CN115817183A - 一种纯电动汽车续驶里程预测方法及预测装置 - Google Patents

Abstract

本发明提供了一种纯电动汽车续驶里程预测方法及预测装置，包括以下步骤：测得车辆不同初始电量以及电池容量修正系数；定义出行片段，构成出行工况库；计算车辆各参数特征；构建续驶里程预测模型；获取车辆状态参数；获取驾驶者与目的地之间参数信息；挑选出对应特征误差在5％以内的出行片段，计算出行片段的平均行驶特征；得到电耗预测值EC以及放电倍率C；计算车辆续驶里程。本发明有益效果：充分考虑了不同电量状态下环境温度以及放电倍率对电池实际容量的影响；通过机器学习的方法，将续驶里程的预测和驾驶员驾驶行为进行了关联，可以得到和用户用车习惯更为吻合的续驶里程预测结果。

Description

一种纯电动汽车续驶里程预测方法及预测装置

技术领域

本发明属于电动汽车控制领域，尤其是涉及一种纯电动汽车续驶里程预测方法及预测装置。

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。本发明的特点在于利用转毂试验数据、车辆实际行驶工况数据、导航数据，并综合考虑汽车空调的多种影响因素，建立一种纯电动汽车续驶里程预测方法及预测装置。

发明内容

有鉴于此，本发明旨在提出一种纯电动汽车续驶里程预测方法及预测装置，以能够有效的提升电动汽车的剩余里程的预测准确度，能够大大降低驾驶员的里程焦虑。

为达到上述目的，本发明的技术方案是这样实现的：

一种纯电动汽车续驶里程预测方法，包括以下步骤：

S1、针对选定车型，在实验室中分别测得车辆在高低温环境下不同初始电量以及采用不同倍率放电时电池容量修正系数；

S2、获取车辆的历史行驶数据，将车辆从A点出发，到目的地B点之间的行驶数据划分为一次出行片段，根据出行片段的定义，将历史数据分为多个出行片段构成出行工况库，通对数据库中的出行片段进行筛选，剔除异常行程；

S3、计算出行工况库中各出行片段的速度类特征、加速度类特征、踏板操作类特征以及该行程能耗，并计算每个特征参数与能耗间互信息数，挑选出和能耗互信息值大于0.3的特征参数作为续驶里程预测模型训练时的输入；

S4、通过CAN线获取所述车辆的电池容量SOC、车辆空调的使用状态；

S5、通过车载导航系统，获取平均车速、道路最高限速；

S6、将步骤S4、S5中行驶特征输入到步骤S3得到续驶里程预测模型中，得到电耗预测值EC以及放电倍率C；

S7、获取车辆当前环境温度，通过放电倍率对电池可放电容量进行修正，得到车辆当前环境下电池实际容量SOC_real，利用电池实际容量除以预测电耗率，计算得到车辆环境当前状态下车辆续驶里程。

进一步的，步骤S2中所述历史出行片段特征数据包括：

速度类特征：平均车速、最大车速、车速标准差；

加速度类特征：最大加速度、平均加速度、最大减速度平均减速度、相对正加速度；

踏板操作类特征：平均加速踏板开度、平均减速踏板开度；

空调类特征：制冷开启、制热开启；

进一步的，在步骤S2中的出行片段定义：出行片段代表驾驶员从出发点A到目的地B点之间的行驶过程，由多个怠速片段和与之相邻的运动片段组成。

一种纯电动汽车续驶里程预测装置，包括电源模块、存储模块、出行片段划分模块、特征分析模块、机器学习模块、续驶里程预测模块、显示模块、导航模块和温度模块，所述存储模块、出行片段划分模块、特征分析模块、机器学习模块、续驶里程预测模块、显示模块之间依次信号连接；所述特征分析模块输出端还连接至存储模块，所述导航模块和温度模块均连接至续驶里程预测模块输出端，所述存储模块、出行片段划分模块、特征分析模块、机器学习模块、续驶里程预测模块、显示模块、导航模块和温度模块均电连接至电源模块；

所述出行片段划分模块用于步骤S2中的获取车辆的历史行驶数据，将车辆从A点出发，到目的地B点之间的行驶数据划分为一次出行片段，根据出行片段的定义，将历史数据分为多个出行片段构成出行工况库，通对数据库中的出行片段进行筛选，剔除异常行程；

所述特征分析模块用于步骤S3中的计算出行工况库中各出行片段的速度类特征、加速度类特征、踏板操作类特征、空调特征以及该行程能耗，并计算每个特征参数与能耗间互信息数，挑选出和能耗互信息值大于0.3的特征参数作为模型训练时的输入；

所述机器学习模块、所述续驶里程预测模块用于步骤S3中使用机器学习算法构建续驶里程预测模型，续驶里程预测模型输入为出行片段特征，续驶里程预测模型输出为能耗预测值EC以及电池放电倍率C；

所述导航模块用于步骤S5中的通过车载导航系统，获取驾驶者到达目的地的平均车速、道路最高限速；

所述温度模块用于步骤S7中的获取车辆当前环境温度，通过放电倍率对电池可放电容量进行修正，得到车辆当前环境下电池实际容量SOC_real，利用电池实际容量除以预测电耗率，计算得到车辆环境当前状态下车辆续驶里程；

所述显示模块用于显示步骤S7中计算得到的续驶里程。

相对于现有技术，本发明所述的一种纯电动汽车续驶里程预测方法及预测装置具有以下优势：

本发明所述的一种纯电动汽车续驶里程预测方法及预测装置，充分考虑了不同电量状态下环境温度以及放电倍率对电池实际容量的影响；通过机器学习的方法，将续驶里程的预测和驾驶员驾驶行为进行了关联，可以得到和用户用车习惯更为吻合的续驶里程预测结果。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的电池容量和环境温度以及放电倍率的关系示意图；

图2为本发明实施例所述的出行片段划分示意图；

图3为本发明实施例所述的实施例提供的一种纯电动汽车续驶里程预测方法的流程示意图；

图4为本发明实施例所述的实施例提供的一种纯电动汽车续驶里程预测装置的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面将参考附图并结合实施例来详细说明本发明。

名词解释：

最大互信息数法：MIC(Maximal Information Coefficient)最大互信息系数。用来衡量两个特征变量之间的关联程度(线性或非线性关系)，相较于Mutual Information(MI)互信息而言有更高的准确度。

机器学习算法：用于能耗预测模型的训练及预测，常用算法包括支持向量机、主成分分析、Q-learning。

如图1至图4所示，一种纯电动汽车续驶里程预测方法，主要包含以下几个步骤：

1.针对某一车型，在实验室中分别测得高低温环境下不同初始电量以及采用不同倍率放电时电池容量修正系数；

2.获取车辆的历史行驶数据，将车辆从A点出发，到目的地B点之间的行驶数据划分为一次出行片段，根据出行片段的定义，将历史数据分为多个出行片段构成出行工况库，通对数据库中的出行片段进行筛选，剔除异常行程；

3.计算出行库中各出行片段的速度类特征、加速度类特征、踏板操作类特征、空调类特征以及该行程能耗，并计算每个特征参数与能耗间互信息数，挑选出和能耗互信息值大于0.3的特征参数作为模型训练时的输入；

4.通过CAN线获取所述车辆当前的SOC、车辆空调的使用状态；

5.通过车载导航系统，获取驾驶者与目的地之间平均车速、道路最高限速；

6.将步骤4、5中获取的数据输入到步骤3得到模型中，得到电耗预测值EC以及放电倍率C；

7.获取当前环境温度，结合放电倍率对电池可放电容量进行修正，得到该环境下电池实际容量SOC_real，最后利用电池实际容量除以预测电耗率，计算得到该状态下车辆续驶里程。

步骤2中所述历史出行片段特征数据包括但不限于：

1)速度类特征：平均车速、最大车速；

2)加速度类特征：最大加速度、平均加速度、最大减速度、相对正加速度(RPA)；

3)踏板操作类特征：加速踏板平均开度、制动踏板平均开度；

4)空调类特征：制冷开启、制热开启；

步骤2中出行定义如下：出行片段代表驾驶员从出发点A到目的地B点之间的行驶过程，由多个怠速片段和与之相邻的运动片段组成。出行片段示意图如图1所示。

本发明的优点在于：

充分考虑了不同电量状态下环境温度以及放电倍率对电池实际容量的影响；通过机器学习的方法，将续驶里程的预测和驾驶员驾驶行为进行了关联，可以得到和用户用车习惯更为吻合的续驶里程预测结果。

实施例1

下面结合附图，对本申请的技术方案进行描述

1.在实验室进行高低温环境下不同初始电量以及采用不同倍率放电时电池容测试，高温测试温度分别为20℃、25℃、30℃、35℃、40℃、45℃，低温测试温度分别为-20℃、-15℃、-10℃、-5℃、0℃、5℃，电池的放电倍率分别为1/3C、1/2C、1C、2C、3C、4C、5C、6C，通过多元线性回归的方式，拟合得到不同温度、不同放电倍率、不同起始SOC下电池容量修正系数，以环境温度0℃，初始SOC等于80％为例，根据试验结果拟合得到的修正系数如图1所示。

2.采用出行片段划分的方法对历史数据进行切割如图2所示，得到出行片段库，并根据以下5个规则对行程库中片段进行筛选，剔除异常行程：

1)缺失率规则：若运动片段数据缺失率超过10％，则将该片段删除，若缺失率低于10％，则通过插值的方法对缺失数据进行补充。

2)出行时间规则：单次出行时长不低于5min。

3)加速度规则：运动片段瞬时加速度在[-6m/s²,6m/s²]范围内。瞬时加速度的计算采用隔点计算方法，采用隔点法能够降低偶然误差，使计算结果更加准确，具体计算方法如公式(1)所示。

4)速度规则：运动片段的最大速度不超过130km/h，最小速度不低于5km/h。

5)怠速时长规则：怠速片段时长不超过30％。

对于不符合上述五条规则的片段进行删除，保留下来的片段用于后续模型构建，本发明中出行片段能耗通过公式(2)进行计算，单位为kW·h/100km。其中，v为车辆的行驶车速，U和I分别为电池的直流电流及直流电压，从OBD模块读取。

3.计算行程库中每个行程中特征参数和能耗之间互信息值，如表1所示：

表1片段特征表

以片段平均车速、最高车速、平均加速度、平均减速度、RPA、空调开关、平均加速踏板开度、平均制动踏板开度作为输入，利用机器学习算法，进行能耗及续驶里程预测模型训练，输出为能耗及放电倍率。

4.通过CAN线获取当前环境温度、剩余电量SOC，车辆空调的使用状态acon/acoff。

5.通过车载导航，获取到达目的地的平均车速v1，路线最高限速v2。

6.将步骤5、6中得到参数输入到步骤4构建的模型中得到能耗预测值EC及放电倍率C。

7.根据步骤5中环境温度和电池当前SOC，结合步骤7中的预测放电倍率利用图1对电池容量进行修正，修正后电池容量通过下式进行计算：

SOC_real＝SOC*λ1

其中：λ1是当前环境温度T_out下，不同起始SOC电池容量修正系数最后根据修正后的电池容量，结合步骤8得到续驶里程预测值：

s＝SOC_real*Cr/EC

其中，Cr为电池的容量，kw·h。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种纯电动汽车续驶里程预测方法，其特征在于：包括以下步骤：

S1、针对选定车型，在实验室中分别测得车辆在高低温环境下不同初始电量以及采用不同倍率放电时电池容量修正系数；

S2、获取车辆的历史行驶数据，将车辆从A点出发，到目的地B点之间的行驶数据划分为一次出行片段，根据出行片段的定义，将历史数据分为多个出行片段构成出行工况库，通对数据库中的出行片段进行筛选，剔除异常行程；

S3、计算出行工况库中各出行片段的速度类特征、加速度类特征、踏板操作类特征以及该行程能耗，并计算每个特征参数与能耗间互信息数，挑选出和能耗互信息值大于0.3的特征参数作为续驶里程预测模型训练时的输入；

S4、通过CAN线获取所述车辆的电池容量SOC、车辆空调的使用状态；

S5、通过车载导航系统，获取平均车速、道路最高限速；

S6、将步骤S4、S5中行驶特征输入到步骤S3得到续驶里程预测模型中，得到电耗预测值EC以及放电倍率C；

S7、获取车辆当前环境温度，通过放电倍率对电池可放电容量进行修正，得到车辆当前环境下电池实际容量SOC_real，利用电池实际容量除以预测电耗率，计算得到车辆环境当前状态下车辆续驶里程。

2.根据权利要求1所述的一种纯电动汽车续驶里程预测方法，其特征在于：步骤S2中所述历史出行片段特征数据包括：

速度类特征：平均车速、最大车速；

加速度类特征：平均加速度、平均减速度、相对正加速度；

踏板操作类特征：加速踏板平均开度、制动踏板平均开度；

空调类特征：制冷开启、制热开启。

3.根据权利要求1所述的一种纯电动汽车续驶里程预测方法，其特征在于：在步骤S2中的出行片段定义：出行片段代表驾驶员从出发点A到目的地B点之间的行驶过程，由多个怠速片段和与之相邻的运动片段组成。

4.一种纯电动汽车续驶里程预测装置，其特征在于：包括电源模块、存储模块、出行片段划分模块、特征分析模块、机器学习模块、续驶里程预测模块、显示模块、导航模块和温度模块，所述存储模块、出行片段划分模块、特征分析模块、机器学习模块、续驶里程预测模块、显示模块之间依次信号连接；所述特征分析模块输出端还连接至存储模块，所述导航模块和温度模块均连接至续驶里程预测模块输出端，所述存储模块、出行片段划分模块、特征分析模块、机器学习模块、续驶里程预测模块、显示模块、导航模块和温度模块均电连接至电源模块；

所述出行片段划分模块用于步骤S2中的获取车辆的历史行驶数据，将车辆从A点出发，到目的地B点之间的行驶数据划分为一次出行片段，根据出行片段的定义，将历史数据分为多个出行片段构成出行工况库，通对数据库中的出行片段进行筛选，剔除异常行程；

所述特征分析模块用于步骤S3中的计算出行工况库中各出行片段的速度类特征、加速度类特征、踏板操作类特征、空调特征以及该行程能耗，并计算每个特征参数与能耗间互信息数，挑选出和能耗互信息值大于0.3的特征参数作为模型训练时的输入；

所述机器学习模块、所述续驶里程预测模块用于步骤S3中使用机器学习算法构建续驶里程预测模型，续驶里程预测模型输入为出行片段特征，续驶里程预测模型输出为能耗预测值EC以及电池放电倍率C；

所述导航模块用于步骤S5中的通过车载导航系统，获取驾驶者到达目的地的平均车速、道路最高限速；

所述温度模块用于步骤S7中的获取车辆当前环境温度，通过放电倍率对电池可放电容量进行修正，得到车辆当前环境下电池实际容量SOC_real，利用电池实际容量除以预测电耗率，计算得到车辆环境当前状态下车辆续驶里程；

所述显示模块用于显示步骤S7中计算得到的续驶里程。

5.一种电子设备，包括处理器以及与处理器通信连接，且用于存储所述处理器可执行指令的存储器，其特征在于：所述处理器用于执行上述权利要求1-3任一所述的一种纯电动汽车续驶里程预测方法。

6.一种服务器，其特征在于：包括至少一个处理器，以及与所述处理器通信连接的存储器，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述处理器执行，以使所述至少一个处理器执行如权利要求1-3任一所述的一种纯电动汽车续驶里程预测方法。

7.一种计算机可读取存储介质，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权利要求1-3任一所述的一种纯电动汽车续驶里程预测方法。

Images