CN116205370A - 一种基于地区大数据的电动汽车续航里程预测方法及装置 - Google Patents
一种基于地区大数据的电动汽车续航里程预测方法及装置 Download PDFInfo
- Publication number
- CN116205370A CN116205370A CN202310276886.1A CN202310276886A CN116205370A CN 116205370 A CN116205370 A CN 116205370A CN 202310276886 A CN202310276886 A CN 202310276886A CN 116205370 A CN116205370 A CN 116205370A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- range
- data
- curve
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000012876 topography Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005192 partition Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000036541 health Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- QYAPHLRPFNSDNH-MRFRVZCGSA-N (4s,4as,5as,6s,12ar)-7-chloro-4-(dimethylamino)-1,6,10,11,12a-pentahydroxy-6-methyl-3,12-dioxo-4,4a,5,5a-tetrahydrotetracene-2-carboxamide;hydrochloride Chemical compound Cl.C1=CC(Cl)=C2[C@](O)(C)[C@H]3C[C@H]4[C@H](N(C)C)C(=O)C(C(N)=O)=C(O)[C@@]4(O)C(=O)C3=C(O)C2=C1O QYAPHLRPFNSDNH-MRFRVZCGSA-N 0.000 description 3
- 102100026127 Clathrin heavy chain 1 Human genes 0.000 description 3
- 101000912851 Homo sapiens Clathrin heavy chain 1 Proteins 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Computational Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Public Health (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (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
本发明涉及一种基于地区大数据的电动汽车续航里程预测方法及装置,其方法包括:基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。本发明通过对地区划分,结合路况和车况建立续航里程曲线,并通过定位实时更新续航里程曲线,提高了续航里程曲线的实时性和准确性。
Description
技术领域
本发明属于车辆辅助驾驶技术领域,具体涉及一种基于地区大数据的电动汽车续航里程预测方法及装置。
背景技术
当前很多电动车续航里程均是基于NEDC(New European Driving Cycle,新欧洲驾驶循环周期)/CLTC(China Light-Duty Vehicle Test Cycle,中国轻量级车辆测试周期)等工况进行显示,但未考虑各个地区的使用工况差异,比如气温、海拔变化、制动加速频度、弯道等存在很大的区别,导致其在不同地区行驶时续航里程预测有较大差异,极易引起客户的里程虚报抱怨。
例如,根据某品牌的电动车的NEDC/CLTC测试数据显示,同一车辆在同一地区在NEDC工况下预测的总时长、总里程、最高车速、平均车速、最大加速度和最大减速度分别为1180S、11.01KM、120KM/h、33.6KM/h、1.04、1.39,而CLTC工况下下预测的总时长、总里程、最高车速、平均车速、最大加速度和最大减速度分别为1800S、14.48KM、114KM/h、28.96KM/h、1.47、1.47。
发明内容
为解决电动车续航里程预测不准的问题,在本发明的第一方面提供了一种基于地区大数据的电动汽车续航里程预测方法,包括:基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
在本发明的一些实施例中,所述采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集包括:采集行驶在每个分区内的车辆实时的档位、车速、电池实际功率和空调功耗信息;将每款车型的车辆的档位、车速、电池实际功率和空调功耗信息进行存储、汇总和分类,得到同款车型的数据集。
进一步的,所述根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线包括:从所述数据集中的每个分区的路谱数据中提取道路信息;将道路信息输入到预设多种车型的车辆仿真模型中进行仿真测试,得到每种车型的续航里程曲线。
在本发明的一些实施例中,所述道路信息包括:坡道、车速、油门开度、气温、制动情况和高低压附件消耗。
进一步的,所述实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
在上述的实施例中,根据同一分区内与自身车辆的道路行驶数据,对所述续航里程曲线进行优化。
本发明的第二方面,提供了一种基于地区大数据的电动汽车续航里程预测装置,包括:划分模块,用于基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;建立模块,用于采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;预测模块,用于实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
进一步的,所述建立模块包括:采集单元,用于采集行驶在每个分区内的车辆实时的档位、车速、电池实际功率和空调功耗信息;构建单元,用于将每款车型的车辆的档位、车速、电池实际功率和空调功耗信息进行存储、汇总和分类,得到同款车型的数据集。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,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,使得所述一个或多个处理器实现本发明在第一方面提供的基于地区大数据的电动汽车续航里程预测方法。
本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明在第一方面提供的基于地区大数据的电动汽车续航里程预测方法。
本发明的有益效果是:
本发明涉及一种基于地区大数据的电动汽车续航里程预测方法及装置,其方法包括:基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。可见,本发明能根据客户所在位置来智能匹配续航里程的显示方案,增加车型亮点,明显改善客户对续航里程不准确的抱怨;本发明能解决公告里程未考虑坡度、转向、气温的影响,更贴近客户实际使用工况。
附图说明
图1为本发明的一些实施例中的基于地区大数据的电动汽车续航里程预测方法的基本流程示意图;
图2为本发明的一些实施例中的基于地区大数据的电动汽车续航里程预测方法的实现原理图;
图3本发明的一些实施例中的基于地区大数据的电动汽车续航里程预测方法的具体流程示意图;
图4为本发明的一些实施例中的基于地区大数据的电动汽车续航里程预测装置的结构示意图;
图5为本发明的一些实施例中的电子设备的结构示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
参考图1与图2,在本发明的第一方面,提供了一种基于地区大数据的电动汽车续航里程预测方法,包括:S100.基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;S200.采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;S300.实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
可以理解,本公开中的自身车辆为待预测续航里程的车辆,或者需要向用户反馈的续航里程的目标车辆。其中分区表示对多个车辆处在相同地理位置的一种划分、分组或集合等。不同分区内的车辆的续航里程存在明显差异,此种差异包括总时长、总里程、最高车速、平均车速、最大加速度、最大减速度等。
在本发明的一些实施例的步骤S100中,基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区。具体地,在一个可能的划分中,将我国划分为8个分区(典型地区),例如:1、新疆吐鲁番,盆地、沙漠、干旱、炎热少雨;2、青海西宁,3000~5000米高原,空气稀薄,昼夜温差大;3、重庆,市区多山地坡路;4、湖北武汉,江汉平原;5、广东深圳,沿海湿热,丘陵地带,人口密集;6、上海,南方大城,四季分明;7、北京,北方大城,冬季-10℃左右;8、黑龙江哈尔滨,东北大城,冬季严寒多雪。
需要说明的是,可以不拘泥于上述经纬度、海拔高度(高程)、地形地貌(平原、丘陵、盆地、沙漠、高原)、气候、温度、人口密度和交通拥堵信息。因此,上述划分可以以其中一个或多个分区为主要分区,在每个分区内根据余下的一个或多个要素的大数据进行更精细的划分。具体情况,要根据用户的目标车辆轨迹跨度、经纬度跨度、经济区域划分或行政区域划分等因素调整。也可利用聚类方法或机器学习对上述多个因素的数据进行建模或降维,确定一个或多个要素建立更准确的分区划分,以保证分区内的预设数量的车辆的续航里程误差在阈值之内。
在本发明的一些实施例的步骤S200中,所述采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集包括:S201.采集行驶在每个分区内的车辆实时的档位、车速、电池实际功率和空调功耗信息;S202.将每款车型的车辆的档位、车速、电池实际功率和空调功耗信息进行存储、汇总和分类,得到同款车型的数据集。
具体地,通过VCU整车控制器和/或相关的信息存储装置或介质实现,于对各典型地区路况下的理论续航里程曲线的存储。随车辆位置适时调用,并将其发给仪表显示给用户;将车辆实时的档位、车速、高压电池实际功率、空调功耗等信息传输给后台数据平台。然后通过仪表显示,接收VCU的续航里程信号并告知用户。
进一步的,基于S201和S202的步骤,所述根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线包括:S203.从所述数据集中的每个分区的路谱数据中提取道路信息;S204.将道路信息输入到预设多种车型的车辆仿真模型中进行仿真测试,得到每种车型的续航里程曲线。
具体地,车联网的后台数据平台,接收同款车型的全部车辆的实时的档位、车速、高压电池实际功率、空调功耗等信息进行存储、汇总、分类。
更进一步的,所述道路信息包括:坡道、车速、油门开度、气温、制动情况和高低压附件消耗。
除此之外,车辆的单位里程耗电量、所述车辆的电池当前的剩余电量、所述电池当前的运行参数和所述电池当前的健康度;单位里程耗电量具体指的是车辆每单位里程所消耗的电池电量。这里的单位里程的具体数值可根据实际情况进行确定。在本实施例中,单位里程为1km。在其他实施例中,单位里程也可为100km、100m、10m等其他数值。
在公开中,单位里程耗电量通过检测车辆行驶过程的车辆运行参数确定电池当前的运行参数具体包括电池系统当前的电参数(例如电功率、电压、电流和/或电阻等)和/或电池系统与其使用性能相关的检测参数(例如电池系统性能相关的温度、湿度和/或压力等)。健康度(SOH)具体为表征电池实际可放电量衰减情况的参数。健康度具体可通过监测不同温度下电池系统的电压和电池系统在剩余电量为100%时的实际存储电能的变化情况确定。
根据所述单位里程耗电量、所述剩余电量、所述运行参数和所述健康度确定所述车辆的目标剩余里程。具体的,可预先建立单位里程耗电量、剩余电量、运行参数以及健康度与目标剩余里程之间的数量关系,将当前的单位里程耗电量、剩余电量、运行参数以及健康度代入该数量关系中可计算得到目标剩余里程。
可以理解,预测自身车辆的续航里程也可视为对自身车辆的本地Base工况标定。因此,在本发明的一些实施例的步骤S300,所述实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
具体地,采集典型地区的代表性路况的路谱数据并提取出坡道、车速、油门开度、气温、制动情况、高低压附件消耗等关键道路信息,将其输入车型的车辆模型进行仿真测试,得到该路况的理论续航里程曲线。例如,通过前次上电时到前次下电时的能量的差值的绝对值,也就是电池在前次上电期间所消耗或积累的能量值,例如,瓦时能量值。该能量的差值的绝对值可以通过前次上电时的电流、电压对时间的积分进行计算获得。例如,在本次上电时,可以读取存储器中存储的前次上电期间的电流、电压、时间,然后通过积分进行计算,得到上述能量的差值的绝对值。
电池的能量效率为,如果电流恒定,在相等的充电和放电时间内,电池放出电量和充入电量的百分比。电池的能量效率与电池的上下电次数、放电功率、电池温度等因素有关。可以在本次上电时,读取存储器中存储的上次上电期间的放电功率、电池温度等参数,来确定电池在上次上电期间的能量效率。
电池本次上电时并不需要充满电,该步骤中,根据根据能量状态的差值的绝对值、能量的差值的绝对值和能量效率值这三个参数,来确定电池本次上电后如果充满电的话,总能量会是多少。具体地,总能量可以根据其与上述三个因素与之间的关系计算出来。其中,可以预先通过试验的方式,建立存储有平均功率、平均温度和能量效率值三者对应关系的数据库。在每次上电时,能够直接从存储器中获取到上次上电期间的平均功率和平均温度。或者,从存储器中获取到上次上电期间的功率随时间的变化关系、温度随时间的变化关系,再计算出上次上电期间平均功率和平均温度。例如,平均功率可以由电流和电压乘积的积分来计算。
不失一般性,电动车辆的续航里程曲线通过荷电状态的在线估计、行程环境工况结合荷电状态对续驶里程实现。荷电状态的在线估计包括库伦计数法(安时积分法)和开路电压法,以及自适应滤波算法:卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波、粒子滤波。此外,可以基于数据驱动的机器学习算法引入荷电状态估计领域。通过构建黑箱模型,针对特征数据和荷电状态标签构成的数据组合实施离线回归训练,采用数据拟合的方式确定潜在的映射关系,进而将离线训练获得的映射关系模型用于荷电状态的在线估计。最终,得到续航里程曲线。
在上述的实施例中,还包括:S400.根据同一分区内与自身车辆的道路行驶数据,对所述续航里程曲线进行优化。
具体地,通过数据平台修正对续航里程曲线进行持续优化:调取后台的该车型的历史数据,对比该地区大多数车型的道路行驶数据,修订该典型路况的关键道路信息,实现理论续航里程曲线的持续优化。
参考图3,在本发明的一个具体实施例中,包括:
步骤1:确定全国典型地区的典型城市-城郊路况;
步骤2:采集该路况的路谱数据并提取出坡道、车速、油门开度、气温、制动情况、高低压附件消耗等关键道路信息;
步骤3:将该路况的道路信息输入车型的车辆模型进行仿真测试,得到该路况的理论续航里程曲线;
步骤4:整车控制器预录入各典型地区路况的理论续航里程曲线,默认武汉地区,随车辆实时道路信息来估算续航里程,并发给仪表显示用户;
步骤5:导航模块将车辆实时区域位置发给整车控制器,VCU检测到车辆位置处于某一典型地区超过设定时间,则车辆处于该地区,平顺切换至相应的理论续航里程曲线;
步骤6:大数据平台调取后台的该车型的历史数据,对比该地区大多数车型的道路行驶数据,修订该典型路况的关键道路信息,实现理论续航里程曲线的持续优化。
可以理解,本发明提出一种智能识别地区工况来预测电动汽车续航里程的方法,主要是根据前期对全国各地区典型路况的数据采集,提取关键的车速、海拔、转向、油门开度、气温、制动、高低压附件消耗等关键道路信息,进行车辆模型仿真测试学习得到该路况的理论续航里程曲线,再通过车载导航位置信息调取相应路况的理论续航里程曲线,发给车载仪表显示给用户。此方案还支持用户在车机界面选择开启或关闭此种续航里程显示,也支持后台通过对比该地区大多数同款车型的历史行驶数据,修订该典型路况的关键道路信息,实现理论续航里程曲线的持续优化。此方案能根据客户所在位置来智能匹配续航里程的显示方案,明显改善客户对续航里程不准确的抱怨。
实施例2
参考图4,本发明的第二方面,提供了一种基于地区大数据的电动汽车续航里程预测装置1,包括:划分模块11,用于基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;建立模块12,用于采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;预测模块13,用于实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
进一步的,所述建立模块13包括:采集单元,用于采集行驶在每个分区内的车辆实时的档位、车速、电池实际功率和空调功耗信息;构建单元,用于将每款车型的车辆的档位、车速、电池实际功率和空调功耗信息进行存储、汇总和分类,得到同款车型的数据集。
在本发明的一个具体实施例中,基于地区大数据的电动汽车续航里程预测装置1包括:导航模块,主要负责提供车辆实时位置信息给VCU。VCU整车控制器,主要储存各典型地区路况下的理论续航里程曲线,随车辆位置适时调用,并将其发给仪表显示给用户;将车辆实时的档位、车速、高压电池实际功率、空调功耗等信息传输给后台数据平台。仪表显示,主要负责接收VCU的续航里程信号并告知用户。后台数据平台,主要负责接收同款车型的全部车辆的实时的档位、车速、高压电池实际功率、空调功耗等信息进行存储、汇总、分类。本地Base工况标定,是指采集典型地区的代表性路况的路谱数据并提取出坡道、车速、油门开度、气温、制动情况、高低压附件消耗等关键道路信息,将其输入车型的车辆模型进行仿真测试,得到该路况的理论续航里程曲线。大数据平台修正,是指调取后台的该车型的历史数据,对比该地区大多数车型的道路行驶数据,修订该典型路况的关键道路信息,实现理论续航里程曲线的持续优化。
实施例3
参考图5,本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,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,使得所述一个或多个处理器实现本发明在第一方面的基于地区大数据的电动汽车续航里程预测方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。需要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,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 (10)
1.一种基于地区大数据的电动汽车续航里程预测方法,其特征在于,包括:
基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;
采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;
实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
2.根据权利要求1所述的基于地区大数据的电动汽车续航里程预测方法,其特征在于,所述采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集包括:
采集行驶在每个分区内的车辆实时的档位、车速、电池实际功率和空调功耗信息;
将每款车型的车辆的档位、车速、电池实际功率和空调功耗信息进行存储、汇总和分类,得到同款车型的数据集。
3.根据权利要求2所述的基于地区大数据的电动汽车续航里程预测方法,其特征在于,所述根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线包括:
从所述数据集中的每个分区的路谱数据中提取道路信息;
将道路信息输入到预设多种车型的车辆仿真模型中进行仿真测试,得到每种车型的续航里程曲线。
4.根据权利要求3所述的基于地区大数据的电动汽车续航里程预测方法,其特征在于,所述道路信息包括:坡道、车速、油门开度、气温、制动情况和高低压附件消耗。
5.根据权利要求1所述的基于地区大数据的电动汽车续航里程预测方法,其特征在于,所述实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
6.根据权利要求1至5任一项所述的基于地区大数据的电动汽车续航里程预测方法,其特征在于,还包括:根据同一分区内与自身车辆的道路行驶数据,对所述续航里程曲线进行优化。
7.一种基于地区大数据的电动汽车续航里程预测装置,其特征在于,包括:
划分模块,用于基于经纬度、海拔高度、地形地貌、气候、温度、人口密度和交通拥堵信息,将车辆行驶区域划分为多个分区;
建立模块,用于采集行驶在每个分区内的车辆行驶信息和路谱数据,并根据所述车辆行驶信息和路谱数据构建数据集;根据所述数据集和多种预设车型的车辆仿真模型,建立多种车型的续航里程曲线;
预测模块,用于实时获取自身车辆所在位置信息并确定其所在分区,根据自身车辆所在分区的续航里程曲线预测自身车辆的续航里程。
8.根据权利要求7所述的基于地区大数据的电动汽车续航里程预测装置,其特征在于,所述建立模块包括:
采集单元,用于采集行驶在每个分区内的车辆实时的档位、车速、电池实际功率和空调功耗信息;
构建单元,用于将每款车型的车辆的档位、车速、电池实际功率和空调功耗信息进行存储、汇总和分类,得到同款车型的数据集。
9.一种电子设备,包括:一个或多个处理器;存储装置,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时,使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于地区大数据的电动汽车续航里程预测方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于地区大数据的电动汽车续航里程预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276886.1A CN116205370A (zh) | 2023-03-16 | 2023-03-16 | 一种基于地区大数据的电动汽车续航里程预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310276886.1A CN116205370A (zh) | 2023-03-16 | 2023-03-16 | 一种基于地区大数据的电动汽车续航里程预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116205370A true CN116205370A (zh) | 2023-06-02 |
Family
ID=86509478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310276886.1A Pending CN116205370A (zh) | 2023-03-16 | 2023-03-16 | 一种基于地区大数据的电动汽车续航里程预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116205370A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116945907A (zh) * | 2023-09-19 | 2023-10-27 | 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 |
-
2023
- 2023-03-16 CN CN202310276886.1A patent/CN116205370A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116945907A (zh) * | 2023-09-19 | 2023-10-27 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111497679B (zh) | 一种纯电动汽车能耗监测优化方法及系统 | |
CN109733248B (zh) | 基于路径信息的纯电动汽车剩余里程模型预测方法 | |
CN111670340B (zh) | 一种车辆剩余行驶里程的获取方法、电子设备及车辆 | |
Liu et al. | Modelling the multilevel structure and mixed effects of the factors influencing the energy consumption of electric vehicles | |
Li et al. | Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data | |
CN109558988B (zh) | 一种基于大数据融合的电动汽车能耗预测方法及系统 | |
EP3608850A1 (en) | Energy management device, model management method and computer program | |
CN108983788B (zh) | 基于大数据挖掘的无人驾驶环卫车智能控制系统及方法 | |
CN107103392A (zh) | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 | |
KR20080064117A (ko) | 개방 및 폐쇄 세계 모델링 방법을 사용하여 부분적인궤적으로부터 목적지를 예상하는 방법 | |
Zhang et al. | Mesoscopic model framework for estimating electric vehicles’ energy consumption | |
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 | |
Ferreira et al. | Data mining approach for range prediction of electric vehicle | |
CN111383444B (zh) | 预测路况状态的方法、装置、服务器及存储介质 | |
CN112069635B (zh) | 一种换电柜的部署方法、装置、介质及电子设备 | |
CN116205370A (zh) | 一种基于地区大数据的电动汽车续航里程预测方法及装置 | |
CN112734242A (zh) | 一种车辆运行轨迹数据的可用度分析方法、装置、存储介质及终端 | |
Abdelaty et al. | A framework for BEB energy prediction using low-resolution open-source data-driven model | |
CN112561410A (zh) | 道路车辆的排放量确定方法、装置及电子设备 | |
JP2023175992A (ja) | エネルギー供給システムおよび情報処理装置 | |
CN109919393A (zh) | 一种电动出租汽车的充电负荷预测方法 | |
CN113469455A (zh) | 一种续航数据的预估方法和装置 | |
Bailey et al. | Electric vehicle autonomy: Realtime dynamic route planning and range estimation software | |
CN116629425A (zh) | 车辆能耗的计算方法、装置、计算机可读介质及电子设备 | |
CN111784027A (zh) | 计及地理信息的城市范围电动汽车充电需求预测方法 |
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 |