CN105365592A - 电动汽车的剩余续航里程估计方法、***及电动汽车 - Google Patents

Abstract

本发明提出了一种电动汽车的剩余续航里程估计方法、***及电动汽车，其中，该方法包括：获取动力电池的放电电流和放电电压，并根据放电电流和放电电压计算动力电池的当前放电能量；获取动力电池的荷电状态和充放电次数；将动力电池的荷电状态、充放电次数和单位时间内动力电池的总放电能量输入神经网络，得到续航里程补偿系数；当车辆处于行驶状态时，计算单位时间内车辆的行驶距离；根据单位时间内车辆的行驶距离、续航里程补偿系数、动力电池的荷电状态以及单位时间前后动力电池的荷电状态的差值得到车辆的剩余续航里程。本发明的方法可以准确地计算出电动汽车的剩余续航里程。

Description

电动汽车的剩余续航里程估计方法、***及电动汽车

技术领域

本发明涉及汽车技术领域，特别涉及一种电动汽车的剩余续航里程估计方法、***及电动汽车。

背景技术

目前，随着非再生能源的日益枯竭、环境污染的日益严重，车辆不断向低能耗、低排放的方向发展。电动汽车具有零排放的优点，但是，电动汽车受到动力电池的发展限制，其续航里程有限，并且对于动力电池的充电相对耗时长。因此，如何对动力电池的能量进行管理以延长电动汽车的续航里程是亟待解决的问题。

相关技术中，通常是根据动力电池的荷电状态的线性模型估算电动汽车的剩余续航里程。然而，由于电动汽车的剩余续航里程并非仅仅与动力电池的荷电状态有关，还与驾驶习惯、动力电池的性能衰减情况等相关，导致根据动力电池的荷电状态的线性模型估算出的电动汽车的剩余续航里程并不准确可靠，从而影响对动力电池的能量管理。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种电动汽车的剩余续航里程估计方法。该方法可以准确地计算出电动汽车的剩余续航里程，为后续的动力电池的能量管理提供可靠依据。

本发明的第二个目的在于提出一种电动汽车的剩余续航里程估计方法。

本发明的第三个目的在于提出一种电动汽车。

为了实现上述目的，本发明的第一方面实施例的电动汽车的剩余续航里程估计方法，包括以下步骤：获取动力电池的放电电流和放电电压，并根据所述放电电流和放电电压计算所述动力电池的当前放电能量；获取所述动力电池的荷电状态和充放电次数；将所述动力电池的荷电状态、充放电次数和单位时间内所述动力电池的总放电能量输入神经网络，得到续航里程补偿系数；当车辆处于行驶状态时，计算所述单位时间内所述车辆的行驶距离；以及根据所述单位时间内所述车辆的行驶距离、所述续航里程补偿系数、所述动力电池的荷电状态以及所述单位时间前后所述动力电池的荷电状态的差值得到所述车辆的剩余续航里程。

根据本发明实施例的电动汽车的剩余续航里程估计方法，由于车辆实际的剩余续航里程与电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)相关，其数学模型具有强烈的非线性特性，本发明的方法综合考虑动力电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)，并通过神经网络得到续航里程补偿系数，其中，神经网络具有非线性的特性，具有并行结构和学习能力，针对外部激励，能够给出相应的输出，对于解决非线性问题具有天然的优势，因此该方法可以准确地计算出电动汽车的剩余续航里程，从而为动力电池的能量管理提供可靠的依据。

另外，根据本发明上述实施例的电动汽车的剩余续航里程估计方法还可以具有如下附加的技术特征：

在一些示例中，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=\frac{SOC}{\frac{\mathrm{\Δ}SOC}{S}\×K},$

其中，所述L为所述车辆的剩余续航里程，所述ΔSOC为所述单位时间前后所述动力电池的荷电状态的差值，所述SOC为所述电池的荷电状态，所述S为单位时间内所述车辆的行驶距离，所述K为所述续航里程补偿系数。

在一些示例中，还包括：当所述车辆处于静止状态时，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=L_{old}-\frac{W_{Batt\_60s}\×S}{W_{Batt\_old}},$

其中，L_old为所述单位时间前所述车辆的剩余续航里程，W_{Batt_60s}为所述单位时间内所述动力电池的总放电能量，W_{Batt_old}为前一个所述单位时间内所述动力电池的总放电能量。

在一些示例中，所述续航里程补偿系数通过如下方式得到：

设计径向基函数神经网络，其中，所述径向基函数神经网络包括输入层、隐藏层和输出层，所述径向基函数神经网络表示为：

$y(x,w)=\underset{i=1}{\overset{H}{\Σ}}{w}_{i}j(Px-c_{i}P),$

其中，所述x为输入矢量，所述x＝[SOCNW_Batt]^T；所述y(x,w)为输出的所述续航里程补偿系数K；所述w_i为权重；所述H为所述隐藏层的神经元数量；所述c_i为中心矢量；所述Px-c_iP为到中心的距离；所述φ为径向基函数，所述W_Batt为所述动力电池的总放电能量，所述SOC为所述电池的荷电状态，所述N为所述充放电次数；

根据预设的多组动力电池的总放电能量、所述电池的荷电状态和充放电次数对所述径向基函数神经网络进行训练；

根据训练完成的所述径向基函数神经网络得到所述续航里程补偿系数。

在一些示例中，在得到所述车辆的剩余续航里程之后，还包括：当所述车辆的剩余续航里程小于第一预设行驶里程时，提示用户是否进入经济模式，当接收到经济模式进入指令时，控制所述车辆进入经济模式，以及在接收到经济模式退出指令时，控制所述车辆退出所述经济模式；当所述车辆的剩余续航里程小于第二预设行驶里程时，提示用户是否进入深度经济模式，当接收到深度经济模式进入指令时，控制所述车辆进入深度经济模式，以及在接收到深度经济模式退出指令时，控制所述车辆退出所述深度经济模式，其中，所述第一预设行驶里程大于所述第二预设行驶里程。

在一些示例中，当所述车辆进入经济模式之后，还包括：降低扭矩响应速度；降低所述电动汽车的部分附件的能量消耗；当所述经济模式下得到的所述的车辆的剩余续航里程大于第三预设行驶里程时，提示用户是否退出所述经济模式，并在接收到经济模式退出指令时，控制所述车辆退出所述经济模式，其中，所述第三预设行驶里程大于所述第一预设行驶里程；当所述车辆进入所述深度经济模式之后，还包括：将所述车辆的车速限制为预设车速之内；进一步降低和/或关闭所述电动汽车的部分附件的能量消耗；当所述深度经济模式下得到的所述的车辆的剩余续航里程大于第四预设行驶里程时，提示用户是否退出所述深度经济模式，并在接收到深度经济模式退出指令时控制所述车辆退出所述深度经济模式，其中，所述第四预设行驶里程小于所述第三预设行驶里程且大于所述第一预设行驶里程。

本发明的第二方面的实施例的电动汽车的剩余续航里程估计***，包括：能量计算模块，用于获取动力电池的放电电流和放电电压，并根据所述放电电流和放电电压计算所述动力电池的当前放电能量；续航里程补偿系数计算模块，用于获取所述动力电池的荷电状态和充放电次数，并将所述动力电池的荷电状态、充放电次数和单位时间内所述动力电池的总放电能量输入神经网络，得到续航里程补偿系数；剩余续航里程估计模块，用于当车辆处于行驶状态时，计算所述单位时间内所述车辆的行驶距离，并根据所述单位时间内所述车辆的行驶距离、所述续航里程补偿系数、所述动力电池的荷电状态以及所述单位时间前后所述动力电池的荷电状态的差值得到所述车辆的剩余续航里程。

根据本发明实施例的电动汽车的剩余续航里程估计***，由于车辆实际的剩余续航里程与电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)相关，其数学模型具有强烈的非线性特性，本发明的***综合考虑动力电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)，并通过神经网络得到续航里程补偿系数，其中，神经网络具有非线性的特性，具有并行结构和学习能力，针对外部激励，能够给出相应的输出，对于解决非线性问题具有天然的优势，因此该***可以准确地计算出电动汽车的剩余续航里程，从而为动力电池的能量管理提供可靠的依据。

另外，根据本发明上述实施例的电动汽车的剩余续航里程估计***还可以具有如下附加的技术特征：

在一些示例中，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=\frac{SOC}{\frac{\mathrm{\Δ}SOC}{S}\×K},$

其中，所述L为所述车辆的剩余续航里程，所述ΔSOC为所述单位时间前后所述动力电池的荷电状态的差值，所述SOC为所述电池的荷电状态，所述S为单位时间内所述车辆的行驶距离，所述K为所述续航里程补偿系数。

在一些示例中，所述剩余续航里程估计模块还用于：当所述车辆处于静止状态时，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=L_{old}-\frac{W_{Batt\_60s}\×S}{W_{Batt\_old}},$

其中，L_old为所述单位时间前所述车辆的剩余续航里程，W_{Batt_60s}为所述单位时间内所述动力电池的总放电能量，W_{Batt_old}为前一个所述单位时间内所述动力电池的总放电能量。

在一些示例中，所述续航里程补偿系数通过如下方式得到：

设计径向基函数神经网络，其中，所述径向基函数神经网络包括输入层、隐藏层和输出层，所述径向基函数神经网络表示为：

$y(x,w)=\underset{i=1}{\overset{H}{\Σ}}{w}_{i}j(Px-c_{i}P),$

其中，所述x为输入矢量，所述x＝[SOCNW_Batt]^T；所述y(x,w)为输出的所述续航里程补偿系数K；所述w_i为权重；所述H为所述隐藏层的神经元数量；所述c_i为中心矢量；所述Px-c_iP为到中心的距离；所述φ为径向基函数，所述W_Batt为所述动力电池的总放电能量，所述SOC为所述电池的荷电状态，所述N为所述充放电次数；

根据预设的多组动力电池的总放电能量、所述电池的荷电状态和充放电次数对所述径向基函数神经网络进行训练；

根据训练完成的所述径向基函数神经网络得到所述续航里程补偿系数。

在一些示例中，还包括：控制模块，所述控制模块用于：当所述车辆的剩余续航里程小于第一预设行驶里程时，提示用户是否进入经济模式，当接收到经济模式进入指令时，控制所述车辆进入经济模式，以及在接收到经济模式退出指令时，控制所述车辆退出所述经济模式；当所述车辆的剩余续航里程小于第二预设行驶里程时，提示用户是否进入深度经济模式，当接收到深度经济模式进入指令时，控制所述车辆进入深度经济模式，以及在接收到深度经济模式退出指令时，控制所述车辆退出所述深度经济模式，其中，所述第一预设行驶里程大于所述第二预设行驶里程。

在一些示例中，所述控制模块还用于当所述车辆进入经济模式之后：降低扭矩响应速度；降低所述电动汽车的部分附件的能量消耗；当所述经济模式下得到的所述的车辆的剩余续航里程大于第三预设行驶里程时，提示用户是否退出所述经济模式，并在接收到经济模式退出指令时，控制所述车辆退出所述经济模式，其中，所述第三预设行驶里程大于所述第一预设行驶里程；当所述车辆进入所述深度经济模式之后：将所述车辆的车速限制为预设车速之内；进一步降低和/或关闭所述电动汽车的部分附件的能量消耗；当所述深度经济模式下得到的所述的车辆的剩余续航里程大于第四预设行驶里程时，提示用户是否退出所述深度经济模式，并在接收到深度经济模式退出指令时控制所述车辆退出所述深度经济模式，其中，所述第四预设行驶里程小于所述第三预设行驶里程且大于所述第一预设行驶里程。

本发明第三方面的实施例的电动汽车，包括：根据本发明第二方面实施例所述的电动汽车的剩余续航里程估计***。该电动汽车可以精确地计算出车辆的剩余续航里程，使用户准确地了解车辆状况，并在此基础上，提供多种节能模式(如经济模式和深度经济模式)，从而延长车辆的续航里程，满足用户的更多的需求，提成车辆的市场竞争力。

本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中，

图1是根据本发明一个实施例的电动汽车的剩余续航里程估计方法的流程图；

图2是根据本发明一个实施例的电动汽车的剩余续航里程估计方法中通过神经网络计算续航里程补偿系数的原理图；

图3是根据本发明一个实施例的电动汽车的剩余续航里程估计方法的总体流程图；

图4是根据本发明一个实施例的电动汽车的剩余续航里程估计方法中进入经济模式(一般经济模式)后的管理策略逻辑图；

图5是根据本发明一个实施例的电动汽车的剩余续航里程估计方法中进入深度经济模式后的管理策略逻辑图；以及

图6是根据本发明一个实施例的电动汽车的剩余续航里程估计***的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。相反，本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

以下结合附图描述根据本发明实施实例的电动汽车的剩余续航里程估计方法、***及电动汽车。

图1是根据本发明一个实施例的电动汽车的剩余续航里程估计方法的流程图。

如图1所示，根据本发明一个实施例的电动汽车的剩余续航里程估计方法，包括如下步骤：

S101：获取动力电池的放电电流和放电电压，并根据放电电流和放电电压计算动力电池的当前放电能量。

具体而言，电池的放电电流(即：动力电池外部总电流)和动力电池的放电电压(即：动力电池外部总电压)可以通过车辆的电池管理***(BMS，BATTERYMANAGEMENTSYSTEM)上报的CAN(ControllerAreaNetwork)网络报文中获得。

当得到动力电池的放电电流和放电电压，将动力电池的放电电流和放电电压做乘法运算得到动力电池的放电功率P_Batt，将该值进行积分，得到电池消耗能量W_Batt，即：动力电池的当前放电能量为W_Batt。

S102：获取动力电池的荷电状态SOC(StateofCharge)和充放电次数N，其中，N为正整数。

在本发明的具体示例中，动力电池的荷电状态SOC和充放电次数N同样可以通过车辆的电池管理***上报的CAN网络报文中获得。

S103：将动力电池的荷电状态SOC、充放电次数N和单位时间内动力电池的总放电能量输入神经网络，得到续航里程补偿系数。

单位时间以60秒为例，则将动力电池的荷电状态SOC、动力电池的充放电次数N(即：动力电池满充满放电次数N)和60秒内动力电池的总放电能量，共三个量作为神经网络的输入，神经网络的输出值为续驶里程补偿系数K。如图2所示，为通过神经网络计算续驶里程补偿系数K的示意图，三个输入量分别为满充放电次数N(即：动力电池满充满放电次数N)、电池SOC(即：动力电池的SOC)和电池能量消耗(即：60秒内动力电池的总放电能量)，输出为补偿系数K(即：续航里程补偿系数K)。

具体地说，续航里程补偿系数K可以通过如下方式实现：

设计径向基函数神经网络，其中，所述径向基函数神经网络包括输入层、隐藏层和输出层，所述径向基函数神经网络表示为：

$y(x,w)=\underset{i=1}{\overset{H}{\Σ}}{w}_{i}j(Px-c_{i}P),$

其中，所述x为输入矢量，所述x＝[SOCNW_Batt]^T；所述y(x,w)为输出的所述续航里程补偿系数K；所述w_i为权重；所述H为所述隐藏层的神经元数量；所述c_i为中心矢量；所述Px-c_iP为到中心的距离；所述φ为径向基函数，所述W_Batt为所述动力电池的总放电能量，所述SOC为所述电池的荷电状态，所述N为所述充放电次数；

根据预设的多组动力电池的总放电能量、所述电池的荷电状态和充放电次数对所述径向基函数神经网络进行训练；

根据训练完成的所述径向基函数神经网络得到所述续航里程补偿系数。

更为具体地说，考虑到电池SOC降低后电池外部总电压也相应降低，急加减速及高耗能设备的开启会增加车辆额外的能量损耗(主要包括电池包热消耗、驱动***热消耗)，以及随着电池充放电次数的增加性能衰减等问题，以上因素均会造成剩余续驶里程加速下降，为此将以上三个指标进行量化，具体为：电池SOC、行驶单位时间(60s)距离电能消耗W_Batt，以及电池衰减程度量化为电池满充满放电次数N。根据以上三个量化的指标，设计神经网络，用来计算续航里程补偿系数K。

RBF神经网络作为一种性能优良的前馈型神经网络，可以任意精度逼近任意的非线性函数，且拓扑结构紧凑、具有全局逼近能力，同时解决了BP网络的局部最优问题，为此设计RBF神经网络计算续航里程补偿系数K。

所设计的RBF神经网络分为三层，输入层、隐层与输出层，其中隐层的神经元数量为3。具体表达式为：

$y(x,w)=\underset{i=1}{\overset{H}{\Σ}}{w}_{i}j(Px-c_{i}P)$

其中x为输入矢量，即x＝[SOCNW_Batt]^T；y(x,w)为网络输出，即补偿系数K；w_i为权重；H为隐层神经元数量，取H＝3；c_i为中心矢量；Px-c_iP为到中心的距离；φ为径向基函数，这里取为高斯径向基函数。

神经网络设计完成后对其进行训练，分别取满充满放电次数N∈[0250)、N∈[250500)、N∈[5001000)及N∈[1000∞)四个区间内各采集250组(共计1000组)驾驶数据SOCNW_Batt(分别在不同SOC条件下采用不同的驾驶习惯获得)，并根据实际的续驶里程与估算得到的续驶里程计算出共计1000组真实的补偿系数K；将这1000组数据[SOCW_BattNK]作为基础数据对RBF神经网络进行训练，最后将训练完成的神经网络用于计算续航里程补偿系数K。

S104：当车辆处于行驶状态时，计算单位时间内车辆的行驶距离S。

其中，单位时间(如60秒)内车辆的行驶距离S可以通过对车辆的驱动电机转速除以减速比后的结果进行积分得到。车辆的驱动电机转速可以通过电机控制器上报的CAN报文中获得。

S105：根据单位时间内车辆的行驶距离S、续航里程补偿系数K、动力电池的荷电状态SOC以及单位时间前后动力电池的荷电状态的差值ΔSOC得到车辆的剩余续航里程。

例如：车辆的剩余续航里程可通过如下公式得到，该公式为：

$L=\frac{SOC}{\frac{\mathrm{\Δ}SOC}{S}\×K}---\left(1\right)$

其中，L为车辆的剩余续航里程，ΔSOC为单位时间(如60秒)前后动力电池的荷电状态SOC的差值，SOC为电池的荷电状态(即：单位时间前动力电池的荷电状态)，S为单位时间内车辆的行驶距离，K为续航里程补偿系数。

需要说明的是，续航里程补偿系数K会根据动力电池的荷电状态SOC的下降、单位时间内电池能量消耗的增大以及满充满放电次数的增加而增大，具体由上述神经网络得到。

另外，上述计算车辆的剩余续航里程的公式仅在车辆行驶过程中适用。即只有在车辆处于行驶状态下，可以根据上述公式准确地计算出车辆的剩余续航里程。

但是，在某下情况下，车辆可能处于静止状态，例如：等红绿灯时虽然车辆没有行驶，然而也在消耗着动力电池的能量，此时，可以通过如下公式计算车辆的剩余续航里程，该公式为：

$L=L_{old}-\frac{W_{Batt\_60s}\×S}{W_{Batt\_old}}---\left(2\right)$

其中，L_old为单位时间(如60秒)前车辆的剩余续航里程，W_{Batt_60s}为单位时间内动力电池的总放电能量，W_{Batt_old}为前一个单位时间内动力电池的总放电能量。具体而言，例如车辆在前一个60秒内处于行驶状态，而紧随着的一个60秒内车辆等红绿灯处于静止状态，此时，在车辆处于静止状态的60秒之前的车辆的剩余续航里程可以通过公式1得到，即：L_old。然后，通过公式2可以准确地计算出车辆在当前静止状态下的车辆的剩余续航里程。

综上，电动汽车的剩余续航里程估计方法的总体流程图如图3所示，包括：

S301：补偿系数K计算，即：通过神经网络计算出续航里程补偿系数K。

S302：判断车辆是否处于运动状态，即行驶状态。如果是，则执行S303，否则执行S304。

S303：运动状态下续航里程计算，即：通过公式1计算车辆的剩余续航里程。

S304：静止状态下续航里程计算，即：通过公式2计算车辆的剩余续航里程。

S305：仪表显示，即：通过仪表实时地显示车辆的剩余续航里程。

根据本发明实施例的电动汽车的剩余续航里程估计方法，由于车辆实际的剩余续航里程与电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)相关，其数学模型具有强烈的非线性特性，本发明的方法综合考虑动力电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)，并通过神经网络得到续航里程补偿系数K，其中，神经网络具有非线性的特性，具有并行结构和学习能力，针对外部激励，能够给出相应的输出，对于解决非线性问题具有天然的优势，因此该方法可以准确地计算出电动汽车的剩余续航里程，从而为动力电池的能量管理提供可靠的依据。

在本发明的一个实施例中，在得到车辆的剩余续航里程之后，还包括：当车辆的剩余续航里程小于第一预设行驶里程时，提示用户是否进入经济模式(即：一般经济模式)，当接收到经济模式进入指令时，控制车辆进入经济模式，以及在接收到经济模式退出指令时，控制车辆退出经济模式。当车辆的剩余续航里程小于第二预设行驶里程时，提示用户是否进入深度经济模式，当接收到深度经济模式进入指令时，控制车辆进入深度经济模式，以及在接收到深度经济模式退出指令时，控制车辆退出所述深度经济模式，其中，第一预设行驶里程大于所述第二预设行驶里程。第一预设行驶里程例如为：50千米。第二预设行驶里程例如为25千米。

具体而言，如图4所示，当车辆进入经济模式之后，包括：降低扭矩响应速度；降低所述电动汽车的部分附件的能量消耗；当经济模式下得到的车辆的剩余续航里程大于第三预设行驶里程时，提示用户是否退出经济模式，并在接收到经济模式退出指令时，控制所述车辆退出经济模式，其中，第三预设行驶里程大于第一预设行驶里程。第二预设行驶里程例如为70千米。

例如：若选择进入一般经济模式则执行以下策略：

(1)油门踏板的扭矩响应梯度按照原有的0.3倍执行，以降低扭矩响应速度，进而减少能量消耗。

(2)提高驱动电机、电机控制器开启散热水泵与风扇的温度阀值，降低附件的能量消耗。

(3)考虑到进入一般经济模式后驾驶员有可能改变驾驶方式(由频繁加速、制动变为匀速行驶)，进而剩余续驶里程会增加，并超过如50km，为此，在该策略中如果此时的剩余续驶里程超过70km时，仪表可提示是否退出一般经济模式，驾驶员可通过多功能方向盘选择退出一般经济模式或拒绝退出。

另外，驾驶员若不满足一般经济模式驾驶感受可通过多功能方向盘随时退出该模式，以提升驾驶体验。

如图5所示，当车辆进入深度经济模式之后，包括：将车辆的车速限制为预设车速之内；进一步降低和/或关闭电动汽车的部分附件的能量消耗；当深度经济模式下得到的车辆的剩余续航里程大于第四预设行驶里程时，提示用户是否退出深度经济模式，并在接收到深度经济模式退出指令时控制车辆退出深度经济模式，其中，第四预设行驶里程小于第三预设行驶里程且大于第一预设行驶里程。其中，第四预设行驶里程例如为55千米。

例如：若选择进入深度经济模式，则执行以下控制策略：

(1)对最高车速进行限制，限值例如为30km/h。

(2)关闭DC/DC(直流转直流模块)使能，降低整车的功率消耗。

(3)电动助力转向***(EPS，ElectronicPowerSteering)按照最低助力功耗为车辆提供助力。

(4)EPS为低压零部件，例如由12V蓄电池供电，该策略能够在DC/DC关闭使能后极大地减轻12V蓄电池压力，以延长车辆的续驶里程。

(5)关闭散热水泵与风扇。车辆限速后驱动***无水冷需求，因此关闭水泵、风扇，以降低能耗，同时水泵与风扇由12V蓄电池供电，该策略能够在DC/DC关闭使能后降低12V蓄电池负荷。

(6)禁止空调使能，包括压缩机与加热器等。通过禁止空调使能进一步降低整车功耗。

(7)考虑到进入一般经济模式后驾驶员有可能改变驾驶方式(由频繁加速、制动变为匀速行驶)，进而剩余续驶里程会增加，并超过25km，为此，当续航里程超过55km时，仪表提示是否退出深度经济模式，驾驶员可通过多功能方向盘选择退出一般经济模式或拒绝退出。

另外，驾驶员若不满足深度经济模式下的驾驶感受，则可通过多功能方向盘随时退出该模式，以提升驾驶体验。

根据本发明实施例的电动汽车的剩余续航里程估计方法，可以精确地计算出车辆的剩余续航里程，使用户准确地了解车辆状况，并在此基础上，提供多种节能模式(如经济模式和深度经济模式)，从而延长车辆的续航里程，满足用户的更多的需求，提成车辆的市场竞争力。

图6是根据本发明一个实施例的电动汽车的剩余续航里程估计***的结构框图。如图6所示，根据本发明一个实施例的电动汽车的剩余续航里程估计***600，包括：能量计算模块610、续航里程补偿系数计算模块620和剩余续航里程估计模块630。

其中，能量计算模块610用于获取动力电池的放电电流和放电电压，并根据所述放电电流和放电电压计算所述动力电池的当前放电能量。续航里程补偿系数计算模块620用于获取所述动力电池的荷电状态和充放电次数，并将所述动力电池的荷电状态、充放电次数和单位时间内所述动力电池的总放电能量输入神经网络，得到续航里程补偿系数。剩余续航里程估计模块630用于当车辆处于行驶状态时，计算所述单位时间内所述车辆的行驶距离，并根据所述单位时间内所述车辆的行驶距离、所述续航里程补偿系数、所述动力电池的荷电状态以及所述单位时间前后所述动力电池的荷电状态的差值得到所述车辆的剩余续航里程。

根据本发明实施例的电动汽车的剩余续航里程估计***，由于车辆实际的剩余续航里程与电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)相关，其数学模型具有强烈的非线性特性，本发明的***综合考虑动力电池的荷电状态、电池衰减情况(即：通过充放电次数反应电池衰减情况)和驾驶习惯(即：通过单位时间内动力电池的电能消耗反应驾驶习惯)，并通过神经网络得到续航里程补偿系数K，其中，神经网络具有非线性的特性，具有并行结构和学习能力，针对外部激励，能够给出相应的输出，对于解决非线性问题具有天然的优势，因此该***可以准确地计算出电动汽车的剩余续航里程，从而为动力电池的能量管理提供可靠的依据。

在本发明的一个实施例中，续航里程补偿系数通过如下方式得到：

设计径向基函数神经网络，其中，所述径向基函数神经网络包括输入层、隐藏层和输出层，所述径向基函数神经网络表示为：

$y(x,w)=\underset{i=1}{\overset{H}{\Σ}}{w}_{i}j(Px-c_{i}P),$

其中，所述x为输入矢量，所述x＝[SOCNW_Batt]^T；所述y(x,w)为输出的所述续航里程补偿系数K；所述w_i为权重；所述H为所述隐藏层的神经元数量；所述c_i为中心矢量；所述Px-c_iP为到中心的距离；所述φ为径向基函数，所述W_Batt为所述动力电池的总放电能量，所述SOC为所述电池的荷电状态，所述N为所述充放电次数；

根据预设的多组动力电池的总放电能量、所述电池的荷电状态和充放电次数对所述径向基函数神经网络进行训练；

根据训练完成的所述径向基函数神经网络得到所述续航里程补偿系数。

在本发明的一个实施例中，车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=\frac{SOC}{\frac{\mathrm{\Δ}SOC}{S}\×K},$

其中，所述L为所述车辆的剩余续航里程，所述ΔSOC为所述单位时间前后所述动力电池的荷电状态的差值，所述SOC为所述电池的荷电状态，所述S为单位时间内所述车辆的行驶距离，所述K为所述续航里程补偿系数。

在本发明的一个实施例中，所述剩余续航里程估计模块还用于：当所述车辆处于静止状态时，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=L_{old}-\frac{W_{Batt\_60s}\×S}{W_{Batt\_old}},$

其中，L_old为所述单位时间前所述车辆的剩余续航里程，W_{Batt_60s}为所述单位时间内所述动力电池的总放电能量，W_{Batt_old}为前一个所述单位时间内所述动力电池的总放电能量。

在本发明的一个实施例中，还包括：控制模块(图中没有示出)，控制模块用于：当所述车辆的剩余续航里程小于第一预设行驶里程时，提示用户是否进入经济模式，当接收到经济模式进入指令时，控制所述车辆进入经济模式，以及在接收到经济模式退出指令时，控制所述车辆退出所述经济模式；当所述车辆的剩余续航里程小于第二预设行驶里程时，提示用户是否进入深度经济模式，当接收到深度经济模式进入指令时，控制所述车辆进入深度经济模式，以及在接收到深度经济模式退出指令时，控制所述车辆退出所述深度经济模式，其中，所述第一预设行驶里程大于所述第二预设行驶里程。

进一步地，控制模块还用于当车辆进入经济模式之后：降低扭矩响应速度；降低所述电动汽车的部分附件的能量消耗；当所述经济模式下得到的所述的车辆的剩余续航里程大于第三预设行驶里程时，提示用户是否退出所述经济模式，并在接收到经济模式退出指令时，控制所述车辆退出所述经济模式，其中，所述第三预设行驶里程大于所述第一预设行驶里程；当所述车辆进入所述深度经济模式之后：将所述车辆的车速限制为预设车速之内；进一步降低和/或关闭所述电动汽车的部分附件的能量消耗；当所述深度经济模式下得到的所述的车辆的剩余续航里程大于第四预设行驶里程时，提示用户是否退出所述深度经济模式，并在接收到深度经济模式退出指令时控制所述车辆退出所述深度经济模式，其中，所述第四预设行驶里程小于所述第三预设行驶里程且大于所述第一预设行驶里程。

根据本发明实施例的电动汽车的剩余续航里程估计***，可以精确地计算出车辆的剩余续航里程，使用户准确地了解车辆状况，并在此基础上，提供多种节能模式(如经济模式和深度经济模式)，从而延长车辆的续航里程，满足用户的更多的需求，提成车辆的市场竞争力。

需要说明的是，本发明实施例的电动汽车的剩余续航里程估计***的具体实现方式与本发明实施例的电动汽车的剩余续航里程估计方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。

进一步地，本发明的实施例公开了一种电动汽车，包括：根据上述实施例所述的电动汽车的剩余续航里程估计***。该车辆可以精确地计算出车辆的剩余续航里程，使用户准确地了解车辆状况，并在此基础上，提供多种节能模式(如经济模式和深度经济模式)，从而延长车辆的续航里程，满足用户的更多的需求，提成车辆的市场竞争力。

另外，根据本发明实施例的电动汽车的其它构成以及作用对于本领域的普通技术人员而言都是已知的，为了减少冗余，此处不做赘述。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (13)

1.一种电动汽车的剩余续航里程估计方法，其特征在于，包括以下步骤：

获取动力电池的放电电流和放电电压，并根据所述放电电流和放电电压计算所述动力电池的当前放电能量；

获取所述动力电池的荷电状态和充放电次数；

将所述动力电池的荷电状态、充放电次数和单位时间内所述动力电池的总放电能量输入神经网络，得到续航里程补偿系数；

当车辆处于行驶状态时，计算所述单位时间内所述车辆的行驶距离；以及

根据所述单位时间内所述车辆的行驶距离、所述续航里程补偿系数、所述动力电池的荷电状态以及所述单位时间前后所述动力电池的荷电状态的差值得到所述车辆的剩余续航里程。

2.根据权利要求1所述的电动汽车的剩余续航里程估计方法，其特征在于，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=\frac{\mathrm{SOC}}{\frac{\mathrm{\ΔSOC}}{S}\×K},$

其中，所述L为所述车辆的剩余续航里程，所述ΔSOC为所述单位时间前后所述动力电池的荷电状态的差值，所述SOC为所述电池的荷电状态，所述S为单位时间内所述车辆的行驶距离，所述K为所述续航里程补偿系数。

3.根据权利要求2所述的电动汽车的剩余续航里程估计方法，其特征在于，还包括：

当所述车辆处于静止状态时，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=L_{old}-\frac{W_{Batt\_60s}\×S}{W_{Batt\_old}},$

其中，L_old为所述单位时间前所述车辆的剩余续航里程，W_{Batt_60s}为所述单位时间内所述动力电池的总放电能量，W_{Batt_old}为前一个所述单位时间内所述动力电池的总放电能量。

4.根据权利要求1所述的电动汽车的剩余续航里程估计方法，其特征在于，所述续航里程补偿系数通过如下方式得到：

设计径向基函数神经网络，其中，所述径向基函数神经网络包括输入层、隐藏层和输出层，所述径向基函数神经网络表示为：

$y(x,w)=\underset{i=1}{\overset{H}{\Σ}}{w}_{i}j(Px-c_{i}P),$

其中，所述x为输入矢量，所述x＝[SOCNW_Batt]^Τ；所述y(x,w)为输出的所述续航里程补偿系数K；所述w_i为权重；所述H为所述隐藏层的神经元数量；所述c_i为中心矢量；所述Px-c_iP为到中心的距离；φ为径向基函数，所述W_Batt为所述动力电池的总放电能量，所述SOC为所述电池的荷电状态，所述N为所述充放电次数；

根据预设的多组动力电池的总放电能量、所述电池的荷电状态和充放电次数对所述径向基函数神经网络进行训练；

根据训练完成的所述径向基函数神经网络得到所述续航里程补偿系数。

5.根据权利要求1所述的电动汽车的剩余续航里程估计方法，其特征在于，在得到所述车辆的剩余续航里程之后，还包括：

当所述车辆的剩余续航里程小于第一预设行驶里程时，提示用户是否进入经济模式，当接收到经济模式进入指令时，控制所述车辆进入经济模式，以及在接收到经济模式退出指令时，控制所述车辆退出所述经济模式；

当所述车辆的剩余续航里程小于第二预设行驶里程时，提示用户是否进入深度经济模式，当接收到深度经济模式进入指令时，控制所述车辆进入深度经济模式，以及在接收到深度经济模式退出指令时，控制所述车辆退出所述深度经济模式，其中，所述第一预设行驶里程大于所述第二预设行驶里程。

6.根据权利要求5所述的电动汽车的剩余续航里程估计方法，其特征在于，当所述车辆进入经济模式之后，还包括：

降低扭矩响应速度；

降低所述电动汽车的部分附件的能量消耗；

当所述经济模式下得到的所述的车辆的剩余续航里程大于第三预设行驶里程时，提示用户是否退出所述经济模式，并在接收到经济模式退出指令时，控制所述车辆退出所述经济模式，其中，所述第三预设行驶里程大于所述第一预设行驶里程；

当所述车辆进入所述深度经济模式之后，还包括：

将所述车辆的车速限制为预设车速之内；

进一步降低和/或关闭所述电动汽车的部分附件的能量消耗；

当所述深度经济模式下得到的所述的车辆的剩余续航里程大于第四预设行驶里程时，提示用户是否退出所述深度经济模式，并在接收到深度经济模式退出指令时控制所述车辆退出所述深度经济模式，其中，所述第四预设行驶里程小于所述第三预设行驶里程且大于所述第一预设行驶里程。

7.一种电动汽车的剩余续航里程估计***，其特征在于，包括：

能量计算模块，用于获取动力电池的放电电流和放电电压，并根据所述放电电流和放电电压计算所述动力电池的当前放电能量；

续航里程补偿系数计算模块，用于获取所述动力电池的荷电状态和充放电次数，并将所述动力电池的荷电状态、充放电次数和单位时间内所述动力电池的总放电能量输入神经网络，得到续航里程补偿系数；

剩余续航里程估计模块，用于当车辆处于行驶状态时，计算所述单位时间内所述车辆的行驶距离，并根据所述单位时间内所述车辆的行驶距离、所述续航里程补偿系数、所述动力电池的荷电状态以及所述单位时间前后所述动力电池的荷电状态的差值得到所述车辆的剩余续航里程。

8.根据权利要求7所述的电动汽车的剩余续航里程估计***，其特征在于，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=\frac{\mathrm{SOC}}{\frac{\mathrm{\ΔSOC}}{S}\×K},$

其中，所述L为所述车辆的剩余续航里程，所述ΔSOC为所述单位时间前后所述动力电池的荷电状态的差值，所述SOC为所述电池的荷电状态，所述S为单位时间内所述车辆的行驶距离，所述K为所述续航里程补偿系数。

9.根据权利要求8所述的电动汽车的剩余续航里程估计***，其特征在于，所述剩余续航里程估计模块还用于：

当所述车辆处于静止状态时，所述车辆的剩余续航里程通过如下公式得到，所述公式为：

$L=L_{old}-\frac{W_{Batt\_60s}\×S}{W_{Batt\_old}},$

其中，L_old为所述单位时间前所述车辆的剩余续航里程，W_{Batt_60s}为所述单位时间内所述动力电池的总放电能量，W_{Batt_old}为前一个所述单位时间内所述动力电池的总放电能量。

10.根据权利要求7所述的电动汽车的剩余续航里程估计***，其特征在于，所述续航里程补偿系数通过如下方式得到：

设计径向基函数神经网络，其中，所述径向基函数神经网络包括输入层、隐藏层和输出层，所述径向基函数神经网络表示为：

$y(x,w)=\underset{i=1}{\overset{H}{\Σ}}{w}_{i}j(Px-c_{i}P),$

其中，所述x为输入矢量，所述x＝[SOCNW_Batt]^Τ；所述y(x,w)为输出的所述续航里程补偿系数K；所述w_i为权重；所述H为所述隐藏层的神经元数量；所述c_i为中心矢量；所述Px-c_iP为到中心的距离；φ为径向基函数，所述W_Batt为所述动力电池的总放电能量，所述SOC为所述电池的荷电状态，所述N为所述充放电次数；

根据预设的多组动力电池的总放电能量、所述电池的荷电状态和充放电次数对所述径向基函数神经网络进行训练；

根据训练完成的所述径向基函数神经网络得到所述续航里程补偿系数。

11.根据权利要求7所述的电动汽车的剩余续航里程估计***，其特征在于，还包括：控制模块，所述控制模块用于：

当所述车辆的剩余续航里程小于第一预设行驶里程时，提示用户是否进入经济模式，当接收到经济模式进入指令时，控制所述车辆进入经济模式，以及在接收到经济模式退出指令时，控制所述车辆退出所述经济模式；

当车辆的剩余续航里程小于第二预设行驶里程时，提示用户是否进入深度经济模式，当接收到深度经济模式进入指令时，控制所述车辆进入深度经济模式，以及在接收到深度经济模式退出指令时，控制所述车辆退出所述深度经济模式，其中，所述第一预设行驶里程大于所述第二预设行驶里程。

12.根据权利要求11所述的电动汽车的剩余续航里程估计***，其特征在于，所述控制模块还用于当所述车辆进入经济模式之后：

降低扭矩响应速度；

降低所述电动汽车的部分附件的能量消耗；

当所述经济模式下得到的所述的车辆的剩余续航里程大于第三预设行驶里程时，提示用户是否退出所述经济模式，并在接收到经济模式退出指令时，控制所述车辆退出所述经济模式，其中，所述第三预设行驶里程大于所述第一预设行驶里程；

当所述车辆进入所述深度经济模式之后：

将所述车辆的车速限制为预设车速之内；

进一步降低和/或关闭所述电动汽车的部分附件的能量消耗；

当所述深度经济模式下得到的所述的车辆的剩余续航里程大于第四预设行驶里程时，提示用户是否退出所述深度经济模式，并在接收到深度经济模式退出指令时控制所述车辆退出所述深度经济模式，其中，所述第四预设行驶里程小于所述第三预设行驶里程且大于所述第一预设行驶里程。

13.一种电动汽车，其特征在于，包括：根据权利要求7-12任一项所述的电动汽车的剩余续航里程估计***。