CN111688538A

CN111688538A - 用于提供车辆的预测性剩余能量可行驶距离的系统和方法

Info

Publication number: CN111688538A
Application number: CN202010163718.8A
Authority: CN
Inventors: 曾祥瑞; 约翰·施默茨; 马克·波尔; 索哈杰·拉瓦尔; 普拉韦恩·班迪
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Electric Mach Technology Nanjing Co ltd; Ford Global Technologies LLC
Priority date: 2019-03-14
Filing date: 2020-03-10
Publication date: 2020-09-22
Also published as: US11361595B2; US11756341B2; US20220383664A1; DE102020106704A1; US20200294323A1

Abstract

本公开提供了“用于提供车辆的预测性剩余能量可行驶距离的系统和方法”。公开了用于提供车辆的预测性剩余能量可行驶距离(DTE)评估的系统和方法，所述车辆可以包括电动车辆、燃气车辆或混合动力车辆。一种示例性方法包括：基于车辆的多个能量消耗参数来确定所述车辆的多个学习的车辆操作参数；确定从天气数据或导航数据的任何组合中所选择的所述车辆的多个预测的车辆操作参数，所述导航数据是相对于计划路线确定的；以及为能量源应用DTE函数，所述DTE函数基于所述能量源的当前容量，利用所述车辆的所述多个学习的车辆操作参数和所述多个预测的车辆操作参数来确定所述能量源的DTE。

Description

用于提供车辆的预测性剩余能量可行驶距离的系统和方法

技术领域

本公开涉及提供车辆的预测性剩余能量可行驶距离(DTE)评估的系统和方法，所述车辆可以包括电动车辆、燃气车辆或混合动力车辆。一些实施例允许基于机器学习使用实时反馈和车辆参数建模。

背景技术

剩余能量可行驶距离(DTE)为距离数字，其指示车辆在电池或能量源耗尽(对于电池电动车辆)或燃料箱变空(对于内燃发动机车辆)之前可以驾驶的距离。所述DTE可以在车辆仪表盘或移动应用程序上显示给驾驶员。对于电池电动车辆，准确的DTE对于减少客户的里程焦虑并增加客户驾驶车辆的舒适性和信心至关重要。可以肯定的是，当DTE不准确时，客户可能处于不利情况。在诸如电池电动车辆(BEV)的使用案例中，可能并不鼓励用户考虑未来购买电动车辆。这些缺点也可能会导致对其他潜在客户对车辆(尤其是电池电动车辆) 的看法产生负面影响。

发明内容

公开了用于提供车辆的预测性剩余能量可行驶距离(DTE)评估的系统和方法，所述车辆可以包括电动车辆、燃气车辆或混合动力车辆。一种示例性方法包括：基于车辆的多个能量消耗参数来确定所述车辆的多个学习的车辆操作参数；确定从天气数据或导航数据的任何组合中所选择的所述车辆的多个预测的车辆操作参数，所述导航数据是相对于计划路线确定的；以及为能量源应用DTE函数，所述DTE函数基于所述能量源的当前容量，利用所述车辆的所述多个学习的车辆操作参数和所述多个预测的车辆操作参数来确定所述能量源的DTE。

附图说明

参考附图对具体实施方式进行阐述。使用相同的附图标记可以指示相似或相同的项。各种实施例可以利用除了附图中所示的元件和/ 或部件之外的元件和/或部件，并且在各种实施例中可以不存在一些元件和/或部件。附图中的元件和/或部件不一定是按比例绘制的。在整个本公开中，依据上下文，可以可互换地使用单数和复数术语。

图1描绘了其中可以实现用于提供本文所公开的系统和方法的技术和结构的说明性架构。

图2是可以根据本文公开的各种实施例执行的剩余能量可行驶距离(DTE)估计过程的示例性信号流或示意性流。

图3A是用于计算出行时段(trip period)中的估计DTE的过程的示例性示意图。

图3B是用于计算出行后时段(post-trip period)中的估计DTE的过程的示例性示意图。

图4是可以根据本文公开的各种实施例执行的示例性方法的流程图。

具体实施方式

概述

在一些实施例中，本文所公开的系统和方法提供了对车辆的DTE 分析并且通过车辆的人机界面向用户提供可操作的反馈。一般来讲，任何车辆都可以利用本文所公开的预测性DTE系统和方法，但某些用例可以减少用户的焦虑并提高某些车辆类型(诸如电池电动车辆)的采用率。本文的系统和方法可以使用车辆历史能量消耗率信息(以公式kWh/km为单位)。实际DTE在很大程度上取决于未来的驾驶和环境信息，包括未来的温度、未来的速度分布以及未来的出行海拔变化，仅举几例。因此，本文的系统和方法提供了用于获得和使用预测的或未来的数据以改善DTE计算的各种手段。

广泛地，在一些实施例中，本文的系统和方法被配置为使用车辆连接性以从云系统(服务提供者)或其他第三方资源获得预测性信息，并利用该信息来提供对电池电动车辆(BEV)的DTE的优化估计。在一些实施例中，可以在具有或没有来自车辆的导航装置或导航服务提供者的出行路线信息的情况下使用预测性DTE。

在各种实施例中，用于根据本公开进行的DTE估计的可用数据包括但不限于从车辆的操作中学习的历史信息、关于从车上或从服务提供者(例如，云系统)获得的导航地图和海拔的信息、以及从云系统获得的有关交通和/或天气预报的信息。由于交通拥堵和未来温度会影响DTE估计，因此来自服务提供者或第三方系统的信息会提供有用的信息。将交通和天气预报数据引入本文公开的DTE分析中，显著提高了DTE估计的准确性。

一般来讲，适于根据本公开使用的车辆包括车辆控制器，所述车辆控制器可以被配置为执行机器学习的各方面。例如，在学习阶段，车辆控制器可以学习可以描述驾驶员的驾驶风格、气候控制偏好、车辆配件使用以及每周平均车辆操作时间表的参数。当驾驶员通过车辆的导航功能提供出行计划时，车辆控制器可以与服务提供者进行通信，以获得针对计划出行或路线的交通速度和室外温度。然后，车辆控制器可以将这些数据与海拔数据(从车载地图或服务提供者地图获得)和学习的参数(关于驾驶风格和气候控制偏好)相结合，以估计计划路线的能量消耗。车辆控制器还可以从服务提供者获得天气预报数据，并将天气预报数据与学习的参数(例如，关于驾驶风格、气候控制偏好和每周时间表)相结合，以估计在计划出行完成后延伸的未来时间帧的能量使用率。

最终，车辆控制器还可以将估计的能量使用信息相结合，并以临时方式提供DTE估计，无论是否考虑任何计划路线。在一些实施例中，路线计划的各方面可以包括对计划路线的出行时段(出行内的时域)以及计划路线的出行后时段(出行外的时域)的计算。

也就是说，本文的DTE估计系统和方法可以在具有或不具有计划路线的情况下执行。如果驾驶员不使用导航系统，则本文的系统和方法可以通过合并来自服务提供者的天气预报数据来提高DTE准确性，并考虑由于气候控制能源使用而引起的DTE变化。本文参考图集更详细地描述本公开的这些和其他方面和优势。

说明性架构

现在转向附图，图1描绘了其中可以实现本公开的技术和结构的说明性架构100。说明性架构100可以包括服务提供者102、车辆104 和网络106。网络106可以包括多种不同类型的网络中的任何一种或组合，诸如有线网络、因特网、无线网络以及其他专用和/或公共网络。在一些情况下，网络106可以包括蜂窝、Wi-Fi或Wi-Fi直连。在一些实施例中，架构100可以包括一个或多个第三方系统诸如第三方系统107，所述第三方系统提供与诸如天气数据或交通数据的各方面有关的外部数据。服务提供者102可以在云计算环境中实现或者作为虚拟或物理服务器实现。在一些实施例中，服务提供者102至少包括处理器101和存储器103。处理器101被配置为执行存储在存储器 103中的指令，以单独地或与车辆104(特别是下面公开的车辆控制器 108)结合地提供本文公开的DTE估计特征中的一个或多个。

一般来讲，车辆104包括车辆控制器108，所述车辆控制器包括处理器110和存储器112。存储器112包括诸如车载机器学习模块114、数据聚合模块116和反馈比较器模块118的模块。车辆104通常包括传动系系统105、气候控制系统107、一个或多个车辆配件109、和能量源111。此外，服务提供者102包括执行DTE计算或估计的效率预测模块120。这些元件或模块中的每一个都相对于图2在单独操作和集体操作方面进行了讨论。

在一些实施例中，可以完全由服务提供者102执行与DTE估计相关的本公开的特征和功能。在其他实施例中，可以由车辆控制器 108在车辆层级处执行DTE估计，并且在其他实施例中，可以在服务提供者102与车辆控制器108之间协作地执行DTE估计，如将在本文更详细地描述。

图1和图2共同示出了示例性应用信号流，其中车辆104的车辆控制器108提供可以由服务提供者102的各部件使用的各种类型的输出。在一些实施例中，车辆控制器108连续地或周期性地收集并更新与车辆的多个学习的车辆操作参数相关的信号124。在一些实施例中，该收集任务在车上连续地运行并更新学习的参数。这些学习的参数指示车辆104的驾驶员在不同场景中如何使用能量以及在一周的每一天中通常何时操作车辆104。

在各种实施例中，可以在开始任何学习之前使用参数的标称值。随着车辆104的操作，可以执行车辆控制器108的车载机器学习模块 114，并且可以更新参数以表示车辆的行为。可以将多个学习的参数在车上存储在车辆控制器108的存储器112中。在一些实施例中，还可以将多个学习的参数上传到服务提供者102以便存储。在一些实施例中，可以根据需要对多个学习的参数进行分批处理以用于从车辆 104异步传输到服务提供者102。

服务提供者102的效率预测模块120可以被配置为利用作为DTE 输入的信号126以及从第三方系统(统称为外部云API 122，其用于访问第三方系统107)获得的学习的参数、当前车辆状态以及交通和天气信息。可以在请求DTE计算请求时，执行效率预测模块120。同样，效率预测模块120从来自单独车辆模块或总的来说来自车辆控制器 108的输入信号126接收DTE值。效率预测模块120计算DTE估计值123，并且还可以输出DTE估计值以便显示在车辆104的人机界面(HMI)128上。

根据一些实施例，可以执行车辆控制器108的反馈比较器模块 118以将估计的能量消耗与路线已知的出行的实际能量消耗进行比较。反馈比较器模块118可以从车辆控制器108接收用于进行反馈比较的信号130。在一些实施例中，所述结果可以显示在HMI 128上。在一些实施例中，反馈比较器模块118可以监视车辆104采取的实际路线与计划路线是否相同或基本上类似。在一些实施例中，当实际路线偏离计划路线时，不在估计的能量消耗与实际的能量消耗之间进行比较。下文提供了关于反馈比较器模块118的操作的附加细节。

根据一些实施例，车辆控制器108的数据聚合模块116可以被配置为收集和聚合各种车辆数据，诸如由车辆控制器108提供给服务提供者102的未被其他数据收集信道覆盖的信号132。由于高频数据的大小可能太大而不能直接发送到服务提供者102，因此可以实现某种层级的车载聚合。车辆控制器108的数据聚合模块116可以在车辆上连续地(或周期性地)执行，从而允许车辆控制器108将这些数据以较低的频率传输给服务提供者102。例如，车辆控制器108可以在每次出行之后或者每一天开始或结束时传输聚合数据。可以将上传的数据存储以供服务提供者102进行进一步分析。本文将更详细地提供关于多个学习的车辆操作参数的收集和评估的附加细节。

根据一些实施例，可以在计划路线的两个不同部分或时段上计算能量消耗值和能量消耗率值。在一些实施例中，使用两个能量估计的聚合或组合来计算DTE值。如上所述，这些时间段可以包括出行时段和/或出行后时段。对于出行时段，服务提供者102的效率预测模块120可以估计总能量消耗(kWh)。可以在效率预测模块120的能量估计中使用天气数据和交通速度数据。对于出行后时段(例如，从出行终点到能量源111耗尽)，可以估计出行后时段的总能量率 (kWh/km)。也可以使用天气预报数据来进行出行后能量消耗估计。一般来讲，也确定可用的电池能量(也称为车辆104的能量源111的当前容量)。可以从车辆控制器108接收该值。

一般来讲，用于在这两个时段上估计DTE的示例性方法或算法包括确定能量源111的可用能量水平并减去出行时段的预测的能量使用(例如，效率)。该计算提供了任何出行后时段的能量源111的剩余能量水平，可以使用所述剩余能量水平来确定能量源111的剩余DTE 值。当知道了出行后距离时，可以将所述出行后距离与能量源111的剩余能量水平和出行后时段的预测的能量使用(例如，效率)结合使用来计算两个时段的DTE。

更详细地，如果路线已知的出行的距离为D_出行、出行之前的可用电池能量(车辆104的能量源111的当前容量)为E_电池、出行的预测的总能量消耗为E_出行、出行外(例如，出行后时段)的预测的总能量率为 η_出行外，则DTE值将计算如下：

通过使用合适的方法(下文公开的示例)确定车辆的出行后操作的距离来计算出行外的预测的总能量率η_出行外。然后，所述方法包括估计车辆的出行后操作期间(例如，出行后时段)的能量消耗，然后估计车辆的出行后时段内的能量率。

可以将该估计的能量率作为从出行终点到车辆104的能量源111 耗尽的能量率，用来计算DTE值。应理解，出行后操作估计可以比总体DTE估计略长或略短，因为它可以在获得DTE估计之前进行计算。这是可接受的，因为可以假设，车辆的出行后操作期间的平均能量率和DTE范围的值彼此非常接近。

以下段落提供了根据本公开使用的能量消耗模型的描述。在一些实施例中，车辆104所消耗的能量可以分为四类(例如，多个能量消耗参数)：(1)用于通过传动系系统105驱动车轮的能量；(2)用于通过气候控制系统107进行气候控制的能量；(3)通过一个或多个车辆配件 109用于配件的能量；以及(4)由于外部因素(例如，低温)而造成的能量损耗。

在一些实施例中，可以诸如在车辆104拖曳拖车时在二次状态中学习传动系系统105的能量消耗。车辆控制器108可以针对特定于单独拖车的附加状态进行学习，使得可以在连接了特定拖车时进行调整。通过分别追踪这些二次状态的能量消耗，可以在上面列出的四个参数中反映拖车施加在车辆104上的典型质量负载、车辆动力学和空气动力学特性。因此，车辆控制器108可以被配置成确定何时发生触发条件，诸如何时将拖车连接到车辆104。这可以包括感测何时将拖车插入车辆104的拖车接口中。

对于计划路线的这两个部分(诸如出行时段和出行后时段)，由车辆控制器108的车载机器学习模块114对四个能量消耗参数的能量消耗建模，并且可以在接收到DTE计算请求计算所述能量消耗。可以在能量消耗模型中使用不同场景中的学习的行驶能量消耗率、加上预测性信息(包括天气预报、交通状况和海拔信息)来提供DTE的准确估计。

图3A是示出了针对计划路线的出行时段执行的能量消耗数据计算的示意图。该过程被称为确定车辆在计划路线上的多个能量消耗参数。当关于出行时段来计算时，多个能量消耗参数可以被称为“第一” 参数。更具体地，图3A中示出的过程包括计算计划路线的出行时段的能量消耗数据。应理解，能量消耗数据计算中所包括的一些过程是从如上所述的学习过程中得出的。一些数据是从第三方资源获得的，诸如天气数据和/或交通数据。

在一些实施例中，所述过程包括基于车辆在指定道路等级上在出行时段内(具有海拔的路线和地图数据304)将行驶的距离306以及实时交通数据308和车辆的学习的道路等级效率310的任何组合来计算基于驾驶的能量消耗参数302。在一些实施例中，所述过程包括基于车辆的基于室外温度数据316的学习的基于温度的能量损耗314以及车辆的作为室外温度数据316和当前车辆温度320(例如，初始车辆温度)的函数的学习的基于冷起动的能量损耗318的任何组合来计算基于温度的能量损耗参数312。

在各种实施例中，所述用于计算出行时段的能量使用的过程还包括基于作为初始车舱温度数据326和室外温度数据316的函数的学习的气候控制瞬态额外能量324以及作为室外温度数据316的函数的学习的气候控制效率330的任何组合来计算第一基于气候控制的能量消耗参数322。在一些实施例中，所述用于计算出行的能量使用的过程还包括基于学习的车辆配件效率334来计算第一基于车辆配件的能量消耗参数332。在各种实施例中，关于出行时间335(例如，在出行时段中时，车辆操作的长度)来计算能量消耗参数。

图3B是示出了在出行后或时域外时间帧内执行的能量消耗数据计算的示意图。当参考出行后时段来计算时，多个能量消耗参数可以被称为“第二”参数。在一些实施例中，所述方法包括通过基于用于驾驶车辆的预期的能量消耗338计算基于驾驶的能量消耗参数336来计算用于在完成计划路线之后操作车辆的能量消耗。在各种实施例中，所述方法可以包括基于车辆的基于未来的室外温度数据344的学习的基于温度的能量损耗342以及车辆的作为未来的室外温度数据344 和预测的初始车辆温度348的函数的学习的基于冷起动的能量损耗 346的任何组合来计算基于温度的能量损耗参数340。应理解，可以从提供天气数据的任何第三方平台或服务中获得未来的室外温度数据344。

在各种实施例中，所述方法可以包括基于作为预测的初始车舱温度数据354和未来的室外温度数据344的函数的学习的气候控制额外瞬态能量352来计算基于气候控制的能量消耗参数350。该计算还可以包括作为未来的室外温度数据344的函数的学习的气候控制效率 356。在一些实施例中，基于气候控制的能量消耗参数350进一步受到可能发生的预期的或预测的冷起动数358的影响。在基于温度的能量损耗参数340的计算中也可以使用冷起动预测性度量。根据一些实施例，所述方法还可以包括利用作为学习的车辆配件效率362的函数的第一基于车辆配件的能量消耗参数360。在一些实施例中，将这些值确定为预期的出行长度(出行时间364)的函数。

在以下段落中更详细地提供了关于使用前述多个能量消耗参数计算能量消耗的附加描述性细节。同样，首先关于出行时段，然后关于出行后时段讨论了这些能量消耗分析。

一般来讲，出行时段内的能量消耗是根据以下公式得出的前述四个能量消耗参数中的能量消耗的总和：

E_出行＝E_dr+E_cl+E_acc+E_lo

应理解，E_dr表示基于驾驶的能量消耗参数，其与车辆104的传动系系统105(参见图1)相关。E_cl表示基于气候控制的能量消耗参数，其与车辆104的气候控制系统107相关。在一些实施例中，E_acc表示基于车辆配件的能量消耗参数，其与车辆104的车辆配件109相关，并且E_lo表示基于温度的能量损耗参数以及温度在车辆104的能量存储装置111中引起损耗的方式。

出行时段内的基于驾驶的能量消耗参数E_dr可以使用以下公式来计算：E_dr＝∑_iη_i·D_i，其中η_i为在道路等级i上的学习的能量率 (kWh/km或每小时每公里千瓦数)，并且D_i(km)为在出行时段内在道路等级i上的距离。道路等级由道路上的平均速度和道路坡度(根据导航或地图数据确定)定义。

在某些情况下，可以直接从所保存的学习的参数中获得η_i的值。可以从经处理的路线数据中获得D_i的值，其中从第三方交通或导航数据服务接收到实时交通速度和海拔信息。

基于气候控制的能量消耗参数E_cl可以使用以下公式来计算： E_cl＝μ_cl·t+K_cl，其中μ_cl为用于在当前温度条件下维持车辆104的气候控制系统107的气候设置的学习的能量率(kWh/s或每小时每秒千瓦特)(例如，稳态能量使用率)，t(s)为出行时段时间，并且K_cl(kWh) 为用于使当前车舱温度上升或下降到目标温度的学习的额外能量使用(瞬态能量使用)。

可以从学习的参数的查找表中获得μ_cl的值。在一些实施例中，查找表的输入包括室外温度T_室外，其是从第三方天气服务或系统中获得的(参见图1的第三方系统107)。因此，在某些情况下，μ_cl基于 μ_cl＝μ_cl(T_室外)的关系来确定。以下提供了示例性查找表。

表1

如果出行时段时间帧较长并且由于时间和位置的变化，出行中的温度变化很大，则可以使用多个温度值的平均效率并且可以使用

来计算所述平均效率，其中通过车辆的导航系统或车辆控制器来估计出行时段时间t的值。可以从学习的参数的另一示例性查找表中获得K_cl的值。查找表的输入为初始车舱温度T_车舱和室外温度T_室外。因此，K_cl＝K_cl(T_车舱，T_室外)。在一些实施例中，从车辆中获得车舱温度，并且从第三方天气数据服务或系统中获得室外温度。

表2

基于车辆配件的能量消耗参数可以使用E_acc＝μ_acc·t来计算，其中 μ_acc为学习的配件能量的能量率(kWh/s)，并且t为出行时段时间。可以直接从学习的参数中获得μ_acc的值。

基于温度的能量损耗参数(例如，由于外部因素而造成的能量损耗)可以使用E_lo＝μ_lo·t+K_lo来计算，其中μ_lo为用于在当前温度条件下维持车辆温度的学习的能量率(kWh/s)(例如，稳态能量使用率)，t为出行时段时间，并且K_lo为用于使当前车辆温度上升到目标温度的学习的额外能量使用(瞬态能量使用)。从包含学习的参数的查找表1中获得μ_lo的值。查找表的输入为室外温度T_室外。同样，在一些实施例中，μ_lo根据μ_lo＝μ_lo(T_室外)的关系来确定。如果出行很长并且由于时间和位置的变化，出行中的温度变化很大，则可以使用多个温度值的平均效率。可以使用以下公式来计算平均值

其中从学习的参数的查找表2中获得K_lo的值。查找表的输入为初始车舱温度T_车舱和室外温度T_室外。同样，在一些实施例中， K_lo＝K_lo(T_车舱，T_室外)。

以下描述提供了有关计算用于在完成计划路线之后操作车辆的能量消耗的细节。该时段被称为出行后时段或出行外预测时域。该时段从路线已知的出行时段的终点开始，且到大致估计的DTE终点结束。大致估计的DTE使用以下DTE算法：D_{出行外，起点}＝D_出行和

其中η_平均为总体平均能量率 (kWh/km)。在一些实施例中，这是预校准的常数。因此，在一些实施例中，D_出行外＝D_{出行外，起点}-D_{出行外，起点}。

应注意，该距离可以调整，因为D_{出行外，起点}可以调整。例如，如果该距离的时域长于10天，则如果天气预报仅提供10天，那么可以使用历史每周操作数据来将所述距离截断到估计的10天驾驶距离。同样，出行后时段或出行外预测时域(prediction horizon)的开始时间是路线已知的出行时段的结束时间。使用学习的每周操作模式表来确定所述出行时段的结束时间(下文描述了关于学习的参数的附加细节)。下表3中显示了学习的每周操作模式表的示例。

表3

在一些实施例中，可以将一周中的每个时间窗口内的平均驾驶距离作为学习的参数存储在表3中。然后，从出行后时段开始时开始，在覆盖预测时域距离之后，可以使用表4找出结束时间。

表4

在一些实施例中，如果时域经过一周的终点，则应继续到下一周。在各种实施例中，下一周的操作模式被认为与存储的表相同。在其他实施例中，如果时域终点超过当天之后的10天，则可以在第10天中断时域，并且也可以相应地调整出行后时段或出行外预测时域距离 D_出行外。新的距离被理解为包括从时域起点到第10天终点的平均驾驶距离的总和。虽然本文提供了10天示例，但同样可以使用其他时间帧。

所述方法还可以包括分解出行后时段中的能量消耗。出行后时段内的能量消耗可以作为出行后时段内的每个时间窗口中的能量消耗的总和计算如下：E_出行外＝∑_jE_{出行外，j}。可以将时间窗口定义为与每周操作模式学习中的时间窗口相同。回到表4，第一时间窗口(周一上午0 时至2时)和最后一个时间窗口(周五下午4时至6时)很可能仅被预测时域部分地覆盖。在该示例中，可以使用各种补偿过程。在一个过程中，系统可以认为这是完全包括的时间窗口并且可以相应地调整出行后时段的预测时域距离。在其他实施例中，系统可以丢弃一个或多个时间窗口，并且可以相应地调整出行后时段预测时域距离。在又一个实施例中，所述窗口中的一个或多个可以被认为是部分包括的时间窗口，并且可以按比例来调整估计的能量消耗。

在各种实施例中，可以执行所述时间窗口中的每一个中的能量消耗的计算。在出行后时段预测时域内的每个时间窗口内，四个参数中的能量消耗的总和可以使用以下公式来计算： E_{出行外，j}＝E_dr+E_cl+E_acc+E_lo。同样，E_dr表示基于驾驶的能量消耗参数，E_cl表示基于气候控制的能量消耗参数，E_acc表示基于车辆配件的能量消耗参数，并且E_lo表示基于温度的能量损耗参数。

关于基于驾驶的能量消耗参数，时间窗口中的用于驱动车轮的能量可以是用于该时间窗口中的用于驱动车轮的历史平均能量。这可以直接从学习的每周操作模式表中获得。

关于基于气候控制的能量消耗参数，可以使用以下公式： E_cl＝μ_cl·t+N·K_cl，其中μ_cl为学习的能量率(kWh/s)，t(s)为预期的驾驶时间，并且K_cl(kWh)为学习的瞬态额外能量使用。N为该时间窗口中的预期的冷起动出行数。从学习的参数的查找表中获得μ_cl的值，这与上面提供的示例一样(参见表1)。查找表的输入为时间窗口时的室外温度T_室外，所述室外温度是从第三方天气数据服务或系统中获得的。可以肯定的是，μ_cl＝μ_cl(T_室外)。在一些实施例中，可以从学习的每周操作模式表中获得t的值，可以从学习的每周操作模式表中获得N的值，并且可以从学习的参数的查找表中获得K_cl的值(以表2为例)。查找表的输入可以包括初始车舱温度T_车舱和室外温度T_室外。在一些实施例中，K_cl(T_车舱，T_室外)，其中使用T_室外获得车舱温度，并且从学习的每周操作模式表中获得预期的温差ΔT。总而言之，在一些实施例中， T_车舱＝T_室外+ΔT。

在各种实施例中，可以使用E_acc＝μ_acc·t计算基于车辆配件的能量消耗参数，其中μ_acc为学习的配件能量的能量率(kWh/s)，并且t为预期的驾驶时间。可以直接从所保存的学习的参数中获得μ_acc的值。

根据一些实施例，基于温度的能量损耗参数可以使用以下公式来计算：E_lo＝μ_lo·t+N·K_lo，其中μ_lo为学习的能量率(kWh/s)，t(s)为预期的驾驶时间，并且K_lo(kWh)为学习的瞬态额外能量使用。N为该时间窗口中的预期的冷起动出行数。可以从学习的参数的查找表中获得μ_lo的值。查找表的输入为时间窗口时的室外温度T_室外，所述室外温度是从第三方天气数据服务或系统中获得的。因此，在一些实施例中， μ_lo＝μ_lo(T_室外)，其中从学习的每周操作模式表中获得t的值。从学习的每周操作模式表中获得N的值，并且从学习的参数的二维查找表中获得K_lo的值(参见上面的表2)。查找表的输入为初始车舱温度T_车舱和室外温度T_室外。在各种实施例中，K_lo＝K_lo(T_车舱，T_室外)，其中使用T_室外获得车舱温度，并且从每周操作模式表中获得预期的温差ΔT。总而言之，在各种实施例中，T_车舱＝T_室外+ΔT。

可以使用以下公式，使用出行后时段预测时域内的总能量消耗除以出行后时段预测时域的距离来计算出行后时段(例如，出行外时域) 的能量率：

返回参考图1，如上所述，由车辆的车辆控制器获得的一些数据可能未用于上面公开的众多计算中，但仍然可以为车辆操作员、车辆制造商或其他类似实体提供值。同样，如上所述，一些实施例包括由服务提供者102，特别是服务提供者102的效率预测模块120执行的 DTE计算。在一些实施例中，可以由车辆控制器108在车辆104上计算DTE估计。

在各种实施例中，由服务提供者102传输到车辆104的能量率结果不仅包括总能量率，而且包括供车载模块计算未来DTE的附加信息。即使在与服务提供者102的连接丢失的情况下，这也允许DTE 的计算或细化。在一些实施例中，将能量率数(以kWh/km为单位)和出行长度传输到车辆104。如果

为出行时段内的四个类别中的能量消耗，则可以将四个能量率

和

传输到车辆104。如果

为出行后时段预测时域内的四个类别中的能量消耗，则可以发送四个能量率

和

也可以将出行距离D_出行发送给车辆104。

根据一些实施例，可以执行估计的能量消耗与实际的能量消耗之间的比较，以便验证DTE算法的准确性并改善或优化计算。在将实际的出行能量消耗与预测的能量消耗进行比较之前，将实际出行路线与计划出行路径进行比较可能是有利的。可以使用车辆控制器108在车上完成路线比较。因此，如果车上不提供计划出行路线几何形状数据，则可以由服务提供者102将此数据发送给车辆104。计划出行数据是路线中的重要几何形状路点的经度和纬度序列，并且可以在出行开始之前将此数据发送给车辆104。

下面提供了用于DTE估计的完整计算的示例性方法。在计算 DTE估计时，可以使用可用电池能量E_电池的当前数据。DTE估计可以使用以下公式来计算：

在出行时段期间，如果进入出行的距离为D，则出行的剩余距离为

和

在出行之后，

然后

以下各部分提供了有关参数学习的各方面的附加细节，所述参数学习可以使用车辆控制器108的车载机器学习模块114来完成。当参数学习可以在车上实现时，可以在车上存储参数学习的输出，并在需要时将其上传到服务提供者102。可以肯定的是，在图3A和图3B的示例性过程中使用这些学习的参数。

可以由车载机器学习模块114学习以下参数。在一些实施例中，可以确定用于在每个道路等级上驱动车轮的能量率(kWh/km)。这些能量率被称为车辆的学习的道路等级效率。在一些实施例中，这些数据可以被存储为η_i的一维表，这是道路等级i上的学习的驾驶能量率。在一些实施例中，车载机器学习模块114可以学习不同室外温度下的气候控制稳态能量率(kWh/s)。同样，这些数据可以被存储在μ_cl(T_室外) 的一维查找表中。在各种实施例中，车载机器学习模块114可以学习气候控制中的额外瞬态能量使用，以使当前车舱温度升高或降低到目标温度。如上所述，这些数据可以被存储在K_cl(T_车舱，T_室外)的二维查找表中。

在一些实施例中，车载机器学习模块114可以学习配件能量率 (kWh/s)，其为学习的数字μ_acc。在一个或多个实施例中，车载机器学习模块114可以学习在不同的室外温度下，由于外部因素(例如，低温)而造成的稳态能量率损耗(kWh/s)。可以肯定的是，这些数据被存储在μ_lo(T_室外)的一维查找表中。车载机器学习模块114可以学习由于外部因素(例如，低温)而造成的额外瞬态能量使用损耗，其可以存储在K_lo(T_车舱，T_室外)的二维查找表中。一般来讲，这些各种学习的参数可以使用车载机器学习模块114来确定，所述车载机器学习模块监视从传动系系统105、气候控制系统107和单独车辆配件109中的每一个输出的信号。

在一些实施例中，可以存储从这些各种车辆系统所收集的数据。例如，可以获得车辆每周操作模式参数并将其存储在表或其他类似数据结构中。例如，可以将一周分为M个时间窗口，并且可以学习并存储每个时间窗口中的平均操作属性。在一些实施例中，车载机器学习模块114可以计算并存储每个时间窗口中的平均驾驶距离、每个时间窗口中的平均驾驶时间、每个时间窗口中的平均出行冷起动数、每个时间窗口中的平均驾驶能量以及每个时间窗口中的平均出行冷起动温差T_车舱-T_室外。

在一些实施例中，当学习了能量消耗参数时，可以使用一些初始化值。也就是说，为了学习参数x，将存储初始值x₀，然后车载机器学习模块114再开始学习。这些初始值应该能够提供合理的DTE估计，然后再开始学习。如果存储在车辆中的参数为x_st，则该参数的新的更新值为x_最新，并且可以将所存储的新的参数更新为所存储的旧参数和最新值的加权和。此替换过程被表示为： x_st+＝λ·x_st+(1-λ)·x_最新，其中λ可以被认为是遗忘因子。在一些实施例中，每个参数都可以利用不同的遗忘因子。

在使用初始化值之后，可以使用来自车辆的促进能量消耗和/或损耗的各种部件的实时采集的数据来更新各种能量消耗参数的计算。在一些实施例中，可以更新用于在每个道路等级上驱动车轮的能量率 (kWh/km)。在一个示例中，每驾驶车辆1公里，车辆的平均速度v_平均可以计算如下：

此外，获得平均道路坡度θ_平均(其可以从来自第三方导航或地图绘制系统或来自车载导航或地图绘制特征的导航数据获得)。用于在该时段期间驱动车轮的能量为E_dr。因此，能量率被计算为：

如果v_平均和θ_平均属于道路等级i，则η_dr可以用于使用一般参数更新规则来更新η_i。

不同室外温度下的气候控制稳态能量率(kWh/s)也可以进行更新。在车辆操作期间，在前10分钟之后(可以变化的示例性时间帧) 并且每隔10分钟，气候控制能量使用为E_cl，并且气候控制能量率为

室外温度为T_amb。μ_cl和该值可以用于使用一般参数更新规则来更新μ_cl(T_室外)的一维查找表中的对应值。

用于使当前车舱温度升高或降低到目标温度气候控制中的额外瞬态能量使用可以进行更新。在车辆操作期间，在前10分钟内(可以变化的示例性时间帧)，气候控制能量使用为E_cl。气候控制中的额外瞬态能量使用为E_{cl_t}＝E_cl-μ_cl(T_室外)·t。室外温度为T_amb。出行起点的车舱温度为T_车舱。E_{cl_t}可以用于使用一般参数更新规则来更新 K_cl(T_车舱，T_室外)的二维查找表中的对应值。如果出行短于10分钟(可以变化的示例性时间帧)，则可能不对K_cl(T_车舱，T_室外)二维查找表进行任何更新。

在各种实施例中，配件能量率(kWh/s)可以进行更新。在车辆操作期间，如果配件能量为E_acc，那么配件能量率为

μ_acc可以用于使用一般参数更新规则来更新所存储的配件能量率值。

在各种实施例中，在不同的室外温度下，由于外部因素(例如，低温)而造成的稳态能量率损耗(kWh/s)可以进行更新。在车辆操作期间，在前10分钟之后(同样，仅是示例)并且每隔10分钟，能量损耗为E_lo，并且能量损耗的能量率为

室外温度为T_amb。μ_cl可以用于使用一般参数更新规则来更新μ_lo(T_室外)的一维查找表中的对应值。

在某些情况下，还可以更新由于外部因素(例如，低温)而造成的额外瞬态能量使用损耗。在车辆操作期间，在前10分钟内，能量损耗为E_lo。气候控制中的额外瞬态能量损耗为E_{lo_t}＝E_lo-μ_lo(T_室外)·t。室外温度为T_amb。出行起点的车舱温度为T_车舱。E_{lo_t}可以用于使用一般参数更新规则来更新K_lo(T_车舱，T_室外)的二维查找表中的对应值。

同样，如果出行短于10分钟(或短于使用了所建立的时间帧的情况)，则可能不对K_lo(T_车舱，T_室外)二维查找表进行任何更新。

在一些实施例中，车辆操作模式参数可以每天或每周进行更新。在一些实施例中，在每个时间窗口的终点和/或在每次出行的起点实现更新。在每次出行的起点，如果在上次更新与当前时间之间有时间窗口未更新，则可以执行检查。如果有时间窗口未更新，则可以执行对这些时间窗口的更新。即使车辆在时间窗口内未行驶，也需要进行更新，因为如果驾驶时间为零，则平均属性中的一些(但不是全部)可能会变化。某些更新使用一般参数更新规则来进行。例如，每个时间窗口中的平均驾驶距离可以进行更新。驾驶距离是时间窗口中的总距离，其可以为多次出行中的距离的总和。如果车辆在时间窗口内未驾驶，则平均驾驶距离的更新值为零。此外，每个时间窗口中的平均驾驶时间可以进行更新。驾驶时间是时间窗口中的总时间，其可以为多次出行中的驾驶时间的总和。如果车辆在时间窗口内未驾驶，则平均驾驶时间的更新值为零。

在各种实施例中，每个时间窗口中的平均出行冷起动数可以进行更新。可以肯定的是，冷起动被定义为在上次车辆停车至少60分钟后发生的车辆起动事件。如果车辆在时间窗口内未驾驶，则平均冷起动数的更新值为零。

在一些实施例中，每个时间窗口中的平均驾驶能量可以进行更新。驾驶时间是时间窗口中的用于驱动车轮的总能量，其可以为多次出行的总和。如果车辆在时间窗口中未运行，则平均驾驶能量的更新值为零。另外，每个时间窗口中的平均出行冷起动温差T_车舱，T_室外可以进行更新。在冷起动开始时计算该温差。如果在时间窗口内存在多个冷起动，则需要多次更新。如果在时间窗口中不存在冷起动，则该值可能不会进行更新。

如全文所述，在一些实施例中，本文公开的系统和方法可以实时或连续方式操作，其中学习参数是根据诸如估计DTE和实际DTE的比较或估计能量消耗与经验或实际能量消耗的比较的反馈而实时地或近实时地更新的。可以肯定的是，对于这些测量中的任一个，估计值与实际值之间的差异表明需要改进DTE或能量消耗方法。

根据一些实施例，对路线已知的出行时段的预测的总能量进行缓冲。在一些实施例中，当计算DTE估计时，从服务提供者102发送到车辆104的数据包括关于预测的总出行能量使用

的信息，其中

可以存储在车辆控制器 108中，直到检测到相对于计划路线的绕行或者完成了出行并且进行了出行能量反馈比较。

车辆控制器108可以被配置为检测出行(例如，计划出行)中的绕行。仅在车辆遵循用于计算DTE的路线的情况下，才能进行预测的能量消耗和实际的能量消耗的比较。可以由车辆控制器108实现两种示例性类型的绕行检测，以确定车辆是否真的遵循计划路线。在一个实施例中，车辆控制器108被配置为使用GPS和路线几何形状来检测绕行。在一些实施例中，该过程涉及内插路线路点。从服务提供者 102发送到车辆104的路线几何形状数据可以包括路点序列。两点之间的路段被视为直线。如果两个相邻点之间的距离长于500米，则可以添加一个或多个内插点。所得的点序列在两个相邻点之间的最大距离应为500米。接下来，车辆控制器108可以通过计算从车辆到路线的距离来检测绕行。通过比较车辆GPS和路线几何形状来检测绕行可以在车辆上周期性地进行(例如，每30秒或每1分钟一次)。

可以计算出从车辆的当前GPS位置到路线几何形状序列中的最近的路点的距离。有几种方法可以使所述计算比循环通过所有点更有效。在一些实施例中，车辆控制器108可以在出行起点建立所有路线路点的k-维树，并使用所述k-维树来找出最近的点和最近的距离。替代地，车辆控制器108可以追踪最近的点、从起点到最近的点的路线距离以及为出行驾驶的距离。车辆控制器108可以使用该信息来缩小最近的候选点的范围，并且仅循环通过几个点以找出最近的点。如果从车辆到路线上最近的路点的距离大于三公里，则认为车辆已相对于计划路线绕行。

在另一替代方法中，车辆控制器108可以通过测量出行距离来检测车辆相对于计划路线的绕行。在一些实施例中，通过比较车辆的行驶距离和计划的出行距离来检测绕行。通过当前车辆的GPS位置与出行终点位置之间的距离来确定出行时间的结束。如果所述距离短于阈值，则认为车辆已到达出行终点。

当车辆到达出行终点时，由车辆控制器108根据出行起点和出行终点的里程表差来计算实际驾驶距离。如果该驾驶距离短于或长于 D_出行(这是当服务提供者102计算DTE时，车辆控制器108在出行起点接收到的)超过两公里，则认为车辆已相对于计划的出行路线绕行。

在一些实施例中，可以执行反馈比较器模块118以将实际的出行能量消耗与预测的出行能量消耗进行比较。在出行完成之后，由反馈比较器模块118根据出行起点和出行终点的可用电池能量差来计算出行的实际能量消耗，使得

如果车辆没有相对于计划出行路线做出任何绕行，则可以由反馈比较器模块118计算

和

之间的差(或相对差)。四个类别 E_dr、E_cl、E_acc、E_lo中的每个类别的预测能量消耗和实际能量消耗也可以由反馈比较器模块118进行比较。通过查看每个类别中的预测值和实际值之间的差，如果先前的DTE估计不准确，则反馈比较器模块118 可以向驾驶员生成通知(显示在车辆104的HMI上)，以解释是什么原因导致了先前的DTE估计错误。

例如，如果气候控制类别的能量差很大，则反馈比较器模块118 可以通知驾驶员先前的DTE估计误差是由于来自气候控制系统的意外的能量使用造成的。如果用于驱动车轮的能量差很大，则反馈比较器模块118可以首先将预测的出行时间与实际出行时间进行比较。如果出行时间差很大，则DTE不准确的原因可能是交通信息不准确。否则，反馈比较器模块118可以推断出存在模型误差。然后，反馈比较器模块118可以执行过程，由此服务提供者102的效率预测模块 120更新模型。

如上所述，当车辆周期性地运行时(例如，每隔五分钟运行一次)，可以将计算出的并临时存储的一些汇总值发送给服务提供者102。示例性计算值包括用于推进车辆的车轮的能量、从制动再生成的能量、用于气候控制的能量、用于配件的能量、低温的能量损耗和能量、平均速度、速度变化、平均推进扭矩、推进扭矩变化、正推进扭矩时间、平均制动扭矩、制动扭矩变化、正制动扭矩时间、驾驶距离、时段起点(和终点)的可用电池(例如，能量源)能量、时段起点(和终点)的电池荷电状态以及时段起点(和终点)的GPS位置，仅举几例。

在一些实施例中，在触发条件或事件发生时收集并存储一些数据类型。在发生特定事件时，将存储以下数据。通常，如果未指定，则事件为“值变化”。在一些实施例中，将该值连同事件时间戳临时存储在车上并发送到服务提供者102。示例性数据包括车舱温度、环境温度、DTE API调用输入和响应(例如，在DTE计算期间在车辆104与服务提供者102之间的通信)、气候设置、再生制动设置和驾驶模式、用户配置文件、拖车状态(已连接或已断开连接)、以及开箱即用的电源，仅举几例。

图4示出了本公开的一种方法的示例性流程图。所述方法通常包括基于车辆的多个能量消耗参数来确定车辆的多个学习的车辆操作参数的步骤402。可以根据车辆内的各种系统的各种历史能量消耗率来确定这些数据。同样，这些学习的参数可以包括车辆的学习的道路等级效率、车辆的学习的基于温度的能量损耗、车辆的学习的基于冷起动的能量损耗、学习的气候控制瞬态额外能量、学习的气候控制效率以及学习的车辆配件效率。这些学习的参数可以用于计算能量消耗参数，诸如基于驾驶的能量消耗参数、基于温度的能量消耗参数、基于气候控制的能量消耗参数和基于车辆配件的能量消耗参数。

所述方法还包括确定从天气数据或导航数据的任何组合中所选择的车辆的多个预测的车辆操作参数的步骤404，所述导航数据是相对于计划路线确定的。这可以包括获得天气数据、交通数据、各种道路等级的海拔变化数据等。

所述方法还包括为车辆的能量源应用剩余能量可行驶距离(DTE) 函数的步骤406。可以肯定的是，剩余能量可行驶距离函数利用车辆的多个学习的车辆操作参数和多个预测的车辆操作参数以及能量源的当前容量来确定能量源的DTE。

示例性实施例

在一些情况下，以下示例可以由本文中描述的系统和方法共同或单独实现。

示例1可以包括一种方法，所述方法包括：基于车辆的多个能量消耗参数来确定所述车辆的多个学习的车辆操作参数；确定从天气数据或导航数据的任何组合中所选择的所述车辆的多个预测的车辆操作参数，所述导航数据是相对于计划路线确定的；以及为能量源应用剩余能量可行驶距离(DTE)函数，所述DTE函数利用所述车辆的所述多个学习的车辆操作参数、所述多个预测的车辆操作参数和所述能量源的当前容量来确定所述能量源的DTE。

示例2可以包括根据示例1所述的方法，其中所述多个预测的车辆操作参数还包括道路等级数据，并且所述天气数据至少包括温度数据，其中所述道路等级数据包括实时交通速度、平均道路坡度和实时交通状况。

示例3可以包括根据示例1和/或本文中某个其他示例所述的方法，其中随时间并且关于特定驾驶员收集所述车辆的所述多个学习的车辆操作参数，并且所述车辆的所述多个学习的车辆操作参数还包括驾驶风格、气候控制偏好和平均每周车辆操作时间表。

示例4可以包括根据示例1和/或本文中某个其他示例所述的方法，其中针对所述计划路线的出行时段或出行后时段中的任一个来计算所述DTE。

示例5可以包括根据示例1和/或本文中某个其他示例所述的方法，其还包括：确定实际能量消耗率；以及基于所述实际能量消耗率与历史能量消耗率之间的偏差来更新所述DTE函数。

示例6可以包括根据示例5和/或本文中某个其他示例所述的方法，其中计算所述实际能量消耗率与所述历史能量消耗率之间的所述偏差，并且仅在所述车辆利用所述计划路线时更新所述DTE函数。

示例7可以包括根据示例1和/或本文中某个其他示例所述的方法，其中当所述计划路线完成时，使用所述DTE函数以通过经由以下操作计算预测的总体能量消耗率来重新估计DTE：确定所述车辆的出行后操作的距离；估计所述出行后操作的能量消耗；以及基于所述距离和针对所述出行后操作估计的所述能量消耗来估计所述出行后操作的能量消耗率。

示例8可以包括一种用于估计车辆的能量消耗的方法，所述方法包括：通过以下步骤来确定车辆在计划路线上的多个能量消耗参数：基于所述车辆在指定道路等级上在计划路线上将行驶的距离、实时交通数据以及所述车辆的学习的道路等级效率的任何组合来计算第一基于驾驶的能量消耗参数；基于所述车辆的基于室外温度数据的学习的基于温度的能量损耗以及所述车辆的作为所述室外温度数据和当前车辆温度的函数的学习的基于冷起动的能量损耗的任何组合来计算第一基于温度的能量消耗参数；基于作为初始车舱温度数据和所述室外温度数据的函数的学习的气候控制瞬态额外能量以及作为所述室外温度数据的函数的学习的气候控制效率的任何组合来计算第一基于气候控制的能量消耗参数；以及基于学习的车辆配件效率来计算第一基于车辆配件的能量消耗参数；以及使用所述多个能量消耗参数来估计所述车辆的所述能量消耗。

示例9可以包括根据示例8所述的方法，其还包括：通过以下步骤来计算用于在完成所述计划路线后操作所述车辆的能量消耗：基于用于驾驶所述车辆的预期的能量消耗来计算第二基于驾驶的能量消耗参数；基于所述车辆的基于未来的室外温度数据的所述学习的基于温度的能量损耗以及所述车辆的作为所述未来的室外温度数据和预测的车辆温度的函数的学习的基于冷起动的能量损耗的组合来计算第二基于温度的能量消耗参数；基于作为预测的初始车舱温度数据和未来的室外温度数据的函数的学习的气候控制瞬态额外能量以及作为所述未来的室外温度数据的函数的学习的气候控制效率的任何组合来计算第二基于气候控制的能量消耗参数；以及利用所述第一基于车辆配件的能量消耗参数。

示例10可以包括根据示例8和/或本文中某个其他示例所述的方法，其中所述车辆的所述学习的道路等级效率包括用于在多个道路等级上驾驶所述车辆的能量率。

示例11可以包括根据示例8和/或本文中某个其他示例所述的方法，其中所述学习的气候控制效率包括在室外温度值的范围内计算出的所述车辆的气候控制稳态能量率。

示例12可以包括根据示例8和/或本文中某个其他示例所述的方法，其中所述学习的气候控制瞬态额外能量包括对所述车辆的气候控制额外能量使用的计算，以确保将所述车舱的车舱温度设置为目标温度。

示例13可以包括根据示例8和/或本文中某个其他示例所述的方法，其中所述学习的基于温度的能量损耗和所述学习的基于冷起动的能量损耗各自包括在室外温度值的范围内计算出的稳态能量率损耗。

示例14可以包括根据示例8和/或本文中某个其他示例所述的方法，其还包括确定所述车辆的操作模式参数，所述车辆的操作模式参数包括以下任一项：在多个时间窗口的每一个中的平均驾驶距离；在所述多个时间窗口的每一个中的平均驾驶时间；在所述多个时间窗口中的每一个中的平均出行冷起动数；在所述多个时间窗口的每一个中计算出的所述第一基于驾驶的能量消耗参数的平均值；以及在所述多个时间窗口的每一个中的平均出行冷起动温差。

示例15可以包括根据示例8和/或本文中某个其他示例所述的方法，其还包括在所述车辆的人机界面上显示所述车辆的所述能量消耗。

示例16可以包括一种系统，所述系统包括：车辆控制器，所述车辆控制器包括至少一个处理器和存储器，所述至少一个处理器执行存储在所述存储器中的指令以进行以下操作：至少基于车辆的能量源的历史能量消耗率来确定所述车辆的多个学习的车辆操作参数；确定从天气数据或导航数据的任何组合中所选择的所述车辆的多个预测的车辆操作参数，所述导航数据是相对于计划路线确定的；以及为所述能量源应用剩余能量可行驶距离(DTE)函数，所述DTE函数基于所述能量源的当前容量，利用所述车辆的所述多个学习的车辆操作参数和所述多个预测的车辆操作参数来确定所述车辆的DTE。

示例17可以包括根据示例16所述的系统，其中所述多个预测的车辆操作参数还包括道路等级数据并且所述天气数据至少包括温度数据，其中所述道路等级数据包括实时交通速度、平均道路坡度和实时交通状况，并且进一步地其中随时间并且关于特定驾驶员收集所述车辆的所述多个学习的车辆操作参数，所述车辆的所述多个学习的车辆操作参数还包括驾驶风格、气候控制偏好和平均每周车辆操作时间表。

示例18可以包括根据示例16和/或本文中某个其他示例所述的系统，其中所述至少一个处理器还执行存储在所述存储器中的所述指令以进行以下操作：感测触发条件的发生；鉴于所述触发条件，基于所述车辆的能量源的所述历史能量消耗率，重新确定所述车辆的所述多个学习的车辆操作参数；鉴于所述触发条件，重新确定从所述天气数据或所述导航数据的任何组合中所选择的所述车辆的所述多个预测的车辆操作参数；以及应用所述剩余能量可行驶距离(DTE)函数，所述DTE函数鉴于所述触发条件，利用所述重新确定的多个学习的车辆操作参数和所述重新确定的多个预测的车辆操作参数来重新计算所述车辆的所述DTE。

示例19可以包括根据示例18和/或本文中某个其他示例所述的系统，其中所述触发条件包括拖车与所述车辆的连接。

示例20可以包括根据示例16和/或本文中某个其他示例所述的系统，其中所述至少一个处理器还执行存储在所述存储器中的所述指令以进行以下操作：确定实际能量消耗率；以及基于所述实际能量消耗率与历史能量消耗率之间的偏差来更新所述DTE函数，其中当所述计划路线完成并且所述能量源的所述当前容量等于或高于空阈值时，所述至少一个处理器还执行存储在所述存储器中的所述指令以通过以利用所述DTE函数以通过经由以下操作计算预测的总体能量消耗率来重新估计所述DTE：确定所述车辆的出行后操作的距离；估计所述出行后操作的能量消耗；以及基于所述距离和针对所述出行后操作估计的所述能量消耗来估计所述出行后操作的能量消耗率。

在以上公开内容中，已参考了附图，所述附图形成本公开的一部分、示出可实践本公开的特定实现方式。应理解，在不脱离本公开的范围的情况下，可以利用其他实现方式，并且可以进行结构改变。本说明书中对于“实施例”、“示例性实施例”等的引用指示所描述的实施例可以包括特定的特征、结构或特性，但每个实施例可以不必包括所描述的特定的特征、结构或特性。此外，此类短语不一定指同一实施例。另外，当结合实施例描述特定特征、结构或特性时，无论是否明确地描述，本领域的技术人员结合其他实施例将认识到此类特征、结构或特性。

本文公开的系统、设备、装置和方法的实现方式可以包括或利用专用或通用计算机，所述专用或通用计算机包括计算机硬件，例如一个或多个处理器和系统存储器，如本文所讨论。在本公开的范围内的实现方式还可以包括用于携载或存储计算机可执行指令和/或数据结构的物理和其他计算机可读介质。此类计算机可读介质可以是可以由通用或专用计算机系统访问的任何可用介质。存储计算机可执行指令的计算机可读介质是计算机存储介质(装置)。携载计算机可执行指令的计算机可读介质是传输介质。因此，作为示例而非限制，本公开的实现方式可以包括至少两种截然不同的计算机可读介质：计算机存储介质(装置)和传输介质。

计算机存储介质(装置)包括RAM、ROM、EEPROM、CD-ROM、固态驱动器(SSD)(例如，基于RAM)、快闪存储器、相变存储器(PCM)、其他类型的存储器、其他光盘存储装置、磁盘存储装置或其他磁性存储装置，或者可以用于存储呈计算机可执行指令或数据结构的形式的期望的程序代码手段并可由通用或专用计算机访问的任何其他介质。

本文公开的装置、系统以及方法的实现方式可以通过计算机网络进行通信。“网络”被限定为能够在计算机系统和/或模块和/或其他电子装置之间传输电子数据的一个或多个数据链路。当通过网络或另一种通信连接(硬连线、无线或者硬连线或无线的任何组合)向计算机传送或提供信息时，计算机适当地将所述连接视作为传输介质。传输介质可以包括网络和/或数据链路，所述网络和/或数据链路可以用于携载呈计算机可执行指令或数据结构的形式的期望的程序代码手段并且可以由通用或专用计算机访问。上述的组合也应包括在计算机可读介质的范围内。

计算机可执行指令包括例如在处理器处执行时致使通用计算机、专用计算机或专用处理装置执行特定功能或功能组的指令和数据。所述计算机可执行指令可以是(例如)二进制的、例如汇编语言的中间格式指令，或者甚至源代码。尽管已经用特定于结构特征和/或方法动作的语言描述了本主题，但应理解，在所附权利要求中限定的主题不必限于上面描述的所描述的特征或动作。而是，所描述的特征和动作被公开作为实现权利要求的示例形式。

本领域技术人员应理解，本公开可以在具有许多类型的计算机系统配置的网络计算环境中实践，所述计算机系统配置包括内置式车辆计算机、个人计算机、台式计算机、膝上型计算机、消息处理器、手持式装置、多处理器系统、基于微处理器的或可编程的消费型电子装置、网络PC、小型计算机、大型计算机、移动电话、PDA、平板电脑、寻呼机、路由器、交换机、各种存储装置等。本公开还可以在分布式系统环境中实践，其中通过网络链接(通过硬连线数据链路、无线数据链路或通过硬连线数据链路与无线数据链路的任何组合)的本地和远程计算机系统两者都执行任务。在分布式系统环境中，程序模块可以位于本地和远程存储器存储装置两者中。

此外，在适当的情况下，本文描述的功能可以在硬件、软件、固件、数字部件或模拟部件中的一者或多者中执行。例如，一个或多个专用集成电路(ASIC)可以被编程为执行本文中所描述的系统和程序中的一者或多者。贯穿说明书和权利要求使用某些术语以指代特定系统部件。如所属领域技术人员将理解，可以用不同的名称来指代部件。本文档并不意图区分名称不同但功能相同的部件。

应注意，上文论述的传感器实施例可以包括计算机硬件、软件、固件或它们的任何组合以执行其功能的至少一部分。例如，传感器可以包括被配置为在一个或多个处理器中执行的计算机代码，并且可以包括由计算机代码控制的硬件逻辑/电路。在本文出于说明的目的而提供这些示例性装置并且无意是限制性的。如(一个或多个)相关领域的技术人员所知，本公开的实施例可以在其他类型的装置中实现。

本公开的至少一些实施例针对于包括存储在任何计算机可用介质上的此类逻辑(例如，呈软件的形式)的计算机程序产品。此类软件当在一种或多种数据处理装置中执行时致使装置如本文所描述进行操作。

尽管已经在上面描述了本公开的各种实施例，但是应理解，所述各种实施例仅通过示例而非限制的方式呈现。对于相关领域技术人员将显而易见的是，可以在不脱离本公开的精神和范围的情况下做出形式和细节方面的各种改变。因此，本公开的广度和范围不应受上述示例性实施例中的任一个的限制，而是应仅根据所附权利要求及其等效物来限定。已经出于说明和描述目的而呈现了前述描述。所述描述并非意图穷举或将本公开限制为所公开的精确形式。鉴于上述教导，许多修改和变化是可能的。此外，应注意，前述替代实现方式中的任一者或全部可以按照任何期望的组合来使用，以形成本公开的额外的混合实现方式。例如，相对于特定装置或部件描述的功能性中的任一者可以由另一个装置或部件来执行。此外，尽管已经描述了特定的装置特性，但是本公开的实施例可以涉及许多其他装置特性。此外，尽管已经用特定于结构特征和/或方法动作的语言描述了各实施例，但是应理解，本公开不必限于所描述的特定特征或动作。而是，将特定特征和动作作为实现实施例的说明性形式来公开。除非另外特别说明，或者在所用的上下文中以其他方式理解，否则诸如“能够”、“可以”、 “可能”或“可”等条件语言通常意图传递某些实施例可以包括某些特征、要素和/或步骤，而其他实施例可以不包括某些特征、要素和/或步骤。因此，此类条件语言通常不意图暗示一个或多个实施例一定需要特征、元件和/或步骤。

根据本发明，一种方法，所述方法包括：基于车辆的多个能量消耗参数来确定所述车辆的多个学习的车辆操作参数；确定从天气数据或导航数据的任何组合中所选择的所述车辆的多个预测的车辆操作参数，所述导航数据是相对于计划路线确定的；以及为能量源应用剩余能量可行驶距离(DTE)函数，所述DTE函数利用所述车辆的所述多个学习的车辆操作参数、所述多个预测的车辆操作参数和所述能量源的当前容量来确定所述能量源的DTE。

根据实施例，所述多个预测的车辆操作参数还包括道路等级数据，并且所述天气数据至少包括温度数据，其中所述道路等级数据包括实时交通速度、平均道路坡度和实时交通状况。

根据实施例，随时间并且关于特定驾驶员收集所述车辆的所述多个学习的车辆操作参数，并且所述车辆的所述多个学习的车辆操作参数还包括驾驶风格、气候控制偏好和平均每周车辆操作时间表。

根据实施例，针对所述计划路线的出行时段或出行后时段中的任一个来计算所述DTE。

根据实施例，上述发明的特征还在于：确定实际能量消耗率；以及基于所述实际能量消耗率与历史能量消耗率之间的偏差来更新所述DTE函数。

根据实施例，计算所述实际能量消耗率与所述历史能量消耗率之间的所述偏差，并且仅在所述车辆利用所述计划路线时更新所述DTE 函数。

根据实施例，当所述计划路线完成时，使用所述DTE函数以通过以下操作计算预测的总体能量消耗率来重新估计DTE：确定所述车辆的出行后操作的距离；估计所述出行后操作的能量消耗；以及基于所述距离和针对所述出行后操作估计的所述能量消耗来估计所述出行后操作的能量消耗率。

根据本发明，一种用于估计车辆的能量消耗的方法包括：通过以下步骤来确定车辆在计划路线上的多个能量消耗参数：基于所述车辆在指定道路等级上在计划路线上将行驶的距离、实时交通数据以及所述车辆的学习的道路等级效率的任何组合来计算第一基于驾驶的能量消耗参数；基于所述车辆的基于室外温度数据的学习的基于温度的能量损耗以及所述车辆的作为所述室外温度数据和当前车辆温度的函数的学习的基于冷起动的能量损耗的任何组合来计算第一基于温度的能量消耗参数；基于作为初始车舱温度数据和所述室外温度数据的函数的学习的气候控制瞬态额外能量以及作为所述室外温度数据的函数的学习的气候控制效率的任何组合来计算第一基于气候控制的能量消耗参数；以及基于学习的车辆配件效率来计算第一基于车辆配件的能量消耗参数；以及使用所述多个能量消耗参数来估计所述车辆的所述能量消耗。

根据实施例，上述发明的特征还在于：通过以下步骤来计算用于在完成所述计划路线后操作所述车辆的能量消耗：基于用于驾驶所述车辆的预期的能量消耗来计算第二基于驾驶的能量消耗参数；基于所述车辆的基于未来的室外温度数据的所述学习的基于温度的能量损耗以及所述车辆的作为所述未来的室外温度数据和预测的车辆温度的函数的学习的基于冷起动的能量损耗的组合来计算第二基于温度的能量消耗参数；基于作为预测的初始车舱温度数据和未来的室外温度数据的函数的学习的气候控制瞬态额外能量以及作为所述未来的室外温度数据的函数的学习的气候控制效率的任何组合来计算第二基于气候控制的能量消耗参数；以及利用所述第一基于车辆配件的能量消耗参数。

根据实施例，所述车辆的所述学习的道路等级效率包括用于在多个道路等级上驾驶所述车辆的能量率。

根据实施例，所述学习的气候控制效率包括在室外温度值的范围内计算出的所述车辆的气候控制稳态能量率。

根据实施例，所述学习的气候控制瞬态额外能量包括对所述车辆的气候控制额外能量使用的计算，以确保将所述车舱的车舱温度设置为目标温度。

根据实施例，所述学习的基于温度的能量损耗和所述学习的基于冷起动的能量损耗各自包括在室外温度值的范围内计算出的稳态能量率损耗。

根据实施例，上述发明的特征还在于，确定所述车辆的操作模式参数，所述车辆的操作模式参数包括以下任一项：在多个时间窗口的每一个中的平均驾驶距离；在所述多个时间窗口的每一个中的平均驾驶时间；在所述多个时间窗口中的每一个中的平均出行冷起动数；在所述多个时间窗口的每一个中计算出的所述第一基于驾驶的能量消耗参数的平均值；以及在所述多个时间窗口的每一个中的平均出行冷起动温差。

根据实施例，上述发明的特征还在于，在所述车辆的人机界面上显示所述车辆的所述能量消耗。

根据本发明，提供一种系统，所述系统具有车辆控制器，所述车辆控制器包括至少一个处理器和存储器，所述至少一个处理器执行存储在所述存储器中的指令以进行以下操作：至少基于车辆的能量源的历史能量消耗率来确定所述车辆的多个学习的车辆操作参数；确定从天气数据或导航数据的任何组合中所选择的所述车辆的多个预测的车辆操作参数，所述导航数据是相对于计划路线确定的；以及为所述能量源应用剩余能量可行驶距离(DTE)函数，所述DTE函数基于所述能量源的当前容量，利用所述车辆的所述多个学习的车辆操作参数和所述多个预测的车辆操作参数来确定所述车辆的DTE。

根据实施例，所述多个预测的车辆操作参数还包括道路等级数据并且所述天气数据至少包括温度数据，其中所述道路等级数据包括实时交通速度、平均道路坡度和实时交通状况，并且进一步地其中随时间并且关于特定驾驶员收集所述车辆的所述多个学习的车辆操作参数，所述车辆的所述多个学习的车辆操作参数还包括驾驶风格、气候控制偏好和平均每周车辆操作时间表。

根据实施例，所述至少一个处理器还执行存储在所述存储器中的所述指令以进行以下操作：感测触发条件的发生；鉴于所述触发条件，基于所述车辆的能量源的所述历史能量消耗率，重新确定所述车辆的所述多个学习的车辆操作参数；鉴于所述触发条件，重新确定从所述天气数据或所述导航数据的任何组合中所选择的所述车辆的所述多个预测的车辆操作参数；以及应用所述剩余能量可行驶距离(DTE)函数，所述DTE函数鉴于所述触发条件，利用所述重新确定的多个学习的车辆操作参数和所述重新确定的多个预测的车辆操作参数来重新计算所述车辆的所述DTE。

根据实施例，所述触发条件包括拖车到所述车辆的连接。

根据实施例，所述至少一个处理器还执行存储在所述存储器中的所述指令以进行以下操作：确定实际能量消耗率；以及基于所述实际能量消耗率与历史能量消耗率之间的偏差来更新所述DTE函数，其中当所述计划路线完成并且所述能量源的所述当前容量等于或高于空阈值时，所述至少一个处理器还执行存储在所述存储器中的所述指令以利用所述DTE函数以通过经由以下操作计算预测的总体能量消耗率来重新估计所述DTE：确定所述车辆的出行后操作的距离；估计所述出行后操作的能量消耗；以及基于所述距离和针对所述出行后操作估计的所述能量消耗来估计所述出行后操作的能量消耗率。

Claims

1.一种方法，其包括：

基于车辆的多个能量消耗参数来确定所述车辆的多个学习的车辆操作参数；

确定从天气数据或导航数据的任何组合中所选择的所述车辆的多个预测的车辆操作参数，所述导航数据是相对于计划路线确定的；以及

为能量源应用剩余能量可行驶距离(DTE)函数，所述DTE函数利用所述车辆的所述多个学习的车辆操作参数、所述多个预测的车辆操作参数和所述能量源的当前容量来确定所述能量源的DTE。

2.根据权利要求1所述的方法，其中所述多个预测的车辆操作参数还包括道路等级数据，并且所述天气数据至少包括温度数据，其中所述道路等级数据包括实时交通速度、平均道路坡度和实时交通状况。

3.根据权利要求1所述的方法，其中随时间并且关于特定驾驶员收集所述车辆的所述多个学习的车辆操作参数，并且所述车辆的所述多个学习的车辆操作参数还包括驾驶风格、气候控制偏好和平均每周车辆操作时间表。

4.根据权利要求1所述的方法，其中针对所述计划路线的出行时段或出行后时段中的任一个来计算所述DTE。

5.根据权利要求1所述的方法，其还包括：

确定实际能量消耗率；以及

基于所述实际能量消耗率与历史能量消耗率之间的偏差来更新所述DTE函数。

6.根据权利要求5所述的方法，其中计算所述实际能量消耗率与所述历史能量消耗率之间的所述偏差，并且仅在所述车辆利用所述计划路线时更新所述DTE函数。

7.根据权利要求1所述的方法，其中当所述计划路线完成时，使用所述DTE函数以通过经由以下操作计算预测的总体能量消耗率来重新估计DTE：

确定所述车辆的出行后操作的距离；

估计所述出行后操作的能量消耗；以及

基于所述距离和针对所述出行后操作估计的所述能量消耗来估计所述出行后操作的能量消耗率。

8.一种用于估计车辆的能量消耗的方法，所述方法包括：

通过以下步骤来确定车辆在计划路线上的多个能量消耗参数：

基于所述车辆在指定道路等级上在计划路线上将行驶的距离、实时交通数据以及所述车辆的学习的道路等级效率的任何组合来计算第一基于驾驶的能量消耗参数；

基于所述车辆的基于室外温度数据的学习的基于温度的能量损耗以及所述车辆的作为所述室外温度数据和当前车辆温度的函数的学习的基于冷起动的能量损耗的任何组合来计算第一基于温度的能量消耗参数；

基于作为初始车舱温度数据和所述室外温度数据的函数的学习的气候控制瞬态额外能量以及作为所述室外温度数据的函数的学习的气候控制效率的任何组合来计算第一基于气候控制的能量消耗参数；以及

基于学习的车辆配件效率来计算第一基于车辆配件的能量消耗参数；以及

使用所述多个能量消耗参数来估计所述车辆的所述能量消耗。

9.根据权利要求8所述的方法，其还包括通过以下步骤来计算用于在完成所述计划路线后操作所述车辆的能量消耗：

基于用于驾驶所述车辆的预期的能量消耗来计算第二基于驾驶的能量消耗参数；

基于所述车辆的基于未来的室外温度数据的所述学习的基于温度的能量损耗和所述车辆的作为所述未来的室外温度数据和预测的车辆温度的函数的学习的基于冷起动的能量损耗的组合来计算第二基于温度的能量消耗参数；

基于作为预测的初始车舱温度数据和未来的室外温度数据的函数的学习的气候控制瞬态额外能量以及作为所述未来的室外温度数据的函数的学习的气候控制效率的任何组合来计算第二基于气候控制的能量消耗参数；以及

利用所述第一基于车辆配件的能量消耗参数。

10.根据权利要求8所述的方法，其中所述车辆的所述学习的道路等级效率包括用于在多个道路等级上驾驶所述车辆的能量率。

11.根据权利要求8所述的方法，其中所述学习的气候控制效率包括在室外温度值的范围内计算出的所述车辆的气候控制稳态能量率。

12.根据权利要求8所述的方法，其中所述学习的气候控制瞬态额外能量包括对所述车辆的气候控制额外能量使用的计算，以确保将所述车舱的车舱温度设置为目标温度。

13.根据权利要求8所述的方法，其中所述学习的基于温度的能量损耗和所述学习的基于冷起动的能量损耗各自包括在室外温度值的范围内计算出的稳态能量率损耗。

14.根据权利要求8所述的方法，其还包括确定所述车辆的操作模式参数，所述车辆的操作模式参数包括以下任一项：

在多个时间窗口的每一个中的平均驾驶距离；

在所述多个时间窗口的每一个中的平均驾驶时间；

在所述多个时间窗口的每一个中的平均出行冷起动数；

在所述多个时间窗口的每一个中计算出的所述第一基于驾驶的能量消耗参数的平均值；以及

在所述多个时间窗口的每一个中的平均出行冷起动温差。

15.根据权利要求8所述的方法，其还包括在所述车辆的人机界面上显示所述车辆的所述能量消耗。