CN114407662B - 一种剩余里程预测方法、装置、电动汽车及存储介质 - Google Patents
一种剩余里程预测方法、装置、电动汽车及存储介质 Download PDFInfo
- Publication number
- CN114407662B CN114407662B CN202210127495.9A CN202210127495A CN114407662B CN 114407662 B CN114407662 B CN 114407662B CN 202210127495 A CN202210127495 A CN 202210127495A CN 114407662 B CN114407662 B CN 114407662B
- Authority
- CN
- China
- Prior art keywords
- average
- time
- power
- driving
- previous
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000004590 computer program Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000005265 energy consumption Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 239000003550 marker Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 208000019901 Anxiety disease Diseases 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000036506 anxiety Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/421—Speed
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/42—Drive Train control parameters related to electric machines
- B60L2240/423—Torque
-
- 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
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种剩余里程预测方法、装置、电动汽车及存储介质,涉及汽车技术领域。解决了特定路况、特定车辆与特定驾驶习惯下的电动汽车剩余驾驶里程的准确、高效预测问题。该方法包括:在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数。
Description
技术领域
本发明涉及汽车技术领域,更具体的涉及一种剩余里程预测方法、装置、电动汽车及存储介质。
背景技术
近年来,电动汽车市场规模不断增大,电动汽车的保有量在迅速的增长。在建设生态文明、构建“碳中和、碳达峰”的大背景下,可以预见,未来电动汽车仍会继续快速增长。电动汽车具有零污染与零排放的优点,是实现是解决气候问题、实现绿色交通的有效途径。然而,当前的充电实施发展相对滞后,无法满足电动汽车充电需求。由于充电设施以及续航里程的制约,驾驶人在出行时需考虑附近充电桩布局情况及电动汽车预计剩余驾驶里程,常常出现里程焦虑问题。特别是,当剩余驾驶里程预测不准确时,往往导致驾驶人在未到达充电桩时电动汽车已经电量耗尽。因此,准确并合理地预测电动汽车剩余驾驶里程,对于电动汽车驾驶人的出行规划及充电点的选择具有重要的意义。
发明内容
本发明实施例提供一种剩余里程预测方法、装置、电动汽车及存储介质,解决了特定路况、特定车辆与特定驾驶习惯下的电动汽车剩余驾驶里程的准确、高效预测问题。
本发明实施例提供一种剩余里程预测方法,包括:
在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;
根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;
根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数。
优选地,电动汽车的电机转矩包括驱动转矩和制动转矩;
获取当前时刻电动汽车的电机转矩,包括:
获取当前时刻电动汽车的驱动转矩或者制动转矩。
优选地,所述制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,具体包括:
若获取当前时刻电动汽车的制动转矩为零,确定电动汽车为驱动模式;或
若获取当前时刻电动汽车的制动转矩大于零,确定电动汽车为制动模式。
优选地,所述电机转矩平均功率包括平均驱动功率和平均制动功率;
所述根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值,具体包括:
通过下列公式确定前k时刻的平均驱动功率:
通过下列公式确定前k时刻的平均制动功率:
通过下列公式确定前k时刻的平均速度:
通过下列公式确定当前k时刻电池剩余电量值:
Erem(k)=Etotal×SOC
其中,表示前k时刻平均驱动功率,/>表示前k时刻平均制动功率,pd(k)=Td(k)×ω(k),pb(k)=Tb(k)×ω(k),ω表示电机转动角速度,Td表示驱动转矩,Tb表示制动转矩,pd(k)表示第k时刻的驱动功率,pb(k)表示第k时刻的制动功率,k表示第k个采样时刻,k-1表示第k-1个采样时刻,/>表示前k-1时刻平均制动功率,/>表示前k-1时刻平均驱动功率,/>表示前k时刻平均速度,/>表示前k-1时刻平均速度,v(k)表示第k时刻的第一速度,Erem(k)表示第k时刻电池剩余电量,SOC表示第k时刻电池的荷电状态,Etotal表示电池标称的总电量。
优选地,所述根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,具体包括:
通过下列公式确定剩余驾驶时间:
通过下列公式确定剩余驾驶里程:
其中,表示第k时刻预测剩余驾驶时间,/>表示第k时刻预测剩余驾驶里程。
本发明实施例提供一种剩余里程预测装置,包括:
获取单元,用于在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;
第一确定单元,用于根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;
第二确定单元,用于根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,,其中,k为正整数。
优选地,电动汽车的电机转矩包括驱动转矩和制动转矩;
所述获取单元具体用于:
获取当前时刻电动汽车的驱动转矩或者制动转矩;
所述第一确定单元具体用于:
若获取当前时刻电动汽车的制动转矩为零,确定电动汽车为驱动模式;或
若获取当前时刻电动汽车的制动转矩大于零,确定电动汽车为制动模式。
优选地,所述电机转矩平均功率包括平均驱动功率和平均制动功率;
所述第一确定单元具体用于:
通过下列公式确定前k时刻的平均驱动功率:
通过下列公式确定前k时刻的平均制动功率:
通过下列公式确定前k时刻的平均速度:
通过下列公式确定当前k时刻电池剩余电量值:
Erem(k)=Etotal×SOC
所述第二确定单元具体用于:
通过下列公式确定剩余驾驶时间:
通过下列公式确定剩余驾驶里程:
其中,表示前k时刻平均驱动功率,/>表示前k时刻平均制动功率,pd(k)=Td(k)×ω(k),pb(k)=Tb(k)×ω(k),ω表示电机转动角速度,Td表示驱动转矩,Tb表示制动转矩,pd(k)表示第k时刻的驱动功率,pb(k)表示第k时刻的制动功率,k表示第k个采样时刻,k-1表示第k-1个采样时刻,/>表示前k-1时刻平均制动功率,/>表示前k-1时刻平均驱动功率,/>表示前k时刻平均速度,/>表示前k-1时刻平均速度,v(k)表示第k时刻的第一速度,Erem(k)表示第k时刻电池剩余电量,SOC表示第k时刻电池的荷电状态,Etotal表示电池标称的总电量;/>表示第k时刻预测剩余驾驶时间,/>表示第k时刻预测剩余驾驶里程。
本发明实施例提供一种电动汽车,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述的一个或多个处理器上述任意一项所述的一种剩余里程预测方法。
本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述的一种剩余里程预测方法。
本发明实施例提供一种剩余里程预测方法、装置、电动汽车及介质,该方法包括:在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数。该方法通过迭代方式确定电机转矩平均功率和平均车速实现剩余驾驶里程和剩余驾驶时间的预测,能够有效反映了特定路况下的净输出功率消耗,从而具有更高的预测精度;能够反映特定车型的净输出功率消耗情况,对不同车型具有通用性更好的预测;解决了特定路况、特定车辆与特定驾驶习惯下的电动汽车剩余驾驶里程的准确、高效预测问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种剩余里程预测方法流程示意图;
图2为本发明实施例提供的实际驾驶里程和预测剩余里程对比示意图;
图3为本发明实施例提供的一种剩余里程预测装置结构示意图;
图4为本发明实施例提供一种电动汽车结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
近年来,关于电动汽车剩余驾驶里程技术的研究众多,归纳起来主要包括以下方法:
基于标杆对比法的续航里程预测
此类方法基于电池SOC状态信息、电池SOH健康状态信息和欧洲标准NEDC驾驶工况,采用标杆对比法得到电动汽车的剩余驾驶里程;在此基础上,采集电动汽车的仪表盘显示的剩余驾驶里程。然后对两种方法获取的剩余驾驶里程进行加权,获取最终剩余驾驶里程。此外,也有研究根据电池能量状态获得理想剩余驾驶里程预测值和理论剩余驾驶里程预测值的置信度,并设置相应的权重,对理想预测值和理论预测值进行加权处理,获得剩余驾驶里程预测值。也有学者通过计算最近一段特定距离的单位耗电量来计算车辆每消耗1%电能所行驶的里程,结合当前SOC值,并引入电池衰减系数,同时需要知道NEDC工况下车辆能行驶的最大里程Smax,进而预测剩余驾驶里程。为改善简单标杆对比法的缺陷,有学者根据NEDC工况下的每公里消耗能量以及当前状态下电池剩余能量,计算出剩余驾驶里程的基础值,之后根据实时单位公里消耗能量和NEDC工况下的每公里消耗能量的大小进行比较,进行进一步的修正,从而得到更加精确的结果。
基于数据驱动的续航里程预测
此类方法通过采集电动汽车大量的放电工况数据,经过筛选训练得到目标数据集以及与车辆剩余驾驶里程的高相关性的特征,经过神经网络训练得到预测模型。在实际使用时,将电动汽车当前放电工况代入所得到的预测模型中,即可得到了剩余驾驶里程。由于数据质量对剩余驾驶里程预测精度影响较大。为此,有学者基于改进符号回归算法和XGBoost算法的优化数据方法。基于改进符号回归算法进行特征构造,可以实现数据维度扩充,从而从原数据中自动生成高质量的新数据,之后将扩充得到的新数据传入XGBoost模型,即得到剩余驾驶里程。该数据特征构造方法提高了数据的质量,从而提高了预测精度。
基于衰减系数的续航里程预测
此类方法通过引入与剩余驾驶里程强相关的变量,如用户出行行为,用户驾驶行为,用户充电行为以及车辆的动力系统,并通过分析驾驶时刻的环境因素,车辆的动力系统,以及已有的驾驶数据,确定当前各变量的取值,各个变量加权处理后得到衰减系数,基于衰减系数实现续航里程的预测。
基于能量消耗率的续航里程预测
此类方法通过获取电动汽车行驶数据,计算出动力电池的能量消耗率,在预设时间内,基于预测工况模型,通过电池管理系统计算出剩余电池电量,依据能量消耗率以及剩余电池电量计算出车辆的剩余续航里程。此外,也有文献采用大量历史数据,结合车辆载荷情况,通过历史载荷下单位能耗的平均行驶距离,结合当前载荷于剩余电量,预测剩余续航里程。
基于聚类模型的续航里程预测
该方法的主要思想为分析影响续驶里程的影响因素,将行驶工况数据分段划分,提取影响续航里程的特征参数。基于特征参数,对行驶数据聚类划分并建立计算单位里程SOC下降的SVR模型,利用百度地图预测道路信息以及未来行驶工况,循环迭代SVR模型,结合当前SOC、工况参数和温度,预测剩余续航里程。此外,通过结合主成分分析和聚类分析也是电动汽车剩余续航里程的有效方法。该类方法基于大数据得到待测车辆所在地区的典型行驶工况,利用典型工况,建立主成分分析和学习向量量化神经网络相结合的工况识别模型以及驾驶人的驾驶风格的模糊识别模型,在此基础上使用联合仿真技术对剩余驾驶里程预测。
基于能耗参数辨识和路况预测
此类方法通过辨识车辆纵向动力学数据,比如各种阻力的大小,基于历史数据进行车辆能量消耗的计算。在此基础上采用最小二乘法辨识车辆动力系统的参数,利用该参数对未来的工况能耗进行预测。基于此,对行驶工况在空间和时间上分类,利用KNN算法预测道路工况;结合辨识出的参数以及预测出的未来道路工况,得出百公里平均能耗,进而计算出剩余驾驶里程。
首先,目前大多方法基于欧标NEDC工况实现电动汽车剩余驾驶里程的预计,这类方法一种典型的标杆对比法。众所周知,NEDC是一种包括城市道路场景、高速公路场景等多种场景为一体的行驶工况。然而,实际驾驶过程中,并非电动汽车的每次出行都能包含这些场景,因此基于标杆法的剩余驾驶里程很难和实际情况相吻合。此外,NEDC工况没有考虑新能源汽车的制动能量回收过程,因此,采用NEDC工况的标杆对比法得到的剩余续航里程与实际续航里程差别较大。
其次,大多方法用于剩余驾驶里程预测方法试图通过寻找影响续航里程的变量,并通过采样变量入手,计算可剩余驾驶里程。然而,当变量选择过少,结果容易失真,比如基于NEDC计算得到第一续航里程,根据电池状态信息得到第二续航里程,二者加权平均,由于考虑的变量过少,结果显然准确性无法得到保证。但是,如果考虑变量过多,则很明显会大大增加数据存储于计算的难度,造成计算复杂度增加以及计算时间的大幅增加,这样就无法保证数据的实时性要求。比如,计算衰减系数,变量达数十种,数据存储于计算过程将会变得相对复杂,不利于实时显示。
再次,对于数据驱动类方法,数据的质量严重影响预测精度。采用神经网络、聚类分析等方法需要采集大量数据,而数据的质量如果无法保证,很容易引起预测误差。此外,数据驱动方法需要大量数据来训练预测模型,这将增大了系统的计算复杂度。
最后,目前主流方法大多存在算法适配性问题。比如采用神经网络训练的方法,如果模型的训练数据和预测的里程不是同一辆电动汽车的话,预测结果偏差较大,因此方法的普适性较差。此外,不同场景下训练出的模型参数差异性较大,因此很难训练处一种模型适用于所有场景。
基于上述问题,本发明实施例提供一种剩余里程预测方法,该方法可以解决了特定路况、特定车辆与特定驾驶习惯下的电动汽车剩余驾驶里程的准确、高效预测问题。
图1为本发明实施例提供的一种剩余里程预测方法流程示意图,如图1所示,该方法主要包括以下步骤:
步骤101,在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;
步骤102,根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;
步骤103,根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数。
在步骤101中,在每个采样时刻,过电动汽车OBD(On-Board Diagnostics,车载诊断系统)接口采集电动汽车的运行数据,进一步,通过OBD解码分析仪可以直接输出电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态(SOC,State of Charge)。
需要说明的时,在实际应用中,电动汽车的电机转矩包括驱动转矩和制动转矩,因此,在每个采样时刻,通过ODB解码分析仪可以直接输出电动汽车的驱动转矩或者制动转矩。
在步骤102中,根据制动转矩值可以判断每个采样时刻的电动汽车所处的模式,具体地,若制动转矩为零时,则可确定电动汽车处于驱动模式;若制动转矩大于零,则可以确定电动汽车处于制动模式。
进一步地,若确定当前采样时刻的模式为驱动模式时,则可以通过下列公式(1)确定当前采样时刻的驱动功率:
pd(k)=Td(k)×ω(k) (1)
进一步地,确定当前采样时刻的模式为制动模式时,则可以通过下列公式(2)确定当前采样时刻的制动功率:
pb(k)=Tb(k)×ω(k) (2)
其中,上述公式中,Td表示驱动转矩,Tb表示制动转矩,pd(k)表示第k时刻的驱动功率,pb(k)表示第k时刻的制动功率,k表示第k个采样时刻,ω表示电机转动角速度,ω(k)表示第k时刻电机转动角速度。
需要说明的时,当确定当前采样时刻的模式为驱动模式时,则该采样时刻的制动功率为零,相应地,当确定当前采样时刻的模式为制动模式时,则该采样时刻的驱动功率为零。
进一步地,通过对当前时刻的采样以及根据当前时刻的采样结果确定的制动功率或者驱动功率,可以分别确定前k时刻的平均驱动功率、平均制动功率和平均车速,具体地,前k时刻的平均驱动功率、前k时刻的平均制动功率和前k时刻的平均车速分别通过下列公式(3)、(4)和(5)确定:
其中,表示前k时刻平均驱动功率,/>表示前k时刻平均制动功率,pd(k)=Td(k)×ω(k),pb(k)=Tb(k)×ω(k),ω表示电机转动角速度,Td表示驱动转矩,Tb表示制动转矩,pd(k)表示第k时刻的驱动功率,pb(k)表示第k时刻的制动功率,k表示第k个采样时刻,k-1表示第k-1个采样时刻,/>表示前k-1时刻平均制动功率,/>表示前k-1时刻平均驱动功率,/>表示前k时刻平均速度,/>表示前k-1时刻平均速度,v(k)表示第k时刻的第一速度。
进一步地,根据步骤101采集的电池的荷电状态SOC和电池标称的总电量,通过下列公式(6)可以确定当前k时刻电池剩余电量值:
Erem(k)=Etotal×SOC (6)
其中,Erem(k)表示第k时刻电池剩余电量,SOC表示第k时刻电池的荷电状态,Etotal表示电池标称的总电量。
在步骤103中,根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度,通过下列公式(7)和(8)分别确定剩余驾驶时间和剩余驾驶里程:
其中,表示第k时刻预测剩余驾驶时间,/>表示第k时刻预测剩余驾驶里程。
需要说明的是,在实际应用中,电动汽车在驱动过程消耗能量,在制动过程释放能量,因此平均净输出功率为平均驱动功率减去平均制动功率。那么,剩余可行驶时间为电池剩余能量除以平均净输出功率;而剩余驾驶里程为预测剩余可行驶时间乘以历史平均速度。上述预测剩余驾驶里程的单位为千米,预测剩余驾驶时间的单位为小时。
图2为本发明实施例提供的实际驾驶里程和预测剩余里程对比示意图,从图中结果可以看到,整体实际剩余续驶里程与预测值误差较小,并且随着行驶时间的增加,以及剩余续驶里程的降低,预测精度大大提高,尤其在实际剩余驾驶里程10公里以内,预测剩余里程值与实际剩余里程值的差异几乎可以忽略不计,由于在实际应用中,在动力电池SOC值较高的情况下,驾驶员并不会对剩余续驶里程过度关心,但是在动力电池SOC值较低的情况下,驾驶员往往更容易产生“续航焦虑”,因此,通过本发明实施例提供的一种剩余里程预测方法,此时的高精度预测在实际应用中显得尤为重要。基于该方法可以在剩余里程10公里范围内预测精度非常高,因此,本发明实施例提供的方法在实际应用中会产生非常好的效果,相应地,在实际中也可以有效地缓解驾驶员“续航焦虑”问题。
图3为本发明实施例提供地一种剩余里程预测装置结构示意图,该装置用于执行上述任意实施例所提供的一种剩余里程预测方法。该装置与上述各实施例的一种剩余里程预测方法属于同一个发明构思,在剩余里程的确定装置的实施例中未详尽描述的细节内容,可以参考上述一种剩余里程预测方法的实施例。如图3所示,该装置包括获取单元201,第一确定单元202和第二确定单元203。
获取单元201,用于在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;
第一确定单元202,用于根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;
第二确定单元203,用于根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,,其中,k为正整数。
优选地,电动汽车的电机转矩包括驱动转矩和制动转矩;
所述获取单元201具体用于:
获取当前时刻电动汽车的驱动转矩或者制动转矩;
所述第一确定单元202具体用于:
若获取当前时刻电动汽车的制动转矩为零,确定电动汽车为驱动模式;或
若获取当前时刻电动汽车的制动转矩大于零,确定电动汽车为制动模式。
优选地,所述电机转矩平均功率包括平均驱动功率和平均制动功率;
所述第一确定单元202具体用于:
通过下列公式确定前k时刻的平均驱动功率:
通过下列公式确定前k时刻的平均制动功率:
通过下列公式确定前k时刻的平均速度:
通过下列公式确定当前k时刻电池剩余电量值:
Erem(k)=Etotal×SOC
所述第二确定单元203具体用于:
通过下列公式确定剩余驾驶时间:
通过下列公式确定剩余驾驶里程:
其中,表示前k时刻平均驱动功率,/>表示前k时刻平均制动功率,pd(k)=Td(k)×ω(k),pb(k)=Tb(k)×ω(k),ω表示电机转动角速度,Td表示驱动转矩,Tb表示制动转矩,pd(k)表示第k时刻的驱动功率,pb(k)表示第k时刻的制动功率,k表示第k个采样时刻,k-1表示第k-1个采样时刻,/>表示前k-1时刻平均制动功率,/>表示前k-1时刻平均驱动功率,/>表示前k时刻平均速度,/>表示前k-1时刻平均速度,v(k)表示第k时刻的第一速度,Erem(k)表示第k时刻电池剩余电量,SOC表示第k时刻电池的荷电状态,Etotal表示电池标称的总电量;/>表示第k时刻预测剩余驾驶时间,/>表示第k时刻预测剩余驾驶里程。
应当理解,以上一种剩余里程预测装置包括的单元仅为根据该设备装置实现的功能进行的逻辑划分,实际应用中,可以进行上述单元的叠加或拆分。并且该实施例提供的一种剩余里程预测装置所实现的功能与上述实施例提供的一种剩余里程预测方法一一对应,对于该装置所实现的更为详细的处理流程,在上述方法实施例一中已做详细描述,此处不再详细描述。
图4为本发明实施例提供的一种电动汽车结构示意图,如图4所示,该电动汽车包括存储器310、处理器320、输入装置330和输出装置340。电动汽车中的处理器320的数量可以是一个或多个,图4中以一个处理器320为例;电动汽车中的存储器310、处理器320、输入装置330和输出装置340可以通过总线或其它方式连接,图4中以通过总线350连接为例。
存储器310作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如与本发明实施例中的剩余里程的确定方法对应的程序指令/模块(例如,一种剩余里程预测装置包括地获取单元201,第一确定单元202和第二确定单元203)。处理器320通过运行存储在存储器310中的软件程序、指令以及模块,从而执行电动汽车的各种功能应用以及数据处理,即实现上述的剩余里程的确定方法。
存储器310可主要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、至少一个功能所需的应用程序;存储数据区可存储根据电动汽车的使用所创建的数据等。此外,存储器310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。在一些实例中,存储器310可进一步包括相对于处理器320远程设置的存储器,这些远程存储器可以通过网络连接至设备。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330可用于接收输入的数字或字符信息,以及产生与装置的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
本发明实施例提供一种包含计算机可执行指令的存储介质,该计算机可执行指令在由计算机处理器执行时用于执行一种剩余里程预测方法,该方法可以包括:
在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;
根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;
根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的一种剩余里程预测方法中的相关操作。
综上所述,本发明实施例提供一种剩余里程预测方法、装置、电动汽车及存储介质,该方法包括:在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数。该方法通过迭代方式确定电机转矩平均功率和平均车速实现剩余驾驶里程和剩余驾驶时间的预测,有效避免了因数据噪声大噪声的预测精度地的缺陷、有效节省了数据存储空间并提升了计算效率、有效提高了该方法的适用性;再者,该预测方法能够有效反映了特定路况下的净输出功率消耗,从而具有更高的预测精度;能够反映特定车型的净输出功率消耗情况,对不同车型具有通用性更好的预测;能够反映特定驾驶习惯,对不同驾驶具有通用性更好的预测。该方法解决了特定路况、特定车辆与特定驾驶习惯下的电动汽车剩余驾驶里程的准确、高效预测问题。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种剩余里程预测方法,其特征在于,包括:
在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;
根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;
根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数;
所述电动汽车的电机转矩包括驱动转矩和制动转矩;
获取当前时刻电动汽车的电机转矩,包括:
获取当前时刻电动汽车的驱动转矩或者制动转矩;
所述制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,具体包括:
若获取当前时刻电动汽车的制动转矩为零,确定电动汽车为驱动模式;或
若获取当前时刻电动汽车的制动转矩大于零,确定电动汽车为制动模式;
所述电机转矩平均功率包括平均驱动功率和平均制动功率;
所述根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值,具体包括:
通过下列公式确定前k时刻的平均驱动功率:
通过下列公式确定前k时刻的平均制动功率:
通过下列公式确定前k时刻的平均速度:
通过下列公式确定当前k时刻电池剩余电量值:
Erem(k)=Etotal×SOC
其中,表示前k时刻平均驱动功率,/>表示前k时刻平均制动功率,pd(k)=Td(k)×ω(k),pb(k)=Tb(k)×ω(k),ω表示电机转动角速度,Td表示驱动转矩,Tb表示制动转矩,pd(k)表示第k时刻的驱动功率,pb(k)表示第k时刻的制动功率,k表示第k个采样时刻,k-1表示第k-1个采样时刻,/>表示前k-1时刻平均制动功率,/>表示前k-1时刻平均驱动功率,/>表示前k时刻平均速度,/>表示前k-1时刻平均速度,v(k)表示第k时刻的第一速度,Erem(k)表示第k时刻电池剩余电量,SOC表示第k时刻电池的荷电状态,Etotal表示电池标称的总电量;
所述根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,具体包括:
通过下列公式确定剩余驾驶时间:
通过下列公式确定剩余驾驶里程:
其中,表示第k时刻预测剩余驾驶时间,/>表示第k时刻预测剩余驾驶里程。
2.一种剩余里程预测装置,其特征在于,包括:
获取单元,用于在每个采样时刻,获取当前时刻电动汽车的电机转矩、电机转动角速度、第一速度和电池的荷电状态;
第一确定单元,用于根据制动转矩值和当前时刻电动汽车的电机转矩,确定当前时刻电动汽车的运行模式,根据所述运行模式确定前k时刻电机转矩平均功率、平均速度和当前时刻电池剩余电量值;
第二确定单元,用于根据前k时刻的电池剩余电量、前k时刻的电机转矩平均功率、前k时刻的平均速度确定剩余驾驶时间和剩余驾驶里程,其中,k为正整数;
电动汽车的电机转矩包括驱动转矩和制动转矩;
所述获取单元具体用于:
获取当前时刻电动汽车的驱动转矩或者制动转矩;
所述第一确定单元具体用于:
若获取当前时刻电动汽车的制动转矩为零,确定电动汽车为驱动模式;或
若获取当前时刻电动汽车的制动转矩大于零,确定电动汽车为制动模式;
所述电机转矩平均功率包括平均驱动功率和平均制动功率;
所述第一确定单元具体用于:
通过下列公式确定前k时刻的平均驱动功率:
通过下列公式确定前k时刻的平均制动功率:
通过下列公式确定前k时刻的平均速度:
通过下列公式确定当前k时刻电池剩余电量值:
Erem(k)=Etotal×SOC
所述第二确定单元具体用于:
通过下列公式确定剩余驾驶时间:
通过下列公式确定剩余驾驶里程:
其中,表示前k时刻平均驱动功率,/>表示前k时刻平均制动功率,pd(k)=Td(k)×ω(k),pb(k)=Tb(k)×ω(k),ω表示电机转动角速度,Td表示驱动转矩,Tb表示制动转矩,pd(k)表示第k时刻的驱动功率,pb(k)表示第k时刻的制动功率,k表示第k个采样时刻,k-1表示第k-1个采样时刻,/>表示前k-1时刻平均制动功率,/>表示前k-1时刻平均驱动功率,/>表示前k时刻平均速度,/>表示前k-1时刻平均速度,v(k)表示第k时刻的第一速度,Erem(k)表示第k时刻电池剩余电量,SOC表示第k时刻电池的荷电状态,Etotal表示电池标称的总电量;/>表示第k时刻预测剩余驾驶时间,/>表示第k时刻预测剩余驾驶里程。
3.一种电动汽车,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述的一个或多个处理器实现如权利要求1所述的一种剩余里程预测方法。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述的一种剩余里程预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127495.9A CN114407662B (zh) | 2022-02-11 | 2022-02-11 | 一种剩余里程预测方法、装置、电动汽车及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210127495.9A CN114407662B (zh) | 2022-02-11 | 2022-02-11 | 一种剩余里程预测方法、装置、电动汽车及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114407662A CN114407662A (zh) | 2022-04-29 |
CN114407662B true CN114407662B (zh) | 2024-05-03 |
Family
ID=81279575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210127495.9A Active CN114407662B (zh) | 2022-02-11 | 2022-02-11 | 一种剩余里程预测方法、装置、电动汽车及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114407662B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104442825A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种电动汽车剩余行驶里程的预测方法和系统 |
CN105759218A (zh) * | 2016-03-01 | 2016-07-13 | 深圳飞马机器人科技有限公司 | 一种电动无人机剩余里程估计方法 |
CN109849676A (zh) * | 2017-11-30 | 2019-06-07 | 长城汽车股份有限公司 | 一种续驶里程计算方法及系统 |
CN109941111A (zh) * | 2019-04-28 | 2019-06-28 | 广州小鹏汽车科技有限公司 | 剩余续驶里程的预估方法和电动汽车 |
CN110406427A (zh) * | 2019-06-12 | 2019-11-05 | 四川野马汽车股份有限公司 | 一种电动汽车剩余里程的自学习方法 |
CN111038334A (zh) * | 2019-12-31 | 2020-04-21 | 华人运通(江苏)技术有限公司 | 一种电动汽车续驶里程预测方法及装置 |
WO2021218313A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国第一汽车股份有限公司 | 车辆的剩余里程确定方法、装置及车辆 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10328814B2 (en) * | 2016-04-05 | 2019-06-25 | Ford Global Technologies, Llc | Systems and methods to determine electric vehicle range based on environmental factors |
-
2022
- 2022-02-11 CN CN202210127495.9A patent/CN114407662B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104442825A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种电动汽车剩余行驶里程的预测方法和系统 |
CN105759218A (zh) * | 2016-03-01 | 2016-07-13 | 深圳飞马机器人科技有限公司 | 一种电动无人机剩余里程估计方法 |
CN109849676A (zh) * | 2017-11-30 | 2019-06-07 | 长城汽车股份有限公司 | 一种续驶里程计算方法及系统 |
CN109941111A (zh) * | 2019-04-28 | 2019-06-28 | 广州小鹏汽车科技有限公司 | 剩余续驶里程的预估方法和电动汽车 |
CN110406427A (zh) * | 2019-06-12 | 2019-11-05 | 四川野马汽车股份有限公司 | 一种电动汽车剩余里程的自学习方法 |
CN111038334A (zh) * | 2019-12-31 | 2020-04-21 | 华人运通(江苏)技术有限公司 | 一种电动汽车续驶里程预测方法及装置 |
WO2021218313A1 (zh) * | 2020-04-27 | 2021-11-04 | 中国第一汽车股份有限公司 | 车辆的剩余里程确定方法、装置及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN114407662A (zh) | 2022-04-29 |
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 | |
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 | |
CN111670340B (zh) | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN111452794B (zh) | 一种确定能耗的方法及装置和确定驾驶策略的方法及装置 | |
CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及系统 | |
CN113335131B (zh) | 一种车辆续航里程预测方法、装置、设备和存储介质 | |
CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
CN112818036B (zh) | 基于云端大数据的电动车剩余里程预估方法和装置 | |
CN112560186B (zh) | 电动汽车行程能耗预测方法、装置、设备及可存储介质 | |
CN112406875B (zh) | 一种车辆能耗的分析方法和装置 | |
CN113895307B (zh) | 一种剩余里程的确定方法、装置、电动汽车及介质 | |
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 | |
CN116562405A (zh) | 一种增程式插电混合动力汽车预约充电智能方法、装置及计算机系统 | |
CN116702096A (zh) | 车辆高原环境道路滑行阻力测算方法及装置 | |
JP2021124419A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
CN110789396A (zh) | 电池组荷电状态数据检测方法、装置、介质、终端及汽车 | |
CN113469455A (zh) | 一种续航数据的预估方法和装置 | |
CN114407662B (zh) | 一种剩余里程预测方法、装置、电动汽车及存储介质 | |
CN114676870A (zh) | 车速预测方法、车速预测模型训练方法和相关装置 | |
CN115688957A (zh) | 一种车辆能耗确定方法、装置、电子设备及存储介质 | |
CN114707037A (zh) | 新能源车辆节能驾驶推荐方法、装置、设备及存储介质 | |
CN111785012A (zh) | 一种车云协同计算的能耗路谱分析方法 | |
CN110852378A (zh) | 一种基于导航系统的道路工况运动学片断提取方法 |
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 |