CN109141459A - 一种带有电耗分析预测的电动汽车导航***及方法 - Google Patents

Abstract

本发明属于新能源汽车技术领域，涉及一种带有电耗分析预测的电动汽车导航***及方法。所述的导航***包括车载数据采集***、存储模块、控制器和人机界面；车载数据采集***包括CAN总线通讯模块、GPS和网络模块以及环境温度检测模块，用于采集用户驾驶行为数据；控制器通过车载数据采集***采集用户驾驶行为数据，用户驾驶行为数据经数据分析处理过程后得出与汽车电耗相关的各项特征参数录入存储模块，累计驾驶行为样本后利用充电的时间进行机器自学习以提供电耗预测；用户通过人机界面向控制器发起行程需求，控制器将行路线规划和机器学习训练模型给出相应电耗反馈给人机界面。本发明为用户推荐的最短、最快路径，以及消耗电耗最小的路径。

Description

一种带有电耗分析预测的电动汽车导航***及方法

技术领域

本发明属于新能源汽车技术领域，涉及一种带有电耗分析预测的电动汽车导航***及方法。

背景技术

近年来，电动汽车在我国掀起了一股环保热潮，在环保因素的驱动下，国家大力扶持电动汽车产业，推进电动汽车充电基础设施建设。对于电动汽车来说，其优点在于环保，而其缺点就在于续航里程的不足。在这样的情势下，就需要合理规划路线以节省电动汽车的电耗，要对电动汽车各个行程的电耗进行准确的预测，从而能够让用户合理地选择路线，为用户提供更加人性化、智能化的服务。

由于现有专利仅有对油耗预测的导航***，但是油耗与电耗的预测具有相似性，现将现有的油耗预测方法与本发明的电耗预测方法的区别列举如下。

中国发明专利申请号201610212578.2公开的“一种基于最佳油耗的车载导航方法”，根据用户的出行目的地自动检索出所有可行的路线，将整个路网分成若干个路段，每条路段可以由两个相邻结点唯一确定其中对于任意两点之间的最佳油耗的获取是先构建静态路网油耗模型，即只考虑道路等级、路段距离等静态信息结合每类车型的理论油耗，求出每类车型在各个路段行驶的理论油耗，并以路段油耗作为“代价”，通过洪泛法使每个结点都能获取全路网的油耗信息，并通过相应的算法结合交通环境找到其中油耗最少的路线，并通过对当前交通状况的分析，为用户提供实时驾驶建议。

中国发明专利申请号201610116137.3公开的“一种车辆绿色路径导航***及方法”，车载端根据驾驶员行驶目的地，利用电子地图获取所有可能的行驶路段，根据监控端提供的路况参数，由CAN总线获取到本车辆的油耗属性值，包括百公里油耗和车辆怠速油耗率，并根据绿色路径模型获取道路网中每一弧段的油耗权值，采用Dijkstra最优路径算法获得到达目的地时油耗最小的路径。另外，车载端将车辆位置发送到监控端并保存在数据库，对车辆进行可视化跟踪和历史轨迹回放，同时对各路段的车流量以及交通情况进行实时监控，发布每个路段的交通拥挤状况。

以上专利技术均基于汽车稳态油耗特性，对不同路径采取节点划分来进行各节点之间的油耗分类，并未考虑天气、季节、车辆瞬态加减速等一系列因素的影响，所以估计精度相对较低。另一方面，电动汽车相比传统燃油车有其特殊性，根据作者张恒嘉的文章“基于实证的纯电动汽车性能评估方法和普及可能性研究”中阐述，环境温度对电耗的影响远大于燃油汽车，电动汽车高速下电耗非常高，但在低速路段电耗较低，因此准确的电动汽车的电耗预测***对于电动汽车的推广及使用中的实际节能环保效益具有重要意义。

目前我国电动汽车产量及保有量均居世界第一，但产品质量性能参差不齐，2017年起，我国已强制要求新上市的电动汽车必须安装远程监控***，但利用监控***对能耗进行建模评估的方案并不明确。结合远程监控***，加入具备自学习功能的电耗分析预测算法实现汽车导航***，具有两方面优势，一方面该***硬件可以利用目前电动汽车远程监控硬件，无需增加硬件成本；另一方面该***可以不断根据采集的能耗数据进行自学习，实现更为有效准确的电动汽车能耗估算，为电动汽车用户提供有益参考，为电动汽车产业发展提供更为合理准确的数据。

目前技术主要以油耗预测为主，如上述两种专利技术都是针对燃油车的油耗进行预测。目前的油耗预测主要存在四个缺点：

1.未有针对电动汽车的电耗进行预测的导航***；

2.对油耗影响因素考虑较少，忽略的温度、天气等重要因素；

3.主要采用稳态油耗map，缺少瞬态油耗估算方法；

4.不具备自学习功能，无法适应特定车辆的行驶特性。

中国发明专利申请号201611246090.8公开的“一种纯电动汽车实际行驶能耗测试、评价和预测方法”提出了一种电动汽车能耗估算方法，但该方法同样没有考虑温度等重要因素，且为线性方法，无法考虑非线性因素的影响，且未给出和导航相结合的具体路线能耗预测方法。

本发明采用机器学习算法，设计机器自学习网络，并加入海拔、温度、天气等因素，实现了更为全面的电动汽车电耗预测，为用户提供可选路线的电耗预测，辅助电动汽车驾驶员进一步降低车辆的电耗。

发明内容

为解决上述问题，本发明提出一种带有电耗分析预测的电动汽车导航***及方法，根据用户的驾驶习惯以及各项特征数据基于机器自学习自动分析路径所需要的电耗。

本发明的技术方案如下：

一种带有电耗分析预测的电动汽车导航***，包括车载数据采集***、存储模块、控制器和人机界面；

所述的车载数据采集***，包括CAN总线通讯模块、GPS和网络模块以及环境温度检测模块，三者均与控制器相连接，车载数据采集***用于采集用户驾驶行为数据；所述的CAN总线通讯模块与汽车CAN总线接口连接，获取车速信息、车载用电设备的耗电信息以及电池SOC信息；所述的环境温度探测模块用于获取环境温度；所述的GPS和网络模块用于采集海拔、位置信息并通过网络获取天气信息；在无GPS信号与网络信号时，采集数据产生缺失，清除该时段的无效数据并等待GPS信号与网络信号重新连接后再开始新的数据采集；

所述的控制器与存储模块相连，控制器对存储模块进行读取、写入与清除操作；控制器通过车载数据采集***采集的用户驾驶行为数据，用户驾驶行为数据经数据分析处理过程后得出与汽车电耗相关的各项特征参数录入存储模块，累计驾驶行为样本后利用充电的时间进行机器自学习以提供电耗预测；

所述的人机界面与控制器相连，用户通过人机界面向控制器发起行程需求，控制器将行路线规划和机器学习训练模型给出相应电耗反馈给人机界面，通过人机界面向用户反馈行程与电耗信息；

所述的数据分析处理过程是对无效数据的甄别并清除、将有效的原始车速信息经过滤波除去原始噪声后获得每次行车区间中的特征参数；

所述的机器自学习过程为自学习，在机器自学习过程中需要检测充电状态是否结束，若充电结束则终止机器自学习过程；所述充电结束状态检测包括充电是否完成和充电是否断开。

具体参数如下：存储模块的容量不低于16GB；优选地，CAN总线通讯模块获取车速信息的获取频率为1HZ，车载用电设备的耗电信息以及电池SOC信息的获取时刻为0.01HZ；环境温度探测模块的采集频率优选为0.01HZ；优选地，GPS和网络模块110采集海拔和位置信息的采集频率为1HZ，采集天气信息的采集频率为0.01HZ。

一种带有电耗分析预测的电动汽车导航方法，具体如下：

(一)工况数据库的建立：

步骤200，开始，进入步骤205；

步骤205，判断车辆是否同时满足三个条件：车辆处于起动状态、车辆未处于充电状态、GPS与网络信号正常；当没有同时满足三个条件时，则进入步骤210，当同时满足三个条件时，进入步骤215；

步骤210，等待，返回步骤205；

步骤215，设置定时器；

步骤220，进行空循环，等待定时器中断，进入步骤250～步骤295的中断子程序；

步骤250，定时器中断，中断开始；

步骤255，通过CAN总线通讯模块读取车速信息，通过GPS和网络模块读取位置、海拔信息；

步骤260，标志位flag++，用于记录进入中断的次数；

步骤265，判断标志位flag是否等于100，若是，则进入步骤270；若否，直接进入步骤280；

步骤270，读取温度、天气、电池SOC及车载设备电耗信息，进入步骤275；

步骤275，标志位flag清零；

步骤280，重新判断车辆是否同时满足三个条件：车辆处于起动状态、车辆未处于充电状态、GPS与网络信号正常，若是，进入步骤285；若否，进入步骤290；

步骤285，中断返回；

步骤290，关闭定时器中断；

步骤295，跳出空循环，进入步骤225；

步骤225，检验数据是否有缺失，若是，进入步骤230，若否，进入步骤235；

步骤230，清除无效的行程数据，返回步骤205；

步骤235，将行程数据进行处理，将有效的原始车速信息经过滤波除去原始噪声后获得每次行车区间中的特征参数并储存到存储模块中；

步骤240，判断车辆是否处于起动状态，若是，返回步骤205，若否，进入步骤245；

步骤245，结束。

(二)工况数据库的应用：

步骤300，开始，进入步骤305；

步骤305，检测车辆是否处于充电状态，若处于充电状态，则进入机器学习流程，进入步骤315；若未处于充电状态，进入步骤310；

步骤310，等待充电，返回步骤305；

步骤315，判断样本增量是否达到设定值，若是，进行步骤320；若否，进入步骤350；

步骤320，进行自学习，控制器读取样本对机器自学习的训练模型进行训练，进入步骤325；

步骤325，等待自学习结束，进入步骤330；

步骤330，判断自学习是否结束，若是，进入步骤335；若否，进入步骤340；

步骤335，将自学习结果储存，进入步骤350；

步骤340，监测充电状态，若监测到车辆充电过程结束或充电状态断开，则判断用户需要临时断电用车，进入步骤345；若车辆仍处于充电状态，则返回步骤325；

步骤345，停止自学习行为，进入步骤350；

步骤350，结束。

(三)用户使用导航计算电耗：

步骤405，在用户行车导航过程中，用户首先在人机界面输入起始位置与终点；

步骤410，控制器运行电子地图软件提供可行路线；

步骤415，利用机器自学习的训练模型分析路线电耗；

步骤420，所预测的电耗信息返回人机界面予以标识供用户参考。

优选地，步骤215中，定时器设为1s；优选地，步骤315中，样本增量设定值为10。

本发明的有益效果：

1、为电动汽车提供具有电耗预测的导航***；用户在得到推荐的最短路径以及最快路径的同时，也能够得到消耗电耗最小的路径。

2、考虑海拔、温度、天气等因素对电耗的影响，预测精确度较高。

3、2017年起，我国已强制要求新上市的电动汽车必须安装远程监控***，本发明的实际使用成本较低。

4、机器自学习过程使整个电耗预测模型随着用户使用车辆次数的增加而变得更加符合用户的驾驶行为，跟踪适应特定车辆的能耗特性，使得预测越来越准确。

附图说明

图1是本发明一种带有电耗分析预测的电动汽车导航***的示意图。

图2是工况数据库建立中的主程序的流程示意图。

图3是工况数据库建立中的中断子程序的流程示意图。

图4是工况数据库的应用流程示意图。

图5是用户使用导航计算电耗的流程示意图。

图6是自学习网络的示例示意图。

图中：100车载数据采集***；105CAN总线通讯模块、110GPS和网络模块；115环境温度检测模块；120控制器；125存储模块；人机界面130。

具体实施方式

以下结合附图和技术方案，进一步说明本发明的具体实施方式。

如图1所示是本发明一种带有电耗分析预测的电动汽车导航***的示意图图，包括车载数据采集***100、存储模块125、控制器120和人机界面130；所述的车载数据采集***100，包括CAN总线通讯模块105、GPS和网络模块110以及环境温度检测模块115。

车载数据采集***100与控制器120相连，控制器120与存储模块125相连，利用车载数据采集***100，采集用户驾驶行为数据录入存储模块125，采集的数据数据分析处理后得出与汽车电耗相关的各项特征参数，并在累计足够的驾驶行为样本后利用充电的时间进行机器自学习以提供更准确的电耗预测。人机界面130与控制器120相连，用户通过人机界面向控制器发起行程需求，控制器通过人机界面向用户反馈行程与电耗信息。

控制器120的技术功能如下：(a)在车辆行驶过程中，通过CAN总线通讯模块105获取车速信息、车载用电设备的耗电信息以及电池SOC(荷电状态)信息，优选地，车速信息的获取频率选为1HZ，车载用电设备的耗电信息以及电池SOC信息的获取时刻设定为0.01HZ；(b)在车辆行驶过程中，通过环境温度探测模块115采集环境温度信息，其采集频率优选为0.01HZ；(c)在车辆行驶过程中，通过GPS和网络模块110采集海拔、位置信息，其采集频率优选为1HZ，同时通过该模块获取天气信息，其采集频率优选为0.01HZ；(d)与存储模块125通信，对存储模块125进行读取、写入与清除操作；(e)在数据采集过程中，对原始数据进行数据分析并得到与电耗相关的各项特征参数；(f)在车辆充电过程中，利用各项特征参数进行机器自学习的模型训练；(g)在用户有导航需求时，通过人机界面获取用户起始位置与终点信息，进行路线规划并利用机器学习训练模型给出相应电耗反馈给人机界面。

一种带有电耗分析预测的电动汽车导航方法，包括工况数据库的建立(如图2和图3所示)、工况数据库的应用(如图4所示)和用户使用导航计算电耗(如图5所示).

工况数据库的建立，包括主程序和中断子程序，采用中断来进行数据采样因而大大简化了采集程序的设计。具体方法是：在满足采样条件后，根据高频数据的数据采样率设置定时器并进入空循环等待定时器产生内部中断，进入中断后在中断子程序中读取数据采样值，并依靠flag标志位来采集低频数据；在继续满足采样条件的情况下返回主程序空循环继续等待下一中断，当不满足采样条件时关闭定时器中断并跳出空循环执行主程序的下一步骤，然后由主程序进行数据有效性的判断并进行数据处理与储存。

下面给出一个优选自学习网络的示例，如图6所示，所给出的特征参数均为优选结果。

考虑到环境温度对电池性能的巨大影响，优选环境温度作为自学习特征参数；

考虑到天气因素如雨天、雪天对车辆滚阻系数的影响，优选天气因素作为自学习特征参数；

考虑到车载设备如空调、车灯对电耗的影响，优选车载用电设备的耗电信息作为自学习特征参数；

考虑到路径坡度对电耗的影响，优选坡度作为自学习特征参数；

考虑到行驶里程对电耗的影响，优选行驶里程作为自学习特征参数；

考虑到行驶时间对电耗的影响，优选行驶时间作为自学习特征参数；

考虑到怠速时间对电耗的影响，优选怠速时间作为自学习特征参数；

考虑到加速时间对电耗的影响，优选加速时间作为自学习特征参数；

考虑到减速时间对电耗的影响，优选减速时间作为自学习特征参数；

考虑到平均速度对电耗的影响，优选平均速度作为自学习特征参数；

考虑到加速段平均加速度对电耗的影响，优选加速段平均加速度作为自学习特征参数；

考虑到减速段平均减速度对电耗的影响，优选减速段平均减速度作为自学习特征参数；

其中，上述特征参数是在步骤230中行程数据处理中获得，上述环境温度特征参数由环境温度探测模块115采集，上述天气特征参数由GPS和网络模块110获取，上述车载用电设备的耗电信息由CAN总线通讯模块105获取，上述坡度特征参数由GPS和网络模块110采集的海拔数据经数据处理得出；上述行驶里程、行驶时间、怠速时间、加速时间、减速时间、平均速度、加速段平均加速度、减速段平均减速度特征参数由CAN总线通讯模块105获得的车速数据经数据处理得出。

Claims (4)

1.一种带有电耗分析预测的电动汽车导航***，其特征在于，所述的电动汽车导航***包括车载数据采集***、存储模块、控制器和人机界面；

所述的车载数据采集***，包括CAN总线通讯模块、GPS和网络模块以及环境温度检测模块，三者均与控制器相连接，车载数据采集***用于采集用户驾驶行为数据；所述的CAN总线通讯模块与汽车CAN总线接口连接，获取车速信息、车载用电设备的耗电信息以及电池SOC信息；所述的环境温度探测模块用于获取环境温度；所述的GPS和网络模块用于采集海拔、位置信息并通过网络获取天气信息；在无GPS信号与网络信号时，采集数据产生缺失，清除该时段的无效数据并等待GPS信号与网络信号重新连接后再开始新的数据采集；

所述的控制器与存储模块相连，控制器对存储模块进行读取、写入与清除操作；控制器通过车载数据采集***采集的用户驾驶行为数据，用户驾驶行为数据经数据分析处理过程后得出与汽车电耗相关的各项特征参数录入存储模块，累计驾驶行为样本后利用充电的时间进行机器自学习以提供电耗预测；

所述的人机界面与控制器相连，用户通过人机界面向控制器发起行程需求，控制器将行路线规划和机器学习训练模型给出相应电耗反馈给人机界面，通过人机界面向用户反馈行程与电耗信息；

所述的数据分析处理过程是对无效数据的甄别并清除、将有效的原始车速信息经过滤波除去原始噪声后获得每次行车区间中的特征参数；

所述的机器自学习过程为自学习，在机器自学习过程中需要检测充电状态是否结束，若充电结束则终止机器自学习过程；所述充电结束状态检测包括充电是否完成和充电是否断开。

2.根据权利要求1所述的一种带有电耗分析预测的电动汽车导航***，其特征在于，具体参数如下：存储模块的容量不低于16GB；CAN总线通讯模块获取车速信息的获取频率为1HZ，车载用电设备的耗电信息以及电池SOC信息的获取时刻为0.01HZ；环境温度探测模块的采集频率为0.01HZ；GPS和网络模块110采集海拔和位置信息的采集频率为1HZ，采集天气信息的采集频率为0.01HZ。

3.一种带有电耗分析预测的电动汽车导航方法，其特征在于，具体如下：

(一)工况数据库的建立：

步骤200，开始，进入步骤205；

步骤205，判断车辆是否同时满足三个条件：车辆处于起动状态、车辆未处于充电状态、GPS与网络信号正常；当没有同时满足三个条件时，则进入步骤210，当同时满足三个条件时，进入步骤215；

步骤210，等待，返回步骤205；

步骤215，设置定时器；

步骤220，进行空循环，等待定时器中断，进入步骤250～步骤295的中断子程序；

步骤250，定时器中断，中断开始；

步骤255，通过CAN总线通讯模块读取车速信息，通过GPS和网络模块读取位置、海拔信息；

步骤260，标志位flag++，用于记录进入中断的次数；

步骤265，判断标志位flag是否等于100，若是，则进入步骤270；若否，直接进入步骤280；

步骤270，读取温度、天气、电池SOC及车载设备电耗信息，进入步骤275；

步骤275，标志位flag清零；

步骤280，重新判断车辆是否同时满足三个条件：车辆处于起动状态、车辆未处于充电状态、GPS与网络信号正常，若是，进入步骤285；若否，进入步骤290；

步骤285，中断返回；

步骤290，关闭定时器中断；

步骤295，跳出空循环，进入步骤225；

步骤225，检验数据是否有缺失，若是，进入步骤230，若否，进入步骤235；

步骤230，清除无效的行程数据，返回步骤205；

步骤235，将行程数据进行处理，将有效的原始车速信息经过滤波除去原始噪声后获得每次行车区间中的特征参数并储存到存储模块中；

步骤240，判断车辆是否处于起动状态，若是，返回步骤205，若否，进入步骤245；

步骤245，结束；

(二)工况数据库的应用：

步骤300，开始，进入步骤305；

步骤305，检测车辆是否处于充电状态，若处于充电状态，则进入机器学习流程，进入步骤315；若未处于充电状态，进入步骤310；

步骤310，等待充电，返回步骤305；

步骤315，判断样本增量是否达到设定值，若是，进行步骤320；若否，进入步骤350；

步骤320，进行自学习，控制器读取样本对机器自学习的训练模型进行训练，进入步骤325；

步骤325，等待自学习结束，进入步骤330；

步骤330，判断自学习是否结束，若是，进入步骤335；若否，进入步骤340；

步骤335，将自学习结果储存，进入步骤350；

步骤340，监测充电状态，若监测到车辆充电过程结束或充电状态断开，则判断用户需要临时断电用车，进入步骤345；若车辆仍处于充电状态，则返回步骤325；

步骤345，停止自学习行为，进入步骤350；

步骤350，结束；

(三)用户使用导航计算电耗：

步骤405，在用户行车导航过程中，用户首先在人机界面输入起始位置与终点；

步骤410，控制器运行电子地图软件提供可行路线；

步骤415，利用机器自学习的训练模型分析路线电耗；

步骤420，所预测的电耗信息返回人机界面予以标识供用户参考。

4.根据权利要求3所述的一种带有电耗分析预测的电动汽车导航方法，其特征在于，步骤215中，定时器设为1s；步骤315中，样本增量设定值为10。