CN116587867A - 功率预测方法、控制系统及可读存储介质 - Google Patents
功率预测方法、控制系统及可读存储介质 Download PDFInfo
- Publication number
- CN116587867A CN116587867A CN202310475655.3A CN202310475655A CN116587867A CN 116587867 A CN116587867 A CN 116587867A CN 202310475655 A CN202310475655 A CN 202310475655A CN 116587867 A CN116587867 A CN 116587867A
- Authority
- CN
- China
- Prior art keywords
- road section
- prediction method
- power
- road
- electric vehicle
- 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 53
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000001133 acceleration Effects 0.000 claims description 48
- 230000036461 convulsion Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 description 11
- 238000005265 energy consumption Methods 0.000 description 9
- 102100024633 Carbonic anhydrase 2 Human genes 0.000 description 6
- 101000760643 Homo sapiens Carbonic anhydrase 2 Proteins 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 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 1
- 102100026127 Clathrin heavy chain 1 Human genes 0.000 description 1
- 101000912851 Homo sapiens Clathrin heavy chain 1 Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method 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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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
- B60L2240/54—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)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种功率预测方法、控制系统及可读存储介质。其中，所述功率预测方法包括如下步骤：基于预测模型预测电机的功率消耗；所述预测模型为神经网络模型，所述预测模型基于实车行驶数据训练得到。如此配置，基于提前训练的神经网络模型，能够综合各种工况条件的影响得到贴合于实际情况的预测结果。从而解决现有技术中存在的缺乏有效预测电机在将来路段上的功率消耗的方法的问题，进而配合其他算法解决估算车辆达到目的地时的剩余SOC的问题。进一步地，在一个较优的实施例中，通过选择合适的输入参数，尽可能利用外界提供的信息，提高了神经网络模型的预测精度，使得最终的SOC预测更为有效。
Description
技术领域
本发明涉及电动车辆技术领域，特别涉及一种功率预测方法、控制系统及可读存储介质。
背景技术
电动车辆利用或者部分利用电池进行驱动，因此，驾驶员需要知晓电池的剩余电量以便于规划后续的行程。
尽管现有技术中已经提供了根据当前电量(SOC，State of Charge)下的续航里程，但这一数据有以下两点不足：1.电动车辆的续航里程基本是基于CLTC(China LightVehicle Test Cycle,中国轻型汽车行驶工况，由工信部推出)或者其他标准交通工况计算得出的，不能完全代表驾驶员实际驾驶过程中遇到的路况。2.续航里程无法告知驾驶员到达期望目的地时的剩余SOC。
当电动车辆的SOC过低，会造成车辆无法继续行驶，给驾驶员带来极大的不便。为了弥补续航里程这两点不足，根据导航地图提供的实时交通路况信息来提前告知驾驶员到达目的地时的剩余SOC是一种有效的解决方法。这一方案也被许多的OEM(OriginalEquipment Manufacture,主机厂)所采用。
这一方案的核心在于有效预测车辆在通过未来某一段路段过程中动力电池所消耗的能量。而在行驶过程中，动力电池的能量消耗主要作用于车辆的驱动上。在车辆实际行驶过程中驱动能量消耗由诸多部分组成，例如需要克服滚动阻力，加速阻力，坡道阻力，空气阻力等。这些能量的消耗难以全部用准确的物理公式计算得出，即使有估算公式，也有较大的局限性，通常只考虑了常规工况，准确度有限。因此驱动功率无法准确获得会造成车辆在未来一段路程中所消耗的驱动能耗无法有效预测，从而对到达既定目的地时剩余SOC预测的准确性产生影响。
总之，现有技术中缺乏有效估算车辆达到目的地时的剩余SOC的方法，其本质原因是缺乏有效预测电机在将来路段上的功率消耗的方法。
发明内容
本发明的目的在于提供一种功率预测方法、控制系统及可读存储介质，以解决现有技术中存在的缺乏有效预测电机在将来路段上的功率消耗的方法的问题，进而解决估算车辆达到目的地时的剩余SOC的问题。
为了解决上述技术问题，根据本发明的第一个方面，提供了一种功率预测方法，应用于电动车辆，所述功率预测方法包括如下步骤：基于预测模型预测电机的功率消耗；其中，所述预测模型为神经网络模型，所述预测模型基于实车行驶数据训练得到。
可选的，所述基于所述预测模型预测电机的功率消耗的步骤具体包括：获取车辆的导航路径，所述导航路径包括多个首尾连接的路段；获取各个所述路段的当前的交通信息参数；基于所述交通信息参数生成所述预测模型所需的第一输入参数；以及，至少基于所述第一输入参数和所述预测模型预测所述电机的功率消耗。
可选的，所述交通信息参数包括：各个所述路段的路段平均速度；所述第一输入参数包括：各个所述路段的路段平均速度，以及，基于所述路段平均速度计算得到的统计学指标。
可选的，所述交通信息参数包括：各个所述路段的路段平均速度；所述第一输入参数为：各个所述路段的路段平均速度、路段平均加速度、路段平均速度标准差和路段平均加速度标准差；或者，所述第一输入参数为：各个所述路段的路段平均速度、路段平均加速度、路段平均速度标准差、路段平均加速度标准差、路段平均加加速度和路段平均加加速度标准差。
可选的，所述预测模型的输入参数还包括第二输入参数，所述第二输入参数包括：各个所述路段的交通状态和/或各个所述路段的路段类型；所述交通信息参数包括：各个所述路段的交通状态。
可选的，所述预测模型的标签参数包括：驾驶员标签，和/或，车辆标签。
可选的，所述路段平均加速度基于相邻的所述路段的所述路段平均速度的差值划分区间，以分段函数的方式计算。
可选的，所述功率预测方法还包括如下步骤：周期性地获取所述交通信息参数；以及，若至少一个所述路段的所述交通信息参数的变化值超过预设范围，重新计算功率消耗。
为了解决上述技术问题，根据本发明的第二个方面，提供了一种控制系统，应用于电动车辆，所述电动车辆为纯电动车辆，所述电动车辆行驶时，所述控制系统基于上述的功率预测方法计算电机的功率消耗，并基于所述功率消耗计算所述电动车辆的电池的在到达目的地时的剩余电量。
或者，所述电动车辆为混合电动车辆，所述电动车辆处于纯电池驱动行驶时，所述控制系统基于上述的功率预测方法计算电机的功率消耗，并基于所述功率消耗计算所述电动车辆的电池的在到达目的地时的剩余电量。
为了解决上述技术问题，根据本发明的第三个方面，提供了一种可读存储介质，所述可读存储介质中存储有程序，所述程序运行时，执行上述的功率预测方法。
与现有技术相比，本发明提供的一种功率预测方法、控制系统及可读存储介质中，所述功率预测方法包括如下步骤：基于预测模型预测电机的功率消耗；其中，所述预测模型为神经网络模型，所述预测模型基于实车行驶数据训练得到。如此配置，基于提前训练的神经网络模型，能够综合各种工况条件的影响得到贴合于实际情况的预测结果。从而解决现有技术中存在的缺乏有效预测电机在将来路段上的功率消耗的方法的问题，进而配合其他算法解决估算车辆达到目的地时的剩余SOC的问题。进一步地，在本发明的一个实施例中，通过选择合适的输入参数，尽可能利用外界提供的信息，提高了神经网络模型的预测精度，使得最终的SOC预测更为有效。
附图说明
本领域的普通技术人员将会理解，提供的附图用于更好地理解本发明，而不对本发明的范围构成任何限定。其中：
图1是本发明一实施例的功率预测方法的流程示意图；
图2是本发明一实施例的功率预测方法的实施过程示意图；
图3a是不同车辆的速度比较图；
图3b是图3a所示的工况下不同车辆的加速度比较图；
图3c是图3a所示的工况下不同车辆的功率比较图；
图4是本发明一实施例的预测模型的结构示意图；
图5是本发明又一实施例的预测模型的结构示意图。
附图中：
1-路段平均速度；2-路段平均加速度；3-路段平均速度标准差；4-路段平均加速度标准差；5-交通状态；6-驾驶员标签；7-功率预测结果；8-路段平均加加速度；9-路段平均加加速度标准差；
21-标签层；22-输入层；23-隐藏层；24-输出层；
10-原始离线车辆行驶数据；11-导航路径的交通信息参数；12-预测模型。
具体实施方式
为使本发明的目的、优点和特征更加清楚，以下结合附图和具体实施例对本发明作进一步详细说明。需说明的是，附图均采用非常简化的形式且未按比例绘制，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，附图所展示的结构往往是实际结构的一部分。特别的，各附图需要展示的侧重点不同，有时会采用不同的比例。
如在本发明中所使用的，单数形式“一”、“一个”以及“该”包括复数对象，术语“或”通常是以包括“和/或”的含义而进行使用的，术语“若干”通常是以包括“至少一个”的含义而进行使用的，术语“至少两个”通常是以包括“两个或两个以上”的含义而进行使用的，此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者至少两个该特征，“一端”与“另一端”以及“近端”与“远端”通常是指相对应的两部分，其不仅包括端点，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。此外，如在本发明中所使用的，一元件设置于另一元件，通常仅表示两元件之间存在连接、耦合、配合或传动关系，且两元件之间可以是直接的或通过中间元件间接的连接、耦合、配合或传动，而不能理解为指示或暗示两元件之间的空间位置关系，即一元件可以在另一元件的内部、外部、上方、下方或一侧等任意方位，除非内容另外明确指出外。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本发明的核心思想在于提供一种功率预测方法、控制系统及可读存储介质，以解决现有技术中存在的缺乏有效预测电机在将来路段上的功率消耗的方法的问题，进而解决估算车辆达到目的地时的剩余SOC的问题。估算剩余SOC时，还需要考虑车辆的其他能耗，例如空调能耗等，但是电池最主要的能量消耗就是驱动电机，因此，对于电机的功率消耗的预测直接关系到剩余SOC预测的精度。
以下参考附图进行描述。
本实施例提供了一种功率预测方法，应用于电动车辆，所述功率预测方法包括如下步骤：基于预测模型预测电机的功率消耗；其中，所述预测模型为神经网络模型，所述预测模型基于实车行驶数据训练得到。
由于应用了神经网络模型，综合各种工况条件的影响得到贴合于实际情况的预测结果，具有较高的预测精度。
请参考图1，所述基于预测模型预测电机的功率消耗的步骤包括：
S10获取车辆的导航路径，所述导航路径包括多个首尾连接的路段。
S20获取各个所述路段的当前的交通信息参数；基于所述交通信息参数生成所述预测模型所需的第一输入参数。
以及，S30至少基于所述第一输入参数和所述预测模型预测所述电机的功率消耗。
在步骤S10中，导航路径一般而言由用户输入目的地，导航软件通过目的地和当前位置计算出合适的路径，待用户选择确认后，作为所述导航路径。也不排除完全通过用户设定产生的路径或者完全由其他软件规划产生的路径。所述导航路径包括多个首尾连接的路段，所述路段的划分方式可以根据实际需要选择，例如是根据地图进行预先的划分，后续实施时直接采用预先的划分结果，如，任意两个路口之间的路径划分为一个路段。也可以是根据实际情况进行的划分，如，根据所述导航路径的长度和算法需要的路段数量进行自适应划分等。
步骤S20中，所述交通信息参数可通过车联网等系统获取。所述交通信息参数可以直接或者间接地作为所述预测模型所需的输入参数，因此需要通过所述交通信息参数生成符合所述预测模型要求的第一输入参数。
本实施例的功率预测方法是按照如图2所示的步骤进行实施的，具体包括：原始离线车辆行驶数据10通过S1离线数据处理，导出目标训练结果和训练模型输入，然后参与S2线下神经网络训练，训练过程中，训练模型输出也作为一种输入反复进行迭代。步骤S2的输出结果用于预测模型12导出，并设置于车辆的控制系统中，也即图中的车载部署系统。当上述准备完成后，每次运行功率预测方法时，先获取导航路径的交通信息参数11然后进行步骤S3导航数据预处理得到模型信号输入，模型信号输入预测模型12后产生预测驱动功率，并用于后续计算。
在训练过程中，预测模型的训练需要使用离线的实车行驶数据。其中，不同时刻的驱动功率P可以通过电机的电流I与电机的电压U相乘来计算获得。同时车辆的速度信号也是能够较为容易地获得。例如，通过电机的转速传感器进行换算得到并存储。在车辆数据离散或者不连续的情况下，一般的处理方法是采用插值或者均值代替。
一般而言，能够获得的外部的交通信息参数包括：各个所述路段的路段平均速度。但是，路段的平均速度往往不足以精确估算车辆的功率。
在速度均值以及加速度均值相同的驾驶工况下，速度变化或者加速度变化不同，都会造成最终的驱动功率大不相同。图3a～图3c示出了一个具体的例子。
请参考图3a，其中曲线CAR1表示编号为car1的车子在0到t1时刻的瞬时速度，而曲线CAR2表示编号为car2的车子在0到t1时刻的瞬时速度。两者的速度均值相同，在图3a中以虚线Vavg表示。
请参考图3b，其中曲线CAR1表示编号为car1的车子在0到t1时刻的瞬时加速度，而曲线CAR2表示编号为car2的车子在0到t1时刻的瞬时加速度。两者的加速度均值相同，在图3b中以虚线Aavg表示。
请参考图3c，其中曲线CAR1表示编号为car1的车子在0到t1时刻的瞬时功率，而曲线CAR2表示编号为car2的车子在0到t1时刻的瞬时功率。两者的功率平均值不同，其中，编号为car1的车子的平均功率用虚线Pavg.car1表示，编号为car2的车子的平均功率用虚线Pavg.car2表示。
由图3a～图3c可以看出，car1进行大加速，大减速的运动，而car2进行小加速，小减速的运动。这段时间内两车的平均速度和平均加速度都是一样的，但是实际电机的输出功率却是不同的。因此，为了能够更好地通过已知变量来反馈车辆的驱动功率状态，仅采用车辆速度的信息是不够的。
因此，在一实施例中，所述第一输入参数包括：各个所述路段的路段平均速度，以及，基于所述路段平均速度计算得到的统计学指标。所述路段平均速度是指当前路段上的行驶车辆的速度，若无车辆，则可以根据预设条件设定一个，例如为该路段的限速值的90％。
较优地，所述交通信息参数包括：各个所述路段的路段平均速度；所述第一输入参数为：各个所述路段的路段平均速度、路段平均加速度、路段平均速度标准差和路段平均加速度标准差。
另一方面，也可以合理利用其他地交通信息参数。例如，所述预测模型的输入参数还包括第二输入参数，所述第二输入参数包括：各个所述路段的交通状态和/或各个所述路段的路段类型；所述交通信息参数包括：各个所述路段的交通状态。交通状态可以根据路段的拥挤程度用至少两个不同的状态值表示，例如{畅通、拥挤、堵车}等等。交通状态的具体划分规则和划分结果，不同的实施例中可以根据实际需要进行不同的设置，并不限定于前述中的例子。路段类型也可以采用类似方式，例如，城市道路，乡村道路等。或者其他有利于增加计算精确性的类型划分。
进一步地，所述预测模型的标签参数包括：驾驶员标签，和/或，车辆标签。驾驶员标签包括：驾驶员风格(如温和、激进等)，性别，年龄等；车辆标签包括：车型等。例如高速情况下，不同车型的车辆可能风阻系数不同，因此预测的结果也会有所区别。
在一示范性地实施例中，所述路段平均加速度、所述路段平均速度标准差和所述路段平均加速度标准差按照如下公式计算：
其中，表示第(k+i)个所述路段的所述路段平均加速度，/>表示第(k+i)个所述路段的所述路段平均速度，/>表示第(k+i-1)个所述路段的所述路段平均速度，Sk+i表示第(k+i)个所述路段的路径长度，k1和k2为超参数；当/> 时为正常加速情况；在/>时为小加速情况；此时认为驾驶员尽管踩了油门，但车辆实际在进行减速，例如车辆上坡时或者在其他行驶阻力较大的路面，驾驶员踩了加速踏板，电机输出的是正功率，但仍不够克服全部的阻力，造成车辆此时整体在进行减速，将这样的情况定义为小加速情况。在/>时为小减速情况；在/>时为正常减速情况。特别的，当下标为-1时，可令/>或者其他的默认参数。
k的值为m*n，其中，m的取值范围为非负整数，n为预设的分段参数，i为1～n的整数。
上述的计算过程，也可以归纳为，所述路段平均加速基于相邻的所述路段的所述路段平均速度的差值划分区间，以分段函数的方式计算。如此配置，考虑车辆处于不同的加减速状态中，计算结果存在不同，从而使得所述路段平均加速度更为精确，并使得后续计算得到的所述路段平均速度标准差、所述路段平均加速度标准差、所述路段平均加加速度和所述路段平均加加速度标准差更具有实际意义，进而提高神经网络模型的计算精度。
其中，表示第(k+i)个所述路段的所述路段平均速度标准差，/>表示第(k+j)个所述路段的所述路段平均速度，/>表示第(k+l)个所述路段的所述路段平均速度；j为1～n的整数，l为1～n的整数。
其中，表示第(k+i)个所述路段的所述路段平均加速度标准差，/>表示第(k+j)个所述路段的所述路段平均加速度，/>表示第(k+l)个所述路段的所述路段平均加速度。
可以理解的，根据实际需要可以修改上述公式的部分内容，只要其表达式仍然符合统计学定义中的平均加速度、平均速度标准差和平均加速度标准差的相关定义，应该理解为本申请所描述的发明技术方案。
请参考图4，图4示出了一实施例的预测模型的结构，包括：标签层21，尺寸为1×1；输入层22，尺寸为5×1；隐藏层23，尺寸为10×4；以及，输出层24，尺寸为1×1。所述标签层21包括驾驶员标签6，所述输入层22包括：路段平均速度1、路段平均加速度2、路段平均速度标准差3、路段平均加速度标准差4和交通状态5。所述输出层24包括功率预测结果7。可以理解的，在不同的实施例中，所述标签层21、所述输入层22和所述隐藏层23的具体结构和内容可以进行不同的设置。
在另一个实施例中，所述第一输入参数为：各个所述路段的路段平均速度、路段平均加速度、路段平均速度标准差、路段平均加速度标准差、路段平均加加速度和路段平均加加速度标准差。其中，所述路段平均加速度、所述路段平均速度标准差和所述路段平均加速度标准差的计算方式和前述实施例相同，所述路段平均加加速度和所述路段平均加加速度标准差按照如下公式计算：
其中，表示第(k+i)个所述路段的所述路段平均加加速度，/>表示经过第(k+i)个所述路段的时间，/>
其中，表示第(k+i)个所述路段的所述路段平均加加速度标准差，/>表示第(k+j)个所述路段的所述路段平均加加速度，/>表示第(k+l)个所述路段的所述路段平均加加速度。
请参考图5，图5示出了另一实施例的预测模型的结构，包括：标签层21，尺寸为1×1；输入层22，尺寸为7×1；隐藏层23，尺寸为10×4；以及，输出层24，尺寸为1×1。所述标签层21包括驾驶员标签6，所述输入层22包括：路段平均速度1、路段平均加速度2、路段平均速度标准差3、路段平均加速度标准差4、交通状态5、路段平均加加速度8以及路段平均加加速度标准差9。所述输出层24包括功率预测结果7。可以理解的，在不同的实施例中，所述标签层21、所述输入层22和所述隐藏层23的具体结构和内容可以进行不同的设置。
当计算得到功率预测结果后，将功率和时间相乘就可以得到该路段对应的能耗，时间可以通过路程除以路段平均加速度得到。
进一步地，所述功率预测方法还包括如下步骤：周期性地获取所述交通信息参数；以及，若至少一个所述路段的所述交通信息参数的变化值超过预设范围，重新计算功率消耗。
例如，在下午1点，获取到20公里之后的某个路段处于拥堵状态，速度为10km/h，基于此数据进行了功率消耗的预测，在下午1点10分，获取到相同路段(此时可能相距该路段10公里)处于畅通状态，速度为60km/h，此时，重新进行功率消耗的预测计算，并替换掉之前的计算结果。
本实施例还提供了一种控制系统，应用于电动车辆，所述电动车辆为纯电动车辆，所述电动车辆行驶时，所述控制系统基于上述的功率预测方法计算电机的功率消耗，并基于所述功率消耗计算所述电动车辆的电池的在到达目的地时的剩余电量；例如，和其他算法一起预测电池的总功率消耗，然后计算剩余电量。
或者，所述电动车辆为混合电动车辆，所述电动车辆处于纯电池驱动行驶时，所述控制系统基于上述的功率预测方法计算电机的功率消耗，并基于所述功率消耗计算所述电动车辆的电池的在到达目的地时的剩余电量。例如并联式混合电动车辆工作于纯电池驱动工作状态时，进行上述控制计算。
计算得到的剩余电量，可以显示在操控屏上，供驾驶员参考，也可以输入到其他算法，为其他算法提供计算依据。例如，和路径推荐算法联合使用，推荐：路程最短、耗时最短以及能耗最少的不同路径。
为了解决上述技术问题，根据本发明的第三个方面，提供了一种可读存储介质，所述可读存储介质中存储有程序，所述程序运行时，执行上述的功率预测方法。
上述的控制系统和可读存储介质，由于执行了功率预测方法，或者，提供了功率预测方法得以运行的条件，因而也能解决现有技术中存在的预测功率消耗不够精确的问题。
综上所述，本实施例提供了一种功率预测方法、控制系统及可读存储介质。其中，所述功率预测方法包括如下步骤：基于预测模型预测电机的功率消耗；所述预测模型为神经网络模型，所述预测模型基于实车行驶数据训练得到。如此配置，基于提前训练的神经网络模型，能够综合各种工况条件的影响得到贴合于实际情况的预测结果。从而解决现有技术中存在的缺乏有效预测电机在将来路段上的功率消耗的方法的问题，进而配合其他算法解决估算车辆达到目的地时的剩余SOC的问题。进一步地，在一个较优的实施例中，通过选择合适的输入参数，尽可能利用外界提供的信息，提高了神经网络模型的预测精度，使得最终的SOC预测更为有效。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于本发明技术方案的保护范围。
Claims (10)
1.一种功率预测方法，应用于电动车辆，其特征在于，所述功率预测方法包括如下步骤：
基于预测模型预测电机的功率消耗；其中，所述预测模型为神经网络模型，所述预测模型基于实车行驶数据训练得到。
2.根据权利要求1所述的功率预测方法，其特征在于，所述基于所述预测模型预测电机的功率消耗的步骤具体包括：
获取车辆的导航路径，所述导航路径包括多个首尾连接的路段；
获取各个所述路段的当前的交通信息参数；
基于所述交通信息参数生成所述预测模型所需的第一输入参数；以及，
至少基于所述第一输入参数和所述预测模型预测所述电机的功率消耗。
3.根据权利要求2所述的功率预测方法，其特征在于，所述交通信息参数包括：各个所述路段的路段平均速度；所述第一输入参数包括：各个所述路段的路段平均速度，以及，基于所述路段平均速度计算得到的统计学指标。
4.根据权利要求2所述的功率预测方法，其特征在于，所述交通信息参数包括：各个所述路段的路段平均速度；所述第一输入参数为：各个所述路段的路段平均速度、路段平均加速度、路段平均速度标准差和路段平均加速度标准差；或者，所述第一输入参数为：各个所述路段的路段平均速度、路段平均加速度、路段平均速度标准差、路段平均加速度标准差、路段平均加加速度和路段平均加加速度标准差。
5.根据权利要求3或者4所述的功率预测方法，其特征在于，所述预测模型的输入参数还包括第二输入参数，所述第二输入参数包括：各个所述路段的交通状态和/或各个所述路段的路段类型；所述交通信息参数包括：各个所述路段的交通状态。
6.根据权利要求3或者4所述的功率预测方法，其特征在于，所述预测模型的标签参数包括：驾驶员标签，和/或，车辆标签。
7.根据权利要求4所述的功率预测方法，其特征在于，所述路段平均加速度基于相邻的所述路段的所述路段平均速度的差值划分区间，以分段函数的方式计算。
8.根据权利要求2所述的功率预测方法，其特征在于，所述功率预测方法还包括如下步骤：
周期性地获取所述交通信息参数；以及，
若至少一个所述路段的所述交通信息参数的变化情况符合偏离判定条件，重新计算功率消耗。
9.一种控制系统，应用于电动车辆，其特征在于，所述电动车辆为纯电动车辆，所述电动车辆行驶时，所述控制系统基于如权利要求1～8中任一项所述的功率预测方法计算电机的功率消耗，并基于所述功率消耗计算所述电动车辆的电池的在到达目的地时的剩余电量；
或者，所述电动车辆为混合电动车辆，所述电动车辆处于纯电池驱动行驶时，所述控制系统基于如权利要求1～8中任一项所述的功率预测方法计算电机的功率消耗，并基于所述功率消耗计算所述电动车辆的电池的在到达目的地时的剩余电量。
10.一种可读存储介质，其特征在于，所述可读存储介质中存储有程序，所述程序运行时，执行如权利要求1～8中任一项所述的功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475655.3A CN116587867A (zh) | 2023-04-27 | 2023-04-27 | 功率预测方法、控制系统及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310475655.3A CN116587867A (zh) | 2023-04-27 | 2023-04-27 | 功率预测方法、控制系统及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116587867A true CN116587867A (zh) | 2023-08-15 |
Family
ID=87607126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310475655.3A Pending CN116587867A (zh) | 2023-04-27 | 2023-04-27 | 功率预测方法、控制系统及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116587867A (zh) |
-
2023
- 2023-04-27 CN CN202310475655.3A patent/CN116587867A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110126841B (zh) | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 | |
| CN109733248B (zh) | 基于路径信息的纯电动汽车剩余里程模型预测方法 | |
| CN108973998B (zh) | 一种基于mpc的异质车辆队列分布式节能控制方法 | |
| CN111753377B (zh) | 基于道路信息的纯电动汽车能耗最优路径规划方法 | |
| KR101728406B1 (ko) | 추진 관련 동작 파라미터 추정 방법 | |
| CN102310859B (zh) | 在车辆中推荐节约燃料的驾驶风格的方法、系统和设备 | |
| CN101590832B (zh) | 行驶能量学习装置以及方法 | |
| US20190291733A1 (en) | Method for assisting a driver in the driving of a motor vehicle | |
| US7809487B2 (en) | Method and system for controlling a motive power system of an automotive vehicle | |
| JP7186254B2 (ja) | 電費予測装置 | |
| JP4918076B2 (ja) | ハイブリッド車両の制御装置およびハイブリッド車両 | |
| EP2184194A2 (en) | Drive energy learning device, method, and program | |
| US9539904B2 (en) | Energy consumption rate in distance domain | |
| CN108489500A (zh) | 一种基于能耗经济性的全局路径规划方法及系统 | |
| JP2010144701A (ja) | 省燃費運転評価装置及び省燃費運転評価方法 | |
| CN112406630A (zh) | 一种基于工况识别的电动车续驶里程计算方法 | |
| JP2011027472A (ja) | 経路探索装置、プログラム、発進回数予測装置、燃料消費量算出装置、及び動作スケジュール決定装置 | |
| CN112580251B (zh) | 基于交通信息和模型预测控制的混动汽车能量管理方法 | |
| CN116946107B (zh) | 一种能量轨迹跟随下的混动系统模式决策与功率分配方法 | |
| CN112677982A (zh) | 基于驾驶员特性的车辆纵向速度规划方法 | |
| KR102671687B1 (ko) | 차량의 주행 가능 거리를 추정하기 위한 방법 및 장치 | |
| Guan et al. | Predictive energy efficiency optimization of an electric vehicle using information about traffic light sequences and other vehicles | |
| CN114537212A (zh) | 用于确定车辆的行驶运行参数的参数范围的最大值的方法及车辆 | |
| JP2012168037A (ja) | 速度予測装置及びプログラム | |
| CN116587867A (zh) | 功率预测方法、控制系统及可读存储介质 |
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 |