CN106326581A - 一种续驶里程的确定方法、装置及汽车 - Google Patents
一种续驶里程的确定方法、装置及汽车 Download PDFInfo
- Publication number
- CN106326581A CN106326581A CN201610757817.2A CN201610757817A CN106326581A CN 106326581 A CN106326581 A CN 106326581A CN 201610757817 A CN201610757817 A CN 201610757817A CN 106326581 A CN106326581 A CN 106326581A
- Authority
- CN
- China
- Prior art keywords
- cluster
- driving
- automobile
- running data
- operating mode
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 239000012634 fragment Substances 0.000 claims description 78
- 239000000470 constituent Substances 0.000 claims description 74
- 239000011159 matrix material Substances 0.000 claims description 52
- 238000005265 energy consumption Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 22
- 238000000513 principal component analysis Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 13
- 238000009825 accumulation Methods 0.000 claims description 11
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 43
- 238000010586 diagram Methods 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 230000002596 correlated effect Effects 0.000 description 3
- 208000006011 Stroke Diseases 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 206010008190 Cerebrovascular accident Diseases 0.000 description 1
- 239000005955 Ferric phosphate Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229940032958 ferric phosphate Drugs 0.000 description 1
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 1
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种续驶里程的确定方法、装置及汽车,涉及汽车技术领域。该方法包括:获取汽车当前时间之前一预设时间长度内的第一行驶数据;根据所述第一行驶数据,确定所述汽车的当前行驶工况;根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。本发明的方案,基于行驶工况确定汽车续驶里程,达到更高的适用性和准确性,解决了现有的电动汽车续驶里程的确定方法的适用性和准确性较差的问题。
Description
技术领域
本发明涉及汽车技术领域,特别是指一种续驶里程的确定方法、装置及汽车。
背景技术
与普通内燃机汽车相比,电动汽车在排放和能源合理利用方面有很大的优越性,但目前电动汽车的续驶里程短,且能量补充速度慢,制约了电动汽车的推广普及。故电动汽车应能向用户提供更为准确的动力电池续驶里程信息,以便用户规划行程及充电时间。
但是现有的电动汽车续驶里程的确定主要是依据动力电池输出能量与汽车行驶消耗的能量相等的原则进行的,然而,特殊行驶工况下,如泥泞山路,动力电池输出能量与汽车行驶消耗的能量并不相等。因此,现有的电动汽车续驶里程的确定方法的适用性和准确性较差。
发明内容
本发明的目的是提供一种续驶里程的确定方法、装置及汽车,以解决现有的电动汽车续驶里程的确定方法的适用性和准确性较差的问题。
为达到上述目的,本发明的实施例提供一种续驶里程的确定方法,包括:
获取汽车当前时间之前一预设时间长度内的第一行驶数据;
根据所述第一行驶数据,确定所述汽车的当前行驶工况;
根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。
本发明实施例的续驶里程的确定方法,首先获取汽车当前时间之前一预设时间长度内的第一行驶数据,作为续驶里程的基础数据。然后,根据该第一行驶数据,确定出汽车的当前行驶工况。最后,根据确定出的当前行驶工况,确定出对应当前剩余的续驶里程。这样,通过以汽车的实际行驶数据为基础确定当前的行驶工况,然后基于行驶工况确定对应当前剩余能量的续驶里程的方式,考虑到了行驶工况对续驶里程的影响,增加了续驶里程的估算准确性,且具有更佳的适用性。
其中,所述续驶里程的确定方法还包括:
提取预先存储的典型行驶工况的第二行驶数据中的行驶参数;
对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数;
根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心。
其中,根据第一行驶数据,确定所述汽车的当前行驶工况的步骤,包括:
提取所述第一行驶数据中对应所述第一行驶参数的第二行驶参数;
根据公式di=||x-ci||,获取所述第二行驶参数x与聚类中心ci的距离di;其中,i表示第i个聚类;
根据di最小时对应的聚类,确定所述汽车的当前行驶工况。
其中,根据所述当前行驶工况,确定对应当前剩余能量的续驶里程的步骤,包括:
根据公式获得所述典型行驶工况的行驶数据每个聚类的平均耗能其中,ni表示属于第i个聚类的工况片段个数,Ek表示第k个工况片段的能量消耗,fk表示第k个工况片段的隶属度,Fi表示第i个聚类隶属度之和;
根据所述汽车的当前行驶工况,确定对应聚类的平均能耗作为单位能耗;
根据公式得到所述汽车的之前j个工况片段的总行驶耗能Ecost;其中,Ej表示所述汽车第j个工况片段的能量消耗,选取Ej等于单位能耗;
根据公式得到所述汽车单位能耗行驶的里程数l;其中,S表示所述汽车在所述预设时间长度内的行驶里程;
根据公式Eres=Etotal-Ecost,得到所述汽车的剩余能量Eres;其中,Etotal表示所述汽车的电池总能量;
根据公式Sres=lEres,得到所述汽车的续驶里程。
其中,对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数的步骤,包括:
确定所述第二行驶数据中的n个样品和p个变量,构建n*p的第一矩阵;
将所述第一矩阵进行标准变化后,获取各个变量间的相关系数,得到相关系数的第二矩阵;
获取所述第二矩阵的特征值和对应的标准特征向量,根据公式Yi=Xei,得到第i个主成分Yi;其中,ei表示第i个主成分的标准特征向量,i=1…p;
根据所述主成分,确定第一行驶参数。
其中,根据所述主成分,确定第一行驶参数的步骤,包括:
根据公式得到第i个主成分的贡献率wi;其中,λi表示第i个主成分的特征值;
根据公式得到m个主成分的累计贡献率wm;
根据行驶参数与主成分间的相关性以及行驶参数间的相关性,对特征值大于第一预设阈值且累积贡献率大于第二预设阈值的主成分进行分析,确定第一行驶参数。
其中,根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心的步骤,包括:
根据预设的聚类个数以及0,1间的随机数,初始化隶属度矩阵U;
根据公式获得第l步的聚类中心V(l);其中,uik表示第k个样品属于第i类的隶属度,且uik满足
根据公式获得第l步的目标函数J(l);
根据公式修正第l步的隶属度矩阵U(l),其中
在满足时,得到目标隶属度矩阵和目标聚类中心;其中,εu为预设的隶属终止容限;
将所述第一行驶参数与每个聚类个数对应的目标聚类中心进行比对,确定状态类区分明显的聚类个数为所述典型行驶工况的行驶数据的聚类个数,对应的目标聚类中心为所述典型行驶工况的行驶数据的聚类中心。
为达到上述目的,本发明的实施例还提供了一种续驶里程的确定装置,包括:
获取模块,用于获取汽车当前时间之前一预设时间长度内的第一行驶数据;
第一确定模块,用于根据所述第一行驶数据,确定所述汽车的当前行驶工况;
第二确定模块,用于根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。
本发明实施例的续驶里程的确定装置,获取模块获取汽车当前时间之前一预设时间长度内的第一行驶数据,作为续驶里程的基础数据。然后,第一确定模块根据该第一行驶数据,确定出汽车的当前行驶工况。最后,第二确定模块根据确定出的当前行驶工况,确定出对应当前剩余的续驶里程。这样,通过以汽车的实际行驶数据为基础确定当前的行驶工况,然后基于行驶工况确定对应当前剩余能量的续驶里程的方式,考虑到了行驶工况对续驶里程的影响,增加了续驶里程的估算准确性,且具有更佳的适用性。
其中,所述续驶里程的确定装置还包括:
提取模块,用于提取预先存储的典型行驶工况的第二行驶数据中的行驶参数;
第一处理模块,用于对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数;
第二处理模块,用于根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心。
其中,所述第一确定模块包括:
提取子模块,用于提取所述第一行驶数据中对应所述第一行驶参数的第二行驶参数;
获取子模块,用于根据公式di=||x-ci||,获取所述第二行驶参数x与聚类中心ci的距离di;其中,i表示第i个聚类;
第一确定子模块,用于根据di最小时对应的聚类,确定所述汽车的当前行驶工况。
其中,所述第二确定模块包括:
第一处理子模块,用于根据公式获得所述典型行驶工况的行驶数据每个聚类的平均耗能其中,ni表示属于第i个聚类的工况片段个数,Ek表示第k个工况片段的能量消耗,fk表示第k个工况片段的隶属度,Fi表示第i个聚类隶属度之和;
第二确定子模块,用于根据所述汽车的当前行驶工况,确定对应聚类的平均能耗作为单位能耗;
第二处理子模块,用于根据公式得到所述汽车的之前j个工况片段的总行驶耗能Ecost;其中,Ej表示所述汽车第j个工况片段的能量消耗,选取Ej等于单位能耗;
第三处理子模块,用于根据公式得到所述汽车单位能耗行驶的里程数l;其中,S表示所述汽车在所述预设时间长度内的行驶里程;
第四处理子模块,用于根据公式Eres=Etotal-Ecost,得到所述汽车的剩余能量Eres;其中,Etotal表示所述汽车的电池总能量;
第五处理子模块,用于根据公式Sres=lEres,得到所述汽车的续驶里程。
其中,所述第一处理模块包括:
构建子模块,用于确定所述第二行驶数据中的n个样品和p个变量,构建n*p的第一矩阵;
第六处理子模块,用于将所述第一矩阵进行标准变化后,获取各个变量间的相关系数,得到相关系数的第二矩阵;
第七处理子模块,用于获取所述第二矩阵的特征值和对应的标准特征向量,根据公式Yi=Xei,得到第i个主成分Yi;其中,ei表示第i个主成分的标准特征向量,i=1…p;
第三确定子模块,用于根据所述主成分,确定第一行驶参数。
其中,所述第三确定子模块包括:
第一处理单元,用于根据公式得到第i个主成分的贡献率wi;其中,λi表示第i个主成分的特征值;
第二处理单元,用于根据公式得到m个主成分的累计贡献率wm;
第三处理单元,用于根据行驶参数与主成分间的相关性以及行驶参数间的相关性,对特征值大于第一预设阈值且累积贡献率大于第二预设阈值的主成分进行分析,确定第一行驶参数。
其中,所述第二处理模块包括:
初始化子模块,用于根据预设的聚类个数以及0,1间的随机数,初始化隶属度矩阵U;
第八处理子模块,用于根据公式获得第l步的聚类中心V(l);其中,uik表示第k个样品属于第i类的隶属度,且uik满足
第九处理子模块,用于根据公式获得第l步的目标函数J(l);
修正子模块,用于根据公式修正第l步的隶属度矩阵U(l),其中
第十处理子模块,用于在满足时,得到目标隶属度矩阵和目标聚类中心;其中,εu为预设的隶属终止容限;
第四确定子模块,用于将所述第一行驶参数与每个聚类个数对应的目标聚类中心进行比对,确定状态类区分明显的聚类个数为所述典型行驶工况的行驶数据的聚类个数,对应的目标聚类中心为所述典型行驶工况的行驶数据的聚类中心。
为达到上述目的,本发明的实施例还提供了一种汽车,包括如上所述的续驶里程的确定装置。
本发明实施例的汽车,能够获取汽车当前时间之前一预设时间长度内的第一行驶数据,作为续驶里程的基础数据。然后,根据该第一行驶数据,确定出汽车的当前行驶工况。最后,根据确定出的当前行驶工况,确定出对应当前剩余的续驶里程。这样,通过以汽车的实际行驶数据为基础确定当前的行驶工况,然后基于行驶工况确定对应当前剩余能量的续驶里程的方式,考虑到了行驶工况对续驶里程的影响,增加了续驶里程的估算准确性,且具有更佳的适用性。
附图说明
图1为本发明实施例的续驶里程的确定方法的步骤流程示意图一;
图2为本发明实施例的续驶里程的确定方法的步骤流程示意图二;
图3为美国的城市道路循环UDDS工况片段图;
图4为C=3的聚类中心结果示意图;
图5为C=4的聚类中心结果示意图;
图6为C=5的聚类中心结果示意图;
图7为C=6的聚类中心结果示意图;
图8为215个片段聚类结果示意图;
图9为本发明实施例中行驶工况识别流程框图;
图10为本发明实施例的续驶里程的确定方法的流程框图;
图11为215个片段的能量消耗示意图;
图12为ECE15工况速度-时间变化曲线示意图;
图13为ECE15工况下单位能耗行驶里程数示意图;
图14为ECE15工况下能量消耗比较示意图;
图15为剩余续驶里程估算比较示意图;
图16为本发明实施例的续驶里程的确定装置的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的电动汽车续驶里程的确定方法适用性和准确性较差的问题,提供了一种续驶里程的确定方法、装置及汽车,基于行驶工况确定汽车续驶里程,达到更高的适用性和准确性。
如图1所示,本发明实施例的一种续驶里程的确定方法,包括:
步骤101,获取汽车当前时间之前一预设时间长度内的第一行驶数据;
步骤102,根据所述第一行驶数据,确定所述汽车的当前行驶工况;
步骤103,根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。
本发明实施例的续驶里程的确定方法,应用于纯电动汽车,首先获取汽车当前时间之前一预设时间长度内的第一行驶数据,作为续驶里程的基础数据。然后,根据该第一行驶数据,确定出汽车的当前行驶工况。最后,根据确定出的当前行驶工况,确定出对应当前剩余的续驶里程。这样,通过以汽车的实际行驶数据为基础确定当前的行驶工况,然后基于行驶工况确定对应当前剩余能量的续驶里程的方式,考虑到了行驶工况对续驶里程的影响,增加了续驶里程的估算准确性,且具有更佳的适用性。
其中,为了实现对汽车行驶工况的确定,如图2所示,本发明实施例的续驶里程的确定方法,还包括:
步骤104,提取预先存储的典型行驶工况的第二行驶数据中的行驶参数;
步骤105,对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数;
步骤106,根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心。
如步骤104~106,该实施例中,采用主成分分析和模糊聚类结合的,对预存储的典型行驶工况进行特征分析和状态识别,确定该典型行驶工况的行驶数据的聚类个数和聚类中心。这样,在获取到实际行驶数据后,就能够更快、更准确地确定出对应的当前行驶工况,进而确定出准确的续驶里程。
应该知道的是,汽车行驶工况用来代表特定环境的汽车行驶速度-时间历程,可为汽车的动力匹配涉及、排放水平和能量消耗提供参考和检测依据。比较典型的行驶工况有:美国的城市道路循环UDDS工况、高速公路省油测试HWFET工况,欧洲的新欧洲标准行驶循环NEDC工况和日本的10-15工况等。选取具有代表性的行驶工况,将这些工况的速度-时间数据按一定的时间周期划分可得到多个行驶工况片段,如图3所示,将UDDS工况前1200秒的时间历程进行片段划分,以时间周期为120秒可得到10个行驶工况片段(以下简称片段)。
为了准确描述每个片段,确保不会出现行驶工况的信息丢失和失真,该实施例中,拟定了12个行驶参数用于描述,如下表1所示。
表1
以UDDS工况前5个片段为例,计算出了对应的行驶参数如下表2所示,可以看出5个片段的12个行驶参数有很大的区别。
符号 | 片段1 | 片段2 | 片段3 | 片段4 | 片段5 |
Vm | 31.89 | 39.02 | 59.33 | 34.24 | 25.81 |
Vmax | 52.16 | 91.11 | 91.26 | 58.75 | 57.13 |
∑V2 | 12189 | 25064 | 42462 | 15816 | 9157 |
Vsd | 23.13 | 91.98 | 82.95 | 41.68 | 25.04 |
am | 0.096 | 0.141 | -0.099 | 0.019 | -0.052 |
APA | 0.392 | 0.553 | 0.529 | 0.700 | 0.480 |
ANA | -0.422 | -0.699 | -0.427 | -0.764 | -0.727 |
Pa | 49.2 | 46.7 | 25 | 39.2 | 38.3 |
Pd | 29.1 | 15.8 | 53.3 | 31.7 | 30.8 |
Pc | 4.2 | 5 | 10 | 8.3 | 11.7 |
Pi | 17.5 | 32.5 | 11.7 | 20.8 | 19.2 |
L | 1.059 | 1.285 | 1.958 | 1.126 | 0.848 |
表2
按照上述方式,在步骤104中,即可实现提取预先存储的典型行驶工况的第二行驶数据中的行驶参数。例如,预先存储了20个典型行驶工况,以120秒为时间周期,划分得到215个片段,提取其中的行驶参数进行分析计算,为汽车行驶工况的识别奠定基础。
如图2所示,经步骤104提取第二行驶数据中的行驶参数后,下一步,步骤105,对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数。
具体的,步骤105包括:
步骤1051,确定所述第二行驶数据中的n个样品和p个变量,构建n*p的第一矩阵X。
本步骤中,确定研究对象是n个样品和p个变量的第二行驶数据(n>p),记为x1,x2,…xn,其中xi=(xi1,xi2,…,xip)′,(i=1,2,…,n),构成一个n*p的第一矩阵为
步骤1052,将所述第一矩阵进行标准变化后,获取各个变量间的相关系数,得到相关系数的第二矩阵。
本步骤中,将步骤1051得到的第一矩阵进行标准变化后,计算各个变量间的相关系数,得到原变量之间的相关系数矩阵,也就是第二矩阵为
步骤1053,获取所述第二矩阵的特征值和对应的标准特征向量,根据公式Yi=Xei,得到随机变量X的第i个主成分Yi;其中,ei表示第i个主成分的标准特征向量,i=1…p。
本步骤中,求解第二矩阵的特征值和对应的标准特征向量ei,i=1…p。并以e1,e2,…,ep为系数向量,得到Y1=Xe1,Y2=Xe2,…,YP=XeP,即为随机变量X的第一主成分、第二主成分、…、第p主成分。
步骤1054,根据所述主成分,确定第一行驶参数。
本步骤中,根据步骤1054得到的主成分,来确定出典型行驶工况中具有代表性的第一行驶参数。
进一步具体的,步骤1054包括:
步骤10541,根据公式得到第i个主成分的贡献率wi;其中,λi表示第i个主成分的特征值。
本步骤中,由公式可以得到第i个主成分的贡献率wi,其值越大代表主成分表达的信息越多。
步骤10542,根据公式得到m个主成分的累计贡献率wm。
本步骤中,以步骤10541得到的每个主成分的贡献率为基础,由公式得到m个主成分的累计贡献率wm。通常当累积贡献率达到80%或85%时表示前m个主成分可代表所有原始变量进行分析。
步骤10543,根据行驶参数与主成分间的相关性以及行驶参数间的相关性,对特征值大于第一预设阈值且累积贡献率大于第二预设阈值的主成分进行分析,确定第一行驶参数。
本步骤中,基于行驶参数与主成分间的相关性以及行驶参数间的相关性,对特征值大于第一预设阈值且累积贡献率大于第二预设阈值的主成分进行分析,确定第一行驶参数。
各特征参数间具有一定的相关性,表达的工况信息存在重叠,利用主成分就可以用较少的变量表达更多的工况信息,从而可达到降维目的。
以上述示例中得到的215个片段行驶参数的数据进行主成分分析,得到12个主成分。Yi(i=1,2,…,12)表示各主成分,每个主成分的特征值、贡献率、累积贡献如下表3所示。
主成分 | 特征值 | 贡献率/% | 累积贡献率/% |
Y1 | 5.076 | 42.30 | 42.30 |
Y2 | 2.022 | 16.85 | 59.15 |
Y3 | 1.592 | 13.27 | 72.42 |
Y4 | 1.510 | 12.59 | 85.01 |
Y5 | 0.709 | 5.91 | 90.92 |
Y6 | 0.521 | 4.34 | 95.26 |
Y7 | 0.421 | 3.51 | 98.87 |
Y8 | 0.081 | 0.68 | 99.45 |
Y9 | 0.031 | 0.26 | 99.71 |
Y10 | 0.022 | 0.18 | 99.89 |
Y11 | 0.006 | 0.06 | 99.95 |
Y12 | 0.005 | 0.05 | 100 |
表3
特征值某种程度上反映了主成分影响力度大小的指标,一般将特征值大于1的主成分作为分析对象。由表3可以看出,前8个主成分几乎包含了12个行驶参数的所有信息,其中前4个主成分的累积贡献率已经到达了85.01%,且特征值均大于1,所以选取前4个主成分进行分析。
表4中列出了前4个主成分的载荷矩阵数据:
特征参数 | Y1 | Y2 | Y3 | Y4 |
Vm | 0.430 | -0.003 | 0.119 | 0.038 |
Vmax | 0.409 | -0.201 | 0.033 | 0.106 |
∑V2 | 0.407 | 0.017 | 0.042 | 0.178 |
Vsd | 0.135 | -0.514 | 0.002 | 0.176 |
am | 0.032 | 0.444 | -0.202 | 0.556 |
APA | -0.132 | -0.304 | -0.303 | 0.500 |
ANA | 0.122 | 0.530 | 0.109 | -0.234 |
Pa | 0.232 | 0.242 | 0.132 | 0.069 |
Pd | 0.207 | -0.245 | -0.338 | -0.496 |
Pc | 0.113 | -0.023 | 0.651 | 0.179 |
Pi | -0.369 | -0.001 | -0.523 | 0.138 |
L | 0.428 | 0.056 | 0.086 | 0.087 |
表4
可以知道的是,某参数在某个主成分上的载荷系数绝对值越大,表明这个参数与这个主成分的相关程度越高,由此确定4个主成分与12个行驶参数的相关系数。第一主成分(Y1)主要反映了平均车速和行驶里程;第二主成分(Y2)反映了速度标准差和负加速度平均值;第三主成分(Y3)主要是怠速比例和匀速比例;第四主成分(Y4)反映了平均加速度和减速比例。根据特征参数与主成分间的相关性及参数间的相关性,从前4个主成分中选取具有代表性的平均车速、怠速比例、匀速比例和减速比例的4个参数用于聚类分析。
如图2所示,经步骤105确定第二行驶数据中具有代表性的行驶参数后,执行下一步,步骤106,进行聚类分析,来确定典型行驶工况的行驶数据的聚类个数和聚类中心。
本发明实施例中,采用模糊聚类,每一个样品不是严格的划分为某一类,而是以一定的隶属度隶属于某一类。令V={v1,v2,…,vc}为每个类的聚类中心,uik表示第k个样品属于第i类的隶属度,并且uik满足定义目标函数为:
其中,U为隶属度矩阵,J(U,V)为各类中样品到各个聚类中心的加权平方距离之和。模糊C均值聚类的准则就是确定U和V使得J(U,V)最小。
因此,具体的,步骤106包括:
步骤1061,根据预设的聚类个数以及0,1间的随机数,初始化隶属度矩阵U。
***预设或用户自定义的聚类个数c,本步骤中,确定聚类个数c,并利用0,1间的随机数,初始化隶属度矩阵U。
步骤1062,根据公式获得第l步的聚类中心V(l);其中,uik表示第k个样品属于第i类的隶属度,且uik满足
本步骤中,根据公式获得第l步的聚类中心V(l)。
步骤1063,根据公式获得第l步的目标函数J(l)。
本步骤中,由于经步骤1062已获得了V(l),然后,根据公式即可获得第l步的目标函数J(l)。
步骤1064,根据公式修正第l步的隶属度矩阵U(l),其中
本步骤中,根据公式修正第l步的隶属度矩阵U(l)。
步骤1065,在满足时,得到目标隶属度矩阵和目标聚类中心;其中,εu为预设的隶属终止容限。
经过上述步骤迭代之后,可求得目标隶属度矩阵U和目标聚类中心V,使得目标函数的值达到最小,并根据隶属度矩阵的值确定所有样品的归属,进而到达聚类的目的。而在未满足时,继续进行迭代,l=l+1。
步骤1066,将所述第一行驶参数与每个聚类个数对应的目标聚类中心进行比对,确定状态类区分明显的聚类个数为所述典型行驶工况的行驶数据的聚类个数,对应的目标聚类中心为所述典型行驶工况的行驶数据的聚类中心。
由于预设的聚类个数不唯一,经步骤1061~步骤1065后,对应得到各个聚类的目标聚类中心。本步骤中,针对多个目标聚类中心,确定状态类区分明显的聚类个数为典型行驶工况的行驶数据的聚类个数,对应的目标聚类中心为典型行驶工况的行驶数据的聚类中心。
模糊C均值聚类中C的取值范围是2≤C≤n。考虑道路交通特征和实际情况,对215个片段分别取C=3、C=4、C=5和C=6进行聚类分析,并根据之前主成分分析结果确定的第一行驶参数,将各个聚类的匀速比例、怠速比例和减速比例的聚类中心结果进行对比,见图4~图7。可以看出,C=5和C=6的情况下各个状态类的时间比例不是很明显,特别是匀速比例,图4可以看出分C=3时聚类1和聚类3的Pc接近,而C=4类时各状态类区分比较明显,所以综上确定4类较为合理,故确定了聚类个数C=4。
此外,为进一步分析聚类后同一类别行驶工况的特征,以平均车速Vm和怠速比例Pi两个行驶参数为例表示模糊C均值聚类后的结果,如图8所示。图中215个片段分成了4类,并标出了每一类的聚类中心。聚类4的中心坐标是(9.382,0.449),这一类的工况片段怠速比例大,车速低,反映了这一类工况属于启停频繁交通堵塞的城市工况。聚类2中心坐标(99.849,0.0055),可见平均车速高,怠速比例很低,这一工况属于交通通畅的高速工况。其他两个聚类介于聚类2和聚类4之间,通常属于市郊工况。通过模糊C均值聚类分析合理地将工况片段分成了4种不同的类型。
经上述内容,将预先存储的典型行驶工况的第二行驶数据通过主成分分析和模糊C聚类分析进行分类并得到聚类中心。之后,就需要根据汽车的实际行驶数据去确定汽车的当前行驶工况。为了便于数据处理,优选的,行驶数据的时间长度等于典型行驶工况的第二行驶数据中一个片段的时间长度。
具体的,步骤102包括:
步骤1021,提取所述第一行驶数据中对应所述第一行驶参数的第二行驶参数。
本步骤中,参照第一行驶参数,对应提取第一行驶数据中的第二行驶参数。在上述示例中,第一行驶参数为平均车速、怠速比例、匀速比例和减速比例,对应的,提取第一行驶数据的第二行驶参数平均车速、怠速比例、匀速比例和减速比例。
步骤1022,根据公式di=||x-ci||,获取所述第二行驶参数x与聚类中心ci的距离di;其中,i表示第i个聚类。
本步骤中,根据公式di=||x-ci||,计算步骤1021中得到的第二行驶参数与各个典型行驶工况的行驶数据的聚类中心的距离di。其中x表示第一行驶数据的第二行驶参数x=(x1,x2,…,xn);ci表示聚类i的聚类中心ci=(ci1,ci2,…,cin)。
步骤1023,根据di最小时对应的聚类,确定所述汽车的当前行驶工况。
本步骤中,根据到聚类中心聚类最小的原则确定第一行驶数据对应的类别,也就可以确定汽车的当前行驶工况。
延续上例,将典型行驶工况的行驶数据215个片段通过主成分分析和聚类分析得到4类,利用平均车速、怠速比例、匀速比例和减速比例四个第一行驶参数表示聚类中心,结果如下:
C1=(62.2,0.083,0.399,0.136)
C2=(99.8,0.005,0.367,0.156)
C3=(31.5,0.149,0.351,0.075)
C4=(9.38,0.449,0.229,0.042)
工况识别时需提取汽车最近一个行驶工况片段的四个第二行驶参数,并按照公式di=||x-ci||,计算该片段到4个聚类中心的距离,选择距离最小的聚类作为该片段的类别,对汽车的行驶工况进行识别。
以UDDS工况前5个片段为例,表5中识别出了各个片段的类别,片段1、2、4、5到C3的距离最小,因此这4个片段属于聚类3;而片段3到C1的距离最小,该片段属于聚类1。
表5
因此,本发明实施例中,采用主成分分析和模糊聚类相结合的方法进行汽车行驶工况的识别流程如图9所示,包括离线、在线和识别三个部分。离线部分将预先存储的典型行驶工况的行驶数据通过上述的主成分分析和模糊C均值聚类分析进行分类并得到聚类中心;在线部分和识别部分即对汽车行驶工况的实时识别过程,汽车行驶中获取最近一个片段的数据,并提取该片段的行驶参数,通过计算到各个聚类中心的聚类,根据到聚类中心距离最小的原则确定该片段的类别。
确定汽车的当前行驶工况后,如图1所示,执行下一步,步骤103,根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。
具体的,步骤103包括:
步骤1031,根据公式获得所述典型行驶工况的行驶数据每个聚类的平均耗能其中,ni表示属于第i个聚类的工况片段个数,Ek表示第k个工况片段的能量消耗,fk表示第k个工况片段的隶属度,Fi表示第i个聚类隶属度之和;
步骤1032,根据所述汽车的当前行驶工况,确定对应聚类的平均能耗作为单位能耗;
步骤1033,根据公式得到所述汽车的之前j个工况片段的总行驶耗能Ecost;其中,Ej表示所述汽车第j个工况片段的能量消耗,选取Ej等于单位能耗;
步骤1034,根据公式得到所述汽车单位能耗行驶的里程数l;其中,S表示所述汽车在所述预设时间长度内的行驶里程;
步骤1035,根据公式Eres=Etotal-Ecost,得到所述汽车的剩余能量Eres;其中,Etotal表示所述汽车的电池总能量;
步骤1036,根据公式Sres=lEres,得到所述汽车的续驶里程。
通过上述步骤1031~步骤1036,首先获得典型行驶工况的行驶数据每个聚类的平均耗能,然后将之前识别的类别的平均耗能作为汽车实际行驶的第一行驶数据的能量消耗,再获得整个行驶过程中的总能量消耗。之后,获得单位能耗行驶的里程数和纯电动汽车的剩余能量,最终得到纯电动汽车续驶里程。
具体的,影响纯电动汽车续驶里程的因素有多种,主要分为两类:一是汽车本身的状态,如电池组能量和整车参数;一是汽车行驶工况。不同汽车因不同的能量和整车参数,续驶里程也不一样;同一汽车在不同行驶工况下的续驶里程也不一样。本发明实施例的方法是在汽车本身的状态基本确定的基础上进行的,以上述的215个工况片段的典型行驶工况为例,如图10所示。
首先将215个工况片段输入整车模型进行计算,得到4个聚类平均能耗。然后由上述的识别方式,对汽车当前行驶工况进行识别,根据聚类的平均能耗计算出实际行驶中工况片段的能耗,并进行累加,得出总能耗和剩余能量。最后依据已行驶的里程数计算得到单位能耗行驶的里程数。通过单位能耗行驶的里程数和剩余能量得出纯电动汽车的续驶里程值。
其中,可以在MATLAB/Simulink环境下建立纯电动汽车的整车模型,通过整车模型仿真计算出215个行驶工况片段的能量消耗,如图11所示。
通过上述分析处理,已将215个片段分成了4类,并仿真得到了各片段的能量消耗,为了估算纯电动汽车行驶中的能耗,需计算出4聚类的平均能耗。根据行驶工况片段的聚类分析可知,每个片段都是以一定的隶属度隶属于某一类,因此利用隶属度计算各类的平均能耗。如步骤1031,根据公式i=(1,2,3,4)获得第i个聚类的平均耗能分别为:0.0473kw·h、0.1346kw·h、0.6488kw·h和0.3128kw·h。
由于之前已识别出汽车最近一个片段的类别(当前行驶工况),此时,就能够根据该类别(典型行驶工况对应的聚类)的平均能耗作为单位能耗。然后根据公式得到汽车在电池满电至今的总行驶耗能Ecost。再由公式和Eres=Etotal-Ecost得到该汽车单位能耗行驶的里程数和纯电动汽车的剩余能量,最终通过公式Sres=lEres,得到该纯电动汽车的续驶里程。
另外,为了验证本发明实施例的方法的可行性,在欧洲经济循环15工况ECE15工况下,利用转鼓试验台对实例纯电动汽车进行整车续驶里程测试,与实例纯电动汽车使用本发明实施例的方法确定的续驶里程比较,进行验证。
实例纯电动汽车采用磷酸铁锂电池,额定容量为50Ah,标称电压320V;驱动电机采用永磁同步电机,额定功率11kw,峰值功率27kw,整车相关参数如下表6所示。
参数名称 | 参数值 |
整备质量(kg) | 1200 |
轴距(mm) | 2400 |
长×宽×高(mm) | 4155×1650×1445 |
迎风面积A(m^2) | 2.01 |
风阻系数CD | 0.294 |
最高车速(km/h) | 100 |
滚动阻力系数f | 0.015 |
表6
考虑实车最高车速为100km/h,预先存储的典型行驶工况和转鼓试验台测试工况均使用ECE15工况(如图12),并将仿真结果和测试结果进行比较分析。
以120秒为一个片段,通过上述工况识别方式确定出ECE15工况的每个片段的能量消耗,并识别出片段所属的聚类为聚类4(平均能耗为0.0473kw·h)或聚类3(平均能耗为0.1346kw·h),这些片段能耗不大。由于ECE15工况车速低、怠速比例大,因此每个片段能耗小,识别的结果与实际相符。通过本发明实施例的方法分别得到行驶中单位能耗行驶的里程数、纯电动汽车剩余能量和续驶里程。在转鼓试验台测试中,ECE15工况下汽车行驶时间是21360秒,实际总能耗为14.85kw﹒h,实际续驶里程为112.6km。
图13为在ECE15工况下识别得出的纯电动汽车单位能耗行驶的里程数变化曲线。在识别的初始阶段单位能耗行驶的里程数变化稍微有些大,之后比较稳定,在7.1km/kw·h左右。
图14为采用行驶工况识别法得到的纯电动汽车能量消耗估算值与测试值的比较,最终的总能量消耗的估算值比实际值多0.47kw﹒h。
续驶里程的估算值与测试值比较如图15所示,估算值与测试值间的最大绝对误差为1.905km,绝对误差平均值为0.742km,平均相对百分比误差为2.92%。最大绝对误差出现在初始阶段,之后的误差逐渐减小,这与单位能耗行驶里程数曲线相符。通过估算值与测试值比较表明了采用本发明实施例的方法对纯电动汽车续驶里程的估算是可行的,并能保证一定的准确性。
综上所述,本发明实施例的续驶里程的确定方法,采用主成分分析和模糊聚类相结合的方法,对目前比较典型的汽车行驶工况进行特征分析和状态识别,并在此基础上进行基于工况识别的实例纯电动汽车续驶里程的确定,考虑到了行驶工况对续驶里程的影响,增加了续驶里程的估算准确性,且具有更佳的适用性。
如图16所示,本发明实施例还提供了一种续驶里程的确定装置,包括:
获取模块1601,用于获取汽车当前时间之前一预设时间长度内的第一行驶数据;
第一确定模块1602,用于根据所述第一行驶数据,确定所述汽车的当前行驶工况;
第二确定模块1603,用于根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。
其中,所述续驶里程的确定装置还包括:
提取模块,用于提取预先存储的典型行驶工况的第二行驶数据中的行驶参数;
第一处理模块,用于对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数;
第二处理模块,用于根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心。
其中,所述第一确定模块包括:
提取子模块,用于提取所述第一行驶数据中对应所述第一行驶参数的第二行驶参数;
获取子模块,用于根据公式di=||x-ci||,获取所述第二行驶参数x与聚类中心ci的距离di;其中,i表示第i个聚类;
第一确定子模块,用于根据di最小时对应的聚类,确定所述汽车的当前行驶工况。
其中,所述第二确定模块包括:
第一处理子模块,用于根据公式获得所述典型行驶工况的行驶数据每个聚类的平均耗能其中,ni表示属于第i个聚类的工况片段个数,Ek表示第k个工况片段的能量消耗,fk表示第k个工况片段的隶属度,Fi表示第i个聚类隶属度之和;
第二确定子模块,用于根据所述汽车的当前行驶工况,确定对应聚类的平均能耗作为单位能耗;
第二处理子模块,用于根据公式得到所述汽车的之前j个工况片段的总行驶耗能Ecost;其中,Ej表示所述汽车第j个工况片段的能量消耗,选取Ej等于单位能耗;
第三处理子模块,用于根据公式得到所述汽车单位能耗行驶的里程数l;其中,S表示所述汽车在所述预设时间长度内的行驶里程;
第四处理子模块,用于根据公式Eres=Etotal-Ecost,得到所述汽车的剩余能量Eres;其中,Etotal表示所述汽车的电池总能量;
第五处理子模块,用于根据公式Sres=lEres,得到所述汽车的续驶里程。
其中,所述第一处理模块包括:
构建子模块,用于确定所述第二行驶数据中的n个样品和p个变量,构建n*p的第一矩阵;
第六处理子模块,用于将所述第一矩阵进行标准变化后,获取各个变量间的相关系数,得到相关系数的第二矩阵;
第七处理子模块,用于获取所述第二矩阵的特征值和对应的标准特征向量,根据公式Yi=Xei,得到第i个主成分Yi;其中,ei表示第i个主成分的标准特征向量,i=1…p;
第三确定子模块,用于根据所述主成分,确定第一行驶参数。
其中,所述第三确定子模块包括:
第一处理单元,用于根据公式得到第i个主成分的贡献率wi;其中,λi表示第i个主成分的特征值;
第二处理单元,用于根据公式得到m个主成分的累计贡献率wm;
第三处理单元,用于根据行驶参数与主成分间的相关性以及行驶参数间的相关性,对特征值大于第一预设阈值且累积贡献率大于第二预设阈值的主成分进行分析,确定第一行驶参数。
其中,所述第二处理模块包括:
初始化子模块,用于根据预设的聚类个数以及0,1间的随机数,初始化隶属度矩阵U;
第八处理子模块,用于根据公式获得第l步的聚类中心V(l);其中,uik表示第k个样品属于第i类的隶属度,且uik满足
第九处理子模块,用于根据公式获得第l步的目标函数J(l);
修正子模块,用于根据公式修正第l步的隶属度矩阵U(l),其中
第十处理子模块,用于在满足时,得到目标隶属度矩阵和目标聚类中心;其中,εu为预设的隶属终止容限;
第四确定子模块,用于将所述第一行驶参数与每个聚类个数对应的目标聚类中心进行比对,确定状态类区分明显的聚类个数为所述典型行驶工况的行驶数据的聚类个数,对应的目标聚类中心为所述典型行驶工况的行驶数据的聚类中心。
本发明实施例的续驶里程的确定装置,采用主成分分析和模糊聚类相结合的方法,对目前比较典型的汽车行驶工况进行特征分析和状态识别,并在此基础上进行基于工况识别的实例纯电动汽车续驶里程的确定,考虑到了行驶工况对续驶里程的影响,增加了续驶里程的估算准确性,且具有更佳的适用性。
需要说明的是,该装置是应用了上述续驶里程的确定方法的装置,上述续驶里程的确定方法的实施例的实现方式适用于该装置,也能达到相同的技术效果。
本发明实施例还提供了一种汽车,包括上述的续驶里程的确定装置。
该汽车为纯电动汽车,采用主成分分析和模糊聚类相结合的方法,对目前比较典型的汽车行驶工况进行特征分析和状态识别,并在此基础上进行基于工况识别的实例纯电动汽车续驶里程的确定,考虑到了行驶工况对续驶里程的影响,增加了续驶里程的估算准确性,且具有更佳的适用性。
需要说明的是,该汽车也是应用了上述续驶里程的确定方法的汽车,上述续驶里程的确定方法的实施例的实现方式适用于该汽车,也能达到相同的技术效果。
进一步需要说明的是,此说明书中所描述的许多功能部件都被称为模块,以便更加特别地强调其实现方式的独立性。
本发明实施例中,模块可以用软件实现,以便由各种类型的处理器执行。举例来说,一个标识的可执行代码模块可以包括计算机指令的一个或多个物理或者逻辑块,举例来说,其可以被构建为对象、过程或函数。尽管如此,所标识模块的可执行代码无需物理地位于一起,而是可以包括存储在不同位里上的不同的指令,当这些指令逻辑上结合在一起时,其构成模块并且实现该模块的规定目的。
实际上,可执行代码模块可以是单条指令或者是许多条指令,并且甚至可以分布在多个不同的代码段上,分布在不同程序当中,以及跨越多个存储器设备分布。同样地,操作数据可以在模块内被识别,并且可以依照任何适当的形式实现并且被组织在任何适当类型的数据结构内。所述操作数据可以作为单个数据集被收集,或者可以分布在不同位置上(包括在不同存储设备上),并且至少部分地可以仅作为电子信号存在于***或网络上。
在模块可以利用软件实现时,考虑到现有硬件工艺的水平,所以可以以软件实现的模块,在不考虑成本的情况下,本领域技术人员都可以搭建对应的硬件电路来实现对应的功能,所述硬件电路包括常规的超大规模集成(VLSI)电路或者门阵列以及诸如逻辑芯片、晶体管之类的现有半导体或者是其它分立的元件。模块还可以用可编程硬件设备,诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等实现。
上述范例性实施例是参考该些附图来描述的,许多不同的形式和实施例是可行而不偏离本发明精神及教示,因此,本发明不应被建构成为在此所提出范例性实施例的限制。更确切地说,这些范例性实施例被提供以使得本发明会是完善又完整,且会将本发明范围传达给那些熟知此项技术的人士。在该些图式中,组件尺寸及相对尺寸也许基于清晰起见而被夸大。在此所使用的术语只是基于描述特定范例性实施例目的,并无意成为限制用。如在此所使用地,除非该内文清楚地另有所指,否则该单数形式“一”、“一个”和“该”是意欲将该些多个形式也纳入。会进一步了解到该些术语“包含”及/或“包括”在使用于本说明书时,表示所述特征、整数、步骤、操作、构件及/或组件的存在,但不排除一或更多其它特征、整数、步骤、操作、构件、组件及/或其族群的存在或增加。除非另有所示,陈述时,一值范围包含该范围的上下限及其间的任何子范围。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (15)
1.一种续驶里程的确定方法,其特征在于,包括:
获取汽车当前时间之前一预设时间长度内的第一行驶数据;
根据所述第一行驶数据,确定所述汽车的当前行驶工况;
根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。
2.根据权利要求1所述的续驶里程的确定方法,其特征在于,还包括:
提取预先存储的典型行驶工况的第二行驶数据中的行驶参数;
对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数;
根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心。
3.根据权利要求2所述的续驶里程的确定方法,其特征在于,根据第一行驶数据,确定所述汽车的当前行驶工况的步骤,包括:
提取所述第一行驶数据中对应所述第一行驶参数的第二行驶参数;
根据公式di=||x-ci||,获取所述第二行驶参数x与聚类中心ci的距离di;其中,i表示第i个聚类;
根据di最小时对应的聚类,确定所述汽车的当前行驶工况。
4.根据权利要求3所述的续驶里程的确定方法,其特征在于,根据所述当前行驶工况,确定对应当前剩余能量的续驶里程的步骤,包括:
根据公式获得所述典型行驶工况的行驶数据每个聚类的平均耗能其中,ni表示属于第i个聚类的工况片段个数,Ek表示第k个工况片段的能量消耗,fk表示第k个工况片段的隶属度,Fi表示第i个聚类隶属度之和;
根据所述汽车的当前行驶工况,确定对应聚类的平均能耗作为单位能耗;
根据公式得到所述汽车的之前j个工况片段的总行驶耗能Ecost;其中,Ej表示所述汽车第j个工况片段的能量消耗,选取Ej等于单位能耗;
根据公式得到所述汽车单位能耗行驶的里程数l;其中,S表示所述汽车在所述预设时间长度内的行驶里程;
根据公式Eres=Etotal-Ecost,得到所述汽车的剩余能量Eres;其中,Etotal表示所述汽车的电池总能量;
根据公式Sres=lEres,得到所述汽车的续驶里程。
5.根据权利要求2所述的续驶里程的确定方法,其特征在于,对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数的步骤,包括:
确定所述第二行驶数据中的n个样品和p个变量,构建n*p的第一矩阵;
将所述第一矩阵进行标准变化后,获取各个变量间的相关系数,得到相关系数的第二矩阵;
获取所述第二矩阵的特征值和对应的标准特征向量,根据公式Yi=Xei,得到第i个主成分Yi;其中,ei表示第i个主成分的标准特征向量,i=1…p;
根据所述主成分,确定第一行驶参数。
6.根据权利要求5所述的续驶里程的确定方法,其特征在于,根据所述主成分,确定第一行驶参数的步骤,包括:
根据公式得到第i个主成分的贡献率wi;其中,λi表示第i个主成分的特征值;
根据公式得到m个主成分的累计贡献率wm;
根据行驶参数与主成分间的相关性以及行驶参数间的相关性,对特征值大于第一预设阈值且累积贡献率大于第二预设阈值的主成分进行分析,确定第一行驶参数。
7.根据权利要求2所述的续驶里程的确定方法,其特征在于,根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心的步骤,包括:
根据预设的聚类个数以及0,1间的随机数,初始化隶属度矩阵U;
根据公式获得第l步的聚类中心V(l);其中,uik表示第k个样品属于第i类的隶属度,且uik满足
根据公式获得第l步的目标函数J(l);
根据公式修正第l步的隶属度矩阵U(l),其中在满足时,得到目标隶属度矩阵和目标聚类中心;其中,εu为预设的隶属终止容限;
将所述第一行驶参数与每个聚类个数对应的目标聚类中心进行比对,确定状态类区分明显的聚类个数为所述典型行驶工况的行驶数据的聚类个数,对应的目标聚类中心为所述典型行驶工况的行驶数据的聚类中心。
8.一种续驶里程的确定装置,其特征在于,包括:
获取模块,用于获取汽车当前时间之前一预设时间长度内的第一行驶数据;
第一确定模块,用于根据所述第一行驶数据,确定所述汽车的当前行驶工况;
第二确定模块,用于根据所述当前行驶工况,确定对应当前剩余能量的续驶里程。
9.根据权利要求8所述的续驶里程的确定装置,其特征在于,还包括:
提取模块,用于提取预先存储的典型行驶工况的第二行驶数据中的行驶参数;
第一处理模块,用于对所述第二行驶数据进行主成分分析,在所述行驶参数中确定第一行驶参数;
第二处理模块,用于根据预设的聚类个数和所述第一行驶参数,对所述第二行驶数据进行聚类分析,确定所述典型行驶工况的行驶数据的聚类个数和聚类中心。
10.根据权利要求9所述的续驶里程的确定装置,其特征在于,所述第一确定模块包括:
提取子模块,用于提取所述第一行驶数据中对应所述第一行驶参数的第二行驶参数;
获取子模块,用于根据公式di=||x-ci||,获取所述第二行驶参数x与聚类中心ci的距离di;其中,i表示第i个聚类;
第一确定子模块,用于根据di最小时对应的聚类,确定所述汽车的当前行驶工况。
11.根据权利要求10所述的续驶里程的确定装置,其特征在于,所述第二确定模块包括:
第一处理子模块,用于根据公式获得所述典型行驶工况的行驶数据每个聚类的平均耗能其中,ni表示属于第i个聚类的工况片段个数,Ek表示第k个工况片段的能量消耗,fk表示第k个工况片段的隶属度,Fi表示第i个聚类隶属度之和;
第二确定子模块,用于根据所述汽车的当前行驶工况,确定对应聚类的平均能耗作为单位能耗;
第二处理子模块,用于根据公式得到所述汽车的之前j个工况片段的总行驶耗能Ecost;其中,Ej表示所述汽车第j个工况片段的能量消耗,选取Ej等于单位能耗;
第三处理子模块,用于根据公式得到所述汽车单位能耗行驶的里程数l;其中,S表示所述汽车在所述预设时间长度内的行驶里程;
第四处理子模块,用于根据公式Eres=Etotal-Ecost,得到所述汽车的剩余能量Eres;其中,Etotal表示所述汽车的电池总能量;
第五处理子模块,用于根据公式Sres=lEres,得到所述汽车的续驶里程。
12.根据权利要求9所述的续驶里程的确定装置,其特征在于,所述第一处理模块包括:
构建子模块,用于确定所述第二行驶数据中的n个样品和p个变量,构建n*p的第一矩阵;
第六处理子模块,用于将所述第一矩阵进行标准变化后,获取各个变量间的相关系数,得到相关系数的第二矩阵;
第七处理子模块,用于获取所述第二矩阵的特征值和对应的标准特征向量,根据公式Yi=Xei,得到第i个主成分Yi;其中,ei表示第i个主成分的标准特征向量,i=1…p;
第三确定子模块,用于根据所述主成分,确定第一行驶参数。
13.根据权利要求12所述的续驶里程的确定装置,其特征在于,所述第三确定子模块包括:
第一处理单元,用于根据公式得到第i个主成分的贡献率wi;其中,λi表示第i个主成分的特征值;
第二处理单元,用于根据公式得到m个主成分的累计贡献率wm;
第三处理单元,用于根据行驶参数与主成分间的相关性以及行驶参数间的相关性,对特征值大于第一预设阈值且累积贡献率大于第二预设阈值的主成分进行分析,确定第一行驶参数。
14.根据权利要求9所述的续驶里程的确定装置,其特征在于,所述第二处理模块包括:
初始化子模块,用于根据预设的聚类个数以及0,1间的随机数,初始化隶属度矩阵U;
第八处理子模块,用于根据公式获得第l步的聚类中心V(l);其中,uik表示第k个样品属于第i类的隶属度,且uik满足第九处理子模块,用于根据公式获得第l步的目标函数J(l);
修正子模块,用于根据公式修正第l步的隶属度矩阵U(l),其中
第十处理子模块,用于在满足时,得到目标隶属度矩阵和目标聚类中心;其中,εu为预设的隶属终止容限;
第四确定子模块,用于将所述第一行驶参数与每个聚类个数对应的目标聚类中心进行比对,确定状态类区分明显的聚类个数为所述典型行驶工况的行驶数据的聚类个数,对应的目标聚类中心为所述典型行驶工况的行驶数据的聚类中心。
15.一种汽车,其特征在于,包括如权利要求8至14任一项所述的续驶里程的确定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610757817.2A CN106326581A (zh) | 2016-08-29 | 2016-08-29 | 一种续驶里程的确定方法、装置及汽车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610757817.2A CN106326581A (zh) | 2016-08-29 | 2016-08-29 | 一种续驶里程的确定方法、装置及汽车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106326581A true CN106326581A (zh) | 2017-01-11 |
Family
ID=57788461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610757817.2A Pending CN106326581A (zh) | 2016-08-29 | 2016-08-29 | 一种续驶里程的确定方法、装置及汽车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106326581A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106945530A (zh) * | 2017-04-07 | 2017-07-14 | 重庆长安汽车股份有限公司 | 一种电动汽车及其续驶里程预测方法、*** |
CN107323279A (zh) * | 2017-06-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 基于电动车辆的续驶里程修正方法和装置 |
CN108773279A (zh) * | 2018-04-27 | 2018-11-09 | 北京交通大学 | 一种电动汽车充电路径规划方法及装置 |
CN109720207A (zh) * | 2018-12-29 | 2019-05-07 | 彩虹无线(北京)新技术有限公司 | 车辆能耗分析方法、装置及计算机可读介质 |
CN110827446A (zh) * | 2019-11-13 | 2020-02-21 | 北京理工大学 | 一种电动汽车行驶状态预测方法 |
CN112721661A (zh) * | 2021-01-29 | 2021-04-30 | 重庆长安新能源汽车科技有限公司 | 一种燃料电池电动汽车可续航里程的估算方法、装置及存储介质 |
CN114132321A (zh) * | 2020-08-13 | 2022-03-04 | 北汽福田汽车股份有限公司 | 电动车剩余里程确定方法及装置和电子设备、电动车 |
CN114940132A (zh) * | 2022-07-27 | 2022-08-26 | 中汽研汽车检验中心(天津)有限公司 | 电动车续航里程预测方法、测试方法和*** |
CN117574694A (zh) * | 2024-01-17 | 2024-02-20 | 中汽研汽车检验中心(广州)有限公司 | 一种纯电车缩短法续驶里程及能耗仿真分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008647A (zh) * | 2014-06-12 | 2014-08-27 | 北京航空航天大学 | 一种基于机动车行驶模式的道路交通能耗量化方法 |
CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
-
2016
- 2016-08-29 CN CN201610757817.2A patent/CN106326581A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008647A (zh) * | 2014-06-12 | 2014-08-27 | 北京航空航天大学 | 一种基于机动车行驶模式的道路交通能耗量化方法 |
CN105868787A (zh) * | 2016-03-31 | 2016-08-17 | 江苏大学 | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 |
Non-Patent Citations (1)
Title |
---|
尹安东 等: "基于行驶工况识别的纯电动汽车续驶里程估算", 《汽车工程》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106945530A (zh) * | 2017-04-07 | 2017-07-14 | 重庆长安汽车股份有限公司 | 一种电动汽车及其续驶里程预测方法、*** |
CN107323279A (zh) * | 2017-06-23 | 2017-11-07 | 北京新能源汽车股份有限公司 | 基于电动车辆的续驶里程修正方法和装置 |
CN108773279A (zh) * | 2018-04-27 | 2018-11-09 | 北京交通大学 | 一种电动汽车充电路径规划方法及装置 |
CN109720207A (zh) * | 2018-12-29 | 2019-05-07 | 彩虹无线(北京)新技术有限公司 | 车辆能耗分析方法、装置及计算机可读介质 |
CN110827446A (zh) * | 2019-11-13 | 2020-02-21 | 北京理工大学 | 一种电动汽车行驶状态预测方法 |
CN114132321A (zh) * | 2020-08-13 | 2022-03-04 | 北汽福田汽车股份有限公司 | 电动车剩余里程确定方法及装置和电子设备、电动车 |
CN114132321B (zh) * | 2020-08-13 | 2023-09-08 | 北汽福田汽车股份有限公司 | 电动车剩余里程确定方法及装置和电子设备、电动车 |
CN112721661A (zh) * | 2021-01-29 | 2021-04-30 | 重庆长安新能源汽车科技有限公司 | 一种燃料电池电动汽车可续航里程的估算方法、装置及存储介质 |
CN114940132A (zh) * | 2022-07-27 | 2022-08-26 | 中汽研汽车检验中心(天津)有限公司 | 电动车续航里程预测方法、测试方法和*** |
CN117574694A (zh) * | 2024-01-17 | 2024-02-20 | 中汽研汽车检验中心(广州)有限公司 | 一种纯电车缩短法续驶里程及能耗仿真分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106326581A (zh) | 一种续驶里程的确定方法、装置及汽车 | |
Du et al. | Design method of a power management strategy for variable battery capacities range-extended electric vehicles to improve energy efficiency and cost-effectiveness | |
Shankar et al. | Method for estimating the energy consumption of electric vehicles and plug‐in hybrid electric vehicles under real‐world driving conditions | |
CN105868787A (zh) | 基于工况识别和模糊能耗的电动汽车续驶里程估算方法 | |
CN109733248A (zh) | 基于路径信息的纯电动汽车剩余里程模型预测方法 | |
CN110780203B (zh) | 一种纯电动汽车电池组soc在线估值方法 | |
Zhang et al. | Cloud computing-based real-time global optimization of battery aging and energy consumption for plug-in hybrid electric vehicles | |
Xie et al. | A distribution density-based methodology for driving data cluster analysis: A case study for an extended-range electric city bus | |
Li et al. | Prediction of electric bus energy consumption with stochastic speed profile generation modelling and data driven method based on real-world big data | |
CN106427589A (zh) | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 | |
Song et al. | Comparative analysis of car-following models for emissions estimation | |
CN103914985A (zh) | 一种混合动力客车未来车速轨迹预测方法 | |
CN110182217B (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
CN107146013A (zh) | 一种基于灰色预测和支持向量机的分类型电动汽车需求时空分布动态预测方法 | |
Scheubner et al. | A stochastic range estimation algorithm for electric vehicles using traffic phase classification | |
CN103745111A (zh) | 纯电动乘用车续驶里程预测方法 | |
Zhang et al. | A novel optimal power management strategy for plug-in hybrid electric vehicle with improved adaptability to traffic conditions | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
Li et al. | Real‐time energy management for commute HEVs using modified A‐ECMS with traffic information recognition | |
Deng et al. | A novel real‐time energy management strategy for plug‐in hybrid electric vehicles based on equivalence factor dynamic optimization method | |
Yu et al. | A-EMCS for PHEV based on real-time driving cycle prediction and personalized travel characteristics | |
George et al. | Driving Range Estimation of Electric Vehicles using Deep Learning | |
Chen et al. | Density-based clustering multiple linear regression model of energy consumption for electric vehicles | |
CN108830414B (zh) | 一种电动汽车商用充电区的负荷预测方法 | |
Li et al. | A comparative study of energy-oriented driving strategy for connected electric vehicles on freeways with varying slopes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170111 |
|
RJ01 | Rejection of invention patent application after publication |