CN112703518B - 剩余里程预测的方法和电池远程服务的系统 - Google Patents

剩余里程预测的方法和电池远程服务的系统 Download PDF

Info

Publication number
CN112703518B
CN112703518B CN202080005084.1A CN202080005084A CN112703518B CN 112703518 B CN112703518 B CN 112703518B CN 202080005084 A CN202080005084 A CN 202080005084A CN 112703518 B CN112703518 B CN 112703518B
Authority
CN
China
Prior art keywords
vehicle
soc
average
current
module
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
Application number
CN202080005084.1A
Other languages
English (en)
Other versions
CN112703518A (zh
Inventor
程康
王甲佳
朱泽敏
仲斐
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Publication of CN112703518A publication Critical patent/CN112703518A/zh
Application granted granted Critical
Publication of CN112703518B publication Critical patent/CN112703518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Abstract

本申请提供了一种剩余里程预测的方法，采用了常见的车辆行驶特征数据，构建了单位SOC可行驶距离预测模型，并基于用户特征聚类的方法，通过平均行驶特征来预测指定消耗SOC可行驶距离，从而可以有效的提升电动车剩余里程预测的准确度，大大提高了电动汽车的运行性能和运行可靠性。

Description

剩余里程预测的方法和电池远程服务的系统
技术领域
本申请涉及电动汽车领域，并且具体地，涉及一种剩余里程预测的方法和电池远程服务的系统。
背景技术
里程焦虑是指车主或驾车人认为车辆没有足够的续航以抵达其目的地，对其在路途中抛锚的担心。里程焦虑主要发生在纯电动汽车上，这也被认为大规模推行电动汽车的一大障碍。特别是在现阶段电池技术没有突破性进展以及充电桩不够普及的情况下，里程焦虑问题极大的影响到用户体验，也影响了电动汽车及其他电动行驶工具的销售。
电动车的使用工况复杂，车辆实时能耗变化大，这些都给准确预测车辆当前能量剩余状态下的可行使里程构成挑战。当前，预测车辆剩余里程的方式主要是基于能量消耗预测的方法，即估算车辆未来的可能能耗速率，从而基于当前的剩余能量来计算剩余里程。其中，有的方法是计算最近的单位里程平均能耗值(百公里能耗)，用当前的剩余能量除以平均能耗得到剩余里程数；有的方法是对能耗过程进行系统辨识，通过建立能耗的动态模型来预测未来能耗的变化从而计算剩余里程；有的方法是综合考虑行驶数据和环境交通数据对能耗进行建模从而计算剩余里程。上述基于能耗模型的方法都是目前应用的主流方法，无法精准的预测剩余里程。
发明内容
本申请提供一种剩余里程预测的方法和电池远程服务的系统，能够有效的提升电动汽车的剩余里程的预测准确度，大大提高了电动汽车的运行性能和运行可靠性。
第一方面，提供了一种剩余里程预测的方法，该方法包括：获取车辆的历史行驶状态数据；根据所述历史行驶状态数据提取所述车辆的多个行程的行程特征，所述行程特征包括所述行程的开始电荷状态SOC；根据所述多个行程的行程特征，使用机器学习算法构建预测模型，所述预测模型用于预测单位SOC的可行驶距离；获取所述车辆当前的SOC；从所述车辆的多个行程的行程特征中提取与所述车辆当前的SOC相同和/或接近的多段行程的行程特征；根据所述多段行程的行程特征计算所述多段行程的平均行程特征；将所述平均行程特征与所述多个行程的行程特征并进行聚类分析，得到包含所述平均行程特征的中心特征；将所述中心特征输入所述预测模型，得到所述车辆当前SOC下单位SOC的可行驶的里程数；根据所述车辆当前SOC下单位SOC的可行驶距离，确定所述车辆在指定的SOC下所能行驶的剩余里程数。
上述技术方案中，通过获取常见的车辆行驶特征数据，构建单位SOC可行驶距离预测模型，并基于用户特征聚类的方法，通过平均行驶特征来预测指定消耗SOC可行驶距离，从而可以有效的提升电动车剩余里程预测的准确度，大大提高了电动汽车的运行性能和运行可靠性。
结合第一方面，在第一方面的某些实现方式中，所述历史行驶状态数据包括：车速、累计里程、档位、油门行程、最大最低温度、总电压、总电流、SOC、电机电流、电机电压、电机转速、电机扭矩、电机温度。
结合第一方面，在第一方面的某些实现方式中，所述行程特征还包括以下参数中一个或多个：平均速度、最大速度、当前里程数、行驶里程数、平均档位、平均油门深度、电池最大最小温度差、电池平均温度、平均电压、开始电压、平均电流、开始电流、电流标准差、行程消耗SOC、平均电机电压、起始电机电压、平均电机电流、电机电流标准差、平均电机转速、电机转速标准差、平均扭矩、扭矩标准差。
结合第一方面，在第一方面的某些实现方式中，根据所述历史行驶状态数据提取所述车辆的多个行程的行程特征，包括：将所述历史行驶状态数据分成所述多个行程的历史行驶状态数据，对所述多个行程的历史行驶状态数据分别进行行程特征提取，得到所述多个行程的行程特征。
结合第一方面，在第一方面的某些实现方式中，所述行驶特征的提取方法包括：主成分分析PCA、线性判别分析LDA、人工定义特征提取。
结合第一方面，在第一方面的某些实现方式中，所述机器学习算法包括：随机森林、神经网络、长短期记忆网络LSTM、梯度提升决策树GDBT。
第二方面，提供了一种电池远程服务的系统，包括：模型构建模块，用于调用数据处理模块和数据存储模块获取车辆的历史行驶状态数据；所述模型构建模块，还用于调用数据分析模块根据所述历史行驶状态数据提取所述车辆的多个行程的行程特征，所述行程特征包括所述行程的开始电荷状态SOC；所述模型构建模块，还用于调用算法服务模块对所述多个行程的行程特征，使用机器学习算法建预测模型，所述预测模型用于预测单位SOC的可行驶距离；信息交互模块，用于接收手机端应用程序APP或所述车辆发送的预测服务请求；所述信息交互模块，还用于调用数据收集模块获取所述手机端应用程序APP或所述车辆上报的当前的SOC；所述信息交互模块，还用于从所述车辆的多个行程的行程特征中提取与所述车辆当前的SOC相同和/或接近的多段行程的行程特征；所述信息交互模块，还用于调用所述数据分析模块根据所述多段行程的行程特征计算所述多段行程的平均行程特征；所述信息交互模块，还用于调用所述算法服务模块对所述平均行程特征与所述多个行程的行程特征并进行聚类分析，得到包含所述平均行程特征的中心特征；所述信息交互模块，还用于调用所述模型构建模块，向所述预测模型输入所述中心特征，得到所述车辆当前SOC下单位SOC的可行驶距离；所述模型构建模块，还用于根据所述车辆当前的SOC和所述车辆当前SOC下单位SOC的可行驶距离确定所述车辆所能行驶的剩余里程数；所述信息交互模块，还用于将所述车辆所能行驶的剩余里程数发送给所述手机端应用程序APP或所述车辆。
上述远程服务的系统，通过获取常见的车辆行驶特征数据，构建单位SOC可行驶距离预测模型，并基于用户特征聚类的方法，通过平均行驶特征来预测指定消耗SOC可行驶距离，从而可以有效的提升电动车剩余里程预测的准确度，大大提高了电动汽车的运行性能和运行可靠性。
结合第二方面，在第二方面的某些实现方式中，所述信息交互模块还用于：将所述车辆所能行驶的剩余里程数发送至其他应用服务使用。
上述技术方案中，将信息共享给其他应用服务，可以为用户提供更好的用户体验。
附图说明
图1是本申请实施例提供的一种剩余里程预测的方法的流程图。
图2是本申请实施例提供的一种电池远程服务的系统架构图。
图3是本申请实施例提供的一种电池远程服务的系统中各模块的交互框图。
具体实施方式
下面将结合附图，对本申请中的技术方案进行描述。
参见图1，图1是本申请实施例提供的一种剩余里程预测的方法的流程图。
S110，获取当前车辆的历史行驶状态数据。
其中，车辆行驶状态数据包括但不限于车速、累计里程、档位、油门行程、最大最低温度、总电压、总电流、电荷状态(state of charge，SOC)、电机电流、电机电压、电机转速、电机扭矩、电机温度等状态数据。
S120，根据历史行驶状态数据提取该车辆的多个行程的行程特征。其中，行程特征包括每个行程的开始电荷状态SOC。
可选的，基于获取的车辆的历史行驶状态数据，将状态数据分为多个行驶过程数据，然后对每个行驶过程数据进行行程特征提取。
可选的，行程特征还包括但不限于根据行驶过程状态数据计算的平均速度、最大速度、当前里程数、行驶里程数、平均档位、平均油门深度、电池最大最小温度差、电池平均温度、平均电压、开始电压、平均电流、开始电流、电流标准差、行程消耗SOC、平均电机电压、起始电机电压、平均电机电流、电机电流标准差、平均电机转速、电机转速标准差、平均扭矩、扭矩标准差等指标统计值。
可选的，特征提取方法可以是抽象的特征提取方法，例如主成分分析(principalcomponents analysis，PCA)、线性判别分析(linear discriminant analysis，LDA)等。
可选的，特征提取方法可以是人工定义的特征计算。
可选的，特征提取方法可以是也可以是人工定义的特征计算之后再使用抽象的特征提取。
S130，基于多个行程的行程特征数据利用机器学习算法，构建单位SOC可行驶里程数预测模型。即该预测模型的输出为平均单位SOC可行驶距离。
机器学习算法能够实现多变量函数拟合的目的，即利用多个变量数据来预测一个或多个目标变量值。可选的，机器学习算法可以为随机森林、神经网络、长短期记忆网络(long short-term memory，LSTM)、梯度提升决策树(gradient boosting decision tree，GDBT)、极端梯度提升(eXtreme gradient boosting，XGBoost)等，本申请对此不作具体限定。
该方案中，通过同一车型的历史数据建模可以获得各种工况的数据进行准确建模并减少模型数量，比每个路段建模可行性更高。
优选的，选取效果最好的单位SOC可行驶里程数预测模型来进行后续预测工作。
S140，获取该车辆当前的SOC。
S150，提取与该车辆当前的SOC相同和/或接近的最近若干次行程特征数据，计算最近若干次行程的平均行程特征值。
S160，将最近若干次行程的平均行程特征值与该车辆根据历史状态数据确定的多个行程的行程特征并进行聚类分析，得到包含该平均行程特征的类别中心特征。需要说明的是，中心特征是指该类别所有特征的平均值。
可选的，聚类分析可以为快速聚类分析，例如：mean shift聚类分析，通过用户数据聚类分析可以更加准确的接近模型，实现准确的剩余里程预测。
S170，将该中心特征输入预测模型，得到该车辆当前SOC下单位SOC的可行驶的里程数。
S180，根据车辆当前SOC下单位SOC的可行驶距离，确定车辆在指定的SOC下所能行驶的剩余里程数。
在图1提出的一种剩余里程预测的方法的基础上，图2给出了一种可以实现上述方法的系统架构。
参见图2，图2是本申请实施例提供的一种电池远程服务的系统架构图。
整个系统分为车载系统和远程服务系统两个部分，车载系统实现的功能有：采集车辆状态数据(包括行驶状态数据)，发送数据至远程服务系统，向远程服务系统请求功能服务、展示数据等，主要模块包括：数据采集、数据上报、数据显示、服务请求。而远程服务系统主要有3个层次组成：最下层是数据收集、处理并存储，包含车机数据收集110、车机数据处理120和车机数据存储130三个模块；中间层则为上层提供数据分析和基础算法相关服务，包括数据分析模块210、算法服务等模块220；上层提供了里程应用，提供电量可行驶里程预测的功能，包括信息交互模块310、模型构建模块320。
下面，本申请在图2所示的系统架构的基础上，详细说明各模块的交互和工作流程。
参见图3，图3是本申请实施例提供的一种电池远程服务的系统中各模块的交互框图。
(1)车机数据收集模块110从某一车辆获取数据，车机数据处理模块120对获取到的数据进行预处理，识别用户及当前车辆型号，里程应用中的模型构建模块320针对该用户或车辆型号，调用车机数据存储模块130获取该用户或该型号车辆的历史行驶状态数据。
可选的，历史行驶状态数据的参数可以是由系统配置的。
可选的，在获取该用户或该型号车辆的历史行驶状态数据之前，车辆的数据采集模块进行汽车行驶相关数据采集，并通过指定的协议发送至远程服务系统的数据收集模块110。其中，采集的数据包括但不限于：用户id或汽车id、已行驶里程、当前电池SOC、电池温度、时间、放电电压、放电电流、电池型号、当前车速、加速度、天气等。
(2)模型构建模块320调用数据分析模块210对原始行驶状态数据按照S220对数据进行行程特征提取，得到历史行驶特征。
(3)模型构建模块320调用算法服务模块220，基于处理好的行程特征值进行单位SOC可行驶里程数预测模型训练，优选的，选取效果最好的预测模型作为剩余里程预测使用。
需要说明的是，(1)-(3)为预测模型建立过程中各模块的交互过程，系统可以根据设定的更新策略，重复(1)-(3)过程来更新预测模型。
(4)信息交互模块310接收用户手机端应用程序APP(application)或车机发送的预测服务请求，并上报该用户或车辆当前的状态数据。
对应的，汽车或手机端APP发出向信息交互模块310发出剩余里程预测服务请求，并上报车辆当前的状态数据，车辆当前的状态数据包括车辆当前SOC信息。
可选的，车辆当前的状态数据还包括：当前里程、电池温度、放电电压、放电电流、地理位置、电池型号、目的地信息等。
(5)信息交互模块310根据车辆当前SOC信息调用数据存储模块130从历史特征数据中获取与该用户或车辆当前SOC相同的(接近)最近若干次行程特征数据，以及该型号车辆的历史行程特征数据，并调用数据分析模块210计算该用户的当前SOC下的平均行程特征并加入到历史行程特征数据中。
(6)信息交互模块310调用算法服务模块220，对所有当前SOC下的行程特征数据进行快速聚类分析，例如使用mean shift聚类，得到包含了该用户或车辆最近平均行程特征的类别的中心特征。
(7)信息交互模块310调用模型构建模块220，将该用户或车辆最近平均行程特征的类别的中心特征输入预测模型，得到车辆当前SOC下单位SOC可行驶里程预测值，并利用指定的SOC变化量得到该变化量的可行驶里程预测值。
(8)信息交互模块310将可行驶里程预测值返回用户手机APP或车辆显示系统。例如：这里的车辆显示系统可以为图2中的对应车辆的数据显示模块。
可选的，信息交互模块310还可以共享该可行驶里程信息和该用户或车辆状态数据至其他应用服务进行扩展服务，例如：为用户提供电量警告或者充电桩推荐等其他服务，为用户提供更好的用户体验。
上述系统能够通过远程服务的方式来实现电池充电预测，可避免在车辆上进行功能实现，避免因为硬件限制导致功能不能实现，如电动自行车电池和算力有限。
应理解，本申请中的剩余里程预测方法或系统，也可以用于电动自行车等所有基于动力电池驱动的代步工具。
应理解，图2只是给出了一种可能的系统架构，图1中所示流程也可以由配置于车辆中的控制器、处理器等执行，本申请不作具体限定，只要能实现图1中的方法即可。
此外，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机指令，当计算机指令在计算机上运行时，使得本申请图2的实施例中的操作和/或流程被执行。
此外，本申请还提供一种芯片，所述芯片包括处理器，用于存储计算机程序的存储器独立于芯片而设置，处理器用于执行存储器中存储的计算机程序，使得本申请图2的实施例中的操作和/或流程被执行。
进一步地，所述芯片还可以包括通信接口。所述通信接口可以是输入/输出接口，也可以为接口电路等。进一步地，所述芯片还可以包括所述存储器。
注意，上述仅为本申请的较佳实施例。本领域技术人员会理解，本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整、相互结合和替代而不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由所附的权利要求范围决定。

Claims (10)

1.一种剩余里程预测的方法，其特征在于，包括：
获取车辆的历史行驶状态数据；
根据所述历史行驶状态数据提取所述车辆的多个行程的行程特征，所述行程特征包括所述行程的开始电荷状态SOC；
根据所述多个行程的行程特征，使用机器学习算法构建预测模型，所述预测模型用于预测单位SOC的可行驶距离；
获取所述车辆当前的SOC；
从所述车辆的多个行程的行程特征中提取与所述车辆当前的SOC相同和/或接近的多段行程的行程特征；
根据所述多段行程的行程特征计算所述多段行程的平均行程特征；
将所述平均行程特征加入所述多个行程的行程特征后进行聚类分析，得到包含所述平均行程特征的中心特征；
将所述中心特征输入所述预测模型，得到所述车辆当前SOC下单位SOC的可行驶的里程数；
根据所述车辆当前SOC下单位SOC的可行驶距离，确定所述车辆在指定的SOC下所能行驶的剩余里程数。
2.根据权利要求1所述的方法，其特征在于，所述历史行驶状态数据包括：车速、累计里程、档位、油门行程、最大最低温度、总电压、总电流、SOC、电机电流、电机电压、电机转速、电机扭矩、电机温度。
3.根据权利要求1或2所述的方法，其特征在于，所述行程特征还包括以下参数中一个或多个：平均速度、最大速度、当前里程数、行驶里程数、平均档位、平均油门深度、电池最大最小温度差、电池平均温度、平均电压、开始电压、平均电流、开始电流、电流标准差、行程消耗SOC、平均电机电压、起始电机电压、平均电机电流、电机电流标准差、平均电机转速、电机转速标准差、平均扭矩、扭矩标准差。
4.根据权利要求1或2所述的方法，其特征在于，根据所述历史行驶状态数据提取所述车辆的多个行程的行程特征，包括：
将所述历史行驶状态数据分成所述多个行程的历史行驶状态数据，对所述多个行程的历史行驶状态数据分别进行行程特征提取，得到所述多个行程的行程特征。
5.根据权利要求1或2所述的方法，其特征在于，所述行程特征提取的方法包括：主成分分析PCA、线性判别分析LDA、人工定义特征提取。
6.根据权利要求1或2所述的方法，其特征在于，所述机器学习算法包括：随机森林、神经网络、长短期记忆网络LSTM、梯度提升决策树GDBT。
7.一种电池远程服务的系统，其特征在于，包括：
模型构建模块，用于调用数据处理模块和数据存储模块获取车辆的历史行驶状态数据；
所述模型构建模块，还用于调用数据分析模块根据所述历史行驶状态数据提取所述车辆的多个行程的行程特征，所述行程特征包括所述行程的开始电荷状态SOC；
所述模型构建模块，还用于调用算法服务模块对所述多个行程的行程特征，使用机器学习算法建预测模型，所述预测模型用于预测单位SOC的可行驶距离；
信息交互模块，用于接收手机端应用程序APP或所述车辆发送的预测服务请求；
所述信息交互模块，还用于调用数据收集模块获取所述手机端应用程序APP或所述车辆上报的当前的SOC；
所述信息交互模块，还用于从所述车辆的多个行程的行程特征中提取与所述车辆当前的SOC相同和/或接近的多段行程的行程特征；
所述信息交互模块，还用于调用所述数据分析模块根据所述多段行程的行程特征计算所述多段行程的平均行程特征；
所述信息交互模块，还用于调用所述算法服务模块将所述平均行程特征加入所述多个行程的行程特征后进行聚类分析，得到包含所述平均行程特征的中心特征；
所述信息交互模块，还用于调用所述模型构建模块，向所述预测模型输入所述中心特征，得到所述车辆当前SOC下单位SOC的可行驶距离；
所述模型构建模块，还用于根据所述车辆当前的SOC和所述车辆当前SOC下单位SOC的可行驶距离确定所述车辆所能行驶的剩余里程数；
所述信息交互模块，还用于将所述车辆所能行驶的剩余里程数发送给所述手机端应用程序APP或所述车辆。
8.根据权利要求7所述的系统，其特征在于，所述信息交互模块还用于：将所述车辆所能行驶的剩余里程数发送至其他应用服务使用。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机指令，当计算机指令在计算机上运行时，如权利要求1-6中任一项所述的方法被实现。
10.一种芯片系统，其特征在于，包括：处理器，用于从存储器中调用并运行计算机程序，使得安装有所述芯片系统的通信设备，执行权利要求1-6中任一项所述的方法。
CN202080005084.1A 2020-07-28 2020-07-28 剩余里程预测的方法和电池远程服务的系统 Active CN112703518B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2020/105168 WO2022021062A1 (zh) 2020-07-28 2020-07-28 剩余里程预测的方法和电池远程服务的系统

Publications (2)

Publication Number Publication Date
CN112703518A CN112703518A (zh) 2021-04-23
CN112703518B true CN112703518B (zh) 2022-03-29

Family

ID=75514819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080005084.1A Active CN112703518B (zh) 2020-07-28 2020-07-28 剩余里程预测的方法和电池远程服务的系统

Country Status (2)

Country Link
CN (1) CN112703518B (zh)
WO (1) WO2022021062A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN114475256B (zh) * 2022-03-11 2024-03-19 中国第一汽车股份有限公司 预测电动汽车中电机过温的方法和装置
CN115598557B (zh) * 2022-08-26 2023-08-25 广东工业大学 一种基于恒压充电电流的锂电池soh估计方法
CN116362296B (zh) * 2022-10-31 2024-03-01 无锡赛思亿电气科技有限公司 船舶能效信息汇集管理系统及基于其的能耗状态分析方法
CN115544900B (zh) * 2022-11-28 2023-05-02 深圳联友科技有限公司 一种基于Shap算法分析电动车续航里程影响因素的方法
CN116340767B (zh) * 2023-02-27 2023-12-01 吉林大学 一种电动汽车行程能耗概率分布预测方法、系统及产品
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 (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102303538A (zh) * 2011-05-26 2012-01-04 奇瑞汽车股份有限公司 一种电动汽车剩余续驶里程的显示方法及装置
CN107458259A (zh) * 2017-08-24 2017-12-12 成都雅骏新能源汽车科技股份有限公司 一种新能源电动汽车剩余里程估算方法
CN109693545A (zh) * 2017-10-24 2019-04-30 河南森源重工有限公司 一种电池剩余能量、车辆剩余里程的估算方法及装置
CN110091751A (zh) * 2019-04-30 2019-08-06 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN110222906A (zh) * 2019-06-17 2019-09-10 北京嘀嘀无限科技发展有限公司 电动车能耗预测方法、计算机可读存储介质和电子设备
CN110667434A (zh) * 2019-09-11 2020-01-10 南京航空航天大学 一种自适应工况的纯电动汽车行驶里程估计方法及系统
CN111216730A (zh) * 2020-01-15 2020-06-02 山东理工大学 电动汽车剩余续驶里程估算方法、装置、存储介质及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9643511B2 (en) * 2014-12-17 2017-05-09 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of charge (SOC) of battery in electric vehicle

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102303538A (zh) * 2011-05-26 2012-01-04 奇瑞汽车股份有限公司 一种电动汽车剩余续驶里程的显示方法及装置
CN107458259A (zh) * 2017-08-24 2017-12-12 成都雅骏新能源汽车科技股份有限公司 一种新能源电动汽车剩余里程估算方法
CN109693545A (zh) * 2017-10-24 2019-04-30 河南森源重工有限公司 一种电池剩余能量、车辆剩余里程的估算方法及装置
CN110091751A (zh) * 2019-04-30 2019-08-06 深圳四海万联科技有限公司 基于深度学习的电动汽车续航里程预测方法、设备及介质
CN110222906A (zh) * 2019-06-17 2019-09-10 北京嘀嘀无限科技发展有限公司 电动车能耗预测方法、计算机可读存储介质和电子设备
CN110667434A (zh) * 2019-09-11 2020-01-10 南京航空航天大学 一种自适应工况的纯电动汽车行驶里程估计方法及系统
CN111216730A (zh) * 2020-01-15 2020-06-02 山东理工大学 电动汽车剩余续驶里程估算方法、装置、存储介质及设备

Also Published As

Publication number Publication date
CN112703518A (zh) 2021-04-23
WO2022021062A1 (zh) 2022-02-03

Similar Documents

Publication Publication Date Title
CN112703518B (zh) 剩余里程预测的方法和电池远程服务的系统
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
CN109808541B (zh) 一种电动汽车充电方法及系统
US9851213B2 (en) System and method for recommending charging station for electric vehicle
CN111169480B (zh) 一种动力系统能量管理方法、装置、设备和介质
Zhang et al. Role of terrain preview in energy management of hybrid electric vehicles
CN111670340B (zh) 一种车辆剩余行驶里程的获取方法、电子设备及车辆
CN111532166A (zh) 一种电动汽车充电路径规划方法、装置、汽车及计算机存储介质
US20150019132A1 (en) System and method for vehicle routing using stochastic optimization
Ferreira et al. Dynamic range prediction for an electric vehicle
US20230139003A1 (en) Systems and methods for managing velocity profiles
CN104044462A (zh) 基于日历事件的用户接口系统和方法
CN112356822B (zh) 混动车辆及其发电量的预测方法、装置和预测系统
CN114435138B (zh) 一种车辆能耗预测方法、装置、车辆及存储介质
US20180045527A1 (en) Systems and Methods for Predicting Vehicle Fuel Consumption
Smuts et al. A critical review of factors influencing the remaining driving range of electric vehicles
CN113335131B (zh) 一种车辆续航里程预测方法、装置、设备和存储介质
CN110254285B (zh) 一种基于车联网的对里程焦虑用户提供服务的方法及系统
CN111397620A (zh) 快充/慢充模式下的电动汽车充电导航方法及系统
CN112818036B (zh) 基于云端大数据的电动车剩余里程预估方法和装置
CN114103671A (zh) 电动车辆的充电系统和方法
CN113263954B (zh) 电动汽车续驶里程预测方法、装置、设备和可读存储介质
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
CN115359646A (zh) 一种基于车载终端的换电车辆调度方法及系统
CN112406874B (zh) 一种电动汽车远距离充电辅助决策方法

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