KR20160073899A - 전기 자동차의 배터리 충전 정보 추정 장치 및 방법 - Google Patents

전기 자동차의 배터리 충전 정보 추정 장치 및 방법 Download PDF

Info

Publication number
KR20160073899A
KR20160073899A KR1020150085366A KR20150085366A KR20160073899A KR 20160073899 A KR20160073899 A KR 20160073899A KR 1020150085366 A KR1020150085366 A KR 1020150085366A KR 20150085366 A KR20150085366 A KR 20150085366A KR 20160073899 A KR20160073899 A KR 20160073899A
Authority
KR
South Korea
Prior art keywords
data
category
road data
profile
road
Prior art date
Application number
KR1020150085366A
Other languages
English (en)
Other versions
KR102382195B1 (ko
Inventor
전바롬
모연 초우
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 US14/925,710 priority Critical patent/US9643511B2/en
Publication of KR20160073899A publication Critical patent/KR20160073899A/ko
Application granted granted Critical
Publication of KR102382195B1 publication Critical patent/KR102382195B1/ko

Links

Images

Classifications

    • B60L11/1838—
    • B60L11/1848—
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2250/00—Driver interactions
    • B60L2250/18—Driver interactions by enquiring driving style
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Navigation (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)

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.

Description

전기 자동차의 배터리 충전 정보 추정 장치 및 방법{METHOD AND APPARATUS FOR ESTIMATING STATE OF CHARGE OF ELECTRIC VEHICLE BATTERY}
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.
환경문제와 에너지 자원 문제가 중요시되는 가운데 전기 자동차 (Electric Vehicle)가 미래의 운송 수단으로 각광받고 있다.
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.
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.
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.
이때, 과거 운전 데이터 저장부는, 상기 생성된 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장할 수 있다.
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.
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.
여기서, 미리 정해진 수는, 상기 미리 존재하는 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 도로 데이터 반복 횟수가 될 수 있다.
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.
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.
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.
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.
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.
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.
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.
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.
일 측에 따르면, 상기 과거 운전 데이터를 저장하는 단계는, 상기 생성된 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장할 수 있다.
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.
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.
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.
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.
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.
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.
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.
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.
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 전기 자동차의 주행 가능 거리를 추정하는 장치를 설명하기 위한 블록도이다.
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.
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.
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.
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.
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.
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.
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.
배터리 시뮬레이터(130)는 전기 자동차 운행에 필요한 전력을 전기 자동차에 탑재된 배터리가 공급할 수 있는지를 확인할 수 있다.
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.
도 2는 전기 자동차의 자유도 다이어그램(free body diagram)이다. 도 2를 통해서 배터리 전력을 계산하기 위해 요구되는 파라미터를 알아볼 수 있다.
도 2를 참조하면, 자동차(210)를 움직이기 위한 견인력(FTraction; 220)은 공기 저항력(Faero; 230), 타이어 마찰력(FTire; 240), 중력(Fgrav; 250) 및 가속도(Faccel; 260)의 스칼라 합이 될 수 있다. 따라서, 견인력(FTraction; 220)은 수학식 1과 같이 표현될 수 있다.
Figure pat00001
타이어 마찰력(FTire; 240)은 수학식 2와 같다.
Figure pat00002
여기서,
Figure pat00003
은 마찰 계수이고, m은 자동차의 질량이고, g는 중력 가속도이다.
중력(Fgrav; 250)은 수학식 3과 같다.
Figure pat00004
여기서, m은 자동차의 질량이고, g는 중력 가속도이다.
공기 저항력(Faero; 230)은 수학식 4와 같다.
Figure pat00005
여기서,
Figure pat00006
는 공기 밀도이고, A는 자동차의 앞 면적이며, Cd는 자동차의 항력 계수이고, v는 자동차의 속도, vw는 반대 방향으로 불어오는 바람의 속도를 말한다.
가속도(Faccel; 260)는 수학식 5와 같다.
Figure pat00007
여기서, m은 자동차의 질량이고, I는 로터(rotor)의 관성 모멘트(moment of inertia)이며,
Figure pat00008
는 기어 시스템 효율, r은 바퀴의 반지름, G는 기어비이다.
견인을 위한 전력(
Figure pat00009
)은 수학식 6과 같다.
Figure pat00010
여기서,
Figure pat00011
는 기어 시스템 효율이고, v는 자동차의 속도이다.
다음으로, 필요한 모터의 전력(
Figure pat00012
)은 수학식 7과 같다.
Figure pat00013
여기서,
Figure pat00014
는 자동차 모터의 효율이다.
배터리의 전력(
Figure pat00015
)은 수학식 8과 같다.
Figure pat00016
즉, 수학식 8을 참조하면, 배터리의 전력은 모터의 전력과 그 외 부수적인 전력(
Figure pat00017
; 예를 들면, 에어컨, 오디오 및 기타 차량 내 전자 장비 등에 소비되는 전력)의 합으로 나타낼 수 있다.
수학식 8에 수학식 1 내지 수학식 7을 대입하면, 배터리의 전력(
Figure pat00018
)수학식 9와 같이 나타낼 수 있다.
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(
Figure pat00020
)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(
Figure pat00021
)은 수학식 10과 같다.
Figure pat00022
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.
도 3은 일실시예에 따른 전기 자동차의 배터리 충전 정보 추정 장치를 설명하기 위한 블록도이다.
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.
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.
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.
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.
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.
일실시예에 따른 과거 운전 데이터 저장부(310)는 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장할 수 있다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
도 4는 일실시예에 따른 운전 프로파일 생성부를 설명하기 위한 도면이다.
도 4를 참조하면, 운전 프로파일 생성부(400)는 입력부(410), 수신부(420), 추출부(430) 및 카테고리화부(440)을 포함할 수 있다.
입력부(410)는 운전자로부터 출발지 및 목적지를 입력 받을 수 있다. 또, 입력부(410)는 운전자로부터 경유지 또는 중간지를 입력 받을 수 있다.
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.
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.
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.
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.
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.
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.
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.
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.
도 5는 일실시예에 따른 XML 형식의 경로 데이터를 설명하기 위한 도면이다.
일실시예에 따르면, 운전 프로파일 생성부는, XML 형식의 경로 데이터를 수신하고, 경로 데이터의 summary 필드에서 상기 도로 데이터를 추출할 수 있다.
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.
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.
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.
도 6은 일실시예에 따른 운전자의 과거 운전 데이터를 분석하는 방법을 설명하기 위한 흐름도이다.
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.
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.
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.
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.
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.
도 7은 전기 자동차의 주행 가능 거리 추정 방법의 흐름도이다.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
단계(750)에서, 배터리의 충전 정보를 이용하여 전기 자동차의 주행 가능 거리를 추정할 수 있다.
도 8은 일실시예에 따라 운전 경로의 속도 프로파일을 생성하는 방법을 설명하기 위한 흐름도이다.
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.
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.
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.
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.
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.
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.
단계(815)에서, 운전 프로파일 생성부는 예측된 운전 사이클을 이용하여 해당 운전자의 속도 프로파일을 생성할 수 있다.
도 9는 일실시예에 따라 과거 운전 데이터를 이용해 카테고리를 생성하는 방법을 설명하기 위한 흐름도이다.
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.
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.
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.
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.
기타 카테고리 내에서 반복된 횟수가 미리 정해진 수와 동일하지 않은 경우에는 해당 도로 데이터를 기타 카테고리에 입력한 채로 운전 데이터 분류를 종료할 수 있다.
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.
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.
단계(960)에서, 새로 생성된 카테고리를 추가하여 카테고리의 수를 수정할 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. 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 추정부
    를 포함하는 전기 자동차의 배터리 충전 정보 추정 장치.
  2. 제1항에 있어서,
    상기 과거 운전 데이터 저장부는,
    상기 생성된 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장하는
    전기 자동차의 배터리 충전 정보 추정 장치.
  3. 제1항에 있어서,
    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 분류하는
    전기 자동차의 배터리 충전 정보 추정 장치.
  4. 제3항에 있어서,
    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 생성부
    를 포함하는 전기 자동차의 배터리 충전 정보 추정 장치.
  5. 제4항에 있어서,
    상기 미리 정해진 수는,
    상기 미리 존재하는 카테고리 중 최소의 도로 데이터 반복 횟수를 갖는 카테고리의 도로 데이터 반복 횟수인
    전기 자동차의 배터리 충전 정보 추정 장치.
  6. 제1항에 있어서,
    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 생성하는
    전기 자동차의 배터리 충전 정보 추정 장치.
  7. 제1항에 있어서,
    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 카테고리화부
    를 포함하는 전기 자동차의 배터리 충전 정보 추정 장치.
  8. 제7항에 있어서,
    상기 수신부는,
    상기 경로 데이터를 XML 형식으로 저장하고,
    상기 추출부는,
    상기 경로 데이터의 summary 필드에서 상기 도로 데이터를 추출하는
    전기 자동차의 배터리 충전 정보 추정 장치.
  9. 제1항에 있어서,
    상기 운전 프로파일 생성부는,
    상기 카테고리화 된 도로 데이터에 대응하는 상기 과거 운전 데이터에 천이 확률 행렬을 적용하여 상기 운전 프로파일을 생성하는
    전기 자동차의 배터리 충전 정보 추정 장치.
  10. 제1항에 있어서,
    상기 운전 프로파일 생성부는,
    상기 운전 프로파일이 상기 과거 운전 데이터의 통계 기준을 만족하는지 확인하는 검증 모듈
    을 포함하는 전기 자동차의 배터리 충전 정보 추정 장치.
  11. 제10항에 있어서,
    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 포함하는
    전기 자동차의 배터리 충전 정보 추정 장치.
  12. 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 단계
    를 포함하는 전기 자동차의 배터리 충전 정보 추정 방법.
  13. 제12항에 있어서,
    상기 과거 운전 데이터를 저장하는 단계는,
    상기 생성된 카테고리에 대응하는 도로 데이터에서의 속도 프로파일을 저장하는
    전기 자동차의 배터리 충전 정보 추정 방법.
  14. 제12항에 있어서,
    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 단계
    를 포함하는 전기 자동차의 배터리 충전 정보 추정 방법.
  15. 제14항에 있어서,
    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 단계
    를 포함하는 전기 자동차의 배터리 충전 정보 추정 방법.
  16. 제12항에 있어서,
    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 생성하는
    전기 자동차의 배터리 충전 정보 추정 방법.
  17. 제12항에 있어서,
    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 생성하는
    전기 자동차의 배터리 충전 정보 추정 방법.
  18. 제12항에 있어서,
    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 단계
    를 포함하는 전기 자동차의 배터리 충전 정보 추정 방법.
  19. 제12항에 있어서,
    상기 운전 프로파일을 생성하는 단계는,
    상기 카테고리화 된 도로 데이터에 대응하는 상기 과거 운전 데이터에 천이 확률 행렬을 적용하여 상기 운전 프로파일을 생성하는
    전기 자동차의 배터리 충전 정보 추정 방법.
  20. 제12항에 있어서,
    상기 운전 프로파일을 생성하는 단계는,
    상기 운전 프로파일이 상기 과거 운전 데이터의 통계 기준을 만족하는지 확인하는 단계를 포함하는
    전기 자동차의 배터리 충전 정보 추정 방법.
KR1020150085366A 2014-12-17 2015-06-16 전기 자동차의 배터리 충전 정보 추정 장치 및 방법 KR102382195B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/925,710 US9643511B2 (en) 2014-12-17 2015-10-28 Method and apparatus for estimating state of charge (SOC) of battery in electric vehicle

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201462093087P 2014-12-17 2014-12-17
US62/093,087 2014-12-17
KR1020140191804 2014-12-29
KR20140191804 2014-12-29

Publications (2)

Publication Number Publication Date
KR20160073899A true KR20160073899A (ko) 2016-06-27
KR102382195B1 KR102382195B1 (ko) 2022-04-05

Family

ID=56344509

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150085366A KR102382195B1 (ko) 2014-12-17 2015-06-16 전기 자동차의 배터리 충전 정보 추정 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102382195B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180057458A (ko) * 2016-11-22 2018-05-30 삼성전자주식회사 차량 제어 장치 및 그 동작 방법
KR20190012552A (ko) * 2017-07-27 2019-02-11 한국과학기술원 무선충전 전기차량 최적 운행정보 결정방법 및 장치

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005184867A (ja) * 2003-12-16 2005-07-07 Equos Research Co Ltd 走行速度パターン推定装置、及びハイブリッド車両の駆動制御装置
JP2009012605A (ja) * 2007-07-04 2009-01-22 Toyota Motor Corp 車両の制御装置および制御方法
JP2012500970A (ja) * 2008-08-22 2012-01-12 ガーミン スウィッツァランド ゲーエムベーハー 燃料効率の高い経路誘導

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005184867A (ja) * 2003-12-16 2005-07-07 Equos Research Co Ltd 走行速度パターン推定装置、及びハイブリッド車両の駆動制御装置
JP2009012605A (ja) * 2007-07-04 2009-01-22 Toyota Motor Corp 車両の制御装置および制御方法
JP2012500970A (ja) * 2008-08-22 2012-01-12 ガーミン スウィッツァランド ゲーエムベーハー 燃料効率の高い経路誘導

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180057458A (ko) * 2016-11-22 2018-05-30 삼성전자주식회사 차량 제어 장치 및 그 동작 방법
KR20190012552A (ko) * 2017-07-27 2019-02-11 한국과학기술원 무선충전 전기차량 최적 운행정보 결정방법 및 장치

Also Published As

Publication number Publication date
KR102382195B1 (ko) 2022-04-05

Similar Documents

Publication Publication Date Title
US9643511B2 (en) Method and apparatus for estimating state of charge (SOC) of battery in electric vehicle
US9849802B2 (en) Method and apparatus for analyzing data related to vehicle range estimation
US9493089B2 (en) Prediction of battery power requirements for electric vehicles
CN106767874B (zh) 用于通过在车辆导航系统中的群体感知的燃料消耗预测和成本估计的方法及装置
CN109919347B (zh) 路况生成方法、相关装置和设备
Chen et al. Data-driven fuel consumption estimation: A multivariate adaptive regression spline approach
CN103364006B (zh) 用于确定车辆路径的系统和方法
Kim et al. Real-time prediction of battery power requirements for electric vehicles
JP6045846B2 (ja) 交通事故発生予報装置、方法およびプログラム
CN114077541A (zh) 验证用于自动驾驶车辆的自动控制软件的方法和系统
KR102368286B1 (ko) 자동차 주행 가능 거리 추정과 관련된 데이터 분석 방법 및 장치
JP5980170B2 (ja) シミュレーション装置、シミュレーション方法及びプログラム
Anya et al. Application of AIMSUN microsimulation model to estimate emissions on signalized arterial corridors
Smuts et al. A critical review of factors influencing the remaining driving range of electric vehicles
JP2017204208A (ja) 操作モデル構築システム及び操作モデル構築プログラム
CN114013284B (zh) 一种车辆续航里程的计算方法和系统
Sagaama et al. Impact of road gradient on electric vehicle energy consumption in real-world driving
US20240192004A1 (en) Fleet route physics-based modeling
Alateef et al. Energy consumption estimation for electric vehicles using routing API data
KR102382195B1 (ko) 전기 자동차의 배터리 충전 정보 추정 장치 및 방법
CN116935624B (zh) 基于数字孪生的降雪天气智能网联交通事故风险评价方法
Rahimi-Eichi et al. Incorporating big data analysis in speed profile classification for range estimation
JP2013178661A (ja) 評価値算出装置、コンピュータプログラム及び評価値算出方法
Beckers et al. A microscopic energy consumption prediction tool for fully electric delivery vans
Acuto et al. Environmental Performance Evaluation at Urban Roundabouts

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant