CN111806239B - 电动车辆续航里程测量方法、电子设备及存储介质 - Google Patents
电动车辆续航里程测量方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111806239B CN111806239B CN201910303261.3A CN201910303261A CN111806239B CN 111806239 B CN111806239 B CN 111806239B CN 201910303261 A CN201910303261 A CN 201910303261A CN 111806239 B CN111806239 B CN 111806239B
- Authority
- CN
- China
- Prior art keywords
- data
- historical
- driving
- electric vehicle
- 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
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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- 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
- B60L50/00—Electric propulsion with power supplied within the vehicle
- B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/192—Recognition using electronic means using simultaneous comparisons or correlations of the image signals with a plurality of references
- G06V30/194—References adjustable by an adaptive method, e.g. learning
-
- 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
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
- B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
-
- 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
Abstract
本发明公开电动车辆续航里程测量方法、电子设备及存储介质,方法包括:获取电动车辆的历史行车数据、以及与历史行车数据对应的历史续航里程,行车数据至少包括电动车辆的剩余电量;以历史行车数据为输入对象,以历史续航里程为监督对象,训练生成预估模型,预估模型的输入为当前行车数据,预估模型的输出为预估续航里程;获取电动车辆的当前行车数据;将当前行车数据输入经过训练的预估模型,从预估模型得到关于当前行车数据的预估续航里程;显示预估续航里程。本发明通过对预估模型进行训练,根据电动车辆的行车数据来预估续航里程,来获得更准确的电动车的剩余里程,从而可以提高续航里程显示的准确度,进而提高用户体验。
Description
技术领域
本发明涉及电动车辆相关技术领域,特别是一种电动车辆续航里程测量方法、电子设备及存储介质。
背景技术
近年来,随着社会环保意识的增强,电动车辆作为绿色低碳的出行工具而广受欢迎。
然而,发明人在实现本发明的过程中发现,在使用电动车辆时,经常会出现续航里程不准确的问题。电动车辆续航里程不准确主要包括2种场景:一种是车辆点火前,用户通过APP查看到的车辆续航里程与点火后仪表显示的续航里程不一致的情况;另一种是车辆点火后实际只行驶了2km,但是仪表盘显示的续航里程少掉了5km的情况。目前的方法是预估的剩余里程乘以衰减因子,但是并不准确。
发明内容
基于此,有必要针对现有技术存在电动车辆续航里程预估不准确的技术问题,提供一种电动车辆续航里程测量方法、电子设备及存储介质。
本发明提供一种电动车辆续航里程测量方法,包括:
获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
获取电动车辆的当前行车数据;
将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
显示所述预估续航里程。
进一步的,所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程。
更进一步的,所述行车数据还包括至少一种状态数据;
所述当前行车数据包括电动车辆的当前剩余电量、以及当前状态数据;
所述历史行车数据包括历史剩余电量、以及对应的历史状态数据;
所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程,获取在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的综合值作为与该历史剩余电量对应的历史状态数据。
再进一步的,所述状态数据的综合值为:在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的平均值或加权值。
再进一步的,所述状态数据包括:车速数据、车身质量数据、电池温度数据、环境数据、道路数据、驾驶习惯数据、电池寿命数据、电池老化程度数据、和/或电池放电率数据。
再进一步的,所述道路数据包括路况指数、和/或拥堵指数。
再进一步的,所述驾驶习惯数据包括:根据急刹车次数、急启动次数、急转弯次数、和/或平均速度生成的驾驶习惯指数。
再进一步的,所述方法还包括:
获取与所述电动车辆同一类型的其他电动车辆的预估模型。
本发明提供一种电动车辆续航里程测量的电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
获取电动车辆的当前行车数据;
将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
显示所述预估续航里程。
进一步的,所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程。
更进一步的,所述行车数据还包括至少一种状态数据;
所述当前行车数据包括电动车辆的当前剩余电量、以及当前状态数据;
所述历史行车数据包括历史剩余电量、以及对应的历史状态数据;
所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程,获取在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的综合值作为与该历史剩余电量对应的历史状态数据。
再进一步的,所述状态数据的综合值为:在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的平均值或加权值。
再进一步的,所述状态数据包括:车速数据、车身质量数据、电池温度数据、环境数据、道路数据、驾驶习惯数据、电池寿命数据、电池老化程度数据、和/或电池放电率数据。
再进一步的,所述道路数据包括路况指数、和/或拥堵指数。
再进一步的,所述驾驶习惯数据包括:根据急刹车次数、急启动次数、急转弯次数、和/或平均速度生成的驾驶习惯指数。
再进一步的,所述处理器还能够:
获取与所述电动车辆同一类型的其他电动车辆的预估模型。
本发明提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的电动车辆续航里程测量方法的所有步骤。
本发明通过对预估模型进行训练,根据电动车辆的行车数据来预估续航里程,来获得更准确的电动车的剩余里程,从而可以提高续航里程显示的准确度,进而提高用户体验。
附图说明
图1为本发明一实施例一种电动车辆续航里程测量方法的工作流程图;
图2为本发明可选实施例一种电动车辆续航里程测量方法的工作流程图;
图3为本发明另一可选实施例一种电动车辆续航里程测量方法的工作流程图;
图4为本发明一实施例一种电动车辆续航里程测量的电子设备的硬件结构示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的说明。
实施例一
如图1所示为本发明一实施例一种电动车辆续航里程测量方法的工作流程图,包括:
步骤S101,获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
步骤S102,以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
步骤S103,获取电动车辆的当前行车数据;
步骤S104,将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
步骤S105,显示所述预估续航里程。
具体来说,步骤S101和步骤S102采用历史行车数据和历史续航里程进行有监督学习训练,从而生成预估模型。行车数据可以由车辆的车载T-BOX硬件系统定期(例如,间隔5秒钟、1分钟)保存记录,从而得到历史行车数据。Telematics BOX,简称车载T-BOX。现有的车联网系统包含四部分:主机、车载T-BOX、手机应用程序及后台系统。其中,车载T-BOX主要用于和后台系统或手机应用程序通信。车载T-BOX能记录并获取车辆的各种行车数据。现有的电动车辆会自带剩余里程的估计值,然而该估计值并不准确。因此,可以通过测算车轮转圈数获得行驶里程,从而进行续航里程的计算。通过保存历史的续航里程,并与历史的形成数据进行成对保存,生成成对的历史行车数据和历史续航里程,以用作训练。
然后,在步骤S103中,获取电动车辆当前的行车数据,然后将当前行车数据在步骤S102中输入预估模型,则得到该预估模型所反馈得到的关于所述当前行车数据的预估续航里程。并在步骤S105中显示。
有监督学习训练所采用的模型,可以采用现有的各种模型实现。例如,可以采用回归拟合曲线y=f(x)实现。其中x为输入参数向量,可以包括一个或多个行车数据。y在训练时为监督对象,即历史续航里程,而在步骤S104中,则为函数输出值,即为预估续航里程。
其中,在步骤S103之后,可以对数据进行预处理。由于数据量足够大,可以基于每一辆车的历史行车数据,将某一电量下可续航里程偏差较大的点筛除。该步骤是为了尽可能保证后续用作训练样本的数据有较高的准确度。
例如,80%电量下,有的历史点显示续航里程100km,但是大多数据显示续航里程在60km至75km之间,此时取一个基准值(比如,取平均值),从而可以把特别不合理的点去掉。又例如,用户在取车之前显示剩余电量为60%,剩余里程为60km,在取车之后,显示为30km,则剩余里程为60km为不合理的点可以筛除;或者,实际行驶了10km后,剩余里程为30km,则剩余里程为60km为不合理的点可以筛除。
本发明通过对预估模型进行训练,根据电动车辆的行车数据来预估续航里程,来获得更准确的电动车的剩余里程,从而可以提高续航里程显示的准确度,进而提高用户体验。
实施例二
如图2所示为本发明可选实施例一种电动车辆续航里程测量方法的工作流程图,包括:
步骤S201,获取电动车辆的历史行车数据,所述行车数据至少包括电动车辆的剩余电量、以及至少一种状态数据。
步骤S202,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程,获取在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的综合值作为与该历史剩余电量对应的历史状态数据,所述状态数据的综合值为:在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的平均值或加权值。
具体来说,历史续航里程为所对应的历史剩余电量的时间点之后,电动车辆实际又行驶的里程,相当于真实的剩余里程。其中,预设电量值可以为0,也可以为一个保护值,例如,10%。作为一个例子,以剩余电量为80%,预设电量值为10%为例,记录剩余电量80%时的实际已行驶里程,然后记录剩余电量为10%时的实际已行驶里程,将剩余电量10%时的实际已行驶里程减去剩余电量为80%时的实际已行驶里程,将得到的差值作为剩余电量80%对应的历史续航里程。
优选地,所述状态数据包括:车速数据、车身质量数据、电池温度数据、环境数据、道路数据、驾驶习惯数据、电池寿命数据、电池老化程度数据、和/或电池放电率数据,其中:
所述道路数据包括路况指数、和/或拥堵指数;
所述驾驶习惯数据包括:根据急刹车次数、急启动次数、急转弯次数、和/或平均速度生成的驾驶习惯指数。
由于不同车速会对电池的使用速度有影响,因此,本实施例增加车速作为预估模型的输入,车速可以通过车辆的速度传感器获取。由于车身质量的不同会使得所消耗的能量不同,因此,本实施例增加车身质量作为预估模型的输入。车身质量数据可以通过全车的重量以及车内人员数量得到,车内人员数量可以通过车内传感器,例如重量传感器,检测得到。电池是否发热会影响电池的耗电速度,因此,本实施例增加电池温度作为预估模型的输入。电池温度数据可以通过车辆的电池温度传感器得到。环境数据包括车内温度、车外温度、天气情况等。在不同的环境下,用户会开启或关闭车内的空调系统。例如天气冷,用户会开启暖气,天气热,用户会开启冷气。同时,在雨天时,用户会开启雨刷。因此,这些不同的环境因素,都会增加剩余电量的额外损耗。因此,本实施例增加环境数据作为预估模型的输入。各种环境数据可以通过车内温度传感器、车外温度传感器、以及车辆的定位数据查询天气服务器得到。道路数据包括路况指数、和/或拥堵指数。路况指数为不同的道路类型所对应的指数。道路类型包括但不限于:泥泞道路、城市道路、高速公路等。道路指数可以通过获取电动车辆的定位信号,然后从地图服务器中获取电动车辆所在道路的道路指数。拥堵指数为不同的道路拥堵情况所对应的指数。道路拥堵情况包括但不限于:通畅、轻微拥堵、拥堵、非常拥堵等。拥堵指数可以通过获取电动车辆的定位信号,然后从地图服务器中获取电动车辆所在道路的拥堵指数。由于在不同的道路情况下电动车辆所消耗的能量不同,因此,本实施例增加道路指数作为预估模型的输入。驾驶习惯包括:根据急刹车次数、急启动次数、急转弯次数、和/或平均速度生成的驾驶习惯指数。急刹车次数可以通过电动车辆的刹车踏板传感器,记录刹车踏板的踩踏速度超过预设刹车踏板速度阈值的次数得到,急启动次数可以通过电动车辆的加速踏板传感器,记录加速踏板的踩踏速度超过预设加速踏板速度阈值的次数得到,急转弯次数可以通过电动车辆的方向盘传感器,记录方向盘转向角速度超过预设转向速度阈值的次数得到。平均速度可以通过电动车辆的速度传感器得到。由于急刹车、急启动、急转弯、较高的平均速度会消耗较大的电池电量,因此,这些驾驶习惯会影响剩余电量的续航里程。因此,本实施例增加驾驶习惯数据所生成的驾驶习惯指数作为预估模型的输入。驾驶习惯指数可以为急刹车次数、急启动次数、急转弯次数、和/或平均速度的加权值。电池寿命数据、电池老化程度数据、和/或电池放电率数据会影响电池的放电速度、放电效率,因此,本实施例增加电池寿命数据、电池老化程度数据、和/或电池放电率数据作为预估模型的输入。
步骤S203,以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程。
步骤S204,获取电动车辆的当前行车数据。
步骤S205,将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程。
步骤S206,显示所述预估续航里程。
本发明实施例对预估模型增加更多的状态数据,以获得更为精准的预估模型。
实施例三
如图3所示为本发明另一可选实施例一种电动车辆续航里程测量方法的工作流程图,包括:
步骤S301,获取与所述电动车辆同一类型的其他电动车辆的预估模型。
本实施例中其他电动车辆的预估模型由服务器从与所述电动车辆同一类型的其他电动车辆中获取。
步骤S302,获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
步骤S303,以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
步骤S304,获取电动车辆的当前行车数据;
步骤S305,将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
步骤S306,显示所述预估续航里程。
由于新的电动车辆没有太多的历史行车数据以及历史续航里程,这会导致其预估模型的训练集不足。本实施例通过获取与所述电动车辆同一类型的其他电动车辆的预估模型,形成一个前期的预估模型。该预估模型在后续的步骤中,通过本车的历史行车数据以及历史续航里程进行进一步训练,从而形成更为符合本车习惯的预估模型。
实施例四
如图4所示为本发明一实施例一种电动车辆续航里程测量的电子设备的硬件结构示意图,包括:
至少一个处理器401;以及,
与所述至少一个处理器401通信连接的存储器402;其中,
所述存储器402存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
获取电动车辆的当前行车数据;
将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
显示所述预估续航里程。
电子设备优选为电子控制单元(Electronic Control Unit,ECU),又称“行车电脑”、“车载电脑”等。图4中以一个处理器402为例。
电子设备还可以包括:输入装置403和输出装置404。
处理器401、存储器402、输入装置403及显示装置404可以通过总线或者其他方式连接,图中以通过总线连接为例。
存储器402作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请实施例中的电动车辆续航里程测量方法对应的程序指令/模块,例如,图1、图2、图3所示的方法流程。处理器401通过运行存储在存储器402中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及数据处理,即实现上述实施例中的电动车辆续航里程测量方法。
存储器402可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据电动车辆续航里程测量方法的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器402可选包括相对于处理器401远程设置的存储器,这些远程存储器可以通过网络连接至执行电动车辆续航里程测量方法的装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置403可接收输入的用户点击,以及产生与电动车辆续航里程测量方法的用户设置以及功能控制有关的信号输入。显示装置404可包括显示屏等显示设备。
在所述一个或者多个模块存储在所述存储器402中,当被所述一个或者多个处理器401运行时,执行上述任意方法实施例中的电动车辆续航里程测量方法。
本发明通过对预估模型进行训练,根据电动车辆的行车数据来预估续航里程,来获得更准确的电动车的剩余里程,从而可以提高续航里程显示的准确度,进而提高用户体验。
实施例五
本发明可选实施例一种电动车辆续航里程测量的电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取电动车辆的历史行车数据,所述行车数据至少包括电动车辆的剩余电量、以及至少一种状态数据;
对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程,获取在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的综合值作为与该历史剩余电量对应的历史状态数据,所述状态数据的综合值为:在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的平均值或加权值;
优选地,所述状态数据包括:车速数据、车身质量数据、电池温度数据、环境数据、道路数据、驾驶习惯数据、电池寿命数据、电池老化程度数据、和/或电池放电率数据,其中:
所述道路数据包括路况指数、和/或拥堵指数;
所述驾驶习惯数据包括:根据急刹车次数、急启动次数、急转弯次数、和/或平均速度生成的驾驶习惯指数;
以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
获取电动车辆的当前行车数据;
将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
显示所述预估续航里程。
本发明实施例对预估模型增加更多的状态数据,以获得更为精准的预估模型。
实施例六
本发明另一可选实施例一种电动车辆续航里程测量的电子设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取与所述电动车辆同一类型的其他电动车辆的预估模型。
获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
获取电动车辆的当前行车数据;
将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
显示所述预估续航里程。
本实施例通过获取与所述电动车辆同一类型的其他电动车辆的预估模型,形成一个前期的预估模型。该预估模型在后续的步骤中,通过本车的历史行车数据以及历史续航里程进行进一步训练,从而形成更为符合本车习惯的预估模型。
实施例七
本发明第七实施例提供一种存储介质,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如前所述的电动车辆续航里程测量方法的所有步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (15)
1.一种电动车辆续航里程测量方法,其特征在于,包括:
获取与电动车辆同一类型的其他电动车辆的预估模型,作为前期的预估模型;
获取所述电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,对所述前期的预估模型进一步训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
获取电动车辆的当前行车数据;
将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
显示所述预估续航里程。
2.根据权利要求1所述的电动车辆续航里程测量方法,其特征在于,所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程。
3.根据权利要求2所述的电动车辆续航里程测量方法,其特征在于,所述行车数据还包括至少一种状态数据;
所述当前行车数据包括电动车辆的当前剩余电量、以及当前状态数据;
所述历史行车数据包括历史剩余电量、以及对应的历史状态数据;
所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程,获取在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的综合值作为与该历史剩余电量对应的历史状态数据。
4.根据权利要求3所述的电动车辆续航里程测量方法,其特征在于,所述状态数据的综合值为:在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的平均值或加权值。
5.根据权利要求3所述的电动车辆续航里程测量方法,其特征在于,所述状态数据包括:车速数据、车身质量数据、电池温度数据、环境数据、道路数据、驾驶习惯数据、电池寿命数据、电池老化程度数据、和/或电池放电率数据。
6.根据权利要求5所述的电动车辆续航里程测量方法,其特征在于,所述道路数据包括路况指数、和/或拥堵指数。
7.根据权利要求5所述的电动车辆续航里程测量方法,其特征在于,所述驾驶习惯数据包括:根据急刹车次数、急启动次数、急转弯次数、和/或平均速度生成的驾驶习惯指数。
8.一种电动车辆续航里程测量的电子设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够:
获取与电动车辆同一类型的其他电动车辆的预估模型,作为前期的预估模型;
获取所述电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,所述行车数据至少包括电动车辆的剩余电量;
以所述历史行车数据为输入对象,以所述历史续航里程为监督对象,对所述前期的预估模型进一步训练生成预估模型,所述预估模型的输入为当前行车数据,所述预估模型的输出为预估续航里程;
获取电动车辆的当前行车数据;
将所述当前行车数据输入经过训练的预估模型,从所述预估模型得到关于所述当前行车数据的预估续航里程;
显示所述预估续航里程。
9.根据权利要求8所述的电子设备,其特征在于,所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程。
10.根据权利要求9所述的电子设备,其特征在于,所述行车数据还包括至少一种状态数据;
所述当前行车数据包括电动车辆的当前剩余电量、以及当前状态数据;
所述历史行车数据包括历史剩余电量、以及对应的历史状态数据;
所述获取电动车辆的历史行车数据、以及与所述历史行车数据对应的历史续航里程,具体包括:
获取电动车辆的历史行车数据,对于任一历史剩余电量,获取在该历史剩余电量之后到电池电量达到预设电量值之前,电动车辆实际行驶的里程作为与该历史剩余电量对应的历史续航里程,获取在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的综合值作为与该历史剩余电量对应的历史状态数据。
11.根据权利要求10所述的电子设备,其特征在于,所述状态数据的综合值为:在该历史剩余电量之后到电池电量达到预设电量值之前,同一状态数据的平均值或加权值。
12.根据权利要求10所述的电子设备,其特征在于,所述状态数据包括:车速数据、车身质量数据、电池温度数据、环境数据、道路数据、驾驶习惯数据、电池寿命数据、电池老化程度数据、和/或电池放电率数据。
13.根据权利要求12所述的电子设备,其特征在于,所述道路数据包括路况指数、和/或拥堵指数。
14.根据权利要求13所述的电子设备,其特征在于,所述驾驶习惯数据包括:根据急刹车次数、急启动次数、急转弯次数、和/或平均速度生成的驾驶习惯指数。
15.一种存储介质,其特征在于,所述存储介质存储计算机指令,当计算机执行所述计算机指令时,用于执行如权利要求1~7任一项所述的电动车辆续航里程测量方法的所有步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303261.3A CN111806239B (zh) | 2019-04-16 | 2019-04-16 | 电动车辆续航里程测量方法、电子设备及存储介质 |
PCT/CN2019/129471 WO2020211456A1 (zh) | 2019-04-16 | 2019-12-27 | 电动车辆续航里程测量方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910303261.3A CN111806239B (zh) | 2019-04-16 | 2019-04-16 | 电动车辆续航里程测量方法、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111806239A CN111806239A (zh) | 2020-10-23 |
CN111806239B true CN111806239B (zh) | 2022-04-05 |
Family
ID=72836908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910303261.3A Active CN111806239B (zh) | 2019-04-16 | 2019-04-16 | 电动车辆续航里程测量方法、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111806239B (zh) |
WO (1) | WO2020211456A1 (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112383107B (zh) * | 2020-11-13 | 2023-01-31 | 苏州索尔智行新能源科技有限公司 | 换电站信息显示方法、装置、计算机设备和存储介质 |
CN112549970A (zh) * | 2020-12-09 | 2021-03-26 | 广州橙行智动汽车科技有限公司 | 车辆续航里程预测方法、装置、车辆及存储介质 |
CN112613128A (zh) * | 2020-12-29 | 2021-04-06 | 联合汽车电子有限公司 | 续航里程的预测方法、装置、设备、车辆和存储介质 |
CN112668515A (zh) * | 2020-12-31 | 2021-04-16 | 车主邦(北京)科技有限公司 | 车辆基本信息获取方法和装置 |
CN112881917B (zh) * | 2021-01-21 | 2022-11-22 | 四川野马汽车股份有限公司 | 一种基于大数据平台的动力电池寿命预测方法及系统 |
CN112818036B (zh) * | 2021-01-29 | 2022-12-30 | 清华大学 | 基于云端大数据的电动车剩余里程预估方法和装置 |
CN114670709B (zh) * | 2021-03-23 | 2024-02-20 | 北京新能源汽车股份有限公司 | 一种行车加热的控制方法、装置、系统及车辆 |
CN113002311B (zh) * | 2021-03-30 | 2022-06-28 | 安徽江淮汽车集团股份有限公司 | 剩余续航里程的计算方法、装置、设备以及存储介质 |
CN113071497B (zh) * | 2021-04-28 | 2022-05-24 | 中国第一汽车股份有限公司 | 一种驾驶场景判断方法、装置、设备及存储介质 |
CN113085655B (zh) * | 2021-05-11 | 2022-08-26 | 国网黑龙江省电力有限公司电力科学研究院 | 一种车载电动汽车综合服务系统 |
CN113459896B (zh) * | 2021-06-28 | 2022-11-08 | 岚图汽车科技有限公司 | 一种电动汽车续航里程确定方法及装置 |
CN113525171B (zh) * | 2021-06-28 | 2024-04-12 | 浙江吉利控股集团有限公司 | 一种电动汽车电池充放电控制方法及装置 |
CN113484765B (zh) * | 2021-08-03 | 2024-04-09 | 广州极飞科技股份有限公司 | 无人机的续航时间确定方法、装置、处理设备及介质 |
CN114013284B (zh) * | 2021-11-02 | 2023-09-22 | 上汽大众汽车有限公司 | 一种车辆续航里程的计算方法和系统 |
CN114655074B (zh) * | 2021-11-16 | 2024-01-30 | 吉林大学 | 一种基于贝叶斯回归的电动汽车实际行驶能耗估计方法 |
CN114347852A (zh) * | 2021-12-31 | 2022-04-15 | 中国第一汽车股份有限公司 | 车辆续航时间的显示方法、装置、电子设备及存储介质 |
CN114274780A (zh) * | 2022-01-10 | 2022-04-05 | 中国第一汽车股份有限公司 | 车辆续航里程预测方法、装置、设备和存储介质 |
CN114537219B (zh) * | 2022-02-16 | 2023-11-14 | 北京海博思创科技股份有限公司 | 充电截止荷电状态确定方法、装置、设备及介质 |
CN115100756A (zh) * | 2022-06-28 | 2022-09-23 | 浙江吉利控股集团有限公司 | 续驶里程确定方法、车辆及计算机可读存储介质 |
CN115583153A (zh) * | 2022-11-17 | 2023-01-10 | 达芬骑动力科技(北京)有限公司 | 一种续航里程计算方法、装置及计算机设备 |
CN115828578A (zh) * | 2022-11-29 | 2023-03-21 | 成都赛力斯科技有限公司 | 一种续航里程的预测方法、装置、电子设备及存储介质 |
CN116416795B (zh) * | 2023-04-06 | 2023-11-10 | 广东云钜网络科技有限公司 | 基于交通大数据的僵尸车监察方法及系统 |
CN116894525B (zh) * | 2023-09-04 | 2023-12-08 | 北京玖行智研交通科技有限公司 | 一种电动重型卡车续航里程预测方法及装置 |
CN116945907B (zh) * | 2023-09-19 | 2024-01-26 | 江西五十铃汽车有限公司 | 一种新能源电动汽车里程计算方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104986043A (zh) * | 2015-07-30 | 2015-10-21 | 深圳东风汽车有限公司 | 一种电动汽车续航里程预测方法 |
CN105235543A (zh) * | 2015-10-27 | 2016-01-13 | 北京新能源汽车股份有限公司 | 用于电动汽车剩余行驶里程的处理方法、装置及系统 |
CN109606119A (zh) * | 2019-01-15 | 2019-04-12 | 深圳四海万联科技有限公司 | 一种电动汽车的续航里程校准方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2628628B1 (en) * | 2010-10-14 | 2020-03-11 | Toyota Jidosha Kabushiki Kaisha | Display system for electrically powered vehicle and electrically powered vehicle having the same |
JPWO2013084931A1 (ja) * | 2011-12-08 | 2015-04-27 | 株式会社日立製作所 | 到達可能範囲算出装置、方法、およびプログラム |
GB2505663B (en) * | 2012-09-06 | 2015-04-08 | Jaguar Land Rover Ltd | Residual range indicator |
CN105365592B (zh) * | 2015-10-30 | 2018-01-09 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
JP6551332B2 (ja) * | 2016-07-26 | 2019-07-31 | トヨタ自動車株式会社 | 車両の走行可能距離算出システムおよび走行可能距離算出方法 |
CN107844613A (zh) * | 2016-09-18 | 2018-03-27 | 大陆汽车投资(上海)有限公司 | 基于数据分析的电动车续航管理方法 |
CN106515478B (zh) * | 2016-10-27 | 2017-10-20 | 合肥工业大学 | 电动汽车剩余行驶里程在线预测方法及装置 |
CN106908075B (zh) * | 2017-03-21 | 2020-05-08 | 福州大学 | 大数据采集与处理系统及基于其电动汽车续航估计方法 |
CN109606197B (zh) * | 2018-10-19 | 2022-10-14 | 蔚来(安徽)控股有限公司 | 用于预测电动汽车剩余行驶里程的方法、装置和存储介质 |
-
2019
- 2019-04-16 CN CN201910303261.3A patent/CN111806239B/zh active Active
- 2019-12-27 WO PCT/CN2019/129471 patent/WO2020211456A1/zh active Application Filing
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104986043A (zh) * | 2015-07-30 | 2015-10-21 | 深圳东风汽车有限公司 | 一种电动汽车续航里程预测方法 |
CN105235543A (zh) * | 2015-10-27 | 2016-01-13 | 北京新能源汽车股份有限公司 | 用于电动汽车剩余行驶里程的处理方法、装置及系统 |
CN109606119A (zh) * | 2019-01-15 | 2019-04-12 | 深圳四海万联科技有限公司 | 一种电动汽车的续航里程校准方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111806239A (zh) | 2020-10-23 |
WO2020211456A1 (zh) | 2020-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111806239B (zh) | 电动车辆续航里程测量方法、电子设备及存储介质 | |
US11954651B2 (en) | Sensor-based digital twin system for vehicular analysis | |
CN109733248B (zh) | 基于路径信息的纯电动汽车剩余里程模型预测方法 | |
CN106908075B (zh) | 大数据采集与处理系统及基于其电动汽车续航估计方法 | |
CN105383495B (zh) | 使用物理模型的基于路线的能耗估计 | |
US6998972B2 (en) | Driving workload estimation | |
Yavasoglu et al. | Implementation of machine learning based real time range estimation method without destination knowledge for BEVs | |
CN110154831B (zh) | 一种纯电动汽车单位时间耗电量、车辆续航里程和行驶旅程所需电量的计算系统和方法 | |
US20180370537A1 (en) | System providing remaining driving information of vehicle based on user behavior and method thereof | |
WO2017190595A1 (zh) | 一种交通工具数据处理方法、装置和终端设备 | |
CN111038334A (zh) | 一种电动汽车续驶里程预测方法及装置 | |
CN111806240B (zh) | 一种基于中国工况的电动汽车续驶里程预测方法 | |
CN111497679A (zh) | 一种纯电动汽车能耗监测优化方法及系统 | |
CN112224089A (zh) | 基于能耗的行程规划方法、装置、电子设备及存储介质 | |
WO2021218313A1 (zh) | 车辆的剩余里程确定方法、装置及车辆 | |
US10388083B2 (en) | Method and system for assessing the trip performance of a driver | |
US9539904B2 (en) | Energy consumption rate in distance domain | |
US20180354524A1 (en) | Method and system for assessing the trip performance of a driver | |
CN112937591B (zh) | 驾驶安全监测方法、装置、设备及计算机可读存储介质 | |
CN111497624A (zh) | 一种车辆剩余里程确定方法、装置及车辆 | |
CN112406630A (zh) | 一种基于工况识别的电动车续驶里程计算方法 | |
CN111815096A (zh) | 共享汽车投放方法、电子设备及存储介质 | |
CN107478289B (zh) | 获取平均油耗的方法和装置 | |
US10384686B2 (en) | Method and system for assessing the trip performance of a driver | |
JP2023063233A (ja) | 作業条件識別に基づく一車用エアコンのエネルギー消費量の予測方法および予測装置 |
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 |