CN111583440A - 一种电动汽车里程动态预估方法 - Google Patents

Abstract

本发明涉及一种电动汽车的续航里程动态预测方法，该方法充分考虑目前电动汽车起步阶段、车载用电复杂、初期较大波动的电耗及行驶数据会对剩余里程预估带来严重偏差。利用大数据聚类思想，用大量历史行驶数据，并结合车辆载重情况，计算当前载荷状态下历史单位能耗的平均行驶距离，根据当前剩余电量，求得剩余续驶里程。

Description

一种电动汽车里程动态预估方法

技术领域

本发明涉及电动汽车领域，特别是涉及一种电动汽车的里程动态预测方法。

背景技术

电动车续航里程由蓄电池组的剩余能量以及未来线路的能量消耗决定。目前对于电动汽车剩余里程估算研究分成两类，第一类是基于上一时段行驶数据得到平均能耗和电池剩余能量来估算剩余里程，第二类方法是通过GPS来预测车辆未来一段时间行驶能耗，进行里程估计。车辆里程的影响因素较多，估计难度很大，现有方案都不能提供很准确的估算结果。而且，不同质量的纯电动车辆实际续航里程，随着整车总质量的增加，差值也不断增加，有数据指出，总质量1吨及以下的车型差值比相较于2～3吨的车型相差最大可达27％；另外，实际续航里程与工况里程差异率的季节性特点明显，冬季受外部温度较低影响，实际续航里程较平时低，差值比明显增加。

发明内容

本发明要解决的技术问题是提供一种电动汽车的续航里程动态预测方法，既考虑季节对续航里程的影响，又考虑不同质量和不同路况对于估算精度的影响，使得估算的误差精度满足预期效果。

本发明是这样实现的：

一种电动汽车的续航里程动态预测方法，其特征在于，包括以下步骤：

步骤一、系统建立车辆行驶驱动力模型，根据车辆当前行驶数据，利用该模型估算车辆当前重量，并与存储在系统中的车辆空载、轻载及满载的重量范围进行对比，判断车辆当前是空载、轻载或满载的载荷状态；

步骤二、系统将车辆的载荷状态发送给车辆监控平台，并发送数据请求指令，车辆监控平台收到该数据请求指令后，根据车辆当前的载荷状态和预设时间段，从数据库中提取相应数据，通过计算，得到历史单位能耗里程m1，并将该历史单位能耗里程m1回传给系统；

步骤三、电池荷电状态SOC值每下降一个百分点进行一次剩余续航里程预测，具体为，车辆起步初始时刻，系统从电池管理系统BMS获取电池荷电状态SOC值，在SOC值下降前5个百分点的阶段即SOC从初始M下降到M-5的阶段，根据采集的实时电压值、SOC值以及电池容量，计算对应SOC下的剩余能量，然后与步骤二得到的历史单位能耗里程m1相乘，计算得到剩余续航里程，作为对应SOC下的剩余续航里程的预估值；

步骤四、在SOC值下降了5个百分点以后的阶段即下降到M-6后的阶段，剩余续航里程的预估值按照就近五个SOC迭代法进行计算，具体为：当SOC为下降了6个百分点时，根据SOC在前5个百分点下降阶段对应的行驶距离和消耗的能量得出最新的单位能耗里程m2，根据当前SOC对应电压U，电池容量C，计算得到当前SOC下的初始预估里程(M-6)*U*C*m2，再由预设的阈值对该初始预估里程进行比较修正，最后得到的修正值作为当前SOC下的剩余续航里程的预估值，以此类推，SOC每下降一个百分点，新增一个最近SOC行驶数据、舍弃较早前第一个SOC行驶数据，即始终保持有一个最新的SOC行驶数据，并且以最近的5个SOC行驶数据为依据，获取新的单位能耗里程，以同样的方法获得当前SOC下的剩余续航里程的预估值。

优选地，所述步骤一中建立的车辆行驶驱动力模型为如下车辆运动方程：

式中，F为车辆行驶驱动力，m为整车质量，g为重力加速度，取9.8，f为滚动阻力系数，θ为坡道夹角，a为行驶加速度，δ为传动系的旋转惯量系数，C_D为风阻系数，A为迎风面积，v为车速。

优选地，步骤一中还包括获取车辆初始行驶数据，车辆初始行驶数据包括车辆实时车速v，驱动电机转速n和扭矩信息T；所述估算该车当前重量是根据公式(1)反推计算车辆重量m，具体是由公式

求得。

优选地，F驱动力由公式

求得，P为电机功率，η为执行机构总效率，V为当前车速，η为常数，取值η＝95％；其中P由公式

求得，n为电机转速，T为电机扭矩，其余信号均通过CAN总线网络得到；

车重最终由公式

求得。

优选地，所述步骤一中，存储在系统内的车辆空载、轻载及满载的重量范围是经过多次装载实验标定的，其中，根据实验时的行驶数据，运用公式(1)计算得到空载、轻载以及满载对应的重量区间范围，并将该区间范围存储在系统中。

优选地，所述步骤二中，车辆监控平台从数据库中提取的相应数据按以下方式预先形成并存储：车辆每行驶10km获取一次行驶数据，并与车辆VIN码融合成一条数据记录发送至车辆监控平台，车辆监控平台将数据记录按时间顺序保存在数据库的历史能耗数据表中，其中行驶数据包括对应行驶区间内的消耗能耗、行驶里程、车辆载荷状态和单位能耗行驶距离；该历史能耗数据表中的数据为计算历史单位能耗里程的原始数据；其中，对应行驶区间内的消耗能耗具体为对应行驶区间起点处和终点处的电池剩余电量的差值，其中电池剩余电量通过电池SOC、电池电压U和电池容量三个参数计算得到。

优选地，步骤四中由预设的阈值对该初始预估里程进行比较修正包括：

设定上限阈值和下限阈值，其中

上限阈值＝上一SOC修正后剩余里程，

下限阈值＝上一SOC修正后剩余历程-2*最近5个SOC对应的单位里程均值；

若

下限阈值<当前SOC预估的初始剩余里程<上限阈值

则，当前SOC修正后剩余里程＝当前SOC的初始预估剩余里程；

若

当前SOC的初始预估剩余里程>＝上限阈值

则，当前SOC修正后剩余里程＝上限阈值-((当前SOC的初始预估剩余里程/上限阈值)-1)*最近5个SOC对应的单位里程均值；

若

当前SOC的初始预估剩余里程<＝下限阈值

则，当前SOC修正后剩余里程＝下限阈值+最近5个SOC对应的单位里程均值。

本发明的有益效果为：本发明续航里程动态预测方法，首先充分考虑目前电动汽车起步阶段，车载用电复杂，初期较大波动的电耗及行驶数据会对剩余里程预估带来严重偏差。利用大数据聚类思想，用大量历史行驶数据，并结合车辆载重情况，计算当前载荷状态下历史单位能耗的平均行驶距离，根据当前剩余电量，求得剩余续驶里程，此方法能够较精确的预估车辆行驶初始阶段的续驶里程；同时本发明在车辆行驶平稳阶段，用当前时刻最接近的上一时刻内行驶数据做参考，求得单位能耗的行驶里程。并且能够根据实时单位能耗的平均行驶里程，动态调整得到的单位能耗行驶里程参数值，根据剩余SOC能量预估行驶里程，又能较真实的反应目前工况下的未来续航里程。

附图说明

图1为本发明实施方式电动汽车续航里程预估方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明，但并不构成对本发明的任何限制。

在一个较佳的实施例中，如图1所示，提出了一种电动汽车的续航里程动态预测方法，包括以下步骤：

步骤一、续航里程控制器建立车辆行驶驱动力模型，根据车辆当前行驶数据，利用该模型估算车辆当前重量，并与存储在数据库中的的车辆空载、轻载及满载的重量范围进行对比，判断车辆当前是空载、轻载或满载的载荷状态；

步骤二、续航里程控制器将车辆的载荷状态发送给车辆监控平台，并发送数据请求指令，车辆监控平台收到该数据请求指令后，根据车辆当前的载荷状态和预设时间段，从数据库中提取相应数据，通过计算，得到历史单位能耗里程m1，并将该历史单位能耗里程m1回传给续航里程控制器；

步骤三、电池荷电状态SOC值每下降一个百分点进行一次剩余续航里程预测，具体为，车辆起步初始时刻，系统从电池管理系统BMS获取电池荷电状态SOC值，在SOC值下降前5个百分点的阶段即SOC从初始M下降到M-5的阶段，根据采集的实时电压值、SOC值以及电池容量，计算对应SOC下的剩余能量，然后与步骤二得到的历史单位能耗里程m1相乘，计算得到剩余续航里程，作为对应SOC下的剩余续航里程的预估值；

步骤四、在SOC值下降了5个百分点以后的阶段即下降到M-6后的阶段，剩余续航里程的预估值按照就近五个SOC迭代法进行计算，具体为：当SOC为下降了6个百分点时，根据SOC在前5个百分点下降阶段对应的行驶距离和消耗的能量得出最新的单位能耗里程m2，根据当前SOC对应电压U，电池容量C，计算得到当前SOC下的初始预估里程(M-6)*U*C*m2，再由预设的阈值对该初始预估里程进行比较修正，最后得到的修正值作为当前SOC下的剩余续航里程的预估值，以此类推，SOC每下降一个百分点，新增一个最近SOC行驶数据、舍弃较早前第一个SOC行驶数据，即始终保持有一个最新的SOC行驶数据，并且以最近的5个SOC行驶数据为依据，获取新的单位能耗里程，以同样的方法获得当前SOC下的剩余续航里程的预估值。

其中，在步骤一中建立的车辆行驶驱动力模型为如下车辆运动方程：

式中，F为车辆行驶驱动力，m为整车质量，g为重力加速度，取9.8，f为滚动阻力系数，θ为坡道夹角，a为行驶加速度，δ为传动系的旋转惯量系数，C_D为风阻系数，A为迎风面积，v为车速。

其中，步骤一中还包括获取车辆初始行驶数据，车辆初始行驶数据包括车辆实时车速v，驱动电机转速n和扭矩信息T；所述估算该车当前重量是根据公式(1)反推计算车辆重量m，具体是由公式

求得。

其中，F驱动力可由公式

求得，P为电机功率，η为执行机构总效率，V为当前车速，η为常数，取值η＝95％；其中P可由公式

求得，n为电机转速，T为电机扭矩，其余信号均通过CAN总线网络得到；

车重最终由公式

求得。

例如，考虑车辆在市区较好路面上运行，滚动阻力系数f取0.01，估算载重所需数据仅需起步加速阶段持续20秒钟内数据，在城市干道车速提速不是很快，估暂不考虑空气阻力影响，并且只是预估车辆载重情况，θ坡道夹角暂不考虑，视为水平路面，即θ＝0，δ为车轮，齿轮或车轴等旋转部件的转动惯量而引入的修正因子，视为常数，η执行机构总效率，一般取值η＝95％，车辆重量公式简化为：

其中，g，f，δ，η为已知量，v当前车速，n电机转速，T电机扭矩等信息，可以从车辆CAN总线网路获取，该数据传输频率为50ms，车辆加速度a可由时间间隔内的速度差获得，即a＝v_t-v_t-1，上一时刻车速V_T-1和此刻车速V_T，都可以获得，所以只需要采集车辆起步时20秒的数据，就可以得到几百条相应数据，经过异常值筛选，取均值，就能估算该车重量。

估算得到该车重量后，需要判断车辆是空载，轻载还是满载状态，存储在系统内的空/轻/满载各范围是事先设定的，运用同类型的试验车辆经过多次空/轻/满载路试试验，通过上述公式(1)估算得到重量值，剔除异常值，计算得到空/轻/满载下重量范围。此数据范围就作为判别车辆当前载重状态依据。

首先电动汽车按照国家标准需要将车辆接入到相应的车辆监控平台，车辆监控平台会保留车辆历史相关数据，例如在GB/T32960.3-2016中要求车速，电机转速，电机扭矩，SOC，电池电压等信息是需要上传到车辆监控平台。

步骤二中，车辆在启动时候，系统的里程预估装置也同时被唤醒工作，并将该装置的状态信息发送到CAN总线网络上，同时上传到车辆监控平台上，当车辆监控平台监测到该装置状态正常时，并是当天该装置第一次上报信息时，平台会从历史能耗数据表中提取本车30天内的相应数据进行分析。

平台根据本发明的系统上传的该车当前载荷状态，从历史能耗数据表中查找出该车在该载荷状态下的能耗数据，对这些筛选出的单位能耗里程统一求算数平均，得到的值即可作为车辆初始阶段，里程预估的历史经验参考值。监控平台中数据库中历史能耗数据表如下表所示：

VIN

时间

载荷状态

行驶里程

消耗能耗

单位能耗行驶距离

SOC消耗

该发明装置实时采集车辆行驶数据及电池数据，当检测到车辆每行驶超过10km向平台发送该行驶区间内的内耗里程等相关数据，发送到监控平台上，其中数据包含，车辆VIN码，载荷状态，行驶里程，消耗能耗，单位能耗行驶距离，SOC消耗量。其中行驶里程为连续行驶里程，当车辆熄火时，程序将区间行驶里程清零，重新累计。当每一次重新进行区间里程累积时，系统同时计算出当前SOC下的剩余电量，待一个区间结束后，系统再计算当前SOC时的剩余电量，区间内，起始和末端的剩余电量差即为实际消耗电量，系统同时根据区间内行驶距离和计算得到的实际耗电量，计算得到单位能耗行驶距离，系统将这些区间段内的运算结果融合成一条数据发送给监控平台，监控平台对数据进行解析后，保存在上面格式的历史能耗数据表中。

例如：在车辆行驶初期，系统根据BMS采集的电池信息，获得初始SOC值，电压，根据预设在系统内的能耗里程经验值——综合单位能耗里程，计算得到初始的预估里程，并传送给仪表进行显示，然后系统采集车辆的实时行驶数据，根据公式5计算车辆载重情况，并根据车辆载重来确定挡在载荷状态，经过计算判断车辆当前在满载状态下行驶，然后该系统向平台发送了历史数据请求，当平台接收到数据请求指令后，从历史数据表中提取载荷状态为重载的近30天内的数据，经过筛选该车在当前时刻前30内一共跑了34条数据，其中9趟空载能耗10趟轻载数据，15趟满载数据，根据车辆载荷状态，只提取15条满载数据，其中对这十五条的满载数据中的单位能耗行驶距离进行算数平均，该值为满载状态下的单位能耗里程均值m1。平台将计算到的值m1再回传给系统。

步骤三中，该装置记录车辆实时电池SOC值，根据获取的SOC初始值设定阈值。装置实时采集SOC信息并与设定的阈值进行比较，当实时SOC值≥阈值时，利用步骤二，获得的当前载荷下历史经验数据m1，及当前剩余电量，计算剩余续驶里程。例如，车辆启动时系统采集到电池初始SOC值为75％，则阈值为：75％-5％＝70％，电池在SOC为75％，74％，73％，72％，71％，70％时，计算各SOC对应的剩余电量，根据已知的历史经验数据m1，即可求得电池SOC在75％～70％时的剩余里程，电池SOC为75％，74％，73％，72％，71％，70％时电池电压分别为U1，U2，U3，U4，U5，U6，电池额定容量为C，则求得各SOC对应的续驶里程分别为，75％*U1*C*m1，74％*U2*C*m1，73％*U3*C*m1，72％*U4*C*m1，71％*U5*C*m1，

70％*U6*C*m1。

步骤四中由预设的阈值对该初始预估里程进行比较修正包括：

设定上限阈值和下限阈值，其中

上限阈值＝上一SOC修正后剩余里程，

下限阈值＝上一SOC修正后剩余历程-2*最近5个SOC对应的单位里程均值；

若

下限阈值<当前SOC预估的初始剩余里程<上限阈值

则，当前SOC修正后剩余里程＝当前SOC的初始预估剩余里程；

若

当前SOC的初始预估剩余里程>＝上限阈值

则，当前SOC修正后剩余里程＝上限阈值-((当前SOC的初始预估剩余里程/上限阈值)-1)*最近5个SOC对应的单位里程均值；

若

当前SOC的初始预估剩余里程<＝下限阈值

则，当前SOC修正后剩余里程＝下限阈值+最近5个SOC对应的单位里程均值。

设置上限阈值和下限阈值的原则是当前SOC预估的里程不能大于前一个SOC预估的修正后里程，因为能量是不断消耗的，前一个SOC大于后一个SOC，其对应的电量也是前者大于后者，理论来说，当前SOC预估的里程至少不能大于前一SOC时刻预估的里程。并且不能小于下一个SOC预估的里程，根据这个基本原则，则前一个SOC修正后的里程值减去2倍的求取前一个SOC预估值时计算得到连续消耗5个SOC对应的单位能耗公里值含义是前一个SOC预设修正续驶里程成立的前提下，预估的当前SOC值下一个SOC对应的续航里程。即当前SOC预估里程值不能小于下一SOC预估里程值。由此限定范围，可以动态得到当前SOC预估里程的上下限值。

以此类推，在车辆行驶过程中，每一时刻的SOC预估里程都用本次行驶过程中上一个连续消耗5个SOC对应的行驶距离和能耗数据，计算单位能耗下行驶里程，根据剩余SOC下剩余能量，求得初始预估行驶距离，再根据设定的阈值，对初始预估行驶距离进行判断修正，最终得到的修正值即是较真实的预估剩余续驶里程。

例如，当检测到实时SOC为69％时，小于上述设定的阈值70，则续驶里程的估算不能再用历史经验数据而是用该时刻前较接近的行驶数据及能耗作为参考，本例中需要用该趟中SOC从74％下降到70％之间，行驶的距离及在这区间消耗的电耗数据分析，经过计算SOC下降5％对应的行驶里程为13.5km，根据SOC在74％时电压U1、70％时电压U2，电池额定容量，电池SOC值，计算得到消耗的能耗(U1*75％*C-U5*70％*C)。单位能耗的行驶距离平均距离13.5/(U1*75％*C-U5*70％*C)。则SOC为69％时对应剩余电量是69％*U′*C。则对应的剩余电量预估的初始续驶里程是69％*U′*C*13.5/(U1*75％*C-U5*70％*C)。

初始续驶里程确定后，对该值进行判断修正。首先确定上下限阈值，上限是SOC为70％时预估修正值，因为SOC在70时，预估里程调用历史经验值m1，故预估初始续驶里程即为修正值70％*U6*C*m1。下限值为以m1为平均能耗里程，以SOC在70时预估值为真值，预估SOC为68时的续航里程即为70％*U6*C*m1-2*m1。

上下阈值确定完后，就要对预估的初始续驶里程值进行判断，用初始续航里程值69％*U′*C*13.5/(U1*75％*C-U5*70％*C)和上下限阈值判断，若该值在上下限阈值范围内，则该值置信，即为当前SOC为69％时对应的续驶里程，若该值超过设定的上下限阈值，就需要按照修正方程进行预估值修正，最后得到修正后的即为最终的预估真值。

随着SOC一直下降，预估续航里程方法一直沿着就近5个SOC能耗消耗以及行驶距离为参考，不断有最新的数据更新，也不断有较早数据的舍弃，例如当SOC下降到59，则用SOC在64和SOC在60和这个区间行驶里程和能耗数据，得到最新的单位能耗续驶里程，以此类推，用此方法可以得到SOC下降到1时刻的剩余续驶里程。

所述步骤三中车辆行驶开始阶段，系统获取的电池荷电状态(SOC)初值M以及SOC下降到M-5对应的续航里程预估值是用步骤二中计算的历史经验数据提供的。车辆启动到运行平稳期间，车上耗电设备复杂，短时陡增耗电量及行驶数据，不足以准确预估剩余续驶里程，调用从平台计算得到的历史经验数据较真实的反应续航里程。本系统是依据该车目前载重情况，按照时间有选择的选取历史数据中空载/轻载/满载情况下对应的历史单位能耗里程，初始时刻下各SOC下预估里程方法不仅考虑了不同载荷对于续驶里程的影响，根据当前载荷状态维度提取相应经验值做参考，又考虑了季节因素对续驶里程的影响，对提取的经验数据在时间维度上加以了限制。该方法能进一步提升本阶段的续驶里程预测的精度。

所述步骤三中车辆行驶初始阶段用历史数据来估算车辆续驶里程，仅能估算获得的SOC初值M～(M-5)这个阶段SOC对应的续驶里程。当SOC下降超过了与初始值M相差6个SOC值时不能用历史数据来预估续驶里程。

所述步骤四中当SOC下降到(M-6)的时，续航里程预估方法需要使用上一个SOC值(M-5)和(M-1)之间整整消耗5％的SOC行驶距离及消耗能耗为依据，得到上一个区间段内每个SOC内平均能耗对应的行驶距离m2。根据计算得到单位能耗行驶距离m2和当前SOC下的剩余电量乘积，即可得到当前SOC下的预估初始剩余历程

预估初始剩余里程

需进一步做阈值判断修正，最终得到的修正值才是最终的剩余行驶里程。

最后应当说明的是：以上实施实例仅阐述了本案的一种技术方案，虽然本文通过附图等对本方案进行了详细说明，但所属领域的普通技术人员应当理解：通过对本案的一些具体实施方式进行修改或对其部分技术特征进行等同替换，而不脱离本技术方案的设计思路，由此产生的类似方案依然属于本案请求保护范围当中。

Claims (7)

1.一种电动汽车的续航里程动态预测方法，其特征在于，包括以下步骤：

步骤一、系统建立车辆行驶驱动力模型，根据车辆当前行驶数据，利用该模型估算车辆当前重量，并与存储在系统中的车辆空载、轻载及满载的重量范围进行对比，判断车辆当前是空载、轻载或满载的载荷状态；

步骤二、系统将车辆的载荷状态发送给车辆监控平台，并发送数据请求指令，车辆监控平台收到该数据请求指令后，根据车辆当前的载荷状态和预设时间段，从数据库中提取相应数据，通过计算，得到历史单位能耗里程m1，并将该历史单位能耗里程m1回传给系统；

步骤三、电池荷电状态SOC值每下降一个百分点进行一次剩余续航里程预测，具体为，车辆起步初始时刻，系统从电池管理系统BMS获取电池荷电状态SOC值，在SOC值下降前5个百分点的阶段即SOC从初始M下降到M-5的阶段，根据采集的实时电压值、SOC值以及电池容量，计算对应SOC下的剩余能量，然后与步骤二得到的历史单位能耗里程m1相乘，计算得到剩余续航里程，作为对应SOC下的剩余续航里程的预估值；

步骤四、在SOC值下降了5个百分点以后的阶段即下降到M-6后的阶段，剩余续航里程的预估值按照就近五个SOC迭代法进行计算，具体为：当SOC为下降了6个百分点时，根据SOC在前5个百分点下降阶段对应的行驶距离和消耗的能量得出最新的单位能耗里程m2，根据当前SOC对应电压U，电池容量C，计算得到当前SOC下的初始预估里程(M-6)*U*C*m2，再由预设的阈值对该初始预估里程进行比较修正，最后得到的修正值作为当前SOC下的剩余续航里程的预估值，以此类推，SOC每下降一个百分点，新增一个最近SOC行驶数据、舍弃较早前第一个SOC行驶数据，即始终保持有一个最新的SOC行驶数据，并且以最近的5个SOC行驶数据为依据，获取新的单位能耗里程，以同样的方法获得当前SOC下的剩余续航里程的预估值。

2.根据权利要求1所述的一种电动汽车的续航里程动态预测方法，其特征在于，所述步骤一中建立的车辆行驶驱动力模型为如下车辆运动方程：

式中，F为车辆行驶驱动力，m为整车质量，g为重力加速度，取9.8，f为滚动阻力系数，θ为坡道夹角，a为行驶加速度，δ为传动系的旋转惯量系数，C_D为风阻系数，A为迎风面积，v为车速。

3.根据权利要求2所述的一种电动汽车的续航里程动态预测方法，其特征在于，步骤一中还包括获取车辆初始行驶数据，车辆初始行驶数据包括车辆实时车速v，驱动电机转速n和扭矩信息T；所述估算该车当前重量是根据公式(1)反推计算车辆重量m，具体是由公式

求得。

4.根据权利要求3所述的一种电动汽车的续航里程动态预测方法，其特征在于，F驱动力由公式

求得，P为电机功率，η为执行机构总效率，V为当前车速，η为常数，取值η＝95％；其中P由公式

求得，n为电机转速，T为电机扭矩，其余信号均通过CAN总线网络得到；

车重最终由公式

求得。

5.根据权利要求1所述的一种电动汽车的续航里程动态预测方法，其特征在于，所述步骤一中，存储在系统内的车辆空载、轻载及满载的重量范围是经过多次装载实验标定的，其中，根据实验时的行驶数据，运用公式(1)计算得到空载、轻载以及满载对应的重量区间范围，并将该区间范围存储在系统中。

6.根据权利要求2所述的一种电动汽车的续航里程动态预测方法，其特征在于，所述步骤二中，车辆监控平台从数据库中提取的相应数据按以下方式预先形成并存储：车辆每行驶10km获取一次行驶数据，并与车辆VIN码融合成一条数据记录发送至车辆监控平台，车辆监控平台将数据记录按时间顺序保存在数据库的历史能耗数据表中，其中行驶数据包括对应行驶区间内的消耗能耗、行驶里程、车辆载荷状态和单位能耗行驶距离；该历史能耗数据表中的数据为计算历史单位能耗里程的原始数据；其中，对应行驶区间内的消耗能耗具体为对应行驶区间起点处和终点处的电池剩余电量的差值，其中电池剩余电量通过电池SOC、电池电压U和电池容量三个参数计算得到。

7.根据权利要求2所述的一种电动汽车的续航里程动态预测方法，其特征在于，步骤四中由预设的阈值对该初始预估里程进行比较修正包括：

设定上限阈值和下限阈值，其中

上限阈值＝上一SOC修正后剩余里程，

下限阈值＝上一SOC修正后剩余历程-2*最近5个SOC对应的单位里程均值；

若

下限阈值<当前SOC预估的初始剩余里程<上限阈值

则，当前SOC修正后剩余里程＝当前SOC的初始预估剩余里程；

若

当前SOC的初始预估剩余里程>＝上限阈值

则，当前SOC修正后剩余里程＝上限阈值-((当前SOC的初始预估剩余里程/上限阈值)-1)*最近5个SOC对应的单位里程均值；

若

当前SOC的初始预估剩余里程<＝下限阈值

则，当前SOC修正后剩余里程＝下限阈值+最近5个SOC对应的单位里程均值。

Images