KR102368286B1 - 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치 - Google Patents

자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치 Download PDF

Info

Publication number
KR102368286B1
KR102368286B1 KR1020150032722A KR20150032722A KR102368286B1 KR 102368286 B1 KR102368286 B1 KR 102368286B1 KR 1020150032722 A KR1020150032722 A KR 1020150032722A KR 20150032722 A KR20150032722 A KR 20150032722A KR 102368286 B1 KR102368286 B1 KR 102368286B1
Authority
KR
South Korea
Prior art keywords
data
vehicle
drivable distance
estimation
driving
Prior art date
Application number
KR1020150032722A
Other languages
English (en)
Other versions
KR20160049950A (ko
Inventor
모연 초우
전바롬
하비발라 라히미 에이치
여태정
Original Assignee
삼성전자주식회사
노쓰 캐롤라이나 스테이트 유니버시티
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 삼성전자주식회사, 노쓰 캐롤라이나 스테이트 유니버시티 filed Critical 삼성전자주식회사
Priority to US14/924,566 priority Critical patent/US9849802B2/en
Publication of KR20160049950A publication Critical patent/KR20160049950A/ko
Application granted granted Critical
Publication of KR102368286B1 publication Critical patent/KR102368286B1/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
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • 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
    • B60L2260/52—Control modes by future state prediction drive range estimation, e.g. of estimation of available travel distance
    • 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
    • Y02T10/7072—Electromobility specific charging systems or methods for batteries, ultracapacitors, supercapacitors or double-layer capacitors
    • 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
    • Y02T90/12—Electric charging stations

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Navigation (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치가 개시된다. 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치는 자동차 주행 가능 거리의 추정과 관련된 적어도 하나의 속성 데이터를 수집하고, 수집된 속성 데이터와 주행 가능 거리 사이의 상관 관계를 판단하여 주행 가능 거리 추정 모델을 생성하고, 주행 가능 거리 추정 모델과 속성 데이터 사이의 민감도를 계산하여 자동차 주행 가능 거리 추정과 관련된 데이터를 분석할 수 있다.

Description

자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치{METHOD AND APPARATUS FOR ANALYSING DATA RELATED TO VEHICLE RANGE ESTIMATION}
아래의 실시 예들은 주행 가능 거리 추정과 관련된 데이터를 분석하는 방법 및 장치에 관한 것이다.
산업계는 전기 자동차의 주행 가능 거리에 대한 불안이 전기 자동차의 낮은 구매율의 중요한 요인임을 발견하였다. 이러한 불안은 현재 기술로는 전기 자동차의 잔여 주행 가능 거리를 정확하게 추정할 수 없기 때문에 주로 발생한다.
기존의 전기자동차 주행가능 거리 추정 기술은 제한적으로 수집된 데이터를 활용한다. 일부 방법은 배터리의 전기 화학적 거동에 더 중점을 두며, 일부 방법은 상이한 운전 패턴의 식별에 집중한다. 또한, GPS 데이터 및 제조업체가 제공하는 차량 데이터와 단순화된 EV 파워 트레인 모델을 더 많이 고려하는 몇 가지 다른 방법들이 있다. 마지막으로, 일부 기술은 전기자동차 주행가능 거리 추정을 위하여 아홉 가지 요소들을 고려 하기도 한다. 그러나, 환경 및 동작 조건이 변화함에 따라 거리 추정 알고리즘의 민감도와 신뢰도는 변화하게 된다. 따라서, 정확한 주행가능 거리 추정을 위해서는 거리 추정에 관련된 모든 데이터를 처리할 수 있는 구조를 고려하여야 한다.
전기 자동차의 주행 가능 거리와 관련된 실시간 데이터를 관찰, 측정 및 차량 또는 클라우드에 저장하기 위한 다양한 센서, 광대역 통신 시스템, 값싼 메모리들이 늘어남에 따라 전기자동차에서 수집되는 데이터의 양은 빠르게 늘어나고 있다. 엄청나게 많은 양의 데이터는 구조화되지 않은 방법으로 정확도, 해상도, 관련성이 상이한 수준을 갖는다. 전체 시스템의 성능을 현저하게 향상시키기 위하여 거대하고 다양한 구조화되지 않은 데이터를 다루는 빅데이터 기술이 부각되기 시작하였다. 빅데이터 개념과 기술의 적절한 사용을 통해 전기자동차의 주행가능 거리 추정은 현저하게 개선될 수 있다.
일실시예에 따르면, 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법은, 자동차 주행 가능 거리의 추정과 관련된 적어도 하나의 속성 데이터를 수집하는 단계, 상기 속성 데이터와 상기 자동차 주행 가능 거리 간의 연관성을 분석하는 단계, 상기 분석된 연관성을 기초로 자동차 주행 가능 거리 추정 모델을 생성하는 단계 및 상기 자동차 주행 가능 거리 추정 모델과 상기 속성 데이터 사이의 민감도를 분석하는 단계를 포함할 수 있다.
이때, 연관성을 분석하는 단계는, 상기 속성 데이터가 자동차 주행에 따라 변하는 비 결정론적 데이터인 경우에 응답하여, 상기 속성 데이터를 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류하는 단계 및 상기 카테고리와 상기 자동차 주행 가능 거리 간의 연관성을 분석하는 단계를 포함할 수 있다.
일 측에 따르면, 속성 데이터는, 자동차 주행에 따라 변하지 않는 결정론적 데이터인 기준 데이터(standard data), 운전자의 과거 확률적 행동 기반의 과거 데이터(historical data) 및 현재 자동차 주행 데이터와 관련된 실시간 데이터(real-time data) 중 적어도 하나를 포함할 수 있다.
일 측에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법은, 상기 분석된 민감도를 피드백 하는 단계를 더 포함하고, 속성 데이터를 수집하는 단계는, 피드백 된 민감도를 이용하여 상기 적어도 하나의 속성 데이터 수집의 빈도 및 해상도를 조절하는 단계를 포함하는 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
이때, 자동차 주행 가능 거리 추정 모델을 생성하는 단계는, 피드백 된 민감도를 이용하여 상기 주행 가능 거리 추정 모델을 수정하는 단계를 포함할 수 있다.
일 측에 따르면, 자동차 주행 가능 거리 추정 모델을 생성하는 단계는, 자동차 주행에 따라 변하지 않는 결정론적 데이터를 상기 주행 가능 거리 추정 모델의 계수로 사용하여 상기 자동차 주행 가능 거리 추정 모델을 생성하는 단계 및 자동차 주행에 따라 변하는 비 결정론적 데이터가 상기 주행 가능 거리 추정 모델에 미치는 영향을 반영하는 단계를 포함할 수 있다.
일 측에 따르면, 결정론적 데이터는, 자동차의 항력 계수, 자동차의 전면 면적 및 배터리 충전 데이터 중 적어도 하나를 포함할 수 있다.
일 측에 따르면, 비 결정론적 데이터는, 자동차의 속도, 자동차의 가속도, 기상 데이터 및 주행 경로 중 적어도 하나를 포함할 수 있다.
일 측에 따르면, 민감도를 분석하는 단계는, 자동차 주행 가능 거리 추정 모델에 필요한 속성 데이터가 불충분한 경우에 응답하여, 자동차 주행 가능 거리의 추정 오차를 계산할 수 있다.
일 측에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법은, 자동차 주행 가능 거리 추정 모델을 이용하여 경로 데이터에 대응하는 자동차의 전력 프로파일을 생성하는 단계를 더 포함할 수 있다.
일 측에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법은, 전력 프로파일을 이용하여 상기 자동차의 배터리 모델에 적용하여, 남은 배터리 충전 데이터를 추정하는 단계를 더 포함할 수 있다.
일실시예에 따르면, 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치는 자동차 주행 가능 거리의 추정과 관련된 적어도 하나의 속성 데이터를 수집하는 데이터 수집부, 상기 속성 데이터와 상기 자동차 주행 가능 거리 간의 연관성을 분석하는 연관성 분석부, 상기 분석된 연관성을 기초로 자동차 주행 가능 거리 추정 모델을 생성하는 모델 생성부 및 상기 자동차 주행 가능 거리 추정 모델과 상기 속성 데이터 사이의 민감도를 분석하는 민감도 분석부를 포함할 수 있다.
일 측에 따르면, 연관성 분석부는, 속성 데이터가 자동차 주행에 따라 변하는 비 결정론적 데이터인 경우에 응답하여, 상기 속성 데이터를 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류하고, 상기 카테고리와 상기 자동차 주행 가능 거리 간의 연관성을 분석할 수 있다.
일 측에 따르면, 속성 데이터는, 자동차 주행에 따라 변하지 않는 결정론적 데이터인 기준 데이터(standard data), 운전자의 과거 확률적 행동 기반의 과거 데이터(historical data) 및 현재 자동차 주행 데이터와 관련된 실시간 데이터(real-time data) 중 적어도 하나를 포함할 수 있다.
일 측에 따르면, 민감도 분석부는, 분석된 민감도를 피드백 하고, 데이터 수집부는, 상기 피드백 된 민감도를 이용하여 상기 적어도 하나의 속성 데이터 수집의 빈도 및 해상도를 조절할 수 있다.
일 측에 따르면, 상기 모델 생성부는, 상기 피드백 된 민감도를 이용하여 상기 주행 가능 거리 추정 모델을 수정할 수 있다.
일 측에 따르면, 모델 생성부는, 자동차 주행에 따라 변하지 않는 결정론적 데이터를 상기 주행 가능 거리 추정 모델의 계수로 사용하여 상기 자동차 주행 가능 거리 추정 모델을 생성하고, 자동차 주행에 따라 변하는 비 결정론적 데이터가 상기 주행 가능 거리 추정 모델에 미치는 영향을 반영할 수 있다.
일 측에 따르면, 상기 민감도 분석부는, 상기 자동차 주행 가능 거리 추정 모델에 필요한 속성 데이터가 불충분한 경우에 응답하여, 자동차 주행 가능 거리의 추정 오차를 계산할 수 있다.
일 측에 따르면, 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치는 상기 자동차 주행 가능 거리 추정 모델을 이용하여 경로 데이터에 대응하는 자동차의 전력 프로파일을 생성하는 전력 프로파일 생성부를 더 포함할 수 있다.
일실시예에 따르면, 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치는 전력 프로파일을 이용하여 상기 자동차의 배터리 모델에 적용하고, 남은 배터리 충전 데이터를 추정하는 배터리 시뮬레이터를 더 포함할 수 있다.
도 1은 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치를 설명하기 위한 도면이다.
도 2는 일실시예에 따른 속성 데이터에 대해 설명하기 위한 도면이다.
도 3은 일실시예에 따른 배터리 충전 데이터 추정 장치를 설명하기 위한 도면이다.
도 4는 배터리에서 생성된 에너지가 전기 자동차에 분배되는 흐름을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법을 설명하기 위한 흐름도이다.
도 6은 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법에서 데이터 분류 단계를 설명하기 위한 흐름도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
실시예에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 실시예를 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치를 설명하기 위한 도면이다.
도 1을 참조하면, 일실시예에 따른 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)는 데이터 수집부(110), 연관성 분석부(120), 모델 생성부(130) 및 민감도 분석부(140)를 포함할 수 있다.
일실시예에 따른 데이터 수집부(110)는 자동차 주행 가능 거리의 추정과 관련된 적어도 하나의 속성 데이터를 수집할 수 있다.
예를 들면, 데이터 수집부(110)는 구글 맵과 같은 웹 지도 어플리케이션을 통해 지형 데이터를 수집할 수 있다. 또는, 네비게이션 프로그램 및 장치로부터 지형 데이터를 수집할 수 있다. 이때, 지형 데이터는 지형의 높낮이, 주행 경로의 도로 상태 등을 포함할 수 있다.
다른 예를 들면, 데이터 수집부(110)는 일기예보 웹 사이트를 통해 날씨 데이터를 획득할 수 있다. 여기서 날씨 데이터는, 눈, 비, 안개 등 주행 가능 거리 추정과 관련된 데이터를 포함할 수 있다.
또 다른 예를 들면, 데이터 수집부(110)는 전기 자동차 제조사로부터 자동차의 제원을 획득할 수 있다. 여기서, 자동차의 제원은 자동차의 연비, 항력 계수, 전면 면적 등을 포함할 수 있다.
또 다른 예를 들면, 데이터 수집부(110)는 배터리 제조사로부터 배터리의 제원을 획득할 수 있다. 여기서 배터리의 제원은 배터리의 용량, 배터리의 출력 등을 포함할 수 있다.
일실시예에 따르면, 속성 데이터는, 자동차 주행에 따라 변하지 않는 결정론적 데이터인 기준 데이터(standard data), 운전자의 과거 확률적 행동 기반의 과거 데이터(historical data) 및 현재 자동차 주행 데이터와 관련된 실시간 데이터(real-time data) 중 적어도 하나를 포함할 수 있다.
일실시예에 따르면, 대규모 분산 컴퓨팅이 요구되는 경우, 데이터 수집부(110)는 아파치 하둡(Apache Hadoop) 프레임워크와 같은 빅데이터 소프트웨어 프레임워크에 작업을 전달할 수 있다.
일실시예에 따른 연관성 분석부(120)는 속성 데이터와 자동차 주행 가능 거리 간의 연관성을 분석할 수 있다. 즉, 수집된 속성 데이터가 자동차 주행 가능 거리에 영향을 미치는지 여부를 판단할 수 있다.
일실시예에 따르면, 연관성 분석부(120)는 수집된 속성 데이터와 자동차 주행 가능 거리 사이의 상관 관계를 판단할 수 있다. 예를 들면, 연관성 분석부(120)는 코사인 상관(cosine correlation)을 이용하여 수집된 속성 데이터와 주행 가능 거리와의 상관 관계를 판단할 수 있다.
일실시예에 따른 연관성 분석부(120)는, 속성 데이터가 자동차 주행에 따라 변하는 비 결정론적 데이터인 경우에 응답하여, 속성 데이터를 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류하고, 카테고리와 자동차 주행 가능 거리 간의 연관성을 분석할 수 있다.
일실시예에 따르면, 연관성 분석부(120)는 연관성을 분석할 때, 아파치 하둡(Apache Hadoop) 프레임워크와 같은 빅데이터 소프트웨어 프레임워크의 도움을 얻을 수 있다.
일실시예에 따른 모델 생성부(130)는 분석된 연관성을 기초로 자동차 주행 가능 거리 추정 모델을 생성할 수 있다. 이때, 자동차 주행 가능 거리 추정 모델은 속성 데이터를 이용하여 자동차가 주행할 수 있는 거리를 추정하기 위한 모델을 포함할 수 있다.
일실시예에 따르면, 모델 생성부(130)는, 자동차 주행에 따라 변하지 않는 결정론적 데이터를 주행 가능 거리 추정 모델의 계수로 사용하여 자동차 주행 가능 거리 추정 모델을 생성하고, 자동차 주행에 따라 변하는 비 결정론적 데이터가 주행 가능 거리 추정 모델에 미치는 영향을 반영할 수 있다.
일실시예에 따른 민감도 분석부(140)는 자동차 주행 가능 거리 추정 모델과 속성 데이터 사이의 민감도를 분석할 수 있다. 여기서 민감도는 각 속성 데이터가, 자동차 주행 가능 거리 추정 모델을 통한 주행 가능 거리 추정 결과에 미치는 영향의 정도를 의미할 수 있다.
일실시예에 따르면, 민감도 분석부(140)는, 자동차 주행 가능 거리 추정 모델에 필요한 속성 데이터가 불충분한 경우에 응답하여, 자동차 주행 가능 거리의 추정 오차를 계산할 수 있다.
일실시예에 따른 민감도 분석부(140)는 데이터의 갱신과 관련된 민감도 분석 결과도 제공할 수 있다. 즉, 갱신된 데이터 대신 이전 데이터를 사용하는 경우, 주행 가능 거리 추전 시 발생하는 추정 오차에 대한 분석 결과를 제공할 수 있다.
일실시예에 따르면, 민감도 분석부(140)는 주행 가능 거리 추정 모델과 적어도 하나의 속성 데이터 사이의 민감도를 계산할 때, 아파치 하둡(Apache Hadoop) 프레임워크와 같은 빅데이터 소프트웨어 프레임워크의 도움을 얻을 수 있다.
일실시예에 따르면, 민감도 분석부(140)는, 분석된 민감도를 피드백 할 수 있다.
일실시예에 따르면, 민감도 분석부(140)는, 계산된 민감도를 연관성 분석부(130)에 피드백 하고, 연관성 분석부(130)는, 피드백 된 민감도를 이용하여 주행 가능 거리 추정 모델을 수정할 수 있다. 이때, 피드백 된 민감도를 이용하여 주행 가능 거리 추정 모델의 복잡성을 수정할 수 있다.
다른 일실시예에 따르면, 민감도 분석부(140)는, 계산된 민감도를 데이터 수집부(110)에 피드백 하고, 데이터 수집부(110)는, 피드백 된 민감도를 이용하여 상기 적어도 하나의 속성 데이터 수집의 빈도 및 해상도를 조절할 수 있다. 여기서 적어도 하나의 속성 데이터 수집의 빈도는 속성 데이터를 수집하는 샘플링 레이트(sampling rate)를 의미할 수 있다.
각각의 속성 데이터의 수집 및 분석 단계에서 광범위한 데이터 마이닝 또는 방대한 양의 컴퓨팅 능력이 필요한 경우, 아파치 하둡(Apache Hadoop) 프레임워크와 같은 빅데이터 소프트웨어 프레임워크의 도움을 얻을 수 있다. 이러한 아파치 하둡(Apache Hadoop) 프레임워크와 같은 빅데이터 소프트웨어 프레임워크는 작업 부하를 분산하여 빅 데이터 처리가 가능하다. 데이터 수직 단계에서, 분산 컴퓨팅 구조의 상이한 노드들은 상이한 자원으로부터 데이터를 수집하도록 할당된다. 또한, 특정 노드의 데이터 접근이 한계에 도달하는 경우, 다른 노드로 작업을 전환할 수 있다.
일실시예에 따른 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)는, 주행 가능 거리 추정 결과에 영향을 미치는 요인과 파라미터에 대한 종합적인 데이터의 분석을 제공할 수 있다. 따라서, 운영 환경과 조건에 대한 데이터인 속성 데이터를 통하여, 전기 자동차의 주행 가능 거리를 정밀하게 추정할 수 있다. 예를 들면, 민감도 분석을 통해 경로 상의 풍속이 주행 가능 거리에 민감한 영향을 미침을 확인할 수 있다. 이때, 과거 데이터를 통해 현재 운전자가 지나가는 지역이 바람이 많이 부는 지역임을 파악하였다면, 풍향과 풍속 데이터의 데이터 갱신 주기(sampling rate)를 짧게 하여 주행 가능 거리 추정 모델에 반영할 수 있다.
일실시예에 따르면, 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)는, 판단부(미도시)를 더 포함할 수 있다. 이때, 판단부는 속성 데이터가 주행 상황에 따라 변하지 않는 결정론적 데이터인지 여부를 판단할 수 있다. 이때, 결정론적 데이터는 갱신되지 않는 현상과 연관된 데이터가 될 수 있다. 예를 들면, 결정론적 데이터는, 자동차의 항력 계수, 자동차의 전면 면적 및 배터리 충전 데이터 중 적어도 하나를 포함할 수 있다.
수집된 속성 데이터가 결정론적 데이터인 경우, 그 자체만으로 주행 거리에 영향을 미치므로, 결정론적 데이터에 포함되는 속성 데이터는 연관성 분석부(130)에 전송될 수 있다. 예를 들면, 결정론적 데이터는, 자동차의 항력 계수, 자동차의 전면 면적 및 배터리 충전 데이터 중 적어도 하나를 포함할 수 있다.
또한, 수집된 속성 데이터 중 날씨, 운전자의 운전 이력, 교통 상황 등과 같은 비 결정론적인 데이터들은 데이터 분류부(미도시)로 전송될 수 있다. 예를 들면, 비 결정론적 데이터는, 자동차의 속도, 자동차의 가속도, 기상 데이터 및 주행 경로 중 적어도 하나를 포함할 수 있다.
일실시예에 따른 데이터 분류부는 적어도 하나의 속성 데이터가 비 결정론적 데이터인 경우에 응답하여, 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류할 수 있다. 예를 들면, 운전자의 운전 양식에 대하여, 온순한 운전자(mild driver), 보통 운전자(normal driver) 및 공격적인 운전자(aggressive driver)의 카테고리로 분류할 수 있다. 다른 예를 들면, 기상 데이터에 대하여 바람 부는 날(windy), 평온한 날(calm), 더운 날(hot) 및 추운 날(cold) 등의 카테고리로 분류할 수 있다. 또 다른 예를 들면, 경로 유형에 대하여 이면도로(local route), 고속도로(highway route) 및 넓은도로(blouevard route) 등의 카테고리로 분류할 수 있다. 이 외에도 비 결정적인 데이터에 대하여 미리 정해진 객관적인 기준에 따라 카테고리를 분류할 수 있다.
일실시예에 따르면, 데이터 분류부는 비 결정론적인 데이터를 분류할 때, 아파치 하둡(Apache Hadoop) 프레임워크와 같은 빅데이터 소프트웨어 프레임워크의 도움을 얻을 수 있다.
통계적 데이터에 기반하여 미리 정해진 카테고리로 분류된 데이터들은 주행 가능 거리와 속성 데이터들 사이의 주행 가능 거리 추정 모델을 생성하기 위해 연관성 분석부(130)에 전달될 수 있다.
일실시예에 따른 연관성 분석부(120)는 수집된 속성 데이터 및 카테고리와 주행 가능 거리 사이의 상관 관계를 판단하여 주행 가능 거리 추정 모델을 생성할 수 있다. 여기서, 연관성 분석부(120)는 코사인 상관(cosine correlation)을 이용하여 수집된 속성 데이터와 주행 가능 거리와의 상관 관계를 판단할 수 있다. 연관성 분석부(120)에서는 결정론적인 데이터를 주행 가능 거리 추정 모델의 계수 또는 변수로 사용할 수 있다. 예를 들면, 자동차의 항력 계수, 자동차의 전면 면적, 배터리의 충전 데이터 등과 같은 결정론적인 데이터의 경우, 주행 가능 거리 추정 모델의 계수 또는 변수로 사용할 수 있다. 연관성 분석부(120)에서는 비 결정론적인 데이터가 주행 가능 거리 추정 모델에 미치는 영향을 반영할 수 있다. 예를 들면, 자동차 속도, 자동차 가속도, 풍속, 미래 경로 등과 같은 비 결정론적인 데이터인 경우에 응답하여, 주행 가능 거리와 분류된 카테고리 사이의 상관 관계가 주행 가능 거리 추정 모델의 일부로 제공될 수 있다.
도 2는 일실시예에 따른 속성 데이터에 대해 설명하기 위한 도면이다.
도 2를 참조하면, 속성 데이터(200)는 기준 데이터(standard data, 210), 과거 데이터(historical data, 220) 및 실시간 데이터(real-time data, 230)를 포함할 수 있다.
일실시예에 따른 기준 데이터(210)는 갱신되지 않는 현상과 관련된 데이터를 말한다. 예를 들면, 기준 데이터(210)는 배터리 제조사로부터 제공된 배터리의 상세 데이터(예를 들면 용량 열화 등), 위성 항법 장치로부터 제공된 도착지까지의 기준 경로, 위키피디아 또는 검색 포털을 통해 제공된 계절의 기후 조건, 전기 자동차 모델의 평균 주행 거리 등을 포함할 수 있다.
일실시예에 따른 과거 데이터(220)는 과거 확률적 행동 기반의 동향과 관련된 데이터를 말한다. 예를 들면, 과거 데이터(220)는 자동자의 평균 과거 에너지 소비, 자동차 컴퓨터에 저장된 배터리의 성능에 지속적 영향을 초래하는 배터리 이력(예를 들면, 극한 온도, 높은 습도 및 과충전 상태에서의 작동), 경로의 교통 패턴 등을 포함할 수 있다.
일실시예에 따른 실시간 데이터(230)는 현재 주행 데이터와 관련된 데이터로 신시간으로 업데이트가 필요한 확률적 데이터를 말한다. 예를 들면, 실시간 데이터(230)는, 사고에 따른 고속 도로의 정체, 주행 중에 갑작스런 폭우, 도로 폐쇄에 따른 경로 재설정 등을 포함할 수 있다.
현재, 전기 자동차의 정밀한 주행 거리 추정을 가능하게 하는 많은 데이터가 존재한다. 이러한 데이터들은 배터리 충전 데이터 측정 장치, 배터리 제조사, 자동차 제조사, 운전자의 운전 이력, 위성 항법 장치(GPS), 교통 보고서 및 기상 센터 등을 통해 수집될 수 있다. 그러나, 주행 가능 거리 정밀 추정 시 일부 속성 데이터는 다른 속성 데이터들에 비해 더 많은 영향을 미친다. 따라서, 이러한 속성 데이터들을 기준 데이터(210), 과거 데이터(220) 및 실시간 데이터(230)로 분류할 수 있다.
도 3은 일실시예에 따른 배터리 충전 데이터 추정 장치를 설명하기 위한 도면이다.
도 3을 참조하면, 배터리 충전 데이터 추정 장치(300)는 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치(100), 전력 프로파일 생성부(310) 및 배터리 시뮬레이터(320)를 포함할 수 있다.
일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)는 경로 데이터(311), 날씨 데이터(312), 운전 이력 데이터(313), 자동차 데이터(314) 및 배터리 데이터(315) 중 적어도 하나를 수집할 수 있다.
경로 데이터(311)는 운전자가 입력한 출발지로부터 도착지까지의 경로에 있어서, 도로 상태, 위도, 경도, 도로 경사도 등을 포함할 수 있다. 날씨 데이터(312)는 눈 또는 비가 오는지 여부 및 그 정도, 온도, 습도, 풍향, 풍속 등을 포함할 수 있다. 운전 이력 데이터(313)는 운전자의 운전 습관(급 가속 및 급 정거 여부), 경로상의 속도 및 가속도 프로파일 등을 포함할 수 있다. 자동차 데이터(314)는 자동차의 제원인 항력 계수, 자동차 전면 면적, 에너지 소비 비율 등을 포함할 수 있다. 배터리 데이터(315)는 배터리의 용량, 충전 데이터, 배터리의 출력 등을 포함할 수 있다.
일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)는 경로 데이터(311), 날씨 데이터(312), 운전 이력 데이터(313), 자동차 데이터(314) 및 배터리 데이터(315)를 수집 수집하는 다섯 개의 수집 노드를 포함할 수 있다. 수집 노드들은 다양한 자원으로부터 주행 가능 거리 추정과 관련된 속성 데이터들을 수집할 수 있다.
일실시예에 따르면, 배터리 충전 데이터 추정 장치(300)는, 자동차 주행 가능 거리 추정 모델을 이용하여 경로 데이터에 대응하는 자동차의 전력 프로파일을 생성하는 전력 프로파일 생성부(310)를 포함할 수 있다.
일실시예에 따르면, 배터리 충전 데이터 추정 장치(300)는, 전력 프로파일을 이용하여 자동차의 배터리 모델에 적용하고, 남은 배터리 충전 데이터를 추정하는 배터리 시뮬레이터(320)를 포함할 수 있다.
일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)는 수집된 데이터 중 경로 데이터(311), 날씨 데이터(312), 운전 이력 데이터(313) 및 자동차 데이터(314)를 전력 프로파일 생성부(310)에 전송할 수 있다. 또한, 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)는 배터리 데이터(315)를 배터리 시뮬레이터(320)에 전송할 수 있다.
일실시예에 따른 전력 프로파일 생성부(310)는 주행 가능 거리 추정 모델을 이용하여 경로 데이터에 대응하는 자동차의 전력 프로파일을 생성할 수 있다. 예를 들면, 자동차의 전력 프로파일은 자동차의 속도 및 가속도 프로파일, 고도 프로파일을 포함할 수 있다. 자동차의 전력 프로파일은 배터리 시뮬레이터(320)의 입력이 될 수 있다. 자동차의 속도 및 가속도 프로파일, 고도 프로파일에 대해서는 도 4의 설명에서 자세히 설명하도록 한다.
일실시예에 따른 배터리 시뮬레이터(320)는 전력 프로파일을 이용하여 자동차의 배터리 모델에 적용할 수 있다. 이때, 자동차 주행 가능 거리 추정과 관련된 데이터 분석 장치(100)로부터 전달 받은 배터리 데이터에 전력 프로파일을 입력할 수 있다. 일실시예에 따른 배터리 시뮬레이터(320)는 수집된 데이터들을 이용하여 전기 자동차 주행 거리 추정 모델을 생성할 수 있다.
일실시예에 따른 배터리 충전 데이터 추정 장치(300)는 전력 프로파일을 적용하여, 남은 배터리 충전 데이터를 추정할 수 있다. 이때, 주행 거리와 사용된 전하량과의 관계를 이용하여 주행 가능 거리를 추정할 수 있다.
도 4는 배터리에서 생성된 에너지가 전기 자동차에 분배되는 흐름을 설명하기 위한 도면이다.
도 4를 참조하면, 배터리(410)의 전력은 디씨 디씨 변환기(DC/DC converter, 420)를 통해 모터(430) 및 부가 장치(440)에 제공되고, 모터(430)에서 발생된 전력은 기어(450)로 전달되어 자동차의 구동 힘으로 사용될 수 있다.
일실시예에 따른 디씨 디씨 변환기(DC/DC converter, 420)는 배터리(410)의 전압을 자동차에서 사용 가능한 전압으로 변환할 수 있다. 여기서, 디씨 디씨 변환기는 직류 전원을 다른 전압의 직류 전원으로 변환하는 전자회로 장치를 말한다. 디씨 디씨 변환기에서 변환된 전력은 모터(430) 및 부가 장치(440)에 제공될 수 있다. 즉, 배터리가 공급하는 총 전력은 하기 수학식 1과 같이 모터(430)와 부가 장치(440)로 입력되는 전력의 합으로 표현될 수 있다.
Figure 112015023013368-pat00001
여기서,
Figure 112015023013368-pat00002
는 배터리가 공급하는 총 전력이고,
Figure 112015023013368-pat00003
는 모터에 제공되는 전력이며,
Figure 112015023013368-pat00004
는 부가 장치에 제공되는 전력이다.
일실시예에 따른 부가 장치(440)는 냉난방 공조 장치, 조명 장치, 지시 장치, 라디오 및 각종 전자 장비 등을 포함할 수 있다.
일실시예에 따르면, 모터(430) 및 기어(450)는 전기 전원을 자동차를 구동하는 전력으로 변환할 수 있다. 이때, 모터 손실 에너지(431) 및 기어 손실 에너지(451)를 고려할 수 있다. 전기 자동차의 구동에 필요한 전력
Figure 112015023013368-pat00005
은 하기 수학식 2와 같이 표현될 수 있다.
Figure 112015023013368-pat00006
여기서, 전기 자동차의 구동에 필요한 전력
Figure 112015023013368-pat00007
은 견인력
Figure 112015023013368-pat00008
과 전기자동차의 속도
Figure 112015023013368-pat00009
의 곱을 기어 효율
Figure 112015023013368-pat00010
로 나눈 값이며 이는 모터로 입력되는 전력
Figure 112015023013368-pat00011
와 모터 효율
Figure 112015023013368-pat00012
의 곱과 같다.
일실시예에 따르면, 기어(450)에서 기어 손실 에너지(451)를 제외하고 전달되는 에너지는 기울기(461), 마찰력(462), 공기 저항(463) 및 가속력(464) 에너지로 사용될 수 있다.
가속력(464)은 하기 수학식 3과 같이 표현될 수 있다.
Figure 112015023013368-pat00013
여기서,
Figure 112015023013368-pat00014
은 가속력이고, 이는 직선 가속력
Figure 112015023013368-pat00015
과 회전 가속력
Figure 112015023013368-pat00016
의 합으로 구성될 수 있다. 이때,
Figure 112015023013368-pat00017
은 질량,
Figure 112015023013368-pat00018
는 가속도,
Figure 112015023013368-pat00019
는 전동기 회전자의 관성모멘트이고,
Figure 112015023013368-pat00020
는 전동기와 축을 연결하는 시스템의 기어비,
Figure 112015023013368-pat00021
는 기어 시스템의 효율, r은 타이어의 반지름을 말한다.
따라서, 기어에서 생성된 전력 중 가속에 사용되는 전력은 하기 수학식 4와 같이 표현될 수 있다.
Figure 112015023013368-pat00022
다음으로, 추출된 경로 상의 다수 지점의 위도 및 경도 좌표를 활용하여 지도 웹 서비스로부터 각 지점의 고도 (Elevation) 데이터를 취득할 수 있고, 이를 바탕으로 고도 프로파일을 작성할 수 있다. 작성된 고도 프로파일은 각 지점에서의 경사도
Figure 112015023013368-pat00023
의 계산에 이용될 수 있다. 도로 경사도 데이터를 이용하여 전기자동차의 기울기 힘
Figure 112015023013368-pat00024
와 마찰력 힘
Figure 112015023013368-pat00025
을 하기 수학식 5 및 수학식 6과 같이 계산할 수 있다.
Figure 112015023013368-pat00026
Figure 112015023013368-pat00027
여기서, g는 중력 가속도,
Figure 112015023013368-pat00028
은 구름저항계수가 된다.
따라서, 기어에서 생산된 에너지 중 기울기와 마찰력 에너지에 사용되는 전력은 하기 수학식 7 및 수학식 8과 같다.
Figure 112015023013368-pat00029
Figure 112015023013368-pat00030
이때, 추출된 경로 상의 다수 지점의 위도 및 경도 좌표를 활용하여 날씨 웹 서비스로부터 각 지점의 풍향, 풍속, 온도 데이터를 취득할 수 있다. 취득된 풍속, 풍향 데이터는 공기 저항력 계산에 사용되며 하기 수학식 9와 같다.
Figure 112015023013368-pat00031
여기서,
Figure 112015023013368-pat00032
는 공기의 밀도이고, A는 자동차 전면 면적,
Figure 112015023013368-pat00033
는 자동차의 항력 계수이다.
모터로 입력되는 전력 중 공기저항 극복에 사용되는 전력은 하기 수학식 10과 같다.
Figure 112015023013368-pat00034
모터에서 발생되는 전력
Figure 112015023013368-pat00035
는 하기 수학식 11과 같이 여러 전력의 합으로 표현된다.
Figure 112015023013368-pat00036
도 5는 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법을 설명하기 위한 흐름도이다.
자동차의 주행 가능 거리는 기준 데이터, 과거 데이터 및 실시간 데이터에 기반하여 추정될 수 있다. 일반적으로 기준 데이터 및 과거 데이터를 이용하여 주행 가능 거리 초기 추정 값을 계산할 수 있다. 이후, 실시간 데이터를 이용하여 자동차의 주행 중에 주행 가능 거리 추정 값을 갱신할 수 있다. 이때, 특정 상황에서는 특정 데이터가 다른 데이터에 비해 주행 가능 거리 추정에 민감할 수 있다. 이러한 데이터는 상황에 따라서 기준 데이터, 과거 데이터 및 실시간 데이터 중 하나가 될 수 있다. 빅 데이터 분석 기술을 이용하여 전기 자동차의 주행 가능 거리 추정과 관련된 속성 데이터를 찾고 주행 가능 거리와 각 속성 데이터 간의 연관성을 발견할 수 있다. 빅 데이터란, 디지털 환경에서 생성되는 데이터로, 수치 데이터 뿐 아니라, 문자와 영상 데이터를 포함하는 대규모 데이터를 말한다.
도 5를 참조하면, 단계(510)에서, 데이터 분석 장치는, 속성 데이터를 수집할 수 있다. 일실시예에 따르면, 속성 데이터는 자동차 주행 가능 거리의 추정과 관련된 데이터를 포함할 수 있다.
일실시예에 따르면, 속성 데이터는, 자동차 주행에 따라 변하지 않는 결정론적 데이터인 기준 데이터(standard data), 운전자의 과거 확률적 행동 기반의 과거 데이터(historical data) 및 현재 자동차 주행 데이터와 관련된 실시간 데이터(real-time data) 중 적어도 하나를 포함할 수 있다.
예를 들면, 단계(510)에서, 구글 맵을 통해 지형 데이터를 획득할 수 있다. 다른 예를 들면, 단계(510)에서, 일기예보 웹 사이트를 통해 날씨 데이터를 획득할 수 있다. 또 다른 예를 들면, 단계(510)에서, 전기 자동차 제조사로부터 전기 자동차의 제원(연비, 항력 계수, 전면 면적 등)을 획득할 수 있다. 또 다른 예를 들면, 단계(510)에서, 배터리 제조사로부터 배터리의 제원(배터리의 용량, 배터리의 출력 등)을 획득할 수 있다.
단계(520)에서, 데이터 분석 장치는, 속성 데이터와 자동자 주행 가능 거리 간의 연관성을 분석할 수 있다.
이때, 데이터 분석 장치는 코사인 상관(cosine correlation)을 이용하여 수집된 데이터와 주행 가능 거리와의 상관 관계를 판단할 수 있다. 단계(520)에서, 데이터 분석 장치는 결정론적인 데이터를 주행 가능 거리 추정 모델의 계수 또는 변수로 사용할 수 있다. 예를 들면, 자동차의 항력 계수, 자동차의 전면 면적, 배터리의 충전 데이터 등과 같은 결정론적인 데이터는 주행 가능 거리 추정 모델의 계수 또는 변수로 사용될 수 있다.
단계(530)에서, 데이터 분석 장치는, 자동차 주행 가능 거리 추정 모델을 생성할 수 있다. 일실시예에 따르면, 데이터 분석 장치는 단계(520)에서 분석된 연관성을 기초로 자동차 주행 가능 거리 추정 모델을 생성할 수 있다.
일실시예에 따르면, 수집된 기준 데이터 및 과거 데이터를 이용하여 초기(initial) 주행 가능 거리 추정 모델을 생성할 수 있다. 이때, 초기 주행 가능 거리 추정 모델에 실시간 데이터를 적용하여 주행 가능 거리 추정 모델을 업데이트할 수 있다.
단계(530)에서 데이터 분석 장치는 비 결정론적인 데이터가 주행 가능 거리 추정 모델에 미치는 영향을 반영할 수 있다. 예를 들면, 자동차 속도, 자동차 가속도, 풍속, 미래 경로 등과 같은 비 결정론적인 데이터인 경우에 응답하여, 주행 가능 거리와 분류된 카테고리 사이의 상관 관계가 주행 가능 거리 추정 모델의 일부로 제공될 수 있다.
단계(540)에서, 데이터 분석 장치는 자동차 주행 가능 거리 추정 모델과 속성 데이터 사이의 민감도를 분석할 수 있다.
일실시예에 따르면, 단계(540)는, 자동차 주행 가능 거리 추정 모델에 필요한 속성 데이터가 불충분한 경우에 응답하여, 자동차 주행 가능 거리의 추정 오차를 계산할 수 있다.
단계(550)에서, 데이터 분석 장치는, 분석된 민감도를 피드백할 수 있다.
예를 들면, 단계(550)에서, 데이터 분석 장치는, 민감도를 데이터 수집 단계(510)와 연관성 분석 단계(520)에 피드백할 수 있다. 이때, 단계(520)에서, 데이터 분석 장치는 피드백된 민감도를 통하여 기준 데이터, 과거 데이터 및 실시간 데이터와 주행 가능 거리 간의 상관 관계를 수정할 수 있다. 또한, 단계(510)에서, 데이터 분석 장치는 피드백된 민감도를 통하여 실시간 데이터의 수집 빈도 및 해상도를 조절할 수 있다.
단계(560)에서 데이터 분석 장치는 피드백 된 민감도를 이용하여 주행 가능 거리 추정 모델을 수정할 수 있다.
일실시예에 따르면, 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법은, 자동차 주행 가능 거리 추정 모델을 이용하여 경로 데이터에 대응하는 자동차의 전력 프로파일을 생성하는 단계를 포함할 수 있다.
일실시예에 따르면, 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법은, 전력 프로파일을 이용하여 자동차의 배터리 모델에 적용하여, 남은 배터리 충전 데이터를 추정하는 단계를 포함할 수 있다.
도 6은 일실시예에 따른 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법에서 데이터 분류 단계를 설명하기 위한 흐름도이다.
도 6을 참조하면, 단계(610)에서, 데이터 분석 장치는 수집된 속성 데이터가 결정론적 데이터인지 여부를 판단할 수 있다.
일실시예에 따르면, 데이터 분석 장치는 수집된 속성 데이터가 비 결정론적 데이터인지 여부를 판단할 수 있다. 예를 들면, 결정론적 데이터는, 자동차의 항력 계수, 자동차의 전면 면적 및 배터리 충전 데이터 중 적어도 하나를 포함할 수 있다. 예를 들면, 비 결정론적 데이터는, 자동차의 속도, 자동차의 가속도, 기상 데이터 및 주행 경로 중 적어도 하나를 포함할 수 있다.
단계(620)에서, 데이터 분석 장치는 수집된 과거 데이터 및 실시간 데이터가 비 결정론적 데이터인 경우, 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류할 수 있다. 예를 들면, 운전자의 운전 양식에 대하여, 온순한 운전자(mild driver), 보통 운전자(normal driver) 및 공격적인 운전자(aggressive driver)의 카테고리로 분류할 수 있다. 다른 예를 들면, 기상 데이터에 대하여 바람 부는 날(windy), 평온한 날(calm), 더운 날(hot) 및 추운 날(cold) 등의 카테고리로 분류할 수 있다. 또 다른 예를 들면, 경로 유형에 대하여 이면도로(local route), 고속도로(highway route) 및 넓은도로(blouevard route) 등의 카테고리로 분류할 수 있다. 이 외에도 비 결정적인 데이터에 대하여 미리 정해진 객관적인 기준에 따라 카테고리를 분류할 수 있다.
단계(620)에서, 데이터 분석 장치는 속성 데이터가 자동차 주행에 따라 변하는 비 결정론적 데이터인 경우에 응답하여, 속성 데이터를 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류할 수 있다. 이때, 단계(620)는 분류된 카테고리와 자동차 주행 가능 거리 간의 연관성을 분석하는 단계를 포함할 수 있다.
본 발명은 소프트웨어 알고리즘 형태로 구현되어 전기자동차의 배터리 관리 시스템 내에 탑재될 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

Claims (20)

  1. 자동차 주행 가능 거리의 추정과 관련된 적어도 하나의 속성 데이터를 수집하는 단계;
    상기 속성 데이터와 상기 자동차 주행 가능 거리 간의 연관성을 분석하는 단계;
    상기 분석된 연관성을 기초로 자동차 주행 가능 거리 추정 모델을 생성하는 단계;
    상기 자동차 주행 가능 거리 추정 모델과 상기 속성 데이터 사이의 민감도를 분석하는 단계; 및
    상기 분석된 민감도를 피드백 하는 단계
    를 포함하고,
    상기 연관성을 분석하는 단계는,
    상기 속성 데이터가 자동차 주행에 따라 변하는 비 결정론적 데이터인 경우에 응답하여, 상기 속성 데이터를 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류하는 단계; 및
    상기 카테고리와 상기 자동차 주행 가능 거리 간의 연관성을 분석하는 단계
    를 포함하고,
    상기 속성 데이터를 수집하는 단계는,
    상기 피드백 된 민감도를 이용하여 상기 적어도 하나의 속성 데이터 수집의 빈도 및 해상도를 조절하는 단계
    를 포함하는
    자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  2. 삭제
  3. 제1항에 있어서,
    상기 속성 데이터는,
    자동차 주행에 따라 변하지 않는 결정론적 데이터인 기준 데이터(standard data), 운전자의 과거 확률적 행동 기반의 과거 데이터(historical data) 및 현재 자동차 주행 데이터와 관련된 실시간 데이터(real-time data) 중 적어도 하나를 포함하는
    자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  4. 삭제
  5. 제1항에 있어서,
    상기 자동차 주행 가능 거리 추정 모델을 생성하는 단계는,
    상기 피드백 된 민감도를 이용하여 상기 주행 가능 거리 추정 모델을 수정하는 단계를 포함하는
    자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  6. 제1항에 있어서,
    상기 자동차 주행 가능 거리 추정 모델을 생성하는 단계는,
    자동차 주행에 따라 변하지 않는 결정론적 데이터를 상기 주행 가능 거리 추정 모델의 계수로 사용하여 상기 자동차 주행 가능 거리 추정 모델을 생성하는 단계; 및
    자동차 주행에 따라 변하는 비 결정론적 데이터가 상기 주행 가능 거리 추정 모델에 미치는 영향을 반영하는 단계
    를 포함하는 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  7. 제6항에 있어서,
    상기 결정론적 데이터는, 자동차의 항력 계수, 자동차의 전면 면적 및 배터리 충전 데이터 중 적어도 하나를 포함하는
    자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  8. 제6항에 있어서,
    상기 비 결정론적 데이터는,
    자동차의 속도, 자동차의 가속도, 기상 데이터 및 주행 경로 중 적어도 하나를 포함하는
    자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  9. 제1항에 있어서,
    상기 자동차 주행 가능 거리 추정 모델과 상기 속성 데이터 사이의 민감도를 분석하는 단계
    를 더 포함하고,
    상기 민감도를 분석하는 단계는,
    상기 자동차 주행 가능 거리 추정 모델에 필요한 속성 데이터가 불충분한 경우에 응답하여, 자동차 주행 가능 거리의 추정 오차를 계산하는
    자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  10. 제1항에 있어서,
    상기 자동차 주행 가능 거리 추정 모델을 이용하여 경로 데이터에 대응하는 자동차의 전력 프로파일을 생성하는 단계
    를 더 포함하는 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  11. 제10항에 있어서,
    상기 전력 프로파일을 이용하여 상기 자동차의 배터리 모델에 적용하여, 남은 배터리 충전 데이터를 추정하는 단계
    를 더 포함하는 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법.
  12. 자동차 주행 가능 거리의 추정과 관련된 적어도 하나의 속성 데이터를 수집하는 데이터 수집부;
    상기 속성 데이터와 상기 자동차 주행 가능 거리 간의 연관성을 분석하는 연관성 분석부;
    상기 분석된 연관성을 기초로 자동차 주행 가능 거리 추정 모델을 생성하는 모델 생성부; 및
    상기 자동차 주행 가능 거리 추정 모델과 상기 속성 데이터 사이의 민감도를 분석하고, 상기 분석된 민감도를 피드백하는 민감도 분석부
    를 포함하고,
    상기 연관성 분석부는,
    상기 속성 데이터가 자동차 주행에 따라 변하는 비 결정론적 데이터인 경우에 응답하여, 상기 속성 데이터를 통계적 데이터에 기반하여 미리 정해진 카테고리로 분류하고, 상기 카테고리와 상기 자동차 주행 가능 거리 간의 연관성을 분석하고,
    상기 데이터 수집부는,
    상기 피드백 된 민감도를 이용하여 상기 적어도 하나의 속성 데이터 수집의 빈도 및 해상도를 조절하는
    자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치.
  13. 삭제
  14. 제12항에 있어서,
    상기 속성 데이터는,
    자동차 주행에 따라 변하지 않는 결정론적 데이터인 기준 데이터(standard data), 운전자의 과거 확률적 행동 기반의 과거 데이터(historical data) 및 현재 자동차 주행 데이터와 관련된 실시간 데이터(real-time data) 중 적어도 하나를 포함하는
    자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치.
  15. 삭제
  16. 제12항에 있어서,
    상기 모델 생성부는,
    상기 피드백 된 민감도를 이용하여 상기 주행 가능 거리 추정 모델을 수정하는
    자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치.
  17. 제12항에 있어서,
    상기 모델 생성부는,
    자동차 주행에 따라 변하지 않는 결정론적 데이터를 상기 주행 가능 거리 추정 모델의 계수로 사용하여 상기 자동차 주행 가능 거리 추정 모델을 생성하고,
    자동차 주행에 따라 변하는 비 결정론적 데이터가 상기 주행 가능 거리 추정 모델에 미치는 영향을 반영하는
    자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치.
  18. 제12항에 있어서,
    상기 자동차 주행 가능 거리 추정 모델과 상기 속성 데이터 사이의 민감도를 분석하는 민감도 분석부
    를 더 포함하고,
    상기 민감도 분석부는,
    상기 자동차 주행 가능 거리 추정 모델에 필요한 속성 데이터가 불충분한 경우에 응답하여, 자동차 주행 가능 거리의 추정 오차를 계산하는
    자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치.
  19. 제12항에 있어서,
    상기 자동차 주행 가능 거리 추정 모델을 이용하여 경로 데이터에 대응하는 자동차의 전력 프로파일을 생성하는 전력 프로파일 생성부
    를 더 포함하는 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치.
  20. 제19항에 있어서,
    상기 전력 프로파일을 이용하여 상기 자동차의 배터리 모델에 적용하고, 남은 배터리 충전 데이터를 추정하는 배터리 시뮬레이터
    를 더 포함하는 자동차의 주행 가능 거리 추정과 관련된 데이터 분석 장치.
KR1020150032722A 2014-10-28 2015-03-09 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치 KR102368286B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/924,566 US9849802B2 (en) 2014-10-28 2015-10-27 Method and apparatus for analyzing data related to vehicle range estimation

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US201462069424P 2014-10-28 2014-10-28
US62/069,424 2014-10-28

Publications (2)

Publication Number Publication Date
KR20160049950A KR20160049950A (ko) 2016-05-10
KR102368286B1 true KR102368286B1 (ko) 2022-02-28

Family

ID=56021050

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150032722A KR102368286B1 (ko) 2014-10-28 2015-03-09 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102368286B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240059026A (ko) 2022-10-26 2024-05-07 국립금오공과대학교 산학협력단 주행경로 맵에 기반한 킥보드 주행 관리 방법, 이를 위한 컴퓨터 프로그램

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR102309268B1 (ko) 2019-11-21 2021-10-07 (주)에코브레인 차량센서를 활용한 전기차용 정보제공서비스 시스템
CN114509088A (zh) * 2020-11-16 2022-05-17 康明斯公司 用于电气化运输车辆的里程估计的系统和方法
CN116691413B (zh) * 2023-07-31 2023-10-20 国网浙江省电力有限公司 超前车车载动态负荷预配置方法及有序充电系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110224868A1 (en) * 2010-03-12 2011-09-15 John K. Collings, III System for Determining Driving Pattern Suitability for Electric Vehicles

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110224868A1 (en) * 2010-03-12 2011-09-15 John K. Collings, III System for Determining Driving Pattern Suitability for Electric Vehicles

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20240059026A (ko) 2022-10-26 2024-05-07 국립금오공과대학교 산학협력단 주행경로 맵에 기반한 킥보드 주행 관리 방법, 이를 위한 컴퓨터 프로그램

Also Published As

Publication number Publication date
KR20160049950A (ko) 2016-05-10

Similar Documents

Publication Publication Date Title
US9849802B2 (en) Method and apparatus for analyzing data related to vehicle range estimation
KR102368286B1 (ko) 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치
US9643511B2 (en) Method and apparatus for estimating state of charge (SOC) of battery in electric vehicle
US9493089B2 (en) Prediction of battery power requirements for electric vehicles
US9970780B2 (en) Method and apparatus for fuel consumption prediction and cost estimation via crowd sensing in vehicle navigation system
US10002537B2 (en) Learning lanes from radar sensors
US10417509B2 (en) Variable speed sign value prediction and confidence modeling
US10262213B2 (en) Learning lanes from vehicle probes
US9841463B2 (en) Method and system for predicting energy consumption of a vehicle using a statistical model
US20220074993A1 (en) Vehicle battery analysis system
EP3091336B1 (en) Device for providing electric-moving-body information and method for providing electric-moving-body information
US10732633B2 (en) Operation model construction system, operation model construction method, and non-transitory computer readable storage medium
US11768249B2 (en) Systems and methods for predicting battery life using data from a diagnostic cycle
US20230139003A1 (en) Systems and methods for managing velocity profiles
EP3513147B1 (en) Method and system for determining a route based on solar radiation information
KR102382195B1 (ko) 전기 자동차의 배터리 충전 정보 추정 장치 및 방법
Chandio et al. An approach for map-matching strategy of GPS-trajectories based on the locality of road networks
US11614491B2 (en) Systems and methods for predicting the cycle life of cycling protocols
KR20220073567A (ko) 빅데이터를 이용한 노면 상태 예측 시스템
CN113128929A (zh) 车辆载重状态的识别方法、装置、计算机设备和介质
KR102172238B1 (ko) 소프트웨어 정의 기반의 차량 센싱 장치 및 방법
US20240192004A1 (en) Fleet route physics-based modeling
EP4361819A1 (en) Methods and apparatuses for closed-loop evaluation for autonomous vehicles
US20230399001A1 (en) Vehicle sensor mode transitions
Daberkow et al. Online Processing of Crosswind and Slope for Optimizing the Energy Consumption of Future Vehicles

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant