CN117818362A - 车辆剩余续航里程的预测方法、装置、设备及存储介质 - Google Patents
车辆剩余续航里程的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117818362A CN117818362A CN202211203349.6A CN202211203349A CN117818362A CN 117818362 A CN117818362 A CN 117818362A CN 202211203349 A CN202211203349 A CN 202211203349A CN 117818362 A CN117818362 A CN 117818362A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- energy consumption
- average energy
- driving
- state data
- 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 72
- 238000005265 energy consumption Methods 0.000 claims abstract description 218
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 13
- 238000005094 computer simulation Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 11
- 238000004378 air conditioning Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005057 refrigeration Methods 0.000 description 2
- 238000010257 thawing Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- 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
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
- B60W40/09—Driving style or behaviour
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车辆剩余续航里程的预测方法、装置、设备及存储介质,获取车辆的电池可用剩余容量,根据车辆的当前用户的驾驶风格确定车辆的历史平均能耗和实时预测平均能耗,根据历史平均能耗和实时预测平均能耗确定车辆的第一平均能耗,然后将电池可用剩余能量与第一平均能耗的比值作为车辆的剩余续航里程的预测值。根据申请本实施例,在对车辆的剩余续航里程进行预测时,综合考虑了车辆在历史工况和未来工况下的能耗情况,提高了预测结果的准确度,同时引入驾驶风格作为依据,减少驾驶风格不同对剩余续航里程的影响,进一步提高了预测结果的准确度。
Description
技术领域
本申请属于新能源汽车领域,尤其涉及一种车辆剩余续航里程的预测方法、装置、设备及存储介质。
背景技术
随着新能源技术的发展,新能源汽车得到了越来越广泛的应用,新能源汽车通常指设有电力驱动***的汽车,比如电动汽车、混合动力汽车等。新能源汽车可以通过电力驱动***,利用电池提供的能量通过电机驱动车辆行驶。由于电池可以储存的能量是有限的,且随着车辆的运行,电池中的剩余的能量会发生变化,使得车辆的剩余续航里程也会发生变化。此处的车辆的剩余续航里程表示车辆在仅以电池作为动力源的情况下,在电池能源耗尽之前还能够行驶的里程数,车辆的剩余续航里程可以提醒车主在驾驶车辆前或者在驾驶车辆过程中提前备好能源,避免半途能源耗尽,影响出行计划。
目前,传统的确定车辆的剩余续航里程的方式主要是根据车辆的历史数据以及当前剩余能量进行估算。但是此种方式只考虑了车辆的历史数据,导致最终的估算结果不够准确。
发明内容
本申请实施例提供一种车辆剩余续航里程的预测方法、装置、设备及存储介质,在对车辆的剩余续航里程进行预测时,综合考虑了车辆在历史工况和未来工况下的能耗情况,提高了预测结果的准确度。
第一方面,本申请实施例提供一种车辆剩余续航里程的预测方法,包括:
获取车辆的电池可用剩余能量;
根据该车辆的当前用户的驾驶风格确定该车辆的历史平均能耗和实时预测平均能耗;
根据历史平均能耗和实时预测平均能耗,确定该车辆的第一平均能耗;
将电池可用剩余能量与第一平均能耗的比值,作为该车辆的剩余续航里程的预测值。
作为一种可能的实现方式,根据该车辆的当前用户的驾驶风格确定该车辆的历史平均能耗,包括:
确定当前用户的当前驾驶风格;
从预先存储的该车辆的驾驶状态数据中,确定与当前驾驶风格匹配的备选驾驶状态数据;
获取该车辆的当前特征参数值,其中,特征参数为表示车辆所处的状态的参数;
从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据;
根据目标驾驶状态数据确定车辆的历史平均能耗。
作为一种可能的实现方式,从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据之前,方法还包括:
确定备选驾驶状态数据中与当前特征参数值匹配的目标驾驶状态数据;
确定目标驾驶状态数据是否能够代表该车辆的能耗表现情况;
根据当前特征参数值从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据,包括:
在确定目标驾驶状态数据能够代表该车辆的能耗表现情况的情况下,从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据。
作为一种可能的实现方式,上述方法还包括:
在确定目标驾驶状态数据不能够代表该车辆的能耗表现情况的情况下,获取该车辆在标准工况仿真下的第二平均能耗;
将第二平均能耗作为该车辆的历史平均能耗。
作为一种可能的实现方式,根据该车辆的当前用户的驾驶风格确定该车辆的实时预测平均能耗,包括:
根据该车辆的地图导航信息和/或路径规划信息,预测该车辆的未来行驶路段,以及未来行驶路段的路况信息,其中,路况信息包括至少一个路况参数值,路况参数为表示路况状态的参数;
根据路况信息,利用预先训练好的驾驶风格预测模型预测当前用户在未来行驶路段中的预测驾驶风格,其中,驾驶风格预测模型是利用多组训练数据训练得到的,每组训练数据均包括当前用户驾驶该车辆时的路况参数值和对应的驾驶风格;
根据预测驾驶风格确定该车辆在未行驶路段中的工况数据;
根据未来行驶路径和工况数据控制预先构建的该车辆的动力学仿真模型进行仿真运行,得到第三平均能耗;
将第三平均能耗作为该车辆的实时预测平均能耗。
作为一种可能的实现方式,利用预先训练好的驾驶风格预测模型预测当前用户在未来行驶路段中的预测驾驶风格,包括:
根据路况信息中包含的路况参数值将未来行驶路段划分为至少一个子路段,其中同一子路段对应的路况参数值一致,不同子路段对应的路况参数值不一致;
针对每个子路段,将子路段对应的路况参数值输入驾驶风格预测模型,将驾驶风格预测模型输出的驾驶风格作为子路段对应的驾驶风格;
将所有子路段对应的驾驶风格作为当前用户在未来行驶路段中的预测驾驶风格。
作为一种可能的实现方式,根据历史平均能耗和实时预测平均能耗,确定该车辆的第一平均能耗,包括:
确定历史平均能耗对应的第一权值和实时预测平均能耗对应的第二权值,第一权值与第二权值的和值为1;
计算第一权值与历史平均能耗的第一乘积和第二权值与实时预测平均能耗的第二乘积;
将第一乘积与第二乘积的和值作为该车辆的第一平均能耗。
第二方面,本申请实施例提供一种车辆剩余续航里程的预测装置,包括:
获取单元,用于获取该车辆的电池可用剩余能量;
历史平均能耗确定单元,用于根据该车辆的当前用户的驾驶风格确定该车辆的历史平均能耗;
未来平均能耗确定单元,用于根据该车辆的当前用户的驾驶风格确定该车辆的实时预测平均能耗;
综合平均能耗确定单元,用于据历史平均能耗和实时预测平均能耗,确定该车辆的第一平均能耗;
预测值确定单元,用于将电池可用剩余能量与第一平均能耗的比值,作为该车辆的剩余续航里程的预测值。
第三方面,本申请实施例提供一种车辆剩余续航里程的预测设备,设备包括:处理器以及存储有计算机程序指令的存储器;
处理器执行计算机程序指令时实现第一方面的车辆剩余续航里程的预测方法。
第四方面,本申请实施例提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序指令,计算机程序指令被处理器执行时实现第一方面的车辆剩余续航里程的预测方法。
本申请实施例提供的车辆剩余续航里程的预测方法、装置、设备及存储介质,获取车辆的电池可用剩余容量,根据车辆的当前用户的驾驶风格确定车辆的历史平均能耗和实时预测平均能耗,根据历史平均能耗和实时预测平均能耗确定车辆的第一平均能耗,然后将电池可用剩余能量与第一平均能耗的比值作为车辆的剩余续航里程的预测值。根据申请本实施例,在对车辆的剩余续航里程进行预测时,综合考虑了车辆在历史工况和未来工况下的能耗情况,提高了预测结果的准确度,同时引入驾驶风格作为依据,减少驾驶风格不同对剩余续航里程的影响,进一步提高了预测结果的准确度。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种车辆剩余续航里程的测试方法的应用场景示意图;
图2是本申请实施例提供的一种云平台数据处理的示意图;
图3是本申请实施例提供的一种车辆剩余续航里程的测试方法的流程示意图;
图4是本申请实施例提供的一种确定车辆的历史平均能耗的方法的流程示意图;
图5是本申请实施例提供的一种确定车辆的实时预测平均能耗的方法的流程示意图;
图6是本申请实施例提供的车辆剩余续航里程的测试装置的结构示意图;
图7本申请实施例提供的车辆剩余续航里程的测试设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
首先需要说明的是,本申请下述实施例中涉及的所有车辆剩余续航里程均指车辆的电池对应的剩余续航里程,也即为车辆在仅由电池提供动力的情况下,能够继续运行的里程。
现有技术中,针对设有电力驱动***的车辆,在对车辆的剩余续航里程进行预测时,通常是采集车辆的大量历史数据,然后利用大量的历史数据训练续航里程预测模型,利用训练好的预测模型对车辆的剩余续航里程进行预测。但是通过人工智能算法构建的预测模型的准确度对剩余续航里程的预测精度有很大的影响,若模型准确度低,将会导致预测结果不准确。而且此种方式完全基于车辆的历史数据,而由于车辆未来工况发生的不确定,导致采用此种方式预测车辆的剩余续航里程时,使用的能耗可能与未来工况的实际能耗存在较大差异,进而导致预测结果不够准确。
鉴于此,本申请实施例提供了一种新型的车辆剩余续航里程的预测方法,根据车辆的历史平均能耗与预测实时平均能耗对车辆的剩余续航里程进行预测,其中,历史平均能耗指车辆在历史工况下的平均能耗,预测实时平均能耗指通过实时预测得到的车辆在未来工况下的平均能耗。通过此种方式,在对车辆的剩余续航里程进行预测时,综合考虑车辆在历史工况和未来工况下的平均能耗,相比于只采用历史工况下的平均能耗进行剩余续航里程的预测,结合未来工况下的平均能耗预测出的剩余续航里程更符合车辆的实际情况,从而提高了预测结果的准确度。
本申请实施例提供的车辆剩余续航里程的预测方法可以用于对任何设有电力驱动***的车辆的剩余续航里程进行预测,包括但不限于纯电动汽车、混合动力汽车等。
本申请实施例提供的车辆剩余续航里程的预测方法可以由云平台执行,也可以由车辆控制器执行。
其中,云平台也称为云计算平台,是指基于硬件资源和软件资源的服务,提供计算、网络和存储能力,其由搭载了云平台服务器端软件的云服务器、搭载了云平台客户端软件的云电脑以及网络组件构成。
车辆控制器可以是整车电脑、整车控制器、域控制器等。
下面以由云平台执行为例进行描述。
参见图1,为本申请实施例提供的一种车辆剩余续航里程的预测方法的应用场景的示意图,如图1所示,该应用场景包括:车辆110和云平台120,其中车辆110和云平台120之间通过车联网进行通信。
其中,云平台120可以为存储型云平台、计算型云平台以及综合云计算平台等。
车联网是以车内网、车际网和车载移动互联网为基础,按照约定的通信协议和数据交互标准,在车-车、车-路、车-人以及车-互联网等之间,进行无线通讯和信息交互的大***网络,是能够实现智能化交通管理、智能动态信息服务和车辆智能化控制的一体化网络。可以为无线广域网(Wireless Wide Area Network,WWAN)、无线局域网(WirelessLocal Area Network,WLAN)、无线城域网(Wireless Metropolitan AreaNetwork,WMAN)以及无线个人局域网(Wireless Personal Area Network,WPAN)等,此处不做限定。
在车辆110运行过程中,车辆110中的车辆控制器实时采集车辆110的用户信息、驾驶风格信息、驾驶状态数据和电池状态数据,并实时将采集的数据上报至云平台120,云平台120可以对车辆控制器上报的数据进行实时存储。其中,用户信息为驾驶车辆的用户的信息,比如用户人脸信息、身份信息等,驾驶风格为用来确定用户的驾驶风格的信息,驾驶状态数据可以包括实时能耗数据、动力***温度、空调状态、车速、里程、电机扭矩与转速、胎压、座舱内外温度、各部件能耗状态、各部件故障状态等,电池状态数据可以包括电池可用剩余电量(State Of Charge,简称SOC)、电池健康度(State Of Health,简称SOH)等。
其中,用户信息可以通过车辆110中设置的用户信息采集装置(例如人脸图像采集装置、身份信息采集装置等)来采集。
云平台120可以根据车辆控制器上传的驾驶风格信息实时确定出用户的驾驶风格。目前,已有成熟的对用户的驾驶风格进行识别的方案,云平台120可以直接采用现有成熟方案对用户的驾驶风格进行识别。例如,云平台120可以根据车辆的饿加速踏板开度、加速踏板开度变化率、车速、行驶路段的坡度等驾驶风格信息来确定用户的驾驶风格。
通常用户的驾驶风格可以划分为保守型、温和型、标准型、积极型、激进型等。不同用户的驾驶风格可能不同,同一用户在不同路况下的驾驶风格也可能不同。
云平台120在对车辆控制器上报的数据进行存储时,采用分类存储。云平台可以先根据用户信息对数据进行一级分类,将属于同一用户的数据划分至一组,将属于不同用户的数据划分至不同的组,然后,再针对每一个一级分类得到的分组分别进行二级分类。
关于二级分类,云平台120在获取到车辆控制器上报的数据时,可以同时获取对应的特征参数指,其中特征参数为用于表示车辆所处的状态的参数。基于此,在对数据进行二级分类存储时,可以根据驾驶风格和特征参数进行分类,然后将不同类别的数据存储至不同的位置。
其中,特征参数可以包括以下参数中的一种或多种:路况、天气、时间段、环境温度、空调状态、季节等,其中路况对应的参数值可以分为城市、郊区、高速等,天气对应的参数值可以分为晴天、阴天、雨天等,时间段对应的参数值可以分为白天、晚上等,环境温度对应的参数值可以分为高温、常温、低温等,空调状态对应的参数值可以分为制冷、制热、除霜除雾、关闭等,季节对应的参数值可以分为春、夏、秋、冬等。对设定的M个特征参数和驾驶风格进行排列组合,形成N中类别,根据N中类别对数据进行分类可以得到N个数据分组。
在通过两级分类后的数据分组进行存储时,可以将属于同一用户的所有数据分组存储至同一个存储位置,然后针对同一个用户的不同数据分组,可以分别存储到该存储位置的不同存储块中。如此,实现了对数据的两级分类存储。
参见图2,为云平台120数据处理的示意图,其中包括实时数据采集和数据分类存储,在数据分类存储中列举了用户A的N个数据分组中的3个例子,分别为分类1、分类2和分类3。
在对车辆110的剩余续航里程进行预测时,车辆控制器采集车辆110的电池可用剩余容量并上传至云平台120,云平台120根据存储的车辆110对应的数据计算车辆110的历史平均能耗,并预测车辆110的实时预测平均能耗。然后云平台120根据电池可用剩余容量、历史平均能耗和实时预测平均能耗计算车辆110的剩余续航里程,之后可以将计算出的车辆110的剩余续航里程发送至车辆控制器,车辆控制器可以将剩余续航里程发送给车辆仪表,以使仪表显示车辆的剩余续航里程。
当然,车辆剩余续航里程的预测方法也可以由车辆控制器来执行,在采用车辆控制器执行时,将上面由云平台执行的步骤直接放到车辆控制器中执行即可,具体内容不再赘述。
但是,考虑到在对车辆的剩余续航里程进行预测时,需要使用大量的数据,且涉及到多种计算,需要较大的存储空间和运行内存,若是由车辆控制器来执行,则可能会导致大量内存被占用,影响车辆性能,而采用云平台来执行则恰好可以解决车辆内存被大量占用的问题。所以,优选的采用云平台执行。
参见图3,为本申请一示例性实施例提供的一种车辆剩余续航里程的预测方法的流程图,如图3所示,本实施例提供的车辆剩余续航里程的预测方法可以包括如下步骤:
S31.获取车辆的电池可用剩余能量。
获取车辆的电池可用剩余容量,即为获取电池的SOC值。
S32.根据车辆的当前用户的驾驶风格确定车辆的历史平均能耗和实时预测平均能耗。
其中,历史平均能耗指车辆在历史工况下的平均能耗,实时预测平均能耗指车辆在预测出的未来工况下的平均能耗。
S33.根据历史平均能耗和实时预测平均能耗,确定车辆的第一平均能耗。
S34.将电池可用剩余能量与第一平均能耗的比值,作为该车辆的剩余续航里程的预测值。
本实施例提供的车辆剩余续航里程的预测方法,获取车辆的电池可用剩余容量,根据车辆的当前用户的驾驶风格确定车辆的历史平均能耗和实时预测平均能耗,根据历史平均能耗和实时预测平均能耗确定车辆的第一平均能耗,然后将电池可用剩余能量与第一平均能耗的比值作为车辆的剩余续航里程的预测值。根据申请本实施例,在对车辆的剩余续航里程进行预测时,综合考虑了车辆在历史工况和未来工况下的能耗情况,提高了预测结果的准确度,同时引入驾驶风格作为依据,减少驾驶风格不同对剩余续航里程的影响,进一步提高了预测结果的准确度。
下面结合图1所示的应用场景,以云平台为执行主体,分别介绍上述各步骤的实现方式。
在一些实施例中,在S31中,车辆控制器在确定需要对车辆进行剩余续航里程预测时,可以从车辆的电池管理***BMS中获取车辆的电池可用剩余容量,然后将该电池可用剩余容量实时上报至云平台,如此云平台即可获取到车辆的电池可用剩余容量。
因为BMS提供电池可用剩余容量前已对电池衰退性能进行了综合考虑,所以从BMS中获取的车辆的电池可用剩余容量准确度较高。
在一个示例中,车辆中可以设置用于触发测量剩余续航里程的控件,用户在需要对车辆的剩余续航里程进行测量时,可以触发该控件,车辆控制器可以对控件的触发状态进行检测,在检测到控件被触发后,便确定需要对车辆进行剩余续航里程进行预测。同时,为了使得云平台可以启动对剩余续航里程的测量流程,在检测到控件被触发时,或者,在将电池可用剩余容量上报至云平台时,车辆控制器向云平台发送用于指示其进行剩余续航里程预测的第一指令。
在另一个示例中,云平台可以定期向车辆控制器发送用于指示进行剩余续航里程预测的第二指令。基于此,车辆控制器在接收到第二指令后,便可以确定需要对车辆进行剩余续航里程预测。
在一些实施例中,在S32中,如图4所示,在根据车辆的当前用户的驾驶风格确定车辆的历史平均能耗时,可以采用如下步骤:
S41.确定当前用户的当前驾驶风格。
在车辆运行过程中,车辆控制器可以实时将驾驶风格信息上传至云平台,云平台在获取到驾驶风格信息之后,便可以根据驾驶风格信息确定出用户的当前驾驶风格。
S42.从预先存储的该车辆的驾驶状态数据中,确定与当前驾驶风格匹配的备选驾驶状态数据。
在一个示例中,可以将预先存储的,该车辆的所有驾驶状态数据中,与当前驾驶风格匹配的驾驶状态数据均确定为备选驾驶状态数据。也即在确定备选驾驶状态数据时不进行用户的区分,采用此种方式可以确定出数据量更多的备选驾驶状态数据。
在另一个示例中,可以先确定出预先存储的该车辆的驾驶状态数据中,与当前用户对应的驾驶状态数据,然后仅将当前用户对应的驾驶状态数据中与当前驾驶风格匹配的驾驶状态数据确定为备选驾驶状态数据。也即在确定备选驾驶状态数据时进行用户的区分,采用此种方式,可以保证后续在基于备选驾驶状态数据计算历史平均能耗时,得到的历史平均能耗更符合当前用户的驾驶习惯。也即采用此种方式,可以更加适应不同的驾驶用户的驾驶习惯。
S43.获取该车辆的当前特征参数值,其中,特征参数为表示车辆所处的状态的参数。
其中,特征参数与云平台对车辆控制器上传的数据进行分类存储时采用的特征参数一致。可以包括下述参数中的一种或多种:路况、天气、时间段、车辆所处环境温度、车辆的空调状态或季节。在特征参数包括路况的情况下,可以根据车辆的地图导航数据或自动驾驶的路径规划信息确定路况对应的参数值,其中路况对应的参数值可以为城市、郊区或高速等。
在特征参数包括天气的情况下,可以获取天气软件中的实时天气确定天气对应的参数值,其中,天气对应的参数值可以为晴天、阴天或雨天等。
在特征参数包括时间段的情况下,云平台可以获取时钟数据,根据时钟数据确定时间段对应的参数值,其中,时间段对应的参数值可以为白天或晚上等。
在特征参数包括车辆所处的环境温度的情况下,云平台可以向车辆控制器发送用于指示其获取环境温度的第三指令,车辆控制器响应于第三指令,利用车辆中设置的温度采集装置采集车辆所处环境的环境温度值,并将采集到的环境温度值上传至云平台,如此,云平台便可以根据车辆控制器上传的环境温度值确定车辆所处的环境温度这一参数对应的参数值,其中,车辆所述的环境温度对应的参数值可以为高温、常温或低温等。
在特征参数包括车辆的空调状态的情况下,云平台可以向车辆控制器发送用于指示其获取空调运行状态的第四指令,车辆控制器响应于第四指令,获取车载空调的状态信息,并将获取的空调状态信息上传至云平台,如此,云平台便可以根据车辆控制器上传的空调状态信息,确定车辆的空调状态对应的参数值,其中,车辆的空调状态对应的参数值可以为制冷、制热、除霜除雾或关闭等。
在特征参数包括季节的情况下,云平台可以获取实时日期信息,然后根据获取的日期信息确定季节对应的参数值,其中,季节对应的参数值可以为春、夏、秋或冬等。
S44.从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据。
车辆在运行过程中,车辆控制器可以实时将车辆的驾驶状态数据上传至云平台,云平台则会对车辆控制器上传的驾驶状态数据按照特征参数和驾驶状态进行分类存储,针对每个用户分别得到N组数据。
在根据当前驾驶状态筛选出备选驾驶状态数据之后,便可以根据车辆的当前特征参数值从备选驾驶状态数据中进一步筛选出与该当前特征参数值对应的驾驶状态数据,也即与当前特征参数值匹配的目标驾驶状态数据。
云平台根据车辆对应的当前特征参数值,可以从备选驾驶状态数据中筛选出与车辆的当前状态最接近的目标驾驶状态数据。例如,当前车辆雨天行驶在高速公路上,车速80km/h以上,则云平台根据车辆的当前特征参数值可以从预先存储的该车辆的驾驶状态数据中调出满足雨天+高速公路+车速大于80km/h三个状态的历史驾驶状态数据进行历史平均能耗的计算。
S45.根据目标驾驶状态数据确定车辆的历史平均能耗。
云平台存储的驾驶状态数据包括车辆能耗数据、里程等,根据车辆能耗数据和对应的里程便可以计算出平均能耗,将根据目标驾驶状态数据计算出的平均能耗作为车辆的历史平均能耗。
通过该实现方式,云平台根据车辆对应的当前驾驶风格和当前特征参数值,可以从存储的历史驾驶状态数据中筛选出与车辆的当前状态最接近的目标驾驶状态数据,如此,根据目标驾驶状态确定出的历史平均能耗,更准确。解决了单一的历史驾驶数据无法体现出在不同环境、车况等情况下的不同能耗表现,所导致的车辆不同情况下(如在高温或低温、高速公路或城市公路上)对剩余续航里程估算的精度表现差异较大的问题。而且,通过引入驾驶风格作为依据,使得对剩余续航里程的预测结果,更加适应不同的驾驶用户的驾驶习惯,同时也适应同一用户切换不同驾驶风格的续航里程预测调整,并且能够优化驾驶风格频繁切换带来的预测波动问题。
在一些实施例中,在S44之前,还可以包括:判断是否满足预设的目标驾驶状态数据获取条件,在确定满足目标驾驶状态数据获取条件的情况下,再从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据。
在判断是否满足预设的目标驾驶状态数据获取条件时,可以先确定备选驾驶状态数据中,与当前特征参数值匹配的目标驾驶状态数据,然后确定目标驾驶状态数据是否能够代表该车辆的能耗表现情况,在确定目标驾驶状态数据能够代表该车辆的能耗表现情况的情况下,确定满足预设的目标驾驶状态数据获取条件,在确定目标驾驶状态数据不能够代表该车辆的能耗表现情况的情况下,确定不满足预设的目标驾驶状态数据获取条件。通过此种方式可以确定当前的目标驾驶状态数据的成熟度是否满足历史平均能耗的计算需求。
在一个示例中,在确定目标驾驶状态数据是否能够代表该车辆的能耗表现情况时,可以确定目标驾驶状态数据的数据量,然后将该数据量与预设的数据量阈值进行比较,若比较出该数据量大于或等于数据量阈值,则可以确定目标驾驶状态数据能够代表车辆的能耗表现情况;而在该数据量小于数据量阈值的情况下,则确定目标驾驶状态数据还不足以代表车辆的能耗表现情况。其中,数据量阈值可以根据实际情况设置。
在另一个示例中,在确定目标驾驶状态数据是否能够代表车辆的能耗表现情况时,可以根据确定出的目标驾驶状态数据确定对应的累计里程,将累计里程与预设的里程阈值进行比较,在比较出累计里程大于或等于里程阈值的情况下,确定目标驾驶状态数据能够代表车辆的能耗表现情况,在累计里程小于里程阈值的情况下,确定目标驾驶状态数据不能够代表车辆的能耗表现情况。其中,里程阈值可以根据实际情况设置。
通过上述实现方式,可以保证最终获取到的目标驾驶状态数据能够体现车辆的能耗表现情况,保证了根据目标驾驶状态数据计算出的历史平均能耗的准确性。
在一些实施例中,在确定不能从备选驾驶状态数据中获取与当前特征参数值匹配的目标驾驶状态数据的情况下,可以采用下述方式确定车辆的历史平均能耗:
获取车辆在标准工况仿真下的第二平均能耗,将第二平均能耗作为车辆的历史平均能耗。
其中,第二平均能耗可以是在新车运行初期,使用标准工况,例如NEDC(New-European-Driving-Cycle,新欧洲驾驶周期)、CLTC(China Light Vehicle Test Cycle,中国轻型汽车行驶工况)等仿真下的平均能耗。
通过此种方式,可以保证针对历史驾驶状态数据不足的车辆也可以进行剩余续航里程的预测。
在一些实施例中,在S32中,在根据车辆的当前用户的驾驶风格确定车辆的实时预测平均能耗时,如图5所示可以包括以下步骤:
S51.根据车辆的地图导航信息和/或路径规划信息,预测车辆的未来行驶路段,以及未来行驶路段的路况信息,其中,路况信息包括至少一个路况参数值,路况参数为表示路况状态的参数。
在预测车辆的实时预测平均能耗时,云平台可以向车辆控制器发送用于指示获取车辆的地图导航信息和路径规划信息的第五指令,车辆控制器响应于第五指令,将车辆的地图导航信息和路径规划信息上传至云平台。或者,车辆控制器可以实时自动将车辆的地图导航信息和/或路径规划信息上传至云平台。其中,路径规划信息为自动驾驶***基于地图导航信息生成的路径规划信息。
云平台根据获取到的车辆的地图导航信息和/或路径规划信息,确定车辆的当前位置和终点位置,将当前位置到终点位置之间的路径作为车辆的未来行驶路段,然后从车辆的地图导航信息和/或路径规划信息中获取该未来行驶路段对应的路况信息。其中,路况信息中可以包括城市、郊区和/或高速等路况参数值。
S52.根据路况信息,利用预先训练好的驾驶风格预测模型预测当前用户在未来行驶路段中的预测驾驶风格,其中,驾驶风格预测模型是利用多组训练数据训练得到的,每组训练数据均包括当前用户驾驶车辆时的路况参数值和对应的驾驶风格。
其中驾驶风格预测模型可以是以路况参数值为输入,以驾驶风格为输出的机器学习模型。
在执行S52时可以先对驾驶风格预测模型进行训练。在对驾驶风格预测模型进行训练时,先获取多组训练数据,然后利用多组训练数据对选取的机器学习模型进行训练,得到准确度满足实际需求的模型作为驾驶风格预测模型。其中,机器学习模型可以根据实际需求选取,对此不做具体限定。
在获取多组训练数据时,可以采用下述方式:
从预先存储的该车辆的驾驶状态数据中,获取与当前用户对应的多组数据,针对获取的每组数据,提取该组数据中包含的路况参数值和驾驶风格组成一组训练数据,如此便可以得到多组训练数据。
利用采用上述方式获取的训练数据进行模型训练,可以保证最终训练得到的驾驶风格预测模型可以准确预测出当前用户对应的驾驶风格。
以为未来行驶路段中可能会包含不同路况,而用户在不同路况下,采用的驾驶风格可能不同。所以在根据路况信息,利用预先训练好的驾驶风格预测模型预测当前用户在未来行驶路段中的预测驾驶风格时,可以根据路况信息中包含的路况参数值将未来行驶路段划分为至少一个子路段,其中同一子路段对应的路况参数值一致,不同子路段对应的路况参数值不一致;针对每个子路段,将子路段对应的路况参数值输入驾驶风格预测模型,将驾驶风格预测模型输出的驾驶风格作为子路段对应的驾驶风格;将所有子路段对应的驾驶风格作为当前用户在未来行驶路段中的预测驾驶风格。
例如,未来行驶路段对应的路况信息中包含城市、郊区和高速三个路况参数值,则上述三个路况参数值可以将未来行驶路段划分为三个子路段,其中第一子路段对应城市,第二子路段对应郊区,第三子路段对应高速,分别对三个子路段的驾驶风格进行预测,得出第一子路段对应的驾驶风格为温和型,第二子路段对应的驾驶风格为激进型,第三子路段对应的驾驶风格为标准型。
通过上述方式,可以分别预测出当前用户在不同路况下的驾驶风格,从而能够适应同一用户切换不同驾驶风格的续航里程预测的调整。
S53.根据预测驾驶风格确定车辆在未行驶路段中的工况数据。
其中,工况数据主要为车速与时间的关系、道路坡度与时间的关系,可以预先设置各驾驶风格对应的工况数据,基于此,在得出预测驾驶风格后便可以直接获取预测驾驶风格对应的工况数据,并将获取的工况数据作为车辆在未行驶路段中的工况数据。
S54.根据未来行驶路径和工况数据控制预先构建的车辆的动力学仿真模型进行仿真运行,得到第三平均能耗。
车辆的动力学仿真模型预先设置并存储在云平台中,云平台通过控制车辆的动力学仿真模型按照未来行驶路径和车辆在未来行驶路径中的工况数据在仿真环境中运行,可以得出车辆按照未来行驶路径和车辆在未来行驶路径中的工况数据进行运行所需的总能耗,然后根据未来行驶路径可以确定出对应的未来行驶里程,将仿真得到的总能耗除以未来行驶里程,便可以得到第三平均能耗。
S55.将第三平均能耗作为车辆的实时预测平均能耗。
通过此种实现方式,根据车辆的导航数据和/或路径规划,对车辆的未来行驶路径进行预测,然后根据未来行驶路径对当前用户在未来的驾驶风格进行预测,进而根据预测出的驾驶风格对车辆的未来工况数据进行预测。采用此种方式,使得预测得到的工况数据更接近车辆的未来的实际运行工况,准确性较高,而且可以通过仿真的方式确定实时预测平均能耗,操作简单,准确率高,且易于实现。
在一些实施例中,在S33中可以对历史平均能耗和实时预测平均能耗进行加权求和计算,将计算结果作为车辆的第一平均能耗。
在计算第一平均能耗时,可以先确定历史平均能耗对应的第一权值和实时预测平均能耗对应的第二权值,其中,第一权值与第二权值的和值为1,然后,分别计算第一权值与历史平均能耗的第一乘积和第二权值与实时预测平均能耗的第二乘积,最后将第一乘积与第二乘积的和值作为车辆的第一平均能耗。其对应的计算公式如下所示:
第一平均能耗=α*实时预测平均能耗+(1-α)*历史平均能耗,α∈[0,1]。
其中,第一权值和第二权值可以为动态变化的值,第一权值和第二权值用于调整实时预测平均能耗和历史平均能耗的权重。
在一些实施例中,α的取值大小取决于预测的未来工况里程,其中,预测的未来工况里程可以为未来行驶路段的总里程。在未来工况里程越接近于预测的剩余续航里程的情况下,说明实时预测平均能耗越准确,也即越接近实际情况,α的取值越接近于1,表明更多的使用实时预测平均能耗来计算剩余续航里程;相反,在未来工况里程越小于预测的剩余续航里程的情况下,α的取值越接近于0,当无法进行未来工况数据预测时,α等于0,此时完全基于历史平均能耗数据对车辆的剩余续航里程进行估计。
通过此种方式,在预测得到的车辆在未来工况下的平均能耗准确度高的情况下,采用更大比例的实时预测平均能耗进行剩余续航里程的预测,因为剩余续航里程的多少受车辆未来工况的影响更大,所以通过此种方式可以进一步提升剩余续航里程预测结果的准确性。
基于上述实施例提供的车辆剩余续航里程的预测方法,相应地,本申请实施例还提供了车辆剩余续航里程的预测装置的实现方式。
参见图6,为本申请实施例提供的一种车辆剩余续航里程的预测装置的结构示意图,如图6所示,本实施例提供的车辆剩余续航里程的预测装置可以包括以下单元:
获取单元601,用于获取该车辆的电池可用剩余能量。
历史平均能耗确定单元602,用于根据该车辆的当前用户的驾驶风格确定该车辆的历史平均能耗。
未来平均能耗确定单元603,用于根据该车辆的当前用户的驾驶风格确定该车辆的实时预测平均能耗。
综合平均能耗确定单元604,用于据历史平均能耗和实时预测平均能耗,确定该车辆的第一平均能耗。
预测值确定单元605,用于将电池可用剩余能量与第一平均能耗的比值,作为该车辆的剩余续航里程的预测值。
本实施例提供的车辆剩余续航里程的预测装置,获取车辆的电池可用剩余容量,根据车辆的当前用户的驾驶风格确定车辆的历史平均能耗和实时预测平均能耗,根据历史平均能耗和实时预测平均能耗确定车辆的第一平均能耗,然后将电池可用剩余能量与第一平均能耗的比值作为车辆的剩余续航里程的预测值。根据申请本实施例,在对车辆的剩余续航里程进行预测时,综合考虑了车辆在历史工况和未来工况下的能耗情况,提高了预测结果的准确度,同时引入驾驶风格作为依据,减少驾驶风格不同对剩余续航里程的影响,进一步提高了预测结果的准确度。
作为一种可能的实现方式,历史平均能耗确定单元602,包括:
驾驶风格确定子单元,用于确定当前用户的当前驾驶风格;
备选数据确定子单元,用于从预先存储的该车辆的驾驶状态数据中,确定与当前驾驶风格匹配的备选驾驶状态数据;
参数值获取子单元,用于获取该车辆的当前特征参数值,其中,特征参数为表示车辆所处的状态的参数;
目标数据获取子单元,用于从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据;
能耗计算子单元,用于根据目标驾驶状态数据确定车辆的历史平均能耗。
作为一种可能的实现方式,历史平均能耗确定单元602还包括:
判断子单元,用于从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据之前,确定备选驾驶状态数据中与当前特征参数值匹配的目标驾驶状态数据;确定目标驾驶状态数据是否能够代表该车辆的能耗表现情况。
目标数据获取子单元,用于:
在确定目标驾驶状态数据能够代表该车辆的能耗表现情况的情况下,从备选驾驶状态数据中,获取与当前特征参数值匹配的目标驾驶状态数据。
作为一种可能的实现方式,历史平均能耗确定单元602,还可以包括:
能耗获取子单元,用于在确定目标驾驶状态数据不能够代表该车辆的能耗表现情况的情况下,获取该车辆在标准工况仿真下的第二平均能耗,将第二平均能耗作为该车辆的历史平均能耗。
作为一种可能的实现方式,综合平均能耗确定单元604,包括:
路段预测子单元,用于根据该车辆的地图导航信息和/或路径规划信息,预测该车辆的未来行驶路段,以及未来行驶路段的路况信息,其中,路况信息包括至少一个路况参数值,路况参数为表示路况状态的参数;
驾驶风格预测子单元,用于根据路况信息,利用预先训练好的驾驶风格预测模型预测当前用户在未来行驶路段中的预测驾驶风格,其中,驾驶风格预测模型是利用多组训练数据训练得到的,每组训练数据均包括当前用户驾驶该车辆时的路况参数值和对应的驾驶风格;
工况数据预测子单元,用于根据预测驾驶风格确定该车辆在未行驶路段中的工况数据;
仿真子单元,用于根据未来行驶路径和工况数据控制预先构建的该车辆的动力学仿真模型进行仿真运行,得到第三平均能耗;
能耗确定子单元,用于将第三平均能耗作为该车辆的实时预测平均能耗。
作为一种可能的实现方式,驾驶风格预测子单元,用于:
根据路况信息中包含的路况参数值将未来行驶路段划分为至少一个子路段,其中同一子路段对应的路况参数值一致,不同子路段对应的路况参数值不一致;
针对每个子路段,将子路段对应的路况参数值输入驾驶风格预测模型,将驾驶风格预测模型输出的驾驶风格作为子路段对应的驾驶风格;
将所有子路段对应的驾驶风格作为当前用户在未来行驶路段中的预测驾驶风格。
作为一种可能的实现方式,综合平均能耗确定单元604,包括:
权值确定子单元,用于确定历史平均能耗对应的第一权值和实时预测平均能耗对应的第二权值,第一权值与第二权值的和值为1;
乘积计算子单元,用于计算第一权值与历史平均能耗的第一乘积和第二权值与实时预测平均能耗的第二乘积;
和值计算子单元,用于将第一乘积与第二乘积的和值作为该车辆的第一平均能耗。
图7示出了本申请实施例提供的车辆剩余续航里程的预测设备的硬件结构示意图。
车辆剩余续航里程的预测设备可以包括处理器701以及存储有计算机程序指令的存储器702。
具体地,上述处理器701可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器702可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器702可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器702可包括可移除或不可移除(或固定)的介质。在合适的情况下,存储器702可在综合网关容灾设备的内部或外部。在特定实施例中,存储器702是非易失性固态存储器。
存储器702可包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器702包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可执行本公开的第一方面的方法所描述的操作。
处理器701通过读取并执行存储器702中存储的计算机程序指令,以实现上述实施例中的任意一种车辆剩余续航里程的预测方法。
在一个示例中,车辆剩余续航里程的预测设备还可包括通信接口703和总线710。其中,如图7所示,处理器701、存储器702、通信接口703通过总线710连接并完成相互间的通信。
通信接口703,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线710包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、***组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线710可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的车辆剩余续航里程的预测方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种车辆剩余续航里程的预测方法。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或***。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,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,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的***、模块和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种车辆剩余续航里程的预测方法,其特征在于,包括:
获取所述车辆的电池可用剩余能量;
根据所述车辆的当前用户的驾驶风格确定所述车辆的历史平均能耗和实时预测平均能耗;
根据所述历史平均能耗和所述实时预测平均能耗,确定所述车辆的第一平均能耗;
将所述电池可用剩余能量与所述第一平均能耗的比值,作为所述车辆的剩余续航里程的预测值。
2.根据权利要求1所述的方法,其特征在于,所述根据所述车辆的当前用户的驾驶风格确定所述车辆的历史平均能耗,包括:
确定所述当前用户的当前驾驶风格;
从预先存储的所述车辆的驾驶状态数据中,确定与所述当前驾驶风格匹配的备选驾驶状态数据;
获取所述车辆的当前特征参数值,其中,特征参数为表示车辆所处的状态的参数;
从所述备选驾驶状态数据中,获取与所述当前特征参数值匹配的目标驾驶状态数据;
根据所述目标驾驶状态数据确定车辆的历史平均能耗。
3.根据权利要求2所述的方法,其特征在于,所述从所述备选驾驶状态数据中,获取与所述当前特征参数值匹配的目标驾驶状态数据之前,所述方法还包括:
确定所述备选驾驶状态数据中与所述当前特征参数值匹配的目标驾驶状态数据;
确定所述目标驾驶状态数据是否能够代表所述车辆的能耗表现情况;
所述根据所述当前特征参数值从所述备选驾驶状态数据中,获取与所述当前特征参数值匹配的目标驾驶状态数据,包括:
在确定所述目标驾驶状态数据能够代表所述车辆的能耗表现情况的情况下,从所述备选驾驶状态数据中,获取与所述当前特征参数值匹配的目标驾驶状态数据。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
在确定所述目标驾驶状态数据不能够代表所述车辆的能耗表现情况的情况下,获取所述车辆在标准工况仿真下的第二平均能耗;
将所述第二平均能耗作为所述车辆的历史平均能耗。
5.根据权利要求1所述的方法,其特征在于,所述根据所述车辆的当前用户的驾驶风格确定所述车辆的实时预测平均能耗,包括:
根据所述车辆的地图导航信息和/或路径规划信息,预测所述车辆的未来行驶路段,以及所述未来行驶路段的路况信息,其中,所述路况信息包括至少一个路况参数值,路况参数为表示路况状态的参数;
根据所述路况信息,利用预先训练好的驾驶风格预测模型预测所述当前用户在所述未来行驶路段中的预测驾驶风格,其中,所述驾驶风格预测模型是利用多组训练数据训练得到的,每组所述训练数据均包括所述当前用户驾驶所述车辆时的路况参数值和对应的驾驶风格;
根据所述预测驾驶风格确定所述车辆在所述未行驶路段中的工况数据;
根据所述未来行驶路径和所述工况数据控制预先构建的所述车辆的动力学仿真模型进行仿真运行,得到第三平均能耗;
将所述第三平均能耗作为所述车辆的实时预测平均能耗。
6.根据权利要求5所述的方法,其特征在于,所述根据所述路况信息,利用预先训练好的驾驶风格预测模型预测所述当前用户在所述未来行驶路段中的预测驾驶风格,包括:
根据所述路况信息中包含的路况参数值将所述未来行驶路段划分为至少一个子路段,其中同一子路段对应的路况参数值一致,不同子路段对应的路况参数值不一致;
针对每个所述子路段,将所述子路段对应的路况参数值输入所述驾驶风格预测模型,将所述驾驶风格预测模型输出的驾驶风格作为所述子路段对应的驾驶风格;
将所有所述子路段对应的驾驶风格作为所述当前用户在所述未来行驶路段中的预测驾驶风格。
7.根据权利要求1所述的方法,其特征在于,所述根据所述历史平均能耗和所述实时预测平均能耗,确定所述车辆的第一平均能耗,包括:
确定所述历史平均能耗对应的第一权值和所述实时预测平均能耗对应的第二权值,所述第一权值与所述第二权值的和值为1;
计算所述第一权值与所述历史平均能耗的第一乘积和所述第二权值与所述实时预测平均能耗的第二乘积;
将所述第一乘积与所述第二乘积的和值作为所述车辆的第一平均能耗。
8.一种车辆剩余续航里程的预测装置,其特征在于,包括:
获取单元,用于获取所述车辆的电池可用剩余能量;
历史平均能耗确定单元,用于根据所述车辆的当前用户的驾驶风格确定所述车辆的历史平均能耗;
未来平均能耗确定单元,用于根据所述车辆的当前用户的驾驶风格确定所述车辆的实时预测平均能耗;
综合平均能耗确定单元,用于据所述历史平均能耗和所述实时预测平均能耗,确定所述车辆的第一平均能耗;
预测值确定单元,用于将所述电池可用剩余能量与所述第一平均能耗的比值,作为所述车辆的剩余续航里程的预测值。
9.一种车辆剩余续航里程的预测设备,其特征在于,所述设备包括:处理器以及存储有计算机程序指令的存储器;
所述处理器执行所述计算机程序指令时实现如权利要求1-7任意一项所述的车辆剩余续航里程的预测方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的车辆剩余续航里程的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211203349.6A CN117818362A (zh) | 2022-09-29 | 2022-09-29 | 车辆剩余续航里程的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211203349.6A CN117818362A (zh) | 2022-09-29 | 2022-09-29 | 车辆剩余续航里程的预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117818362A true CN117818362A (zh) | 2024-04-05 |
Family
ID=90523396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211203349.6A Pending CN117818362A (zh) | 2022-09-29 | 2022-09-29 | 车辆剩余续航里程的预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117818362A (zh) |
-
2022
- 2022-09-29 CN CN202211203349.6A patent/CN117818362A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111806239B (zh) | 电动车辆续航里程测量方法、电子设备及存储介质 | |
CN111497679B (zh) | 一种纯电动汽车能耗监测优化方法及*** | |
Yavasoglu et al. | Implementation of machine learning based real time range estimation method without destination knowledge for BEVs | |
CN114435138B (zh) | 一种车辆能耗预测方法、装置、车辆及存储介质 | |
CN111038334A (zh) | 一种电动汽车续驶里程预测方法及装置 | |
CN104442825A (zh) | 一种电动汽车剩余行驶里程的预测方法和*** | |
CN103927866B (zh) | 基于gps的车辆等待红绿灯时间预测方法 | |
EP3391303B1 (en) | Method and system for assessing the trip performance of a driver | |
JP7269437B2 (ja) | 電気車充電ステーションを用いたバッテリー性能管理システム及び方法 | |
CN112224089A (zh) | 基于能耗的行程规划方法、装置、电子设备及存储介质 | |
JP7504647B2 (ja) | 車両の走行曲線及び/又は走行経路を生成するための機械学習システムを訓練するための、コンピュータにより実行されるコンピュータ実装方法、車両の走行曲線及び/又は走行経路を生成するための方法、車両の走行曲線及び/又は走行経路を評価するための方法、車両の駆動システムの経路固有の排出量を特定するための方法、車両の駆動システムを適合させるための方法、並びに、コンピュータプログラム、機械可読記憶媒体、及び、コンピュータ実装式の機械学習システム | |
CN111832743A (zh) | 用于确定行驶变化过程的方法 | |
EP3391304B1 (en) | Method and system for assessing the trip performance of a driver | |
CN108431837B (zh) | 用于评价驾驶员的行程性能的方法和*** | |
CN111824169B (zh) | 用于降低具有内燃机的车辆的驱动***的废气排放的方法 | |
CN110738855A (zh) | 一种数据稀疏时间段的道路交通流状况预测方法 | |
CN112406875B (zh) | 一种车辆能耗的分析方法和装置 | |
CN116572799B (zh) | 基于深度学习的动力电池荷电续航预测方法、***及终端 | |
EP3391308B1 (en) | Method and system for assessing the trip performance of a driver | |
JP7413806B2 (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 | |
Grubwinkler et al. | A modular and dynamic approach to predict the energy consumption of electric vehicles | |
EP3391302B1 (en) | Method and system for assessing the trip performance of a driver | |
CN116772877B (zh) | 一种新能源汽车续航里程预测方法、***、装置及介质 | |
EP3391307B1 (en) | Method and system for assessing the trip performance of a driver | |
CN108846571A (zh) | 一种网联化电动汽车宏观能量消耗估计方法 |
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 |