CN112248882A - 一种纯电动汽车续驶里程预测方法 - Google Patents

一种纯电动汽车续驶里程预测方法 Download PDF

Info

Publication number
CN112248882A
CN112248882A CN202011123286.4A CN202011123286A CN112248882A CN 112248882 A CN112248882 A CN 112248882A CN 202011123286 A CN202011123286 A CN 202011123286A CN 112248882 A CN112248882 A CN 112248882A
Authority
CN
China
Prior art keywords
membership
fuzzy
driving range
degree
language
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.)
Granted
Application number
CN202011123286.4A
Other languages
English (en)
Other versions
CN112248882B (zh
Inventor
刘荣昌
熊吉
许玉曼
郑盈
廖云霞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongfeng Motor Corp
Original Assignee
Dongfeng Motor Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongfeng Motor Corp filed Critical Dongfeng Motor Corp
Priority to CN202011123286.4A priority Critical patent/CN112248882B/zh
Publication of CN112248882A publication Critical patent/CN112248882A/zh
Application granted granted Critical
Publication of CN112248882B publication Critical patent/CN112248882B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • 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

本发明公开了一种纯电动汽车续驶里程预测方法，获取车辆驾驶参数信息，以车辆驾驶参数信息作为输入变量，以续航里程衰减系数作为输出变量，建立输入变量、输出变量隶属度函数，根据隶属度函数计算输入变量的隶属度，根据输入变量的隶属度及模糊推理规则计算输出变量的隶属度，基于所述输出变量的隶属度确定输出变量，根据输出变量计算续驶里程。本发明计算的续驶里程更准确，具有可参考性，大大减少了驾驶员因错误估计续驶里程导致车辆剩余电量低造成车辆跛行或抛锚的风险，有利于驾驶员合理安排行程，提高了驾驶员驾驶体验性。

Description

一种纯电动汽车续驶里程预测方法
技术领域
本发明属于汽车技术领域，具体涉及一种纯电动汽车续驶里程预测方法。
背景技术
电动汽车的续驶里程与多种因素相关，比如环境温度、驾驶习惯、平均速度、剩余电量、能量回收模式等，汽车厂家提供的续驶里程是在NEDC工况(New European DrivingCycle，新欧洲标准行驶循环)下测得的，汽车在满电状态下显示的续驶里程值即为该值。
以往技术多根据在车辆行驶过程中历史平均能量消耗率，并通过剩余电量计算当前续驶里程，无法根据环境温度、驾驶习惯、平均速度、剩余电量、能量回收模式等信息进行实时估算，里程表上显示的续驶里程值与实际续驶里程值差异大，驾驶员因错误估计续驶里程导致车辆剩余电量低，造成车辆跛行或抛锚，不利于驾驶员合理安排行程。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种纯电动汽车续驶里程预测方法。
本发明采用的技术方案是：一种纯电动汽车续驶里程预测方法，获取车辆驾驶参数信息，以车辆驾驶参数信息作为输入变量，以续航里程衰减系数作为输出变量，建立输入变量、输出变量隶属度函数，根据隶属度函数计算输入变量的隶属度，根据输入变量的隶属度及模糊推理规则计算输出变量的隶属度，基于所述输出变量的隶属度确定输出变量，根据输出变量计算续驶里程。
进一步地，所述输入变量包括环境温度、驾驶风格识别系数、剩余路线平均车速和剩余电量。
进一步地，通过以下公式确定驾驶风格识别系数
Figure BDA0002732751440000021
其中，Rdriver为驾驶风格识别系数，
Figure BDA0002732751440000022
为平均冲击度，
Figure BDA0002732751440000023
为平均冲击度的最大值，
Figure BDA0002732751440000024
为平均冲击度的最小值。
进一步地，将输入变量和输出变量对应的数值变换为语言模糊变量，将输出变量及每一个输入变量采用语言模糊集进行描述，所述语言模糊集包括多个语言模糊子集，根据所述语言模糊子集建立模糊推理规则。
进一步地，所述模糊推理规则为：对不同输入变量的不同语言模糊子集进行排列组合确定模糊规则的数量，每一条模糊规中均包含一个输入变量的一个语言模糊子集，每一条模糊规则对应输出变量的一个语言模糊子集，所有模糊规则与输出变量的语言模糊子集的组合即为模糊推理规则。
进一步地，所述输出变量的隶属度包括输出变量的每一个语言模糊子集的隶属度，根据模糊规则及不同输入变量的不同语言模糊子集的隶属度计算输出变量的每一个语言模糊子集的隶属度。
进一步地，通过以下公式确定输出变量中每一个语言模糊子集的隶属度
Figure BDA0002732751440000025
其中，其中
Figure BDA0002732751440000026
表示在j条规则下模糊子集Ai的隶属度，
Figure BDA0002732751440000027
表示在j条规则下模糊子集Bi的隶属度，
Figure BDA0002732751440000028
表示在j条规则下模糊子集Ci的隶属度，
Figure BDA0002732751440000029
表示在j条规则下模糊子集Di的隶属度，
Figure BDA00027327514400000210
表示在j条规则下模糊子集Ei的隶属度，“∧”为合取运算，指多个隶属度中取最小值，“∨”为析取运算，指多个隶属度中取最大值；μE'(z)表示待推理的模糊子Ei的隶属度,μA'(x1)表示已经给出的模糊子集Ai的隶属度，μB'(x2)表示已经给出的模糊子集Bi的隶属度，μC'(x3)表示已经给出的模糊子集Ci的隶属度，μD'(x4)表示已经给出的模糊子集Di的隶属度，j表示第j条模糊规则，j＝1,2,3…315。
进一步地，通过以下公式确定输出变量
Figure BDA0002732751440000031
其中z为续驶里程衰减系数的隶属度，
Figure BDA0002732751440000032
表示在j条规则下模糊子集Ei的隶属度,
Figure BDA0002732751440000033
为续驶里程衰减系数。
更进一步地，通过以下公式计算续驶里程
Figure BDA0002732751440000034
其中，Ro为续驶里程，R为满电状态基准续驶里程，SOC为剩余电量，
Figure BDA0002732751440000035
为续驶里程衰减系数。
本发明以环境温度、驾驶习惯、剩余路线平均速度、剩余电量作为输入变量，以续驶里程衰减系数作为输出结果，建立输入、输出变量隶属度函数，根据模糊推理规则及隶属度函数实时计算出续驶里程，并显示在里程表上，通过该方式计算的续驶里程更准确，具有可参考性，大大减少了驾驶员因错误估计续驶里程导致车辆剩余电量低造成车辆跛行或抛锚的风险，有利于驾驶员合理安排行程，提高了驾驶员驾驶体验性。
附图说明
图1为本发明续航里程的预测原理图。
图2为本发明环境温度的隶属度示意图。
图3为本发明驾驶风格的隶属度示意图。
图4为本发明剩余电量的隶属度示意图。
图5为本发明剩余路线平均速度的隶属度示意图。
图6为本发明续驶里程衰减系数的隶属度示意图。
图7为本发明续驶里程衰减系数预测计算过程示意图。
图8为本发明续驶里程衰减系数的预测结果示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。在此需要说明的是，对于这些实施方式的说明用于帮助理解本发明，但并不构成对本发明的限定。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以互相结合。
续驶里程衰减系数主要影响因素:环境温度、驾驶风格、剩余电量、平均车速、能量、能量回收模式等。这些因素中可分类为可测量的物理值与不可测量的语言值，物理值可通过清晰数字表示，如环境温度、剩余电量等，而不可测量的语言值，只能通过语言表达,如驾驶风格。由于思维逻辑的差异性，对事物的认知也存在差异，所以对某一事物的归类也不尽相同。因此，本发明提出一种基于模糊推理的纯电动汽车续驶里程估算方法，可用于预测续驶里程，既考虑了可测量的物理值又融入了不可测量的语言值，符合日常思维逻辑，如图1所示，过程为：
获取车辆驾驶参数信息，以车辆驾驶参数信息作为输入变量，以续航里程衰减系数作为输出变量，建立输入变量、输出变量隶属度函数，根据隶属度函数计算输入变量的隶属度，根据输入变量的隶属度及模糊推理规则计算输出变量的隶属度，基于所述输出变量的隶属度确定输出变量，根据输出变量计算续驶里程。
上述方案中，输入变量包括环境温度、驾驶风格识别系数、剩余路线平均车速和剩余电量，则模糊输入论域为X＝{x1,x2,x3,x4}。
其中，x1为环境温度，通过环境温度传感器获取，选取最低温度为-30℃，最高温度为40℃，x1的论域为[-30,40]，隶属度函数如图2所示。
x2为驾驶风格系数，x2的论域为[0,1]，隶属度函数如图3所示。
其计算方法如下；
驾驶风格识别系数Rdriver与冲击度J(t)有关，冲击度J(t)通过以下公式确定
Figure BDA0002732751440000051
式中v(t)代表t时刻汽车的行驶速度。
在某参考道路上，通过大数据收集多位驾驶员速度-时间数据，计算每个驾驶员的平均冲击度，获取平均冲击度的最大值
Figure BDA0002732751440000052
和最小值
Figure BDA0002732751440000053
对每个驾驶员的平均冲击度进行归一下处理，则驾驶员风格识别系数Rdriver通过以下公式(2)确定
Figure BDA0002732751440000054
x3为剩余电量，通过CAN信号获取，满电状态为100％SOC，市场大部分纯电动汽车充电前剩余电量一般大于20％SOC，则x3的论域为[0.2,1]，隶属度函数如图4所示。
x4为剩余路线平均车速，通过大数据收集剩余路段的平均车速，x4的论域为[20,100]，隶属度函数如图5所示。
以续航里程衰减系数作为输出变量，则模糊输出论域为U＝{u}；式中：u为轮胎/路面附着系数，则输出变量模糊子集取值范围[0.3,1]。
输入变量、输出变量均必须采用自然语言的形式给出，即为语言变量，所以首先需将输入变量和输出变量对应的数值变量变换为语言模糊变量，语言模糊变量的隶属函数分布选择三角型分布形式。同时将输出变量及每一个输入变量采用语言模糊集进行描述，所述语言模糊集包括多个语言模糊子集，根据所述语言模糊子集建立模糊推理规则：对不同输入变量的不同语言模糊子集进行排列组合确定模糊规则的数量，每一条模糊规中均包含一个输入变量的一个语言模糊子集，每一条模糊规则对应输出变量的一个语言模糊子集，所有模糊规则与输出变量的语言模糊子集的组合即为模糊推理规则。输出变量的隶属度包括输出变量的每一个语言模糊子集的隶属度，根据模糊规则及不同输入变量的不同语言模糊子集的隶属度计算输出变量的每一个语言模糊子集的隶属度。
对于环境温度采用8个语言模糊集进行描述：极冷(A1)、很冷(A2)、相当冷(A3)、冷(A4)、常温(A5)、热(A6)、相当热(A7)、很热(A8)。环境温度各语言模糊子集的隶属函数曲线如图1所示。
对于驾驶风格采用3个语言模糊集进行描述：保守(B1)、普通(B2)、激进(B3)、。驾驶风格各语言模糊子集的隶属函数曲线如图2所示。
对于剩余电量采用3个语言模糊集进行描述：低(C1)、中(C2)、高(C3)。剩余电量各语言模糊子集的隶属函数曲线如图3所示。
对于平均速度采用5个语言模糊集进行描述：较低(D1)、低(D2)、中(D3)、高(D4)、相当高(D5)。平均速度各语言模糊子集的隶属函数曲线如图4所示。
对于续驶里程衰减系数采用8个语言模糊集进行描述：极低(E1)、很低(E2)、相当低(E3)、低(E4)、一般(E5)、高(E6)、相当高(E7)、很高(E8)。平均速度各语言模糊子集的隶属函数曲线如图5所示。
以X作为输入变量，以U作为输出结果，建立模糊推理模型，模型示意图如图1所示.模型计算过程：①建立输入、输出变量隶属函数；②建立模糊推理规则；③根据隶属函数计算输入变量的隶属度，通过模糊规则计算输出变量的隶属度；④采用加权平均法，计算输出变量值。
模糊控制规则的制定是模糊推理的关键。通过专家经验和试验结果建立模糊推理规则。由图1—5中输入变量子集的数量，再根据排列组合原理，共有8×3×3×5＝360条规则，针对输入变量和输出变量，建立纯电动汽车能量消耗量衰减系数模糊推理规则。
If x1∈A2 and x2∈B1 and x3∈C2 and x4∈D2，Then u∈E1；
If x1∈A2 and x2∈B1 and x3∈C2 and x4∈D3，Then u∈E1；
If x1∈A2 and x2∈B1 and x3∈C3 and x4∈D2，Then u∈E2；
If x1∈A2 and x2∈B1 and x3∈C4 and x4∈D2，Then u∈E2；
……
If x1∈A3 and x2∈B2and x3∈C2 and x4∈D2，Then u∈E2
If x1∈A3 and x2∈B2 and x3∈C2 and x4∈D3，Then u∈E2；
If x1∈A3 and x2∈B2 and x3∈C3 and x4∈D2，Then u∈E3；
If x1∈A3 and x2∈B2 and x3∈C4 and x4∈D3，Then u∈E3；
……
对于每条控制规则都蕴含一个模糊关系，应用Mamdani算法计算出第j条控制规则对应的隶属度函数如公式(3)：
Figure BDA0002732751440000071
其中
Figure BDA0002732751440000072
表示在j条规则下模糊子集Ai的隶属度，
Figure BDA0002732751440000073
表示在j条规则下模糊子集Bi的隶属度，
Figure BDA0002732751440000074
表示在j条规则下模糊子集Ci的隶属度，
Figure BDA0002732751440000075
表示在j条规则下模糊子集Di的隶属度，
Figure BDA0002732751440000076
表示在j条规则下模糊子集Ei的隶属度，“∧”为合取运算，指多个隶属度中取最小值，“∨”为析取运算，指多个隶属度中取最大值；μE'(z)表示待推理的模糊子Ei的隶属度,μA'(x1)表示已经给出的模糊子集Ai的隶属度，μB'(x2)表示已经给出的模糊子集Bi的隶属度，μC'(x3)表示已经给出的模糊子集Ci的隶属度，μD'(x4)表示已经给出的模糊子集Di的隶属度，j表示第j条模糊规则，j＝1,2,3…315。
获取各模糊推理规则下的隶属度关系后采用加权平均法去模糊，如公式(4)
Figure BDA0002732751440000077
其中z为续驶里程衰减系数的隶属度，
Figure BDA0002732751440000078
表示在j条规则下模糊子集Ei的隶属度,
Figure BDA0002732751440000079
为续驶里程衰减系数。
以下以具体数据说明本发明计算续驶里程的过程：
在国内多个地区进行试验温度覆盖-30℃-40℃，道路覆盖高速、城郊、城市、山区，电量覆盖100％-20％，驾驶风格包括激进、保守、普通分别进行试验，数据10组，通过试验对比，试验数据与理论值对比如下，经对比，误差在10％以内。
表2试验结果与预测结果对比
Figure BDA0002732751440000081
当环境温度为-18℃；加速冲击度为0.3；SOC为90％；平均速度为V＝45km/h，
环境温度处于很冷(T2)、相当冷(T3)两个模糊子集，驾驶风格属于保守(D1)、普通(D2)两个模糊子集，SOC属于低(V1)、中(V2)两个模糊子集，平均速度属于低(S2)、中(S3)两个模糊子集；根据排列组合原理，有2×2×2×2＝16条规则，模糊推理规则如表3所示：
表3某参数条件下模糊规则
Figure BDA0002732751440000082
Figure BDA0002732751440000091
每条规则下续驶里程衰减系数隶属度采用公式(3)计算，结果如表4，计算过程如图7所示
表4某参数条件下续驶里程衰减率隶属度计算过程
Figure BDA0002732751440000092
每个模糊子集下隶属度分别为
Figure BDA0002732751440000093
Figure BDA0002732751440000094
如图8所示。
获取各模糊推理规则下的隶属度关系后采用公式(4)计算，
Figure BDA0002732751440000095
则显示续驶里程
Figure BDA0002732751440000096
其中Ro为显示续驶里程，R为满电状态基准续驶里程，
Figure BDA0002732751440000101
为衰减系数，因此本例下续驶里程显示值为0.382×R
其他参数条件下使用不同的模糊规则，参照上述计算方法执行即可得出相应的续驶里程。
以上仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本领域的技术人员在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (10)

1.一种纯电动汽车续驶里程预测方法，其特征在于：获取车辆驾驶参数信息，以车辆驾驶参数信息作为输入变量，以续航里程衰减系数作为输出变量，建立输入变量、输出变量隶属度函数，根据隶属度函数计算输入变量的隶属度，根据输入变量的隶属度及模糊推理规则计算输出变量的隶属度，基于所述输出变量的隶属度确定输出变量，根据输出变量计算续驶里程。
2.根据权利要求1所述的纯电动汽车续驶里程预测方法，其特征在于：所述输入变量包括环境温度、驾驶风格识别系数、剩余路线平均车速和剩余电量。
3.根据权利要求2所述的纯电动汽车续驶里程预测方法，其特征在于：通过以下公式确定驾驶风格识别系数
Figure FDA0002732751430000011
其中，Rdriver为驾驶风格识别系数，
Figure FDA0002732751430000012
为平均冲击度，
Figure FDA0002732751430000013
为平均冲击度的最大值，
Figure FDA0002732751430000014
为平均冲击度的最小值。
4.根据权利要求3所述的纯电动汽车续驶里程预测方法，其特征在于：所述冲击度通过以下公式确定
Figure FDA0002732751430000015
其中，J(t)为t时刻的冲击度，v(t)为t时刻汽车的行驶速度。
5.根据权利要求1所述的纯电动汽车续驶里程预测方法，其特征在于：将输入变量和输出变量对应的数值变换为语言模糊变量，将输出变量及每一个输入变量采用语言模糊集进行描述，所述语言模糊集包括多个语言模糊子集，根据所述语言模糊子集建立模糊推理规则。
6.根据权利要求5所述的纯电动汽车续驶里程预测方法，其特征在于：所述模糊推理规则为：对不同输入变量的不同语言模糊子集进行排列组合确定模糊规则的数量，每一条模糊规中均包含一个输入变量的一个语言模糊子集，每一条模糊规则对应输出变量的一个语言模糊子集，所有模糊规则与输出变量的语言模糊子集的组合即为模糊推理规则。
7.根据权利要求1所述的纯电动汽车续驶里程预测方法，其特征在于：所述输出变量的隶属度包括输出变量的每一个语言模糊子集的隶属度，根据模糊规则及不同输入变量的不同语言模糊子集的隶属度计算输出变量的每一个语言模糊子集的隶属度。
8.根据权利要求7所述的纯电动汽车续驶里程预测方法，其特征在于：通过以下公式确定输出变量中每一个语言模糊子集的隶属度
Figure FDA0002732751430000021
其中，其中
Figure FDA0002732751430000022
表示在j条规则下模糊子集Ai的隶属度，
Figure FDA0002732751430000023
表示在j条规则下模糊子集Bi的隶属度，
Figure FDA0002732751430000024
表示在j条规则下模糊子集Ci的隶属度，
Figure FDA0002732751430000025
表示在j条规则下模糊子集Di的隶属度，
Figure FDA0002732751430000026
表示在j条规则下模糊子集Ei的隶属度，“∧”为合取运算，指多个隶属度中取最小值，“∨”为析取运算，指多个隶属度中取最大值；μE'(z)表示待推理的模糊子集Ei的隶属度，μA'(x1)表示已经给出的模糊子集Ai的隶属度，μB'(x2)表示已经给出的模糊子集Bi的隶属度，μC'(x3)表示已经给出的模糊子集Ci的隶属度，μD'(x4)表示已经给出的模糊子集Di的隶属度，j表示第j条模糊规则。
9.根据权利要求1所述的纯电动汽车续驶里程预测方法，其特征在于：通过以下公式确定输出变量
Figure FDA0002732751430000027
其中z为续驶里程衰减系数的隶属度，
Figure FDA0002732751430000028
表示在j条规则下模糊子集Ei的隶属度,
Figure FDA0002732751430000029
为续驶里程衰减系数。
10.根据权利要求1所述的纯电动汽车续驶里程预测方法，其特征在于：通过以下公式计算续驶里程
Figure FDA00027327514300000210
其中，Ro为续驶里程，R为满电状态基准续驶里程，SOC为剩余电量，
Figure FDA0002732751430000031
为续驶里程衰减系数。
CN202011123286.4A 2020-10-20 2020-10-20 一种纯电动汽车续驶里程预测方法 Active CN112248882B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011123286.4A CN112248882B (zh) 2020-10-20 2020-10-20 一种纯电动汽车续驶里程预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011123286.4A CN112248882B (zh) 2020-10-20 2020-10-20 一种纯电动汽车续驶里程预测方法

Publications (2)

Publication Number Publication Date
CN112248882A true CN112248882A (zh) 2021-01-22
CN112248882B CN112248882B (zh) 2022-08-26

Family

ID=74243753

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011123286.4A Active CN112248882B (zh) 2020-10-20 2020-10-20 一种纯电动汽车续驶里程预测方法

Country Status (1)

Country Link
CN (1) CN112248882B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105430085A (zh) * 2015-11-30 2016-03-23 华南理工大学 一种使用节气门开度评估驾驶行为经济性的系统及方法
CN105946860A (zh) * 2016-05-20 2016-09-21 武汉理工大学 一种考虑驾驶风格的弯道车速预测方法
KR20170058161A (ko) * 2015-11-18 2017-05-26 지투지솔루션(주) 안전운전 분석 시스템을 이용한 소셜 플랫폼 제공 방법
CN108595823A (zh) * 2018-04-20 2018-09-28 大连理工大学 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
CN108819722A (zh) * 2018-06-01 2018-11-16 汉腾汽车有限公司 一种电动汽车续航里程预估方法
CN110370933A (zh) * 2019-07-10 2019-10-25 一汽解放汽车有限公司 一种基于驾驶风格识别的续航里程估算系统
CN111547064A (zh) * 2020-05-26 2020-08-18 吉林大学 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法
CN111645566A (zh) * 2020-01-08 2020-09-11 摩登汽车有限公司 电动车的续航里程计算方法、装置、整车控制器及电动车

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170058161A (ko) * 2015-11-18 2017-05-26 지투지솔루션(주) 안전운전 분석 시스템을 이용한 소셜 플랫폼 제공 방법
CN105430085A (zh) * 2015-11-30 2016-03-23 华南理工大学 一种使用节气门开度评估驾驶行为经济性的系统及方法
CN105946860A (zh) * 2016-05-20 2016-09-21 武汉理工大学 一种考虑驾驶风格的弯道车速预测方法
CN108595823A (zh) * 2018-04-20 2018-09-28 大连理工大学 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
CN108819722A (zh) * 2018-06-01 2018-11-16 汉腾汽车有限公司 一种电动汽车续航里程预估方法
CN110370933A (zh) * 2019-07-10 2019-10-25 一汽解放汽车有限公司 一种基于驾驶风格识别的续航里程估算系统
CN111645566A (zh) * 2020-01-08 2020-09-11 摩登汽车有限公司 电动车的续航里程计算方法、装置、整车控制器及电动车
CN111547064A (zh) * 2020-05-26 2020-08-18 吉林大学 一种用于汽车自适应巡航系统的驾驶风格识别和分类方法

Also Published As

Publication number Publication date
CN112248882B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN109733248B (zh) 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110126841B (zh) 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
Zhao et al. Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an
CN103914985B (zh) 一种混合动力客车未来车速轨迹预测方法
CN111497679B (zh) 一种纯电动汽车能耗监测优化方法及系统
CN103364006B (zh) 用于确定车辆路径的系统和方法
CN111806240B (zh) 一种基于中国工况的电动汽车续驶里程预测方法
CN110341546B (zh) 一种纯电动车续航里程估算方法
CN111038334A (zh) 一种电动汽车续驶里程预测方法及装置
CN103745110B (zh) 纯电动公交车营运续驶里程估算方法
CN106483470A (zh) 一种基于未来运行工况预测的电池剩余放电能量预测方法
CN112327168A (zh) 一种基于XGBoost的电动汽车电池消耗预测方法
CN110395245B (zh) 一种基于固定路线驾驶信息的混动汽车能量管理系统
CN112950128A (zh) 一种基于大数据融合的智能物流运输系统及方法
CN113222385B (zh) 一种电动汽车行驶工况构建与评价方法
CN107323308B (zh) 一种具有预测能力的燃料电池汽车牵引扭矩计算方法
CN112026744B (zh) 一种基于dqn变体的混联式混合动力系统能量管理方法
CN112677982A (zh) 基于驾驶员特性的车辆纵向速度规划方法
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
CN116572799B (zh) 基于深度学习的动力电池荷电续航预测方法、系统及终端
Kim et al. A machine learning method for ev range prediction with updates on route information and traffic conditions
Chen et al. On the relationship between energy consumption and driving behavior of electric vehicles based on statistical features
CN112248882B (zh) 一种纯电动汽车续驶里程预测方法
CN111806443A (zh) 一种纯电动重卡无人驾驶能耗优化方法
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法

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