CN113702842B - 一种纯电动汽车的续航里程估计方法 - Google Patents
一种纯电动汽车的续航里程估计方法 Download PDFInfo
- Publication number
- CN113702842B CN113702842B CN202110799823.5A CN202110799823A CN113702842B CN 113702842 B CN113702842 B CN 113702842B CN 202110799823 A CN202110799823 A CN 202110799823A CN 113702842 B CN113702842 B CN 113702842B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- sam
- pedal
- opening
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种纯电动汽车的续航里程估计方法,涉及新能源汽车的电池管理***技术领域。该纯电动汽车的续航里程估计方法,包括以下步骤:S1、等效电路模型参数获取:通过相应电池实验测量车载锂电池***在不同温度下的电池最大储能E batt 和电池最大容量C batt ,并以20‑30℃为基准归一化处理电池容量数据,对锂电池***单体进行电池参数辨识,获取随SOC和电池温度变化的Thevenin等效电路模型参数。该纯电动汽车的续航里程估计方法,采用本发明的方法,可通过对未来工况的预测和通过模糊控制器实现的驾驶行为评价为续航里程估计提供了可靠的理论依据,估计结果更加精确可信,同时本发明充分考虑了能量供给端的状态影响和能量需求端的状态影响。
Description
技术领域
本发明涉及新能源汽车的电池管理***技术领域,特别的为一种纯电动汽车的续航里程估计方法。
背景技术
近年来,新能源汽车技术的发展十分迅猛,而纯电动汽车作为新能源汽车中的主力已经成为全国汽车保有量增长的重要力量,尽管纯电动汽车相关技术已日趋成熟,但其自身仍然存在诸多问题,其中,因车载电池***容量限制和汽车续航里程估计精度问题而造成的“续航焦虑”现象是限制纯电动汽车推广与发展的最关键因素,从宏观角度而言,一味提高车载电池的容量不仅会导致成本的大幅增加和汽车有效荷载的降低,大容量电池所带来的安全性问题更加不容忽视,相比之下,通过提升汽车控制***和电池管理***的综合性能,精进续航里程估计的算法能力,是更加行之有效的手段。
目前在工程应用上,续航里程估计多采用基于统计的方法和基于人工智能的方法,基于统计的方法是采集历史功率数据,再利用当前SOC对续航里程进行估计,这种方法忽略了驾驶员行为的影响,难以显式地体现个体差异性影响,估计精度相对较差,而基于人工智能的方法往往需要依赖大数据技术,结合复杂的人工智能算法进行估计,数据吞吐量巨大,算法复杂度极高,可实现性较弱。
因此,确有必要对现有技术进行改进以解决现有技术之不足。
发明内容
本发明提供的发明目的在于提供一种纯电动汽车的续航里程估计方法,首先根据锂电池等效电路模型和相关的电池标定数据,通过无迹卡尔曼滤波算法实现锂电池***剩余储能的估计,然后利用聚类算法和马尔科夫链理论对未来工况进行预测,最后基于模糊控制理论设计模糊控制器,分析驾驶员在未来一段时间的驾驶倾向,再根据历史数据计算未来续航里程。
为实现以上目的,本发明通过以下技术方案予以实现:一种纯电动汽车的续航里程估计方法,包括有以下步骤:一种纯电动汽车的续航里程估计方法,包括以下步骤:
S1、等效电路模型参数获取:通过相应电池实验测量车载锂电池***在不同温度下的电池最大储能E batt 和电池最大容量C batt ,并以20-30℃为基准归一化处理电池容量数据,对锂电池***单体进行电池参数辨识,获取随SOC和电池温度变化的Thevenin等效电路模型参数;
S2、数据处理:实时获取当前***电流,所述***电流为I batt ;根据S1获取的Thevenin等效电路模型参数列写***状态方程和***观测方程;
S3、数据整理:根据S2中***状态方程和***观测方程所得数据的取值范围,处理得到***过程误差协方差W和***观测误差协方差V;
S4、数据整合:将S2和S3中Thevenin等效电路模型参数、***过程误差协方差W和***观测误差协方差V代入无迹卡尔曼滤波器中,对SOR进行状态估计,再将SOR与电池最大储能E batt 相乘得到当前电池剩余储能E R ;
S5、周期性数据处理:获取并存储n个采样周期内的电流数据I sam 、电压数据V sam 、驱动踏板开度A sam 和制动踏板开度B sam ,再通过记录的历史电流数据和电压数据计算n个采样周期内能耗E rec ,同时由于驱动踏板开度A sam 的数据和制动踏板开度B sam 的数据存在互斥性,即驱动踏板开度A sam 不为0时,制动踏板B sam 为0,驱动踏板开度A sam 为0时,制动踏板开度B sam 不为0,因此将驱动踏板开度A sam 的数据和制动踏板开度B sam 的数据进行整合,可以得到新驱动踏板开度a sam 的数据;
S6、新驱动踏板开度的数据聚类处理:将新踏板开度a sam 的数据分为c类,进而得到新驱动踏板开度T clust 的聚类数据,再通过新踏板开度T clust 的聚类数据计算c类数据中的聚类中心v r ,再设概率转移矩阵为P i|i+1,进而可得概率转移矩阵为c×c的方阵,进而通过概率转换矩阵和聚类中心v r 预测下一时刻驱动踏板开度u n+1,同时将下一时刻驱动踏板开度u n+1通过反复代入S6中得到预测驱动踏板开度a ’ sam 的数据;
S7、设计驾驶行为评价模糊控制器:通过一段周期内的平均驱动踏板开度和驱动踏板开度的平均变化率反应驾驶员的行为状态,若平均驱动踏板开度大且驱动踏板变化率较大,则驾驶员在这一阶段倾向于快速、大幅度踩踏驱动踏板,此时造成的能耗更高,若平均驱动踏板开度小且驱动踏板开度变化率较小,甚至有频繁踩踏制动踏板的情况,则驾驶员在这一阶段倾向于缓慢、小幅度踩踏驱动踏板,此时造成的能耗更低,进而以此为依据进行驾驶行为评价模糊控制器的设计;
S8、能耗修正系数的计算:通过设定S7中驾驶行为评价模糊控制器为双输入,单输出的mamdani类型模糊控制器,以新驱动踏板开度和新驱动踏板的变化率为输入,所述新驱动踏板的变化率为Δa sam ,以驾驶行为评价因数e m 为输出,进而将历史驱动踏板开度的数据、预测驱动踏板开度的数据、预测平均驱动踏板开度的数据和驱动踏板开度的变化率数据输入mamdani类型模糊控制器,得到历史驾驶行为评价因数e mh 和预测驾驶行为评价因数e mp ,进而可得到能耗修正系数ξ D ,且;
S9、数据测量、估算:测量车辆在额定功率下匀速行驶总续航里程D upper 和峰值功率下匀速行驶总续航里程D lower ,再获取历史n个采样周期内的行驶里程D rec ,进而可得预测理论续航里程D P ,且,同时可实际的估计未来续航里程应受到D upper 和D lower 的约束。
作为本发明进一步的方案:根据S1中操作步骤,所述Thevenin等效电路模型参数为等效电阻R0、等效电阻R1和等效电容C1。
作为本发明进一步的方案:根据S2中操作步骤,所述***状态方程为:
公式(1)
所述SOR为电池剩余储能状态,所述Uc为Thevenin等效电路模型中RC网络的端电压,所述σ cap_T 为容量修正系数,且σ cap_T 的数值为归一化电池最大容量的倒数,所述C batt 为25℃下的电池最大容量,所述Tmin为电池组最低单体温度,所述η int 为内阻影响的能量损耗系数,所述SOC为电池剩余容量,所述η int 计算公式为:
公式(2)
所述Sta batt 为电池状态系数,且Sta batt 充电和回馈状态数值为-1,并且Sta batt 放电状态数值为1。
作为本发明进一步的方案:根据S2中操作步骤,所述***观测方程为:
公式(3)
所述U meas 为电池路端电压,所述为电池开路电压。
作为本发明进一步的方案:所述与SOR的关系式为:
公式(4)
所述Vc upper 和Vc lower 分别为电池上截至开路电压和电池下截至开路电压。
作为本发明进一步的方案:根据S3中操作步骤,所述W计算公式为:
公式(5)
所述V计算公式为:
公式(6)。
作为本发明进一步的方案:根据S5中操作步骤,所述E rec 为:
公式(7)
所述T s 为采样周期。
作为本发明进一步的方案:根据S6中操作步骤,所述v r 为:
公式(8)
所述Sum r 为新驱动踏板开度中属于r类的数据元素个数。
作为本发明进一步的方案:根据S6中操作步骤,所述概率转移矩阵为c×c的方阵为:
公式(9)
所述P i|i+1,qr 为n个采样周期内的i时刻到i+1时刻新驱动踏板开度由q类转变为r类的概率,所述P i|i+1,qr 的计算公式为,所述N qr 为n个采样周期时间内新驱动踏板开度由q类转变为r类的总次数,所述N q 为在n个采样周期时间内新驱动踏板开度由q类发生转变的总次数,所述u n+1的计算公式为:
公式(10)。
作为本发明进一步的方案:根据S9中操作步骤,所述实际的估计未来续航里程为D R ,且
公式(11)。
本发明提供了一种纯电动汽车的续航里程估计方法。具备以下有益效果:
该纯电动汽车的续航里程估计方法,采用本发明的方法,可通过对未来工况的预测和通过模糊控制器实现的驾驶行为评价为续航里程估计提供了可靠的理论依据,估计结果更加精确可信,同时本发明充分考虑了能量供给端的状态影响和能量需求端的状态影响,并将二者有机结合,进一步确保了续航里程估计的精度,且本发明运用多种较为成熟的智能控制方法,数据需求量小,算法可实现性高,易实现工程实际应用的迁移和转化。
附图说明
图1为本法发明的总体示意图;
图2为本法发明的Thevenin等效电路模型简化电路示意图;
图3为本法发明的驱动踏板开度数据聚类结果示意图;
图4为本法发明的未来驱动踏板开度数据预测曲线图;
图5为本法发明的驾驶行为评价模糊控制器输入输出隶属度函数曲线图;
图6为本法发明的驾驶行为评价模糊控制器模糊规则曲面图。
具体实施方式
以下参照具体的实施例来说明本发明。本领域技术人员能够理解,这些实施例仅用于说明本发明,其不以任何方式限制本发明的范围。
实施例1、一种纯电动汽车的续航里程估计方法,包括以下步骤:步骤一、等效电路模型参数获取:通过相应电池实验测量车载锂电池***在不同温度下的电池最大储能E batt 和电池最大容量C batt ,并以20-30℃为基准归一化处理电池容量数据,优选的温度为25℃,对锂电池***单体进行电池参数辨识,获取随SOC和电池温度变化的Thevenin等效电路模型参数,步骤二、数据处理:实时获取当前***电流,***电流为I batt ;根据步骤一获取的Thevenin等效电路模型参数列写***状态方程和***观测方程,步骤三、数据整理:根据步骤二中***状态方程和***观测方程所得数据的取值范围,处理得到***过程误差协方差W和***观测误差协方差V,步骤四、数据整合:将步骤二和步骤三中Thevenin等效电路模型参数、***过程误差协方差W和***观测误差协方差V代入无迹卡尔曼滤波器中,对SOR进行状态估计,再将SOR与电池最大储能E batt 相乘得到当前电池剩余储能E R ,步骤五、周期性数据处理:获取并存储n个采样周期内的电流数据I sam 、电压数据V sam 、驱动踏板开度A sam 和制动踏板开度B sam ,再通过记录的历史电流数据和电压数据计算n个采样周期内能耗E rec ,同时由于驱动踏板开度A sam 的数据和制动踏板开度B sam 的数据存在互斥性,即驱动踏板开度A sam 不为0时,制动踏板B sam 为0,驱动踏板开度A sam 为0时,制动踏板开度B sam 不为0,因此将驱动踏板开度A sam 的数据和制动踏板开度B sam 的数据进行整合,可以得到新驱动踏板开度a sam 的数据,步骤六、新驱动踏板开度的数据聚类处理:将新踏板开度a sam 的数据分为c类,进而得到新驱动踏板开度T clust 的聚类数据,再通过新踏板开度T clust 的聚类数据计算c类数据中的聚类中心v r ,再设概率转移矩阵为P i|i+1,进而可得概率转移矩阵为c×c的方阵,进而通过概率转换矩阵和聚类中心v r 预测下一时刻驱动踏板开度u n+1,同时将下一时刻驱动踏板开度u n+1通过反复代入步骤六中得到预测驱动踏板开度a ’ sam 的数据,步骤七、设计驾驶行为评价模糊控制器:通过一段周期内的平均驱动踏板开度和驱动踏板开度的平均变化率反应驾驶员的行为状态,若平均驱动踏板开度大且驱动踏板变化率较大,则驾驶员在这一阶段倾向于快速、大幅度踩踏驱动踏板,此时造成的能耗更高,若平均驱动踏板开度小且驱动踏板开度变化率较小,甚至有频繁踩踏制动踏板的情况,则驾驶员在这一阶段倾向于缓慢、小幅度踩踏驱动踏板,此时造成的能耗更低,进而以此为依据进行驾驶行为评价模糊控制器的设计,步骤八、能耗修正系数的计算:通过设定步骤七中驾驶行为评价模糊控制器为双输入,单输出的mamdani类型模糊控制器,以新驱动踏板开度和新驱动踏板的变化率为输入,新驱动踏板的变化率为Δa sam ,以驾驶行为评价因数e m 为输出,进而将历史驱动踏板开度的数据、预测驱动踏板开度的数据、预测平均驱动踏板开度的数据和驱动踏板开度的变化率数据输入mamdani类型模糊控制器,得到历史驾驶行为评价因数e mh 和预测驾驶行为评价因数e mp ,进而可得到能耗修正系数ξ D ,且,步骤九、数据测量、估算:测量车辆在额定功率下匀速行驶总续航里程D upper 和峰值功率下匀速行驶总续航里程D lower ,再获取历史n个采样周期内的行驶里程D rec ,进而可得预测理论续航里程D P ,且/>,同时可实际的估计未来续航里程应受到D upper 和D lower 的约束。
具体的,根据步骤一中操作步骤,Thevenin等效电路模型参数为等效电阻R0、等效电阻R1和等效电容C1。
具体的,根据步骤二中操作步骤,***状态方程为:
公式(1)
SOR为电池剩余储能状态,Uc为Thevenin等效电路模型中RC网络的端电压,σ cap_T 为容量修正系数,且σ cap_T 的数值为归一化电池最大容量的倒数,C batt 为25℃下的电池最大容量,Tmin为电池组最低单体温度,η int 为内阻影响的能量损耗系数,SOC为电池剩余容量,η int 计算公式为:
公式(2)
Stabatt为电池状态系数,且Stabatt充电和回馈状态数值为-1,并且Stabatt放电状态数值为1。
具体的,根据步骤二中操作步骤,***观测方程为:
公式(3)
U meas 为电池路端电压,为电池开路电压。
具体的,与SOR的关系式为:
公式(4)
Vc upper 和Vc lower 分别为电池上截至开路电压和电池下截至开路电压。
具体的,根据步骤三中操作步骤,W计算公式为:
公式(5)
V计算公式为:
公式(6)。
具体的,根据步骤五中操作步骤,E rec 为:
公式(7)
T s 为采样周期。
具体的,根据步骤六中操作步骤,v r 为:
公式(8)
Sum r 为新驱动踏板开度中属于r类的数据元素个数。
具体的,根据步骤六中操作步骤,概率转移矩阵为c×c的方阵为:
公式(9)
P i|i+1,qr 为n个采样周期内的i时刻到i+1时刻新驱动踏板开度由q类转变为r类的概率,P i|i+1,qr 的计算公式为,N qr 为n个采样周期时间内新驱动踏板开度由q类转变为r类的总次数,N q 为在n个采样周期时间内新驱动踏板开度由q类发生转变的总次数,u n+1的计算公式为:
公式(10)。
具体的,根据步骤九中操作步骤,实际的估计未来续航里程为D R ,且
公式(11)。
为了进一步说明本发明的有益效果,将S8中输入量论域均设置为[-1, 1],语言定义为S、SM、M、MB、B,对应于“负”、“小”、“正”;输出量论域为[0.5, 1.5],语言值定义为S、SM、M、MB、B,对应于“小”、“小中”、“中”、“中大”、“大”;根据输入输出的变化逻辑关系,模糊规则按下表给出:
表1 模糊规律
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种纯电动汽车的续航里程估计方法,其特征在于,包括以下步骤:
S1、等效电路模型参数获取:通过相应电池实验测量车载锂电池***在不同温度下的电池最大储能E batt 和电池最大容量C batt ,并以20-30℃为基准归一化处理电池容量数据,对锂电池***单体进行电池参数辨识,获取随SOC和电池温度变化的Thevenin等效电路模型参数;
S2、数据处理:实时获取当前***电流,所述***电流为I batt ;根据S1获取的Thevenin等效电路模型参数列写***状态方程和***观测方程;
S3、数据整理:根据S2中***状态方程和***观测方程所得数据的取值范围,处理得到***过程误差协方差W和***观测误差协方差V;
S4、数据整合:将S2和S3中Thevenin等效电路模型参数、***过程误差协方差W和***观测误差协方差V代入无迹卡尔曼滤波器中,对SOR进行状态估计,再将SOR与电池最大储能E batt 相乘得到当前电池剩余储能E R ;
S5、周期性数据处理:获取并存储n个采样周期内的电流数据I sam 、电压数据V sam 、驱动踏板开度A sam 和制动踏板开度B sam ,再通过记录的历史电流数据和电压数据计算n个采样周期内能耗E rec ,同时由于驱动踏板开度A sam 的数据和制动踏板开度B sam 的数据存在互斥性,即驱动踏板开度A sam 不为0时,制动踏板B sam 为0,驱动踏板开度A sam 为0时,制动踏板开度B sam 不为0,因此将驱动踏板开度A sam 的数据和制动踏板开度B sam 的数据进行整合,可以得到新驱动踏板开度a sam 的数据;
S6、新驱动踏板开度的数据聚类处理:将新踏板开度a sam 的数据分为c类,进而得到新驱动踏板开度T clust 的聚类数据,再通过新踏板开度T clust 的聚类数据计算c类数据中的聚类中心v r ,再设概率转移矩阵为P i|i+1,进而可得概率转移矩阵为c×c的方阵,进而通过概率转换矩阵和聚类中心v r 预测下一时刻驱动踏板开度u n+1,同时将下一时刻驱动踏板开度u n+1通过反复代入S6中得到预测驱动踏板开度a ’ sam 的数据;
S7、设计驾驶行为评价模糊控制器:通过一段周期内的平均驱动踏板开度和驱动踏板开度的平均变化率反应驾驶员的行为状态,若平均驱动踏板开度大且驱动踏板变化率较大,则驾驶员在这一阶段倾向于快速、大幅度踩踏驱动踏板,此时造成的能耗更高,若平均驱动踏板开度小且驱动踏板开度变化率较小,甚至有频繁踩踏制动踏板的情况,则驾驶员在这一阶段倾向于缓慢、小幅度踩踏驱动踏板,此时造成的能耗更低,进而以此为依据进行驾驶行为评价模糊控制器的设计;
S8、能耗修正系数的计算:通过设定S7中驾驶行为评价模糊控制器为双输入,单输出的mamdani类型模糊控制器,以新驱动踏板开度和新驱动踏板的变化率为输入,所述新驱动踏板的变化率为Δa sam ,以驾驶行为评价因数e m 为输出,进而将历史驱动踏板开度的数据、预测驱动踏板开度的数据、预测平均驱动踏板开度的数据和驱动踏板开度的变化率数据输入mamdani类型模糊控制器,得到历史驾驶行为评价因数e mh 和预测驾驶行为评价因数e mp ,进而可得到能耗修正系数ξ D ,且;
S9、数据测量、估算:测量车辆在额定功率下匀速行驶总续航里程D upper 和峰值功率下匀速行驶总续航里程D lower ,再获取历史n个采样周期内的行驶里程D rec ,进而可得预测理论续航里程D P ,且,同时可实际的估计未来续航里程应受到D upper 和D lower 的约束。
2.根据权利要求1所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S1中操作步骤,所述Thevenin等效电路模型参数为等效电阻R0、等效电阻R1和等效电容C1。
3.根据权利要求2所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S2中操作步骤,所述***状态方程为:
公式(1)
所述SOR为电池剩余储能状态,所述Uc为Thevenin等效电路模型中RC网络的端电压,所述σ cap_T 为容量修正系数,且σ cap_T 的数值为归一化电池最大容量的倒数,所述C batt 为25℃下的电池最大容量,所述Tmin为电池组最低单体温度,所述η int 为内阻影响的能量损耗系数,所述SOC为电池剩余容量,所述η int 计算公式为:
公式(2)
所述Sta batt 为电池状态系数,且Sta batt 充电和回馈状态数值为-1,并且Sta batt 放电状态数值为1。
4.根据权利要求3所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S2中操作步骤,所述***观测方程为:
公式(3)
所述U meas 为电池路端电压,所述为电池开路电压。
5.根据权利要求4所述的一种纯电动汽车的续航里程估计方法,其特征在于,所述与SOR的关系式为:
公式(4)
所述Vc upper 和Vc lower 分别为电池上截至开路电压和电池下截至开路电压。
6.根据权利要求1所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S3中操作步骤,所述W计算公式为:
公式(5)
所述V计算公式为:
公式(6)。
7.根据权利要求1所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S5中操作步骤,所述E rec 为:
公式(7)
所述T s 为采样周期。
8.根据权利要求1所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S6中操作步骤,所述v r 为:
公式(8)
所述Sum r 为新驱动踏板开度中属于r类的数据元素个数。
9.根据权利要求1所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S6中操作步骤,所述概率转移矩阵为c×c的方阵为:
公式(9)
所述P i|i+1,qr 为n个采样周期内的i时刻到i+1时刻新驱动踏板开度由q类转变为r类的概率,所述P i|i+1,qr 的计算公式为,所述N qr 为n个采样周期时间内新驱动踏板开度由q类转变为r类的总次数,所述N q 为在n个采样周期时间内新驱动踏板开度由q类发生转变的总次数,所述u n+1的计算公式为:
公式(10)。
10.根据权利要求1所述的一种纯电动汽车的续航里程估计方法,其特征在于,根据S9中操作步骤,所述实际的估计未来续航里程为D R ,且
公式(11)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799823.5A CN113702842B (zh) | 2021-07-15 | 2021-07-15 | 一种纯电动汽车的续航里程估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110799823.5A CN113702842B (zh) | 2021-07-15 | 2021-07-15 | 一种纯电动汽车的续航里程估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702842A CN113702842A (zh) | 2021-11-26 |
CN113702842B true CN113702842B (zh) | 2023-10-20 |
Family
ID=78648601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110799823.5A Active CN113702842B (zh) | 2021-07-15 | 2021-07-15 | 一种纯电动汽车的续航里程估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702842B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024108424A1 (zh) * | 2022-11-23 | 2024-05-30 | 宁德时代新能源科技股份有限公司 | 电池续航能力确定方法、装置和车辆 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19980017054A (ko) * | 1996-08-30 | 1998-06-05 | 박병재 | 전기 자동차의 주행거리 예측과 연장장치 및 그 방법 |
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
CN107131296A (zh) * | 2017-05-25 | 2017-09-05 | 重庆大学 | 一种面向能耗的纯电动汽车两挡变速***控制策略 |
CN110303937A (zh) * | 2018-03-02 | 2019-10-08 | 上海海拉电子有限公司 | 一种动力电池组的同步采样***及同步采样方法 |
CN110435429A (zh) * | 2019-08-14 | 2019-11-12 | 福州大学 | 一种融合能耗预测的双电机电动汽车续航里程估计方法 |
-
2021
- 2021-07-15 CN CN202110799823.5A patent/CN113702842B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR19980017054A (ko) * | 1996-08-30 | 1998-06-05 | 박병재 | 전기 자동차의 주행거리 예측과 연장장치 및 그 방법 |
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
CN107131296A (zh) * | 2017-05-25 | 2017-09-05 | 重庆大学 | 一种面向能耗的纯电动汽车两挡变速***控制策略 |
CN110303937A (zh) * | 2018-03-02 | 2019-10-08 | 上海海拉电子有限公司 | 一种动力电池组的同步采样***及同步采样方法 |
CN110435429A (zh) * | 2019-08-14 | 2019-11-12 | 福州大学 | 一种融合能耗预测的双电机电动汽车续航里程估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113702842A (zh) | 2021-11-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and Markov chain | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN111398832A (zh) | 一种基于anfis模型的公交车电池soc预测方法 | |
CN111458646A (zh) | 一种基于pso-rbf神经网络的锂电池soc估算方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN111965560B (zh) | 一种面向通用放电工况的电池健康状态估计方法 | |
CN110133507B (zh) | 一种基于narx-ukf算法的电池剩余电量估计方法 | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
CN112163372B (zh) | 一种动力电池的soc估算方法 | |
CN112798961B (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN113459894B (zh) | 一种电动汽车电池安全预警方法及*** | |
Li et al. | Regrouping and echelon utilization of retired lithium-ion batteries based on a novel support vector clustering approach | |
CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
CN112103580A (zh) | 一种基于等效内阻的锂电池充电方法 | |
CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
CN113702842B (zh) | 一种纯电动汽车的续航里程估计方法 | |
Huang et al. | Correlation analysis and prediction of PEM fuel cell voltage during start-stop operation based on real-world driving data | |
Wang et al. | A dynamic programming-optimized two-layer adaptive energy management strategy for electric vehicles considering driving pattern recognition | |
CN111126449A (zh) | 一种基于聚类分析的电池故障分类诊断方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
Ma et al. | Adaptive optimization control strategy for electric vehicle battery thermal management system based on pontryagin’s minimal principle | |
Ma et al. | An xgboost-based electric vehicle battery consumption prediction model | |
CN111797568A (zh) | 一种基于最小能耗的锂电池充电方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220628 Address after: 411 Jianye Road, Pudong New Area, Shanghai 201201 Applicant after: HELLA SHANGHAI ELECTRONICS Co.,Ltd. Address before: 225000 room 1-361, No. 20, Chuangye Road, Guangling District, Yangzhou City, Jiangsu Province Applicant before: Hengda Haila Electronics (Yangzhou) Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |