JP2015512027A - 動力車のエネルギー消費量を推定するための方法 - Google Patents

Abstract

本発明の主題は、所与の道程にわたる動力車のエネルギー消費量を推定するための方法であって、以下のステップ、すなわち、ａ）道程を複数の道程部分にカットするステップと、ｂ）各道程部分に、上記部分の少なくとも１つの特性の関数としての設定点速度を割り当てるステップと、ｃ）各道程部分について、時間の関数としての車両の速度の変化を推定するステップであって、速度は、道程部分の少なくとも１つの特性の関数として、かつ上記部分の設定点速度と関連付けられている所定の運転挙動の関数として推定され、それによって、道程全体について、時間の関数としての車両の速度の変化の推定値が確立される、推定するステップと、ｄ）推定速度の変化の関数として、道程の間の車両のエネルギー消費量を推定するステップとを含むことを特徴とする、方法である。【選択図】図１

Description

本発明は、動力車のエネルギー消費量を推定するための方法に関する。

動力車の総走行距離を推定するコンテキストにおいて、所与のルートにわたる車両のエネルギー消費量を確実に予測することが可能であることが必要であると考えられる。

エネルギー消費量とは、電力消費量および／または燃料消費量を指し得る。たとえば、電気自動車の場合、エネルギー消費量は、一般的に充電量（ＳＯＣ）と称される、電池内に残っている電荷の量であり得る。

エネルギー消費量は多くの要因によって決まり得る。第１の問題は、ほとんどの消費量に寄与する要因を特定することである。たとえば、ディーゼルエンジンを有する車両にとって、停止からの車両の加速、低ギア比による運転、急激すぎる加速、または低速における運転が、燃料消費量に大きく影響を与える要因である。

エネルギー消費量を求めるための既知の解決策は、経験的知識に可能な限り近く一致するエンジンの非常に微細に調整されたデジタルモデルを作成することに存する。それにもかかわらず、たとえそのようなモデルが利用可能である場合であっても、運転者の挙動は考慮に入れられない。

本発明は、これらの欠点に対処することを目的とする。

本発明は、運転者の挙動を考慮に入れ、単純であるとともに確実である、車両のエネルギー消費量を推定するための方法を提案する。

したがって、本発明の主題は、所与のルートにわたる動力車のエネルギー消費量を推定するための方法である。

方法は、以下のステップ、すなわち、
ａ）ルートを複数のルート部分に分割するステップと、
ｂ）各ルート部分に、上記部分の少なくとも１つの特性の関数としての設定速度を割り当てるステップと、
ｃ）各ルート部分について、時間の関数としての車両の速度の変化を推定するステップであって、速度は、ルート部分の少なくとも１つの特性の関数として、かつ上記部分の設定速度と関連付けられている所定の運転挙動の関数として推定され、それによって、ルート全体について、時間の関数としての車両の速度の変化の推定値が確立される、推定するステップと、
ｄ）推定速度の変化の関数として、ルートにわたる車両のエネルギー消費量を推定するステップと
を含む。

ルートを複数のルート部分に分割するステップ、各ルート部分に設定速度を割り当てるステップ、および、所定の運転挙動の確立は、車両のナビゲーションシステムによって提供することができる。

速度の変化を推定するステップは、ＡＲＭＡ（自己回帰移動平均）モデルを使用して実行することができる。

したがって、時間の関数としての車両の速度の変化を推定するステップは、いくつかの推定値の平均を算出することによって得ることができる。

ＡＲＭＡモデルは、運転者の挙動の関数としてリアルタイムに変化する可能性がある。

ルート部分の１つまたは複数の特性は、ルートのタイプ、ルートの長さ、交通信号灯の数および分岐合流点の数である。

車両の速度の変化の推定値は、ローパスフィルタを使用してフィルタリングすることができる。

エネルギー消費量とは、電力消費量および／または燃料消費量であり得る。

本発明の他の特徴および利点は、本発明による方法の、例示および非限定例として与えられている以下の記載を読むとより明らかとなり、この記載は、添付の図面を参照して与えられている。

方法の理解を助けるための図である。 本方法を使用して推定された速度変化と、測定された速度変化を比較した図である。

本発明による方法は、運転者の運転スタイルに関係する要因、および、進むことになるルートの特性に関係する要因を考慮に入れることを可能にする。本方法は、特に、２項目の情報、すなわち、運転者の過去の運転データ、および、車両のナビゲーションシステム（「ＮＡＶ」と称する）からのルートに関する情報によってこれらの要因を考慮に入れることを可能にすることができる。

速度プロファイル（ルート上の各点における車両位置の関数としての速度値）が、たとえば、各部分と関連付けられているルートタイプの関数として、所与のルートについて生成される。この速度プロファイルから、たとえば、車両の速度および加速度を知ることによって、ＳＯＣの変化を説明することを可能にする非常に単純な電池モデルが実装される。

このプロファイルのそのような生成の一例が、図１に概略的に示されている。以下のステップが実行される。

１）運転者がＮＡＶにおいて行き先を入力する。ＮＡＶが運転者にこの行き先までのルートを与える。ＮＡＶにおいて、このルートが複数のルート区分に分割され、このルート区分に関連付けられている、たとえば、ルートのタイプ、推奨速度、区分の長さ、それに従って区分が交通信号灯または分岐合流点を含む識別情報のようなパラメータがある。

２）この情報を用いて、このように、運転者の運転スタイル（急激な加速／アクセルペダルの素早い動作、高／低ギア、エネルギー消費量に影響を与えるパラメータ）の実際の特性を考慮に入れた速度プロファイルを生成することを可能にする自己回帰移動平均モデル（ＡＲＭＡモデル）が使用される。ＡＲＭＡモデルは確率論的モデルである、すなわち、それらのモデルは速度プロファイルをランダムに生成する。したがって、同じＡＲＭＡモデルを用いて２つの速度プロファイルが生成された場合、これらのプロファイルは異なるものになる。このモデルは２つの部分、すなわち、自己回帰（ＡＲ）部分および移動平均部分（ＭＡ）から構成される。このモデルは一般的に、ＡＲＭＡ（ｐ，ｑ）によって示され、式中、ｐはＡＲ部分の次数であり、ｑはＭＡ部分の次数である。

図２は、同じルートについて同じＡＲＭＡモデルによって生成された２つの速度プロファイルおよび実際に測定された速度のプロファイルを示す。

３）この速度プロファイルが、非現実的な加速を除外するためにローパスフィルタを用いてフィルタリングされる。

４）速度プロファイルがフィルタリングされると、この速度プロファイルに（電池モデルの誤り限界内で）正確に従った場合に運転者が消費したことになる変化の量を計算するために、このモデルをＳＯＣの変化に適用することが可能になる。

５）平均ＳＯＣ消費値および関連付けられる標準偏差を得るために、ステップ２、３および４が多数Ｎ回（たとえば、２００回）繰り返される。

方法は、特に以下のステップ、すなわち、
ナビゲーションシステムに行き先を入力するステップと、
ナビゲーションシステムによってルートを生成するステップと、
ルートについてのデータを車両外サーバに送るステップと、
車両外サーバによってルートを区分化するとともにこれらの区分を特性化するステップと、
メモリ内のＡＲＭＡモデル設定の１つに従って区分の各々の速度プロファイルを生成（計算）するステップと、
ローパスフィルタを使用してその結果をフィルタリングするステップと、
ＡＲＭＡモデルによって推定される速度の各々をＳＯＣと関連付けるステップと、
最後の３つのステップを繰り返すステップと
を含むことができる。

本説明の以下の部分は、ＡＲＭＡモデルを構築するための方法の詳細を扱う。

ＡＲＭＡモデルは、時系列の未来の項を、過去の項にランダムイノベーションを加えた線形結合であるものとしてモデル化する従来のモデルである。

ｙ＿ｔを瞬間ｔにおける車両速度とする。速度ｙ＿ｔが与えられると、次の瞬間ｔ＋１における車両の速度は、以下のように先行する速度値にランダム項を加算することによって予測されると想像することができる。

式中、ａおよびｂは、実数定数であり、項ｅ＿ｔ＋１は、イノベーションと呼ばれる、別様には厳密な白色雑音と称される、すなわち、ゼロ平均および単位分散を有するランダム変数である。

この事例において、これはＡＲＭＡ（１，１）モデルである。より一般的に、ＡＲＭＡ（ｐ，ｑ）モデルは、ｙ＿ｔ＋１における速度が、以下のようなｐの先行する速度とｑのイノベーション項との線形結合であるとみなす。

以降、係数ａおよびｂを特定するための手順を説明するためにＡＲＭＡ（１，１）モデルが使用され、この手順は、係数ａ＿０、ａ＿１、．．．、ａ＿ｐおよびｂ＿０、．．．、ｂ＿ｑを特定するように容易に拡張される。

ＡＲＭＡ（１，１）モデルを特定するために、一連の値Ｙ＿ｎ＝（ｙ＿１，ｙ＿２，．．．，ｙ＿ｎ）を有するデータベースが利用可能である。これらの値は、事前に記録されている運転者の速度値に対応する。

この系列Ｙ＿ｎがセンタリングされている、すなわち、ゼロ平均を有することを確実にすることが可能である。したがって、以下のようになる。

式中、関数Ｅ（．）およびＶａｒ（．）は、それぞれ、変数の期待値および分散を示す。

したがって、以下のようになる。

このモデルの安定性を保証するために、条件｜ａ｜＜１が検証されなければならない。その上、以下のようになる。

それゆえ、以下のようになる。

σ^２およびγ（１）の値は、値Ｙ＿ｎを介して推定することができる。このようにして、ａおよびｂの値が得られる。

運転者（または一定クラスの運転者、または特定の車両の運転者）の履歴データによってＡＲＭＡモデルを特定することによって、運転者の運転スタイルに関する情報の主な態様がもたらされる。

ルートの特性も消費量に影響を与える。このために、各モデルがルート区分の特性のセットと関連付けられているいくつかのＡＲＭＡモデルを特定することが可能である。本発明の事例においては、ＮＡＶによって運転者に推奨される速度を使用することができる。実際に、ＮＡＶは、６つの異なる速度値、すなわち、２０、４０、６０、８０、１００および１２０ｋｍ／ｈを運転者に提案することができる。

ルートの各区分はこれらの値のうちの１つと関連付けられるため、６つの異なるＡＲＭＡモデル、すなわち、ＡＲＭＡ２０、ＡＲＭＡ４０、ＡＲＭＡ６０、ＡＲＭＡ８０、ＡＲＭＡ１００およびＡＲＭＡ１２０を特定することができる。各ＡＲＭＡモデルは、その係数を特定するために、速度データ履歴のサブセットを使用する。たとえば、サブセットＹ＿ｎ＾２０は、運転者が推奨速度２０ｋｍ／ｈと関連付けられている区分を通過したときに得られているすべての速度値を含む。同じことが他のモデルにも当てはまる。

本発明による方法は特に信頼性がある。約２７．４ｋｍのルートについて、ＳＯＣは、測定速度から得られる値の１．８％の平均精度で推定される。ＡＲＭＡモデルの次数が増大すると、性能も増大し、試験されたモデルＡＲＭＡ（１，２）およびＡＲＭＡ（２，１）について、ＳＯＣの最終値からの差は１．７％を超えないことも観察されている。

より高次のＡＲＭＡモデルを使用することが可能である。実際に、モデルの次数が増大しても、シミュレーションステップは遅くならない。モデルを特定するステップは、よりコストがかかることが分かっている。しかしながら、このステップはオフラインで実行されるため、より高い次数のモデルを使用することが有利であり得る。

結果が適切であることを確実にするためには、多数のシミュレーションが必要であり得る。消費量の確実な推定値を表示することが可能になるまでのこのシミュレーションの回数は、運転者の運転スタイルによって決まる。同じ回数のシミュレーションについて、運転スタイルが規則正しくなるほど、ＡＲＭＡモデルはより代表的なものになる。

たとえば、気象条件または交通条件のような、ＮＡＶによって推奨されている速度以外の外因性パラメータを組み込むことも考慮することができる。

本発明による方法は、所与のルートにわたる車両のエネルギー消費量を予測するのに使用される。この推定消費量は、たとえば、車両の走行距離を推定するのに使用することができる。したがって、必要であることが分かった場合に再充填ポイントまでの道程の予測を行うことができる。

本発明による方法を実施するための手段は、
車両であって、
ナビゲーションシステム、
通信モジュール、
ナビゲーションシステムおよび通信モジュールをリンクするネットワーク、ならびに
燃料タンクの充填量または電源の充電のレベルを求めるためのモジュール
を装備した、車両と、
遠隔または車両外サーバであって、
計算手段、
メモリ手段、および
通信モジュール
を備える、遠隔または車両外サーバと
を備えることができる。

Claims (8)

1. 所与のルートにわたる動力車のエネルギー消費量を推定するための方法であって、
   ａ）前記ルートを複数のルート部分に分割するステップと、
   ｂ）各ルート部分に、前記部分の少なくとも１つの特性の関数としての設定速度を割り当てるステップと、
   ｃ）各ルート部分について、時間の関数としての車両の速度の変化を推定するステップであって、前記速度は、前記ルート部分の少なくとも１つの特性の関数として、かつ前記部分の前記設定速度と関連付けられている所定の運転挙動の関数として推定され、それによって、前記ルート全体について、時間の関数としての前記車両の速度の変化の推定値が確立される、推定するステップと、
   ｄ）前記推定速度の変化の関数として、前記ルートにわたる前記車両の前記エネルギー消費量を推定するステップと
   を含むことを特徴とする、方法。
2. 前記ルートを複数のルート部分に分割する前記ステップ、各ルート部分に設定速度を割り当てる前記ステップ、および、所定の運転挙動の前記確立は、前記車両のナビゲーションシステムによって提供されることを特徴とする、請求項１に記載の方法。
3. 前記速度の変化を推定する前記ステップは、自己回帰移動平均モデルを使用して実行されることを特徴とする、請求項１または２に記載の方法。
4. 時間の関数としての前記車両の前記速度の変化を推定する前記ステップは、いくつかの推定値の平均を算出することによって得られることを特徴とする、請求項３に記載の方法。
5. 前記自己回帰移動平均モデルは、運転者の前記挙動の関数としてリアルタイムに変化することを特徴とする、請求項３または４に記載の方法。
6. 前記ルート部分の１つまたは複数の前記特性は、ルートのタイプ、前記ルートの長さ、交通信号灯の数および分岐合流点の数であることを特徴とする、請求項１から５のいずれか一項に記載の方法。
7. 前記車両の前記速度の変化の前記推定値はローパスフィルタを使用してフィルタリングされることを特徴とする、請求項１から６のいずれか一項に記載の方法。
8. 前記エネルギー消費量は電力消費量および／または燃料消費量であることを特徴とする、請求項１〜７のいずれか一項に記載の方法。

Images