CN115485681A - 用于管理速度配置文件的系统和方法 - Google Patents

Abstract

用于选择用于电动车辆的速度配置文件的系统、方法和至少一种计算机可读介质。在一些实施例中，可以为在选择范围内的路段确定第一参数值，并且可以为电动车辆的能量存储设备确定第二参数值。第一参数值和第二参数值可以被用于预测选择范围内的多个速度配置文件，其中每个速度配置文件是基于与电动车辆的驾驶员的驾驶方式相关的变量的对应值来预测的。可以为每个速度配置文件计算能量消耗成本和行驶时间成本。基于相应的能量消耗成本和相应的行驶时间成本，可以从所述多个速度配置文件中选择速度配置文件。

Description

用于管理速度配置文件的系统和方法

相关应用

本申请依据35 USC 119(e)要求于2020年3月18日提交的标题为“SYSTEMS ANDMETHODS FOR MANAGING ENERGY STORAGE SYSTEMS”的美国临时申请No.62/991,413的权益，该申请通过引用整体并入本文。

背景技术

在某个时间点生成或收集的能量可以使用许多不同类型的能量存储设备(诸如电化学电池、超级电容器、锂电容器、氢燃料电池、压缩空气能量存储装置、飞轮能量存储装置等)进行存储以供以后使用。基于不同操作原理的能量存储设备可以具有不同的特点。例如，一些能量存储设备(例如，电化学电池)可以能够在单位质量和/或单位体积的基础上存储大量能量，而一些能量存储设备(例如，超级电容器)可以能够在单位质量和/或单位体积的基础上递送大量电力。

很多时候，尤其是当存在诸如成本、重量、空间等约束时，提供既能存储大量能量又能递送大量电力的能量存储设备可以是具有挑战性的。例如，为实现更高能量密度(和/或比能量)而做出的设计选择(例如，电池化学成分、电极配置等)会导致更低的功率密度(和/或比功率)，反之亦然。

而且，在电化学电池的情况下，高放电率会产生过多的热量，这会损坏电池并缩短其使用寿命。

发明内容

根据一些实施例，提供了一种用于选择用于电动车辆的速度配置文件(profile)的计算机实现的方法，包括以下动作：确定多个参数值，这多个参数值包括：用于选择范围内的至少一个路段的至少一个第一参数值；以及用于电动车辆的至少一个能量存储设备的至少一个第二参数值；使用多个参数值来预测选择范围内的多个速度配置文件，其中：多个速度配置文件中的每个速度配置文件是基于与电动车辆的驾驶员的驾驶方式相关的至少一个变量的对应值来预测的；计算多个速度配置文件中的每个速度配置文件的能量消耗成本和行驶时间成本；以及基于相应的能量消耗成本和相应的行驶时间成本，从多个速度配置文件中选择速度配置文件。

根据一些实施例，提供了一种系统，包括至少一个计算机处理器和至少一个其上存储有指令的计算机可读介质，指令在被执行时对至少一个计算机处理器进行编程以执行本文描述的任何方法。

根据一些实施例，提供了至少一种其上存储有指令的计算机可读介质，指令在被执行时对至少一个计算机处理器进行编程以执行本文描述的任何方法。

附图说明

图1A示出了根据一些实施例的说明性能量存储管理系统100。

图1B示出了根据一些实施例的说明性远程能量存储管理系统150和说明性本地能量存储管理系统160。

图2A示出了根据一些实施例的说明性机器学习模型200。

图2B示出了根据一些实施例的说明性机器学习模型250的集合。

图3A示出了根据一些实施例的说明性速度配置文件300A和305A。

图3B示出了根据一些实施例的说明性速度配置文件300B和305B。

图3C示出了根据一些实施例的说明性速度配置文件300C和305C。

图3D示出了根据一些实施例的说明性速度配置文件300D和305D。

图4A示出了根据一些实施例的用于段末速度预测的说明性过程400A。

图4B示出了根据一些实施例的用于预测路段的总体速度配置文件的说明性过程400B。

图4C示出了根据一些实施例的用于选择速度配置文件的说明性过程400C。

图5示出了根据一些实施例的用于选择一种或多种能量管理策略的说明性过程500。

图6示出了根据一些实施例的模型类别的说明性网络600。

图7示出了根据一些实施例的可以在其上实现本公开的一个或多个方面的说明性系统1000。

具体实施方式

发明人已经意识并认识到，能量存储设备的性能可以取决于一个或多个外部条件(例如，温度、湿度、大气压力等)和/或一个或多个内部条件(例如，氧化和/或在电极上堆积)而变化。一个或多个内部条件进而可以取决于过去如何使用能量存储设备。例如，过热和/或快速放电会对电化学电池造成损坏。

因而，在一些实施例中，提供了用于以自适应方式管理能量存储系统的技术。例如，可以提供用于动态控制一个或多个能量存储设备的充电和/或放电的技术，其中可以基于一个或多个外部条件和/或一个或多个内部条件做出控制决定。

可以以任何合适的方式确定能量存储设备的外部或内部条件。例如，在一些实施例中，可以使用一个或多个传感器测量外部或内部条件。附加地或可替代地，外部或内部条件可以从传感器数据和/或其它数据(例如，与过去如何使用能量存储设备相关的历史数据)得出。例如，可以通过将一个或多个模型应用于传感器数据和/或其它数据来预测外部或内部条件。

在一些实施例中，可以提供包括两种或更多种不同类型的能量存储设备的能量存储系统。这种能量存储系统在本文中有时被称为“异构”能量存储系统。例如，可以使用具有相对高能量密度(和/或比能量)的能量存储设备来满足相对稳定的电力需求。当电力需求出现尖峰时，除了具有相对高能量密度(和/或比能量)的能量存储设备或代替其，还可以使用具有相对高功率密度(和/或比功率)的能量存储设备。但是，应当认识到的是，本公开的方面不限于使用异构能量存储系统。本文描述的技术中的一种或多种可以被用于管理和/或设计具有一个或多个相同类型的能量存储设备的能量存储系统。这种能量存储系统在本文中有时被称为“同构”能量存储系统。

应当认识到的是，上面介绍的和下面更详细讨论的技术可以以多种方式中的任何一种方式来实现，因为这些技术不限于任何特定的实施方式。本文仅出于说明性目的而提供实施细节的示例。此外，本文公开的技术可以被单独使用或以任何合适的组合使用，因为本公开的方面不限于使用任何特定技术或技术的组合。

图1A示出了根据一些实施例的说明性能量存储管理系统100。在这个示例中，说明性能量存储管理系统100被用于管理能量存储设备110A和110B以向能量应用120供应能量和/或从能量应用120接收能量。能量应用120可以是任何合适的能量应用，诸如车辆、器具、数据中心、电网等。应当认识到的是，能量应用可以属于这些类别中的一个或多个。例如，仓库机器人可以既是车辆又是器具。

车辆的示例包括但不限于陆地车辆(例如，汽车、摩托车、踏板车、电车等)、船只(例如，船、水上摩托艇、气垫船、潜水艇等)、飞行器(例如，无人机、直升机、飞机等)和航天器。应当认识到的是，车辆可以属于这些类别中的多个类别。例如，水上飞机可以既是船只又是飞机。

电器的示例包括但不限于机器人、HVAC(加热、通风和空调)设备、建筑设备、电动工具、制冷设备和计算设备。这样的器具可以在任何合适的环境中使用，例如住宅环境、商业环境和/或工业环境。

在一些实施例中，能量存储设备110A和110B可以是不同类型。例如，与能量存储设备110B相比，能量存储设备110A可以具有更高的能量密度(和/或比能量)。此外或可替代地，与能量存储设备110A相比，能量存储设备110B可以具有更高的功率密度(和/或比功率)。因而，能量存储设备110A和能量存储设备110B在本文中有时分别被称为“高能量”设备和“高功率”设备。因此，应当认识到的是，术语“高能量”和“高功率”以相对意义而不是绝对意义使用。

在图1A中所示的示例中，能量存储设备110A包括能量存储装置112A，并且能量存储设备110B包括能量存储装置112B。在一些实施例中，能量存储装置112A可以包括电化学电池，而存储装置112B可以包括超级电容器。但是，应当认识到的是，本公开的方面不限于使用任何特定的能量存储技术或能量存储技术的组合。在一些实施例中，能量存储装置112A和112B都可以包括电化学电池，其可以具有相同的化学成分或不同的化学成分。在一些实施例中，能量存储装置112A和112B都可以包括超级电容器，或者可以是相同类型或不同类型的其它非电化学能量存储单元。

能量存储装置112A可以具有任何合适的构造。例如，能量存储装置112A可以使用液体电解质、固体电解质和/或聚合物电解质。而且，能量存储装置112A可以是电池、模块、电池组或其它可单独控制的合适单元。同样，能量存储装置112B可以具有任何合适的构造，其可以与能量存储装置112A的构造相同或不同。例如，能量存储装置112B可以使用液体电解质、固体电解质和/或聚合物电解质。而且，能量存储装置112B可以是电池、模块、电池组或其它可单独控制的合适单元。

在一些实施例中，能量存储设备110A和能量存储设备110B之一或两者可以包括设备管理器。例如，在图1A的示例中，能量存储设备110A和能量存储设备110B分别包括设备管理器114A和114B。例如，设备管理器可以包括内置于智能电池组中的电池管理系统(BMS)。

在一些实施例中，设备管理器(例如，设备管理器114A或设备管理器114B)可以被配置为监控相关联的能量存储装置(例如，能量存储装置112A或能量存储装置112B)的一个或多个方面。被监视的方面的示例包括但不限于电流、电压、温度、充电状态(例如，充电的百分比)、健康状态(例如，当能量存储设备是新的时，当前容量占原始容量的百分比)等。例如，设备管理器可以包括被配置为从相关联的能量存储装置收集数据的一个或多个传感器。附加地或可替代地，设备管理器可以包括被配置为处理从相关联的能量存储装置收集的数据的一个或多个控制器。

在一些实施例中，设备管理器(例如，设备管理器114A或设备管理器114B)可以被配置为控制相关联的能量存储装置(例如，能量存储装置112A或能量存储装置112B)。例如，设备管理器可以被配置为响应于确定相关联的能量存储装置的温度已经达到选择的阈值而停止相关联的能量存储装置的放电。附加地或可替代地，在相关联的能量存储装置包括多个串联电池的实施例中，设备管理器可以被配置为执行平衡，例如，通过将能量从充电最多的电池转移到充电最少的电池。

在一些实施例中，设备管理器(例如，设备管理器114A或设备管理器114B)可以被配置为经由诸如总线接口(例如，控制器局域网或CAN))、无线接口(例如，蓝牙)等通信接口传输数据。例如，设备管理器可以被配置为将数据传输到能量存储管理系统100的主控制器102。可以传输任何合适的数据，包括但不限于传感器数据和/或分析传感器数据的一个或多个结果。

应当认识到的是，本公开的方面不限于使用具有相关联的设备管理器的能量存储设备。在一些实施例中，能量存储设备外部的一个或多个传感器可以被用于监视能量存储设备的一个或多个方面，诸如电流、电压、温度、充电状态、健康状态等。

在一些实施例中，除了设备管理器114A和/或设备管理器114B之外或代替设备管理器114A和/或设备管理器114B，主控制器102还可以从能量应用120接收数据。例如，能量应用120可以提供指示能量应用120当前正在汲取或供应多少功率的数据。附加地或可替代地，能量应用120可以提供环境数据，诸如天气(例如，温度、湿度、大气压力等)、交通(在车辆的情况下)等。附加地或可替代地，能量应用120可以提供操作数据，诸如速度(在车辆的情况下)、CPU使用率(在计算装备的情况下)、负载重量(在仓库机器人或无人机的情况下)等。

附加地或可替代地，主控制器102可以从电力电子器件104接收数据，电力电子器件104可以包括被配置为在能量存储设备110A和110B之间分配能量应用120的电力需求或供应的电路系统。例如，电力电子器件104可以提供指示能量应用120当前是否正在汲取或供应功率、能量应用120当前正在汲取或供应多少功率和/或该功率如何在能量存储设备110A和110B之间分配的数据。

附加地或可替代地，主控制器102可以从一个或多个远程数据源130接收数据。例如，能量存储管理系统100可以包括网络接口106，该网络接口106被配置为使用合适的联网技术(例如，5G、WiMax、LTE、GSM、WiFi、以太网、蓝牙等)建立连接。虽然图1A中仅示出一个网络接口，但应当认识到的是，本公开的方面不限于此。在一些实施例中，可以提供多个网络接口，这些网络接口可以是相同类型或不同类型。在一些实施例中，可以不提供网络接口，并且主控制器102可以经由能量应用120从远程数据源接收数据。

而且，应当认识到的是，可以从任何合适的远程数据源接收数据。例如，能量应用120可以是车队中的车辆，并且主控制器102可以从车队中的其它车辆接收数据。附加地或可替代地，主控制器102可以从监视和/或控制车队的云服务器接收数据。

在一些实施例中，主控制器102可以被配置为向电力电子器件104提供一个或多个控制信号。例如，主控制器102可以被配置为分析从能量存储设备110A、能量存储设备110B、电力电子器件104、能量应用120和/或一个或多个远程数据源130接收的数据。基于分析的结果，主控制器102可以确定能量应用120对功率的需求(或供应)应当如何在能量存储设备110A和110B之间分配，和/或能量是否应当从能量存储设备110A传送到能量存储设备110B，反之亦然。主控制器102然后可以向电力电子器件104提供一个或多个控制信号以实现功率和/或能量的期望分配。

虽然上面描述了实施方式的细节并在图1A中示出，但是应当认识到的是，本公开的方面不限于实施方式的任何特定方式。例如，虽然在图1A中示出了两个能量存储设备(即，110A和110B)，但是应当认识到的是，本公开的方面不限于使用任何特定数量的一个或多个能量存储设备。在一些实施例中，可以仅使用一个能量存储设备，或者可以使用三个、四个、五个等能量存储设备。

图1B示出了根据一些实施例的说明性远程能量存储管理系统150和说明性本地能量存储管理系统160。例如，本地能量存储管理系统160可以包括图1A的示例中的说明性能量存储管理系统100，并且可以与说明性能量应用120共同定位。相比之下，远程能量存储管理系统150可以远离能量应用120的位置定位，并且可以经由一个或多个网络与本地能量存储管理系统160通信。例如，远程能量存储管理系统150可以位于云服务器处，并且可以与一个或多个本地能量存储管理系统通信，这些本地能量存储管理系统分别与一个或多个能量应用(例如，电力车辆的车队)相关联。

发明人已经意识并认识到本地能量存储管理系统可以具有一个或多个资源约束，诸如有限的存储器、有限的处理周期等。因而，在一些实施例中，本地能量存储管理系统160可以将数据传输到远程能量存储管理系统150以供存储和/或处理。例如，远程能量存储管理系统150可以包括数据存储库152，其可以存储从本地能量存储管理系统160和/或一个或多个其它本地能量存储管理系统接收的数据。因而，本地能量存储管理系统160可以存储更少量的历史数据，诸如在较短的时间段(例如，过去的小时、天、周等)内从能量应用120收集的数据，而远程能量存储管理系统150可以存储更大量的历史数据，诸如在较长的时间段(例如，过去的一个月、季度、一年等)内从能量应用120收集的数据。

发明人进一步意识并认识到本地能量存储管理系统可以访问有限的数据。例如，本地能量存储管理系统160可以仅访问从能量应用120收集的数据。因而，在一些实施例中，本地能量存储管理系统160可以从远程能量存储管理系统150接收数据。任何合适的数据都可以从远程能量存储管理系统150接收，包括但不限于交通信息、天气信息和/或从一个或多个其它能量应用收集的信息。

本地能量存储管理系统160可以以任何合适的方式向远程能量存储管理系统150传输数据和/或从远程能量存储管理系统150接收数据。在一些实施例中，本地能量存储管理系统160可以实时地向远程能量存储管理系统150传输数据和/或从远程能量存储管理系统150接收数据。例如，本地能量存储管理系统160可以使用一种或多种有线和/或无线网络技术周期性地(例如，每秒钟、每分钟、5分钟、10分钟等)向远程能量存储管理系统150传输数据和/或从远程能量存储管理系统150接收数据。附加地或可替代地，本地能量存储管理系统160可以以批量方式向远程能量存储管理系统150传输数据和/或从远程能量存储管理系统150接收数据。例如，能量应用120可以包括电动车辆，并且当能量应用120在车站充电时，本地能量存储管理系统160可以向远程能量存储管理系统150传输数据和/或从远程能量存储管理系统150接收数据。

在一些实施例中，本地能量存储管理系统160可以使用一种或多种能量管理策略来分析一个或多个输入并输出一个或多个控制信号。可以动态地选择一种或多种能量管理策略。例如，参考图1A的示例，可以基于与说明性能量存储设备110A-B和/或说明性能量应用120相关的一个或多个条件，和/或一个或多个环境条件来选择能量管理策略。

由于本地能量存储管理系统160可以具有有限的存储器和/或处理周期，因此在一些实施例中，远程能量存储管理系统150可以帮助本地能量存储管理系统160存储和/或选择适当的能量管理策略。例如，远程能量存储管理系统150可以存能量存储量管理策略154的集合。附加地或可替代地，远程能量存储管理系统150可以包括被配置为基于从本地能量存储管理系统160接收的数据执行分类的分类器156。

在一些实施例中，本地能量存储管理系统160可以被配置为检测一个或多个相关条件的改变。作为示例，能量应用120可以包括电动车辆，并且本地能量存储管理系统160可以被配置为检测道路状况的改变，例如，通过比较一个或多个传感器测量(例如，滑移系数、车轮振动等)与一个或多个相应的阈值。响应于检测到道路状况的改变，本地能量存储管理系统160可以向远程能量存储管理系统150发送对能量管理策略更新的请求。

在一些实施例中，由本地能量存储管理系统160发送的策略更新请求可以包括相关数据，诸如触发策略更新请求的一个或多个传感器测量。远程能量存储管理系统150可以使用这个数据来选择适当的能量管理策略。例如，分类器156可以包括机器学习模型，该模型将滑移系数和车轮振动这两个输入映射到指示道路状况的类型(例如，铺路块、沥青、混凝土、泥土等)的标签。分类器156可以将这种机器学习模型应用于从本地能量存储管理系统160接收的数据。远程能量存储管理系统150可以使用由分类器156输出的标签来从能量管理策略154的集合中选择适当的能量管理策略。然后远程能量存储管理系统150可以将选择的能量管理策略返回给本地能量存储管理系统160。

可以使用任何合适的技术来训练用于分类器156的机器学习模型。例如，在一些实施例中，机器学习模型可以包括人工神经网络。标注的数据(例如，已知道路状况下的滑移系数和车轮振动测量)可以被用于训练人工神经网络。附加地或可替代地，可以使用无监督学习技术(例如，聚类分析)。但是，应当认识到的是，本公开的方面不限于使用机器学习模型来选择适当的能量管理策略。

虽然上面描述了并在图1B中示出了实施方式的细节，但是应当认识到的是，本公开的方面不限于实施方式的任何特定方式。例如，在一些实施例中，可以提供多个分类器(例如，用于道路状况、交通、天气等)。可以将适当的程序逻辑应用于这些分类器的输出以选择能量管理策略。附加地或可替代地，可以在本地能量存储管理系统160处提供分类器，并且可以将分类器输出发送到远程能量存储管理系统150，以代替或补充一个或多个未加工的测量。

在一些实施例中，能量应用120的本地能量存储管理系统160可以与另一个能量应用的能量存储管理系统共享数据。例如，本地能量存储管理系统160可以通过使用一种或多种合适的联网技术(例如，5G、WiMax、LTE、GSM、WiFi、以太网、蓝牙等)建立的通信信道从另一个能量存储管理系统接收数据和/或向另一个能量存储管理系统发送数据。

在一些实施例中，本地能量存储管理系统160可以从另一个能量应用的能量存储管理系统接收可以被用于评估系统性能和/或预测未来电力需求的数据。这种数据的示例包括但不限于当前交通状况、循环效率和/或能量存储设备的健康状态。本地能量存储管理系统160可以分析接收到的数据并决定是否用另一种能量管理策略替换当前部署的能量管理策略。例如，本地能量存储管理系统160可以确定另一个能量应用正在经历类似于能量应用120在不久的将来可能经历的环境条件(例如，即将到来的交通状况)，并且另一个能量应用在这些环境条件下表现良好(例如，循环效率和/或高于相应阈值的健康状态)。因而，本地能量存储管理系统160可以决定切换到由另一个能量应用应用的能量管理策略。

应当认识到的是，本地能量存储管理系统160可以或者直接或者间接地与另一个能量存储管理系统通信。例如，能量存储管理系统可以建立直接通信信道。附加地或可替代地，能量存储管理系统可以通过一个或多个中介(诸如图1B的示例中的远程能量存储管理系统150)通信。例如，远程能量存储管理系统150可以从多个能量应用(例如，车队)收集数据，确定哪些能量应用表现良好，哪些表现不佳，并决定是否指示表现不佳的能量应用切换由性能良好的能量应用使用的能源管理策略。

还应当认识到的是，本公开的方面不限于同时具有远程能量存储管理系统和本地能量存储管理系统。在一些实施例中，可以仅存在本地能量存储管理系统、仅存在远程能量存储管理系统或两者都没有。

图2A示出了根据一些实施例的说明性机器学习模型200。机器学习模型200可以是将一个或多个输入映射到一个或多个控制输出的能量管理策略。(相比之下，图1B的示例中的说明性分类器156可以使用输出一个或多个分类标签的机器学习模型。)

在一些实施例中，机器学习模型200可以是图1B的示例中的能量管理策略154的说明性集合的一部分。附加地或可替代地，机器学习模型200可以被图1A的示例中的说明性主控制器102用来分析一个或多个输入并输出一个或多个控制信号。

在一些实施例中，机器学习模型200的一个或多个输入可以包括来自说明性能量存储设备110A、说明性能量存储设备110B、说明性电力电子器件104、说明性能量应用120和/或图1A的示例中的一个或多个说明性远程数据源130的数据。这种数据可以被动态地接收。主控制器102可以使用机器学习模型200来分析接收到的数据并相应地提供一个或多个控制信号。例如，主控制器102可以向电力电子器件104提供控制信号以指示能量应用120的电力需求或供应应当如何在能量存储设备110A和110B之间分配。

在一些实施例中，能量存储设备110A和110B可以包括一个或多个电化学电池组，并且从能量存储设备110A和110B接收的数据可以包括以下中的一项或多项。(缩写“ESS”代表能量存储系统。)

在一些实施例中，能量存储设备110B可以包括超级电容器，并且从能量存储设备110B接收的数据可以包括以下中的一项或多项。

在一些实施例中，从电力电子器件104、能量应用120和/或一个或多个远程数据源130接收的数据可以包括一般环境数据，诸如以下中的一项或多项。

在一些实施例中，能量应用120可以包括车辆，并且从电力电子器件104、能量应用120和/或一个或多个远程数据源130接收的数据可以包括车辆环境数据，诸如以下中的一项或多项。

在一些实施例中，表3B中所示的一个或多个因变量和/或自变量可以被用于预测车辆电力需求。

在一些实施例中，能量应用120可以包括电网，并且从电力电子器件104、能量应用120和/或一个或多个远程数据源130接收的数据可以包括电网环境数据，诸如以下中的一项或多项。

在一些实施例中，表3C中所示的一个或多个因变量和/或自变量可以被用于预测发电(例如，通过风力涡轮机和/或太阳能面板)和/或电力需求。

在一些实施例中，从电力电子器件104、能量应用120和/或一个或多个远程数据源130接收的数据可以包括一般操作数据，诸如以下中的一项或多项。

在一些实施例中，能量应用120可以包括车辆，并且从电力电子器件104、能量应用120和/或一个或多个远程数据源130接收的数据可以包括车辆操作数据，诸如以下中的一项或多项。

在一些实施例中，表4B中所示的因变量和/或自变量中的一个或多个可以被用于预测车辆电力需求。

在一些实施例中，能量应用120可以包括电网，并且从电力电子器件104、能量应用120和/或一个或多个远程数据源130接收的数据可以包括电网操作数据，诸如以下中的一项或多项。

在一些实施例中，表3C中所示的一个或多个因变量和/或自变量可以被用于预测发电(例如，通过风力涡轮机和/或太阳能面板)和/或电力需求。

应当认识到的是，上述动态数据的示例仅出于说明的目的提供，因为本公开的方面不限于使用任何特定类型或组合的动态数据，或者根本不限于使用任何动态数据。例如，虽然上文讨论了车辆和电网，但应当认识到的是，本文描述的技术可以被用于管理用于任何类型的能量应用的能量存储系统。

如上面结合图1A的示例所描述的，主控制器102可以提供指示功率分配的一个或多个控制信号。例如，一个或多个控制信号可以指示要从能量存储设备110A汲取或供给能量存储设备110A的功率的百分比，和/或要从能量存储设备110B汲取或供给能量存储设备110B的功率的百分比。在一些实施例中，这个功率分配可以在下一个控制周期期间由电力电子器件104实现。附加地或可替代地，功率分配可以在控制周期期间被更新一次或多次。

在一些情况下，可以从能量存储设备110A和能量存储设备110B两者汲取功率，并且一个或多个控制信号可以指示总体电力需求如何在这两个能量存储设备之间分配。在一些情况下，可以向能量存储设备110A和能量存储设备110B两者供给功率，并且一个或多个控制信号可以指示总体电力供应如何在这两个能量存储设备之间分配。

在一些实施例中，主控制器102有时可以输出功率分配，其中第一量的功率将从能量存储设备110A汲取，而第二量的功率将被供给能量存储设备110B。附加地或可替代地，主控制器102有时可以输出功率分配，其中第一量的功率将被供给能量存储设备110A，而第二量的功率将从能量存储设备110B汲取。第一量与第二量之间的差异可以指示从能量应用120汲取或供给能量应用120的功率的量。如果能量应用120正在汲取功率，那么一个或多个控制信号可以指示从一个能量存储设备汲取的功率的量如何在能量应用120与另一个能量存储设备之间拆分。如果能量应用120正在供电，那么一个或多个控制信号可以指示供给一个能量存储设备的功率的量如何在能量应用120与另一个能量存储设备之间分配。

发明人已经意识并认识到，可以期望基于新收集的数据来提供功率分配的更新。例如，可以基于一个或多个目标来更新功率分配，诸如提高能量存储设备的寿命、提高能量效率(例如，延长电动车辆的行驶里程)等。因此，更短的控制周期可以是有益的。但是，太短的控制周期会导致快速的功率波动，这进而会造成对电力电子器件、电动马达等的损坏。因而，在一些实施例中，可以选择表示期望折衷的控制周期的持续时间。例如，控制周期可以持续几秒(例如，5秒、10秒、20秒、30秒、40秒、50秒、60秒……)或几分钟(例如，2分钟、3分钟、4分钟、5分钟、6分钟、7分钟、8分钟、9分钟、10分钟……)。

在一些实施例中，可以以与更新功率分配的频率相同或不同的频率获取由主控制器102用来做出控制决定的数据。例如，数据获取频率(例如，每毫秒)可以是功率分配更新频率(例如，每秒)的倍数，从而可以在控制周期器件收集多个数据点。数据点的合适统计量(例如，均值、中值、众数、最大值、最小值等)可以被用于确定在下一个控制周期期间要实现的合适功率分配。

在一些实施例中，可以使用一种或多种机器学习技术来确定适当的功率分配。例如，图2A的示例中的机器学习模型可以包括具有输入层、一个或多个隐藏层和输出层的人工神经网络。在一些实施例中，人工神经网络可以是多层感知器网络，但这不是必需的。本公开的方面不限于使用任何特定类型的人工神经网络，或者根本不限于使用任何人工神经网络。例如，在一些实施例中，可以使用卷积神经网络，其中一个或多个卷积层和/或池化层用于特征学习，然后是一个或多个全连接层用于分类。

发明人已经意识并认识到，在一些情况下，使用机器学习模型的集合而不是单个机器学习模型可以是有益的。例如，具有大量输入节点的机器学习模型可以被机器学习模型的集合替换，每个机器学习模型具有少量输入节点。这些机器学习模型可以被单独训练，从而降低计算复杂度。

图2B示出了根据一些实施例的机器学习模型250的说明性集合。例如，机器学习模型250A、250B、250C、250D等可以被图1A的示例中的说明性主控制器102共同使用以将一个或多个输入映射到一个或多个控制输出。

在一些实施例中，机器学习模型250A、250B、250C、250D等可以以合适的方式被连接。例如，机器学习模型250D可以适于基于多个输入生成输出，其中一些输入由机器学习模型250A、250B和250C输出。因此，模型中的一些(例如，250A和250D)可以是串联的，而其它模型(例如，250A、250B和250C)可以是并联的。

在图2B中所示的示例中，机器学习模型250D可以适于估计电动车辆的总电力需求。机器学习模型250D可以接收电动车辆中的一个或多个能量存储设备的当前状况、电动车辆的动力学特点、电动车辆的预期速度配置文件、一个或多个辅助系统中的预期功率损耗和/或一个或更多其它输入。例如，机器学习模型250D可以从机器学习模型250A接收能量存储设备之一的估计充电状态。机器学习模型250A进而可以接收电压、操作温度、放电/充电电流和/或一个或多个其它输入。

附加地或可替代地，机器学习模型250D可以从机器学习模型250B接收电动车辆的预期速度配置文件。机器学习模型250B进而可以接收路径轨迹、驾驶员数据、历史数据和/或一个或多个其它输入。

附加地或可替代地，机器学习模型250D可以从机器学习模型250C接收气候控制辅助系统的预期电力需求。机器学习模型250C进而可以接收环境温度、请求的温度、请求的风扇速度和/或一个或多个其它输入。

应当认识到的是，上述和图2B中所示的各种输入和输出仅仅是为了说明的目的而提供的。本公开的方面不限于使用具有任何特定输入或输入的组合、或任何特定输出或输出的组合的机器学习模型。本公开的方面也不限于使用以任何特定方式布置的机器学习模型的集合，或者根本不限于使用任何机器学习模型。

在一些实施例中，机器学习模型250A、250B、250C、250D等中的每一个可以包括人工神经网络或一些其它类型的模型。例如，气候控制辅助系统(例如，驾驶室HVAC)的电力需求可以取决于一天中的时间、天气、乘员的数量、驾驶员期望的温度等随机变化。因而，机器学习模型250C可以包括适于基于例如以下输入中的一个或多个来估计电力需求的人工神经网络。

·驾驶员请求的温度

·驾驶员请求的风扇速度

·驾驶员请求的空气通道流(例如，是否只让空气在车厢内循环，或者允许新鲜空气从外面进来)

·驾驶员请求的座椅和/或方向盘加热

·乘员的数量

·环境温度

·由于太阳辐射而进入车厢的热量

·对于相同范围的驾驶员请求的温度，在一天中的同一时间的车厢HVAC使用历史(例如，所有上述输入和对应的输出)。

在一些实施例中，全连接神经网络可以被用于基于上述输入中的一个或多个和/或一个或多个其它输入来确定车厢HVAC电力需求。神经网络可以具有输入层，该输入层具有任何合适数量的节点。例如，上述每个输入可以有一个输入节点，或者可以有更多或更少的输入节点。

在一些实施例中，神经网络可以具有至少一个隐藏层。这种隐藏层可以具有与输入层一样多的节点，或者更少的节点，这具体取决于期望的准确性级别、计算效率等。

任何合适类型的激活函数都可以被用于神经网络，包括但不限于sigmoid、整流线性单元(ReLU)等。激活函数可以以任何合适的方式来选择，例如，取决于神经网络的深度。

在一些实施例中，神经网络可以具有用于车厢HVAC电力需求的输出节点。附加地或可替代地，输出节点可以包括其它信息(例如，要达到的车厢温度、车厢温度的改变率等)。可以提供这样的信息用于监视和/或反馈。

在一些实施例中，可以使用长短期记忆(LSTM)神经网络来代替前馈神经网络，或作为其补充。LSTM神经网络的一个或多个输出(例如，车厢HVAC电力需求、要达到的车厢温度、车厢温度的改变率等)可以反馈到LSTM神经网络中，以建立最近历史的时间序列，这可以提高预测准确性。

应当认识到的是，上述神经网络技术中的一种或多种，和/或一种或多种其它神经网络技术，可以被用于估计任何合适的因变量，以补充或代替车厢HVAC电力需求。例如，上述神经网络技术中的一种或多种，和/或一种或多种其它神经网络技术，可以被用于估计速度配置文件、能量存储操作温度、能量存储充电状态等。附加地或可替代地，上述神经网络技术中的一种或多种，和/或一种或多种其它神经网络技术，可以被用于确定多个能量存储设备(例如，图1A的示例中的说明性能量存储设备110A-B)之间的功率分布。

在一些实施例中，可以使用标注的数据来训练神经网络。可以经由通过测试和/或模拟收集数据并注释收集的数据来为给定的神经网络创建这种标注的数据。关于图2B中的示例，用于机器学习模型250B的训练数据可以基于速度范围(例如，对于路线中的每个路段，“10-15mph”、“15-20mph”等)来标注。

发明人已经意识并认识到，如果超过某些限制(例如，最大瞬时充电/放电电流、最大/最小操作温度等)，会对能量存储系统造成损坏。因而，在一些实施例中，可以提供程序逻辑来分析神经网络的输出。例如，如果神经网络为能量存储设备输出的放电电流超过那个设备的最大瞬时放电电流，那么那个输出可能不会被馈送到能量存储管理系统的另一个组件(例如，另一个神经网络)。附加地或可替代地，输出可以被标记为不可能和/或由最大瞬时放电电流代替。

在一些实施例中，最初可以使用来自测试和/或模拟的数据来训练神经网络的权重和/或偏差。例如，用于估计与能量存储设备相关的因变量的神经网络的权重和/或偏差可以根据从对能量存储设备进行的实验和/或将相关负载分布应用于能量存储设备的模型的计算机模拟获得的数据进行训练。在这种初始训练之后，可以部署神经网络以分析在能量应用的操作期间获得的数据。可以将由神经网络输出的估计与测量进行比较以识别差异。差异(如果有的话)可以被用于继续训练神经网络。

应当认识到的是，可以使用任何一种或多种合适的方法来训练神经网络，因为本公开的方面不受此限制。训练方法的示例包括但不限于梯度下降法、牛顿法、共轭梯度法、准牛顿法和/或列文伯格-马夸尔特(Levenberg-Marquardt)。

发明人已经意识并认识到，在一些情况下，与特定部署场景相关的训练数据最初可以是不可用的。作为一个示例，标注的数据可以不适用于新的Li-NMC电池。不过，用于估计充电状态的神经网络可以在用于Li-NCA电池的可用的标注的数据上进行训练，并且可以为Li-NMC电池部署。当用于Li-NMC电池的标注的数据变得可用时，可以执行附加的训练。例如，可以在使用Li-NMC电池时测量充电状态，并且测得的充电状态(连同对应的输入)可以被用于附加的训练。

作为另一个示例，来自实际驾驶周期的标注的数据可以不适用于新车。不过，可以根据来自标准排放测试(例如，美国EPA FTP-75城市和高速公路联合驾驶周期)的可用的标注的数据训练用于估计速度配置文件的神经网络。例如，给定一个或多个先前时间点上的速度配置文件，可以训练神经网络来预测下一个时间点的速度。可以使用任何合适的时间粒度，诸如每秒、每5秒、每10秒等。

在一些实施例中，当来自实际驾驶周期的标注的数据变得可用时，可以执行附加的训练。例如，可以在车辆被驾驶时记录速度配置文件，并且记录的速度配置文件(连同对应的输入)可以被用于附加的训练。

虽然以上结合图2B的示例描述了电动车辆，但是应当认识到的是，本公开的方面不限于任何特定类型的能量应用。在一些实施例中，可以提供机器学习模型来估计数据中心的计算配置文件，该计算配置文件进而可以被用于估计数据中心的总电力需求。

在一些实施例中，路线规划服务(例如，谷歌地图、苹果地图等)可以被用于确定电动车辆从起点到目的地要行驶的路线。例如，起点可以是从车载GPS设备获得的当前位置，而目的地可以经由车辆的信息娱乐系统从驾驶员那里接收。

在一些实施例中，路线可以包括一个或多个路段的序列，其中非最终段的末端可以连接到后续段的起点。例如，非最终段可以在下一段开始的相同交叉点处结束。

在一些实施例中，路线规划服务可以提供路段的监管信息，诸如限速的位置、交通标志、交通信号等。附加地或可替代地，路线规划服务可以提供路段的当前和/或历史交通信息，诸如一天中给定时间的平均交通速度、实际交通速度、预期行驶时间等。附加地或可替代地，路线规划服务可以提供路段的地理空间信息，诸如沿着路段的一个或多个点的经度、纬度、高程和/或曲率信息。但是，应当认识到的是，本公开的方面不限于从路线规划服务接收任何特定信息，或根本不限于任何信息。

在一些实施例中，由路线规划服务提供的一个或多个路段可以被重新分段。例如，如果由路线规划服务提供的路段包括限速的改变(或交通信号灯)，那么该路段可以在发生限速改变(或交通信号所在)的点分成两段。

附加地或可替代地，如果由路线规划服务提供的路段包括建议车辆应当减速或停止的交通标志(例如，急转弯、合并交通、盲道、行人过路处等)，那么路段可以被分成两个或更多个段。例如，可以有在交通标志处结束的第一段、在第一段之后并在交通标志指示的条件结束处结束的第二段、以及在第二段之后的第三段。

发明人已经意识并认识到，重新分割路段可以促进速度配置文件的更准确预测。但是，应当认识到的是，本公开的方面不限于以任何特定方式或根本不限于重新分割路段。

发明人还意识并认识到，不同的驾驶员可以表现不同，尤其是在路段之间过渡时。在一些实施例中，在预测速度配置文件时可以考虑这种差异。

图3A示出了根据一些实施例的说明性速度配置文件300A和305A。速度配置文件300A可以与激进的驾驶员对应，而速度配置文件305A可以与保守的驾驶员对应。

在这个示例中，两个驾驶员可以都在限速为30mph的路段上行驶，并且可以接近限速为45mph的下一个路段。两个驾驶员可以都观察到指示新限速45mph的标志，并且可以在大约同一时间开始加速。保守的驾驶员可以有加速度a₁，而激进的驾驶员可以有大于a₁的加速度a₂。因此，激进的驾驶员可以在保守的驾驶员之前达到45mph的速度。

因而，激进的驾驶员的速度配置文件300A可以从保守的驾驶员的速度配置文件305A通过更陡峭的倾斜(即，更大的加速度)获得。因此，对于加速阶段，激进的驾驶员的速度配置文件300A可以是

其中v₁(t)是保守的驾驶员的速度配置文件305A。

图3B示出了根据一些实施例的说明性速度配置文件300B和305B。速度配置文件300B可以与粗心的驾驶员对应，而速度配置文件305B可以与细心的驾驶员对应。

在这个示例中，两个驾驶员可以都在限速为45mph的路段上行驶，并且可以接近限速为30mph的下一个路段。两个驾驶员可以在大约同一时间观察到指示新限速30mph的标志。细心的驾驶员会立即开始巡航，而粗心的驾驶员会在更长的时间内保持之前的速度(45mph)。

因而，可以通过根据粗心的驾驶员反应的延迟将细心的驾驶员的速度配置文件305B向右移来获得粗心的驾驶员的速度配置文件300B。因此，对于减速阶段，粗心的驾驶员的速度配置文件300B可以是v₂(t)＝v₁(t-delay)，其中v₁(t)是细心的驾驶员的速度配置文件305B。

图3C示出了根据一些实施例的说明性速度配置文件300C和305C。速度配置文件300C可以与粗心的驾驶员对应，而速度配置文件305C可以与细心的驾驶员对应。

在这个示例中，两个驾驶员可以都在限速为30mph的路段上行驶，并且可以接近有交通信号灯的十字路口。两个驾驶员可以在大约同一时间看到红灯。细心的驾驶员会立即开始制动，而粗心的驾驶员会在一定的延迟之后开始制动。因此，细心的驾驶员可以能够更缓慢地制动，而粗心的驾驶员可能不得不更猛烈地制动。

因而，可以通过根据粗心的驾驶员的反应延迟将细心的驾驶员的速度配置文件305C向右移，然后进行更陡峭的下降(即，更大的减速)来获得粗心的驾驶员的速度配置文件300C。因此，对于减速阶段，粗心的驾驶员的速度配置文件300C可以是

其中v₁(t)是细心的驾驶员的速度配置文件305C，a₂是粗心的驾驶员的减速度，而a₁是细心的驾驶员的减速度。

图3D示出了根据一些实施例的说明性速度配置文件300D和305D。速度配置文件300D可以与激进的驾驶员对应，而速度配置文件305D可以与保守的驾驶员对应。

在这个示例中，两个驾驶员可以都在限速为25mph的路段上行驶，并且可以接近有交通信号灯的十字路口。假定交通信号灯是红色的，并且首先从点P可见。保守的驾驶员会以限速(即，25mph)行驶，而激进的驾驶员会以限速的1.2倍(即，30mph)行驶。因为激进的驾驶员行驶得更快，所以激进的驾驶员可以在保守的驾驶员之前到达点P。假设两个驾驶员都在点P开始制动，激进的驾驶员可能不得不比保守的驾驶员更猛烈地制动，因为激进的驾驶员正在从更高的速度停下来。

因而，激进的驾驶员的速度配置文件300D可以通过将保守的驾驶员的速度配置文件305D向左移，然后进行更陡峭的下降(即，更大的减速)来获得。左移可以与激进的驾驶员领先保守的驾驶员到达点P对应。因此，对于减速阶段，激进的驾驶员的速度配置文件300D可以是

其中v₁(t)是保守的驾驶员的速度配置文件305A，a₂是激进的驾驶员的减速度，并且a₁是保守的驾驶员的减速度。

虽然各种建模方法在图3A-D中示出并在上面进行了描述，但应当认识到的是，本公开的方面不限于使用任何特定方法来对粗心/激进与细心/保守驾驶进行建模，或者完全不限于对此类差异进行建模。

图4A示出了根据一些实施例的用于段末速度预测的说明性过程400A。在这个示例中，可以为从路段上的当前位置行驶到路段末端的车辆确定速度配置文件。当前位置可以是路段的起点，或者某个中间点。

在动作402处，可以确定到路段末端的距离。这可以以任何合适的方式来进行，例如，基于用于当前位置的地理空间数据和用于路段末端的地理空间数据。在一些实施例中，用于当前位置的地理空间数据可以从车载GPS设备获得，而用于路段末端的地理空间数据可以从路线规划服务获得。

在动作404处，可以确定路段的末端是否涉及急转弯、停车标志、交通信号灯或指示可能期望计划停车的某个其它条件。如果存在这种条件，那么可以例如基于路段的默认速度(例如，限速)和用于制动的减速度值来确定停车距离。在一些实施例中，用于制动的减速度值可以基于一个或多个输入来确定，诸如负载重量(例如，乘客数量)、道路坡度、道路状况(例如，铺路砖、沥青、混凝土、污垢等)、天气状况(例如，湿度、温度等)、当前速度、目标速度等的指示。例如，可以使用一个或多个输入从查找表中检索减速度值。

附加地或可替代地，可以通过将一个或多个输入提供给已经使用历史制动配置文件进行了训练的机器学习模型来预测用于制动的减速度值。例如，如果在踩下制动踏板时记录速度配置文件，那么可以将速度配置文件标记为制动配置文件。这种制动配置文件还可以用诸如负载重量、道路坡度、道路状况、天气状况、当前速度、目标速度等信息来标记。标记的制动配置文件可以由驾驶员分段，并且可以被用于训练特定于驾驶员的机器学习模型，用于基于一个或多个输入标签预测用于制动的减速度值。

附加地或可替代地，用于制动的最大减速度值可以基于诸如舒适性和/或安全性之类的一种或多种考虑来选择。这种最大值可以被用于限制用于确定停车距离的减速度值。

在一些实施例中，可以确定是否存在指示可能期望计划减速的条件。例如，可以确定下一个路段与当前路段相比是否具有降低的默认速度(例如，较低的限速)。如果存在这样的条件，那么可以例如基于当前路段的默认速度与下一个路段的默认速度之间的差以及用于巡航的减速度值来确定巡航距离。

可以以类似于如何确定用于制动的减速度值的方式来确定用于巡航的减速度值。例如，用于巡航的减速度值可以通过访问查找表、使用机器学习模型、限制在最大减速度值等来确定。在一些实施例中，可以使用历史巡航配置文件来训练机器学习模型。例如，如果在没有踩下踏板时记录速度配置文件，那么可以将速度配置文件标记为巡航配置文件。可以如上文针对制动配置文件所描述的那样标记和/或分割此类巡航配置文件。

在一些实施例中，可以确定是否存在指示可能期望计划加速的条件。例如，可以确定下一个路段与当前路段相比是否具有增加的默认速度(例如，更高的限速)。如果存在这样的条件，那么可以例如基于下一个路段的默认速度与当前路段的默认速度之间的差以及加速度值来确定加速距离。

可以以类似于如何确定用于制动的减速度值的方式确定加速度值。例如，可以通过访问查找表、使用机器学习模型、限制在最大加速度值等来确定加速度值。在一些实施例中，可以使用历史加速曲线来训练机器学习模型。例如，如果在踩下加速踏板时记录速度配置文件，那么可以将速度配置文件标记为加速配置文件。可以如上文针对制动配置文件所描述的那样标记和/或分割此类加速配置文件。

应当认识到的是，本公开的方面不限于以任何特定方式或根本不限于确定停车距离、巡航距离或加速距离。

再次参考图4A，可以在动作406处确定要制动、巡航或加速的时间。例如，如果在动作404处确定在当前路段的末端停止是合适的，那么在动作404处确定的停车距离可以从在动作402处确定的剩余距离中减去，以确定车辆被假设以当前路段的默认速度(例如，限速)行驶的距离。然后可以将这个距离除以默认速度以确定应当开始制动的时间。

发明人已经意识并认识到，在一些情况下，在动作404处确定的停车距离可以大于在动作402处确定的剩余距离。因而，可以确定应当立即开始制动。如在动作404处确定的用于制动的减速度值可以被用于确定段末速度，其进而可以被用作下一段的当前速度。附加地或可替代地，制动可以继续到下一段，直到车辆完全停止。

在一些实施例中，如果在动作404处确定巡航(或加速)在当前路段的末端是合适的，那么可以从在动作402处确定的剩余距离中减去在动作404处确定的巡航(或加速)距离，以确定假设车辆以当前路段的默认速度(例如，限速)行驶的距离。然后可以将这个距离除以默认速度(例如，限速)以确定巡航应当开始的时间。

发明人已经意识并认识到，在一些情况下，在动作404处确定的巡航距离可以大于在动作402处确定的剩余距离。因而，可以确定应当立即开始巡航。附加地或可替代地，可以确定应当立即开始制动，然后是巡航，反之亦然。

在一些实施例中，机器学习模型可以被用于预测制动和/或巡航的模式。例如，机器学习模型可以输出一个或多个乘数，诸如调整粗心(例如，较晚制动)的乘数、调整激进(例如，更猛烈地制动)的乘数等。这种机器学习模型可以使用由驾驶员分割的历史速度配置文件来训练，并且可以具有(一个或多个)任何合适的输入，诸如以下中的一项或多项。

·关于加速度和/或减速度值的一个或多个合适的统计量，诸如一个或多个直方图、测量集中趋势的一个或多个统计量、测量离散度的一个或多个统计量等。

·在与当前驾驶场景匹配的驾驶场景中观察到的最后N个加速度值和/或减速度值

·能量存储系统充电状态

·能量存储系统最大瞬时充电/放电电流

·高程

·滑移系数

发明人还意识并认识到，在一些情况下，在动作404处确定的加速距离可以大于在动作402处确定的剩余距离。因而，可以确定加速应当立即开始。

再次参考图4A，可以在动作408处应用一个或多个驾驶员行为调整。在一些实施例中，对于粗心的驾驶员，可以应用以上结合图3B-C描述的说明性调整中的一个或多个。可以使用机器学习模型来预测合适的延迟值，该模型可以使用由驾驶员分段的历史速度配置文件来训练。

在一些实施例中，对于激进的驾驶员，可以应用以上结合图3A、D描述的说明性调整中的一个或多个。可以使用一个或多个机器学习模型来预测加速度的合适乘数(例如，

)和/或速度的合适乘数(例如，1.2)，这些模型可以使用由驾驶员分段的历史速度配置文件来训练。

虽然上面描述了实施方式的细节并且在图4A中示出，但是应当认识到的是，本公开的方面不限于实施方式的任何特定方式。例如，本公开的方面不限于使用路段的限速作为默认速度。在一些实施例中，可以基于限速和特定于驾驶员的乘数来确定默认速度。这种乘数可以使用一个或多个机器学习模型来预测，这些模型可以使用由驾驶员分割的历史速度配置文件来训练。

附加地或可替代地，可以从路线规划服务获得实时交通信息，并且可以使用实际交通速度作为默认速度。如果交通状况在整个路段中变化，那么可以将路段划分为子路段，其中每个子路段可以具有相应的交通速度。

但是，应当认识到的是，本公开的方面不限于预测操作中的车辆的速度配置文件。在一些实施例中，可以预测速度配置文件作为模拟的一部分。在那种情况下，可以使用历史交通信息而不是实时交通信息。

图4B示出了根据一些实施例的用于预测路段的总体速度配置文件的说明性过程400B。类似于图4A中的示例，可以预测车辆从路段上的当前位置行驶到路段末端的速度配置文件。当前位置可以是路段的起点，或者某个中间点。

在动作412处，可以确定当前速度是否与路段的默认速度匹配。在一些实施例中，如果正在为操作中的车辆预测速度配置文件，那么可以从速度传感器和/或GPS设备接收当前速度。但是，如果在模拟期间预测速度配置文件，那么当前速度可以是为当前时间步长选择的速度(例如，基于与一个或多个先前时间步长相关的分析)。

在一些实施例中，可以基于路段的限速来确定用于路段的默认速度(使用或不使用特定于驾驶员的乘数)。附加地或可替代地，可以基于实时和/或历史交通信息来确定路段的默认速度。

如果在动作412处确定当前速度与路段的默认速度相匹配，那么过程400B可以进行到动作420，在那里可以执行类似于图4A中所示的说明性过程400A的过程以预测段末速度配置文件。

如果在动作412处确定当前速度与路段的默认速度不匹配，那么过程400B可以进行到动作414，在那里可以确定当前速度是否小于用于路段的默认速度。如果是这样，那么过程400B可以进行到动作416，在那里可以确定加速度值。

加速度值可以以任何合适的方式确定，例如，如结合图4A所描述的。例如，可以通过访问查找表、使用机器学习模型、限制在最大加速度值等来确定加速度值。在一些实施例中，可以使用当前速度、默认速度(如目标速度)和/或驾驶员行为标签(例如，激进、保守、粗心、细心等)来访问查找表。可以通过分析历史速度配置文件来填充这种查找表。

在一些实施例中，可以例如基于当前速度和加速度值来计算加速阶段的距离。这个距离进而可以与当前位置一起被用于计算加速阶段结束的位置。过程400B然后可以进行到动作420，在那里可以执行类似于图4A中所示的说明性过程400A的过程以预测段末速度配置文件。加速阶段结束的位置可以被用作预测段末速度配置文件的当前位置。

如上面结合图4A的示例所描述的，在过程400A的动作404处确定的停车距离可以大于在过程400A的动作402处确定的剩余距离。这会触发异常(图4B中未示出)，该异常会导致过程400B返回到动作416以重新计算加速阶段的距离，例如，通过使用低于默认速度的目标速度。附加地或可替代地，异常会导致过程400B放弃动作416并切换到动作418。

如果确定当前速度大于路段的默认速度，那么返回到动作414。如果是这样，那么过程400B可以进行到动作418，在那里可以确定用于巡航的减速度值。用于巡航的减速度值可以以任何合适的方式确定，例如，如结合图4A所描述的。例如，减速度值可以通过访问查找表、使用机器学习模型、限制在最大减速度值等来确定。在一些实施例中，可以使用当前速度、默认速度(如目标速度)和/或驾驶员行为标签(例如，激进、保守、粗心、细心等)来访问查找表。可以通过分析历史速度配置文件来填充这种查找表。

附加地或可替代地，如果当前速度大于选择的阈值，那么可以确定应当立即开始制动，然后是巡航，反之亦然。在一些实施例中，机器学习模型可以被用于预测制动和/或巡航的模式，例如，如上文结合图4A的示例中的说明性过程400A的动作406所描述的。

应当认识到的是，用于确定是否制动和/或巡航的速度阈值可以以任何合适的方式来确定。例如，可以通过将当前路段的限速乘以安全指数来计算阈值，该安全指数可以是大于1的无单位数(例如，1.1)。附加地或可替代地，可以通过将常数(例如，5mph)添加到当前路段的限速来计算阈值。

在一些实施例中，可以例如基于当前速度和用于巡航和/或制动的一个或多个减速度值来计算减速阶段的距离。这个距离进而可以与当前位置一起用于计算减速阶段结束的位置。过程400B可以进行到动作420，在那里可以执行类似于图4A中所示的说明性过程400A的过程以预测段末速度配置文件。减速阶段结束的位置可以被用作用于预测段末速度配置文件的当前位置。

在一些实施例中，过程400B可以在车辆沿着当前路段行进时重复一次或多次。因此，可以基于最新信息生成一个或多个更新后的速度配置文件，诸如实际交通、实际速度配置文件、实际驾驶员行为等。

在一些实施例中，用于预测速度配置文件的一个或多个机器学习模型(例如，结合图4A-B描述的那些)可以具有以下输入中的一个或多个，和/或一个或多个其它输入。如果使用多个连续输入，这些输入可以具有相同的采样率或不同的采样率。

·计划的路线信息

○路段的终点、交通、限速、标志、信号等。

·驾驶员信息

○驾驶员请求的车厢温度、风扇速度等。

○以任何合适的方式表示的驾驶员行为，诸如用于等式常数的查找表等。

○用于计划的路线的历史速度配置文件

·环境信息

○大气温度、压力、湿度等

·能量存储信息

○充电状态(SOC)、健康状态(SOH)、温度、电压、电流等。

·车辆信息

○加速器踏板位置和/或其改变率

○制动踏板位置和/或其改变率

○车速

○车厢温度

○实际行驶路线(如果与计划的路线不同)

·历史信息

○驾驶员请求的车厢温度、风扇速度等。

○大气温度、压力、湿度等

○采用的控制策略

○达到的最终SOC

○观察到的交通

○空闲时间(例如，车辆静止在交通中，在信号灯处等)

·其它信息

○另一个机器学习模型的输出(例如，预测的电力需求)

在一些实施例中，用于预测驾驶员行为的一个或多个机器学习模型(例如，结合图4A-B描述的那些)可以具有以下输入中的一个或多个，和/或一个或多个其它输入。

·加速器踏板位置和/或其改变率

·制动踏板位置和/或其改变率

·方向盘转速

·以任何合适的方式表示的驾驶员行为，诸如用于等式常数的查找表等。

·平均速度(例如，城市和高速公路)

·城市驾驶的总时间(例如，占总驾驶时间的百分比)

·高速公路驾驶的总时间(例如，占总驾驶时间的百分比)

·巡航的总时间(例如，占总驾驶时间的百分比)

·加速-制动-加速模式的平均实例数(例如，每英里行驶或每小时驾驶)

发明人已经意识并认识到某些驾驶员行为会导致能量效率低下、能量存储系统的过早老化和/或其它不期望的结果。因而，在一些实施例中，提供了用于影响驾驶员行为的技术。例如，可以向驾驶员显示推荐的速度(例如，经由仪表板显示器、信息娱乐系统、安装在仪表板上的移动设备、平视显示器等)。例如，可以动态选择推荐速度以减少能量消耗和/或行驶时间。

图4C示出了根据一些实施例的用于选择速度配置文件的说明性过程400C。过程400C可以在沿着电动车辆的路线的任何合适的点处执行，诸如在路线的起点和/或任何中间点处。附加地或可替代地，过程400C可以在模拟期间执行。

在一些实施例中，可以针对给定的选择范围执行过程400C。例如，选择范围可以包括沿着路线的一个或多个路段，诸如对于某个选择的N≥1从当前路段开始的N个连续路段。作为示例，选择范围可以仅包括当前路段。作为另一个示例，选择范围可以包括路线中的所有路段。

附加地或可替代地，选择范围可以包括从电动车辆的当前位置开始的路线的选择的部分，诸如选择的距离的一部分。然后可以确定被路线的选择的部分覆盖的一个或多个部分和/或完整路段。

附加地或可替代地，选择范围可以包括从当前时间开始的时间窗口，诸如选择的持续时间的窗口。例如，可以基于一个或多个路段的相应限速和/或交通状况来估计在那个时间窗口期间预期要经过的一个或多个部分和/或完整路段。

在动作422处，可以确定一个或多个参数值。例如，可以存在与选择范围内的一个或多个路段相关的一个或多个参数，诸如一个或多个路段的相应长度、相应限速、相应十字路口信息(例如，交通信号的存在或段末的停车标志)和/或相应的交通信息。可以获得任何合适的交通信息，诸如历史(或当前)拥堵系数，其可以是无单位数，要乘以限速以获得历史(或当前)平均速度。作为另一个示例，可以获得交通信号或停车标志的历史(或当前)平均等待时间。

发明人已经意识并认识到，在一些情况下，不同的限速可以在路段的不同部分有效。因而，在一些实施例中，这种路段可以在限速发生改变的地方重新分段。

在一些实施例中，除了与一个或多个路段相关的一个或多个参数之外，或代替与一个或多个路段相关的一个或多个参数，可以存在与电动车辆的驾驶员相关的一个或多个参数。例如，可以获得驾驶员的驾驶历史，诸如穿过相同路线的一个或多个历史速度配置文件。在一些实施例中，可以基于一天中的时间、一周中的天和/或工作日与非工作日来分割驾驶员的历史速度配置文件。

附加地或可替代地，可以存在与电动车辆的一个或多个能量存储设备相关的一个或多个参数，诸如当前可用的放电能量、当前可用的再生充电容量、相对于电池的最大瞬时充电/放电电流。当前充电状态和/或一种或多种其它充电状态等。

在动作424处，可以为选择范围预测多个候选速度配置文件。例如，可以存在一个或多个变量，其中每个变量可以具有几个不同的值。作为示例，可以有两个变量，驾驶员激性和驾驶员粗心。驾驶员激进可以具有以下两个值之一：激进与保守。驾驶员的粗心可以具有以下两个值之一：粗心与细心。因此，四种不同的组合可以是可能的，这会导致四种不同的预测速度配置文件。

在一些实施例中，可以使用图4A的示例中的说明性过程400A和/或图4B的示例中的说明性过程400A来预测速度配置文件。可以向过程400A和/或过程400B提供任何合适的输入，诸如一个或多个变量值(例如，激进和/或粗心)和/或在动作422处确定的一个或多个参数值的选择的组合。

在一些实施例中，可以分析预测的速度配置文件以确定是否满足一个或多个约束。作为示例，过程400C可以检查在选择范围内是否存在速度配置文件超过基于该路段的限速的阈值的路段。例如，可以通过将限速乘以安全指数来计算阈值，该安全指数可以是大于1的无单位数(例如，1.1)。附加地或可替代地，可以通过将常数(例如，5mph)添加到限速来计算阈值。

作为另一个示例，过程400C可以针对选择范围内的每个非最终路段检查在非最终路段末端的速度配置文件的值是否与在开始时的速度配置文件的值相匹配。以下路段。

作为另一个示例，过程400C可以针对选择范围内沿着路段的每个停车标志检查停车标志处的速度配置文件的值是否为零。

在一些实施例中，可以不考虑违反约束的预测的速度配置文件。附加地或可替代地，可以修改这种预测的速度配置文件。例如，如果速度配置文件超过路段的阈值，那么无论何时超过阈值，速度配置文件都可以减小到阈值。附加地或可替代地，可以在动作428(如下所述)处使用一个或多个约束以从多个候选速度配置文件中选择速度配置文件。

在动作426处，可以为在动作424处预测的每个速度配置文件计算用于选择范围的总能量消耗。例如，可以基于加速度配置文件(例如，从速度配置文件导出)、车辆的估计重量、车辆的能源效率、一种或多种道路状况(例如，滑移系数)、一种或多种天气状况(例如，风向和/或速度)等计算总能量消耗。

附加地或可替代地，可以为在动作424处预测的每个速度配置文件计算用于选择范围的总行驶时间。例如，可以基于选择范围内的一个或多个路段的长度，预计在一个或多个停车标志和/或交通信号灯处的等待时间等来计算总行驶时间。此类信息可以从路线规划服务(例如，谷歌地图、苹果地图等)和/或物联网(IoT)交通信号控制系统获得。

在一些实施例中，可以不考虑导致总行驶时间超过预期行驶时间的阈值百分比(例如，5％、10％、15％、20％等)的速度配置文件。阈值百分比可以以任何合适的方式(例如，基于驾驶员输入)确定。

在一些实施例中，可以为每个速度配置文件计算一个或多个成本。例如，可以基于速度配置文件的总能量消耗来计算能量消耗成本。这可以以任何合适的方式完成，例如，通过将总能量消耗转换成无单位量，和/或按合适的乘数放大，因此即使总能量消耗的微小改变也会导致能量消耗成本的显著改变。附加地或可替代地，可以以类似方式基于速度配置文件的总行驶时间来计算行驶时间成本。

在一些实施例中，可以组合能量消耗成本、行驶时间成本和/或一个或多个其它成本以获得速度配置文件的总成本。例如，可以使用加权和来组合一个或多个成本。可以以任何合适的方式选择一个或多个相应的权重。作为示例，如果能量的节约比快速到达目的地更重要，那么能量消耗成本的权重可以高于行驶时间成本的权重，反之亦然。

在动作428处，可以选择具有最低成本的速度配置文件。可以使用任何合适的选择技术，诸如确切优化技术或启发式技术。例如，非线性编程技术可以被用于选择速度配置文件，受到一个或多个约束(例如，上面结合动作424描述的说明性约束中的一个或多个)。

在一些实施例中，过程400C可以随着车辆沿着路线行进而重复一次或多次。因此，可以基于最新信息(诸如实际交通、实际道路状况等)生成和/或选择一个或多个更新后的速度配置文件。

虽然上面描述了实施方式的细节并且在图4C中示出，但是应当认识到的是，本公开的方面不限于实施方式的任何特定方式。例如，本公开的方面不限于计算能量消耗成本、行驶时间成本，或根本不限于任何成本。而且，本公开的方面不限于使用选择的速度配置文件来向驾驶员提供速度推荐。在一些实施例中，当车辆的巡航控制被激活时，或者如果车辆是无人驾驶汽车或无人机，那么所选择的速度配置文件可以被用于设置目标速度。

图5示出了根据一些实施例的用于选择一种或多种能量管理策略的说明性过程500。例如，过程500可以被用于从图1B中所示的能量管理策略154的说明性集合中选择一种或多种能量管理策略。

在动作502处，可以使用多种不同的能量管理策略来执行模拟。在一些实施例中，这些模拟中的一些或全部可以并行执行，从而可以在更短的时间内完成更多的模拟。附加地或可替代地，这些模拟中的一些或全部可以由远程能量存储管理系统(例如，图1B的示例中的说明性远程能量存储管理系统150)执行，其可以具有比本地更多的计算资源能量存储管理系统(例如，图1B的示例中的说明性本地能量存储管理系统160)。

在一些实施例中，可以通过维持一个或多个状态变量来执行模拟，这些状态变量在时间t₀处可以具有一个或多个相应的初始值，并且可以根据正在该特定模拟中应用的能量管理策略在模拟时段[t₀,t₀+T]上演变。状态变量的示例包括但不限于能量存储系统配置中每个能量存储设备的充电状态、健康状态、电压、电流、C-rate、充电/放电效率等。

在一些实施例中，模拟时段[t₀,t₀+T]可以包括N个控制周期，其中每个控制周期可以具有T/N的持续时间。在控制周期开始时，可以基于能量应用功率配置文件、能量存储环境分布和/或在控制周期开始时一个或多个状态变量的一个或多个相应值来应用能量管理策略。在一些实施例中，能量应用功率配置文件可以基于速度配置文件(例如，使用图4B中所示的说明性过程400B预测的和/或使用图4C中所示的说明性过程400C选择的速度配置文件)来提供。附加地或可替代地，可以基于辅助系统功率配置文件(例如，驾驶室HVAC的功率配置文件，基于天气、驾驶员偏好等预测的)来提供能量应用功率配置文件。

在一些实施例中，能量管理策略可以输出要在控制周期期间实现的功率分配。可以基于能量存储系统配置选择的一个或多个能量存储设备模型然后可以用于确定一个或多个状态变量在控制周期期间如何演变。例如，可以在控制周期期间为状态变量确定时间序列。时间序列可以只包括一个值(例如，控制周期结束时状态变量的最终值)，或者包括多个值(例如，整个控制周期中状态变量的中间值)。

在一些实施例中，上述过程可以重复N次，其中每个状态变量可以在每个控制周期开始时基于前一个控制周期结束时状态变量的值被初始化。因而，可以计算与能量存储设备相关的一个或多个性能变量(例如，ΔSoC、ΔSoH等)。例如，每个性能变量的一个或多个值可以作为整个模拟时段[t₀,t₀+T]的时间序列输出。

在一些实施例中，整个模拟周期的时间序列可以通过连接各个控制周期的时间序列来获得。附加地或可替代地，整个模拟周期的时间序列可以包括导出的值，诸如每个控制周期的平均值。

在一些实施例中，可以为能量存储系统配置中的每个能量存储设备提供模拟的性能配置文件。对于与对应能量存储设备相关的每个状态变量，这种性能配置文件可以包括该状态变量的整个模拟时段[t_0，t_0+T]的时间序列。

再次参考图5，可以基于来自动作502的模拟结果来选择一种或多种能量管理策略。例如，在动作502处执行的模拟中使用的策略可以基于诸如循环效率之类的一个或多个准则来排序，循环效率可以被确定为在一个完整周期内从能量存储设备提取的总电荷与投入到能量存储设备中的总电荷之间的比率(例如，理想情况下为0％到100％到0％，或在一些实际情况下为10％到90％到10％)。可以选择一种或多种排名靠前的策略，诸如排名前一、二、三、四、五、六、七、八、九、十、十一、十二、十三、十四、十五等策略。

在动作506处，可以部署在动作504处选择的一个或多个策略。例如，可以将选择的策略应用于一个或多个合适的输入，并且该策略的功率分配输出可以用于向电力电子器件(例如，图1A中所示的说明性电力电子器件104)和/或一个或多个能量存储设备管理器(例如，图1A中所示的说明性设备管理器114A-B)提供控制信号。如果有多个选择的策略，那么可以以选择的顺序(例如，每个选择的时间段)或以某种其它合适的方式(例如，使用如下所述的探索值0<∈≤1)来应用这些策略。

在动作508处，可以在部署一个或多个选择的策略期间收集观察结果。可以被收集的观察的示例包括但不限于实际速度配置文件、用于能量存储设备的实际性能配置文件等。实际性能配置文件可以涉及能量存储设备的任何合适的状态变量或状态变量的组合，并且可以包括每个这种状态变量的时间序列测量。

在一些实施例中，过程500可以重复一次或多次，并且在执行后续模拟时可以使用在动作508处收集的观察。例如，当过程500最初运行时，可以使用降阶模型(ROM)来减少模拟时间。当重复过程500时，可以基于全阶模型和/或在过程500的一次或多次先前运行期间收集的观察来执行模拟。

在2019年9月12日提交的标题为“SYSTEMS AND METHODS FOR MANAGING ENERGYSTORAGE SYSTEM”的国际申请No.PCT/US2019/050845中进一步描述了用于管理能量存储系统的说明性技术，该申请通过引用整体并入本文。

发明人已经意识并认识到能量管理策略的性能可以取决于在其中部署能量管理策略的环境。例如，能量管理策略可以将一个或多个输入映射到与能量应用相关联的多个能量存储设备之间的功率分配。取决于能量存储设备的条件、能量应用本身和/或能量应用在其中运行的环境，这种能量管理策略可以执行得更好或更差。

因而，在一些实施例中，提供了用于从多种能量管理策略中选择能量管理策略的技术。这种技术可以尝试在以下两者之间取得期望的平衡：(1)选择已知在特定上下文中表现良好的能量管理策略，以及(2)尝试其它能量管理策略以查看是否有任何其它能量管理策略在这个上下文中会表现得更好。

在一些实施例中，能量管理策略可以接收由估计模型输出的值作为输入。发明人已经意识并认识到估计模型的准确性可以取决于在其中部署估计模型的环境。例如，估计模型可以将一个或多个输入映射到与能量应用相关的因变量的估计值、与能量应用相关联的能量存储设备或能量应用在其中操作的环境。因变量的估计的值可以是因变量的当前或未来值的估计。取决于能量存储设备的条件、能量应用本身和/或能量应用在其中操作的环境，这种估计模型可以或多或少是准确的(例如，与观察到的值匹配的估计的值)。

发明人已经意识并认识到用于从多种能量管理策略中选择能量管理策略的技术也可以被用于从多个估计模型中选择估计模型。这种技术可以尝试在以下两者之间取得期望的平衡：(1)选择已知在特定上下文中准确的估计模型，以及(2)尝试其它估计模型以查看是否有任何其它估计模型在这个上下文中可以更准确。

发明人已经进一步意识并认识到，可以期望在类似的能量应用中共享关于能量管理策略性能和/或估计模型准确性的知识，诸如类似构造和/或类似装备的电动车辆。例如，车辆A和车辆B可以属于同一类车辆，并且可以具有相同类型的能量存储系统(ESS)。车辆A可以位于澳大利亚悉尼，而车辆B可以位于挪威奥斯陆。在-10℃的环境温度和+10℃的ESS操作温度下，会发现车辆B中ESS的容量比估计的高3％。而且，在1.3C放电时，会发现车辆B中ESS的等效串联电阻(ESR)比估计的低7％。

在一些实施例中，可以分析从在相同上下文中操作的同一类中的其它车辆(例如，-10℃的第一范围内的环境温度和/或+10℃的第二范围内的ESS操作温度)收集的数据，以确定是否也观察到相似的差异(例如，第三范围内的容量差异，和/或第四范围内的ESR差异)。如果是这样，那么可以推断当前部署在车辆B中的用于容量的估计模型和/或用于ESR的估计模型在那个上下文中可以是不准确的。否则，可以推断在车辆B处观察到的差异可以是由于数据噪声造成的，这可以有利地防止对车辆B中的估计模型进行不必要的更新。

附加地或可替代地，可以分析从在相同上下文中操作的相同车辆收集的数据以确定是否一致地观察到相似的差异(例如，超过阈值的发生百分比)。如果是这样，那么可以推断当前部署的估计模型在那个上下文中可以是不准确的。否则，可以推断出仅在少数情况下观察到的差异可以是由于数据噪声造成的。

在一些实施例中，如果确定当前部署的估计模型在给定上下文中可以不准确，那么估计模型可以被认为在那个上下文中更准确的模型替换。例如，如果确定在相同上下文中操作的同一类中的许多车辆中观察到相似的容量和ESR差异(例如，高于此类车辆的阈值百分比)，那么此类车辆中的估计模型可以被认为在那个上下文中更准确的模型替换。这可以以任何合适的方式完成(例如，经由无线更新)，并且可以允许此类车辆中的能量管理策略在那个上下文中利用改进的ESS性能。

应当认识到的是，可以以任何合适的方式来定义要考虑的一类车辆。在一些实施例中，除了具有相同类型的能量存储系统之外或代替具有相同类型的能量存储系统，同一类中的车辆可以具有相同的品牌、型号和/或年份。

在一些实施例中，可以选择性地部署替换模型。例如，如果估计的值与观察到的值之间的差异高于所选择的百分比阈值，那么可以触发替换模型的部署。附加地或可替代地，替换模型的部署可以基于上下文之间的相似性。例如，由于车辆A处于不同的上下文中(例如，更高的环境温度和ESS操作温度)，因此车辆A中的估计模型不会立即被替换。但是，可以提供程序逻辑以在将来遇到更冷的条件时触发估计模型的替换。

可以以任何合适的方式来确定上下文之间的相似性。例如，在一些实施例中，给定相同可观察特征的两个值，可以提供归一化的差，其可以是[0,1]中的值。给定基于特征的相同底层集合的两个上下文，可以将两个上下文之间的差异计算为对应特征值之间的相应差异的加权和。但是，应当认识到的是，本公开的方面不限于以任何特定方式或根本不限于比较上下文。

在一些实施例中，提供了用于从包括多个候选模型的模型类别中选择模型的技术。例如，可以提供包括多种能量管理策略的模型类别。附加地或可替代地，可以提供模型类别，其包括用于与能量应用相关的因变量的多个估计模型。此类估计模型可以被称为能量应用模型。附加地或可替代地，可以提供模型类别，该模型类别包括用于与能量应用相关联的能量存储设备相关的因变量的多个估计模型。此类估计模型可以被称为能量存储设备模型。附加地或可替代地，可以提供模型类别，该模型类别包括用于因变量的多个估计模型，该因变量与能量应用在其中操作的环境有关。此类估计模型可以被称为环境模型。

在一些实施例中，上下文可以包括多个值，其中每个值可以与可观察的特征对应。例如，上下文C可以包括与能量应用正在其中操作的环境(例如，环境温度、道路状况等)相关的特征值、与能量应用相关的特征的值(例如，车辆总质量、到目的地的时间、驾驶员请求的速度、驾驶员请求的车厢温度等)和/或与一个或多个与能量应用相关联的能量存储设备相关的特征的值(例如，能量存储操作温度、充电状态等)。

在一些实施例中，提供了用于从模型类别中选择模型以便增加一项或多项奖励(或减少一项或多项成本)的技术。作为一个示例，模型类别M可以包括用于电动车辆的ESS的多种能量管理策略，并且可以选择能量管理策略m以在车辆到达目的地时增加ESS的健康状态。因此，奖励函数r(C,m)可以取决于在上下文C中部署能源管理策略后ESS的健康状态。附加地或可替代地，可以提供奖励函数r(C,m)以增加驱动循环效率(kWh/km)、在再生制动实例期间回收的能量等，和/或减少热损耗、高能量设备的循环振荡、高能量设备用电需求的二阶导数等。

作为另一个示例，模型类别M可以包括因变量的多个估计模型，并且可以选择估计模型以提高准确性。因此，奖励函数r(C,m)可以取决于因变量的估计的值与因变量的观察到的值之间的差异。

在一些实施例中，如果已经在上下文C中多次部署能量管理策略，那么可以使用适当的奖励统计，诸如均值、中值、众数、最大值、最小值等。

在一些实施例中，可以执行来自模型类别M的重复选择，以增加总奖励(或降低总成本)为目标。在每次选择时，可以采取两种可能的方法：(1)开发—尝试基于当前对M中模型的了解来增加奖励；(2)探索—尝试更多地了解M中的模型。

例如，可以选择探索值0<∈≤1(例如，∈＝0.5)。探索方法可以用概率∈来选择，而开发方法可以用概率1-∈来选择。使用这种探索值的说明性技术如下面的伪代码所示。

在这个示例中，最初倾向于探索，直到模型类别M中的所有模型都已在上下文中至少部署一次。此后，探索值∈被用于在开发和探索之间进行选择。

应当认识到的是，提供上述技术仅仅是为了说明的目的。这种技术的一个或多个变体和/或一种或多种其它技术可以被用于从模型类别中选择模型以增加给定上下文中的奖励。例如，在一些实施例中，可以使用规则从模型类别M中消除被认为在上下文C中不合适的一个或多个模型。

Elmachtoub等人在“A Practical Method for Solveing Contextual BanditProblems Using Decision Trees”中讨论了可以被使用的技术的其它示例。³

图6示出了根据一些实施例的模型类别的说明性网络600。在这个示例中，网络600包括模型类别605，该模型类别605包括多种能量管理策略。例如，模型类别605中的每种能量管理策略可以将一个或多个输入映射到高能量设备和高功率设备(例如，图1A的示例中的说明性能量存储设备110A-B))之间的功率分配。

在一些实施例中，模型类别605的输入可以由另一个模型类别提供。例如，模型类别605可以接收来自包括能量应用模型的模型类别的输入，诸如包括用于速度配置文件的估计模型的模型类别、包括用于再生制动效率的估

计模型的模型类别、包括用于辅助电力需求的估计模型的模型类别等。此类模型类别在图6中的组610中示出。

附加地或可替代地，模型类别605可以接收来自包括能量存储设备模型的模型类别的输入，诸如包括用于电压的估计模型的模型类别、包括用于等效串联电阻(ESR)的估计模型的模型类别、模型类别包括用于健康状态(SOH)等的估计模型。此类模型类别在图6中的组615中示出。

在一些实施例中，包括估计模型的模型类别进而可以从包括估计模型的另一个模型类别接收输入。例如，组610或615中的模型类别可以接收来自包括环境模型的模型类别的输入，诸如包括用于滚动系数的估计模型的模型类别、包括用于空气密度的估计模型的模型类别等。

附加地或可替代地，组610或615中的模型类别可以接收来自包括热模型的模型类别的输入，诸如包括用于能量存储设备操作温度的估计模型的模型类别，包括用于热管理功率(例如，用于将能量存储设备的操作温度维持在选择的范围内的功率)的估计模型的模型类别等。

发明人已经意识并认识到，虽然图6的示例中的热模型是能量存储设备模型，但是热模型可以接收与能量应用正在其中操作的环境相关的输入。因此，在一些实施例中，热模型的选择可以基于由一个或多个环境条件分段的历史数据。因而，在图6中，热模型在与环境模型相同的组620中示出。

在一些实施例中，模型的选择可以在网络600中从上游进行到下游。例如，可以从没有来自任何其它模型类别的输入的每个模型类别中选择模型。这种选择的模型可以被用于获得估计的值，该估计的值进而可以作为输入提供给下游模型类别。

发明人已经意识并认识到，与从第一模型类别(例如，速度配置文件)中选择相关的可观察特征可以不同于与从第二模型类别(例如，能量存储健康状态)中选择相关的那些特征。因而，在一些实施例中，当从第一模型类别中选择模型时可以使用第一上下文，而在从第二模型类别中选择模型时可以使用不同于第一上下文的第二上下文。但是，应当认识到的是，本公开的方面不限于对不同模型类别使用不同上下文。

附加地或可替代地，不同的探索值(∈)和/或不同的奖励历史可以被用于不同的模型类别。但是，应当认识到的是，本公开的方面不限于使用探索值或奖励历史来从模型类别中选择模型。

如结合图1A的示例所描述的，说明性主控制器102可以比较两种能量管理策略以查看哪种能量管理策略可以执行得更好。为了执行这种比较，主控制器可以估计一个或多个参数，诸如预测的电力需求、预测的能量存储设备健康状态等。同样，为了估计诸如预测的能量存储设备健康状态之类的参数，主控制器可以估计一个或多个其它参数，诸如预测的能量存储操作温度。因此，参数的不准确建模可以直接或间接地导致虚假承诺和/或错失提高性能的机会。

发明人已经意识并认识到，模型类别的网络，诸如图6的示例中的说明性网络600，可以被用于提供自适应控制，同时提高执行自适应控制所基于的估计的参数的准确性。例如，可以经由模型类别605提供自适应控制，而准确性改进可以经由组610、615和620中的模型类别提供。

在一些实施例中，可以从组620中的模型类别中选择模型。这种选择可以基于：

·按一个或多个准则(诸如一个或多个环境条件)分割的历史数据；

·动态获得的数据(例如，传感器测量)；

·那个模型类别的奖励历史；

·等等。

选择的模型可以应用于历史数据和/或动态获得的数据以确定估计的值。然后可以将这个估计的值提供给组610和615中的一个或多个模型类别。

在一些实施例中，可以从组610中的模型类别中选择模型。这种选择可以基于：

·来自组620的一个或多个估计的值；

·按诸如地理、驾驶员历史、车辆平台之类的一个或多个准则分割的历史数据；

·动态获得的数据(例如，传感器测量)；

·那个模型类别的奖励历史；

·等等。

选择的模型可以应用于历史数据和/或动态获得的数据以确定估计的值。然后可以将这个估计的值提供给模型类别605。

在一些实施例中，可以从组615中的模型类别中选择模型。这种选择可以基于：

·来自组620的一个或多个估计的值；

·按诸如部署的能量存储系统类型之类的一个或多个准则分割的历史数据；

·动态获得的数据(例如，传感器测量)；

·那个模型类别的奖励历史；

·等等。

选择的模型可以应用于历史数据和/或动态获得的数据以确定估计的值。然后可以将这个估计的值提供给模型类别605。

在一些实施例中，可以从模型类别605中选择模型。这种选择可以基于：

·来自组610和/或615的一个或多个估计的值；

·按一个或多个准则(诸如一个或多个驾驶状况、一个或多个驾驶员行为、一个或多个车辆特性等)分割的历史数据；

·动态获得的数据(例如，传感器测量)；

·模型类别605的奖励历史；

·等等。

选择的模型可以应用于历史数据和/或动态获得的数据以确定高能量设备的瞬时和/或未来电力需求、高电力设备的瞬时和/或未来电力需求(例如，如果使用异构能量存储系统)、一个或多个面向驾驶员的目标速度的推荐、一个或多个面向车辆的目标速度的推荐等。

应当认识到的是，本公开的方面不限于使用任何特定模型类别或模型类别的集合，或者不限于以任何特定方式布置模型类别。例如，在一些实施例中，模型类别605可以直接从包括环境模型的模型类别接收输入，和/或直接从包括热模型的模型类别接收输入。

在一些实施例中，模型选择可以在远程能量存储管理系统和本地能量存储管理系统(例如，图1B的示例中的说明性远程能量存储管理系统150和说明性本地能量存储管理系统160)并行执行。发明人已经意识并认识到远程能量存储管理系统可以具有更多的计算资源(例如，存储器、处理周期等)和/或访问更多的数据(例如，历史数据、来自多个能量应用的数据等等)。因此，远程能量存储管理系统可以能够探索更大的模型类别，从而发现更准确的估计模型和/或性能更好的能量管理策略。

例如，对于给定的模型类别，远程能量存储管理系统可以分析大量模型，这些模型可以基于不同的数学建模方法，和/或可以使用不同的近似技术。相比之下，对于相同的模型类别，本地能量存储管理系统可以分析少量模型，诸如被远程能量存储管理系统认为准确的估计模型，和/或被远程能量存储管理系统认为表现良好的能源管理策略。这些本地模型可以通过无线更新来替换，无线更新可以被定期调度和/或由上下文改变触发。

附加地或可替代地，远程能量存储管理系统可以使用比本地能量存储管理系统更大的探索值∈。因此，本地能量存储管理系统可以更专注于快速适应不断变化的条件(例如，交通、天气、驾驶员请求等)，而远程能量存储管理系统可以投入更多的计算资源来探索不同的模型。以这种方式，远程能量存储管理系统就能够识别出准确的估计模型以供本地能量存储管理系统在比较不同的能源管理策略时使用，从而使本地能量存储管理系统选择的能源管理策略可以导致更大的性能提升。但是，应当认识到的是，本公开的方面不限于使用任何特定的探索值或探索值的组合，或者根本不限于任何探索值。

发明人已经意识并认识到，在由本地能量存储管理系统使用的模型类别中具有多个(虽然是少数)模型可以是有益的。例如，如果当前部署的模型不令人满意，这可以允许本地能量存储管理系统切换到不同的模型，而不会立即触发无线更新。但是，应当认识到的是，本公开的方面不限于在由本地能量存储管理系统使用的模型类别中具有多个模型。

在一些实施例中，实况交通数据可以被用于向模型提供更准确的输入，和/或更准确的上下文以从模型类别中选择模型。例如，可以从公共交通监视系统和/或私人交通数据提供商获得实况交通数据。

在一些实施例中，历史数据可以在用于模型的选择之前被分段。例如，模型类别可能具有一个或多个属性值的相关联的集合。作为示例，基于交通状况倾向于具有重复模式的假设，可以用特定地理区域、一周中的特定天、一天中的特定时间等来标记用于速度配置文件的模型类别。这些属性值可以被用于过滤历史数据，并且经过滤的数据进而可以被用于从模型类别中选择速度配置文件模型。

附加地或可替代地，用于速度配置文件的模型类别可以用指示驾驶方式的一个或多个属性值来标记。例如，驾驶员可以基于他们加速和/或制动的激进程度(例如，平均、激进、保守等)和/或他们对改变的响应速度(例如，平均、粗心、细心等)进行分类。然后可以根据一个或多个分类标签过滤历史数据。

在一些实施例中，生物特征识别(例如，面部识别、指纹识别等)可以被用于区分来自驾驶同一车辆的不同个人(例如，同一家庭的成员、轮班工作的商业驾驶员等)的数据。这可以提高驾驶员分类的有效性。

在一些实施例中，历史数据可以基于多个准则(诸如地理区域、一天中的时间、一周中的时间、一年中的时间、天气状况、道路状况、驾驶员行为等)进行分段。但是，应当认识到的是，本公开的方面不限于以任何特定方式对数据进行分段，或者根本不限于对数据进行分段。

再次参考图4C的示例，说明性过程400C在一些实施例中可以确定电动车辆的路线是否是通勤路线。例如，过程400C可以使用聚类或其它分类技术来分析在特定时间段(例如，过去一周、两周、三周等)内进行的出行。一个或多个特征(诸如起点、目的地、星期几、一天中的时间等)的任何合适的集合都可以被用于聚类。

在一些实施例中，如果路线属于大于选择的阈值(例如，出行的选择的数量和/或选择的百分比)的集群，那么该路线可以被认为是通勤路线。响应于确定路线是通勤路线，过程400C可以获得关于沿着同一路线的一个或多个过去出行的信息，诸如先前预测的速度配置文件、对应的实际速度配置文件、对应的能量效率和/或总能量消耗、对应的总行驶时间等。

在一些实施例中，过程400C可以基于诸如交通、天气等一个或多个准则来分割过去的出行，并且可以识别一个或多个先前预测的速度配置文件和/或具有交通、天气和/或与当前出行的对应属性值匹配的其它属性值。在动作424处，一个或多个识别出的速度配置文件可以作为候选速度配置文件被包括在内。

发明人已经意识并认识到，即使驾驶员意识到他/她当前驾驶方式的缺点(例如，激进驾驶导致能量效率低下)，突然改变驾驶方式也会对驾驶者具有挑战。因而，在一些实施例中，过程400C最初可以有利于驾驶员的当前驾驶方式，但可以随着时间逐渐过渡到更节能的驾驶方式。以这种方式，驾驶员可以更有可能采用推荐的速度。

例如，过程400C可以基于同一路线上过去出行的一个或多个实际速度配置文件来确定驾驶员是否表现出激进性。在一些实施例中，平均值(例如，均值、中值、众数等)加速度和/或减速度值可以从驾驶员过去的出行中获得，并且可以与同一路线上所有驾驶员的平均值(例如，均值、中值、众数等)加速度和/或减速度值进行比较。附加地或可替代地，总行驶时间可以从驾驶员过去的出行中获得，并且可以与例如由路线规划服务(例如，谷歌地图、苹果地图等)估计的总行驶时间进行比较。

在一些实施例中，如果驾驶员表现出激进性，那么过程400C可以在动作426处选择权重以将总行驶时间优先于总能量消耗。例如，可以使用查找表将每个驾驶员行为标签(例如，激进、保守、粗心、细心等)映射到对应的权重对，以分别应用于行驶时间成本和能量消耗成本。

附加地或可替代地，过程400C可以在同一路线上的未来出行中稳定地调整权重，以代替地将总能量消耗优先于总行驶时间。例如，过程400C可以先稍微调整权重(例如，将能量消耗权重增加1％、2％、3％、4％、5％等)。如果驾驶员采用过程400C做出的速度推荐，那么可以进一步调整权重(例如，将每次出行的能量消耗权重增加1％、2％、3％、4％、5％等)。如果驾驶员忽略过程400C针对至少连续N次出行(具有一些合适的N)做出的速度推荐，那么过程400C可以恢复为最匹配驾驶员的驾驶方式的权重。

在一些实施例中，即使路线不是通勤路线，也可以采用类似的方法。例如，过程400C可以基于过去出行的一个或多个实际速度配置文件(例如，在同一路线和/或一条或多条不同路线上)确定驾驶员是否表现出激进性。这可以例如以与上文关于同一路线上的过去出行所描述的方式类似的方式来完成。

在一些实施例中，如果驾驶员已经表现出激进性，那么过程400C可以在动作426处选择权重以将总行驶时间优先于总能量消耗(例如，使用如上所述的查找表)。在未来的出行中，过程400C可以稳定地调整权重以代替将总能量消耗优先于总行驶时间(例如，通过首先进行轻微调整并观察驾驶员是否接受改变，如上所述)。

下面提供本公开的各个方面的说明性配置。

1.一种用于选择电动车辆的速度配置文件的计算机实现的方法，包括以下动作：确定多个参数值，所述多个参数值包括：用于选择范围内的至少一个路段的至少一个第一参数值；以及用于电动车辆的至少一个能量存储设备的至少一个第二参数值；使用所述多个参数值来预测选择范围内的多个速度配置文件，其中：所述多个速度配置文件中的每个速度配置文件是基于与电动车辆的驾驶员的驾驶方式相关的至少一个变量的对应值来预测的；计算用于所述多个速度配置文件中的每个速度配置文件的能量消耗成本和行驶时间成本；以及基于相应的能量消耗成本和相应的行驶时间成本，从所述多个速度配置文件中选择速度配置文件。

2.如配置1所述的方法，还包括以下动作：至少部分地通过组合用于速度配置文件的相应能量消耗成本和相应行驶时间成本来计算用于所述多个速度配置文件中的每个速度配置文件的总成本，其中：第一权重应用于能量消耗成本；第二权重应用于行驶时间成本；并且第一权重和第二权重是基于驾驶员的驾驶历史来选择的。

3.如配置2所述的方法，还包括以下动作：基于驾驶历史，确定驾驶员是激进的驾驶员还是保守的驾驶员；响应于确定驾驶员是激进的驾驶员，选择第一权重和第二权重以优先考虑行驶时间而不是能量消耗；以及响应于确定驾驶员是保守的驾驶员，选择第一权重和第二权重以优先考虑能量消耗而不是行驶时间。

4.如配置2所述的方法，还包括以下动作：基于驾驶历史，确定当前路线是否是驾驶员的通勤路线；响应于确定当前路线不是通勤路线，选择第一权重和第二权重以优先考虑行驶时间而不是能量消耗；以及响应于确定当前路线是通勤路线，选择第一权重和第二权重以优先考虑能量消耗而不是行驶时间。

5.如配置1所述的方法，其中：确定所述多个参数值包括：使用第一机器学习模型来估计用于选择范围内的所述至少一个路段的所述至少一个第一参数值；和/或使用第二机器学习模型来估计用于电动车辆的所述至少一个能量存储设备的所述至少一个第二参数值。

6.如配置1所述的方法，其中：所述多个速度配置文件包括多个第一速度配置文件；以及使用所述多个参数值来预测所述多个第一速度配置文件包括：使用所述多个参数值来预测多个第二速度配置文件；对于每个第二速度配置文件，检查该第二速度配置文件是否满足至少一个约束；以及响应于确定该第二速度配置文件不满足所述至少一个约束，移除或修改该第二速度配置文件。

7.如配置1所述的方法，其中：预测速度配置文件包括：将当前速度与用于当前路段的选择的默认速度进行比较；以及响应于确定当前速度与用于当前路段的默认速度匹配，预测段末速度配置文件。

8.如配置7所述的方法，其中：预测段末速度配置文件包括：确定当前位置与当前路段的端点之间的距离；确定距当前路段的端点的停车距离、巡航距离或加速距离；基于当前位置与当前路段的端点之间的距离，并基于停车距离、巡航距离或加速距离，确定要制动、巡航或加速的时间；以及应用至少一个驾驶员行为调整。

9.如配置7所述的方法，其中：预测速度配置文件还包括：响应于确定当前速度小于用于当前路段的默认速度，确定加速阶段的加速度值和距离。

10.如配置7所述的方法，其中：预测速度配置文件还包括：响应于确定当前速度大于当前路段的默认速度：确定是否制动和/或巡航；以及确定用于制动和/或巡航的减速度值，以及用于减速阶段的距离。

11.一种系统，包括：至少一个计算机处理器；以及至少一个其上存储有指令的计算机可读介质，指令在被执行时对所述至少一个计算机处理器进行编程以执行配置1-10中的任一项所述的方法。

12.至少一种其上存储有指令的计算机可读介质，指令在被执行时对至少一个计算机处理器进行编程以执行配置1-10中的任一项所述的方法。

图7示意性地示出了可以在其上实现本公开的任何方面的说明性计算机1000。

在图7中所示的示例中，计算机1000包括具有一个或多个处理器的处理单元1001和可以包括例如易失性和/或非易失性存储器的非暂态计算机可读存储介质1002。存储器1002可以存储一个或多个指令以对处理单元1101进行编程以执行本文描述的任何功能。除了系统存储器1002之外，计算机1000还可以包括其它类型的非暂态计算机可读介质，诸如存储装置1005(例如，一个或多个盘驱动器)。存储装置1005还可以存储一个或多个应用程序和/或由应用程序使用的资源(例如，软件库)，它们可以被加载到存储器1002中。

计算机1000可以具有一个或多个输入设备和/或输出设备，诸如图7中所示的设备1006和1007。这些设备可以被用于例如呈现用户界面。可以被用于提供用户界面的输出设备的示例包括打印机、显示屏和其它用于视觉输出的设备、扬声器和其它用于听觉输出的设备、盲文显示器和其它用于触觉输出的设备等。可以被用于用户界面的输入设备的示例包括键盘、定点设备(例如，鼠标、触摸电和数字化平板电脑)、麦克风等。例如，输入设备1007可以包括用于捕获音频信号的麦克风，以及输出设备1006可以包括用于视觉渲染识别出的文本的显示屏，和/或用于听觉渲染识别出的文本的扬声器。

在图7中所示的示例中，计算机1000还包括一个或多个网络接口(例如，网络接口1010)以启用经由各种网络(例如，网络1020)的通信。网络的示例包括局域网(例如，企业网络)、广域网(例如，互联网)等。此类网络可以基于任何合适的技术并且根据任何合适的协议操作，并且可以包括无线网络和/或有线网络(例如，光纤网络)。

已经如此描述了至少一个实施例的几个方面，应当认识到的是，本领域技术人员将容易想到各种变更、修改和改进。此类变更、修改和改进旨在落入本公开的精神和范围内。因而，前述描述和附图仅作为示例。

本公开的上述实施例可以以多种方式中的任何一种来实现。例如，可以使用硬件、软件或它们的组合来实现实施例。当以软件实现时，软件代码可以在任何合适的处理器或处理器的集合上执行，无论是在单个计算机中提供还是分布在多个计算机中。

而且，本文概述的各种方法或过程可以被编码为可在运行多种操作系统或平台中的任何一种的一个或多个处理器上执行的软件。这种软件可以使用多种合适的编程语言和/或编程工具中的任何一种来编写，包括脚本语言和/或脚本工具。在一些情况下，这种软件可以被编译为在框架或虚拟机上执行的可执行机器语言代码或中间代码。附加地或可替代地，这种软件可以被解释。

本文公开的技术可以被实施为用一个或多个程序编码的非暂态计算机可读介质(或多个计算机可读介质)(例如，计算机存储器、一个或多个软盘、压缩盘、光盘、磁带、闪存、现场可编程门阵列或其它半导体设备或其它非暂态、有形计算机存储介质中的电路配置，程序在一个或多个处理器上执行时执行实现上面讨论过的本公开的各种实施例的方法。一个或多个计算机可读介质可以是可运输的，使得存储在其上的一个或多个程序可以被加载到一个或多个不同的计算机或其它处理器上，以实现如上讨论的本公开的各个方面。

术语“程序”或“软件”在本文中用于指任何类型的计算机代码或计算机可执行指令的集合，其可以被用于对一个或多个处理器进行编程以实现如上讨论的本公开的各个方面。而且，应当认识到的是，根据这个实施例的一个方面，当被执行时执行本公开的方法的一个或多个计算机程序不需要驻留在单个计算机或处理器上，而是可以以模块化方式分布在多个不同的计算机或处理器中以实现本公开的各个方面。

计算机可执行指令可以是由一个或多个计算机或其它设备执行的多种形式，诸如程序模块。程序模块可以包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等。在各种实施例中，程序模块的功能性可以根据需要组合或分布。

而且，数据结构可以以任何合适的形式存储在计算机可读介质中。为了说明的简单，数据结构可以被示为具有通过数据结构中的位置相关的字段。此类关系同样可以通过将用于字段的存储装置指派给计算机可读介质中传达字段之间的关系的位置来实现。但是，可以使用任何合适的机制来建立数据结构的字段中的信息之间的关系。例如，可以使用指针、标签和/或其它机制来建立数据元素之间的关系。

本公开的各种特征和方面可以单独使用、以两个或更多个的任何组合或以在前述实施例中未具体讨论的各种布置来使用，因此不限于在前述描述中阐明或在附图中示出的组件的细节和布置。例如，在一个实施例中描述的方面可以以任何方式与其它实施例中描述的方面组合。

而且，本文公开的技术可以被实施为方法，已经提供了其示例。作为方法的一部分执行的动作可以以任何合适的方式排序。因而，可以构造其中以不同于图示的次序执行动作的实施例，这可以包括同时执行一些动作，即使在说明性实施例中被示为顺序动作。

在权利要求中使用诸如“第一”、“第二”、“第三”等顺序术语来修饰权利要求要素本身并不意味着一个权利要求要素相对于另一个的任何优先权、优先级或次序或者执行方法的动作的时间次序，而是仅用作标签以区分具有特定名称的一个权利要求元素与另一个具有相同名称的元素(但使用序数术语)以区分权利要求元素。

而且，本文使用的措辞和术语是出于描述的目的并且不应当被视为限制。在本文使用“包括”、“包含”、“具有”、“含有”、“涉及”、“基于”及其变体意在涵盖其后列出的项及其等同物以及附加的项。

Claims (12)

1.一种用于选择用于电动车辆的速度配置文件的计算机实现的方法，包括以下动作：

确定多个参数值，所述多个参数值包括：

用于在选择范围内的至少一个路段的至少一个第一参数值；以及

用于所述电动车辆的至少一个能量存储设备的至少一个第二参数值；使用所述多个参数值来预测所述选择范围内的多个速度配置文件，其中：

所述多个速度配置文件中的每个速度配置文件是基于与所述电动车辆的驾驶员的驾驶方式相关的至少一个变量的对应值来预测的；

计算用于所述多个速度配置文件中的每个速度配置文件的能量消耗成本和行驶时间成本；以及

基于相应的能量消耗成本和相应的行驶时间成本，从所述多个速度配置文件中选择速度配置文件。

2.如权利要求1所述的方法，还包括以下动作：

至少部分地通过组合用于速度配置文件的相应的能量消耗成本和相应的行驶时间成本来计算用于所述多个速度配置文件中的每个速度配置文件的总成本，其中：

第一权重应用于所述能量消耗成本；

第二权重应用于所述行驶时间成本；以及

所述第一权重和所述第二权重是基于所述驾驶员的驾驶历史来选择的。

3.如权利要求2所述的方法，还包括以下动作：

基于所述驾驶历史，确定所述驾驶员是激进的驾驶员还是保守的驾驶员；

响应于确定所述驾驶员是激进的驾驶员，选择所述第一权重和所述第二权重以优先考虑行驶时间而不是能量消耗；以及

响应于确定所述驾驶员是保守的驾驶员，选择所述第一权重和所述第二权重以优先考虑能量消耗而不是行驶时间。

4.如权利要求2所述的方法，还包括以下动作：

基于所述驾驶历史，确定当前路线是否是所述驾驶员的通勤路线；

响应于确定所述当前路线不是通勤路线，选择所述第一权重和所述第二权重以优先考虑行驶时间而不是能量消耗；以及

响应于确定所述当前路线是通勤路线，选择所述第一权重和所述第二权重以优先考虑能量消耗而不是行驶时间。

5.如权利要求1所述的方法，其中：

确定所述多个参数值包括：

使用第一机器学习模型来估计用于在所述选择范围内的所述至少一个路段的所述至少一个第一参数值；和/或

使用第二机器学习模型来估计用于所述电动车辆的所述至少一个能量存储设备的所述至少一个第二参数值。

6.如权利要求1所述的方法，其中：

所述多个速度配置文件包括多个第一速度配置文件；以及

使用所述多个参数值来预测所述多个第一速度配置文件包括：

使用所述多个参数值来预测多个第二速度配置文件；

对于每个第二速度配置文件，检查所述第二速度配置文件是否满足至少一个约束；以及

响应于确定所述第二速度配置文件不满足所述至少一个约束，移除或修改所述第二速度配置文件。

7.如权利要求1所述的方法，其中：

预测速度配置文件包括：

将当前速度与用于当前路段的选择的默认速度进行比较；以及

响应于确定所述当前速度与用于所述当前路段的所述默认速度匹配，预测段末速度配置文件。

8.如权利要求7所述的方法，其中：

预测段末速度配置文件包括：

确定当前位置与所述当前路段的端点之间的距离；

确定距所述当前路段的端点的停车距离、巡航距离或加速距离；

基于所述当前位置与所述当前路段的所述端点之间的距离，并基于所述停车距离、所述巡航距离或所述加速距离，确定要制动、巡航或加速的时间；以及

应用至少一个驾驶员行为调整。

9.如权利要求7所述的方法，其中：

预测速度配置文件还包括：

响应于确定所述当前速度小于用于所述当前路段的所述默认速度，确定加速阶段的加速度值和距离。

10.如权利要求7所述的方法，其中：

预测速度配置文件还包括：

响应于确定所述当前速度大于用于所述当前路段的所述默认速度：

确定是否制动和/或巡航；以及

确定用于制动和/或巡航的减速度值，以及用于减速阶段的距离。

11.一种系统，包括：

至少一个计算机处理器；以及

至少一个其上存储有指令的计算机可读介质，其中，在指令在被执行时，对所述至少一个计算机处理器进行编程以执行如权利要求1-10中的任一项所述的方法。

12.至少一个其上存储有指令的计算机可读介质，其中，在指令在被执行时，对至少一个计算机处理器进行编程以执行如权利要求1-10中的任一项所述的方法。

Images