電動汽車剩余行駛里程在線預測方法及裝置與流程
本發明涉及能源管理技術領域，尤其涉及一種電動汽車剩余行駛里程在線預測方法及裝置。
背景技術：
由于電動汽車的驅動力采用電池供應，其續航里程有限，極易由于電力耗盡而拋錨。為此，需要對電動汽車的電池電力以及續航里程進行評估。現在技術中對電動汽車續航里程評估時，通常先估算一下車載電池的SOC(荷電狀態評估)，進而得到車輛儲存電量的情況，然后根據車輛的平均能耗水平，粗略估算出剩余的行駛里程。這種方法對附件的功耗計算不夠精確，只能估算出當前的剩余行駛里程。由于電池電力在較低水平時消耗的較快，以及城市的復雜路況，容易導致沒有到達剩余行駛里程的情況下電力已耗盡而拋錨在路上，給使用者帶來了極大的不便。
技術實現要素：
針對現有技術中的缺陷，本發明提供一種電動汽車剩余行駛里程在線預測方法及裝置，用于解決現有技術中對剩余行駛里程計算不準確而導致超過用戶預期的行駛里程就電力耗盡的問題。
本發明實施例提供了一種電動汽車剩余行駛里程在線預測方法，包括：
獲取正在行駛的電動汽車的在途數據和行駛環境數據；
利用所述在途數據和所述行駛環境數據結合電量消耗速度數據模型計算所述電動汽車當前情況下的單位里程電量消耗；
根據所述單位里程電量消耗預測所述電動汽車的剩余行駛里程。
可選地，所述電量消耗速度數據模型通過以下步驟獲取包括：
獲取電動汽車在途數據形成歷史運行數據集合，以及所述電動汽車的行駛環境數據形成歷史行駛環境數據集合；
將所述歷史運行數據集合和所述歷史行駛環境數據集合進行融合處理，得到電動汽車在途時間序列數據；
在預設行駛環境下利用相關性分析方法獲取所述電動汽車的單位里程電量消耗與所述歷史運行數據集合和所述歷史行駛環境數據集合中各參數的相關度；
剔除相關度小于相關度預設值的參數后，將所述單位里程電量消耗與剩余參數進行擬合以獲取所述電動汽車的電量消耗速度數據模型。
可選地，所述獲取電動汽車在途數據形成歷史運行數據集合，以及所述電動汽車的行駛環境數據形成歷史行駛環境數據集合的步驟包括：
通過CAN總線讀取電動汽車的在途數據，包括電池狀態信號、電動機狀態信息和車輛速度信息；其中，所述電池狀態信息包括電池組的電壓、電流、剩余電量，所述電動機狀態信息包括電動機轉速，車輛速度信息包括當前行駛速度和行駛里程；
讀取所述電動汽車的行駛環境數據，包括天氣信息和路況信息；其中，所述天氣信息包括當前地理位置的天氣類型、環境溫度，所述路況信息包括路面類型、傾斜程度；
將所述在途數據和所述行駛環境數據分別保存至歷史運行數據集合所在的文件中和歷史行駛環境數據集合所在的文件中。
可選地，所述將所述歷史運行數據集合和所述歷史行駛環境數據集合進行融合處理，得到電動汽車在途時間序列數據的步驟包括：
對所述在途數據進行歸一化處理；
對所述行駛環境數據進行參數化處理；
根據記錄時間將所述在途數據與所述行駛環境數據融合成數據集合保存到在途時間序列數據所在的文件中。
可選地，所述歸一化處理方法包括：
Min-Max標準化方法、z-score標準化方法、小數定標標準化方法、線性函數轉換方法、對數函數轉換方法、反余切函數轉換方法和比例方法中的一種或者多種。
可選地，所述在預設行駛環境下利用相關性分析方法獲取所述電動汽車的單位里程電量消耗與所述歷史運行數據集合和所述歷史行駛環境數據集合中各參數的相關度的步驟包括：
根據預設行駛環境選擇確定分析時間窗；
根據每個分析時間窗內的在途數據和預設單位里程電量消耗公式計算電動汽車單位里程消耗電量；
采用因子分析法計算所述歷史運行數據集合和所述歷史行駛環境數據集合中各參數與所述電動汽車單位里程消耗電量的相關度。
可選地，所述預設單位里程電量消耗公式為：
公式中，CL為電動汽車的單位里程消耗電量，分別表示時間窗開始和結束時刻電動汽車的剩余電量；分別表示時間窗開始和結束時刻電動汽車行駛里程。
可選地，所述剔除相關度小于相關度預設值的參數后，將所述單位里程電量消耗與剩余參數進行擬合以獲取所述電動汽車的電量消耗速度數據模型的步驟包括：
預設所述電動汽車的電量消耗速度數據模型CL＝a1f(x1)+a2f(x2)+...+amf(xm)+...+aNf(xN)；其中，x1,x2,...,xm,...,xN表示相關度不小于相關度預設值的參數；f(x1),f(x2),...,f(xm),...,f(xN)表示每個參數與模型之間相關函數；a1,a2,...,am,...,aN表示各函數的系數；m為小于N的非零自然數；
利用預設數量的分析時間窗內的在途數據通過控制變量法計算每個系數am的值以及各相關函數f(xm)與各參數xm之間線性或者映射關系從而得到電量消耗速度數據模型。
第二方面，本發明實施例還提供了一種電動汽車剩余行駛里程在線預測裝置，所述裝置包括
電動汽車數據獲取模塊，用于獲取正在行駛的電動汽車的在途數據和行駛環境數據；
電池消耗速度獲取模塊，用于利用所述在途數據和所述行駛環境數據結合電量消耗速度數據模型計算所述電動汽車當前情況下的單位里程電量消耗；
剩余行駛里面預測模塊，用于根據所述單位里程電量消耗預測所述電動汽車的剩余行駛里程。
可選地，所述裝置還包括電量消耗速度數據模型更新模塊；所述電量消耗速度數據模型更新模塊包括：
電動汽車歷史數據獲取單元，用于獲取電動汽車在途數據形成歷史運行數據集合，以及所述電動汽車的行駛環境數據形成歷史行駛環境數據集合；
在途時間序列數據獲取單元，用于將所述歷史運行數據集合和所述歷史行駛環境數據集合進行融合處理，得到電動汽車在途時間序列數據；
相關度獲取單元，用于在預設行駛環境下利用相關性分析方法獲取所述電動汽車的單位里程電量消耗與所述歷史運行數據集合和所述歷史行駛環境數據集合中各參數的相關度；
電量消耗速率與參數擬合單元，用于剔除相關度小于相關度預設值的參數后，將所述單位里程電量消耗與剩余參數進行擬合以獲取所述電動汽車的電量消耗速度數據模型。
由上述技術方案可知，本發明通過獲取正在行駛的電動汽車的在途數據和行駛環境數據；然后利用上述數據以及電量消耗速度數據模型計算電動汽車在當前行駛環境中的電池消耗速度；最后根據當前情況下單位里程電量消耗預設電動汽車的剩余行駛里程。本發明實時采用電動汽車的在途數據和行駛環境數據，可以保證數據的真實性，同時電量消耗速度數據模型保持更新狀態，可以保證預測結果的準確性。與現有技術中采用平均能耗水平的計算方法相比，本發明的預設結果更準確，避免出現超過用戶預期的行駛里程就電力耗盡導致無法繼續行駛的問題，進而提高用戶的駕車體驗。
附圖說明
為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作一簡單的介紹，顯而易見地，下面描述中的附圖是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。
圖1是本發明一實施例提供的一種基于在途數據的電動汽車剩余行駛里程在線預測方法流程示意圖；
圖2是本發明另一實施例提供的一種基于在途數據的電動汽車剩余行駛里程在線預測方法流程示意圖；
圖3是電量消耗速度數據模型更新流程示意圖；
圖4是本發明一實施例提供的一種基于在途數據的電動汽車剩余行駛里程在線預測裝置框圖；
圖5是本發明另一實施例提供的一種基于在途數據的電動汽車剩余行駛里程在線預測裝置框圖；
圖6是電量消耗速度數據模型更新模塊框圖。
具體實施方式
為使本發明實施例的目的、技術方案和優點更加清楚，下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有作出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。
本發明實施例提供了一種電動汽車剩余行駛里程在線預測方法，如圖1所示，包括：
S1、獲取正在行駛的電動汽車的在途數據和行駛環境數據；
S2、利用所述在途數據和所述行駛環境數據結合更新后的電量消耗速度數據模型計算所述電動汽車當前情況下的單位里程電量消耗；
S3、根據所述單位里程電量消耗預測所述電動汽車的剩余行駛里程。
上述在途數據，是指電動汽車在行駛過程與電動汽車相關的數據，包括電池狀態信號、電動機狀態信息和車輛速度信息；其中，所述電池狀態信息包括電池組的電壓、電流、剩余電量，所述電動機狀態信息包括電動機轉速，車輛速度信息包括當前行駛速度和行駛里程。
上述行駛環境數據，是指電動汽車行駛過程中當前地理位置且與電動汽車行駛相關的數據，包括天氣信息和路況信息；其中，所述天氣信息包括當前地理位置的天氣類型、環境溫度，所述路況信息包括路面類型、傾斜程度。
可理解的是，本發明實施例中在途數據和行駛環境數據中的各參數和參數數量可以根據實際需要進行調整，例如，在途數據中車輛速度信息還可以包括電動汽車的使用年限、電池使用年限等，調整參數內容以及參數數量同樣可以實現本發明的方案，且落入本發明的保護范圍。
可見，本發明可以通過采集正在行駛的電動汽車當前時刻的在途數據和行駛環境數據，利用最新的數據結合電量消耗速度數據模型計算可以提高預測結果的準確度。為進一步提高預測結果的準確度，本發明另一實施例提供的電動汽車剩余行駛里程在線預測方法，如圖2所示，包括：
S4、更新電量消耗速度數據模型；
S1、獲取正在行駛的電動汽車的在途數據和行駛環境數據；
S2、利用所述在途數據和所述行駛環境數據結合更新后的電量消耗速度數據模型計算所述電動汽車當前情況下的單位里程電量消耗；
S3、根據所述單位里程電量消耗預測所述電動汽車的剩余行駛里程。
需要說明的是，本實施例中步驟S4可以設置在步驟S1～S3的任意位置。例如，當步驟S4設置在步驟S1之前/之后，此時步驟S2可以直接使用更新后的電量消耗速度數據模型；當步驟S4位于步驟S2之后、步驟S3之前/之后時，該更新后的電量消耗速度數據模型可以用于下一周期的剩余行駛里程預測，即下一周期中步驟S1之前/之后。上述周期是指完成所有步驟即得到一次剩余行駛里程預測結果的過程。
可理解的是，步驟S4中電量消耗速度數據模型的更新頻次可以影響預測結果的準確度，例如，當需要較高準確度時此時可以間隔預設數量周期后執行一次步驟S4，甚至每個周期執行一次步驟S4。本領域技術人員可以根據期望的準確度以及數據處理速度合理調整執行步驟S4的頻次，本發明不作限定。
可選地，本發明實施例中步驟S4、更新電量消耗速度數據模型的步驟，如圖3所示，包括：
S41、獲取電動汽車在途數據形成歷史運行數據集合，以及所述電動汽車的行駛環境數據形成歷史行駛環境數據集合。
實際應用中，本發明實施例通過CAN總線讀取電動汽車的在途數據，包括電池狀態信號、電動機狀態信息和車輛速度信息。上述電池狀態信息包括電池組的電壓V、電流I、剩余電量B。上述電動機狀態信息包括電動機轉速R，車輛速度信息包括當前行駛速度S和行駛里程L。
在獲取在途數據之前或者之后，繼續讀取設置在電動汽車上的行駛環境數據采集裝置所采集的電動汽車的行駛環境數據。該行駛環境數據包括天氣信息和路況信息、其中，天氣信息包括當前地理位置的天氣類型、環境溫度，路況信息包括路面類型、傾斜程度。
需要說明的是，上述行駛環境數據采集裝置包括網絡裝置，該網絡裝置可以從有關部門直接獲取相應的天氣信息，還包括測量裝置，該測量裝置可以利用超聲波或者圖像處理方法實時獲取路面類型和傾斜程度等路況信息。
然后，將上述在途數據和上述行駛環境數據分別保存至歷史運行數據集合所在的文件中和歷史行駛環境數據集合所在的文件中。
S42、將所述歷史運行數據集合和所述歷史行駛環境數據集合進行融合處理，得到電動汽車在途時間序列數據。
為了方便數據處理，本發明實施例中按照電動汽車在途數據和行駛環境數據中各參數的特征和取值范圍進行歸一化處理。歸一化處理方法包括：
Min-Max標準化方法、z-score標準化方法、小數定標標準化方法、線性函數轉換方法、對數函數轉換方法、反余切函數轉換方法和比例方法中的一種或者多種。
上述Min-Max標準化方法采用以下公式計算：
公式(1)中，x表示預設參數值；x*表示預設參數值x歸一化后的歸一化值；xmax表示預設參數值中最大值；xmin表示預設參數值中最小值。
上述z-score標準化方法采用以下公式計算：
公式(2)中，μ表示每項預設參數對應的均值；σ表示每項預設參數對應的標準差。
上述小數定標標準化方法采用以下公式計算：
公式(3)中，m表示某項參數值的最大值，例如，溫度的最大值為100攝氏度時，上述m取值100。
上述Min-Max標準化方法、z-score標準化方法、小數定標標準化方法適用參數值包括負值的情況。例如環境溫度在夏天時為正值，在冬天時有可能為負值。實際應用中，在途數據和行駛環境數據的參數還是以正值為主，可以采用線性函數轉換方法、對數函數轉換方法、反余切函數轉換方法和比例方法中的一種或多種進行歸一化。
上述線性函數轉換方法采用公式(1)實現，此時x*的取值范圍為(0，1)。
上述對數函數轉換方法采用以下公式計算：
x*＝log10(x)。 (4)
上述反余切函數轉換方法采用以下公式計算：
公式(5)中，atan(x)表示的反余切函數；PI表示圓周率。
上述比例方法是指，每項參數值與該項參數值之和的比值。
為進一步方便數據處理，本發明中對在途數據和行駛環境數據的參數進行整數化，利用不同的數字序號(例如，0，1，2，3……)代理不同的天氣類型和路面類型；將環境溫度劃分成不同溫度區間，用數字序號(例如，……-3，-2，-1，0，1，2，3……)表示不同的溫度區間；根據電動汽車行駛方向用數字表示路面的傾斜情況(例如，……-2，-1，0，1，2……)，其中數字正負表示路面向下或者向上傾斜，數字絕對值大小表示路面的傾斜程度。
對在途數據和行駛環境數據進行歸一化或者整數化后，根據每個參數的記錄時間將所述在途數據與所述行駛環境數據融合成數據集合保存到在途時間序列數據所在的文件中。
S43、在預設行駛環境下利用相關性分析方法獲取所述電動汽車的單位里程電量消耗與所述歷史運行數據集合和所述歷史行駛環境數據集合中各參數的相關度；
實際應用中，在得到在途時間序列數據后，在預設行駛環境下確定分析時間窗，用nΔt表示。其中預設行駛環境是指，同一時間窗中電動汽車的在途數據和行駛環境數據不變，或者變化程度在預設范圍內。預設范圍可以根據具體情況進行設置，本發明不作限定。
對于每個分析時間窗內包含的在途數據，利用預設單位里程電量消耗公式計算電動汽車單位里程消耗電量，該公式為：
公式(6)中，CL為電動汽車的單位里程消耗電量，分別表示時間窗開始和結束時刻電動汽車的剩余電量；分別表示時間窗開始和結束時刻電動汽車行駛里程。
然后通過計算K個不同分析時間窗下電動汽車的單位里程電量消耗CL1,CL2,CL3,…,CLK,，之后采用因子分析法計算歷史運行數據集合和所述歷史行駛環境數據集合中各參數(包括溫度、路面狀態、電池狀態、車輛速度、電動機轉速等)與電動汽車單位里程消耗電量的相關度。
S44、剔除相關度小于相關度預設值的參數后，將所述單位里程電量消耗與剩余參數進行擬合以獲取所述電動汽車的電量消耗速度數據模型。
剔除相關度小于相關度預設值的參數后，利用剩余的參數即相關度不小于相關度預設值的參數x1,x2,...,xm,...,xN通過控制變量法確定預設的電動汽車電池電量消耗速度數據模型CL＝a1f(x1)+a2f(x2)+...+amf(xm)+...+aNf(xN)中每個系數am的值以及各相關函數f(xm)與各參數xm之間線性或者映射關系，從而得到電量消耗速度數據模型。其中，x1,x2,...,xm,...,xN表示相關度不小于相關度預設值的參數；f(x1),f(x2),...,f(xm),...,f(xN)表示每個參數與模型之間相關函數；a1,a2,...,am,...,aN表示各函數的系數；m為小于N的非零自然數。
本發明實施例中，當獲取到當前情況下，電動汽車的單位里程電量消耗CLt后，通過如下公式即可計算得到該電動汽車的剩余行駛里程預測值：
公式(7)中，Bt表示電動汽車的剩余電量。
為體現本發明實施例提供的一種電動汽車剩余行駛里程在線預測方法的優越性，本發明實施例還提供了一種電動汽車剩余行駛里程在線預測裝置，如圖4所示，所述裝置包括
電動汽車數據獲取模塊M1，用于獲取正在行駛的電動汽車的在途數據和行駛環境數據；
電池消耗速度獲取模塊M2，用于利用所述在途數據和所述行駛環境數據結合電量消耗速度數據模型計算所述電動汽車當前情況下的單位里程電量消耗；
剩余行駛里面預測模塊M3，用于根據所述單位里程電量消耗預測所述電動汽車的剩余行駛里程。
可選地，如圖5所示，本發明實施例提供的一種電動汽車剩余行駛里程在線預測裝置還包括電量消耗速度數據模型更新模塊M4。該電量消耗速度數據模型更新模塊M4，用于按照預設周期對電量消耗速度數據模型進行更新，具體包括：
電動汽車歷史數據獲取單元M41，用于獲取電動汽車在途數據形成歷史運行數據集合，以及所述電動汽車的行駛環境數據形成歷史行駛環境數據集合；
在途時間序列數據獲取單元M42，用于將所述歷史運行數據集合和所述歷史行駛環境數據集合進行融合處理，得到電動汽車在途時間序列數據；
相關度獲取單元M43，用于在預設行駛環境下利用相關性分析方法獲取所述電動汽車的單位里程電量消耗與所述歷史運行數據集合和所述歷史行駛環境數據集合中各參數的相關度；
電量消耗速率與參數擬合單元M44，用于剔除相關度小于相關度預設值的參數后，將所述單位里程電量消耗與剩余參數進行擬合以獲取所述電動汽車的電量消耗速度數據模型。
本發明提供的裝置基于上文所述的方法實現，因而可以解決同樣的技術問題，并取得相同的技術效果，詳細說明請參見方法實施例內容，在此不再一一贅述
綜上所述，本發明通過獲取正在行駛的電動汽車的在途數據和行駛環境數據；然后利用上述數據以及電量消耗速度數據模型計算電動汽車在當前行駛環境中的電池消耗速度；最后根據當前情況下單位里程電量消耗預設電動汽車的剩余行駛里程。本發明實時采用電動汽車的在途數據和行駛環境數據，可以保證數據的真實性，同時電量消耗速度數據模型保持更新狀態，可以保證預測結果的準確性。本發明的預設結果更準確，避免出現超過用戶預期的行駛里程就電力耗盡導致無法繼續行駛的問題，進而提高用戶的駕車體驗。
本發明的說明書中，說明了大量具體細節。然而能夠理解的是，本發明的實施例可以在沒有這些具體細節的情況下實踐。在一些實例中，并未詳細示出公知的方法、結構和技術，以便不模糊對本說明書的理解。類似地，應當理解，為了精簡本發明公開并幫助理解各個發明方面中的一個或多個，在上面對本發明的示例性實施例的描述中，本發明的各個特征有時被一起分組到單個實施例、圖、或者對其的描述中。然而，并不應將該公開的方法解釋呈反映如下意圖：即所要求保護的本發明要求比在每個權利要求中所明確記載的特征更多的特征。更確切地說，如權利要求書所反映的那樣，發明方面在于少于前面公開的單個實施例的所有特征。因此，遵循具體實施方式的權利要求書由此明確地并入該具體實施方式，其中每個權利要求本身都作為本發明的單獨實施例。
最后應說明的是：以上各實施例僅用以說明本發明的技術方案，而非對其限制；盡管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發明各實施例技術方案的范圍，其均應涵蓋在本發明的權利要求和說明書的范圍當中。
- 還沒有人留言評論。精彩留言會獲得點贊！