KR102382195B1

KR102382195B1 - Method and apparatus for estimating state of charge of electric vehicle battery

Info

Publication number: KR102382195B1
Application number: KR1020150085366A
Authority: KR
Inventors: 전바롬; 모연 초우; 하비발라 라히미 에이치; 여태정
Original assignee: 삼성전자주식회사; 노쓰 캐롤라이나 스테이트 유니버시티
Priority date: 2014-12-17
Filing date: 2015-06-16
Publication date: 2022-04-05
Also published as: KR20160073899A

Abstract

전기 자동차의 배터리 충전 정보 추정 장치가 개시된다. 일실시예에 따른 전기 자동차의 배터리 충전 정보 추정 장치는 도로 데이터의 출현 빈도(frequency of appearance)에 기초하여 생성된 카테고리 별로 운전자의 과거 운전 데이터를 저장하는 과거 운전 데이터 저장부, 운전 경로의 도로 데이터를 상기 생성된 카테고리 별로 카테고리화 하고, 상기 카테고리화 된 도로 데이터에 대응하는 상기 과거 운전 데이터를 이용하여 상기 운전 경로에 대한 운전 프로파일을 생성하는 운전 프로파일 생성부 및 상기 운전 프로파일을 이용하여 상기 운전 경로에 대한 자동차 배터리의 충전 정보(State Of Charge)를 추정하는 배터리 충전 정보 추정부를 포함할 수 있다.Disclosed is an apparatus for estimating battery charge information of an electric vehicle. An apparatus for estimating battery charge information of an electric vehicle according to an embodiment includes a past driving data storage unit that stores past driving data of a driver for each category generated based on a frequency of appearance of road data, and road data of a driving route a driving profile generator that categorizes by the generated categories, and generates a driving profile for the driving route using the past driving data corresponding to the categorized road data, and the driving path using the driving profile It may include a battery charge information estimator for estimating state of charge of the vehicle battery.

Description

Apparatus and method for estimating battery charging information for electric vehicles

아래의 실시 예들은 자동차의 주행 가능 거리 추정을 위해 운전자의 과거 운전 데이터를 분석하여 운전 프로파일을 생성하고 운전 경로에 대한 배터리 충전 정보를 추정하는 방법 및 장치에 관한 것이다.The following embodiments relate to a method and apparatus for generating a driving profile by analyzing a driver's past driving data to estimate the drivable distance of a vehicle and estimating battery charge information for a driving route.

환경문제와 에너지 자원 문제가 중요시되는 가운데 전기 자동차 (Electric Vehicle)가 미래의 운송 수단으로 각광받고 있다.While environmental issues and energy resource issues are becoming more important, electric vehicles are in the spotlight as a means of transportation in the future.

그러나, 전기 자동차는 운행 중간에 전력을 빠른 속도로 충전할 수 있는 기술이 부족하기 때문에, 운행 전에 미리 주행 가능 거리를 측정하여, 남아있는 전력으로 원하는 목적지까지 도달 가능한지 여부를 판단할 수 있어야 한다.However, since the electric vehicle lacks a technology capable of rapidly charging power in the middle of driving, it should be possible to determine whether it is possible to reach a desired destination with the remaining power by measuring the drivable distance before driving.

운전자의 운전 습관을 나타내는 운전 중 속도 및 가속도는 전기 자동차의 주행 가능 거리의 추정에 있어서 중요한 파라미터 중 하나이다. 또, 운전자의 운전 습관뿐만 아니라 운전자가 목적지까지 운전할 도로의 특성에 따라 운전자의 운전 속도 및 가속도가 결정될 수 있다. 이때, 특정 운전자는 다양한 운전 지역에서 다른 속도 및 다른 가속도로 운전한다. 따라서, 운전자의 특정 도로에 따른 운전 습관을 고려하여 운전 프로파일을 생성할 필요가 있다.Driving speed and acceleration, which indicate a driver's driving habits, are one of important parameters in estimating the drivable distance of an electric vehicle. In addition, the driving speed and acceleration of the driver may be determined according to the characteristics of the road on which the driver will drive to the destination as well as the driving habit of the driver. At this time, a specific driver drives at different speeds and different accelerations in various driving areas. Accordingly, it is necessary to generate a driving profile in consideration of the driving habit of the driver according to a specific road.

일실시예에 따른 전기 자동차의 배터리 충전 정보 추정 장치는, 도로 데이터의 출현 빈도(frequency of appearance)에 기초하여 생성된 카테고리 별로 운전자의 과거 운전 데이터를 저장하는 과거 운전 데이터 저장부, 운전 경로의 도로 데이터를 상기 생성된 카테고리 별로 카테고리화 하고, 상기 카테고리화 된 도로 데이터에 대응하는 상기 과거 운전 데이터를 이용하여 상기 운전 경로에 대한 운전 프로파일을 생성하는 운전 프로파일 생성부 및 상기 운전 프로파일을 이용하여 상기 운전 경로에 대한 자동차 배터리의 충전 정보(State Of Charge)를 추정하는 배터리 충전 정보 추정부를 포함할 수 있다.An apparatus for estimating battery charge information of an electric vehicle according to an embodiment includes a past driving data storage unit that stores past driving data of a driver for each category generated based on a frequency of appearance of road data, and a road of a driving route. A driving profile generator that categorizes data by the generated categories, and generates a driving profile for the driving route using the past driving data corresponding to the categorized road data, and the driving using the driving profile It may include a battery charge information estimator for estimating the state of charge of the vehicle battery for the route.

이때, 과거 운전 데이터 저장부는, 상기 생성된 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장할 수 있다.In this case, the past driving data storage unit may store a speed profile in road data corresponding to the generated category.

일 측에 따르면, 상기 과거 운전 데이터 저장부는, 상기 도로 데이터가 미리 존재하는 카테고리에 포함되는지 여부를 판단하고, 상기 도로 데이터가 미리 존재하는 카테고리에 포함되는 경우에 응답하여, 해당 카테고리로 분류하고, 상기 도로 데이터가 미리 존재하는 카테고리에 포함되지 않는 경우에 응답하여, 기타 카테고리로 분류할 수 있다.According to one side, the past driving data storage unit determines whether the road data is included in a pre-existing category, and in response to a case in which the road data is included in a pre-existing category, classifies it into a corresponding category, In response to a case in which the road data is not included in a pre-existing category, the road data may be classified into other categories.

이때, 상기 과거 운전 데이터 저장부는, 상기 기타 카테고리로 분류된 도로 데이터 중 특정 도로 데이터의 반복 횟수가 미리 정해진 수와 동일한 경우, 상기 특정 도로 데이터에 대응하는 새로운 카테고리를 생성하는 카테고리 생성부를 포함할 수 있다.In this case, the past driving data storage unit may include a category generating unit that generates a new category corresponding to the specific road data when the number of repetitions of the specific road data among the road data classified into the other categories is equal to a predetermined number there is.

여기서, 미리 정해진 수는, 상기 미리 존재하는 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 도로 데이터 반복 횟수가 될 수 있다.Here, the predetermined number may be the number of repetitions of road data of a category having the minimum number of repetitions of road data among the previously existing categories.

다른 일 측에 따르면, 상기 과거 운전 데이터 저장부는, 상기 과거 운전 데이터의 통계 정보를 생성하고, 상기 과거 운전 데이터의 천이 확률 행렬(Transition Probability Matrix)을 계산하고, 상기 과거 운전 데이터의 통계 기준(Statistical criteria)을 생성할 수 있다.According to another aspect, the past driving data storage unit generates statistical information of the past driving data, calculates a transition probability matrix of the past driving data, and performs a statistical method of the past driving data. criteria) can be created.

또 다른 일 측에 따르면, 상기 운전 프로파일 생성부는, 상기 과거 운전 데이터 저장부에 저장된 과거 운전 데이터를 이용하여 생성된 속도 프로파일, 날씨 정보 웹사이트로부터 수신된 정보를 이용하여 생성된 날씨 프로파일 및 맵 서비스 데이터베이스로부터 수신된 정보를 이용하여 생성된 도로 프로파일 중 적어도 하나를 이용하여 운전 프로파일을 생성할 수 있다.According to another aspect, the driving profile generating unit may include: a speed profile generated using past driving data stored in the past driving data storage unit, a weather profile generated using information received from a weather information website, and a map service A driving profile may be generated using at least one of road profiles generated using information received from the database.

또 다른 일 측에 따르면, 상기 운전 프로파일 생성부는, 맵 서비스 데이터베이스로부터 상기 운전 경로에 대응하는 경로 데이터를 수신하는 수신부, 상기 경로 데이터에서 도로 데이터를 추출하는 추출부 및 상기 도로 데이터를 상기 생성된 카테고리 별로 카테고리화 하는 카테고리화부를 포함할 수 있다.According to another aspect, the driving profile generator may include a receiver for receiving route data corresponding to the driving route from a map service database, an extractor for extracting road data from the route data, and a category based on the generated road data. It may include a categorization unit that categorizes each.

또 다른 일 측에 따르면, 상기 운전 경로 수신부는, 상기 경로 데이터를 XML 형식으로 저장하고, 상기 추출부는, 상기 경로 데이터의 summary 필드에서 상기 도로 데이터를 추출할 수 있다.According to another aspect, the driving route receiver may store the route data in an XML format, and the extractor may extract the road data from a summary field of the route data.

또 다른 일 측에 따르면, 상기 운전 프로파일 생성부는, 상기 카테고리화 된 도로 데이터에 대응하는 상기 과거 운전 데이터에 천이 확률 행렬을 적용하여 상기 운전 프로파일을 생성할 수 있다.According to another aspect, the driving profile generator may generate the driving profile by applying a transition probability matrix to the past driving data corresponding to the categorized road data.

또 다른 일 측에 따르면, 상기 운전 프로파일 생성부는, 상기 운전 프로파일이 상기 과거 운전 데이터의 통계 기준을 만족하는지 확인하는 검증 모듈을 포함할 수 있다.According to another aspect, the driving profile generator may include a verification module that checks whether the driving profile satisfies a statistical criterion of the past driving data.

또 다른 일 측에 따르면, 상기 통계 기준은, 평균 속도(Average Speed), 평균 가속도(Average Acceleration), 속도의 표준 편차(Standard Deviation of Speed), 가속도의 표준 편차(Standard Deviation of Acceleration), 평균 양의 가속도 (Mean Positive Acceleration) 및 평균 양의 속도 (Mean Positive Speed) 중 적어도 하나를 포함할 수 있다.According to another aspect, the statistical criteria are, average speed, average acceleration, standard deviation of speed, standard deviation of acceleration, average amount may include at least one of an acceleration (Mean Positive Acceleration) and an average positive speed (Mean Positive Speed).

일실시예에 따른 전기 자동차의 배터리 충전 정보 추정 방법은, 도로 데이터의 출현 빈도(frequency of appearance)에 기초하여 생성된 카테고리 별로 운전자의 과거 운전 데이터를 저장하는 단계, 운전 경로의 도로 데이터를 상기 생성된 카테고리 별로 카테고리화 하고, 상기 카테고리화 된 도로 데이터에 대응하는 상기 과거 운전 데이터를 이용하여 상기 운전 경로에 대한 운전 프로파일을 생성하는 단계 및 상기 운전 프로파일을 이용하여 상기 운전 경로에 대한 자동차 배터리의 충전 정보(State Of Charge)를 추정하는 단계를 포함할 수 있다.A method for estimating battery charge information of an electric vehicle according to an embodiment includes storing past driving data of a driver for each category generated based on a frequency of appearance of road data, and generating road data of a driving route. categorizing for each category, generating a driving profile for the driving route using the past driving data corresponding to the categorized road data, and charging a vehicle battery for the driving route using the driving profile It may include the step of estimating the information (State Of Charge).

일 측에 따르면, 상기 과거 운전 데이터를 저장하는 단계는, 상기 생성된 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장할 수 있다.According to one side, the storing of the past driving data may include storing a speed profile in road data corresponding to the generated category.

다른 일 측에 따르면, 상기 과거 운전 데이터를 저장하는 단계는, 상기 도로 데이터가 미리 존재하는 카테고리에 포함되는지 여부를 판단하는 단계, 상기 도로 데이터가 미리 존재하는 카테고리에 포함되는 경우에 응답하여, 해당 카테고리로 분류하는 단계 및 상기 도로 데이터가 미리 존재하는 카테고리에 포함되지 않는 경우에 응답하여, 기타 카테고리로 분류하는 단계를 포함할 수 있다.According to another aspect, the storing of the past driving data may include determining whether the road data is included in a pre-existing category, and in response to the road data being included in a pre-existing category, the corresponding The method may include classifying into categories and classifying into other categories in response to a case in which the road data is not included in a pre-existing category.

이때, 상기 기타 카테고리로 분류하는 단계는, 상기 기타 카테고리로 분류된 도로 데이터 중 특정 도로 데이터의 반복 횟수가 상기 미리 존재하는 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 도로 데이터 반복 횟수 이상일 경우, 상기 특정 도로 데이터에 대응하는 새로운 카테고리를 생성하는 단계를 포함할 수 있다.In this case, in the step of classifying into other categories, when the number of repetitions of specific road data among the road data classified into the other categories is greater than or equal to the number of repetitions of road data in the category having the minimum number of repetitions of road data among the pre-existing categories, It may include generating a new category corresponding to the specific road data.

또 다른 일 측에 따르면, 상기 과거 운전 데이터를 저장하는 단계는, 상기 과거 운전 데이터의 통계 정보를 생성하고, 상기 과거 운전 데이터의 천이 확률 행렬(Transition Probability Matrix)을 계산하고, 상기 과거 운전 데이터의 통계 기준(Statistical criteria)을 생성할 수 있다.According to another aspect, the storing of the past driving data may include generating statistical information of the past driving data, calculating a transition probability matrix of the past driving data, and Statistical criteria can be created.

또 다른 일 측에 따르면, 상기 운전 프로파일을 생성하는 단계는, 상기 과거 운전 데이터 저장부에 저장된 과거 운전 데이터를 이용하여 생성된 속도 프로파일, 날씨 정보 웹사이트로부터 수신된 정보를 이용하여 생성된 날씨 프로파일 및 맵 서비스 데이터베이스로부터 수신된 정보를 이용하여 생성된 도로 프로파일 중 적어도 하나를 이용하여 운전 프로파일을 생성할 수 있다.According to another aspect, the generating of the driving profile may include a speed profile generated using past driving data stored in the past driving data storage unit, and a weather profile generated using information received from a weather information website. and a driving profile may be generated using at least one of a road profile generated using information received from the map service database.

또 다른 일 측에 따르면, 상기 운전 프로파일을 생성하는 단계는, 맵 서비스 데이터베이스로부터 상기 운전 경로에 대응하는 경로 데이터를 수신하는 단계, 상기 경로 데이터에서 도로 데이터를 추출하는 단계 및 상기 도로 데이터를 상기 생성된 카테고리 별로 카테고리화 하는 단계를 포함할 수 있다.According to another aspect, the generating of the driving profile may include receiving route data corresponding to the driving route from a map service database, extracting road data from the route data, and generating the road data. It may include a step of categorizing each category.

또 다른 일 측에 따르면, 상기 운전 프로파일을 생성하는 단계는, 상기 카테고리화 된 도로 데이터에 대응하는 상기 과거 운전 데이터에 천이 확률 행렬을 적용하여 상기 운전 프로파일을 생성할 수 있다.According to another aspect, the generating of the driving profile may include generating the driving profile by applying a transition probability matrix to the past driving data corresponding to the categorized road data.

또 다른 일 측에 따르면, 상기 운전 프로파일을 생성하는 단계는, 상기 운전 프로파일이 상기 과거 운전 데이터의 통계 기준을 만족하는지 확인하는 단계를 포함할 수 있다.According to another aspect, the generating of the driving profile may include checking whether the driving profile satisfies a statistical criterion of the past driving data.

도 1은 전기 자동차의 주행 가능 거리를 추정하는 장치를 설명하기 위한 블록도이다.
도 2는 전기 자동차의 자유도 다이어그램(free body diagram)이다.
도 3은 일실시예에 따른 전기 자동차의 배터리 충전 정보 추정 장치를 설명하기 위한 블록도이다.
도 4는 일실시예에 따른 운전 프로파일 생성부를 설명하기 위한 도면이다.
도 5는 일실시예에 따른 XML 형식의 경로 데이터를 설명하기 위한 도면이다.
도 6은 일실시예에 따른 운전자의 과거 운전 데이터를 분석하는 방법을 설명하기 위한 흐름도이다.
도 7은 전기 자동차의 배터리 충전 정보 추정 방법의 흐름도이다.
도 8은 일실시예에 따라 운전 경로의 속도 프로파일을 생성하는 방법을 설명하기 위한 흐름도이다.
도 9는 일실시예에 따라 과거 운전 데이터를 이용해 카테고리를 생성하는 방법을 설명하기 위한 흐름도이다.1 is a block diagram illustrating an apparatus for estimating a drivable distance of an electric vehicle.
2 is a free body diagram of an electric vehicle.
3 is a block diagram illustrating an apparatus for estimating battery charge information of an electric vehicle according to an exemplary embodiment.
4 is a diagram for describing a driving profile generator according to an exemplary embodiment.
5 is a diagram for explaining path data in XML format according to an embodiment.
6 is a flowchart illustrating a method of analyzing a driver's past driving data according to an exemplary embodiment.
7 is a flowchart of a method for estimating battery charge information of an electric vehicle.
8 is a flowchart illustrating a method of generating a speed profile of a driving route according to an exemplary embodiment.
9 is a flowchart illustrating a method of generating a category using past driving data according to an exemplary embodiment.

이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. Like reference numerals in each figure indicate like elements.

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.Various modifications may be made to the embodiments described below. It should be understood that the embodiments described below are not intended to limit the embodiments, and include all modifications, equivalents, and substitutes thereto.

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.Terms used in the examples are used only to describe specific examples, and are not intended to limit the examples. The singular expression includes the plural expression unless the context clearly dictates otherwise. In the present specification, terms such as “comprise” or “have” are intended to designate that a feature, number, step, operation, component, part, or combination thereof described in the specification exists, but one or more other features It should be understood that this does not preclude the existence or addition of numbers, steps, operations, components, parts, or combinations thereof.

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.Unless otherwise defined, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art to which the embodiment belongs. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present application. does not

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.In addition, in the description with reference to the accompanying drawings, the same components are given the same reference numerals regardless of the reference numerals, and the overlapping description thereof will be omitted. In describing the embodiment, if it is determined that a detailed description of a related known technology may unnecessarily obscure the gist of the embodiment, the detailed description thereof will be omitted.

도 1은 전기 자동차의 주행 가능 거리를 추정하는 장치를 설명하기 위한 블록도이다.1 is a block diagram illustrating an apparatus for estimating a drivable distance of an electric vehicle.

도 1을 참조하면, 전기 자동차의 주행 가능 거리를 추정하는 장치(100)는 운전 프로파일 생성부(110), 전력 계산부(120), 배터리 시뮬레이터(130) 및 주행 가능 거리 추정부(140)를 포함할 수 있다.Referring to FIG. 1 , the apparatus 100 for estimating the drivable distance of an electric vehicle includes a driving profile generator 110 , a power calculator 120 , a battery simulator 130 , and a drivable distance estimator 140 . may include

이때, 운전 프로파일 생성부(110)는 속도 프로파일 생성부(111), 도로 프로파일 생성부(112) 및 날씨 프로파일 생성부(113)를 포함할 수 있다. 여기서, 운전 프로파일은 운전자가 주행하고자 하는 운전 경로에 대해 예상되는 운전을 말한다. 따라서, 운전 프로파일 생성부(110)는 운전 경로에 대한 운전자의 운전 스타일을 예측하여 운전 프로파일을 생성할 수 있다.In this case, the driving profile generator 110 may include a speed profile generator 111 , a road profile generator 112 , and a weather profile generator 113 . Here, the driving profile refers to an expected driving for a driving path that the driver intends to drive. Accordingly, the driving profile generator 110 may generate the driving profile by predicting the driving style of the driver with respect to the driving route.

속도 프로파일 생성부(111)는 운전자의 과거 운전 데이터를 기초로 원하는 목적지까지의 속도 프로파일 및 가속도 프로파일을 생성할 수 있다. 여기서, 속도 프로파일 및 가속도 프로파일은 운전 경로에서의 예상 속도 및 예상 가속도를 포함할 수 있다.The speed profile generator 111 may generate a speed profile and an acceleration profile to a desired destination based on the driver's past driving data. Here, the speed profile and the acceleration profile may include the expected speed and the expected acceleration in the driving route.

일실시예에 따르면, 속도 프로파일 생성부(111)는 운전자의 과거 운전 데이터에 기초한 속도 및 가속도 정보를 이용해서 해당 경로 동안 운전자의 속도 및 가속도 프로파일을 생성할 수 있다.According to an exemplary embodiment, the speed profile generator 111 may generate a speed and acceleration profile of the driver during a corresponding route by using speed and acceleration information based on the driver's past driving data.

도로 프로파일 생성부(112)는 맵 서비스 어플리케이션으로부터 수신한 경로 데이터를 통해 원하는 목적지까지의 도로 도로 프로파일을 생성할 수 있다. 이때, 도로 프로파일은 운전 경로에서의 도로 상태 및 도로의 경사도를 포함할 수 있다. 여기서, 맵 서비스 어플리케이션은 예를 들면, 구글 맵(Google map) 및 맵 퀘스트(MapQuest)와 같은 웹 매핑 서비스 어플리케이션 또는 톰톰(TomTom) 및 가민(Garmin)과 같은 차량 탑재 네비게이션 서비스 어플리케이션 중 적어도 하나를 포함할 수 있다.The road profile generator 112 may generate a road profile to a desired destination through route data received from the map service application. In this case, the road profile may include a road condition in a driving route and a slope of the road. Here, the map service application includes, for example, at least one of a web mapping service application such as Google map and MapQuest, or an in-vehicle navigation service application such as TomTom and Garmin. can do.

날씨 프로파일 생성부(113)는 기상 웹 사이트를 통하여 수신한 경로상의 날씨 정보를 이용하여 날씨 프로파일을 생성할 수 있다. 여기서, 날씨 프로파일은 운전 경로에서의 예상 날씨를 포함할 수 있다.The weather profile generator 113 may generate a weather profile by using weather information on a route received through a weather website. Here, the weather profile may include predicted weather on the driving route.

전력 계산부(120)은 속도 프로파일 생성부(111), 도로 프로파일 생성부(112) 및 날씨 프로파일 생성부(113)를 통해 수집된 정보를 결합하여 전기 자동차가 원하는 목적지까지 주행하는데 필요한 전력을 계산할 수 있다.The power calculator 120 combines the information collected through the speed profile generator 111, the road profile generator 112, and the weather profile generator 113 to calculate the power required for the electric vehicle to drive to the desired destination. can

배터리 시뮬레이터(130)는 전기 자동차 운행에 필요한 전력을 전기 자동차에 탑재된 배터리가 공급할 수 있는지를 확인할 수 있다.The battery simulator 130 may check whether the battery mounted in the electric vehicle can supply electric power required for driving the electric vehicle.

주행 가능 거리 추정부(140)는 배터리 충전 정보를 이용하여 전기 자동차가 원하는 목적지까지 주행 가능한지 여부를 추정할 수 있다. 또, 주행 가능 거리 추정부(140)는 목적지까지의 거리 중 어디까지 주행이 가능한지를 추정할 수 있다.The drivable distance estimator 140 may estimate whether the electric vehicle can travel to a desired destination by using the battery charging information. In addition, the drivable distance estimator 140 may estimate how far driving is possible among the distances to the destination.

도 2는 전기 자동차의 자유도 다이어그램(free body diagram)이다. 도 2를 통해서 배터리 전력을 계산하기 위해 요구되는 파라미터를 알아볼 수 있다.2 is a free body diagram of an electric vehicle. Referring to FIG. 2 , a parameter required to calculate battery power can be identified.

도 2를 참조하면, 자동차(210)를 움직이기 위한 견인력(F_Traction; 220)은 공기 저항력(F_aero; 230), 타이어 마찰력(F_Tire; 240), 중력(F_grav; 250) 및 가속도(F_accel; 260)의 스칼라 합이 될 수 있다. 따라서, 견인력(F_Traction; 220)은 수학식 1과 같이 표현될 수 있다.2, the traction force (F _Traction ; 220) for moving the vehicle 210 is air resistance force (F _aero 230), tire friction force (F _Tire ; 240), gravity (F _grav ; 250) and acceleration ( It can be a scalar sum of F _accel ; 260). Accordingly, the traction force (F _Traction ; 220) may be expressed as in Equation (1).

타이어 마찰력(F_Tire; 240)은 수학식 2와 같다.The tire friction force (F _Tire 240) is the same as in Equation 2.

여기서,

은 마찰 계수이고, m은 자동차의 질량이고, g는 중력 가속도이다.here,

is the coefficient of friction, m is the mass of the car, and g is the gravitational acceleration.

중력(F_grav; 250)은 수학식 3과 같다.Gravity (F _grav ; 250) is the same as in Equation 3.

여기서, m은 자동차의 질량이고, g는 중력 가속도이다.where m is the mass of the vehicle and g is the acceleration due to gravity.

공기 저항력(F_aero; 230)은 수학식 4와 같다.Air resistance (F _aero ; 230 ) is the same as in Equation (4).

여기서,

는 공기 밀도이고, A는 자동차의 앞 면적이며, C_d는 자동차의 항력 계수이고, v는 자동차의 속도, v_w는 반대 방향으로 불어오는 바람의 속도를 말한다.here,

is the air density, A is the front area of the car, C _d is the drag coefficient of the car, v is the speed of the car, and v _w is the speed of the wind blowing in the opposite direction.

가속도(F_accel; 260)는 수학식 5와 같다.The acceleration F _accel 260 is expressed in Equation 5.

여기서, m은 자동차의 질량이고, I는 로터(rotor)의 관성 모멘트(moment of inertia)이며,

는 기어 시스템 효율, r은 바퀴의 반지름, G는 기어비이다.where m is the mass of the vehicle, I is the moment of inertia of the rotor,

is the gear system efficiency, r is the radius of the wheel, and G is the gear ratio.

견인을 위한 전력(

)은 수학식 6과 같다.Power for towing (

) is the same as in Equation 6.

여기서,

는 기어 시스템 효율이고, v는 자동차의 속도이다.here,

is the gear system efficiency, and v is the speed of the car.

다음으로, 필요한 모터의 전력(

)은 수학식 7과 같다.Next, the required motor power (

) is the same as in Equation 7.

여기서,

는 자동차 모터의 효율이다.here,

is the efficiency of the car motor.

배터리의 전력(

)은 수학식 8과 같다.battery power (

) is the same as in Equation 8.

즉, 수학식 8을 참조하면, 배터리의 전력은 모터의 전력과 그 외 부수적인 전력(

; 예를 들면, 에어컨, 오디오 및 기타 차량 내 전자 장비 등에 소비되는 전력)의 합으로 나타낼 수 있다.That is, referring to Equation 8, the power of the battery is the power of the motor and other ancillary power (

; For example, it can be expressed as the sum of power consumed by air conditioners, audio devices, and other electronic equipment in the vehicle).

수학식 8에 수학식 1 내지 수학식 7을 대입하면, 배터리의 전력(

)수학식 9와 같이 나타낼 수 있다.Substituting Equations 1 to 7 into Equation 8, the power of the battery (

) can be expressed as Equation 9.

여기서, 전기 자동차에 관련된 데이터는 전기 자동차 제조사로부터 얻을 수 있는 표준 정보가 될 수 있다. 또한, 배터리 모델에 관련된 파라미터들은 배터리 내부 저항에 대한 등가 회로 모델을 적용하여 획득될 수 있다. 그리고, 부수적인 전력(

)은 다양한 주행 상황에서 변하지 않는 것으로 볼 수 있다. 따라서, 전기 자동차의 배터리 전력에 영향을 주는 변수는 자동차의 속도, 가속도, 바람 속도 및 도로 등급(road grade)이 될 수 있다. 따라서, 전기 자동차 배터리의 전력량(

)은 수학식 10과 같다.Here, the data related to the electric vehicle may be standard information obtainable from the electric vehicle manufacturer. In addition, parameters related to the battery model may be obtained by applying an equivalent circuit model to the internal resistance of the battery. And, the incidental power (

) can be seen as not changing in various driving situations. Accordingly, variables affecting the battery power of the electric vehicle may be vehicle speed, acceleration, wind speed, and road grade. Therefore, the amount of electricity in the electric vehicle battery (

) is the same as Equation 10.

즉, 수학식 10을 참조하면, 배터리의 전력을 출발지부터 목적지까지 시간으로 적분하면, 자동차의 속도, 자동차의 가속도, 바람의 속도 및 도로의 등급에 관한 함수로 나타낼 수 있다. 따라서, 자동차 운행에 따른 배터리의 충전 정보를 추정하기 위해서, 날씨 정보, 도로의 등급, 자동차의 속도 및 자동차의 가속도가 매우 중요한 요인임을 알 수 있다.That is, referring to Equation 10, if the power of the battery is integrated with time from the source to the destination, it can be expressed as a function related to the speed of the vehicle, the acceleration of the vehicle, the speed of the wind, and the grade of the road. Accordingly, it can be seen that weather information, road grade, vehicle speed, and vehicle acceleration are very important factors in order to estimate battery charging information according to vehicle operation.

도 3은 일실시예에 따른 전기 자동차의 배터리 충전 정보 추정 장치를 설명하기 위한 블록도이다.3 is a block diagram illustrating an apparatus for estimating battery charge information of an electric vehicle according to an exemplary embodiment.

도 3을 참조하면, 전기 자동차의 배터리 충전 정보 추정 장치(300)는 과거 운전 데이터 저장부(310), 운전 프로파일 생성부(320) 및 배터리 충전 정보 추정부(330)를 포함할 수 있다. 이때, 전기 자동차의 배터리 충전 정보 추정 장치(300)는 맵 서비스 데이터베이스(340)를 더 포함할 수도 있고, 외부의 맵 서비스 어플리케이션으로부터 경로 정보 만을 수신할 수도 있다. 이때, 운전 프로파일 생성부(320)는 맵 서비스 데이터베이스(340)로부터 경로 데이터를 수신할 수 있다.Referring to FIG. 3 , the apparatus 300 for estimating battery charge information of an electric vehicle may include a past driving data storage unit 310 , a driving profile generation unit 320 , and a battery charging information estimation unit 330 . In this case, the apparatus 300 for estimating battery charge information of the electric vehicle may further include a map service database 340 or may receive only route information from an external map service application. In this case, the driving profile generator 320 may receive route data from the map service database 340 .

특정 운전자마다 운전 성향이 다르기 때문에 도로의 평균 속도 및 평균 가속도에 따라 속도 프로파일 및 가속도 프로파일을 생성할 경우 거리 추정 시 오차가 매우 크게 된다. 따라서, 정확한 운전자의 속도 프로파일을 생성하기 위해 해당 운전자의 과거 운전 데이터를 수집하여 저장할 수 있다.Since each driver has a different driving tendency, when the speed profile and acceleration profile are generated according to the average speed and average acceleration of the road, an error in estimating the distance becomes very large. Therefore, in order to generate an accurate driver's speed profile, the driver's past driving data may be collected and stored.

현재 존재하는 전기 자동차 주행 가능 거리 추정 기술은 데이터의 수집에 한정되어 있다. 운전자의 운전 습관을 나타내는 운전 중 속도 및 가속도는 전기 자동차의 주행 가능 거리 추정에 있어서 중요한 파라미터 중 하나이다. 또한, 운전자의 속도 및 가속도는 운전자가 운전할 경로의 종류에도 밀접한 관계가 있다. 특정 운전자는 다양한 도로에서 각각 다른 속도 및 가속도로 운전한다. 그리고 서로 다른 도로의 속도 및 가속도 데이터가 혼합된 상태에서 미래 속도를 예측하는 것은 정확하지 않다. 따라서, 운전 프로파일을 생성하기 위한 경로의 분류는 결과의 정확도를 높이기 위한 중요한 요소가 될 수 있다. 일실시예에 따른 전기 자동차의 배터리 충전 정보 추정 장치를 통해 예측성 거리 추정 알고리즘의 정확도를 개선할 수 있다.Existing electric vehicle mileage estimation technology is limited to data collection. Driving speed and acceleration, which indicate a driver's driving habits, are one of important parameters in estimating the driving range of an electric vehicle. Also, the driver's speed and acceleration are closely related to the type of route the driver will drive. A particular driver drives at different speeds and accelerations on different roads. And it is not accurate to predict the future speed with a mixture of speed and acceleration data on different roads. Accordingly, the classification of the route for generating the driving profile may be an important factor for increasing the accuracy of the result. Accuracy of a predictive distance estimation algorithm may be improved through the apparatus for estimating battery charge information of an electric vehicle according to an embodiment.

일실시예에 따른 과거 운전 데이터 저장부(310)는 도로 데이터의 출현 빈도(frequency of appearance)에 기초하여 생성된 카테고리 별로 운전자의 과거 운전 데이터를 저장할 수 있다. 과거 운전 데이터 저장부(310)가 운전자의 과거 운전 데이터를 저장하면, 운전 프로파일 생성부(320)는 운전자가 특정 도로를 지날 때의 자동차의 속도 및 자동차의 가속도 정보를 과거 운전 데이터 저장부(310)로부터 읽어올 수 있다.The past driving data storage unit 310 according to an embodiment may store the driver's past driving data for each category generated based on the frequency of appearance of road data. When the past driving data storage unit 310 stores the driver's past driving data, the driving profile generation unit 320 stores the vehicle speed and vehicle acceleration information when the driver passes a specific road to the past driving data storage unit 310 . ) can be read from

일실시예에 따른 과거 운전 데이터 저장부(310)는 전기 자동차에 미리 탑재될 수 있으며, 운전자가 별도로 소지하고 있을 수 있다. 일실시예에 따르면, 운전자의 사용자 단말에 포함된 메모리에 운전시 마다 새로운 운전 데이터를 저장할 수 있다. 다른 일실시예에 따르면, 전기 자동차의 메모리에 운전자를 지정하여 새로운 운전 데이터를 저장할 수 있다.The past driving data storage unit 310 according to an embodiment may be pre-loaded in the electric vehicle, and may be separately possessed by the driver. According to an embodiment, new driving data may be stored in a memory included in the driver's user terminal every time the driver is driving. According to another exemplary embodiment, new driving data may be stored by designating a driver in the memory of the electric vehicle.

일실시예에 따른 과거 운전 데이터 저장부(310)는 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장할 수 있다.The past driving data storage unit 310 according to an embodiment may store a speed profile in road data corresponding to a category.

운전자가 전기 자동차를 운전할 때, 네비게이션 서비스 어플리케이션 및 맵 서비스 어플리케이션 중 적어도 하나를 이용하여 운전하고 있는 도로 데이터를 실시간으로 알 수 있다. 여기서, 맵 서비스 어플리케이션은 구글 맵(Google map) 및 맵 퀘스트(MapQuest)와 같은 웹 매핑 서비스 어플리케이션을 포함할 수 있다. 또한, 맵 서비스 어플리케이션은 톰톰(TomTom) 및 가민(Garmin)과 같은 차량 탑재 네비게이션 서비스 어플리케이션 중 적어도 하나를 포함할 수 있다.When the driver drives the electric vehicle, the driving road data may be known in real time by using at least one of a navigation service application and a map service application. Here, the map service application may include a web mapping service application such as Google map and MapQuest. Also, the map service application may include at least one of in-vehicle navigation service applications such as TomTom and Garmin.

일실시예에 따른 과거 운전 데이터 저장부(310)는 도로 데이터에 대응하는 자동차의 속도 및 자동차의 가속도를 저장할 수 있다. 다른 일실시예에 따른 과거 운전 데이터 저장부(310)는 도로 데이터의 카테고리에 대응하는 자동차의 속도 및 자동차의 가속도를 저장할 수 있다.The past driving data storage unit 310 according to an embodiment may store the vehicle speed and vehicle acceleration corresponding to road data. The past driving data storage unit 310 according to another exemplary embodiment may store the vehicle speed and vehicle acceleration corresponding to the category of road data.

여기서, 카테고리는 도로 데이터의 출현 빈도(frequency of appearance)에 기초하여 생성될 수 있다. 보다 구체적으로, 일실시예에 따른 과거 운전 데이터 저장부(310)는, 운전 중인 도로에 대응하는 도로 데이터가 미리 존재하는 카테고리에 포함되는지 여부를 판단할 수 있다. 과거 운전 데이터 저장부(310)는 운전 중인 도로에 대응하는 도로 데이터가 미리 존재하는 카테고리에 포함되는 경우, 해당 카테고리로 분류할 수 있다. 또 운전 중인 도로에 대응하는 도로 데이터가 미리 존재하는 카테고리에 포함되지 않는 경우, 기타 카테고리로 분류할 수 있다.Here, the category may be generated based on the frequency of appearance of road data. More specifically, the past driving data storage unit 310 according to an embodiment may determine whether road data corresponding to the road being driven is included in a pre-existing category. When the road data corresponding to the road being driven is included in a pre-existing category, the past driving data storage unit 310 may classify the data into the corresponding category. In addition, when road data corresponding to the driving road is not included in a pre-existing category, it may be classified into other categories.

일실시예에 따른 과거 운전 데이터 저장부(310)는, 도로 데이터에 대응하여 분류된 카테고리에 따라 자동차의 속도 및 자동차의 가속도 정보를 저장할 수 있다. 만약, 운전 중인 도로에 대응하는 도로 데이터가 미리 존재하는 카테고리에 포함되는 경우, 해당 카테고리에 자동차의 속도 및 자동차의 가속도 정보를 저장할 수 있다.The past driving data storage unit 310 according to an embodiment may store information on the speed of the vehicle and the acceleration of the vehicle according to a category classified corresponding to the road data. If road data corresponding to the road on which the vehicle is being driven is included in a pre-existing category, vehicle speed and vehicle acceleration information may be stored in the corresponding category.

이때, 기타 카테고리에 저장되는 도로 데이터가 많아지게 되면, 중복되는 도로 데이터 역시 늘어나게 된다. 따라서, 과거 운전 데이터 저장부(310)는 출현 빈도가 많아진 도로 데이터에 대응하는 새로운 카테고리를 생성하여 기타 카테고리에 저장되는 도로 데이터를 줄이고, 배터리 충전 정보 추정의 정확도를 높일 수 있다.In this case, when the amount of road data stored in other categories increases, the overlapping road data also increases. Accordingly, the past driving data storage unit 310 may reduce road data stored in other categories by creating a new category corresponding to road data with an increased frequency of appearance, and increase the accuracy of estimating battery charge information.

일실시예에 따른 과거 운전 데이터 저장부(310)는, 기타 카테고리로 분류된 도로 데이터 중 특정 도로 데이터의 반복 횟수가 미리 정해진 수와 동일한 경우, 상기 특정 도로 데이터에 대응하는 새로운 카테고리를 생성하는 카테고리 생성부를 포함할 수 있다. 예를 들면, 운전자가 카테고리로 분류되지 않은 US-101 도로를 처음 지나갈 경우에는, 과거 운전 데이터 저장부(310)는 기타 카테고리에 자동차 속도 및 자동차 가속도 정보를 저장할 수 있다. 이때, 운전자가 US-101 도로를 꾸준히 이용하게 되어 반복 횟수가 미리 정해진 수가 되면, 과거 운전 데이터 저장부(310)는 US-101 도로에 대한 새로운 카테고리를 생성할 수 있다.The past driving data storage unit 310 according to an exemplary embodiment generates a new category corresponding to the specific road data when the number of repetitions of specific road data among road data classified into other categories is the same as a predetermined number. It may include a generator. For example, when a driver first crosses a US-101 road that is not classified into a category, the past driving data storage 310 may store vehicle speed and vehicle acceleration information in other categories. At this time, when the number of repetitions is a predetermined number as the driver continues to use the US-101 road, the past driving data storage unit 310 may create a new category for the US-101 road.

일실시예에 따르면, 미리 정해진 수는, 미리 존재하는 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 도로 데이터 반복 횟수가 될 수 있다. 즉, 기존에 생성된 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 멤버 수만큼 새로운 도로 데이터가 반복된 경우, 과거 운전 데이터 저장부(310)는 새로운 카테고리를 생성할 수 있다.According to an embodiment, the predetermined number may be the number of repetitions of road data of a category having the minimum number of repetitions of road data among pre-existing categories. That is, when new road data is repeated as many as the number of members of a category having the minimum number of road data repetitions among previously generated categories, the past driving data storage unit 310 may create a new category.

일실시예에 따른 과거 운전 데이터 저장부(310)는, 과거 운전 데이터의 통계 정보를 생성하고, 상기 과거 운전 데이터의 천이 확률 행렬(Transition Probability Matrix)을 계산할 수 있다.The past driving data storage unit 310 according to an embodiment may generate statistical information of the past driving data and calculate a transition probability matrix of the past driving data.

이때, 천이 확률 행렬은 전기 자동차의 이전 단계의 속도 및 가속도와 다음 단계의 속도 및 가속도 간의 관계를 나타내는 행렬이 될 수 있다. 따라서, 과거 운전 데이터를 분석하여 운전자의 특성에 따라 특정 경로에서 이전 단계와 다음 단계 간의 천이 확률 행렬을 계산할 수 있다.In this case, the transition probability matrix may be a matrix indicating a relationship between the velocity and acceleration of the previous stage and the velocity and acceleration of the next stage of the electric vehicle. Accordingly, by analyzing past driving data, it is possible to calculate a transition probability matrix between the previous stage and the next stage on a specific route according to the driver's characteristics.

일실시예에 따른 과거 운전 데이터 저장부(310)는, 운전자의 과거 운전 데이터의 통계 기준(Statistical criteria)을 생성할 수 있다. 이때, 통계 기준은 평균 속도(Average Speed), 평균 가속도(Average Acceleration), 속도의 표준 편차(Standard Deviation of Speed), 가속도의 표준 편차(Standard Deviation of Acceleration), 평균 양의 가속도 (Mean Positive Acceleration) 및 평균 양의 속도 (Mean Positive Speed) 중 적어도 하나를 포함할 수 있다.The past driving data storage unit 310 according to an exemplary embodiment may generate statistical criteria of the driver's past driving data. At this time, the statistical criteria are Average Speed, Average Acceleration, Standard Deviation of Speed, Standard Deviation of Acceleration, Mean Positive Acceleration and Mean Positive Speed.

일실시예에 따른 운전 프로파일 생성부(320)는 맵 서비스 데이터베이스(340)로부터 원하는 목적지까지의 경로 데이터를 수신하여 경로 데이터에 대한 운전 프로파일을 생성할 수 있다. 이때, 운전 프로파일 생성부(320)는 과거 운전 데이터를 이용하여 운전자의 특정 도로에 대한 운전 습관에 따라 운전 프로파일을 생성할 수 있다.The driving profile generator 320 according to an embodiment may receive route data from the map service database 340 to a desired destination and generate a driving profile for the route data. In this case, the driving profile generator 320 may generate a driving profile according to the driving habit of the driver on a specific road by using the past driving data.

일실시예에 따른 운전 프로파일 생성부(320)는 수신된 경로 데이터에서 도로 데이터를 추출하여, 과거 운전 데이터 저장부(310)에서 생성된 카테고리 별로 카테고리화 하고, 카테고리화 된 도로 데이터에 대응하는 과거 운전 데이터를 이용하여 운전 경로에 대한 운전 프로파일을 생성할 수 있다. 이때, 운전 프로파일은 속도 프로파일, 날씨 프로파일 및 도로 프로파일 중 적어도 하나를 포함할 수 있다.The driving profile generating unit 320 according to an embodiment extracts road data from the received route data, categorizes it by category generated in the past driving data storage unit 310, and the past corresponding to the categorized road data. A driving profile for a driving route can be created using driving data. In this case, the driving profile may include at least one of a speed profile, a weather profile, and a road profile.

일실시예에 따르면, 속도 프로파일은 과거 운전 데이터 저장부(310)에 저장된 과거 운전 데이터를 이용하여 생성할 수 있다. 날씨 프로파일은 날씨 정보 웹사이트로부터 수신된 정보를 이용하여 생성할 수 있다. 도로 프로파일은 맵 서비스 데이터베이스로부터 수신된 정보를 이용하여 생성할 수 있다.According to an embodiment, the speed profile may be generated using past driving data stored in the past driving data storage unit 310 . The weather profile may be generated using information received from a weather information website. The road profile may be generated using information received from the map service database.

일실시예에 따른 운전 프로파일 생성부(320)는, 맵 서비스 데이터베이스로부터 상기 운전 경로에 대응하는 경로 데이터를 수신하는 수신부, 경로 데이터에서 도로 데이터를 추출하는 추출부 및 도로 데이터를 생성된 카테고리 별로 카테고리화 하는 카테고리화부를 포함할 수 있다. 이에 대한 보다 구체적인 설명은 도 4에서 하도록 한다.The driving profile generator 320 according to an embodiment includes a receiver for receiving route data corresponding to the driving route from a map service database, an extractor for extracting road data from route data, and a category for generating road data by category. It may include a categorization unit to categorize it. A more detailed description thereof will be given in FIG. 4 .

일실시예에 따르면, 운전 프로파일 생성부(320)는 과거 운전 데이터 저장부(310)에서 생성된 정보를 제공받아 원하는 목적지까지의 운전 프로파일을 생성할 수 있다. 운전 프로파일 생성부(320)는, 카테고리화 된 도로 데이터에 대응하는 과거 운전 데이터에 천이 확률 행렬을 적용하여 운전 프로파일을 생성할 수 있다.According to an embodiment, the driving profile generator 320 may receive information generated from the past driving data storage 310 and generate a driving profile to a desired destination. The driving profile generator 320 may generate a driving profile by applying a transition probability matrix to past driving data corresponding to the categorized road data.

일실시예에 따르면, 운전 프로파일 생성부(320)는 마르코프 체인(Markov Chain) 기법을 사용하여 운전자의 속도 프로파일을 구성할 수 있다. 여기서, 마르코프 체인(Markov Chain) 기법은, 이전 단계의 데이터로부터 다음 단계의 데이터를 결정하는 것을 말한다. 따라서, 운전 프로파일 생성부(320)는, 과거 운전 데이터 저장부(310)에서 생성된 천이 확률 행렬(Transition Probability Matrix)을 이용해서, 이전 단계의 자동차 속도 및 자동차 가속도에서 다음 단계의 자동차 속도 및 자동차 가속도로의 전환을 결정할 수 있다.According to an embodiment, the driving profile generator 320 may configure the driver's speed profile using a Markov chain technique. Here, the Markov chain technique refers to determining the data of the next stage from the data of the previous stage. Accordingly, the driving profile generating unit 320 uses the transition probability matrix generated in the past driving data storage unit 310 to determine the vehicle speed and vehicle speed of the next stage from the vehicle speed and vehicle acceleration of the previous stage. A change in acceleration can be determined.

운전 프로파일 생성부(320)는, 운전 프로파일이 과거 운전 데이터의 통계 기준을 만족하는지 확인하는 검증 모듈을 더 포함할 수 있다. 여기서, 통계 기준은, 평균 속도(Average Speed), 평균 가속도(Average Acceleration), 속도의 표준 편차(Standard Deviation of Speed), 가속도의 표준 편차(Standard Deviation of Acceleration), 평균 양의 가속도 (Mean Positive Acceleration) 및 평균 양의 속도 (Mean Positive Speed) 중 적어도 하나를 포함할 수 있다. 일실시예에 따르면, 운전 프로파일 생성부(320)는 과거 운전 데이터 저장부(310)에서 생성된 통계 기준을 전달받을 수 있다.The driving profile generator 320 may further include a verification module that checks whether the driving profile satisfies the statistical criteria of past driving data. Here, the statistical criteria are Average Speed, Average Acceleration, Standard Deviation of Speed, Standard Deviation of Acceleration, Mean Positive Acceleration ) and may include at least one of an average positive speed (Mean Positive Speed). According to an embodiment, the driving profile generating unit 320 may receive the statistical criteria generated by the past driving data storage unit 310 .

일실시예에 따른 배터리 충전 정보 추정부(330)는 운전 프로파일 생성부(320)에서 생성된 운전 프로파일을 이용하여 전기 자동차의 주행 가능 거리를 추정할 수 있다.The battery charge information estimator 330 according to an embodiment may estimate the driving range of the electric vehicle by using the driving profile generated by the driving profile generator 320 .

일실시예에 따른 배터리 충전 정보 추정부(330)는 생성된 운전 프로파일을 이용하여 운전 경로에 대한 자동차 배터리의 충전 정보(State Of Charge)를 추정할 수 있다. 일실시예에 따르면, 배터리 충전 정보 추정부(330)는 운전 프로파일을 이용하여 운전 경로에 대한 전기 자동차 배터리의 충전 정보(State Of Charge)를 추정하고, 충전 정보를 이용하여 전기 자동차의 주행 가능 거리를 추정할 수 있다.The battery charge information estimator 330 according to an embodiment may estimate state of charge of the vehicle battery for the driving route by using the generated driving profile. According to an embodiment, the battery charge information estimator 330 estimates charge information (State Of Charge) of the electric vehicle battery for the driving route by using the driving profile, and uses the charge information to enable the driving distance of the electric vehicle can be estimated.

도 4는 일실시예에 따른 운전 프로파일 생성부를 설명하기 위한 도면이다.4 is a diagram for describing a driving profile generator according to an exemplary embodiment.

도 4를 참조하면, 운전 프로파일 생성부(400)는 입력부(410), 수신부(420), 추출부(430) 및 카테고리화부(440)을 포함할 수 있다.Referring to FIG. 4 , the driving profile generating unit 400 may include an input unit 410 , a receiving unit 420 , an extracting unit 430 , and a categorizing unit 440 .

입력부(410)는 운전자로부터 출발지 및 목적지를 입력 받을 수 있다. 또, 입력부(410)는 운전자로부터 경유지 또는 중간지를 입력 받을 수 있다.The input unit 410 may receive a departure point and a destination input from the driver. Also, the input unit 410 may receive a waypoint or an intermediate point from the driver.

수신부(420)은 맵 서비스 데이터베이스(450)로부터 운전 데이터의 경로 데이터를 검색할 수 있다. 여기서, 맵 서비스 데이터베이스(450)는 구글 맵(Google map) 및 맵 퀘스트(MapQuest)와 같은 웹 매핑 서비스 어플리케이션 또는 톰톰(TomTom) 및 가민(Garmin)과 같은 차량 탑재 네비게이션 서비스 어플리케이션 중 적어도 하나의 데이터베이스를 포함할 수 있다.The receiver 420 may search for route data of driving data from the map service database 450 . Here, the map service database 450 includes at least one database of a web mapping service application such as Google map and a map quest, or a vehicle-mounted navigation service application such as TomTom and Garmin. may include

일실시예에 따르면, 수신부(420)는, 맵 서비스 어플리케이션으로부터 수신한 경로 데이터를 XML 형식으로 저장할 수 있다. 예를 들면, 수신부(420)가 구글 맵으로부터 경로 데이터를 수신할 경우, XML 형식의 경로 데이터를 수신할 수 있다. XML 형식의 파일에 대해서는 도 5에서 자세히 설명하도록 한다.According to an embodiment, the receiver 420 may store the route data received from the map service application in XML format. For example, when the receiver 420 receives route data from Google Maps, it may receive route data in XML format. The XML format file will be described in detail with reference to FIG. 5 .

일실시예에 따른 추출부(430)는, 수신된 경로 데이터의 세그먼트인 복수 개의 도로 데이터를 추출할 수 있다. 운전자가 운전 경로를 따라 운전할 때, 여러 도로를 거쳐서 운전을 하게 된다. 따라서, 맵 서비스 데이터베이스에서 수신한 경로 데이터를 미리 정해진 방법으로 분할하여 복수의 도로 데이터를 추출할 수 있다.The extractor 430 according to an embodiment may extract a plurality of road data that is a segment of the received route data. When a driver drives along a driving route, he or she drives across multiple roads. Accordingly, it is possible to extract a plurality of road data by dividing the route data received from the map service database by a predetermined method.

일실시예에 따르면, 추출부(430)는 XML 형식의 경로 데이터의 summary 필드로부터 도로 데이터를 추출할 수 있다. 예를 들면, 맵 서비스 어플리케이션이 구글 맵인 경우, XML 형식의 경로 데이터에서 route 필드의 summary 필드는 경로 데이터를 포함할 수 있다. 따라서, summary 필드에 경로를 나타내는 데이터를 추출하면 경로 데이터가 될 수 있다.According to an embodiment, the extractor 430 may extract road data from a summary field of route data in XML format. For example, when the map service application is Google Map, the summary field of the route field in the XML format route data may include route data. Therefore, if you extract data representing a route in the summary field, it can be route data.

카테고리화부(440)는 복수 개의 도로 데이터를 미리 생성된 카테고리로 분류할 수 있다. 일실시예에 따르면, 미리 정해진 카테고리는 해당 운전자의 과거 운전 데이터 중 도로 데이터의 출현 빈도수에 기초하여 생성될 수 있다. 즉, 미리 생성된 카테고리는 운전자의 과거 운전 데이터를 분석하여 자주 등장하는 경로의 경로 데이터를 이용하여 생성될 수 있다. 일실시예에 따르면, 카테고리화부(440)는 과거 운전 데이터 저장부에서 생성된 카테고리를 전달받을 수 있다.The categorization unit 440 may classify the plurality of road data into pre-generated categories. According to an embodiment, the predetermined category may be generated based on the frequency of appearance of road data among the past driving data of the corresponding driver. That is, the pre-generated category may be generated by analyzing the driver's past driving data and using route data of a route that appears frequently. According to an embodiment, the categorization unit 440 may receive a category generated in the past driving data storage unit.

이때, 카테고리화부(440)는 도로 데이터가 미리 존재하는 카테고리에 포함되는지 여부를 판단할 수 있다. 만일, 도로 데이터가 미리 존재하는 카테고리에 포함되는 경우, 카테고리화부(440)는 도로 데이터를 해당 카테고리로 분류할 수 있다. 또는, 상기 도로 데이터가 미리 존재하는 카테고리에 포함되지 않는 경우, 카테고리화부(440)는 도로 데이터를 기타 카테고리로 분류할 수 있다.In this case, the categorization unit 440 may determine whether the road data is included in a pre-existing category. If the road data is included in a pre-existing category, the categorization unit 440 may classify the road data into a corresponding category. Alternatively, when the road data is not included in a pre-existing category, the categorization unit 440 may classify the road data into other categories.

일실시예에 따르면, 운전 프로파일 생성부(400)는 운전 데이터의 통계 정보를 생성하는 통계 정보 생성 모듈을 더 포함할 수 있다. 통계 정보 생성 모듈은, 운전 데이터의 천이 확률 행렬(Transition Probability Matrix)을 계산하고, 운전자의 운전 데이터의 통계 기준(Statistical criteria)을 생성할 수 있다.According to an embodiment, the driving profile generating unit 400 may further include a statistical information generating module that generates statistical information of driving data. The statistical information generating module may calculate a transition probability matrix of the driving data and generate statistical criteria of the driving data of the driver.

이때, 통계 기준은, 평균 속도(Average Speed), 평균 가속도(Average Acceleration), 속도의 표준 편차(Standard Deviation of Speed), 가속도의 표준 편차(Standard Deviation of Acceleration), 평균 양의 가속도 (Mean Positive Acceleration) 및 평균 양의 속도 (Mean Positive Speed) 중 적어도 하나를 포함할 수 있다.At this time, the statistical criteria are Average Speed, Average Acceleration, Standard Deviation of Speed, Standard Deviation of Acceleration, Mean Positive Acceleration ) and may include at least one of an average positive speed (Mean Positive Speed).

도 5는 일실시예에 따른 XML 형식의 경로 데이터를 설명하기 위한 도면이다.5 is a diagram for explaining path data in XML format according to an embodiment.

일실시예에 따르면, 운전 프로파일 생성부는, XML 형식의 경로 데이터를 수신하고, 경로 데이터의 summary 필드에서 상기 도로 데이터를 추출할 수 있다.According to an embodiment, the driving profile generator may receive route data in XML format and extract the road data from a summary field of the route data.

도 5를 참조하면, XML 파일(500)은 status 필드와 route 필드(510)를 포함할 수 있다. 여기서 route 필드(510)의 summary 필드(520)는 경로 데이터에 대한 도로 데이터를 포함할 수 있다. 일실시예에 따르면, 맵 서비스 어플리케이션으로 구글 맵(Google Map)을 이용할 경우, XML 파일(500)의 summary 필드(520)는 도로 명을 포함할 수 있다.Referring to FIG. 5 , the XML file 500 may include a status field and a route field 510 . Here, the summary field 520 of the route field 510 may include road data for route data. According to an embodiment, when using Google Map as the map service application, the summary field 520 of the XML file 500 may include a road name.

맵 서비스 어플리케이션에 출발지 및 목적지를 전달하면 출발지에서 목적지까지의 가능한 경로를 제공받을 수 있다. 이때, 경로 데이터는 XML 형식의 데이터로 저장될 수 있다. XML 데이터가 "S" 변수로 저장이 되면, "S.DirectionResponse.route.summary.Text"의 주소를 이용하여 summary 필드의 정보를 추출할 수 있다. 따라서, summary 필드의 경로 정보를 이용하여 카테고리를 생성할 수 있다.By passing the origin and destination to the map service application, possible routes from the origin to the destination can be provided. In this case, the path data may be stored as data in XML format. When XML data is saved as "S" variable, information of summary field can be extracted using the address of "S.DirectionResponse.route.summary.Text". Therefore, a category can be created using the path information of the summary field.

예를 들면, 운전자가 Bay Area를 운전할 때, 도로 데이터의 등장 빈도수에 기초하여 summary 필드를 "CA-XX", "US-101", "Stelling Rd", "Prospect Rd", "Central Expy", "others"와 같이 분류할 수 있다. 따라서, 제1 카테고리는 CA 경로가 될 수 있고, 제2 카테고리는 US-101 경로가 될 수 있다. 제3 카테고리는 자주 등장하는 특정 간선 도로의 이름이 될 수 있다. 마지막으로, 자주 등장하지 않는 도로의 도로 데이터는 "others" 카테고리로 분류될 수 있다.For example, when the driver drives the Bay Area, based on the frequency of appearance of the road data, the summary fields are set to "CA-XX", "US-101", "Stelling Rd", "Prospect Rd", "Central Expy", It can be classified as "others". Accordingly, the first category may be a CA route, and the second category may be a US-101 route. The third category may be the name of a specific arterial road that appears frequently. Finally, road data for roads that do not appear often can be classified into the “others” category.

도 6은 일실시예에 따른 운전자의 과거 운전 데이터를 분석하는 방법을 설명하기 위한 흐름도이다.6 is a flowchart illustrating a method of analyzing a driver's past driving data according to an exemplary embodiment.

도 6을 참조하면, 단계(611)에서, 과거 운전 데이터 저장부는 과거 운전 데이터를 수집할 수 있다. 일실시예에 따르면, 위성항법장치(GPS)를 이용해서 운전자가 운전을 할 때 생성되는 위도 및 경도 좌표를 수집할 수 있다. 이때, 전기 자동차의 위도 및 경도 좌표를 포함하는 GPS 정보를 전기 자동차에 내장된 메모리 혹은 외장 메모리에 미리 정해진 시간 간격 마다 저장할 수 있다. 따라서, GPS 정보를 이용해서 전기 자동차의 속도 및 가속도 계산이 가능하다. 또한, 위도 및 경도 정보를 맵 서비스 어플리케이션과 연동하여 과거 운전 경로에 대한 경로 데이터를 수집할 수 있다.Referring to FIG. 6 , in step 611 , the past driving data storage unit may collect past driving data. According to an exemplary embodiment, latitude and longitude coordinates generated when a driver drives by using a global positioning system (GPS) may be collected. In this case, GPS information including latitude and longitude coordinates of the electric vehicle may be stored in a memory built in the electric vehicle or an external memory at predetermined time intervals. Therefore, it is possible to calculate the speed and acceleration of the electric vehicle using the GPS information. In addition, by linking latitude and longitude information with a map service application, route data for a past driving route may be collected.

단계(612)에서, 과거 운전 데이터 저장부는 과거 운전 데이터에 대응하는 운전 사이클을 분석할 수 있다. 일실시예에 따르면, 과거 운전 데이터 저장부는 과거 운전 데이터의 경로 데이터에서 도로 데이터를 추출할 수 있다.In operation 612 , the past driving data storage unit may analyze a driving cycle corresponding to the past driving data. According to an embodiment, the past driving data storage unit may extract road data from route data of the past driving data.

단계(613)에서, 과거 운전 데이터 저장부는 운전 사이클의 경로 데이터에 대해 카테고리를 생성할 수 있다. 카테고리는 미리 정해진 카테고리일 수 있으며, 경로 데이터에서 추출된 해당 도로 데이터의 출현 빈도수에 따라 새롭게 생성될 수도 있다.In step 613 , the past driving data storage unit may generate a category for route data of a driving cycle. The category may be a predetermined category or may be newly created according to the frequency of appearance of the corresponding road data extracted from the route data.

단계(614)에서, 과거 운전 데이터 저장부는 운전자의 경로 데이터에 대한 카테고리를 이용하여 통계 기준을 생성할 수 있다. 이때, 통계 기준은 평균 속도(Average Speed), 평균 가속도(Average Acceleration), 속도의 표준 편차(Standard Deviation of Speed), 가속도의 표준 편차(Standard Deviation of Acceleration), 평균 양의 가속도 (Mean Positive Acceleration) 및 평균 양의 속도 (Mean Positive Speed) 중 적어도 하나를 포함할 수 있다. 일실시예에 따르면, 통계 기준은 특정 도로에서의 기준이 되는 속도 및 가속도를 포함할 수 있다.In operation 614 , the past driving data storage unit may generate a statistical criterion by using a category for the driver's route data. At this time, the statistical criteria are Average Speed, Average Acceleration, Standard Deviation of Speed, Standard Deviation of Acceleration, Mean Positive Acceleration and Mean Positive Speed. According to an embodiment, the statistical criterion may include a speed and an acceleration that are standards on a specific road.

단계(615)에서, 과거 운전 데이터 저장부는 운전자의 경로 데이터에 대한 카테고리를 이용하여 천이 확률 행렬을 계산할 수 있다. 일실시예에 따르면, 과거 운전 데이터 저장부는 카테고리화 된 도로 데이터 간의 연결을 이용하여 천이 확률 행렬을 계산할 수 있다. 천이 확률 행렬은 이전 단계의 속도 및 가속도와 다음 단계의 속도 및 가속도 간의 관계를 나타내는 행렬이 될 수 있다. 따라서, 과거 운전 데이터를 분석하여 운전자의 특성에 따라 특정 경로에서 이전 단계와 다음 단계 간의 천이 확률 행렬을 계산할 수 있다.In operation 615 , the past driving data storage unit may calculate a transition probability matrix by using a category for the driver's route data. According to an embodiment, the past driving data storage unit may calculate a transition probability matrix by using a connection between the categorized road data. The transition probability matrix may be a matrix representing the relationship between the velocity and acceleration of the previous stage and the velocity and acceleration of the next stage. Accordingly, by analyzing past driving data, it is possible to calculate a transition probability matrix between the previous stage and the next stage on a specific route according to the driver's characteristics.

도 7은 전기 자동차의 주행 가능 거리 추정 방법의 흐름도이다.7 is a flowchart of a method for estimating a drivable distance of an electric vehicle.

도 7을 참조하면, 단계(710)에서, 배터리 충전 정보 추정 장치는 과거 운전 데이터를 저장할 수 있다. 이때, 배터리 충전 정보 추정 장치는 도로 데이터의 출현 빈도(frequency of appearance)에 기초하여 생성된 카테고리 별로 운전자의 과거 운전 데이터를 저장할 수 있다. 이때, 배터리 충전 정보 추정 장치는 생성된 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장할 수 있다.Referring to FIG. 7 , in operation 710 , the apparatus for estimating battery charge information may store past driving data. In this case, the apparatus for estimating battery charge information may store the driver's past driving data for each category generated based on the frequency of appearance of the road data. In this case, the apparatus for estimating battery charge information may store a speed profile in road data corresponding to the generated category.

일실시예에 따르면, 배터리 충전 정보 추정 장치는, 도로 데이터가 미리 존재하는 카테고리에 포함되는지 여부를 판단하고, 도로 데이터가 미리 존재하는 카테고리에 포함되는 경우, 해당 카테고리로 분류하고, 도로 데이터가 미리 존재하는 카테고리에 포함되지 않는 경우, 기타 카테고리로 분류하여 저장할 수 있다.According to an embodiment, the apparatus for estimating battery charge information determines whether road data is included in a pre-existing category, and if the road data is included in a pre-existing category, classifies it into a corresponding category, If it is not included in the existing category, it can be classified into other categories and stored.

이때, 도로 데이터가 기타 카테고리로 분류된 경우, 배터리 충전 정보 추정 장치는 기타 카테고리로 분류된 도로 데이터 중 특정 도로 데이터의 반복 횟수가 미리 존재하는 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 도로 데이터 반복 횟수 이상일 경우, 특정 도로 데이터에 대응하는 새로운 카테고리를 생성할 수 있다.In this case, when the road data is classified into other categories, the apparatus for estimating the battery charge information determines the road data of a category having the minimum number of repetitions of road data among categories in which the number of repetitions of specific road data among road data classified into other categories exists in advance. When the number of repetitions is greater than or equal to the number of repetitions, a new category corresponding to specific road data may be created.

일실시예에 따르면, 배터리 충전 정보 추정 장치는 과거 운전 데이터의 통계 정보를 생성하고, 상기 과거 운전 데이터의 천이 확률 행렬(Transition Probability Matrix)을 계산하고, 상기 과거 운전 데이터의 통계 기준(Statistical criteria)을 생성할 수 있다.According to an embodiment, the apparatus for estimating battery charge information generates statistical information of past driving data, calculates a transition probability matrix of the past driving data, and uses statistical criteria of the past driving data. can create

단계(720)에서, 배터리 충전 정보 추정 장치는 맵 서비스 어플리케이션으로부터 경로 데이터를 수신할 수 있다. 이때, 맵 서비스 어플리케이션에 출발지, 목적지 및 경유지를 전송하여 운전 경로를 수신할 수 있다. 여기서, 맵 서비스 어플리케이션은 구글 맵(Google map) 및 맵 퀘스트(MapQuest)와 같은 웹 맵 서비스 어플리케이션 또는 톰톰(TomTom) 및 가민(Garmin)과 같은 차량 탑재 네비게이션 서비스 어플리케이션 중 적어도 하나를 포함할 수 있다.In operation 720, the battery charge information estimation apparatus may receive route data from the map service application. In this case, the driving route may be received by transmitting the starting point, the destination, and the stopping point to the map service application. Here, the map service application may include at least one of a web map service application such as Google map and MapQuest, or an in-vehicle navigation service application such as TomTom and Garmin.

단계(731) 내지 단계(733)에서, 배터리 충전 정보 추정 장치는 운전 경로의 도로 데이터를 생성된 카테고리 별로 카테고리화 하고, 카테고리화 된 도로 데이터에 대응하는 과거 운전 데이터를 이용하여 운전 경로에 대한 운전 프로파일을 생성할 수 있다.In steps 731 to 733, the apparatus for estimating the battery charge information categorizes road data of the driving route for each generated category, and drives the driving route using past driving data corresponding to the categorized road data. You can create a profile.

자동차의 주행 가능 거리에 영향을 미치는 요소는 속도 및 가속도 정보, 도로의 경사도 정보 및 날씨 정보의 세가지로 구분할 수 있다. 따라서, 운전 프로파일은 속도 프로파일, 도로 프로파일 및 날씨 프로파일을 포함할 수 있다.Factors affecting the driving range of a vehicle can be divided into three categories: speed and acceleration information, road slope information, and weather information. Accordingly, the driving profile may include a speed profile, a road profile and a weather profile.

단계(731)에서, 배터리 충전 정보 추정 장치는 전기 자동차의 운전 경로에 대한 속도 프로파일을 생성할 수 있다. 운전자의 과거 운전 데이터에 기초한 속도 및 가속도 정보를 이용해서 해당 경로 동안 운전자의 속도 및 가속도 프로파일을 예측할 수 있다.In operation 731 , the apparatus for estimating battery charge information may generate a speed profile for a driving path of the electric vehicle. The speed and acceleration information based on the driver's past driving data can be used to predict the driver's speed and acceleration profile during the corresponding route.

일실시예에 따르면, 배터리 충전 정보 추정 장치는 경로 데이터에서 도로 데이터를 추출할 수 있다. 이때, 배터리 충전 정보 추정 장치는 도로 데이터를 과거 운전 데이터에 기초하여 생성된 카테고리 별로 카테고리화 할 수 있다. 배터리 충전 정보 추정 장치는 이렇게 카테고리화 된 데이터에 카테고리에 대응하는 자동차 속도 및 자동차 가속도 정보를 입력하고, 과거 운전 데이터를 통해 생성된 천이 확률 행렬을 이용하여 속도 프로파일을 생성할 수 있다. 또, 배터리 충전 정보 추정 장치는 운전 프로파일이 과거 운전 데이터의 통계 기준을 만족하는지 확인할 수 있다.According to an embodiment, the apparatus for estimating battery charge information may extract road data from route data. In this case, the apparatus for estimating battery charge information may categorize road data for each category generated based on past driving data. The apparatus for estimating battery charge information may input vehicle speed and vehicle acceleration information corresponding to the category to the categorized data, and generate a speed profile using a transition probability matrix generated through past driving data. Also, the apparatus for estimating battery charge information may check whether the driving profile satisfies statistical criteria of past driving data.

단계(732)에서, 배터리 충전 정보 추정 장치는 전기 자동차의 운전 경로에 대한 경사도 정보를 생성할 수 있다. 예를 들면, 맵 서비스 어플리케이션을 이용해 운전 경로상의 도로의 위도, 경도 및 고도를 추출할 수 있다.In operation 732, the apparatus for estimating battery charge information may generate slope information on a driving path of the electric vehicle. For example, a map service application can be used to extract the latitude, longitude and altitude of a road along a driving route.

단계(733)에서, 배터리 충전 정보 추정 장치는 전기 자동차의 운전 경로에 대한 날씨 정보를 생성할 수 있다. 날씨 정보 웹 사이트로부터 운전 경로상의 온도, 풍향, 풍속, 눈 및 비의 여부 등의 날씨 정보를 추출할 수 있다.In operation 733, the apparatus for estimating battery charge information may generate weather information on a driving route of the electric vehicle. Weather information such as temperature, wind direction, wind speed, snow and rain on a driving route may be extracted from the weather information website.

단계(740)에서, 배터리 충전 정보 추정 장치는 배터리의 충전 정보(SOC)를 추정할 수 있다. 단계(731) 내지 단계(733)을 통해 수집된 운전 프로파일을 이용하여 주행 기간 동안의 배터리 충전 정보를 추정할 수 있으며, 목적지에 도착할 때까지의 남은 배터리 잔량을 추정할 수 있다.In operation 740 , the apparatus for estimating battery charge information may estimate charge information (SOC) of the battery. Battery charge information during the driving period may be estimated using the driving profile collected through steps 731 to 733 , and the remaining battery power until arriving at the destination may be estimated.

단계(750)에서, 배터리의 충전 정보를 이용하여 전기 자동차의 주행 가능 거리를 추정할 수 있다.In operation 750 , the drivable distance of the electric vehicle may be estimated using the charging information of the battery.

도 8은 일실시예에 따라 운전 경로의 속도 프로파일을 생성하는 방법을 설명하기 위한 흐름도이다.8 is a flowchart illustrating a method of generating a speed profile of a driving route according to an exemplary embodiment.

도 8를 참조하면, 단계(811)에서, 운전 프로파일 생성부는 맵 서비스 어플리케이션을 통해 수신한 경로 데이터에서 도로 데이터를 추출할 수 있다. 여기서, 맵 서비스 어플리케이션은 구글 맵(Google map) 및 맵 퀘스트(MapQuest)와 같은 웹 매핑 서비스 어플리케이션 또는 톰톰(TomTom) 및 가민(Garmin)과 같은 차량 탑재 네비게이션 서비스 어플리케이션 중 적어도 하나를 포함할 수 있다. 일실시예에 따르면, 맵 서비스 어플리케이션이 구글 맵인 경우, 운전 경로의 경로 데이터를 XML 형식의 파일로 저장할 수 있다. 따라서, 운전 프로파일 생성부는 XML 형식의 경로 데이터의 summary 필드로부터 도로 데이터를 추출할 수 있다.Referring to FIG. 8 , in step 811 , the driving profile generator may extract road data from route data received through a map service application. Here, the map service application may include at least one of a web mapping service application such as Google map and MapQuest, or an in-vehicle navigation service application such as TomTom and Garmin. According to an embodiment, when the map service application is a Google map, route data of a driving route may be stored in an XML format file. Accordingly, the driving profile generator may extract road data from the summary field of the route data in XML format.

단계(812)에서, 운전 프로파일 생성부는 추출된 도로 데이터에 대해서 카테고리화 할 수 있다. 이때, 카테고리는 도 6에 도시된 과거 운전 데이터 분석 방법의 카테고리 생성 단계(613)로부터 제공받을 수 있다. 즉, 카테고리는 과거 운전 데이터의 분석을 통해 분류될 수 있다.In step 812 , the driving profile generator may categorize the extracted road data. In this case, the category may be provided from the category creation step 613 of the past driving data analysis method illustrated in FIG. 6 . That is, categories may be classified through analysis of past driving data.

단계(813)에서, 운전 프로파일 생성부는 천이 확률 행렬(Transition Probability Matrix)을 이용해서 운전 사이클을 생성할 수 있다. 이때, 천이 확률 행렬은 미리 정해진 행렬일 수 있으며, 해당 운전자의 과거 운전 데이터를 수집하여 생성될 수도 있다. 여기서 천이 확률 행렬이란, 마르코프 연쇄(Markov Chain) 기법의 일례가 될 수 있다. 마르코프 연쇄 기법을 이용하면 전기 자동차의 이전 단계의 속도 및 가속도와 다음 단계의 속도 및 가속도와의 관계를 확인할 수 있다. 즉, 제1 상태의 속도 및 가속도로부터 제2 상태의 속도 및 가속도로 스위칭 할 가능성을 결정할 수 있다.In operation 813 , the driving profile generator may generate a driving cycle using a transition probability matrix. In this case, the transition probability matrix may be a predetermined matrix or may be generated by collecting past driving data of the corresponding driver. Here, the transition probability matrix may be an example of a Markov chain technique. By using the Markov chain method, the relationship between the speed and acceleration of the previous stage of the electric vehicle and the velocity and acceleration of the next stage can be confirmed. That is, it is possible to determine the possibility of switching from the velocity and acceleration of the first state to the velocity and acceleration of the second state.

이때, 천이 확률 행렬은 도 6에 도시된 과거 운전 데이터 분석 방법의 천이 확률 행렬 계산 단계(615)로부터 제공받을 수 있다. 즉, 천이 확률 행렬은 과거 운전 데이터의 분석을 통해 생성될 수 있다. 과거 운전 데이터 저장부는 운전자의 과거 운전 데이터를 이용하여 이전 단계의 속도 및 가속도와 다음 단계의 속도 및 가속도를 기초로 천이 확률 행렬을 계산할 수 있다. 따라서, 운전 프로파일 생성부는 카테고리화 된 도로 데이터에 천이 확률 행렬을 적용하여 운전자의 운전 사이클을 예측할 수 있다.In this case, the transition probability matrix may be provided from the transition probability matrix calculation step 615 of the past driving data analysis method illustrated in FIG. 6 . That is, the transition probability matrix may be generated through analysis of past driving data. The past driving data storage unit may calculate a transition probability matrix based on the speed and acceleration of the previous stage and the velocity and acceleration of the next stage by using the driver's past driving data. Accordingly, the driving profile generator may predict the driver's driving cycle by applying the transition probability matrix to the categorized road data.

단계(814)에서, 운전 프로파일 생성부는 예측된 운전 사이클이 통계 기준(Statistic Criteria)에 부합하는지 여부를 검사할 수 있다. 이때, 통계 기준은, 평균 속도(Average Speed), 평균 가속도(Average Acceleration), 속도의 표준 편차(Standard Deviation of Speed), 가속도의 표준 편차(Standard Deviation of Acceleration), 평균 양의 가속도 (Mean Positive Acceleration) 및 평균 양의 속도 (Mean Positive Speed) 중 적어도 하나를 포함할 수 있다. 만일 천이 확률 행렬을 이용하여 생성된 운전 사이클이 통계 기준에 부합하지 않는 경우, 단계(813)으로 돌아가서 다시 기준을 만족할 때까지 다른 운전 사이클을 생성할 수 있다.In operation 814 , the driving profile generator may check whether the predicted driving cycle meets a statistical criterion. At this time, the statistical criteria are Average Speed, Average Acceleration, Standard Deviation of Speed, Standard Deviation of Acceleration, Mean Positive Acceleration ) and may include at least one of an average positive speed (Mean Positive Speed). If the driving cycle generated using the transition probability matrix does not meet the statistical criteria, the process returns to step 813 to generate another driving cycle until the criteria are again satisfied.

일실시예에 따르면, 통계 기준은 도 6에 도시된 과거 운전 데이터 분석 방법의 통계 기준 생성 단계(614)로부터 제공받을 수 있다. 즉, 통계 기준은 과거 운전 데이터의 분석을 통해 생성될 수 있다.According to an embodiment, the statistical criterion may be provided from the statistical criterion generating step 614 of the method for analyzing past driving data shown in FIG. 6 . That is, the statistical criteria may be generated through analysis of past driving data.

단계(815)에서, 운전 프로파일 생성부는 예측된 운전 사이클을 이용하여 해당 운전자의 속도 프로파일을 생성할 수 있다.In operation 815 , the driving profile generator may generate a speed profile of the corresponding driver using the predicted driving cycle.

도 9는 일실시예에 따라 과거 운전 데이터를 이용해 카테고리를 생성하는 방법을 설명하기 위한 흐름도이다.9 is a flowchart illustrating a method of generating a category using past driving data according to an exemplary embodiment.

도 9를 참조하면, 단계(910)에서, 과거 운전 데이터 저장부는 도로 데이터가 기 존재하는 카테고리에 포함되는지 여부를 검사할 수 있다. 기 존재하는 카테고리는 운전자의 과거 운전 데이터를 통해 분류될 수 있다. 이때, 카테고리는 과거 운전 데이터에서 자주 등장하는 도로 데이터를 기초로 생성될 수 있다.Referring to FIG. 9 , in operation 910 , the past driving data storage unit may check whether road data is included in an existing category. The existing categories may be classified through the driver's past driving data. In this case, the category may be generated based on road data frequently appearing in past driving data.

단계(920)에서, 과거 운전 데이터 저장부는 도로 데이터가 기 존재하는 카테고리에 포함되는 경우, 해당 도로 데이터를 대응 카테고리에 입력할 수 있다. 예를 들면, 도로 데이터가 "US-101"을 포함하고 있는 경우, 이는 "US-101" 카테고리에 입력될 수 있다. 다른 예를 들면, 도로 데이터가 "CA-85", "CA-17", "CA-238"을 포함하고 있는 경우, 이들은 "CA-XX" 카테고리에 입력될 수 있다.In operation 920 , when the road data is included in an existing category, the past driving data storage unit may input the corresponding road data into the corresponding category. For example, if the road data includes “US-101”, it may be entered into the “US-101” category. For another example, if the road data includes "CA-85", "CA-17", and "CA-238", they may be entered into the "CA-XX" category.

단계(930)에서, 과거 운전 데이터 저장부는 도로 데이터가 기 존재하는 카테고리에 포함되지 않는 경우, 해당 도로 데이터를 기타("others") 카테고리에 입력할 수 있다. 과거 운전 데이터를 통해 자주 등장하지 않는 도로 데이터의 경우에는 데이터의 정확성이 떨어질 수 있다. 따라서 자주 등장하지 않는 도로 데이터는 기타 도로 데이터로 분류될 수 있다.In operation 930 , when the road data is not included in the existing category, the past driving data storage unit may input the corresponding road data into the “others” category. In the case of road data that does not appear frequently through past driving data, the accuracy of the data may be reduced. Therefore, road data that does not appear frequently may be classified as other road data.

단계(940)에서, 과거 운전 데이터 저장부는 기타 카테고리 내에서 반복된 횟수가 미리 정해진 수와 동일한지 여부를 검사할 수 있다. 일실시예에 따르면, 미리 정해진 수는, 미리 존재하는 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 도로 데이터 반복 횟수가 될 수 있다.In operation 940 , the past driving data storage unit may check whether the number of repetitions in the other category is equal to a predetermined number. According to an embodiment, the predetermined number may be the number of repetitions of road data of a category having the minimum number of repetitions of road data among pre-existing categories.

기타 카테고리 내에서 반복된 횟수가 미리 정해진 수와 동일하지 않은 경우에는 해당 도로 데이터를 기타 카테고리에 입력한 채로 운전 데이터 분류를 종료할 수 있다.When the number of repetitions within the other category is not the same as the predetermined number, the driving data classification may be terminated while the corresponding road data is inputted into the other category.

단계(950)에서, 과거 운전 데이터 저장부는 기타 카테고리 내에서 반복된 횟수가 미리 정해진 수와 동일한 경우에는 해당 도로 데이터에 대응하는 새로운 카테고리를 생성할 수 있다.In operation 950 , the past driving data storage unit may generate a new category corresponding to the corresponding road data when the number of repetitions in other categories is equal to a predetermined number.

일실시예에 따르면, 기타 카테고리에 저장된 특정 도로 데이터의 수가 다른 카테고리에 저장된 특정 도로 데이터의 수와 동일한 경우, 해당 도로 데이터는 재평가되어 새로운 카테고리를 생성할 수 있다. 즉, 카테고리의 숫자는 소속된 도로 데이터의 상대적 수를 기초로 관리될 수 있다. 즉, 과거 운전 데이터 저장부는, 기존에 생성된 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 멤버 수만큼 새로운 도로 데이터가 반복된 경우, 새로운 카테고리를 생성할 수 있다.According to an embodiment, when the number of specific road data stored in other categories is the same as the number of specific road data stored in other categories, the corresponding road data may be re-evaluated to create a new category. That is, the number of categories may be managed based on the relative number of road data to which they belong. That is, the past driving data storage unit may create a new category when new road data is repeated as many as the number of members of a category having the minimum number of repetitions of road data among previously generated categories.

단계(960)에서, 새로 생성된 카테고리를 추가하여 카테고리의 수를 수정할 수 있다.In operation 960 , the number of categories may be modified by adding a newly created category.

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.The device described above may be implemented as a hardware component, a software component, and/or a combination of the hardware component and the software component. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. The processing device may execute an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of the software. For convenience of understanding, although one processing device is sometimes described as being used, one of ordinary skill in the art will recognize that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that can include For example, the processing device may include a plurality of processors or one processor and one controller. Other processing configurations are also possible, such as parallel processors.

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.Software may comprise a computer program, code, instructions, or a combination of one or more thereof, which configures a processing device to operate as desired or is independently or collectively processed You can command the device. The software and/or data may be any kind of machine, component, physical device, virtual equipment, computer storage medium or apparatus, to be interpreted by or to provide instructions or data to the processing device. , or may be permanently or temporarily embody in a transmitted signal wave. The software may be distributed over networked computer systems and stored or executed in a distributed manner. Software and data may be stored in one or more computer-readable recording media.

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.The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded in a computer-readable medium. The computer-readable medium may include program instructions, data files, data structures, etc. alone or in combination. The program instructions recorded on the medium may be specially designed and configured for the embodiment, or may be known and available to those skilled in the art of computer software. Examples of the computer-readable recording medium include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic such as floppy disks. - includes magneto-optical media, and hardware devices specially configured to store and execute program instructions, such as ROM, RAM, flash memory, and the like. Examples of program instructions include not only machine language codes such as those generated by a compiler, but also high-level language codes that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the embodiments, and vice versa.

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.As described above, although the embodiments have been described with reference to the limited embodiments and drawings, various modifications and variations are possible from the above description by those skilled in the art. For example, the described techniques are performed in an order different from the described method, and/or the described components of the system, structure, apparatus, circuit, etc. are combined or combined in a different form than the described method, or other components Or substituted or substituted by equivalents may achieve an appropriate result.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents to the claims are also within the scope of the following claims.

Claims

a past driving data storage unit configured to store past driving data of a driver for each category generated based on a frequency of appearance of road data;
a driving profile generator that categorizes road data of a driving route for each category, and generates a driving profile for the driving route by using the past driving data corresponding to the categorized road data; and
A battery charge information estimator for estimating state of charge of a vehicle battery for the driving route by using the driving profile
including,
The driving profile generating unit,
Verification module for verifying whether the driving profile satisfies the statistical criteria of the past driving data
containing
Electric vehicle battery charging information estimation device.

According to claim 1,
The past driving data storage unit,
Storing a speed profile in road data corresponding to the generated category
Battery charging information estimation device for electric vehicles.

According to claim 1,
The past driving data storage unit,
It is determined whether the road data is included in a pre-existing category, and in response to a case in which the road data is included in a pre-existing category, the road data is classified into a corresponding category, and the road data is not included in the pre-existing category. In response to cases, to classify into other categories
Battery charging information estimation device for electric vehicles.

4. The method of claim 3,
The past driving data storage unit,
A category generating unit that generates a new category corresponding to the specific road data when the number of repetitions of the specific road data among the road data classified into the other categories is the same as a predetermined number
A device for estimating battery charge information of an electric vehicle comprising a.

5. The method of claim 4,
The predetermined number is
The number of repetitions of road data of a category having the minimum number of repetitions of road data among the pre-existing categories
Battery charging information estimation device for electric vehicles.

According to claim 1,
The past driving data storage unit,
generating statistical information of the past driving data, calculating a transition probability matrix of the past driving data, and generating statistical criteria of the past driving data;
Battery charging information estimation device for electric vehicles.

According to claim 1,
The driving profile generating unit,
a receiver configured to receive route data corresponding to the driving route from a map service database;
an extractor for extracting road data from the route data; and
A categorization unit that categorizes the road data according to the generated categories
A device for estimating battery charge information of an electric vehicle comprising a.

8. The method of claim 7,
The receiving unit,
storing the route data in XML format;
The extraction unit,
Extracting the road data from the summary field of the route data
Battery charging information estimation device for electric vehicles.

According to claim 1,
The driving profile generating unit,
generating the driving profile by applying a transition probability matrix to the past driving data corresponding to the categorized road data
Battery charging information estimation device for electric vehicles.

delete

According to claim 1,
The statistical criteria are,
Average Speed, Average Acceleration, Standard Deviation of Speed, Standard Deviation of Acceleration, Mean Positive Acceleration, and Average Positive Acceleration (Mean Positive Speed) containing at least one of
Battery charging information estimation device for electric vehicles.

storing the driver's past driving data for each category generated based on the frequency of appearance of the road data;
categorizing road data of a driving route for each category, and generating a driving profile for the driving route using the past driving data corresponding to the categorized road data; and
estimating state of charge of a vehicle battery for the driving route by using the driving profile
including,
The step of generating the driving profile comprises:
Checking whether the driving profile satisfies the statistical criteria of the past driving data
A method of estimating battery charging information for electric vehicles.

13. The method of claim 12,
Storing the past driving data includes:
Storing a speed profile in road data corresponding to the generated category
A method of estimating battery charging information for electric vehicles.

13. The method of claim 12,
Storing the past driving data includes:
determining whether the road data is included in a pre-existing category;
classifying the road data into a corresponding category in response to a case in which the road data is included in a pre-existing category; and
In response to a case in which the road data is not included in a pre-existing category, classifying the road data into other categories
A method for estimating battery charge information of an electric vehicle, comprising:

15. The method of claim 14,
The step of classifying into the other categories is,
When the number of repetitions of specific road data among the road data classified into the other categories is greater than or equal to the number of repetitions of road data of a category having the minimum number of repetitions of road data among the previously existing categories, a new category corresponding to the specific road data is generated step to do
A method for estimating battery charge information of an electric vehicle, comprising:

13. The method of claim 12,
Storing the past driving data includes:
generating statistical information of the past driving data, calculating a transition probability matrix of the past driving data, and generating statistical criteria of the past driving data;
A method of estimating battery charging information for electric vehicles.

13. The method of claim 12,
The step of generating the driving profile comprises:
Among the speed profile generated using past driving data stored in the past driving data storage unit, a weather profile generated using information received from a weather information website, and a road profile generated using information received from a map service database, to create a driving profile using at least one
A method of estimating battery charging information for electric vehicles.

13. The method of claim 12,
The step of generating the driving profile comprises:
receiving route data corresponding to the driving route from a map service database;
extracting road data from the route data; and
Categorizing the road data by the created category
A method for estimating battery charge information of an electric vehicle, comprising:

13. The method of claim 12,
The step of generating the driving profile comprises:
generating the driving profile by applying a transition probability matrix to the past driving data corresponding to the categorized road data
A method of estimating battery charging information for electric vehicles.

delete