KR102291222B1 - 전기 차량의 배터리 전력 요구량 예측 - Google Patents

전기 차량의 배터리 전력 요구량 예측 Download PDF

Info

Publication number
KR102291222B1
KR102291222B1 KR1020167028372A KR20167028372A KR102291222B1 KR 102291222 B1 KR102291222 B1 KR 102291222B1 KR 1020167028372 A KR1020167028372 A KR 1020167028372A KR 20167028372 A KR20167028372 A KR 20167028372A KR 102291222 B1 KR102291222 B1 KR 102291222B1
Authority
KR
South Korea
Prior art keywords
vehicle
power demand
acceleration
road
battery cells
Prior art date
Application number
KR1020167028372A
Other languages
English (en)
Other versions
KR20160135265A (ko
Inventor
신강지
김유진
Original Assignee
더 리젠츠 오브 더 유니버시티 오브 미시건
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 더 리젠츠 오브 더 유니버시티 오브 미시건 filed Critical 더 리젠츠 오브 더 유니버시티 오브 미시건
Publication of KR20160135265A publication Critical patent/KR20160135265A/ko
Application granted granted Critical
Publication of KR102291222B1 publication Critical patent/KR102291222B1/ko

Links

Images

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
    • 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
    • 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
    • B60L15/00—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles
    • B60L15/20—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed
    • B60L15/2045—Methods, circuits, or devices for controlling the traction-motor speed of electrically-propelled vehicles for control of the vehicle or its driving motor to achieve a desired performance, e.g. speed, torque, programmed variation of speed for optimising the use of energy
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • 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
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • 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
    • B60L2240/10—Vehicle control parameters
    • B60L2240/14—Acceleration
    • 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
    • B60L2240/60—Navigation input
    • B60L2240/64—Road conditions
    • B60L2240/642—Slope of road
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60Y—INDEXING SCHEME RELATING TO ASPECTS CROSS-CUTTING VEHICLE TECHNOLOGY
    • B60Y2200/00—Type of vehicle
    • B60Y2200/90—Vehicles comprising electric prime movers
    • B60Y2200/91—Electric vehicles
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using 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
    • Y02T10/64—Electric machine technologies in electromobility
    • 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
    • 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
    • Y02T10/72—Electric energy management in electromobility
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles

Abstract

차량 전력 소모의 이력, 속도 및 가속도 그리고 도로 정보에 기초하여, 전기 차량의 전력 요구량을 예측하는 효율적 방식이 제안된다. 이러한 정보와 운전자의 운전 패턴을 사용하여, 모델이 차량의 속도 및 가속도 이력을 추출하며, 이것은 결국 차량의 향후 전력 요구량의 예측을 가능하게 한다. 즉, 전력 요구량 예측은 실시간 전력 요구량 모델과 차량의 가속도 및 속도의 추정을 조합함으로써 달성된다.

Description

전기 차량의 배터리 전력 요구량 예측{PREDICTION OF BATTERY POWER REQUIREMENTS FOR ELECTRIC VEHICLES}
정부 조항
본 발명은 국립과학재단에 의해 수여된 CNS1138200 하에 정부 지원으로 이루어졌다. 정부는 본 발명에 대하여 일정한 권리를 갖는다.
관련 출원들에 대한 상호 참조
본원은 2015년 3월 24일에 출원된 미국 특허출원번호 제14/666,369호에 대한 우선권을 주장하며, 또한 2014년 3월 24일에 출원된 미국 가출원번호 제61/969,283호에 대한 우선권을 주장한다. 상기 출원들의 전체 내용은 참조로서 본 명세서에 포함된다.
분야
본 발명은 전기 차량의 배터리 전력 요구량 예측에 관한 것이다.
전기 차량(EV)이 대중화되면서, 배터리의 신뢰성 및 에너지 용량성이 매우 중요한 이슈가 되었으며, 그 이유는 전기 차량(EV)의 비용 및 중량은 전기 차량(EV)의 배터리 셀과 관리 시스템을 포함하는 배터리 관리 시스템(BMS)의 신뢰성과 에너지 용량성에 주로 의존하기 때문이다. 이것은 더 높은 배터리 신뢰성과 용량은 전체 배터리 시스템의 작동 시간이 더 길고 또한 시스템에 필요한 배터리 셀과 보호 회로의 수가 더 적다는 것을 의미하기 때문이다. BMS의 신뢰성과 효율성을 높이기 위해, 본 발명자들은 BMS가 배터리의 수명 및 작동 시간을 연장할 수 있게 하고 또한 배터리 셀을 보호할 수 있게 하는, 배터리 요구량 예측을 제안한다.
본 발명의 주된 동기는 EV의 전력 요구량을 예측하는 체계적인 방식을 개발하는 것이다. EV의 전력 요구량 예측은 개별 배터리 셀들을 보호하고 셀들이 그 작동 한계 내에서 유지되게 하는 것을 도와준다. 전력 요구량 예측은, 셀들이 허용 오차 범위를 벗어나는 것을 방지하는 한편, BMS가 셀들을 밸런싱(balancing)는 동안에 더욱 효율적으로 충방전되게 배터리 셀들을 스케줄링하는 것을 가능하게 한다.
그러나, 요구되는 배터리 전력의 예측은, 운전자가 전기 차량을 가속 및 감속을 하고, 또한 전력 요구량에 영향을 미치게 되는 거친 비통제적 환경과 같은 급속하게 달라지는 충방전 조건에서 실시간으로 작동해야 하기 때문에 어렵다. 게다가 엔진 관리, 온도 조절, 통신, 및 보안 시스템과 같은 다른 온-보드 시스템(on-board systems)과 인터페이스해야 한다.
본 발명은 전기 차량(EV)의 전력 소모, 속도, 가속도의 이력(history)뿐만 아니라 도로 정보에 기초하여, 전기 차량(EV)의 전력 요구량을 예측하는 효율적인 방식을 제시한다. 이 예측되는 전력 요구량은 그 후에, 높은 방전율(discharge rate)로 인하여 발생할 수 있는 배터리 셀의 손상을 방지하기 위하여 배터리 관리 시스템에 의해서 사용된다. 또한, 이러한 예측은 배터리 관리 시스템이 효율적으로 스케줄링하고, EV의 전력 요구를 충족시키도록 실시간으로 배터리 셀을 할당하는 것을 도와준다.
본 섹션은 본 발명과 관련된 배경 정보를 제공하며, 이것은 필수적으로 선행 기술인 것은 아니다.
본 섹션은 본 발명의 일반적인 개요를 제공한 것이며, 발명의 전체 범위 또는 모든 특징들에 대한 포괄적인 개시가 아니다.
차량이 지나가는 경로를 따르는 배터리 전력 요구량을 예측하기 위한 기술이 제공된다. 상기 기술은, 상기 차량에 전력을 공급하는 배터리 셀들을 위한 전력 요구량 모델(power requirement model)을 규정하는 단계로서, 상기 전력 요구량 모델은 상기 배터리 셀들에 대한 전력 요구량을 상기 차량의 속도 및 상기 차량의 가속도의 함수로서 출력하는, 상기 규정하는 단계; 상기 경로를 따르는 도로를 복수의 도로 구간(road segment)들로 분할하는 단계; 상기 소정 도로 구간을 따르는 상기 차량에 대한 속도 및 가속도를 결정하는 단계; 상기 차량이 상기 소정 도로 구간을 지나가는 동안의 상기 차량의 상기 배터리 셀들에 대한 전력 요구량을 예측하는 단계로서, 상기 전력 요구량은 결정되어진 상기 소정 도로 구간을 따르는 상기 차량의 속도, 결정되어진 상기 도로 구간을 따르는 상기 차량의 가속도 및 상기 전력 요구량 모델을 사용하여 예측되는, 상기 예측하는 단계; 및 상기 차량이 상기 소정 도로 구간을 지나가는 동안에 상기 예측되어진 전력 요구량에 따라 상기 배터리 셀들을 설정하는 단계를 포함한다. 상기 배터리 셀들은, 예측되어진 상기 소정 도로 구간을 지나가는 동안의 상기 전기 차량의 전력 요구량에 부분적으로 기초하여, 상기 전기 차량의 전기 부하에 배터리 셀들을 할당하는 것에 의해 설정될 수 있다.
몇몇 실시예들에서, 상기 경로는 상기 도로의 경사도 및/또는 상기 도로의 속도 제한에 따라 할당된다.
몇몇 실시예들에서, 상기 전력 요구량은 아래의 수학식으로서 더 규정되고,
Figure 112016098820659-pct00001
여기서, V는 상기 차량의 속도이고, a는 상기 차량의 가속도이고, θ는 도로 경사도이며, 또한 c1, c2, c3 및 c4는 계수들이다.
몇몇 실시예들에서, 상기 차량과 상기 경로를 지나가는 다른 차량 간의 상대 속도, 소정 도로 구간들에 대한 속도 제한에 기초하여, 소정 도로 구간에 대한 가속도가 결정된다.
다른 양태에서는, 차량이 일 경로를 지나갈 시의 상기 차량에서의 배터리 셀들의 전력 소모를 관리하기 위한 기술이 제공된다. 상기 기술은 배터리 매니저에 의하여, 상기 차량에 전력을 공급하는 배터리 셀들을 위한 전력 요구량 모델을 규정하는 단계로서, 상기 전력 요구량 모델은 하나 이상의 계수들을 가지며 또한 상기 배터리 셀들에 대한 전력 요구량을 상기 차량의 속도, 상기 차량의 가속도 및 도로의 경사도의 함수로서 출력하는, 상기 규정하는 단계; 상기 배터리 매니저에 의하여, 상기 복수의 도로 구간들 중에서 소정 도로 구간을 식별하는 단계; 상기 배터리 매니저에 의하여, 선형 회귀 방법을 사용하여, 상기 전력 요구량 모델에 대한 계수들을 추정하는 단계; 상기 배터리 매니저에 의하여, 상기 소정 도로 구간에 대한 경사도를 결정하는 단계; 상기 배터리 매니저에 의하여, 상기 소정 도로 구간에서의 상기 차량의 가속도를 예측하는 단계;상기 배터리 매니저에 의하여, 상기 소정 도로 구간에서의 상기 차량의 속도를 계산하는 단계; 상기 배터리 매니저에 의하여, 상기 소정 도로 구간에서의 상기 배터리 셀들에 대한 전력 요구량을 예측하는 단계로서, 상기 전력 요구량은 상기 추정되어진 계수들, 상기 소정 도로 구간에 대한 경사도, 상기 예측되어진 가속도, 상기 계산되어진 속도 및 상기 전력 요구량 모델을 사용하여 예측되는, 상기 예측하는 단계; 및 상기 배터리 매니저에 의하여, 상기 차량이 상기 소정 도로 구간을 지나가는 동안에 상기 예측되어진 전력 요구량에 따라 상기 배터리 셀들을 설정하는 단계를 포함하며, 상기 배터리 매니저는 컴퓨터 프로세서에 의해 구현된다.
상기 방법은 상기 차량이 상기 경로를 지나갈 시의 상기 차량을 모니터링하고, 상기 소정 도로 구간에 진입한 경우, 상기 예측되어진 전력 요구량에 따라 상기 배터리 셀들을 설정하고/하거나 다음의 도로 구간에서의 상기 배터리 셀들에 대한 전력 요구량을 예측하는 단계를 더 포함한다.
또 다른 양태에서는, 전기 차량에서 사용하기 위한 배터리 관리 시스템이 제공된다. 상기 시스템은, 차량이 일 경로를 지나갈 시의 상기 차량을 모니터링하며 또한 상기 경로를 따르는 상기 도로를 복수의 도로 구간들로 분할하도록 동작하게 구성되는 차량 모니터; 상기 차량에 전력을 공급하는 배터리 셀들에 대한 전력 요구량을 예측하며 데이터 저장소에 상주하는 전력 요구량 모델로서, 상기 전력 요구량 모델은 하나 이상의 계수들을 규정하며 또한 상기 배터리 셀들에 대한 전력 요구량을 상기 차량의 속도, 상기 차량의 가속도 및 도로의 경사도의 함수로서 출력하는, 상기 전력 요구량 모델; 소정 도로 구간에 대한 경사도를 검색하며 또한 상기 소정 도로 구간에서의 상기 차량의 속도 및 상기 소적 도로 구간에서의 상기 차량의 가속도를 결정하도록 동작하게 구성되는 전력 예측기로서, 상기 전력 예측기는 상기 전력 요구량 모델에 액세스하여 상기 소정 도로 구간에 대한 상기 경사도, 상기 소정 도로 구간에서의 상기 가속도, 상기 소정 도로 구간에서의 상기 속도 및 상기 전력 요구량 모델을 사용하여 상기 소정 도로 구간에서의 상기 배터리 셀들에 대한 전력 요구량을 예측하도록 더 동작하는, 상기 전력 예측기; 및 상기 전력 예측기 및 상기 배터리 셀들과 인터페이스하며 또한 예측되어진 상기 차량의 전력 요구량에 부분적으로 기초하여, 상기 차량의 전기 부하에 배터리 셀들을 할당하도록 동작하는 배터리 설정기를 포함하며, 상기 차량 모니터, 상기 전력 예측기 및 상기 배터리 설정기는 상기 차량에 상주하는 컴퓨터 프로세서에 의해 구현된다.
다른 적용 영역들은 본 명세서에서 제공된 설명으로부터 명백해질 것이다. 이 요약의 설명 및 특정 예들은 단지 예시의 목적으로 의도된 것이며, 본 발명의 범위를 한정하는 것으로 의도되지 않는다.
본 명세서에 설명된 도면은 모든 가능 구현들이 아닌 단지 선택된 실시예들에 대한 예시의 목적을 위한 것이며, 본 발명의 범위를 한정하는 것으로 의도되지 않는다.
도 1은 차량에 사용되는 예시적 배터리 관리 시스템의 블록도이다.
도 2는 전력 요구량 예측기(PRP)의 사이버-물리 시스템 도면이다.
도 3은 상이한 힘들을 받는 차량을 설명하는 도면이다.
도 4는 도로 분할의 일 예를 설명하는 도면이다.
도 5는 전력 요구량 예측기(PRP)의 예시적 실시예를 나타내는 블록도이다.
도 6은 차량 내 배터리 셀들의 전력 소모를 관리하기 위한 예시적 방법을 나타내는 흐름도이다.
도 7은 차량의 가속도 및 그 차량과 선행 차량 간의 상대 속도를 나타내는 그래프이다.
도 8은 두 차량 사이의 반응 강도와 시간을 나타내는 두 그래프이다.
도 9a 내지 도 9d는 3개의 정지신호 및 과속 방지턱을 포함하는 경로를 따르는, 각각의, 다른 운전자의 가속 패턴을 나타내는 그래프이다.
도 10은 가중치 팩터들의 업데이트 및 그 가중치 팩터들을 사용한 다음의 가속도 계산에 대한 도면이다.
도 11은 전력 요구량 예측기에 대한 평가 시스템의 블록도이다.
도 12는 유한 샘플링 주파수로 인한 내재적 오차를 나타내는 그래프이다.
도 13은 구간들 사이의 가속도 예측의 오차를 설명하는 그래프이다.
도 14는 10 Hz 샘플링에 의한 전력 요구량 예측을 나타내는 그래프이다.
대응하는 참조 부호는 여러 도면에 걸쳐 대응하는 부분을 나타낸다.
도 1은 전기 차량에 의해 사용될 수 있는 배터리 관리 시스템(BMS)(10)의 예시적 실시예에 대한 도면이다. 비선형의, 복잡한 배터리 역학이 존재하는 대형 배터리들 또는 배터리 어레이(11)를 관리하기 위해, 배터리 관리 시스템(10)은 차량 모니터(12), 배터리 상태 모니터(13), 배터리 매니저(14), 배터리 설정기(18)로 구성될 수 있다. 본 발명의 전반에 걸쳐 전기 차량의 전력 요구량 예측이 언급되어 있지만, 이 개념의 보다 넓은 측면은 다른 유형의 차량 및 다른 배터리 응용으로 확장될 수 있을 것으로 상정된다.
차량 모니터(12)는 차량 매니저(14)와 인터페이스하며, 일 경로를 지나갈 때에 차량을 모니터하도록 구성된다. 예들 들어, 차량 모니터(12)는 예를 들면 GPS의 사용을 통해, 그 경로를 따르는 차량의 위치를 결정한다. 또한, 차량 모니터(12)는 속도, 가속도, 및 그 밖의 차량 작동 파라미터들도 결정한다. 이러한 차량 정보는 차량 모니터(12)에 의해 배터리 매니저(14)에게 제공된다.
배터리 상태 모니터(13)는 배터리 어레이(11)를 구성하는 배터리 셀들 및/또는 배터리 팩을 모니터링하도록 구성된다. 배터리 상태 모니터(12)는 배터리 매니저(14)와 인터페이스하며, 배터리 어레이(11) 내에 있는 각각의 배터리 셀 및/또는 배터리 팩에 대한 상태(예컨대, 충전 상태), 온도 및 개방 회로 전압을 주기적으로 보고한다. 또한, 배터리 상태 모니터(13)는 각 셀의 방전 속도와 휴지 기간도 계산할 수 있으며, 이어서 그 결과를 배터리 매니저(14)에게 전송한다.
재구성가능한 배터리 어레이(11)는 본 기술 분야에 잘 알려져 있다. 차량 정보 및 배터리 정보에 기초하여, 배터리 매니저(14)는 차량의 활동을 보장하고 배터리 시스템의 작동 시간과 수명을 최대화하는 최적의 배터리 배열을 결정한다. 예를 들어, 배터리 매니저(14)는 어떤 배터리 셀들이 전기 부하에 연결되어야 하고 어떤 연결(connections)이 배터리 셀들에 사용되어야 하는지를 결정한다. 즉, 배터리 설정기(16)는 배터리 매니저(14)에 의해 지시된 바에 따라 배터리 셀들의 연결을 설정한다. 바람직하게는, 이들 컴포넌트들 각각은 차량 보드에 있는 하드웨어 및/또는 소프트웨어에서 구현된다.
배터리 관리 시스템의 중요 특징 중의 하나는 효과적이고 안전한 방식으로 차량의 전력 요구를 충족시키도록 배터리 셀들을 스케줄하고 할당하는 것이다. 이를 위해, 배터리 매니저(14)는 전력 요구량 예측기(PRP)를 포함한다. 이 전력 요구량 예측기는 아래에서 더 상세히 설명되는 바와 같이, 차량의 전력 요구량을 예측한다.
도 2는 센서들(23)과 전기 차량 시스템의 물리적 컴포넌트들(예를 들어 센서들(23) 및 액추에이터들(24)) 간의 추상적 개념을 나타낸 도면이다. 전력 요구량 예측기(22)는 아래에서 더 설명되는 바와 같은 전기 차량의 전력 요구량을 예측하도록 설계된다. 전력 요구량의 대부분이 물리적 요소들, 예를 들어 교통 상황, 교통 법규, 운전자의 운전 패턴 및 도로 상태들에 의존하기 때문에 이러한 예측은 어렵다. 따라서, 전력 요구량 예측기(22)는 이런 물리적 요소들과의 커플링들을 파악해야 한다. 이것을 달성하기 위해, 물리적 요소들은 물리적 컴포넌트들에 직접 연결된 인터페이스의 입력 및 출력을 갖는 추상화 계층(25)으로 추상화된다.
전력 요구량 예측을 용이하게 하기 위해, 전력 요건 모델에는 필요 전력을 지시하여, 추상화 계층(25) 내에 있는 해당 물리 모델로부터 각각의 파라미터를 예측하는 파라미터들이 도입된다. 본 발명은 서로 다른 차량들 및 운영 환경들에 실시간 적응하는(즉, 이력-기반 에너지 사용 모델) 간단하면서도 광범위하게 사용되는 전력 요구량 모델을 사용한다. 도 3을 참조하면, 물리법칙에 따라 전력 요구를 처리하는 다항식 전력 요구량 모델이 사용되며, 여기서
Figure 112016098820659-pct00002
과
Figure 112016098820659-pct00003
은 각각 가속도의 힘, 공기력, 경사와 관련된 부하 및 롤링 저항(rolling resistance)을 나타낸다. 전체 전력 요구량(
Figure 112016098820659-pct00004
)은 차량의 전진 속도(v)를 곱한 모든 힘들의 합으로 계산된다.
Figure 112016098820659-pct00005
여기서 θ는 경사도를 나타내며, 다른 파라미터들은 아래에서 더 설명된다.
단순함이 이 모델을 채택한 주된 이유이다. 이 모델은 단지 몇몇 물리적 파라미터에만 의존하기 때문에, 그들의 실제 값들은 측정 또는 계산으로 얻을 수 있다. 더욱이 수학식 (1)에서의 전력 요구량 계산은 기본적인 연산만을 필요로 하며, 따라서 실시간 전력 요구량 예측을 용이하게 한다. 이 모델은, 비록 단순할지라도, 필요 전력을 추정함에 있어 양호한 정확도를 산출한다는 것이 아래에서 보여질 것이다. 그럼에도 불구하고, 다른 유형의 모델들이 또한 본 발명의 광범위한 양태들에 포함된다.
배터리 관리 시스템이 다음의 시간 간격 동안 제공해야 하는 전력량을 추정하기 위하여, 수학식 (1)의 파라미터들 모두가 예측된다. 이러한 예측은 (i) 각 파라미터의 변화 빈도 및 (ii) 각 파라미터를 예측하는데 필요한 정보의 지식이 필요하다. 그 후에, 이 지식에 예측 방식(prediction schemes)을 맞출 수 있다. 아래의 표 1은 파라미터 특성들을 요약한 것이다.
Figure 112016098820659-pct00006

Figure 112016098820659-pct00007
 v
Figure 112016098820659-pct00008

Figure 112016098820659-pct00009
Figure 112016098820659-pct00010

Figure 112016098820659-pct00011
Figure 112016098820659-pct00012

Figure 112016098820659-pct00013
Figure 112016098820659-pct00014
Figure 112016098820659-pct00015

Figure 112016098820659-pct00016
Figure 112016098820659-pct00017

Figure 112016098820659-pct00018
Figure 112016098820659-pct00019
Figure 112016098820659-pct00020

Figure 112016098820659-pct00021
역학 극도로 높음 높음 극도로 낮음 극도로 낮음 높음 높음 낮음 극도로 낮음 극도로 낮음
의존 운전자, 도로,
교통		 운전자, 도로,
교통		 차량
구조		 고도 타이어 도로 고도 차량
구조		 차량
구조
이 파라미터 특성들을 사용하여 파라미터들을 다음과 같이 카테고리화할 수 있다:
C1. 안정적임(stable): 차량의 질량(m), 중력가속도(g), 공기 밀도(
Figure 112016098820659-pct00022
), 드레그 계수(
Figure 112016098820659-pct00023
) 및 전방 영역(A);
C2. 동적이지만 예측하기 쉬움(dynamic but easy to predict): 롤링 저항계수(
Figure 112016098820659-pct00024
) 및 도로 경사도(θ); 또한
C3. 동적이며 예측하기 어려움(dynamic but easy to predict): 가속도(a) 및 속도(v).
C1에서의 m, 및 A와 같은 파라미터들은 단지 차량 자체에만 의존하기 때문에 거의 변하지 않는다. 또한 g 와
Figure 112016098820659-pct00025
는 매우 느리게 변한다. C2에서의 파라미터들은 도로의 차량 위치에 의존한다. 따라서, 파라미터들은 도로의 오프라인 정보(예를 들어, Google Map)와 실시간 위치 정보(예를 들어, GPS)를 이용하여 정확하게 예측될 수 있다. 예들 들어, 도로 종류 및 경사도에 관한 정보는 사전-다운로드된 맵에서 선험적으로 다운로드될 수 있으며, 이에 따라 주어진 위치에 대한
Figure 112016098820659-pct00026
과 θ를 얻을 수 있다. 이 정적 정보를 실시간 위치 정보에 포함시킴으로써, C2에서의 파라미터들은 그들의 동적 변화에도 불구하고 쉽게 예측될 수 있다.
반대로, C3에서의 2개의 파라미터 a와 V는 도로 종류와 경사도와 같은 도로 정보뿐만 아니라, 예측과 분석이 어려운 운전자의 운전 패턴에 의존하기 때문에, 동적으로 변하며 예측하기가 어렵다. 특히 운전자들은 복잡한 인간 의사결정과정(human decision-making process)과 관련된 자신의 운전 패턴을 가지고 있으며, 또한 그 패턴은 운전자의 기분이나 몸 상태에 따라 변할 수 있다. 게다가 운전자는 교통 법규를 준수해야 하고 교통 상황을 고려해야 하며, 이들은 2개의 파라미터에 중대한 영향을 미치게 된다. 결과적으로, 2개의 다른 접근방식이, 아래에 상세히 설명되는 바와 같이, C1, C2, 및 C3에서의 파라미터들을 예측하는데 필요하다.
도 5는 전력 요구량 예측기(50)에 대한 예시적 실시예를 도시한 것이다. 본 실시예에서, 전력 요구량 예측기(50)는 현재 시간 간격(스텝 n) 동안에 다음 스텝(step n+1)의 전력 요구량을 추정한다. 전력 예측기는 일반적으로 입력부(51)와 산출부(52)로 구성된다. 입력부(51)는 현재 스텝의 측정된 모든 데이터 및 다음 스텝을 위해 미리 계산된 모든 데이터를 제공한다. 이 데이터를 사용하여, 산출부(52)는 C1-C3에서의 모든 파라미터들을 추정하고, 그 후에 수학식 (1)에서의 전력 요구량 모델을 사용하여 다음 스텝을 위한 추정된 전력 요구량(즉,
Figure 112016098820659-pct00027
)을 출력한다.
입력부(51)는 측정되거나 또는 미리 계산된 데이터를 산출부(52)에게 제공한다. 보다 구체적으로, 이 데이터는 다음의 3개의 컴포넌트로 구성된다: (i) 전력 소모(
Figure 112016098820659-pct00028
), 가속도(
Figure 112016098820659-pct00029
), 속도(
Figure 112016098820659-pct00030
)를 위한 운전 데이터 샘플러(driving data sampler); (ii) 현재 및 다음의 도로 경사(
Figure 112016098820659-pct00031
및
Figure 112016098820659-pct00032
), 및 현재 및 다음의 속도 제한(
Figure 112016098820659-pct00033
및
Figure 112016098820659-pct00034
)을 위한 사전 다운로드된 맵; 및 (iii) 선행 차량과 후행 차량 간의 상대 속도와 거리(
Figure 112016098820659-pct00035
와
Figure 112016098820659-pct00036
)를 위한 거리 센서. 모델에 따라, 다른 유형의 데이터가 입력부에 의해 입력 될 수도 있다
산출부(52)를 상세히 설명하기 이전에, 도로 구간(road segment)이 산출부에서의 사용을 위해 먼저 규정된다. 일 실시예에서, 도로 구간은 도 4에서 알 수 있는 바와 같이, 도로 상태와 교통법규가 균일한 연속적인 도로 간격이다. 전력 요구량 모델에서의 몇몇 파라미터들은 도로 구간에 따라 달라지기 때문에 이 도로 구간의 개념은 중요하다. 주어진 경로에서, 차량 모니터(12) 또는 배터리 매니저(14)는 그 경로를 따르는 도로를 복수의 도로 구간들로, 예를 들어 그 경로를 따르는 도로의 경사도 및/또는 속도 제한에 따라서, 분할할 수 있다. 예를 들어, 새로운 구간은 도로 변화에 따른 각 제한 속도마다 경계가 정해진다. 이 도로는 다른 특성을 이용하여서도 또한 분할될 수 있는 것으로 상정된다.
도 5를 계속 참조하면, 산출부(52)는 두 가지 상이한 방식으로 파라미터들을 추정한다. 전술한 바와 같이, C1과 C2에서의 파라미터들은 천천히 변화하거나 예측할 수 있지만, C3에서의 파라미터들은 추정하기가 어렵다. 상이한 파라미터들의 특성을 고려하여, 전력 요구량 모델 매니저(PRMM)(54) 및 가속도 예측기(AP)(56)는 각각 C1과 C2에서의 파라미터들, 및 C3에서의 파라미터들을 예측한다.
C1에서의 파라미터들은 천천히 변화하며, 또한 C2에서의
Figure 112016098820659-pct00037
은 일 도로 구간 내에서 일정하다. 따라서, 도로의 분할 후에는,
Figure 112016098820659-pct00038
및 C1에서의 파라미터들을 4개의 계수로 추상화할 수 있으며, 이에 따라 다음과 같이 전력 요구량 모델을 위한 입력 파라미터들의 수를 줄일 수 있다.
Figure 112016098820659-pct00039
그러면, 수학식 (2)는 이 계수들
Figure 112016098820659-pct00040
, 가속도(a), 속도(v) 및 도로 경사도(θ)에만 의존한다. θ는 사전 다운로드된 맵에 의해 주어지기 때문에, 오직 이 계수들과 가속도와 속도만이 추정될 필요가 있다.
이 계수들을 위하여, 모델 매니저(54)는 인기 이력-기반 추정--선형 회귀를 채택하여, 수학식 (2)에서의 모든 파라미터들의 과거 데이터에 기초하여, 이 계수들을 계산한다. 예시적 실시예에서, 차량 속도(v)와 가속도(a)는, 예를 들면 속도 센서와 가속도 센서를 이용하여 측정되고 저장된다. 운전을 위한 방전 전력(discharged power)(p)의 양은, 배터리 모니터에서 전압 및 전류 센서들로부터 추출된 전압과 전류의 곱에 의해 파악될수 있다. 모델
Figure 112016098820659-pct00041
=b가 입력 데이터 세트(A)와 결과 데이터 세트(b) 간의 선형 관계를 나타내고, x가 이 선형 모델에 대한 계수 벡터라고 가정해 보자. 이 계수 벡터(x)는 A의 단수값 분해(singular value decomposition)(SVD)와 의사 역행렬(pseudo-inverse) 계산을 통해
Figure 112016098820659-pct00042
=b를 최소화하도록 도출된다. 이 경우, 위의 수학식은 다음과 같이 다시 쓰여질 수 있다:
Figure 112016098820659-pct00043
먼저, 단수값 분해는 입력 데이터(
Figure 112016098820659-pct00044
)가 A(
Figure 112016098820659-pct00045
(
Figure 112016098820659-pct00046
)의 왼쪽-단수 벡터(U), 오른쪽-단수벡터(V), 직사각형 대각 행렬(
Figure 112016098820659-pct00047
) 및 의사 역행렬을 도출하도록 행해진다. 그 후에, 도 3에 도시된 바와 같이, 선형 계수 벡터(
Figure 112016098820659-pct00048
)가
Figure 112016098820659-pct00049
를 최소화하여 계산된다. 이러한 방식으로, 모델 매니저(54)는 전력 요구량(
Figure 112016098820659-pct00050
), 가속도(
Figure 112016098820659-pct00051
), 속도(
Figure 112016098820659-pct00052
) 및 경사도(
Figure 112016098820659-pct00053
)에 대한 현재의 데이터를 수신하여, 다음 간격에서의 예측을 위한 네 개의 계수를 추정할 수 있다. 또한, 이 계수들의 값을 계산하기 위한 다른 기술들도 본 발명의 범위 내에 포함된다.
한편, 가속도 예측기(56)는 다음 간격에 대한 가속도 및 속도를 출력한다. 가속기 예측기(56)에 대한 하나의 입력은 교통 흐름을 추상화하는 선행 차량과 후행 차량 사이의 상대 속도 및 거리(
Figure 112016098820659-pct00054
및
Figure 112016098820659-pct00055
)이다. 이 두 개의 파라미들인 속도와 가속도의, 주된 관심점은 가속도를 예측하는데 있다. 일단 가속도를 알게 되면, 다음 간격에서의 속도는 현재 구간에서의 가속도 및 속도의 예측으로부터 계산될 수가 있다. 일 예에서, 가속도(
Figure 112016098820659-pct00056
)가 일정할 경우, 차량 속도(
Figure 112016098820659-pct00057
)는 현재의 속도(
Figure 112016098820659-pct00058
), 가속도(
Figure 112016098820659-pct00059
) 및 시간 간격(
Figure 112016098820659-pct00060
)에 기초하여 다음 간격에서 다음과 같이 추정될 수 있다:
Figure 112016098820659-pct00061
. 가속도(
Figure 112016098820659-pct00062
)가 초당 10
Figure 112016098820659-pct00063
로 일정하고, 현재 속도(
Figure 112016098820659-pct00064
)는 30m/s인 것으로 가정하자. 그러면, 0.1초(
Figure 112016098820659-pct00065
) 후에 예측되는 차량 속도(
Figure 112016098820659-pct00066
) 는 31m/s가 될 것이다. 만약 시간 간격이 짧다면, 이 가속도는 그 시간 간격 동안 일정한 것으로 가정되며, 그 후 이 예측은 다음의 차량 속도를 추정하는데 사용될 수 있다. 다른 예에서는, 다음 간격에서의 차량 속도가 다음의 도로 구간에 대한 제한 속도가 되는 것으로 추정될 수 있다. 다음의 간격에서 차량 속도를 추정하기 위한 다른 기술들도 또한 본 발명에 의해 고려된다.
도 6은 전술한 전력 요구량 예측기를 사용하여 배터리 셀들의 전력 소모를 관리하기 위한 예시적 기술을 또한 도시한 것이다. 차량이 일 경로를 지나감에 따라 그것이 61에서 모니터링된다. 보다 구체적으로, 차량 위치가, 62에 표시된 바와 같이, 도로 구간과 관련하여 추적된다. 소정 도로 구간에 진입할 시에(또는 그 직전에), 배터리 설정기(16)는 그 소정 도로 구간에 대한 예측 전력 요구량에 따라서, 63에서 배터리 셀들을 설정한다.
또한, 소정의 도로 구간에 진입할 시에, 배터리 매니저(14)는 다음의 도로 구간에 대한 전력 요구량을 예측한다. 전력 요구량 예측에 앞서, 전력 요구량 모델의 계수들이, 가장 최근의 도로 구간의 데이터로 64에서 업데이트될 수 있다. 다른 실시예들에서는, 전력 요구량 모델의 계수들이 덜 빈번하게 업데이트되는 것으로 상정된다. 또한, 다음의 도로 구간의 경사도는, 예를 들어, 지형도에서 도로 구간에 대한 경사를 검색함으로써, 65에서 결정된다.
다음으로, 배터리 매니저는 66에서 다음의 도로 구간에서의 차량 가속도를 예측하며, 또한 67에서 다음의 도로 구간에서의 차량 속도를 계산한다. 이러한 계산들은 본 발명의 다른 부분에서 설명된다. 가속도, 속도 및 기울기로부터, 다음의 도로 구간에 대한 전력 요구량이, 예를 들어 위에서 설명한 전력 요구량 모델을 사용하여, 68에서 예측된다. 차량이 계속해서 그 경로를 지나갈 때, 이 프로세스는 각각의 다음 도로 구간에 대해 반복된다.
앞서 설명한 바와 같이, 차량의 가속도 예측은, 도로의 종류와 경사 및 교통 법규와 같은 정적 정보뿐만 아니라, 운전자의 운전 패턴 및 차량 근처의 교통 흐름과 같은 동적 정보에 의존하기 때문에 어렵다. 정확한 가속도 예측을 위해, 가속 패턴에 영향을 주는 3개의 주요 관측(observation)이 행해진다. 그 후에, 이 관측들 중 몇 가지를 처리하는 가속도 예측 방식들이 개발된다. 마지막으로, 이러한 예측 방식들을 조합하여, 통합 가속도 예측 방법을 설계하게 된다.
가속 패턴을 결정하는 3개의 주요 관측들은 다음과 같다: 차량 주위의 교통 흐름, 운전자의 운전 행위, 및 교통 법규. 이러한 관측들은 실험으로 확증된다. 이 관측들은 다음 섹션에서 개발될 가속도 예측 방식를 위한 기초가 될 것이다.
첫 번째 관측은 선행 차량이 후행 차량의 가속 패턴에 영향을 미친다는 것이다. 차량 A가 전방 차량 B를 추월하지 않는 이상, A의 평균속도는 B의 평균속도를 초과할 수 없다. 따라서, 도 7에 도시된 바와 같이, A와 B의 평균 상대 속도는 거의 제로이다. 만일 상대 속도가 음(negative)(양(positive))이라면, A는 가속(감속)에 의해 B를 따라잡으려고(그로부터의 거리 자체) 시도할 것이다. 따라서, 전방 차량 B는 후행 차량 A의 가속도의 평균 거동을 결정한다.
두 번째 관측은 운전자의 운전 행동이 가속 패턴에 영향을 미친다는 것이다. 각 운전자의 운전 패턴은 다음의 두 개의 변수로 파악된다: 반응 강도 - 얼마나 빨리 오퍼레이터/운전자가 원하는 속도를 얻기 위해 가속하는가, 및 반응 시간 - 운전자가 주어진 상황에 반응하는데 얼마나 오래 걸리는가. 이들 두 변수는 가속도의 기울기 및 가속도가 0(zero)이 되는 동안의 듀레이션에 의해서 도 8과 같이 표현되다. 예를 들어, 차량이 원하는 속도에 도달할 때까지, 일부 운전자들은 적극적으로 가속 페달을 밟지만, 다른 운전자들은 오랜 가속 시간을 가지고 점차적으로 속도를 증가/감소시킨다. 반응 강도가 운전자에 따라 다양하지만, 운전자의 반응 강도는 항상 유사하게 유지되는 것으로 밝혀졌다. 반응 시간 또한 운전자에 의존한다. 긴 반응 시간을 갖는 운전자들은 가속 또는 감속하는 대신에 자신의 차량 속도를 유지하는 경향이 있지만, 짧은 반응 시간을 갖는 다른 운전자들은 예를 들어, 전방 차량의 감속과 같은, 소정 상황에 즉시 반응한다.
세 번째 관측은 교통법규가 가속 패턴에 영향을 미친다는 것이다. 교통법규는 속도 제한, 교통 신호등 및 다른 교통 표지판을 포함하며, 가속도에 큰 영향을 미친다. 예를 들어, 모든 운전자는 교통 신호 또는 과속 방지턱에서 감속하도록 되어 있으므로, 도 9a-9d에 나타낸 바와 같이, 이것은 운전자에 독립적이다. 도로 정보에 대한 오프라인 프로파일을 사용하여, 가속 패턴에 대한 교통 법규의 영향이 예측될 수 있다.
운전자의 가속 패턴을 예측하기 위해, 그 각각이 자체적인 특성을 갖는, 다섯 가지 방법이 제시된다. 처음의 세 개의 방법은 이전 가속 패턴의 이력을 이용함으로써, 직/간접적으로 O2를 처리한다. 한편, 다음의 두 개의 방법은 기존의 교통 흐름 모델과 교통 법규에 기초한 도로 분할을 사용하여, 각각 O1 및 O3를 처리한다. 이 다섯 가지 방법이 아래의 표 2에 요약되어 있다.
예측방법 이전 가속도 반응강도를 가진 이전 가속도 과거 가속도와의 상관관계 차량 추종 모델 도로 분할

처리된 관측들		 O2
(암시적)		 O2
(암시적)
및 O2에서의 반응강도 		O2
(암시적)		 O1 O3

적용 제한
제한 없음
제한 없음
제한 없음
제한 없음
구간 이동
샘플링 레이트 의존적 의존적 의존적 비의존적 비의존적
계신 비용 낮음 낮음 높음 낮음 낮음
입력 데이터
Figure 112016098820659-pct00067
Figure 112016098820659-pct00068
,
반응강도
Figure 112016098820659-pct00069
Figure 112016098820659-pct00070
Figure 112016098820659-pct00071
이 다섯 가지 방법이 서로 다른 환경/상황에 효과적이라는 사실을 고려하면, 이 방법들을 조합하여 통합된 가속도 예측 방법을 설계할 수 있으며, 이에 따라 다섯 가지 개별 방법의 장점을 이용할 수가 있다.
일 방법에서, 현재의 가속도는 다음의 가속도 예측으로서 사용된다. 이것의 장점은 단순함이다. 이 방법은, 비록 유연성은 없지만, 느린 가속도 변동이나, 거의 제로인 배터리 재구성 시간을 가진 높은 샘플링 주파수의 경우에 정확한 예측을 발생시킨다. 그러나, 이 방법만으로는 다수의 실제 솔루션에 있어서의 급작스러운 가속도 변화에 대응할 수 없다.
이전의 가속도을 사용하는 간단한 가속도 방법을 개선하기 위해, 반응 강도가 O2에 포함된다. 이를 위해, 다음과 같이, 운전자가 가속을 시작할 경우 가속도 기울기를 계산하고, 다음의 가속도 예측을 위해 그것을 사용한다:
Figure 112016098820659-pct00072
(3)
여기서 k는 가속도 기울기(반응 강도)에 대한 민감도 계수(the sensitivity coefficient)이다. 이 추가 고려사항은, 두 개 더 많은 기본 연산만을 필요로 하면서, 이전의 가속 방법보다 더 정확한 예측을 산출한다.
이 두 가지 이력-기반 방법들은 이전의 가속에 초점을 맞추는 반면에, 세 번째 방법은 이전 가속도들에 대한 오랜 이력을 다음의 가속도와 상관시키는 선형 필터를 사용한다. 이를 위하여, 먼저, 타임 스탬프된 가속도들을 측정 및 기록하고, 그 다음에 기록(입력)된 가속도와 예측된 가속도 사이의 오차에 기초하여 상관 인자(correlation factor)들을 생성한다. 마지막으로, 입력의 내적(inner-product) 및 상관 벡터들에 의해 다음의 가속도을 예측한다. 다음의 가속이 이전의 가속들과 높게 상관되어 있는 경우, 이 방법은 유용하다. 이것은 높은 계산 복잡도를 희생하여, 두 개의 이력-기반 방법보다 더 높은 정확도를 달성한다. 더 높은 속도는 급격한 가속도 변화를 가릴 수 있기 때문에, 이것을 포함하는 모든 이력-기반 방법들은 데이터 샘플링 레이트(data sampling rate)에 의존한다는 것에 유의한다.
많은 교통 연구원들이 실제 교통 흐름을 설명하기 위해 미세한 운전자들의 행동을 연구했다. 미시 교통 흐름 모델(microscopic traffic flow model)로 잘 알려진 차량 추종 모델은, 어느 차량과 전방에 있는 선행 차량 간의 상대 속도 및 거리의 관점에서 차량의 가속도를 설명한다. 기존의 차량 추종 모델 중에서, 본 발명은 최적 속도의 관측에 기초하여 고전적 모델을 확장시킨 M. Bando 공저의 "Dynamics model of traffic congestion and numerical simulation" Physics Review E, vol. 51 pp 1035-1042 (1995)에서 기술된 모델을 사용하는 것으로 선택하였다. 차량 추종 모델을 이용한 예측의 주된 장점은 샘플링 주파수에 대한 독립이다. 이 모델은 두 차량 사이에 0의 상대 속도 및 일정한 원하는 거리를 유지하는데 어떤 동작이 필요한지를 제공하지만, 차량의 가속을 직접 제공하지 않으므로, 부정확한 예측을 초래한다.
교통 법규의 효과를 다루기 위해, 교통 법규들에 기초하여 도로를 분할하고, 그 다음에, 차량이 한 구간에서 다른 구간으로 바뀔 때 가속 패턴을 예측한다. 이러한 방법은 도로 구간 사이의 가속도 예측의 정확성을 향상시키며; 예를 들어, 다음 구간의 속도 제한이 현재의 것보다 높거나 낮은 경우, 현재 및 다음 구간들 사이의 속도(제한)의 차이를 계산함으로써, 구간 변환 동안의 가속도를 예측할 수가 있다. 이 교통 법규 정보는 사전 다운로드된 맵으로부터 추출할 수 있기 때문에, 데이터 샘플링 주파수에 의존하지 않는다.
표 2에 도시된 바와 같이, 상기 방법들 각각은 다음과 같은 자체적인 특성 및 장점들을 가지고 있다: (i) 이력-기반(처음의 세 가지) 방법들은 샘플링 레이트에 의존하며 그 레이트가 높을 경우 효율적이고; (ii) 차량 추종 모델에 기초하는 방법은 샘플링 레이트에 독립적이므로 더 광범위하게 적용될 수 있으며; 또한 (iii) 도로 분할 방법은 구간 변환에 특화되어 있다.
이러한 특성들을 고려하여, 다음과 같은, 다음 간격에서의 가속도를 예측하는 통합 방법이 또한 제안된다: (a) 차량이 구간 경계를 가로지를 경우, 도로 분할 방법을 사용하여 가속도를 예측하며; (b) 그렇지 않을 경우에는, 가속 이력 및 차량 추종 모델에 기초하는 방법들의 조합을 사용하여 가속도를 예측한다. 다음과 같은, (b)의 결정에 영향을 미치는 두 가지 변수가 존재한다: 샘플링 레이트 및 반응 시간. 샘플링 레이트에 있어서는, 차량 추종 모델이 낮은 샘플링 레이트에서도 동일한 정확도를 보장하기 때문에, 이력-기반 방법들(차량 추종 모델)이 더 높은(낮은) 샘플링 레이트 하에서 비교대상보다 더 효과적이지만, 긴 반응 시간을 가진 운전자들은 자신의 속도를 유지하려는 경향이 있기 때문에, 긴 반응 시간에 있어서는, 이력-기반 방법들의 예측이 정확하다. 한편, 짧은 반응 시간을 가진 운전자들에 의한 가속은, 그 운전자들이 주어진 교통 상황에 즉시 반응하므로 차량 추종 모델에 의해 잘 설명될 수 있다.
이 두 가지 변수들을 고려하여, 본 통합 방법은, 이력-기반 방법들 중 하나의 가중치 및 차량 추종 모델을 이용한 방법의 가중치인, 가중치들
Figure 112016098820659-pct00073
및
Figure 112016098820659-pct00074
(
Figure 112016098820659-pct00075
+
Figure 112016098820659-pct00076
=1)를 통해 상황(b)을 처리한다. 이 가중치들은 다음의 가속도 예측 시에 오차를 감소시키도록 적응적으로 계산될 수 있다. 도 10은 이 가중치들을 업데이트하는 프로세스의 일 예를 보여준다. 스텝 n-1에서의 가중치는
Figure 112016098820659-pct00077
및
Figure 112016098820659-pct00078
3으로 설정되며, 본 방법은 스텝 n의 가속도를 예측하기 위해 이들을 사용하는 것으로 가정해 보도록 한다. 그러면, 스텝 n에서, 실제 가속도는 예측과 다르게 되며; 만일 그 가중치들이
Figure 112016098820659-pct00079
및
Figure 112016098820659-pct00080
이라면, 이 예측은 오차가 없을 것이다. 이 정보를 사용하여, 본 방법은 도면에 나타낸 바와 같이, 스텝 n+1의 가속도 예측을 위해 스텝 n에서 그 가중치들을 업데이트한다. 본 통합 방법이 가중치 업데이트를 위해 x 이전 스텝들의 평균 예측 오차를 계산하였지만, x=1은 설명의 단순화를 위해 예시된 것이다. 가속도를 예측하기 위한 다른 기술들이 또한 본 발명의 광범위한 양태들에 포함된다.
전력 요구량 예측기를 평가하기 위해, 다음과 같은 세 가지 유형의 오프라인/운전 데이터가 입력으로서 필요하다: (i) 도로 정보(
Figure 112016098820659-pct00081
), (ⅱ) 실제 운전 데이터(
Figure 112016098820659-pct00082
) 및 (ⅲ) 측정된 전력 소모(
Figure 112016098820659-pct00083
). 도 11에 도시된 바와 같이, 다음과 같은 세 개의 보편화된 툴로부터 실제의 또는 현실의 데이터를 제공하는 PRP의 에뮬레이터(emulator)가 설계되었다: Google Maps API, NGSIM, 및 CarSim.
Google Maps API는 개발자들이 도로 종류, 제한 속도 및 GPS 데이터에 따른 고도를 포함하는 도로 정보 데이터베이스에 접근할 수 있게 해주는 맵-기반 애플리케이션들을 구축할 수 있게 해 준다
NGSIM(next generation simulation program)은 US DOT에 의해 개시되었으며, 미시적 모델링(microscopic modeling)에 주 초점을 맞춘 교통 시뮬레이션을 지원하는 오픈 거동 알고리즘(open behavioral algorithms)의 핵심이 되었다. NGSIM는 새로운 알고리즘들을 테스트하기 위해 고품질의 1차 트래픽과 궤적 데이터를 수집하며, 이에 따라 실제의 운전 데이터를 제공한다. 차량의 식별 번호, 차량의 순간 속도 및 가속도, 어느 차량과 선행 차량의 전방-중심(front-center) 사이의 거리를 포함하는 차량 궤적 데이터가 사용된다.
CarSim은 사용자들이 다양한 환경에서 차량 프로그램을 설계, 개발, 테스트,계획할 수 있게 하는 차량 모델 시뮬레이터이다. 이것은 지정된 도로의 종류와 경사도에 따라, 승용차, 경주용 차량, 소형 트럭 및 유틸리티 차량의 동적 거동을 시뮬레이션할 수 있다. CarSim은 애니메이션(animations)을 제공하며, 또한 필요 전력을 출력하는데, 이것은 플롯, 분석될 수 있고, 또한 MATLAB, Excel 및 기타 최적화 도구와 같은 다른 소프트웨어에 전달될 수도 있다. 본 발명의 에뮬레이터에서는, 도 11에 도시된 바와 같이, CarSim이 NGSIM으로부터 차량 움직임 데이터를 수신한 후에, 필요 전력을 발생시킨다.
NGSIM 및 CarSim에 있어서는, 포장 도로를 가정하여, 205/55 R16 타이어를 가진 해치백 타입의 차량이 사용되었다. 또한 회생 브레이크 시스템(regenerative break system)이 없는 것으로 가정되었으며, 따라서, 필요 전력은 항상 음이 아니다. 양호한 도로 정보를 위해, Google Maps API로부터 캘리포니아주, 로스앤젤레스에 있는 남행 US-101인, 2005년 6월 15일의 교통량이 있는 도로에서 NGSIM가 차량을 테스트했다.
다음으로, 가속도 예측기 및 전력 요구량 예측기의 정확도가 평가되었다. 먼저, 필요 데이터의 샘플링 레이트, 필요 전력을 계산하고 배터리 셀들의 연결을 재구성하는 시간과 같은, 정확도를 저하시킬 수 있는 하드웨어 팩터들에 대해 설명한다. 이러한 팩터들 모두는 제조 비용과 관련되며; 만일 BMS에 고성능 센서, 프로세서, 및 신속-재구성 가능한 시스템이 구비되어 있다면, 예측 정확도에 대한 이러한 팩터들의 악영향은 감소될 것이다. 그러나, BMS 설계자들은 BMS의 비용 및 전력 소모를 줄이기 위해 저렴하고 저전력인 장치를 사용할 필요가 있으며, 이것은 결국 PRP의 정확도를 낮추게 된다. 이러한 팩터들에 의해 야기되는 부정확도는 하드웨어에 따라 달라지며, BMS가 물리적 데이터를 감지하고, 필요 전력을 계산하고, 그것들을 BMS로 통합하는데 시간을 소모하는 것은 불가피하다. 이러한 지연 시간을 해결하기 위해, 이러한 팩터들을 샘플링 레이트로서 추상화하고, 다음과 같은 세 가지 다른 레이트로 그것을 평가한다: 2Hz, 5Hz, 및 10Hz.
도 12에 도시된 바와 같이, 이러한 유한 샘플링 레이트는 예측 오차를 발생시킨다. 즉, 스텝 n-1에서 PRP가 스텝 n에 필요한 전력을 정확히 예측했다 할지라도, 스텝 n과 스텝 n+1 사이에 필요한 전력은 달라지게 되며, 그 결과 몇몇 오차를 발생시킨다. 또한, 이것은 가속도 예측을 대기하게 된다. 따라서, Opt-P(Opt-A)는 유한 샘플링 레이트에 기인하는 내재적 오차(inherent error)를 갖는 이러한 완벽한 전력(가속) 예측을 나타내는 것으로 놓도록 한다.
AP와 PRP의 정확도는 Opt-A와 비교되는, 다음의 가속도 예측 방법들로 나타내진다.
● Prev (이전 가속도)
● Prev+ (반응 강도가 있는 이전 가속도)
● Corr (과거 가속도와의 상관관계)
● CF (차량 추종 모델)
● RS (도로 분할)
● Uni(H) (이력-기반 방법들 중 하나를 이용한 가속도의 통합 예측, 즉, H는 Prev, Prev+, 또는 Corr 중 어느 하나)
먼저, 차량이 단일 도로 구간 내에 있을 경우에는, 가속도 예측 방법들을 비교한다. 가속도 예측의 정확성을 평가하기 위해, NGSIM가 제조한 운전 기록을 사용했으며, 차량의 다음 가속도를 예측하도록 각 예측 방법을 적응하였다. 아래의 표 3에 나타낸 바와 같이, 각 예측 방법의 성능을 비교하기 위해, 절대 예측 오차(absolute prediction errors)의 평균이 계산된다
평균 오차(
Figure 112016098820659-pct00084
)
예측 방법 2 Hz 5 Hz 10 Hz
Opt-A 0.795 0.369 0.168
Prev 1.518 0.989 0.556
Prev+ 1.566 1.128 0.461
Corr 1.465 1.016 0.444
CF 0.984 1.070 0.985
Uni(Prev+) 1.154 0.992 0.433
Uni(Corr) 1.162 0.948 0.448
전반적으로, 더 많은 정보가 다음 가속도를 예측하는데 이용될 수 있기 때문에, 샘플링 레이트가 높을수록 더 정확한 예측을 할 수 있다. 낮은 샘플링 레이트에서, CF에 의한 예측은, CF가 샘플링 레이트에 독립한 유일한 방법이므로, 더 적은 예측 오차를 보여준다. 한편, Prev, Prev+, 및 Corr와 같은, 이력-기반 가속도 예측들은 높은 샘플링 레이트에서 잘 수행되었다. Uni(·)는, 일반적으로 샘플링 레이트와 관계가 없는 다른 방법보다 더 정확한 가속도 예측을 이끌어 낸다. 한가지 예외는 2Hz에서의 CF에 의한 예측이며, 그 이유는 2Hz에서는 제한된 수의 운전 정보 샘플들이 존재하며, 그 결과 Uni(·)의 오차들이 운전자 반응 학습 중에 발생할 가능성이 높기 때문이다.
다음으로, 차량이 구간 경계들을 가로지를 경우, RS가 얼마나 유용한지를 보여준다. 도로 구간들 사이의 가속도를 예측하기 위해, 본 발명자들은 NGSIM 궤적 데이터에서 두 명의 운전자를 뽑았다. 선행 차량은 신호등이 적색으로 바뀌기 직전에 신호등을 통과하지만, 후행 차량은 신호등이 막 적색으로 바뀌었기 때문에 신호등에서 정지하게 된다. CF가 베이스라인 예측 방법으로서 사용되는 경우, RS가 있는/없는 가속도 예측의 정확성을 비교해 보도록 한다. 도 13에 도시된 바와 같이, 후행 차량이 신호등 때문에 가속을 할 수 없기 때문에, 그 후행 차량의 가속도에 대한 CF의 예측은 큰 평균 오차를 보여준다. 그러나, 본 도면에 도시된 바와 같이, 도로 분할은 다른 도로 구간들 사이의 가속도를 정확하게 예측할 수 있는 기회를 제공할 수 있다. 가속도 예측 평균 오차는 CF 및 RS가 있는 CF에 있어서, 각각 1.912 및 1.262이다
PRP의 정확성을 평가하기 위하여, 먼저, 수학식 (1)에서의 전력 요구량 모델을 평가하도록 한다. Opt-P 및 Opt-A는 소정 샘플링 주파수에 도달할 수 있는 더욱 정확한 전력 및 가속도를 예측할 수 있기 때문에, Opt-P 및 PRP를 Opt-A와 비교하도록 한다. 아래의 표 4에 나타나 있는 바와 같이, 이 둘 사이의 평균 오차의 차이는 미비하며, 이것은 사용되어진 전력 요구량 모델이 필요 전력의 예측에 충분히 정확하다는 것을 의미한다.
평균 오차(
Figure 112016098820659-pct00085
)
예측 방법 2 Hz 5 Hz 10 Hz
Opt-P 8.671 3.861 1.705
Opt-A가 있는 PRP 9.186 4.448 2.458
실제의 이전 전력 15.884 10.461 5.904
Prev+이 있는 PRP 17.198 11.212 5.202
Corr이 있는 PRP 12.567 10.368 4.962
CF가 있는 PRP 10.464 11.006 10.630
Uni(Prev+)가 있는 PRP 12.138 10.425 4.916
Uni(Corr)가 있는 PRP 10.891 10.220 5.068
Opt-P와 Opt-A는 이상적인 전력 및 가속도 예측들이기 때문에(따라서 불가능), PRP가 있는 가속도 예측 방법들 중 하나를 사용할 필요가 있으며; 표 4는 예측 오차를 요약하고 있으며, 도 14는 이 예측을 나타낸다. 현재의 실제 전력 소모를 다음의 전력 요구량으로서 사용하는 하나의 휴리스틱(heuristic)(실제 이전 전력)이 포함된다. 이 방식은 PRP를 사용하지 않음에 유의한다. 휴리스틱에 비해, Uni(Corr)가 있는 PRP는 일 도로 구간 내에서 2Hz에서 69.2 %, 5Hz에서 3.7 %, 10Hz에서 19.9 % 만큼의 예측 정확도의 향상을 보여준다. PRP를 다른 가속도 예측 방법과 비교하면, 전력 요구량을 예측할 시의 오차가 가속도 예측의 오차에 의해 지배되기 때문에, 그 경향(trend)은 AP의 정확도와 유사할 것이다. 예를 들어, Uni(Corr)는 일반적으로 PRP와 연관된 필요 전력에 대응하는 가속도을 예측하기 위한 최적의 방법들(그 중 하나)이다. 특히, CF가 있는 PRP와 비교했을 때, Uni(Co0rr)가 있는 PRP은, 5Hz에서 11.0 %, 10Hz에서 62.3% 만큼 실제 필요한 전력에 더 가깝게 예측한다.
EV들을 더 가볍고 덜 비싸게 만들기 위한 요구의 증대는 배터리의 크기와 용량에 엄격한 제한을 두게 된다. 따라서, 배터리 크기를 증가시키지 않으면서 배터리 용량을 확장시키는 개선된 BMS를 고안하는 것은 중요하다. 다수의 BMS들이 회복 및 레이트-용량 효과를 비롯한, 비선형 배터리 특성들을 이용하도록 제안되어 왔다.
기존 BMS들에 적응성 및 효율성을 도입하기 위해, 본 발명은 배터리 전력 요구량 예측(PRP)을 제안하였다. 이것은 BMS들이 안전하고 효율적으로 EV들에 전력을 공급하도록 배터리 셀들을 할당할 수 있게 하는데 필요한 배터리 전력량을 예측한다. 속도, 가속도, 도로 경사도 및 전력 소모와 같은 차량 활동을 기록하고 선형 회귀하면서, EV들을 위한 배터리 전력 요구량 모델의 정적 파라미터들을 업데이트한다. 그 동안에, PRP는 어쩌면 모델의 가장 중요한 동적 파라미터일 수 있는 가속도를, 운전자의 가속 패턴, 교통 흐름 및 법규들을 감안하여, 실시간으로 추정한다. PRP가 기존의 BMS들에서 보여진 단순한 휴리스틱 방법보다 가속도 예측을 크게 향상시킨다는 것을, 실제 실험 및 사실적인 시뮬레이션 평가가 보여줬다.
본 명세서에서 설명된 기술들은 하나 이상의 프로세서에 의해 실행되는 하나 이상의 컴퓨터 프로그램에 의해 구현될 수 있다. 컴퓨터 프로그램은 비-일시적 유형의 컴퓨터 판독가능 매체에 저장되는 프로세서-실행가능 명령들을 포함한다. 또한, 컴퓨터 프로그램은 저장된 데이터를 포함할 수도 있다. 비-일시적 유형의 컴퓨터 판독가능 매체의 비-제한적인 예는 비휘발성 메모리, 자기 스토리지, 및 광학 스토리지이다.
상술한 설명의 일부는 정보 연산의 알고리즘 및 기호 표현의 관점에서 본 명세서에 설명한 기술을 제공한다. 이들 알고리즘 설명 및 표현은 가장 효과적으로 다른 당업자에게 작업의 실체를 전달하기 위해 데이터 처리 분야의 당업자에 의해 사용되는 수단이다. 이들 연산이, 기능적 또는 논리적으로 설명되었지만, 이들은 컴퓨터 프로그램에 의해 구현될 것으로 이해된다. 또한, 일반성의 상실 없이, 이러한 모듈로서 또는 기능적 명칭에 의하여 동작들의 배치를 나타내는 것이 경우에 따라 편리하다는 것은 입증되었다.
상기 설명으로부터 명백한 바와 다르게 구체적으로 언급되지 않는다면, 설명 전반에 걸쳐, "처리" 또는 "컴퓨팅" 또는 "계산" 또는 "결정" 또는 "표시" 등과 같은 용어를 이용한 설명들은, 컴퓨터 시스템 메모리 또는 레지스터 또는 다른 그러한 정보 스트로지, 송신 또는 디스플레이 장치들 내의 물리적(전자적) 양들로서 표현되는 데이터를 조작 및 변환하는, 컴퓨터 시스템, 또는 이와 유사한 전자적 컴퓨팅 장치의 동작 및 프로세스를 지칭하는 것으로 이해된다.
설명된 기술의 특정 양태는 알고리즘 형태로 본 명세서에서 설명된 프로세스 단계들 및 명령들을 포함한다. 전술한 프로세스 단계들 및 명령들은 소프트웨어, 펌웨어 또는 하드웨어로 구현될 수 있으며, 소프트웨어에서 구현되는 경우에는, 다운로드되어 상주할 수도 있고 또한 실시간 네트워크 운영 시스템에 의해 사용되는 다른 플랫폼으로부터 동작될 수도 있음에 유의해야 한다.
또한, 본 발명은 본 명세서에서의 동작들을 수행하는 장치에 관한 것이다. 이 장치는 필요한 목적을 위해 특별히 구성될 수 있으며, 또는 선택적으로 활성화되거나 또는 컴퓨터에 의해 액세스될 수 있는 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램에 의해 재구성되는 범용 컴퓨터를 포함할 수도 있다. 이러한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 저장 매체, 예를 들어, 플로피 디스크, 광 디스크, CD-ROM, 자기-광 디스크를 포함하는 임의의 타입의 디스크, ROM(read-only memory), RAM(random access memory), EPROM, EEPROM, 자기 또는 광 카드, ASIC(application specific integrated circuit) 또는 그 각각이 컴퓨터 시스템 버스에 커플링되는 전자 명령들을 저장하는데 적합한 임의 타입의 매체에 저장될 수 있으며, 이에 한정되지 않는다. 또한, 본 명세서에서 언급되는 컴퓨터는 단일 프로세서를 포함할 수 있으며 또는 컴퓨팅 기능 증대를 위해 다중 프로세서 설계를 채용한 아키텍쳐일 수도 있다.
본 명세서에서 설명된 기술들은 하나 이상의 프로세서에 의해 실행되는 하나 이상의 컴퓨터 프로그램에 의해 구현될 수 있다. 컴퓨터 프로그램은 비-일시적 유형의 컴퓨터 판독가능 매체에 저장되는 프로세서-실행가능 명령들을 포함한다. 또한, 컴퓨터 프로그램은 저장된 데이터를 포함할 수도 있다. 비-일시적 유형의 컴퓨터 판독가능 매체의 비-제한적인 예는 비휘발성 메모리, 자기 스토리지, 및 광학 스토리지이다.
상술한 설명의 일부는 정보 연산의 알고리즘 및 기호 표현의 관점에서 본 명세서에 설명한 기술을 제공한다. 이들 알고리즘 설명 및 표현은 가장 효과적으로 다른 당업자에게 작업의 실체를 전달하기 위해 데이터 처리 분야의 당업자에 의해 사용되는 수단이다. 이들 연산이, 기능적 또는 논리적으로 설명되었지만, 이들은 컴퓨터 프로그램에 의해 구현될 것으로 이해된다. 또한, 일반성의 상실 없이, 이러한 모듈로서 또는 기능적 명칭에 의하여 동작들의 배치를 나타내는 것이 경우에 따라 편리하다는 것은 입증되었다. 주어진 모듈 내에서의 동작들의 그룹핑은 제한되지 않으며, 동작들은 복수의 모듈들 간에서 공유되거나 또는 하나의 모듈로 결합될 수도 있다.
상기 설명으로부터 명백한 바와 다르게 구체적으로 언급되지 않는다면, 설명 전반에 걸쳐, "처리" 또는 "컴퓨팅" 또는 "계산" 또는 "결정" 또는 "표시" 등과 같은 용어를 이용한 설명들은, 컴퓨터 시스템 메모리 또는 레지스터 또는 다른 그러한 정보 스트로지, 송신 또는 디스플레이 장치들 내의 물리적(전자적) 양들로서 표현되는 데이터를 조작 및 변환하는, 컴퓨터 시스템, 또는 이와 유사한 전자적 컴퓨팅 장치의 동작 및 프로세스를 지칭하는 것으로 이해된다.
설명된 기술의 특정 양태는 알고리즘 형태로 본 명세서에서 설명된 프로세스 단계들 및 명령들을 포함한다. 전술한 프로세스 단계들 및 명령들은 소프트웨어, 펌웨어 또는 하드웨어로 구현될 수 있으며, 소프트웨어에서 구현되는 경우에는, 다운로드되어 상주할 수도 있고 또한 실시간 네트워크 운영 시스템에 의해 사용되는 다른 플랫폼으로부터 동작될 수도 있음에 유의해야 한다.
또한, 본 발명은 본 명세서에서의 동작들을 수행하는 장치에 관한 것이다. 이 장치는 필요한 목적을 위해 특별히 구성될 수 있으며, 또는 선택적으로 활성화되거나 또는 컴퓨터에 의해 액세스될 수 있는 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램에 의해 재구성되는 범용 컴퓨터를 포함할 수도 있다. 이러한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 저장 매체, 예를 들어, 플로피 디스크, 광 디스크, CD-ROM, 자기-광 디스크를 포함하는 임의의 타입의 디스크, ROM(read-only memory), RAM(random access memory), EPROM, EEPROM, 자기 또는 광 카드, ASIC(application specific integrated circuit) 또는 그 각각이 컴퓨터 시스템 버스에 커플링되는 전자 명령들을 저장하는데 적합한 임의 타입의 매체에 저장될 수 있으며, 이에 한정되지 않는다. 또한, 본 명세서에서 언급되는 컴퓨터는 단일 프로세서를 포함할 수 있으며 또는 컴퓨팅 기능 증대를 위해 다중 프로세서 설계를 채용한 아키텍쳐일 수도 있다.
본 명세서에서 제시된 알고리즘 및 연산은 본질적으로 임의의 특정 컴퓨터 또는 다른 장치에 관한 것이 아니다. 다양한 전자 제어 유닛이 본 명세서의 교시에 따른 프로그램과 함께 사용될 수 있으며, 또는 요구된 방법 단계들을 수행하기 위해 보다 전문화된 장치를 구성하는 것이 편리하다는 것은 증명될 수 있다. 이러한 다양한 시스템에 필요한 구조는 상응하는 변화와 함께 당업자에게 명백할 것이다. 또한, 본 발명은 임의의 특정 프로그래밍 언어를 참조하여 설명되지 않는다. 다양한 프로그래밍 언어가 본 명세서에서 설명된 본 발명의 교시를 구현하는데 사용될 수도 있다.
실시예들에 대한 상기 설명은 예시 및 설명의 목적으로 제공되었다. 이것은 본 발명을 한정 또는 제한하는 것으로 의도되지 않는다. 특정 실시예의 개별 요소들 또는 특징들은 일반적으로 특정 실시예로 제한되지 않으며, 구체적으로 도시 또는 설명되지 않은 경우라도, 적용가능한 경우에는, 그것들이 상호교환될 수 있고, 선택된 실시예에서 사용될 수도 있다. 또한, 동일한 것이 다른 방식으로 변경될 수도 있다. 이러한 변형은 본 발명으로부터 벗어나는 것으로 간주되지 않으며, 이러한 모든 변형은 본 발명의 범위 내에 포함되는 것으로 의도된다.

Claims (18)

  1. 차량이 지나가는 경로를 따르는 배터리 전력 요구량을 예측하기 위한 컴퓨터-구현되는 방법으로서,
    상기 차량에 전력을 공급하는 배터리 셀들을 위한 전력 요구량 모델(power requirement model)을 규정하는 단계로서, 상기 전력 요구량 모델은 하나 이상의 계수들을 가지며 또한 상기 배터리 셀들에 대한 전력 요구량을 상기 차량의 속도 및 상기 차량의 가속도의 함수로서 출력하는, 상기 규정하는 단계;
    상기 경로를 따르는 도로를 복수의 도로 구간(road segment)들로 분할하는 단계;
    상기 복수의 도로 구간들의 소정 도로 구간을 따르는 상기 차량에 대한 속도 및 가속도를 결정하는 단계;
    상기 차량이 상기 소정 도로 구간을 지나가는 동안의 상기 차량의 상기 배터리 셀들에 대한 전력 요구량을 예측하는 단계로서, 상기 전력 요구량은 결정되어진 상기 소정 도로 구간을 따르는 상기 차량의 속도, 결정되어진 상기 도로 구간을 따르는 상기 차량의 가속도 및 상기 전력 요구량 모델을 사용하여 예측되는, 상기 예측하는 단계;
    상기 차량이 상기 소정 도로 구간을 지나가는 동안에 상기 예측되어진 전력 요구량에 따라 상기 배터리 셀들을 설정하는 단계; 및
    상기 도로의 경사도 및 상기 도로에 따른 속도 제한에 따라서, 상기 경로를 따르는 도로를 분할하는 단계를 포함하는, 방법.
  2. 삭제
  3. 제 1 항에 있어서,
    상기 소정 도로 구간에 대한 경사도를 결정하는 단계를 더 포함하며,
    상기 전력 요구량 모델은 아래의 수학식으로서 더 규정되고,
    Figure 112016098820659-pct00086

    여기서, V는 상기 차량의 속도이고, a는 상기 차량의 가속도이고, θ는 도로 경사도이며, 또한 c1, c2, c3 및 c4는 계수들인, 방법.
  4. 제 1 항에 있어서,
    상기 차량의 속도, 상기 차량의 가속도 및 상기 차량이 상기 경로를 지나갈 시의 상기 배터리 셀들에 대한 전력 요구량의 측정들을 파악하는 단계; 및
    선형 회귀를 사용하여, 상기 파악된 속도, 가속도 및 전력 요구량의 측정들로부터 상기 전력 요구량 모델의 계수들을 추정하는 단계를 더 포함하는, 방법.
  5. 제 1 항에 있어서,
    상기 차량과 상기 경로를 지나가는 다른 차량 간의 상대 속도, 소정 도로 구간들에 대한 속도 제한에 기초하여, 소정 도로 구간에서의 상기 차량의 가속도를 결정하는 단계를 더 포함하는, 방법.
  6. 제 1 항에 있어서,
    상기 배터리 셀들을 설정하는 단계는, 예측되어진 상기 소정 도로 구간을 지나가는 동안의 상기 차량의 전력 요구량에 부분적으로 기초하여, 상기 차량의 전기 부하에 배터리 셀들을 할당하는 것을 더 포함하는, 방법.
  7. 차량이 일 경로를 지나갈 시의 상기 차량에서의 배터리 셀들의 전력 소모를 관리하기 위한 컴퓨터-구현되는 방법으로서, 상기 경로는 복수의 도로 구간들로 분할되며,
    배터리 매니저에 의하여, 상기 차량에 전력을 공급하는 배터리 셀들을 위한 전력 요구량 모델을 규정하는 단계로서, 상기 전력 요구량 모델은 하나 이상의 계수들을 가지며 또한 상기 배터리 셀들에 대한 전력 요구량을 상기 차량의 속도, 상기 차량의 가속도 및 도로의 경사도의 함수로서 출력하는, 상기 규정하는 단계;
    상기 배터리 매니저에 의하여, 상기 복수의 도로 구간들의 소정 도로 구간을 식별하는 단계;
    상기 배터리 매니저에 의하여, 선형 회귀 방법을 사용하여, 상기 전력 요구량 모델에 대한 계수들을 추정하는 단계;
    상기 배터리 매니저에 의하여, 상기 소정 도로 구간에 대한 경사도를 결정하는 단계;
    상기 배터리 매니저에 의하여, 상기 소정 도로 구간에서의 상기 차량의 가속도를 예측하는 단계;
    상기 배터리 매니저에 의하여, 상기 소정 도로 구간에서의 상기 차량의 속도를 계산하는 단계;
    상기 배터리 매니저에 의하여, 상기 소정 도로 구간에서의 상기 배터리 셀들에 대한 전력 요구량을 예측하는 단계로서, 상기 전력 요구량은 상기 추정되어진 계수들, 상기 소정 도로 구간에 대한 경사도, 상기 예측되어진 가속도, 상기 계산되어진 속도 및 상기 전력 요구량 모델을 사용하여 예측되는, 상기 예측하는 단계; 및
    상기 배터리 매니저에 의하여, 상기 차량이 상기 소정 도로 구간을 지나가는 동안에 상기 예측되어진 전력 요구량에 따라 상기 배터리 셀들을 설정하는 단계를 포함하며,
    상기 배터리 매니저는 컴퓨터 프로세서에 의해 구현되는, 방법.
  8. 제 7 항에 있어서,
    상기 차량이 상기 경로를 지나갈 시에 상기 차량을 모니터링하여, 상기 소정 도로 구간에 진입하면, 상기 예측되어진 전력 요구량에 따라 상기 배터리 셀들을 설정하는 단계를 더 포함하는, 방법.
  9. 제 7 항에 있어서,
    상기 차량이 상기 경로를 지나갈 시에 상기 차량을 모니터링하여, 상기 소정 도로 구간에 진입하면, 다음의 도로 구간에서의 상기 배터리 셀들에 대한 전력 요구량을 예측하는 단계를 더 포함하는, 방법.
  10. 제 7 항에 있어서,
    상기 소정 도로 구간을 식별하는 단계는 상기 도로의 경사도 및 상기 도로를 따르는 속도 제한에 따라 상기 경로를 따르는 도로를 분할하는 것을 더 포함하는, 방법.
  11. 제 7 항에 있어서,
    상기 전력 요구량 모델은 아래의 수학식으로서 더 규정되고,
    Figure 112016098820659-pct00087

    여기서, V는 상기 차량의 속도이고, a는 상기 차량의 가속도이고, θ는 도로 경사도이며, 또한 c1, c2, c3 및 c4는 계수들인, 방법.
  12. 제 7 항에 있어서,
    지형도(topographical map)로부터 상기 소정 도로 구간에 대한 경사도를 결정하는 단계를 더 포함하는, 방법.
  13. 제 7 항에 있어서,
    상기 차량과 상기 경로를 지나가는 다른 차량 간의 상대 속도, 소정 도로 구간들에 대한 속도 제한에 기초하여, 소정 도로 구간에서의 상기 차량의 가속도를 예측하는 단계를 더 포함하는, 방법.
  14. 제 7 항에 있어서,
    상기 배터리 셀들을 설정하는 단계는, 예측되어진 상기 배터리 셀들에 대한 전력 요구량에 부분적으로 기초하여, 상기 차량의 전기 부하에 배터리 셀들을 할당하는 것을 더 포함하는, 방법.
  15. 전기 차량에서 사용하기 위한 배터리 관리 시스템으로서,
    차량이 일 경로를 지나갈 시의 상기 차량을 모니터링하며 또한 상기 경로를 따르는 도로를 복수의 도로 구간들로 분할하도록 동작하게 구성되는 차량 모니터;
    상기 차량에 전력을 공급하는 배터리 셀들에 대한 전력 요구량을 예측하며 데이터 저장소에 상주하는 전력 요구량 모델로서, 상기 전력 요구량 모델은 하나 이상의 계수들을 규정하며 또한 상기 배터리 셀들에 대한 전력 요구량을 상기 차량의 속도, 상기 차량의 가속도 및 도로의 경사도의 함수로서 출력하는, 상기 전력 요구량 모델;
    소정 도로 구간에 대한 경사도를 검색하며 또한 상기 소정 도로 구간에서의 상기 차량의 속도 및 상기 소정 도로 구간에서의 상기 차량의 가속도를 결정하도록 동작하게 구성되는 전력 예측기로서, 상기 전력 예측기는 상기 전력 요구량 모델에 액세스하여 상기 소정 도로 구간에 대한 상기 경사도, 상기 소정 도로 구간에서의 상기 가속도, 상기 소정 도로 구간에서의 상기 속도 및 상기 전력 요구량 모델을 사용하여 상기 소정 도로 구간에서의 상기 배터리 셀들에 대한 전력 요구량을 예측하도록 더 동작하는, 상기 전력 예측기; 및
    상기 전력 예측기 및 상기 배터리 셀들과 인터페이스하며 또한 예측되어진 상기 차량의 전력 요구량에 부분적으로 기초하여, 상기 차량의 전기 부하에 배터리 셀들을 할당하도록 동작하는 배터리 설정기를 포함하며,
    상기 차량 모니터, 상기 전력 예측기 및 상기 배터리 설정기는 상기 차량에 상주하는 컴퓨터 프로세서에 의해 구현되는, 배터리 관리 시스템.
  16. 제 15 항에 있어서,
    상기 차량 모니터는 상기 복수의 도로 구간들과 관련하여 상기 차량을 추적하며, 상기 전력 예측기는 상기 소정 도로 구간에 진입한 경우의 상기 배터리 셀들에 대한 상기 전력 요구량을 예측하는, 배터리 관리 시스템.
  17. 제 15 항에 있어서,
    상기 차량 모니터는 상기 복수의 도로 구간들과 관련하여 상기 차량을 추적하며, 상기 배터리 설정기는 상기 소정 도로 구간에 진입한 경우의 상기 소정 도로 구간에 대한 전기 부하에 배터리 셀들을 할당하는, 배터리 관리 시스템.
  18. 제 15 항에 있어서,
    상기 전력 요구량 모델은 아래의 수학식으로서 더 규정되고,
    Figure 112016098820659-pct00088

    여기서, V는 상기 차량의 속도이고, a는 상기 차량의 가속도이고, θ는 도로 경사도이며, 또한 c1, c2, c3 및 c4는 계수들인, 배터리 관리 시스템.
KR1020167028372A 2014-03-24 2015-03-24 전기 차량의 배터리 전력 요구량 예측 KR102291222B1 (ko)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201461969283P 2014-03-24 2014-03-24
US61/969,283 2014-03-24
PCT/US2015/022159 WO2015148451A1 (en) 2014-03-24 2015-03-24 Prediction of battery power requirements for electric vehicles
US14/666,369 US9493089B2 (en) 2014-03-24 2015-03-24 Prediction of battery power requirements for electric vehicles
US14/666,369 2015-03-24

Publications (2)

Publication Number Publication Date
KR20160135265A KR20160135265A (ko) 2016-11-25
KR102291222B1 true KR102291222B1 (ko) 2021-08-19

Family

ID=54141303

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020167028372A KR102291222B1 (ko) 2014-03-24 2015-03-24 전기 차량의 배터리 전력 요구량 예측

Country Status (4)

Country Link
US (1) US9493089B2 (ko)
KR (1) KR102291222B1 (ko)
CN (1) CN106458049B8 (ko)
WO (1) WO2015148451A1 (ko)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3104122A1 (en) * 2015-06-12 2016-12-14 Ecole Nationale de l'Aviation Civile Energy management system for vehicles
DE102016206800A1 (de) * 2016-04-21 2017-10-26 Bayerische Motoren Werke Aktiengesellschaft Verfahren, Vorrichtung und mobiles Anwendergerät zur Anpassung einer Energieversorgung eines Antriebssystems eines Fahrzeugs
US10467824B2 (en) * 2016-04-26 2019-11-05 Walter Steven Rosenbaum Method for determining driving characteristics of a vehicle and vehicle analyzing system
DE102016009016A1 (de) 2016-07-23 2017-02-16 Daimler Ag Energiespeicher für ein Kraftfahrzeug und Verfahren zum Betreiben eines Energiespeichers für ein Kraftfahrzeug
EP3285352A1 (en) * 2016-08-18 2018-02-21 Honeywell spol s.r.o. Battery pack cell active balancing
FR3057951B1 (fr) * 2016-10-25 2020-07-17 IFP Energies Nouvelles Procede de determination d'un itineraire minimisant la depense energetique d'un vehicule au moyen d'un graphe adjoint
US10457289B2 (en) 2017-03-02 2019-10-29 Toyota Motor Engineering & Manufacturing North America, Inc. Acceleration learning/prediction from learned deceleration area
US10252710B2 (en) 2017-05-10 2019-04-09 Toyota Motor Engineering & Manufacturing North America, Inc. Utilizing missed prediction
US10683002B2 (en) * 2017-06-27 2020-06-16 Toyota Motor Engineering & Manufacturing North America, Inc. Efficient acceleration from surrounding vehicles
US10953880B2 (en) 2017-09-07 2021-03-23 Tusimple, Inc. System and method for automated lane change control for autonomous vehicles
US10953881B2 (en) 2017-09-07 2021-03-23 Tusimple, Inc. System and method for automated lane change control for autonomous vehicles
US10649458B2 (en) 2017-09-07 2020-05-12 Tusimple, Inc. Data-driven prediction-based system and method for trajectory planning of autonomous vehicles
US10782693B2 (en) * 2017-09-07 2020-09-22 Tusimple, Inc. Prediction-based system and method for trajectory planning of autonomous vehicles
US10960873B2 (en) 2018-02-13 2021-03-30 Ford Global Technologies, Llc System and method for a range extender engine of a hybrid electric vehicle
KR101854871B1 (ko) * 2018-02-22 2018-05-04 주식회사 에드원 전기자동차 충전 장치 및 방법
KR101870285B1 (ko) * 2018-02-22 2018-06-22 주식회사 에드원 전기자동차의 연속적 충전을 위한 시스템 및 방법
DE102018207006A1 (de) * 2018-05-07 2019-11-07 Audi Ag Verfahren zur Ermittlung einer prädizierten Beschleunigungsinformation in einem Elektrokraftfahrzeug und Elektrokraftfahrzeug
KR102165989B1 (ko) * 2018-05-16 2020-10-15 한국과학기술원 전기 자동차의 주행 파라미터 결정 방법 및 장치
KR102173246B1 (ko) * 2018-05-16 2020-11-03 한국과학기술원 전기자동차의 주행 파라미터 결정방법
KR20200040969A (ko) * 2018-10-10 2020-04-21 현대자동차주식회사 전기차 경로 안내 장치 및 방법
DE102018221723A1 (de) * 2018-12-14 2020-06-18 Audi Ag Schutzsystem und Verfahren zum Schützen einer Batterie eines Fahrzeugs
CN109733248B (zh) * 2019-01-09 2020-07-24 吉林大学 基于路径信息的纯电动汽车剩余里程模型预测方法
CN110806745B (zh) * 2019-12-03 2022-12-02 徐汇 一种能源供给自动化设备及控制方法
KR102476371B1 (ko) 2021-01-05 2022-12-09 주식회사 현대케피코 차량의 전비 산출방법
CN113341331B (zh) * 2021-05-31 2022-12-13 湖北亿纬动力有限公司 一种复合电源工作寿命的预测方法以及装置
US11601435B1 (en) 2021-06-07 2023-03-07 Wells Fargo Bank, N.A. System and method for graduated deny lists
US11722459B1 (en) 2021-06-07 2023-08-08 Wells Fargo Bank, N.A. Cumulative sum model for IP deny lists
US11855989B1 (en) 2021-06-07 2023-12-26 Wells Fargo Bank, N.A. System and method for graduated deny list
CN113361790A (zh) * 2021-06-17 2021-09-07 东南大学 一种高原地区上坡路段车辆的运行速度预测方法
CN113744430B (zh) * 2021-08-11 2023-06-06 佛山仙湖实验室 一种基于道路变化的汽车行驶需求功率预测方法
CN114818316A (zh) * 2022-04-22 2022-07-29 清华大学 基于锂离子电池电化学模型的功率出力可行域估计方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100753469B1 (ko) 2006-02-28 2007-08-31 연세대학교 산학협력단 배터리의 화학적 특성을 이용한 이동기기의 전력 관리 방법

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6554088B2 (en) * 1998-09-14 2003-04-29 Paice Corporation Hybrid vehicles
US6362602B1 (en) * 2001-05-03 2002-03-26 Ford Global Technologies, Inc. Strategy to control battery state of charge based on vehicle velocity
DE10150378A1 (de) * 2001-10-11 2003-04-17 Bosch Gmbh Robert Verfahren und Vorrichtung zur Ermittlung der in einem Bordnetz verfügbaren elektrischen Leistung
DE10233821A1 (de) * 2002-07-25 2004-02-05 Daimlerchrysler Ag Verfahren und Anordnung zur Steuerung der Energieversorgung einer wenigstens einen elektrischen Antriebsmotor aufweisenden, mobilen Vorrichtung mit einem hybriden Energiesystem, das ein Brennstoffzellensystem und ein dynamisches Energiesystem enthält
KR100759706B1 (ko) * 2005-05-11 2007-09-17 주식회사 엘지화학 하이브리드 차량용 배터리의 충전상태 추정 방법
US8712650B2 (en) * 2005-11-17 2014-04-29 Invent.Ly, Llc Power management systems and designs
KR101057071B1 (ko) * 2008-11-04 2011-08-16 한국철도기술연구원 직렬형 하이브리드 추진장치의 전력공급원의 성능시험을 위한 시스템
KR101122598B1 (ko) * 2009-02-15 2012-03-19 김래영 배터리 셀 균등 충전 장치
JP5565787B2 (ja) * 2009-06-12 2014-08-06 アルパイン株式会社 ナビゲーション装置
JP5135308B2 (ja) * 2009-09-09 2013-02-06 クラリオン株式会社 エネルギ消費量予測方法、エネルギ消費量予測装置および端末装置
CN102781713B (zh) * 2010-01-21 2015-12-02 电子能量发动机系统有限责任公司 碳氢燃料电系列混合推进系统
EP2465721A1 (en) 2010-12-16 2012-06-20 Alcatel Lucent System and methods for predicting energy requirements of a plurality of electric energy vehicles
KR101317686B1 (ko) 2010-12-27 2013-10-15 한국과학기술원 온라인 전기자동차의 전주기 공조제어 장치 및 방법
US20120296512A1 (en) * 2011-04-26 2012-11-22 University Of Cincinnati Method and system for electric vehicle battery prognostics and health management
JP5454537B2 (ja) * 2011-09-22 2014-03-26 株式会社デンソー 電動車両の充電制御システム
KR101407401B1 (ko) * 2012-06-29 2014-06-17 서울대학교산학협력단 주행정보를 이용한 하이브리드 차량의 동력 제어 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100753469B1 (ko) 2006-02-28 2007-08-31 연세대학교 산학협력단 배터리의 화학적 특성을 이용한 이동기기의 전력 관리 방법

Also Published As

Publication number Publication date
KR20160135265A (ko) 2016-11-25
CN106458049A (zh) 2017-02-22
CN106458049B (zh) 2019-01-22
US20150266390A1 (en) 2015-09-24
CN106458049B8 (zh) 2019-09-10
WO2015148451A1 (en) 2015-10-01
US9493089B2 (en) 2016-11-15

Similar Documents

Publication Publication Date Title
KR102291222B1 (ko) 전기 차량의 배터리 전력 요구량 예측
KR102468895B1 (ko) 배터리의 상태를 추정하는 방법 및 장치
US11325494B2 (en) Systems, methods, and storage media for determining a target battery charging level for a drive route
US9616771B2 (en) Method of managing the energy consumed by an automotive vehicle and system implementing such a method
EP3850551A1 (en) Systems and methods for managing energy storage systems
JP2020170699A (ja) 電池パックの放電プロファイルを予測するためのシステム、方法および記憶媒体
KR20160000317A (ko) 배터리의 상태 정보를 학습 및 추정하는 장치 및 방법
US20230139003A1 (en) Systems and methods for managing velocity profiles
CN110816549A (zh) 能源管理装置、模型管理方法以及计算机程序
Doan et al. Allocation of wireless power transfer system from viewpoint of optimal control problem for autonomous driving electric vehicles
KR102368286B1 (ko) 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치
WO2023114033A1 (en) Energy consumption prediction for machine
CN114013284B (zh) 一种车辆续航里程的计算方法和系统
Boehme et al. Application of an optimal control problem to a trip-based energy management for electric vehicles
US20230393204A1 (en) System and method for battery management
Shao et al. Machine learning enabled traffic prediction for speed optimization of connected and autonomous electric vehicles
US20210101606A1 (en) Nonautonomous vehicle speed prediction with autonomous vehicle reference
KR102382195B1 (ko) 전기 자동차의 배터리 충전 정보 추정 장치 및 방법
KR102015168B1 (ko) 전기 자동차의 주행거리 예측 방법 및 장치
CN112613128A (zh) 续航里程的预测方法、装置、设备、车辆和存储介质
CN112202890A (zh) 车辆驾驶风险的预警方法、装置和计算机设备
PUSHPARAJ Battery aging control for electric vehicles
Liu et al. Short-Term Vehicle Velocity Forecasting via Cycle Segmentation Model Selection
CN117841687A (zh) 电动车辆续航里程的预估方法、预估装置和存储介质
CN116278571A (zh) 车辆控制方法、装置、设备及存储介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant