CN116788052A - 车辆的剩余里程的确定方法、装置、存储介质及电子设备 - Google Patents
车辆的剩余里程的确定方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN116788052A CN116788052A CN202310737193.8A CN202310737193A CN116788052A CN 116788052 A CN116788052 A CN 116788052A CN 202310737193 A CN202310737193 A CN 202310737193A CN 116788052 A CN116788052 A CN 116788052A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- determining
- energy consumption
- average energy
- battery
- 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 42
- 238000005265 energy consumption Methods 0.000 claims abstract description 110
- 238000004590 computer program Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本公开实施例提供一种车辆的剩余里程的确定方法、装置、存储介质及电子设备,所述确定方法包括:确定车辆中电池的剩余电量;基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。本公开实施例结合历史行驶数据、车速、温度以及电池SOC等多种因素进行能耗预测,能够更加快速、准确地预测车辆的能耗情况,响应速度更快,对于车辆的剩余里程的计算准确性显著提高。
Description
技术领域
本公开涉及车辆行驶控制的技术领域,具体地涉及一种车辆的剩余里程的确定方法、装置、存储介质及电子设备。
背景技术
随着全球对清洁能源需求的不断提高,纯电动车作为一种新型的清洁能源车辆逐渐被广泛应用。然而,电动车辆由于其特殊的能量存储方式,使得纯电动车在行驶过程中剩余里程的精准预测成为了一项挑战性的任务。目前市场上已经存在一些纯电动车剩余里程预测的方法及***,但这些方法往往需要大量的实时数据、较为复杂的数学模型以及人工智能的辅助,导致成本较高,不利于推广应用。
发明内容
本公开实施例的目的在于提供车辆的剩余里程的确定方法、装置、存储介质及电子设备,以解决现有技术中存在的问题。
为了解决上述技术问题,本公开的实施例采用了如下技术方案:
本公开实施例的一方面提供一种车辆的剩余里程的确定方法,包括:
确定车辆中电池的剩余电量;
基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;
基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
在一些实施例中,所述确定车辆中电池的剩余电量,包括:
基于历史行驶数据确定车辆中电池的额定容量;
基于所述额定容量确定所述电池的额定总能量;
基于所述额定总能量和荷电状态确定所述剩余电量。
在一些实施例中,所述基于历史行驶数据确定车辆中电池的额定容量,包括:
基于环境温度对所述历史行驶数据进行分组,获取不同温度区间内的额定容量;
基于所述车辆当前所处的环境温度确定所述电池的额定容量。
在一些实施例中,所述基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值,包括:
基于历史行驶数据确定所述车辆的当前工作模式;
基于历史行驶数据确定所述车辆在所述工作模式下的平均能耗估计值;
对所述平均能耗估计值进行修正以获取所述平均能耗值。
在一些实施例中,所述基于历史行驶数据确定所述车辆的当前工作模式中,包括:
基于环境温度、平均车速以及荷电状态对所述历史行驶数据进行分组以确定多个工作模式;
基于所述车辆当前所处的环境温度、平均车速以及荷电状态确定所述当前工作模式。
在一些实施例中,所述对所述平均能耗估计值进行修正以获取所述平均能耗值,包括:
对所述车辆在未来预定时间内的车速值进行预测;
基于预测结果对所述平均能耗估计值进行修正。
在一些实施例中,对所述车辆在未来预定时间内的车速值进行预测基于BP神经网络实现,所述BP神经网络基于历史行驶数据训练。
本公开实施例的另一方面提供一种车辆的剩余里程的确定装置,包括:
剩余电量确定模块,用于确定车辆中电池的剩余电量;
平均能耗值确定模块,用于基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;
剩余里程确定模块,用于基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
本公开还提供一种存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述方法的步骤。
本公开还提供一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器在执行所述存储器上的计算机程序时实现上述任一项所述方法的步骤。
本公开实施例通过历史行驶数据建立剩余里程估计离线模型,通过查询平均能耗估计值同时进行短期的车速预测,实现对平均能耗值进行在线修正,最终结合电池的剩余电量得到剩余里程估计值。本公开实施例结合历史行驶数据、车速、温度以及电池SOC等多种因素进行能耗预测,能够更加快速、准确地预测车辆的能耗情况,响应速度更快,对于车辆的剩余里程的计算准确性显著提高。
附图说明
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例的车辆的剩余里程的确定方法的步骤示意图;
图2为本公开实施例的车辆的剩余里程的确定方法的步骤示意图;
图3为本公开实施例的车辆的剩余里程的确定方法的步骤示意图。
具体实施方式
此处参考附图描述本公开的各种方案以及特征。
应理解的是,可以对此处申请的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本公开的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本公开进行了描述,但本领域技术人员能够确定地实现本公开的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例;然而,应当理解,所申请的实施例仅仅是本公开的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此,本文所申请的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。
本公开的第一实施例提供一种车辆的剩余里程的确定方法,其用于基于大数据实现对所述车辆的剩余里程进行估计,这里的所述车辆尤其可以是电动汽车。这里的所述大数据是与所述车辆行驶相关的历史数据,其一般存储在云端服务器上,这里采用云端服务器存储数据,实现数据的实时访问和处理,提高数据分析的效率和实时性。
具体地,本实施例基于信号及传输规则以及远程数据的采集和传输装置,利用当前车辆反馈的信号进入位于云端服务器的数据库,经过数据解码、清洗等预处理后将车辆行驶的数据存储在数据库中,并在车辆行驶过程中提取相关数据进行剩余里程的估计和计算。
这里针对每个所述车辆进行数据采集以形成大数据的过程中主要包括以下几个步骤:
步骤1:数据采集步骤,通过在所述车辆的内部和外部安装传感器进行数据采集,这里的所述传感器包括但不限于温度传感器、GPS传感器、电流传感器、电压传感器等,通过上述传感器以采集行驶状态、环境信息、驾驶行为、动力电池状态等数据。
步骤2:数据清洗步骤,为避免数据质量影响,针对采集的数据进行数据清洗工作,所述数据清洗工作包括数据去噪、缺失数据处理以及数据格式化等操作。
步骤3:数据存储步骤,将清洗后的数据传输至云端服务器并存储于数据库中。
如上所述,上述通过多个传感器对车辆的行驶状态、驾驶行为、动力电池状态等方面进行全面采集,数据质量更高,分析结果更准确。每次车辆行驶中产生的行驶数据通过上述方式存储在云端服务器中,当前车辆的行驶中利用上述存储的数据实现对剩余里程的确定,如图1所示,包括:
S101,确定车辆中电池的剩余电量。
在本步骤中,确定车辆中电池的剩余电量。具体地,利用车辆中采集的电池SOC值以确定电池的剩余电量RE,这里剩余电量可以表示为:
RE=SOC*Wbat
Wbat=Cbat*U
上式中,SOC是所述电池的荷电状态,一般用来反映所述电池的剩余容量,其数值上定义为剩余容量占电池容量的比值;Wbat是所述电池的额定总能量;Cbat是所述电池的额定容量;U是所述电池的端电压。
其中,通过上式可以看出,这里所述电池的剩余电量RE与所述电池的SOC值以及所述电池的额定总能量Wbat相关,然而所述电池的额定容量Cbat并非固定值,而是会随着环境温度变化。
为此,在确定所述电池的额定容量Cbat的过程中,获取所述车辆当前的环境温度,从而可以基于所述云端服务器中的大数据中以获得不同环境温度下的所述电池的额定容量Cbat的MAP表,如下表1所示;
表1不同环境温度下的所述电池的额定容量的MAP表
环境温度 | 电池额定容量 |
<-30℃ | Cbat1 |
(-30,-20℃] | Cbat2 |
(-20,-10℃] | …… |
(-10,0℃] | …… |
(0,10℃] | …… |
(10,20℃] | …… |
(20,30℃] | Cbat7 |
>30℃ | Cbat8 |
这样,通过从所述车辆的CAN总线上读取到的所述电池的SOC信号和环境温度信号,并通过查表得到所述电池的额定容量Cbat,最终通过上述公式确定所述电池的剩余电量RE。
S102,基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值。
在通过上述步骤S101确定车辆中电池的剩余电量之后,在本步骤中,基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值。这里的所述平均能耗值Ec是指所述车辆在不同的预定工作模式下的电量损耗情况。这里在确定所述平均能耗值Ec的过程中采用分层估计的方式。具体地,如图2所示,包括:
S201,基于历史行驶数据确定所述车辆的当前工作模式。
在本步骤中,基于历史行驶数据确定所述车辆的当前工作模式。具体地,在所述平均能耗值的确定过程中,首先基于上层通过关于所述车辆行驶的历史数据以离线方式计算确定平均能耗估计值,也就是所述车辆在当前工作模式下的平均能耗基础值。由于所述车辆在不同工作模式下的能耗情况不同,会导致平均能耗值存在较大差异。因此,需要首先对所述车辆的工作模式进行明确定义和划分。本实施例中采用主成分分析方法从存储在数据库中的历史行驶数据中提取能够区分不同工作模式的特征,这里的特征至少包括平均车速、环境温度及电池SOC。
这里的主成分分析法为常用的特征提取方法,具体地,考虑到所述平均能耗值Ec是所述车辆处于不同工作模式下的平均能耗情况,该值受到多个因素的综合影响,为实现对于所述平均能耗值Ec的准确计算,本实施例根据主成分分析结果即考虑环境温度、平均车速、电池SOC的综合影响实现对所述平均能耗值Ec的初步估计,上述影响因素可以实现以下的细分:
考虑所述车辆的全年行驶条件,将环境温度信息分组区间设置为:<-30℃,(-30,-20℃],(-20,-10℃],(-10,0℃],(0,10℃],(10,20℃],(20,30℃],>30℃共8个区间;
考虑所述车辆的行驶状态,将平均车速信息分组区间设置为:(0,20km/h],(20,40km/h],(40,60km/h],(60,80km/h],>80km/h;
考虑所述车辆的电池SOC值的使用状态,将电池SOC值分组区间设置为:(0,20],(20,40],(40,60],(60,80],(80,100];
考虑上述三种因素的区间自由组合,将所述车辆的行驶划分为共有8*5*5=200种细分的工作模式,具体见下表2;
表2所述车辆的工作模式划分
工作模式 | 环境温度 | 平均车速 | SOC |
模式1 | <-30℃ | (0,20km/h] | (0,20] |
模式2 | <-30℃ | (20,40km/h] | (0,20] |
模式3 | <-30℃ | (40,60km/h] | (0,20] |
模式4 | <-30℃ | (60,80km/h] | (0,20] |
…… | …… | …… | …… |
模式198 | >30℃ | >80km/h | (80,100] |
模式199 | >30℃ | >80km/h | (80,100] |
模式200 | >30℃ | >80km/h | (80,100] |
S202,基于历史行驶数据确定所述车辆在所述工作模式下的平均能耗估计值。
在通过上述步骤S201确定所述车辆的工作模式之后,在本步骤中,基于历史行驶数据确定所述车辆在所述工作模式下的平均能耗估计值。
具体地,基于存储在云端服务器的数据库中的历史行驶数据,读取所述车辆的每个行驶片段的平均车速信息、环境温度信息以及电池SOC信息,将历史行驶数据基于确定的所述工作模式进行分组,离线计算所述车辆处于不同工作模式下所有历史数据片段的能耗均值Eck(k=1,2,3...,200)作为在确定的工作模式下的平均能耗估计值,也就是平均能耗基础值,并生成不同工作模式下的平均能耗估计值的MAP表。
具体地,这里不同工作模式下的平均能耗估计值Eck(k=1,2,3...,200)的计算流程为:读取不同工作模式下每个历史行驶数据的片段的电池电流和电压数据,计算得到电池功率后积分除以片段表示的行驶里程得到对应于所述片段的平均能耗估计子值,具体可以表示为:
进一步基于所述平均能耗估计子值获取所述车辆在不同工作模式下所有历史行驶数据的片段的平均能耗估计值Eck(k=1,2,3...,200)可以表示为:
这样基于上式,获取所述车辆在不同工作模式下平均能耗估计值的MAP表,这样当所述车辆在行驶时,读取当前时刻前第一预定时间内的平均车速信息、环境温度信息以及电池SOC信息,这里的所述第一预定时间可以根据情况设置,例如设置为180s,然后通过查询平均能耗估计值的MAP表以确定所述车辆所处的工作模式并读取在当前的所述工作模式下的所述平均能耗估计值Eck(k=1,2,3...,200)。
S203,对所述平均能耗估计值进行修正以获取所述平均能耗值。
在通过上述步骤S202基于历史行驶数据确定所述车辆在所述工作模式下的平均能耗估计值之后,在本步骤中,对所述平均能耗估计值进行修正以获取所述平均能耗值。具体地,上述获取的所述平均能耗估计值是基于所述车辆的历史行驶数据确定,并未考虑所述车辆在未来行驶情况的预测。为此,在本步骤需要对所述平均能耗估计值进行预测。
具体地,所述对所述平均能耗估计值进行修正以获取所述平均能耗值,如图3所示,进一步包括:
S301,对所述车辆在未来预定时间内的车速值进行预测。
S302,基于预测结果对所述平均能耗估计值进行修正。
具体地,考虑到基于上层通过关于所述车辆行驶的历史数据以离线方式计算确定平均能耗估计值,这里主要基于下层通过BP神经网络对所述车辆实现短期车速预测,从而对上层算法得到的平均能耗估计值进行修正。
这里的在下层基于车速预测实现在线能耗修正的流程为:首先基于环境温度、电池SOC很少在极短的时间间隔内发生变化的情况,假设未来第二预定时间内的环境温度及电池SOC发生变化的可能性较低。因此,只需要对未来预定时间内的车速值进行预测。这里的所述第二预定时间例如可以设置为20s。
具体地,采用BP神经网络方法对所述车辆在未来20s内的行驶工况进行车速值的预测,计算在未来20s内的平均车速vavg_pre。
这里采用的BP神经网络进行车速预测的方法的基本过程为:首先进行BP神经网络的建立和训练,选取平均车速vmean、加速度标准差σa、减速度标准差σd、加速度平均值amean、怠速时间比例ridle、邻近5s内的车速值作为作为输入神经元,提取云端服务器的数据库中的历史行驶数据中的车速信息作为神经网络训练样本,选取未来20s的车速作为输出神经元,建立BP神经网络。
在当BP神经网络训练完毕后,输出未来第二预定时间内也就是未来20s内的平均车速vavg_pre。从而根据预测的平均车速、环境温度、电池SOC通过查表方式获取所述电池的平均能耗预测值Ec_pre。
进一步地,通过所述平均能耗预测值对所述平均能耗估计值进行修正最终获取所述平均能耗值。这里用于剩余里程估计的所述平均能耗值可以表示为:
Ec=δEck+(1-δ)Ec_pre
式中,δ是常数,取0.7;
S103,基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
通过上述步骤S101确定车辆中电池的剩余电量以及通过上述步骤102基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值之后,在本步骤中基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。这里将所述剩余电量和所述平均能耗值输入至基于工作模式的剩余里程估计离线模型,这里的所述剩余里程估计离线模型可以基于云端服务器的数据库中的历史行驶数据建立和训练,其中,在所述剩余里程估计离线模型中所述车辆的剩余里程可以通过下式计算:
式中,RDR是所述车辆的剩余里程,RE是车辆中电池的剩余电量,Ec是车辆在当前工作模式下对应的平均能耗值,也就是这里的所述剩余里程RDR是所述车辆的剩余电量以及与当前工作模式对应的所述平均能耗值的函数,这里对于准确估计所述车辆的剩余里程需要保证所述车辆的剩余电量以及平均能耗值的精确度满足要求。
本公开实施例通过历史行驶数据建立剩余里程估计离线模型,通过查询平均能耗估计值同时进行短期的车速预测,实现对平均能耗值进行在线修正,最终结合电池的剩余电量得到剩余里程估计值。本公开实施例结合历史行驶数据、车速、温度以及电池SOC等多种因素进行能耗预测,能够更加快速、准确地预测车辆的能耗情况,响应速度更快,对于车辆的剩余里程的计算准确性显著提高。
基于与上述第一实施例相同的发明构思,本公开的第二实施例提供一种车辆的剩余里程的确定装置,包括相互耦合的剩余电量确定模块、平均能耗值确定模块以及剩余里程确定模块,其中:
所述剩余电量确定模块,用于确定车辆中电池的剩余电量;
所述平均能耗值确定模块,用于基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;
所述剩余里程确定模块,用于基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
进一步地,所述剩余电量确定模块包括:
额定容量确定单元,用于基于历史行驶数据确定车辆中电池的额定容量;
额定总能量确定单元,用于基于所述额定容量确定所述电池的额定总能量;
剩余电量确定单元,用于基于所述额定总能量和荷电状态确定所述剩余电量。
进一步地,所述额定容量确定单元包括:
获取子单元,用于基于环境温度对所述历史行驶数据进行分组,获取不同温度区间内的额定容量;
确定子单元,用于基于所述车辆当前所处的环境温度确定所述电池的额定容量。
进一步地,所述平均能耗值确定模块包括:
当前工作模式确定单元,用于基于历史行驶数据确定所述车辆的当前工作模式;
估计单元,用于基于历史行驶数据确定所述车辆在所述工作模式下的平均能耗估计值;
修正单元,用于对所述平均能耗估计值进行修正以获取所述平均能耗值。
进一步地,所述当前工作模式确定单元包括:
分组子单元,用于基于环境温度、平均车速以及荷电状态对所述历史行驶数据进行分组以确定多个工作模式;
工作模式确定子单元,用于基于所述车辆当前所处的环境温度、平均车速以及荷电状态确定所述当前工作模式。
进一步地,所述修正单元包括:
预测子单元,用于对所述车辆在未来预定时间内的车速值进行预测;
修正子单元,用于基于预测结果对所述平均能耗估计值进行修正。
进一步地,对所述车辆在未来预定时间内的车速值进行预测基于BP神经网络实现,所述BP神经网络基于历史行驶数据训练。
本公开实施例通过历史行驶数据建立剩余里程估计离线模型,通过查询平均能耗估计值同时进行短期的车速预测,实现对平均能耗值进行在线修正,最终结合电池的剩余电量得到剩余里程估计值。本公开实施例结合历史行驶数据、车速、温度以及电池SOC等多种因素进行能耗预测,能够更加快速、准确地预测车辆的能耗情况,响应速度更快,对于车辆的剩余里程的计算准确性显著提高。
本公开的第三实施例提供了一种存储介质,该存储介质为计算机可读介质,存储有计算机程序,该计算机程序被处理器执行时实现本公开第一实施例提供的方法,包括如下步骤S11至S13:
S11,确定车辆中电池的剩余电量;
S12,基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;
S13,基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
进一步地,该计算机程序被处理器执行时实现本公开第一实施例提供的其他方法
本公开实施例通过历史行驶数据建立剩余里程估计离线模型,通过查询平均能耗估计值同时进行短期的车速预测,实现对平均能耗值进行在线修正,最终结合电池的剩余电量得到剩余里程估计值。本公开实施例结合历史行驶数据、车速、温度以及电池SOC等多种因素进行能耗预测,能够更加快速、准确地预测车辆的能耗情况,响应速度更快,对于车辆的剩余里程的计算准确性显著提高。
本公开的第四实施例提供了一种电子设备,该电子设备至少包括存储器和处理器,存储器上存储有计算机程序,处理器在执行存储器上的计算机程序时实现本公开任意实施例提供的方法。示例性的,电子设备计算机程序步骤如下S21至S23:
S21,确定车辆中电池的剩余电量;
S22,基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;
S23,基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
进一步地,处理器还执行上述第三实施例中的计算机程序
本公开实施例通过历史行驶数据建立剩余里程估计离线模型,通过查询平均能耗估计值同时进行短期的车速预测,实现对平均能耗值进行在线修正,最终结合电池的剩余电量得到剩余里程估计值。本公开实施例结合历史行驶数据、车速、温度以及电池SOC等多种因素进行能耗预测,能够更加快速、准确地预测车辆的能耗情况,响应速度更快,对于车辆的剩余里程的计算准确性显著提高。
上述存储介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取至少两个网际协议地址;向节点评价设备发送包括至少两个网际协议地址的节点评价请求,其中,节点评价设备从至少两个网际协议地址中,选取网际协议地址并返回;接收节点评价设备返回的网际协议地址;其中,所获取的网际协议地址指示内容分发网络中的边缘节点。
或者,上述存储介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:接收包括至少两个网际协议地址的节点评价请求;从至少两个网际协议地址中,选取网际协议地址;返回选取出的网际协议地址;其中,接收到的网际协议地址指示内容分发网络中的边缘节点。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在乘客计算机上执行、部分地在乘客计算机上执行、作为一个独立的软件包执行、部分在乘客计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到乘客计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
需要说明的是,本公开上述的存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何存储介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外,虽然采用特定次序描绘了各操作,但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下,多任务和并行处理可能是有利的。同样地,虽然在上面论述中包含了若干具体实现细节,但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地,在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题,但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反,上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
以上对本公开多个实施例进行了详细说明,但本公开不限于这些具体的实施例,本领域技术人员在本公开构思的基础上,能够做出多种变型和修改实施例,这些变型和修改都应落入本公开所要求保护的范围。
Claims (10)
1.一种车辆的剩余里程的确定方法,其特征在于,包括:
确定车辆中电池的剩余电量;
基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;
基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
2.根据权利要求1所述的确定方法,其特征在于,所述确定车辆中电池的剩余电量,包括:
基于历史行驶数据确定车辆中电池的额定容量;
基于所述额定容量确定所述电池的额定总能量;
基于所述额定总能量和荷电状态确定所述剩余电量。
3.根据权利要求2所述的确定方法,其特征在于,所述基于历史行驶数据确定车辆中电池的额定容量,包括:
基于环境温度对所述历史行驶数据进行分组,获取不同温度区间内的额定容量;
基于所述车辆当前所处的环境温度确定所述电池的额定容量。
4.根据权利要求1所述的确定方法,其特征在于,所述基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值,包括:
基于历史行驶数据确定所述车辆的当前工作模式;
基于历史行驶数据确定所述车辆在所述工作模式下的平均能耗估计值;
对所述平均能耗估计值进行修正以获取所述平均能耗值。
5.根据权利要求4所述的确定方法,其特征在于,所述基于历史行驶数据确定所述车辆的当前工作模式中,包括:
基于环境温度、平均车速以及荷电状态对所述历史行驶数据进行分组以确定多个工作模式;
基于所述车辆当前所处的环境温度、平均车速以及荷电状态确定所述当前工作模式。
6.根据权利要求4所述的确定方法,其特征在于,所述对所述平均能耗估计值进行修正以获取所述平均能耗值,包括:
对所述车辆在未来预定时间内的车速值进行预测;
基于预测结果对所述平均能耗估计值进行修正。
7.根据权利要求6所述的确定方法,其特征在于,对所述车辆在未来预定时间内的车速值进行预测基于BP神经网络实现,所述BP神经网络基于历史行驶数据训练。
8.一种车辆的剩余里程的确定装置,其特征在于,包括:
剩余电量确定模块,用于确定车辆中电池的剩余电量;
平均能耗值确定模块,用于基于历史行驶数据确定所述车辆在预定工作模式下的平均能耗值;
剩余里程确定模块,用于基于所述剩余电量和所述平均能耗值确定所述车辆的剩余里程。
9.一种存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述方法的步骤。
10.一种电子设备,至少包括存储器、处理器,所述存储器上存储有计算机程序,其特征在于,所述处理器在执行所述存储器上的计算机程序时实现权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737193.8A CN116788052A (zh) | 2023-06-20 | 2023-06-20 | 车辆的剩余里程的确定方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310737193.8A CN116788052A (zh) | 2023-06-20 | 2023-06-20 | 车辆的剩余里程的确定方法、装置、存储介质及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116788052A true CN116788052A (zh) | 2023-09-22 |
Family
ID=88041425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310737193.8A Pending CN116788052A (zh) | 2023-06-20 | 2023-06-20 | 车辆的剩余里程的确定方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116788052A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
US20160061610A1 (en) * | 2014-08-29 | 2016-03-03 | Ford Global Technologies, Llc | Route-based distance to empty calculation for a vehicle |
US20180118033A1 (en) * | 2016-10-27 | 2018-05-03 | Hefei University Of Technology | Method and device for on-line prediction of remaining driving mileage of electric vehicle |
CN112406629A (zh) * | 2020-11-25 | 2021-02-26 | 中国第一汽车股份有限公司 | 剩余里程的确定方法、装置、设备及车辆 |
CN113733918A (zh) * | 2021-08-20 | 2021-12-03 | 合众新能源汽车有限公司 | 电动汽车剩余里程计算方法及装置 |
CN114677778A (zh) * | 2020-12-24 | 2022-06-28 | 九号智能(常州)科技有限公司 | 车辆剩余里程的估算方法、装置、电子设备及存储介质 |
CN115610226A (zh) * | 2022-10-31 | 2023-01-17 | 长城汽车股份有限公司 | 续航里程预测方法、装置、电动车与计算机可读存储介质 |
-
2023
- 2023-06-20 CN CN202310737193.8A patent/CN116788052A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103273921A (zh) * | 2013-06-14 | 2013-09-04 | 清华大学 | 电动汽车续驶里程估计方法 |
US20160061610A1 (en) * | 2014-08-29 | 2016-03-03 | Ford Global Technologies, Llc | Route-based distance to empty calculation for a vehicle |
US20180118033A1 (en) * | 2016-10-27 | 2018-05-03 | Hefei University Of Technology | Method and device for on-line prediction of remaining driving mileage of electric vehicle |
CN112406629A (zh) * | 2020-11-25 | 2021-02-26 | 中国第一汽车股份有限公司 | 剩余里程的确定方法、装置、设备及车辆 |
CN114677778A (zh) * | 2020-12-24 | 2022-06-28 | 九号智能(常州)科技有限公司 | 车辆剩余里程的估算方法、装置、电子设备及存储介质 |
CN113733918A (zh) * | 2021-08-20 | 2021-12-03 | 合众新能源汽车有限公司 | 电动汽车剩余里程计算方法及装置 |
CN115610226A (zh) * | 2022-10-31 | 2023-01-17 | 长城汽车股份有限公司 | 续航里程预测方法、装置、电动车与计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133619B (zh) | 停车场停车预测的方法、装置、存储介质及终端设备 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN110723029B (zh) | 一种充电策略的确定方法及装置 | |
US11614490B2 (en) | Method of estimating a charge state for a battery cell | |
CN106871918B (zh) | 电动车路线规划方法及装置 | |
EP4273768A1 (en) | Recommendation method and system for battery swapping station, electronic device and storage medium | |
CN108985966B (zh) | 电量消耗计算方法、装置、车辆及计算机可读存储介质 | |
CN114692927A (zh) | 换电站推荐方法、***、电子设备和存储介质 | |
CN110077274B (zh) | 一种物流电动车可行驶距离的估算方法、装置及设备 | |
WO2024060539A1 (zh) | 动力电池的年度碳排放量估算方法及装置 | |
CN111191824A (zh) | 一种动力电池容量衰减预测方法及*** | |
CN113733918A (zh) | 电动汽车剩余里程计算方法及装置 | |
CN111002975B (zh) | 车辆能量管理方法、***、电子设备和存储介质 | |
CN115817183A (zh) | 一种纯电动汽车续驶里程预测方法及预测装置 | |
CN116826933A (zh) | 一种基于知识图谱混合储能电池供电反步控制方法及*** | |
JP2021124419A (ja) | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム | |
CN115407217B (zh) | 一种电动汽车锂电池荷电状态在线估计方法及*** | |
CN117032309A (zh) | 一种电力线路巡检方法及装置 | |
CN116788052A (zh) | 车辆的剩余里程的确定方法、装置、存储介质及电子设备 | |
CN111160594B (zh) | 一种到达时间的预估方法、装置及存储介质 | |
CN114839554A (zh) | 一种电池告警方法、装置、电子设备及存储介质 | |
CN112782584B (zh) | 电池电量的剩余使用额度的预测方法、***、介质及设备 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
CN115688957A (zh) | 一种车辆能耗确定方法、装置、电子设备及存储介质 | |
CN113128929A (zh) | 车辆载重状态的识别方法、装置、计算机设备和介质 |
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 |