CN113039107B - 电动车辆的电气化控制系统和方法 - Google Patents

Abstract

提供了一种使用处理器(122)执行电动车辆(102)的自动电气化操作的系统。电气化控制器(126)与模型生成单元(128)进行通信。该模型生成单元(128)生成表示电动车辆(102)的电力消耗趋势的模型。该电气化控制器(126)基于模型来设定电动车辆(102)的目标电力裕量，使得目标电力裕量接近电动车辆(102)的能量储存源(124)的最小荷电状态(SOC)阈值。该目标电力裕量表示最小SOC阈值与在完成与电动车辆(102)相关联的任务之后能量储存源(124)的结束电力水平之间的差异。处理器(122)基于目标电力裕量来执行电动车辆(102)的自动化电气化操作。

Description

电动车辆的电气化控制系统和方法

技术领域

本公开总体上涉及控制电动车辆的方法和系统，更具体地涉及控制电动车辆的电气化操作。

背景技术

电动车辆中的电池的电荷耗尽策略寻求将最小需求裕量规定为高于为正常运行而需要在电池中维持的最小荷电状态(SOC)阈值。具体地，希望在完成电动车辆的任务之后将最小需求裕量维持在电池的最小SOC阈值以上。当最小需求裕量被设定得太高时，在完成电动车辆的任务之后，电池中留下了太多的剩余电力。相反地，当最小需求裕量被设定得太低时，留下太少的剩余电力以致无法成功完成电动车辆的任务。因此，有利的是将最小需求裕量设定得尽可能接近电池的最小SOC阈值，以实现高效的能耗。

可以将电气化控制系统用于在电动车辆的任务期间高效地控制电池的能耗。例如，可以将电气化控制系统用于纯电动车辆(EV)和/或具有电动机和内燃机(ICE)的混合电动车辆(HEV)。如本文所用，电动车辆是指混合电动车辆和/或纯电动车辆并且提供常规燃料发动机系统的替代方案，以补充或完全代替诸如ICE的发动机系统。

在一个示例中，替代车辆被称为增程电动车辆(EREV)。在EREV中，主电力驱动是利用电池或相关的可再充电能量储存系统(RESS)来实现的，该电池或RESS充当电动机、发电机或传动装置的直流(DC)电压源，该电动机、发动机或传动装置又可以被用于提供为使车辆的车轮中的一个或更多个车轮转动所需的能量。当RESS的电荷耗尽时，备用电力可以来自ICE以提供辅助的车载发电。

然而，控制电动车辆(例如，对于EV和HEV)的电气化操作因各个车辆的不同能量需求以及不同电动车辆中提供的各种组件而可以是有挑战性的。此外，根据电池组件被耗尽的程度以及电源插座的电压/频率，充电时间的范围可以从几分钟到几小时变动。因此，存在开发可以更高效地控制电动车辆的电气化操作的增强电气化控制系统和方法的机会。

发明内容

在本公开的一个实施方式中，提供了一种使用处理器来执行电动车辆的自动电气化操作的系统。电气化控制器被配置成与模型生成单元进行通信。模型生成单元被配置成生成表示电动车辆的电力消耗趋势的模型。电气化控制器被配置成基于模型来设定电动车辆的目标电力裕量，使得该目标电力裕量接近电动车辆的能量储存源的最小荷电状态(SOC)阈值。该目标电力裕量表示最小SOC阈值与在完成与电动车辆相关联的任务之后能量储存源的结束电力水平之间的差异。处理器被配置成基于目标电力裕量来执行电动车辆的自动电气化操作。

在一个示例中，模型生成单元至少部分地设置在云服务器中，该云服务器经由网络与电动车辆进行通信。

在另一示例中，处理器被设置在电动车辆中。

在又一示例中，模型是基于物理学的模型，基于物理学的模型是基于与电动车辆相关联的实际数据生成的。

在又一示例中，模型是机器学习模型，该机器学习模型是基于与电动车辆相关联的仿真数据生成的。

在又一示例中，模型是基于至少一个过滤因子调节的。在变型例中，所述至少一个过滤因子是基于时间的因子。

在另一示例中，模型包括电动车辆的一个或更多个组件的老化信息。在变型例中，老化信息包括与电动车辆的相应组件的劣化程度相关的数据。在另一变型例中，老化信息被用于检测电动车辆的有故障组件。在又一变型例中，老化信息被用于修改电动车辆的电气化操作。

在本公开的另一实施方式中，提供了一种使用处理器执行电动车辆的自动电气化操作的方法。所述方法包括以下步骤：生成表示电动车辆的电力消耗趋势的模型；基于模型设定电动车辆的目标电力裕量，使得该目标电力裕量接近电动车辆的能量储存源的最小荷电状态(SOC)阈值，该目标电力裕量表示最小SOC阈值与在完成与电动车辆相关联的任务之后能量储存源的结束电力水平之间的差异；以及基于目标电力裕量来执行电动车辆的自动电气化操作。

在一个示例中，所述方法还包括以下步骤：基于与被指派给电动车辆的路线的一趟或更多趟先前行驶相关联的实际数据来创建基于物理学的模型。

在另一示例中，所述方法还包括以下步骤：基于与被指派给电动车辆的路线的一趟或更多趟先前行驶相关联的仿真数据来创建机器学习模型。

在又一示例中，所述方法还包括以下步骤：基于至少一个过滤因子或者至少一个辅助因子来调节模型。

在又一示例中，所述方法还包括以下步骤：将目标电力裕量与电动车辆的能量储存源的最小SOC阈值进行比较。在变型例中，所述方法还包括以下步骤：基于目标电力裕量与最小SOC阈值之间的比较来修改电动车辆的电气化操作。

在本公开的又一实施方式中，提供了一种使用处理器执行电动车辆的自动化电气化操作的方法。所述方法包括以下步骤：生成具有电动车辆的至少一个组件的老化信息的模型，该模型表示电动车辆的电力消耗趋势；基于模型来设定电动车辆的目标电力裕量，使得该目标电力裕量接近电动车辆的能量储存源的最小荷电状态(SOC)阈值，该目标电力裕量表示最小SOC阈值与在完成与电动车辆相关联的任务之后能量储存源的结束电力水平之间的差异；以及基于目标电力裕量来执行电动车辆的自动电气化操作。

在一个示例中，所述方法还包括以下步骤：基于与电动车辆相关联的一个或更多个车辆特性来调节模型。

在另一示例中，所述方法还包括以下步骤：确定电动车辆的所述至少一个组件的老化速率。在变型例中，所述方法还包括以下步骤：基于老化速率来检测电动车辆的有故障组件。在另一变型例中，所述方法还包括以下步骤：基于老化速率来修改电动车辆的电气化操作。

在又一示例中，所述方法还包括以下步骤：将电动车辆的目标电力裕量设定在第一百分比限值至第二百分比限值之间的范围内。

在又一示例中，所述方法还包括以下步骤：将电动车辆的目标电力裕量设定得比最小SOC阈值高至少预定量。

虽然公开了多个实施方式，但是根据下面示出并描述所公开的主题的例示性实施方式的详细描述，目前所公开的主题的还有其它的实施方式对于本领域技术人员将变得显而易见。因此，附图和详细的描述本质上要被视为例示性的而非限制性的。

附图说明

通过参照下面结合附图对本公开的实施方式的描述，本公开的上述和其它的特征和目的以及获得它们的方式将变得更清楚并且本公开本身将更好理解，在附图中：

图1是根据本公开的实施方式的电动车辆的以电气化控制器为特征的发动机和电动机系统的示意图；

图2是根据本公开的实施方式的使用图1的电气化控制器的示例性电气化控制方法的流程图；以及

图3是根据本公开的实施方式的使用图1的电气化控制器的另一示例性电气化控制方法的流程图。

贯穿这几个视图，对应的标号指示对应的部分。尽管附图表示了本公开的实施方式，但是附图不必按比例绘制，并且某些特征可以被夸大，以便更好地例示和解释本公开。本文所阐述的范例以一种形式例示了本公开的实施方式，并且这样的范例不应被解释为以任何方式限制本公开的范围。

具体实施方式

下面公开的实施方式并非旨在排它或将本公开限制成在下列详细描述中所公开的精确形式。而相反，选择并描述这些实施方式，以使本领域其他技术人员可以利用该实施方式的教导。本领域普通技术人员将认识到，所提供的实施方式可以按硬件、软件、固件和/或其组合来实现。根据实施方式的编程代码可以采用任何可行的编程语言来实现，诸如C、C++、HTML、XTML、JAVA或任何其它可行的高级编程语言，或者高级编程语言与低级编程语言的组合。

现在，参照图1，例示了电动车辆102的混合动力系统100。例如，可以将电动车辆102插入到要连接至电网系统(未示出)的电源插座中，以用于执行电动车辆102的电气化操作。在各种实施方式中，电气化操作可以是指有关与电动车辆102相关联的发电以及电力分配和管理的各种操作。示例性电气化操作包括：修改电池冷却、修改充电极限和/放电极限、减少充电循环和/或放电循环的次数、修改最小荷电状态阈值等。电动车辆102可以是可连接至电网系统的商用车辆，如公交车。

在一个实施方式中，电网系统可以是在诸如公交车站的特定商业设施中实现的电网系统。在另一实施方式中，电网系统可以是在包含多个电站(诸如电厂和其它发电设施)的电网中实施的电网系统。在图1中，尽管将电动车辆102描述为并行混合动力系统，但是本公开也可以应用于增程车辆或串行混合动力车辆以适合不同的应用。这样，电动车辆102可以是具有电动推进系统的任何电动车辆(例如，混合动力车辆、纯电动车辆和/或增程车辆)。

尽管示出了具有内燃机(ICE)104的电动车辆102，但是本公开可以应用于仅由电池提供动力而没有发动机104的纯电动车辆。发动机104可以由任何类型的燃料提供动力，诸如汽油、柴油、天然气、液化石油气、生物燃料等。在该示例中，混合动力系统100可以包括具有曲轴106和联接至曲轴的曲轴链轮(未示出)的ICE 104。ICE 104未受具体限制，并且可以是车载的(例如，增程车辆)或者车外的(例如，位于公交车站的发电机组)。

混合系统100也可以包括与曲轴链轮机械连通的电动机108。例如，电动机108可以是被用于推进电动车辆102的牵引电动机。在各种实施方式中，可以将电动机108经由曲轴106联接至速度传感器110、转矩传感器112、发动机104、离合器或变矩器114以及传动装置116。在各种实施方式中，速度传感器110和电动机108与曲轴106机械连通。而且，电动机108未受具体限制，并且例如可以是电动机/发电机、同步电动机或感应电动机。

在实施方式中，混合系统100也包括与速度传感器110和转矩传感器112电连通的控制器118，并且可以包括具有指令的非暂时性存储器120，该指令响应处理器122的执行，使处理器122确定电动机108的速度或转矩值。电动机108从诸如电池组或电池组件的可再充电能量储存源124以电方式接收电力，并且能量储存源124可以将表示荷电状态(SOC)信息的数据提供给控制器118。处理器122、非暂时性存储器120以及控制器118未受具体限制，并且例如可以是物理上分离的。另外，可以将模型生成单元128和/或车辆监测单元132包括在控制器118中，或者可以是与控制器118分离的独立单元以适合不同的应用。

在某些实施方式中，控制器118可以形成处理子系统的一部分，该处理子系统包括具有存储器、处理以及通信硬件的一个或更多个计算装置。控制器118可以是单个装置或分布式装置，并且控制器118的功能可以由硬件和/或作为非暂时性计算机可读存储介质(如非暂时性存储器120)上的计算机指令来执行。

在某些实施方式中，控制器118包括功能上执行控制器118的操作的一个或更多个解释器、确定器、评估器、调节器和/或处理器122。这里包括解释器、确定器、评估器、调节器和/或处理器的描述强调了控制器118的某些方面的结构独立性，并且例示了控制器118的一组操作和责任。执行相似总体操作的其它分组被理解为处于本公开的范围内。解释器、确定器、评估器、调节器以及处理器可以实现在硬件中和/或实现为非暂时性计算机可读存储介质上的计算机指令，并且可以跨各种硬件或基于计算机的组件分布。

功能上执行控制器118的操作的示例和非限制性实现部件包括：提供本文所确定的任何值的传感器(诸如速度传感器110和转矩传感器112)、提供作为本文所确定的值的前体的任何值的传感器、数据链路和/或网络硬件(包括通信芯片、振荡晶体、通信链路、线缆、双绞线、同轴线、屏蔽线、发送器、接收器和/或收发器)、逻辑电路、硬布线逻辑电路、根据模块规范配置的处于特定非暂态的可重配置逻辑电路、任何致动器(至少包括电动致动器、液压致动器或气动致动器)、螺线管、运算放大器、模拟控制部件(弹簧、滤波器、积分器、加法器、除法器、增益部件)和/或数字控制部件。

本文所描述的某些操作包括用于解释和/或确定一个或更多个参数或数据结构的操作。如本文所利用的，解释或确定包括通过本领域已知的任何方法来接收值，至少包括：从数据链路或网络通信接收值、接收指示值的电子信号(例如、电压、频率、电流、PWM信号)、接收指示值的计算机生成参数、从非暂时性计算机可读存储介质上的存储器位置读取值、通过本领域已知的任何方式接收值作为运行时参数，和/或通过接收可以据以计算解释参数的值，和/或通过引用被解释为参数值的默认值。

在所例示的实施方式中，处理器122包括被配置成控制电动车辆102的电气化操作的电气化控制器126。在该示例中，电气化控制器126以分散的方式包括在各个电动车辆102的车载控制器118中。在另一示例中，气化控制器126可以是以集中的方式在独立的计算装置(诸如云服务器、中央服务器或个人移动装置)中实现的车外分离单元。

例如，电气化控制器126可以以通信方式连接至云计算网络中的中央服务器，以控制一个或更多个电动车辆102的电气化操作。有利的是，电气化控制器126自动控制能量储存源124的电荷水平。电气化控制器126被配置成控制电动车辆102的电气化操作，使得电力裕量被设定得高于在完成电动车辆102的任务之后的能量储存源124的最小SOC阈值。电力裕量表示最小SOC阈值与在任务完成之后电动车辆102的能量储存源124的结束电力水平之间的差异。能量储存源124的最小SOC阈值是指为了电动车辆102的正常运行而需要在能量储存源124中维持的最小电力水平。

在一个实施方式中，电气化控制器126经由网络130与模型生成单元128自动通信，以生成表示电动车辆102在特定时刻或时间点的电力消耗趋势的模型。例如，模型生成单元128被配置成生成表示电动车辆102在前一年十月中旬的电力消耗趋势的模型。基于该模型，电气化控制器126设定电动车辆102的电力裕量，使得该电力裕量尽可能接近能量储存源124的最小SOC阈值。例如，可以将电力裕量设定得比最小SOC阈值高至少预定量(例如，比最小SOC阈值大+5％)。作为另一示例，可以将电力裕量设定在基于最小SOC阈值的百分比下限(例如，比最小SOC阈值大+1％)至百分比上限(例如，比最小SOC阈值大+99％)之间的范围内。在另一实施方式中，百分比上限可以达到表示能量储存源124的峰值容量的最大SOC阈值。

在一个实施方式中，可以由车载处理器(如控制器118)来生成所述模型。在另一实施方式中，可以经由网络130通过设置在云服务器中的车外处理器来生成该模型。

在实施方式中，模型生成单元128被配置成生成具有电动车辆102的一个或更多个组件的老化信息的模型，以计算电动车辆102在特定时刻或时间点的电力消耗趋势。老化信息是指与电动车辆102的相应组件的劣化程度(例如，寿命)有关的数据。可以将这样的数据存储或保存在存储器中达预定时段(例如，5年至10年)。为了确定劣化程度，模型生成单元128被配置成与车辆监测单元132自动通信，以确定电动车辆102的一个或更多个组件的老化信息。例如，车辆监测单元132可以是与电动车辆102相关联的远程信息处理系统。

在实施方式中，车辆监测单元132被配置成监测与电动车辆10相关的一个或更多个车辆特性。例如，车辆特性可以包括：电动车辆102的一个或更多个组件的老化信息、基于卫星导航系统(例如，全球定位系统)的导航信息、与电动车辆102的任务的特定路线相关的行驶经验信息(例如，里程、速度、制动或驾驶模式、时间、天气、道路或负载状况等)。

在这个实施方式中，车辆监测单元132被配置成将电动车辆102的各个组件的自从安装和/或维护服务以来的寿命记录在存储器120上。例如，电动机108的寿命表示劣化程度，但是当替换成新的电动机时，可以将寿命重置成零。作为另一示例，在对电动机108执行维护服务之后，可以将电动机108的寿命重置成预定的劣化次数。这样，基于老化信息，电气化控制器126设定电动车辆102的电力裕量，使得该电力裕量尽可能地接近能量储存源124的最小SOC阈值。

可设想具有计算机、服务器以及通过通信通道互连的其它硬件的集合的任何类型的计算机网络，诸如互联网、内联网、以太网、LAN、云网络等。在一个实施方式中，电气化控制器126与诸如无线通信设施(例如，Wi-Fi接入点)的网络130经接口连接。在另一实施方式中，网络130可以是电动车辆102车载的控制器区域网(例如，CAN总线)。在又一实施方式中，网络130可以是电动车辆102车外的云计算网络。

也可设想本领域中已知的其它的类似网络。例如，网络130可以是电动车辆102'与电网系统之间的云网络或车辆到电网(V2G)网络134，或者是第一电动车辆102'与第二电动车辆102"之间的车辆到车辆(V2V)网络136。在一些实施方式中，车辆102、102'以及102"在本文中被共同表示为102，以适合不同的应用。也可设想车辆102、102'以及102"的包括其它多个车辆的其它合适的排布结构，以适合该应用。作为另一示例，模型生成单元128和/或车辆监测单元132可以是车载的(例如，在电动车辆102中)或车外的(例如，在云网络中)。

此外，电气化控制器126被配置成确定电动车辆102的电力需求水平，以满足对电动车辆102的一个或更多个任务需求。示例性任务要求是指要由电动车辆102执行一个或更多个任务所需的使能条件，诸如电池工作时段、电池使用期限、电池荷电状态、英里数或要覆盖的区域等。因此，基于电动车辆102的电力需求水平，由电气化控制器126自动控制电气化操作。

现在，参照图2，根据本文所公开的主题的实施方式，示出了电动车辆102的例示性电气化操作。如本文所公开的，混合系统100未受具体限制，并且可以执行在本公开的范围内所描述的方法中的任何方法。在图2中，示出了使用电气化控制器126执行自动电气化操作的方法200。

在框202处，电气化控制器126经由网络130与模型生成单元128自动通信，以生成表示电动车辆102在特定时刻或时间点的电力消耗趋势的模型。例如，模型生成单元128对被指派给电动车辆102的路线的一趟或更多趟先前行驶进行建模，并且基于该路线的先前多趟行驶来计算电力消耗趋势。

在框204处，在一个实施方式中，模型生成单元128基于与被指派给电动车辆102的路线的所述一趟或更多趟先前行驶相关联的实际数据来创建基于物理学的模型。例如，模型生成单元128基于所述实际数据实时计算电动车辆102的电力消耗趋势。实际数据可以包括电力消耗信息，该电力消耗信息可以被用于预测需要多少电力来完成该任务。模型生成单元128基于实际数据来计算电力消耗趋势，以基于电力消耗趋势将电力裕量设置得高于能量储存源124的最小SOC阈值。也可设想，实际数据可以包括与电动车辆102具有相同或相似配置的其它电动车辆102'和102"的经验或统计电力消耗信息。

在框206处，在另一实施方式中，模型生成单元128基于与被指派给电动车辆102的路线的所述一趟或更多趟先前行驶相关联的实验或仿真数据来创建机器学习模型。例如，模型生成单元128基于仿真数据来计算电动车辆102在任务之前、之后和/或期间的电力消耗趋势。仿真数据可以包括电力消耗信息，该电力消耗信息可以被用于预测需要多少电力来完成任务。模型生成单元128基于仿真数据来计算电力消耗趋势，以基于电力消耗趋势将电力裕量设置得高于能量储存源124的最小SOC阈值。

尽管框204和框206被单独地显示，但是可以同时或者以任何次序顺序地执行框204和框206两者，以利用基于物理学的模型和机器学习模型中的至少一个模型。也可设想实际数据和仿真数据的其它合适的组合以适合各种应用。

在框208处，模型生成单元128基于一个或更多个过滤因子来调节模型。例如，模型生成单元128基于所述一个或更多个过滤因子，来滤除或去除与被指派给电动车辆102的路线的一趟或更多趟先前行驶相关联的实际数据和/或仿真数据中的至少一部分。在实施方式中，使用经过滤的实际数据和/或仿真数据来调节模型。示例性过滤因子包括与已经从电动车辆102收集或取得到的实际数据和/或仿真数据的时段或特定时刻(例如，时间戳)相关的基于时间的因子。

更具体地，基于时间的因子可能与特定事件(例如，道路建设)之前、之后和/或期间相关。其它的基于时间的因子包括一天中的时间、一周中的一天(例如，周末或工作日)等。此外，也可以将诸如环境天气条件(例如，温度、风力等)的季节性因子包括在过滤因子中。例如，由于加热、通风以及空调(HVAC)系统在夏季或冬季天气期间可以影响电动车辆102的电力消耗趋势，因此模型生成单元128使用与对应的天气条件相关的实际数据和/或仿真数据来调节模型。如上面所讨论的，车辆监测单元132可以提供天气相关信息。

在另一实施方式中，在生成模型之前，可以由模型生成单元128过滤相关的实际数据和/或仿真数据。在又一实施方式中，当模型生成单元128生成模型时，可以由模型生成单元128实时过滤相关的实际数据和/或仿真数据。在又一实施方式中，在生成模型之后，可以由模型生成单元128过滤相关的实际数据和/或仿真数据以供随后或将来使用。

在框210处，模型生成单元128基于一个或更多个辅助因子来调节模型。辅助因子是指可以影响电动车辆102的当前电力消耗趋势的一个或更多个条件。示例性辅助因子包括：电动车辆102的操作者的驾驶习惯、道路构成(例如，凹凸不平或铺设路面)、当前时间(例如，在凌晨2点和下午5点的操作)、交通状况、路况(例如，上坡与下坡或者凹凸不平与铺设路面)、负载条件(例如，部分装载与满载或者负载重量)、电力需求(例如，基于计划的、历史的或将来的需求)等。

在另一实施方式中，各个电动车辆102的附加的辅助因子还可以包括：道路坡度(例如，15度上坡)、天气相关信息(例如，基于远程信息处理、经验、历史和/或仿真数据)、任务状态(例如，任务的完成程度，诸如完成10％或90％)、负载临界状态(例如，冷藏与不易腐烂的食物)等。也可设想电动车辆的其它合适的生态系统(例如，风扇或温度控制)，以适合不同的应用。可以通过上述因子中的其余因子中的一个或更多个因子来调节或影响各个因子。

在又一实施方式中，附加的辅助因子也可以包括：任务所需的电荷量、可用于任务的时段、当前和/或将来的运行状态(例如，电池温度)、下一次任务的预期任务时间长度或电力需求、其它电动车辆的与电气化操作相关的数据或信息(例如，经由V2V网络在电动车辆102之间共享的数据或信息)、非电动车辆应用(例如，与电动车辆102相关联的空调机或HVAC系统)所需的电力负载水平等。可以通过所述因子中的其余因子中的一个或更多个因子来调节或影响各个因子。

在实施方式中，可以基于从一个或更多个传感器(例如，GPS传感器、温度传感器、荷电状态传感器、重量/负载传感器等)、车辆控制单元(例如，发动机控制单元/模块、或生态系统控制单元等)以及用户输入装置接收到的数据来确定或计算所述因子。也可设想其它的合适传感器和装置(诸如信息存储系统)，以适合该应用。这样，受益于本公开的相关领域技术人员应当明白如何在各种实施方式中确定或计算所述因子。

在框212处，电气化控制器126基于由模型生成单元128生成的模型(或者在必要时在框208和/或框210中调节的模型)来设定电动车辆102的目标电力裕量，使得目标电力裕量在完成任务之后尽可能地接近能量储存源124的最小SOC阈值。在一个示例中，目标电力裕量可以高于或低于与电动车辆102相关联的当前电力裕量。在另一示例中，目标电力裕量可以和与电动车辆102相关联的当前电力裕量相同。

在一个实施方式中，当前电力裕量是指与电动车辆102相关联的默认电力裕量，而目标电力裕量是指电动车辆102在任务结束时将具有的将来电力裕量。电气化控制器126基于目标电力裕量来执行电动车辆102的自动电气化操作。在下面关于图2和图3的段落中描述了示例性电气化操作。

在框214处，当目标电力裕量大于能量储存源124的最小SOC阈值时，控制进行至框216。否则，控制返回至框202，但是在其它的实施方式中，控制可以返回至框202至框210中的任一框，以适合不同的应用。

在框216处，电气化控制器126基于目标电力裕量来修改电动车辆102的电气化操作。例如，电气化控制器126修改电动车辆102的当前电力裕量、电动车辆102的冷却方案(例如，更快地冷却电池)或者能量储存源124的充电/放电方案。例如，如果目标电力裕量比当前电力裕量大预定值，则在下一个充电循环期间，较长时间地向能量储存源124充电(例如，达到容量的100％)。相反，如果目标电力裕量比当前电力裕量少预定值，则在下一个充电循环期间，较短时间地向能量储存源124充电(例如，达到容量的80％)。

现在，参照图3，根据本文所公开的主题的实施方式，示出了电动车辆102的另一例示性电气化操作。如本文所公开的，混合系统100未受具体限制，并且可以执行在本公开的范围内所描述的方法中的任何方法。在图3中，示出了使用电气化控制器126执行自动电气化操作的方法300。

在框302处，电气化控制器126经由网络130与模型生成单元128自动通信，以生成具有电动车辆102的一个或更多个组件的老化信息的模型，从而计算电动车辆102在特定时刻或时间点的电力消耗趋势。电动车辆102的示例性组件可以包括：能量储存源124(例如，电池)、电动机108、ICE 104、发电机(未示出)、传动系统或动力总成(例如，曲轴)、驱动轴总成(未示出)等。

例如，模型生成单元128对电动车辆102的一个或更多个组件的老化信息进行建模，并且基于该老化信息来计算电力消耗趋势。仅作为示例，安装在电动车辆102中的新电动机与旧电动机之间，与新电动机相比，旧电动机很可能消耗能量储存源124的更多电力。一般地，就电动机108的效率而言，与新电动机相比，旧电动机可能需要更多的电力来执行电动车辆102所需的相同机械移动。这样，电力消耗趋势可以根据电动机108的老化信息而改变。如上面参照图2的框204和框206所讨论的，该模型可以是基于物理学的模型或者机器学习模型，以适合该应用。

在框304处，模型生成单元128基于与电动车辆102相关联的一个或更多个车辆特性来调节模型。例如，车辆特性可以包括：电动车辆102的一个或更多个组件的老化信息、基于GPS系统的导航信息、与电动车辆102的任务的特定路线相关的行驶经验信息(例如，里程、速度、制动或驾驶模式、时间、天气，道路或负载状况等)。

在框306处，模型生成单元128基于一个或更多个辅助因子来调节模型。辅助因子是指可以影响电动车辆102的当前电力消耗趋势的一个或更多个条件。示例性辅助因子包括：电动车辆102的操作者的驾驶习惯、道路构成(例如，凹凸不平或铺设路面)、当前时间(例如，在凌晨2点和下午5点的操作)、交通状况、路况(例如，上坡与下坡或者凹凸不平与铺设路面)、负载条件(例如，部分装载与满载或者负载重量)、电力需求(例如，基于计划的、历史的或将来的需求)等。也可设想图2中讨论的其它的合适辅助因子，以适合该应用。

在框308处，电气化控制器126基于由模型生成单元128所生成的模型(或者在必要时在框304和/或框306中调节的模型)来设定电动车辆102的目标电力裕量，使得目标电力裕量在完成任务之后尽可能地接近能量储存源124的最小SOC阈值。在一个示例中，目标电力裕量可以高于或低于与电动车辆102相关联的当前电力裕量。在另一示例中，目标电力裕量可以和与电动车辆102相关联的当前电力裕量相同。在一个实施方式中，当前电力裕量是指与电动车辆102相关联的默认电力裕量，而目标电力裕量是指电动车辆102在任务结束时将具有的将来电力裕量。

在框310处，当目标电力裕量大于能量储存源124的最小SOC阈值时，控制进行至框312。否则，控制返回至框302，但是在其它的实施方式中，控制可以返回至框302至框306中的任一框，以适合不同的应用。

在框312处，电气化控制器126使用车辆监测单元132来确定电动车辆102的对应组件的老化速率。在实施方式中，老化速率可以是与电动车辆102的相应组件的劣化程度相关联的老化信息的一部分。例如，老化速率表示相应组件在预定时段内劣化或老化得有多快。在一个实施方式中，车辆监测单元132基于以下项中的至少一项来计算电动车辆102的相应组件的老化速率：远程信息处理数据、经验数据、实际数据、历史数据和/或仿真数据。电气化控制器126与车辆监测单元132进行通信以取得老化速率。尽管将框312示出为框310之后的下一步骤，但是可以将框312作为与框302至框310分离的独立步骤来执行，以适合不同的应用。

在框314处，当老化速率大于预定阈值(例如，大于5％)时，控制进行至框316。否则，控制返回至图2的框216。在实施方式中，电动车辆102的组件的正常老化速率的范围可以在每年约2％到5％之间变动。然而，例如，当电动机108的本年度的老化速率比去年的老化速率大5％以上时，电气化控制器126确定电动机108发生比预期更快的异常老化。作为另一示例，当电动车辆102中的电动机108的老化速率比相似电动车辆102'和102"的老化速率大预定阈值时，电气化控制器126确定电动车辆102的电动机108发生异常老化。

在框316处，电气化控制器126基于老化速率来检测电动车辆102的有故障组件，并且标记该有故障组件以向电动车辆102的操作者或者其它系统发出后续警告或消息。例如，当电气化控制器126确定已检测到电动车辆102的相应组件的异常老化速率时，电气化控制器126可以生成一个或更多个诊断代码或消息，诸如车载诊断(OBD)故障代码。

在另一实施方式中，电气化控制器126基于检测到异常老化速率，为与电动车辆102相关联的操作者或者其它系统生成警告或信息消息。例如，可以将警告或信息消息显示在电动车辆102的仪表盘显示器上，并且也可以将与老化信息相关的任何信息显示或发送给与电动车辆102相关联的其它系统。也可以设想其它的合适的可视或可听信号(诸如检查引擎灯)，以适合不同的应用。

在框318处，电气化控制器126基于老化速率来修改电动车辆102的电气化操作。例如，当基于历史数据检测到比正常快的老化速率时，电气化控制器126可以执行能量储存源124的充电操作达较长时段，以补偿较快的老化速率。作为另一示例，电气化控制器126可以修改与电动车辆102相关联的冷却系统的电池冷却参数、与能量储存源124相关联的充电极限和/或放电极限、和/或与能量储存源124相关联的充电循环和/或放电循环的次数。

应理解，本文所包含的各个图中示出的连接线旨在表示各个要素之间的示例性功能关系和/或物理联接。应注意到，在实践系统中可以存在许多另选或附加功能关系或物理连接。然而，可以导致任何益处、优点或解决方案出现或变得更显著的益处、优点、针对问题的解决方案以及任何要素不被视为关键的、必需的或基本的特征或要素。因此，所述范围除了所附权利要求以外不通过其它任何事物来限制，其中，除非明确地这样规定，否则按单数对要素的引用并非意指“一个且只有一个”，而是意指“一个或更多个”。此外，在权利要求中使用类似于“A、B或C中的至少一个”的短语的情况下，旨在将该短语解释为意指在实施方式可以存在单独A，在实施方式可以存在单独B，在实施方式可以存在单独C，或者在单个实施方式中可以存在要素A、B或C的任何组合；例如，A和B、A和C、B和C、或者A和B和C。

在本文的详细描述中，对“一个实施方式”、“一实施方式”、“示例实施方式”等的引用表示所描述的实施方式可以包括特定的特征、结构或特性，但每一个实施方式可能不一定包括该特定的特征、结构或特性。此外，这样的短语不一定是指同一实施方式。此外，当结合实施方式来描述特定的特征、结构或特性时，主张在受益于本公开的本领域技术人员的知识内，结合无论是否明确描述的其它实施方式来实现这种特征、结构或特性。在阅读本描述之后，相关领域技术人员应当明白，如何在另选实施方式中实现本公开。

而且，无论是否在权利要求中明确地陈述要素、组件或方法步骤，本公开中的要素、组件或方法步骤都不旨在专用于公众。本文中的权利要求要素都不应根据35 U.S.C.§112(f)的规定来解释，除非使用短语“用于…的装置(means for)”明确叙述该要素。如本文所用，术语“包括(comprises和comprising)”或其任何其它变型旨在覆盖非排它性的包含，使得包括要素列表的处理、方法、物品或设备不是仅包括那些要素，而是可以包括未明确列出的或者这种处理、方法、物品或设备固有的其它要素。

在不脱离目前所公开的主题的范围的情况下，可以对所讨论的示例性实施方式进行各种修改和增加。例如，虽然上述实施方式涉及特定的特征，但是本公开的范围也包括具有特征的不同组合的实施方式和不包括全部所描述的特征的实施方式。因此，本文所公开的主题的范围旨在涵盖落入权利要求的范围内的所有这样的另选例、修改以及变化及其所有的等同物。

Claims (24)

1.一种使用处理器（122）执行电动车辆（102）的自动电气化操作的系统，所述系统包括：

电气化控制器（126），所述电气化控制器被配置成与模型生成单元（128）进行通信；

所述模型生成单元（128），所述模型生成单元被配置成：

生成表示所述电动车辆（102）的电力消耗趋势的模型；以及

预测用于完成与所述电动车辆（102）相关的任务的电量；并且

所述电气化控制器（126）被配置成基于所述模型，按照如下方式来设定所述电动车辆（102）的目标电力裕量，即，使得所述目标电力裕量接近所述电动车辆（102）的能量储存源（124）的最小荷电状态阈值，所述最小荷电状态阈值表示所述能量储存源（124）的用来维持所述电动车辆（102）的正常运行的最小电力水平，并且所述目标电力裕量表示所述最小荷电状态阈值与在完成所述任务之后所述能量储存源（124）的结束电力水平之间的差异，

其中，所述处理器（122）被配置成基于所述目标电力裕量来执行所述电动车辆（102）的所述自动电气化操作。

2.根据权利要求1所述的系统，其中，所述模型生成单元（128）被至少部分地设置在云服务器中，所述云服务器经由网络（130）与所述电动车辆（102）进行通信。

3.根据权利要求1所述的系统，其中，所述处理器（122）被设置在所述电动车辆（102）中。

4.根据权利要求1所述的系统，其中，所述模型是基于物理学的模型，所述基于物理学的模型是基于与所述电动车辆（102）相关联的实际数据生成的。

5.根据权利要求1所述的系统，其中，所述模型是机器学习模型，所述机器学习模型是基于与所述电动车辆（102）相关联的仿真数据生成的。

6.根据权利要求1所述的系统，其中，所述模型是基于至少一个过滤因子调节的。

7.根据权利要求6所述的系统，其中，所述至少一个过滤因子是基于时间的因子。

8.根据权利要求1所述的系统，其中，所述模型包括所述电动车辆（102）的一个或更多个组件的老化信息。

9.根据权利要求8所述的系统，其中，所述老化信息包括与所述电动车辆（102）的相应组件的劣化程度相关的数据。

10.根据权利要求8所述的系统，其中，所述老化信息被用于检测所述电动车辆（102）的有故障组件。

11.根据权利要求8所述的系统，其中，所述老化信息被用于修改所述电动车辆（102）的所述自动电气化操作。

12.一种使用处理器（122）执行电动车辆（102）的自动电气化操作的方法，所述方法包括：

生成表示所述电动车辆（102）的电力消耗趋势的模型；

预测用于完成与所述电动车辆（102）相关联的任务的电量；

基于所述模型，按照如下方式来设定所述电动车辆（102）的目标电力裕量，即，使得所述目标电力裕量接近所述电动车辆（102）的能量储存源（124）的最小荷电状态阈值，所述最小荷电状态阈值表示所述能量储存源（124）的用来维持所述电动车辆（102）的正常运行的最小电力水平，并且所述目标电力裕量表示所述最小荷电状态阈值与在完成所述任务之后所述能量储存源（124）的结束电力水平之间的差异；以及

基于所述目标电力裕量来执行所述电动车辆（102）的所述自动电气化操作。

13.根据权利要求12所述的方法，所述方法还包括：基于与被指派给所述电动车辆（102）的路线的一趟或更多趟先前行驶相关联的实际数据来创建基于物理学的模型。

14.根据权利要求12所述的方法，所述方法还包括：基于与被指派给所述电动车辆（102）的路线的一趟或更多趟先前行驶相关联的仿真数据来创建机器学习模型。

15.根据权利要求12所述的方法，所述方法还包括：基于至少一个过滤因子或者至少一个辅助因子来调节所述模型。

16.根据权利要求12所述的方法，所述方法还包括：将所述目标电力裕量与所述电动车辆（102）的所述能量储存源（124）的所述最小荷电状态阈值进行比较。

17.根据权利要求16所述的方法，所述方法还包括：基于所述目标电力裕量与所述最小荷电状态阈值之间的比较来修改所述电动车辆（102）的所述自动电气化操作。

18.一种使用处理器（122）执行电动车辆（102）的自动电气化操作的方法，所述方法包括：

生成具有所述电动车辆（102）的至少一个组件的老化信息的模型，所述模型表示所述电动车辆（102）的电力消耗趋势；

预测用于完成与所述电动车辆（102）相关联的任务的电量；

基于所述模型，按照如下方式来设定所述电动车辆（102）的目标电力裕量，即，使得所述目标电力裕量接近所述电动车辆（102）的能量储存源（124）的最小荷电状态阈值，所述最小荷电状态阈值表示所述能量储存源（124）的用来维持所述电动车辆（102）的正常运行的最小电力水平，并且所述目标电力裕量表示所述最小荷电状态阈值与在完成所述任务之后所述能量储存源（124）的结束电力水平之间的差异；以及

基于所述目标电力裕量来执行所述电动车辆（102）的所述自动电气化操作。

19.根据权利要求18所述的方法，所述方法还包括：基于与所述电动车辆（102）相关联的一个或更多个车辆特性来调节所述模型。

20.根据权利要求18所述的方法，所述方法还包括：确定所述电动车辆（102）的所述至少一个组件的老化速率。

21.根据权利要求20所述的方法，所述方法还包括：基于所述老化速率来检测所述电动车辆（102）的有故障组件。

22.根据权利要求20所述的方法，所述方法还包括：基于所述老化速率来修改所述电动车辆（102）的所述自动电气化操作。

23.根据权利要求18所述的方法，所述方法还包括：将所述电动车辆（102）的所述目标电力裕量设定在第一百分比限值至第二百分比限值之间的范围内。

24.根据权利要求18所述的方法，所述方法还包括：将所述电动车辆（102）的所述目标电力裕量设定得比所述最小荷电状态阈值高至少预定量。