4级以上大风、大风与雨雪交加、零度以下的低温。

根据本发明第二方面实施例的电动车辆在线能耗预测系统，包括：

车速监测模块，所述车速监控模块用于获取本车辆的平均车速以及平均最大加速度；

网联数据模块，所述网联数据模块用于获取同车型车辆的平均速度和平均最大加速度、拥堵情况、天气；

驾驶风格分析模块，所述驾驶风格分析模块与所述车速检测模块和所述网联数据模块通信连接，所述驾驶风格分析模块用于根据所述车速监测模块和所述网联数据模块的数据计算驾驶风格，并对驾驶风格实时更新；

车辆信息模块，所述车辆信息模块用于存储行驶前后的电池电量、驾驶风格、百公里能耗；

能耗计算模块，所述能耗计算模块与所述网联数据模块、所述驾驶风格分析模块、所述车辆信息模块通信连接，以计算百公里能耗以及续驶里程。

根据本发明实施例的电动车辆在线的能耗预测方法及系统具有如下优点：

1)能耗计算系统由车速监测模块、网联数据模块、驾驶行为分析模块和能耗计算模块组成，能够综合考虑驾驶员在行车过程中的行车情况，计算、更新得到驾驶行为信息，对能耗计算起重要作用。

2)计算得到驾驶行为的流程中，本发明比较了当前路段其他车辆的行驶情况(平均车速、加速度等)，通过对比较结果、历史驾驶行为、先前运行结果的加权，在线更新优化运算结果，以得出更准确的能耗数值。

3)在能耗模型的计算中，不仅考虑传统算法中的车型(不同车型的能耗具有较大差异)，增加了对驾驶行为的考虑，以上二者为输入，并考虑拥堵程度、天气对能耗的影响，得到该车的(百公里)能耗预测值与续驶里程，并在每个执行周期后不断修正。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是根据本发明实施例的电动车辆在线能耗预测方法的示意图。

图2是根据本发明实施例的电动车辆在线能耗预测方法的能耗模型的示意图。

图3是根据本发明实施例的电动车辆在线能耗预测方法的驾驶风格的示意图。

图4是根据本发明实施例的电动车辆在线能耗预测系统的示意图。

具体实施方式

下面详细描述本发明的实施例，参考附图描述的实施例是示例性的，下面详细描述本发明的实施例。

下面参考图1-图4描述根据本发明实施例的电动车辆在线能耗预测方法及系统。

如图1所示，根据本发明第一方面实施例的电动车辆在线能耗预测方法，包括：

S1：载入车型信息，获取该车型平均百公里能耗P₀，该能耗为标准驾驶风格、标准路况、非高温或低温天气下的能耗。

S2：计算能耗修正系数k_e：获取当前行驶路段的行驶过的预设数量的同车型车辆的驾驶信息，根据行驶至目的地后记录的个人驾驶风格、拥堵程度、天气进行分类，对每类中的实际耗能取平均值，进而换算出该路段的平均百公里能耗，与标准百公里能耗P₀之比值即为不同风格、拥堵程度、天气下的k_e。参见表1，根据驾驶风格、拥堵程度、天气可以被划分为60小类，分别对应60个k_e，实时更新驾驶风格、拥堵程度以及天气状况，进而使当前行驶过程中的k_e实时更新。

表1能耗计算大数据分类(三大类，60小类)

S3：计算本车辆的当前百公里能耗P和续驶里程E，并在每个执行周期实时更新，其中，P＝k_eP₀，E＝100Q·C/P，其中Q为当前电池电量百分比，C为本车电池总能量，P为当前百公里能耗。

当启动后数分钟后行驶较稳定、采集部分速度信息后，开始对行程能耗进行计算。对最终建立能耗模型，以驾驶行为、车型信息、拥堵程度、天气状况为输入，在计算模型中求解得到百公里能耗与续驶里程。

不同于传统技术，本发明实施例的预测方法，其一是对驾驶风格的分类存在差异；其二是即加载了车型信息，主要考虑到不同车型的车况不同(如空气阻力等)，且车型之间存在较大区别(电机、功耗、负载等)，不使用测功机等测试结果；其三是本发明结合网联数据，获取其他车辆行驶信息(前文中所提到的速度、加速度的邻近车辆信息)及本车的标准情况、不同情况下的能耗信息。

在一些实施例中，驾驶风格类型包括以下四种：新手型、平稳型、标准型、激进型，驾驶风格类型的判断方法包括：

1)比较平均最大加速度，若当前的平均最大加速度大于同路段旁车的平均最大加速度值超过25％则为激进型，若当前的平均最大加速度小于同路段旁车的平均最大加速度值超过25％则为新手型；

2)若当前的平均最大加速度与同路段旁车的平均最大加速度值相差不超过25％，则比较当前的平均速度与同路段旁车的平均速度，若当前的平均速度小于同路段旁车的平均速度，则为平稳型，反之，为标准型风格。

换言之，本发明实施例的能耗计算方法中，将驾驶风格进行量化，即定义驾驶风格D，其值范围为(0，1)。本发明将驾驶风格分为4种：新手型、平稳型、标准型、激进型。不同驾驶风格与对应数值范围如表2所示(参考值)。参见表3为一个具体实施例的驾驶风格特征。

表2驾驶风格与数值对应表(参考值)

表3一个实施例的驾驶风格的特征

在另一些实施例中，对驾驶风格按以下方法动态更新：首先以一个执行周期为单位，获取旁车或同路段邻近车辆的平均速度、本车辆平均最大加速度，分别以V、A表示；获取本车辆当前平均速度、本车辆平均最大加速度，分别以v、a表示；对比A和a、V和v，得出当前驾驶风格类型以及当前驾驶风格类型对应的参考值D_n0；

根据当前驾驶风格类型以及A、a、V、v计算当前驾驶风格的修正项R，当前驾驶风格的数值D_n，计算当前驾驶风格的数值D_n＝D_n0+R；

对当前驾驶风格值D_n与上次驾驶风格D_n-1加权获得此时驾驶风格D_n+1＝k₁D_n+k₂D_n-1，其中k_1，2为权系数。

具体而言，①(启动后)分析本驾驶员历史行程记录，获取其历史驾驶风格，即前一次行程结束时的驾驶风格，记为D_h，并基于此对此次途中驾驶风格进行预判(即参与后续计算)；②(每个执行周期，如：数分钟内，)使用毫米波雷达及网联信息获取旁车或同时间同路段其他车辆的速度信息，通过求导获得其加速度。通过对实时采集数据的处理，处理方法见下段，获得：1)旁车(毫米波雷达获得)或同路段邻近车辆(网联信息获得)平均速度，平均最大加速度(减速度取其绝对值，并与加速度取最大值)，分别以V，A表示；2)对于当前驾驶员，通过对本车车速表的监测，取得对应速度、加速度(求导获得，对减速度取绝对值后，比较取最大值，记录)数值，分别以v，a表示。

对于所获得的行车数据，取前n个执行周期的平均值并记录，如：取执行周期为3分钟。第1个执行周期取从开始行程到第3分钟结束的数据，计算其平均值并记录；第2个执行周期取从开始行程至第6分钟结束的数据并对其平均值进行记录。

与现有的车载能耗预测机制不同，本发明实施例的能耗预测方法考虑到驾驶员的驾驶行为对能耗的影响；对驾驶行为历史结果进行加权处理，以保证运算的精准性。

在一些实施例中，驾驶风格对应的修正项R以及参考值参见如下表4：

表4驾驶风格计算表

在一些实施例中，若计算中出现D_n小于等于0或D_n大于等于1，分别将当前驾驶风格D_n重置为0与1，当行程结束时，分别取k₁＝0.2，k₂＝0.8，代入D_n+1＝k₁D_n+k₂D_n-1，得到最后一次所得驾驶风格数值，即此次行程结束后的D_h，在下次行程时作为历史驾驶风格值使用：

表5

在一些实施例中，记录每次行驶前以及行驶后的电池电量，计算两者的差值ΔQ，结合本车辆的电池容量C，进而得出本车辆的总耗能信息E＝CΔQ，将总耗能信息与此次行车结束时的驾驶风格，通过网联系统传输给云端进行数据扩充。由此，通过不断扩充迭代信息，使最终网联数据更丰富，进而使最终的预测结果更精确。

在一些实施例中，对于拥堵程度，由第三方地图软件及全部在此路段的网联车辆数据，获取该路段平均速度数据，并获取该路段限速，其中拥堵程度被分类为：畅通、行驶缓慢、拥堵。由此，借助网联数据将路况情况考虑在内计算能耗，使计算结果更精准。

在一些实施例中，记平均车速为V，该路段限速为v₀，若该路段的平均车速大于75％限速，即V＞0.75v₀，则为畅通；若该路段平均车速介于45％限速与75％限速之间，即0.45v₀＜V＜0.75v₀，则为行驶缓慢；若该路段平均车速小于50％限速，即V＜0.45v₀，则为拥堵。

在一些实施例中，对于天气，使用第三方数据载入天气状况信息，天气分类包括：晴朗、雨雪天气、4级以上大风、大风与雨雪交加、零度以下的低温。由此，主要考虑对能耗影响较大的天气状况，来对天气激进型分类，最终对能耗的计算更准确。

根据本发明第二方面实施例的电动车辆在线能耗预测系统，包括：车速监测模块、网联数据模块、驾驶风格分析模块、车辆信息模块、能耗计算模块。

如图4所示，车速监控模块用于获取本车辆的平均车速以及平均最大加速度；网联数据模块用于获取同车型车辆的平均速度和平均最大加速度、拥堵情况、天气；驾驶风格分析模块与车速检测模块和网联数据模块通信连接，驾驶风格分析模块用于根据车速监测模块和网联数据模块的数据计算驾驶风格，并对驾驶风格实时更新；车辆信息模块用于存储行驶前后的电池电量、驾驶风格、百公里能耗；能耗计算模块与网联数据模块、驾驶风格分析模块、车辆信息模块通信连接，以计算百公里能耗以及续驶里程。

本发明提出一种考虑驾驶风格的在线整车能耗预测系统，能够在考虑驾驶员行车习惯及行为的情况下计算特定行程的能耗：

能耗计算系统由车速监测模块、网联数据模块、驾驶行为分析模块和能耗计算模块组成，能够综合考虑驾驶员在行车过程中的行车情况，计算、更新得到驾驶行为信息，对能耗计算起重要作用。

计算得到驾驶行为的流程中，本发明比较了当前路段其他车辆的行驶情况(平均车速、加速度等)，通过对比较结果、历史驾驶行为、先前运行结果的加权，在线更新优化运算结果，以得出更准确的能耗数值。

在能耗模型的计算中，不仅考虑传统算法中的车型(不同车型的能耗具有较大差异)，增加了对驾驶行为的考虑，以上二者为输入，并考虑拥堵程度、天气对能耗的影响，得到该车的(百公里)能耗预测值与续驶里程，并在每个执行周期后不断修正。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

在本发明的描述中，“第一特征”、“第二特征”可以包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上。在本发明的描述中，第一特征在第二特征“之上”或“之下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。在本发明的描述中，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (10)

1.一种电动车辆在线能耗预测方法，其特征在于，包括：

载入车型信息，获取该车型平均百公里能耗P₀，该能耗为标准驾驶风格、标准路况、非高温或低温天气下的能耗；

计算能耗修正系数k_e：获取当前行驶路段的行驶过的预设数量的同车型车辆的驾驶信息，根据行驶至目的地后记录的个人驾驶风格、拥堵程度、天气进行分类，对每类中的实际耗能取平均值，进而换算出该路段的平均百公里能耗，与标准百公里能耗P₀之比值即为不同风格、拥堵程度、天气下的k_e；

计算本车辆的当前百公里能耗P和续驶里程E，并在每个执行周期实时更新，其中，P＝k_eP₀，E＝100Q·C/P，其中Q为当前电池电量百分比，C为本车电池总能量，P为当前百公里能耗。

2.根据权利要求1所述的电动车辆在线能耗预测方法，其特征在于，驾驶风格类型包括以下四种：新手型、平稳型、标准型、激进型，驾驶风格类型的判断方法包括：

比较平均最大加速度，若当前的平均最大加速度大于同路段旁车的平均最大加速度值超过25％则为激进型，若当前的平均最大加速度小于同路段旁车的平均最大加速度值超过25％则为新手型；

若当前的平均最大加速度与同路段旁车的平均最大加速度值相差不超过25％，则比较当前的平均速度与同路段旁车的平均速度，若当前的平均速度小于同路段旁车的平均速度，则为平稳型，反之，为标准型风格。

3.根据权利要求2所述的电动车辆在线能耗预测方法，其特征在于，对驾驶风格按以下方法动态更新：首先以一个执行周期为单位，获取旁车或同路段邻近车辆的平均速度、本车辆平均最大加速度，分别以V、A表示；获取本车辆当前平均速度、本车辆平均最大加速度，分别以v、a表示；对比A和α、V和v，得出当前驾驶风格类型以及当前驾驶风格类型对应的参考值D_n0；

根据当前驾驶风格类型以及A、a、V、v计算当前驾驶风格的修正项R，当前驾驶风格的数值D_n，计算当前驾驶风格的数值D_n＝D_n0+R；

对当前驾驶风格值D_n与上次驾驶风格D_n-1加权获得此时驾驶风格D_n+1＝k₁D_n+k₂D_n-1，其中k₁、k2为权系数。

4.根据权利要求3所述的电动车辆在线能耗预测方法，其特征在于，驾驶风格对应的修正项R以及参考值参见如下表格：

5.根据权利要求4所述的电动车辆在线能耗预测方法，其特征在于，

若计算中出现D_n小于等于0或D_n大于等于1，分别将当前驾驶风格D_n重置为0与1，当行程结束时，分别取k₁＝0.2，k₂＝0.8，代入D_n+1＝k₁D_n+k₂D_n-1，得到最后一次所得驾驶风格数值，即此次行程结束后的D_h，在下次行程时作为历史驾驶风格值使用：

6.根据权利要求1所述的电动车辆在线能耗预测方法，其特征在于，记录每次行驶前以及行驶后的电池电量，计算两者的差值ΔQ，结合本车辆的电池容量C，进而得出本车辆的总耗能信息E＝CΔQ，将总耗能信息与此次行车结束时的驾驶风格，通过网联系统传输给云端进行数据扩充。

7.根据权利要求1所述的电动车辆在线能耗预测方法，其特征在于，

对于拥堵程度，由第三方地图软件及全部在此路段的网联车辆数据，获取该路段平均速度数据，并获取该路段限速，其中拥堵程度被分类为：畅通、行驶缓慢、拥堵。

8.根据权利要求7所述的电动车辆在线能耗预测方法，其特征在于，记平均车速为V，该路段限速为v₀，

若该路段的平均车速大于75％限速，即V＞0.75v₀，则为畅通；

若该路段平均车速介于45％限速与75％限速之间，即0.45v₀＜V＜0.75v₀，则为行驶缓慢；

若该路段平均车速小于50％限速，即V＜0.45v₀，则为拥堵。

9.根据权利要求5所述的电动车辆在线能耗预测方法，其特征在于，对于天气，使用第三方数据载入天气状况信息，天气分类包括：晴朗、雨雪天气、4级以上大风、大风与雨雪交加、零度以下的低温。

10.一种电动车辆在线能耗预测系统，其特征在于，包括：

车速监测模块，所述车速监控模块用于获取本车辆的平均车速以及平均最大加速度；

网联数据模块，所述网联数据模块用于获取同车型车辆的平均速度和平均最大加速度、拥堵情况、天气；

驾驶风格分析模块，所述驾驶风格分析模块与所述车速检测模块和所述网联数据模块通信连接，所述驾驶风格分析模块用于根据所述车速监测模块和所述网联数据模块的数据计算驾驶风格，并对驾驶风格实时更新；

车辆信息模块，所述车辆信息模块用于存储行驶前后的电池电量、驾驶风格、百公里能耗；

能耗计算模块，所述能耗计算模块与所述网联数据模块、所述驾驶风格分析模块、所述车辆信息模块通信连接，以计算百公里能耗以及续驶里程。

Images