CN110435429A - 一种融合能耗预测的双电机电动汽车续航里程估计方法 - Google Patents

Abstract

本发明涉及一种融合能耗预测的双电机电动汽车续航里程估计方法，包括以下步骤：步骤S1：根据实际运行数据，采集工况特征参数和当前速度；步骤S2:构建能耗估计模型；步骤S3:根据特征参数,利用工况识别器，获取车辆当前所处的工况类型；步骤S4:根据的工况类型，计算得到状态转移矩阵；步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度，并计算得到加速度；步骤S6:根据速度、加速度与电池SOC,查表，获取工作模式；步骤S7:根据工作模式，将速度和加速度作为能耗估计模型中，预测电池输出功率；步骤S8:根据电池SOC计算出电池剩余可用能量，并根据剩余能量与预测电池输出功率计算得到续航里程。本发明能够快速有效的预测未来能耗，并预估续航里程。

Description

一种融合能耗预测的双电机电动汽车续航里程估计方法

技术领域

本发明涉及纯电动汽车续航里程估计领域，具体涉及一种融合能耗预测的双电机电动汽车续航里程估计方法。

背景技术

电动汽车电池容量严重限制了电动汽车的行驶里程，对于里程稍长的路线，不可避免地需要在行驶途中充电。同时，相比与传统内燃机汽车仅几分钟的加油时间，电动汽车充电过程又十分漫长，一般长达数小时。所以电动汽车行驶过程中的充电问题不容忽视。如何避免在行驶路途中电量不足而又无法充电境遇，如何合理的选择充电的地点与时长，都是亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种融合能耗预测的双电机电动汽车续航里程估计方法，用于估计双电机电动汽车续航里程。

为实现上述目的，本发明采用如下技术方案：

一种融合能耗预测的双电机电动汽车续航里程估计方法，包括以下步骤：

步骤S1：根据双电机电动汽车实际运行数据，采集车辆行驶工况特征参数和当前速度；

步骤S2:构建能耗估计模型；

步骤S3:根据特征参数,利用工况识别器，获取车辆当前所处的工况类型；

步骤S4:根据车辆当前所处的工况类型，计算得到状态转移矩阵；

步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度，并计算得到加速度；

步骤S6:根据速度、加速度与电池SOC,查找工作范围表，获取工作模式；

步骤S7:根据工作模式，将速度和加速度作为能耗估计模型中，预测电池输出功率；

步骤S8:根据电池SOC计算出电池剩余可用能量，并根据剩余能量与预测电池输出功率计算得到续航里程。

进一步的,所述车辆行驶工况特征参数包括：平均速度v_mean、最大速度v_max、速度标准差v_var、正加速度平均值a_pmean、负加速度平均值a_nmean、加速度标准差a_var、最大加速度a_max、最小加速度a_min、怠速时间比例P_i、匀速时间比例P_c、加速时间比例P_a和减速时间比例P_d。

进一步的,所述步骤S2具体为：

步骤S21:能耗估计模型从车辆动力学出发，以速度、加速度为输入变量，构建常数、v、a·v、v³的能耗估计多项式，采用多元线性回归确定各项系数。

由车辆动力学公式可知，在驱动模式下：

制动模式下：

其中：P_{batt_drive}:驱动模式下电池功率；P_{batt_brake}:制动模式下电池功率；η_SM1、η_SM2、η_TC、η_SC、η_BM1、η_BM2分别表示对应模式下***效率；θ为道路水平度；m:车辆总质量；g：重力加速度；C_d:空气阻力系数；A:汽车迎风面积；σ：旋转质量换算系数。

步骤S22:预设道路水平θ＝0，各个模式下的***效率不同但都为常数，则式(1)、式(2)表示为：

驱动模式下，令：

制动模式下，令：则式(3)、(4)表示为：

P_batt＝k₁·v+k₂·v³+k₃·av (5)

步骤S23:将车辆实际工况数据与测得的电池输出功率通过统计学的多元线性回归分析，得到不同工作模式下k₁、k₂、k₃具体数值，得到了以速度、加速度为输入，电池功率为输出的多元线性回归方程；

步骤S24:将电池功率对时间积分，得到一段时间内电池消耗总能量，即以速度v、加速度a为输入的能耗估计模型。

进一步的,所述工作模式包括电机M1驱动SM1、电机M2驱动SM2、电机M1与M2转矩耦合TC、电机M1与M2转速耦合SC、电机M1制动BM1、电机M2制动BM2。

进一步的,所述工况识别及采用LVQ神经网络，分为输入层、竞争层、输出层，输入层为车辆行驶特征参数，包括平均速度v_mean、最大速度v_max、速度标准差v_var、正加速度平均值a_pmean、负加速度平均值a_nmean、加速度标准差a_var、最大加速度a_max、最小加速度a_min、怠速时间比例P_i、匀速时间比例P_c、加速时间比例P_a、减速时间比例P_d，竞争层对输入向量进行分类，输出层三个神经元分别对应城市拥堵工况、城市郊区工况、高速公路工况，并以T为周期对汽车所处工况识别。

进一步的,所述状态转移概率矩阵建立过程如下：

式中，将速度分为M个状态，P_ij为当t时刻车速为vⁱ时，t+1时刻速度为v^j的转移概率，m_ij为从速度vⁱ转移到v^j的次数，m_i为从速度vⁱ转移的次数，P为状态转移概率矩阵。

其中P_ij：

进一步的,所述步骤S8具体为：

未来t+1时刻能耗率E_fut(kw·h/km)：

电池当前时刻电池SOC_cur与剩余可用电量Q_res之间关系为：

Q_res＝(SOC_cur-SOC_t)·Q_m (9)

其中_mQ为电池组额定容量，SOC_t为最小可接受电池组电荷状；

考虑到电池寿命与放电效率，电池组有效剩余能量E_res为：

E_res＝η_dis·η_dod·Q_res·U_e (10)

其中η_dis为电池放电效率，η_dod电池放电深度，U_e为电池组额定电压由式(8)、(9)、(10)得到续航里程为：

本发明与现有技术相比具有以下有益效果：

本发明根据多元线性回归建立双电机电动汽车能耗估计模型，通过估计未来能耗估算出续航里程，并考虑了行驶工况对能耗的影响，能够快速有效的预估续航里程。

附图说明

图1是本发明一实施例中双电机电动汽车模型；

图2是本发明一实施例中流程原理图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

请参照图1，本实施例涉及双电机电动汽车，***共有6种工作模式，分别是电机M1驱动(SM1)、电机M2驱动(SM2)、电机M1与M2转矩耦合(TC)、电机M1与M2转速耦合(SC)、电机M1制动(BM1)、电机M2制动(BM2)。这些工作模式的切换可以通过制动器L1、L2的闭合张开以及连接器T的位置变化(左、中、右三个位置)实现，如表1所示，在6中工作模式下由于动力传递路线不同

表1工作模式与部件的对应关系

参考图2，本实施中，一种融合能耗预测的双电机电动汽车续航里程估计方法，包括以下步骤：

步骤S1：根据双电机电动汽车实际运行数据，采集车辆行驶工况特征参数和当前速度；

步骤S2:构建能耗估计模型；

步骤S21:能耗估计模型从车辆动力学出发，以速度、加速度为输入变量，构建常数、v、a·v、v³的能耗估计多项式，采用多元线性回归确定各项系数。

由车辆动力学公式可知，在驱动模式下：

制动模式下：

其中：P_{batt_drive}:驱动模式下电池功率；P_{batt_brake}:制动模式下电池功率；η_SM1、η_SM2、η_TC、η_SC、η_BM1、η_BM2分别表示对应模式下***效率；θ为道路水平度；m:车辆总质量；g：重力加速度；C_d:空气阻力系数；A:汽车迎风面积；σ：旋转质量换算系数。

步骤S22:预设道路水平θ＝0，各个模式下的***效率不同但都为常数，则式(1)、式(2)表示为：

驱动模式下，令：

制动模式下，令：则式(3)、(4)表示为：

P_batt＝k₁·v+k₂·v³+k₃·av (5)

步骤S23:将车辆实际工况数据与测得的电池输出功率通过统计学的多元线性回归分析，得到不同工作模式下k₁、k₂、k₃具体数值，得到了以速度、加速度为输入，电池功率为输出的多元线性回归方程；

步骤S24:将电池功率对时间积分，得到一段时间内电池消耗总能量，即以速度v、加速度a为输入的能耗估计模型。

步骤S3:根据特征参数,利用工况识别器，获取车辆当前所处的工况类型；工况类型为NYCC工况(城市拥堵工况)、UDDS工况(城市郊区工况)、HWFET工况(高速公路工况)；为识别车辆所处的工况，本发明采用LVQ神经网络(学***均速度v_mean、最大速度v_max、速度标准差v_var、正加速度平均值a_pmean、负加速度平均值a_nmean、加速度标准差a_var、最大加速度a_max、最小加速度a_min、怠速时间比例P_i、匀速时间比例P_c、加速时间比例P_a、减速时间比例P_d12个特征参数，竞争层对输入向量进行分类，输出层三个神经元分别对应NYCC工况、UDDS工况、HWFET工况，以T为周期对汽车所处工况识别。

步骤S4:识别出车辆所处的工况后，需要给出每种工况对应的状态转移概率，状态转移概率矩阵建立过程如下：

式中，将速度分为M个状态，P_ij为当t时刻车速为vⁱ时，t+1时刻速度为v^j的转移概率，m_ij为从速度vⁱ转移到v^j的次数，m_i为从速度vⁱ转移的次数，P为状态转移概率矩阵。

P_ij满足：

根据式(6)、式(7)可得到三种工况的状态转移概率矩阵，根据状态转移概率矩阵可由当前时刻速度预测得到下一时刻的速度。

步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度，并计算得到加速度；当识别出汽车所处的工况后，由状态转移概率矩阵便可由t时刻速度v_t得到t+1时刻速度v_t+1，再由得到t+1时刻加速度a_t+1；

步骤S6:根据速度、加速度与电池SOC,查找工作范围表，获取工作模式；

步骤S7:根据工作模式，将速度和加速度作为能耗估计模型中，预测电池输出功率；根据式(3)、(4)建立的以速度加速度为输入的能耗估计模型，由式(8)得到未来t+1时刻能耗率E_fut(kw·h/km)。

步骤S8:根据电池SOC计算出电池剩余可用能量，并根据剩余能量与预测电池输出功率计算得到续航里程。

电池当前时刻电池SOC_cur与剩余可用电量Q_res之间关系为：

其中为电池组额定容量，SOC_t为最小可接受电池组电荷状态。

考虑到电池寿命与放电效率，电池组有效剩余能量E_res为：

E_res＝η_dis·η_dod·Q_res·U_e

(10)

其中η_dis为电池放电效率，η_dod电池放电深度，U_e为电池组额定电压

由式(8)、(9)、(10)得到续航里程为：

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (7)

1.一种融合能耗预测的双电机电动汽车续航里程估计方法，其特征在于，包括以下步骤：

步骤S1：根据双电机电动汽车实际运行数据，采集车辆行驶工况特征参数和当前速度；

步骤S2:构建能耗估计模型；

步骤S3:根据特征参数,利用工况识别器，获取车辆当前所处的工况类型；

步骤S4:根据车辆当前所处的工况类型，计算得到状态转移矩阵；

步骤S5:状态转移矩阵根据当前速度预测得到下一时刻速度，并计算得到加速度；

步骤S6:根据速度、加速度与电池SOC,查找工作范围表，获取工作模式；

步骤S7:根据工作模式，将速度和加速度作为能耗估计模型中，预测电池输出功率；

步骤S8:根据电池SOC计算出电池剩余可用能量，并根据剩余能量与预测电池输出功率计算得到续航里程。

2.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法，其特征在于：所述车辆行驶工况特征参数包括：平均速度v_mean、最大速度v_max、速度标准差v_var、正加速度平均值a_pmean、负加速度平均值a_nmean、加速度标准差a_var、最大加速度a_max、最小加速度a_min、怠速时间比例P_i、匀速时间比例P_c、加速时间比例P_a和减速时间比例P_d。

3.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法，其特征在于，所述步骤S2具体为：

步骤S21:能耗估计模型从车辆动力学出发，以速度、加速度为输入变量，构建常数、v、a·v、v³的能耗估计多项式，采用多元线性回归确定各项系数。

由车辆动力学公式可知，在驱动模式下：

制动模式下：

其中：P_{batt_drive}:驱动模式下电池功率；P_{batt_brake}:制动模式下电池功率；η_SM1、η_SM2、η_TC、η_SC、η_BM1、η_BM2分别表示对应模式下***效率；θ：道路坡度；m:车辆总质量；g：重力加速度；C_d:空气阻力系数；A:汽车迎风面积；σ：旋转质量换算系数。

步骤S22:预设道路水平θ＝0，各个模式下的***效率不同但都为常数，则式(1)、式(2)表示为：

驱动模式下，令：

制动模式下，令：则式(3)、(4)表示为：

P_batt＝k₁·v+k₂·v³+k₃·av (5)

步骤S23:将车辆实际工况数据与测得的电池输出功率通过统计学的多元线性回归分析，得到不同工作模式下k₁、k₂、k₃具体数值，得到了以速度、加速度为输入，电池功率为输出的多元线性回归方程；

步骤S24:将电池功率对时间积分，得到一段时间内电池消耗总能量，即以速度v、加速度a为输入的能耗估计模型。

4.根据权利要求3所述的一种融合能耗预测的双电机电动汽车续航里程估计方法，其特征在于：所述工作模式包括电机M1驱动SM1、电机M2驱动SM2、电机M1与M2转矩耦合TC、电机M1与M2转速耦合SC、电机M1制动BM1、电机M2制动BM2。

5.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法，其特征在于：所述工况识别及采用LVQ神经网络，分为输入层、竞争层、输出层，输入层为车辆行驶特征参数，包括平均速度v_mean、最大速度v_max、速度标准差v_var、正加速度平均值a_pmean、负加速度平均值a_nmean、加速度标准差a_var、最大加速度a_max、最小加速度a_min、怠速时间比例P_i、匀速时间比例P_c、加速时间比例P_a、减速时间比例P_d，竞争层对输入向量进行分类，输出层三个神经元分别对应城市拥堵工况、城市郊区工况、高速公路工况，并以T为周期对汽车所处工况识别。

6.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法，其特征在于,所述状态转移概率矩阵建立过程如下：

式中，将速度分为M个状态，P_ij为当t时刻车速为vⁱ时，t+1时刻速度为v^j的转移概率，m_ij为从速度vⁱ转移到v^j的次数，m_i为从速度vⁱ转移的次数，P为状态转移概率矩阵。

其中P_ij：

7.根据权利要求1所述的一种融合能耗预测的双电机电动汽车续航里程估计方法，其特征在于,所述步骤S8具体为：

未来t+1时刻能耗率E_fut(kw·h/km)：

电池当前时刻电池SOC_cur与剩余可用电量Q_res之间关系为：

Q_res＝(SOC_cur-SOC_t)·Q_m (9)

其中电池组额定容量，SOC_t为最小可接受电池组电荷状；

考虑到电池寿命与放电效率，电池组有效剩余能量E_res为：

E_res＝η_dis·η_dod·Q_res·U_e (10)

其中η_dis为电池放电效率，η_dod电池放电深度，U_e为电池组额定电压由式(8)、(9)、(10)得到续航里程为：