对电动车辆的电池电力需求的预测的制作方法

本发明是按照美国国家科学基金会所授予的CNS1 138200在政府支持下作出的。政府对本发明具有特定的权利。

对相关申请的交叉引用

本申请要求于2015年3月24日提交的美国实用新型申请14/666,369的优先权并且还要求于2014年3月24日提交的美国临时申请No.61/969,283的权益。上述申请的全部公开内容通过引用被并入本文中。

技术领域

本公开内容涉及对电动车辆的电池电力需求的预测。

背景技术：

随着电动车辆(EV)日渐普及，电池的可靠性和能量容量成为关键问题，原因在于EV的成本和重量主要取决于EV中的电池管理系统(BMS)的可靠性和能量容量，该电池管理系统包括电池单元和管理系统。这是因为电池可靠性和容量越高意味着整个电池系统的操作时间越长以及系统中的所需要的电池单元和保护电路的数量越少。为了提高BMS的可靠性和效率，提出了一种电池电力需求预测，其使得BMS能够延长电池的寿命和操作时间并且保护电池单元。

本公开内容的主要目的在于开发一种预测EV的电力需求的系统方法。对EV的电力需求进行的预测有助于保护单独的电池单元并且使电池单元保持在电池单元的操作极限内。在使电池单元免于超出容许条件的情况下，电力需求预测使得BMS能够规划电池单元以在使电池单元平衡的同时更有效地放电以及再充电。这使得在响应车辆的操作模型的改变的同时对电池单元进行最优充电。

然而，对所需要的电池电力的预测是困难的，原因在于对所需要的电池电力的预测必须在驾驶员加速以及减速车辆时实时地根据快速变化的充电-放电条件进行工作并且还必须在对电力需求有影响的恶劣并不受控制的环境中进行工作。而且，必须与其他车载系统例如发动机管理系统、气候控制系统、通信系统以及安全系统对接。

本公开内容提出了基于电动车辆的电力消耗、速度和加速度的历史以及道路信息来预测电动车辆(EV)的电力需求的有效方式。然后，所预测出的电力需求被电池管理系统用于防止电池单元的可能由高放电率造成的损坏。该预测还有助于电池管理系统有效地规划电池单元并且实时地分配电池单元以满足EV的电力要求。

该部分提供了与本公开内容有关的背景技术信息，该背景技术信息不一定是现有技术。

技术实现要素：

该部分提供了本公开内容的总体概述而不是其全部范围或其所有特征的全面公开。

提供了一种用于预测沿着车辆所经过的路线的电池电力需求的技术。该技术包括：定义向车辆供电的电池单元的电力需求模型，其中该电力需求模型将电池单元的电力需求作为车辆的速度和车辆的加速度的函数来输出；将沿着路线的道路分段成多个路段；确定车辆沿着给定路段的速度和加速度；预测在车辆经过给定路段时车辆的电池单元的电力需求，其中，该电力需求是使用所确定的车辆沿着给定路段的速度、所确定的车辆沿着给定路段的加速度以及电力需求模型来预测出的；以及根据所预测出的在车辆经过给定路段时的电力需求来配置电池单元。电池单元可以通过下述方式来配置：部分地基于所预测出的电动车辆在经过给定路段时的电力需求来将电池单元分配至电动车辆的电负载。

在一些实施方式中，根据道路的倾斜角和/或沿着道路的速度限制来对路线进行分段。

在一些实施方式中，电力需求被进一步定义为：

P_total(a，V，θ)＝C₁·a·V+c₂·V³+c₃·sinθ·V+c₄·V

其中V是所述车辆的速度，a是所述车辆的加速度，θ是道路倾斜角，且c₁、c₂、c₃和c₄是系数。

在一些实施方式中，基于车辆与经过路线的另一车辆之间的相对速度、给定路段的速度限制来确定给定路段的加速度。

另一方面，提供了一种用于管理在车辆经过路线时车辆中的电池单元的电力消耗的技术。该技术包括：由电池管理器定义向车辆供电的电池单元的电力需求模型，其中电力需求模型具有一个或更多个系数并且将电池单元的电力需求作为车辆的速度、车辆的加速度和道路的倾斜角的函数来输出；由电池管理器从多个路段中识别给定路段；由电池管理器使用线性回归方法估计电力需求模型的系数；由电池管理器确定给定路段的倾斜角；由电池管理器预测车辆在给定路段中的加速度；由电池管理器计算车辆在给定路段中的速度；由电池管理器预测给定路段中的电池单元的电力需求，其中电力需求是使用所估计出的系数、给定路段的倾斜角、所预测出的加速度、所计算出的速度和电力需求模型来预测出的；以及由电池管理器根据所预测出的在车辆经过给定路段时的电力需求来配置电池单元，其中电池管理器由计算机处理器来实施。

方法还可以包括：在车辆经过路线时监视车辆，并且在进入给定路段时根据所预测出的电力需求来配置电池单元以及/或者预测下一路段中的电池单元的电力需求。

再一方面，提供了一种在电动车辆中使用的电池管理系统。该系统包括：车辆监视器，该车辆监视器被配置成在车辆经过路线时监视车辆并且进行工作以将沿着路线的道路分段成多个路段；电力需求模型，该电力需求模型预测向车辆供电的电池单元的电力需求并且处于数据存储装置中，其中电力需求模型定义一个或更多个系数并且将电池单元的电力需求作为车辆的速度、车辆的加速度和道路的倾斜角的函数来输出；电力预测器，该电力预测器被配置成检索给定路段的倾斜角并且进行工作以确定车辆在给定路段中的速度和车辆在给定路段中的加速度，其中，电力预测器访问电力需求模型并且还进行工作以使用给定路段的倾斜角、给定路段中的加速度、给定路段中的速度和电力需求模型来预测给定路段中的电池单元的电力需求；以及电池配置器，该电池配置器与电力预测器和电池单元对接并且进行工作以部分地基于所预测出的车辆的电力需求来将电池单元分配至车辆的电负载，其中车辆监视器、电力预测器和电池配置器由处于车辆中的计算机处理器来实施。

适用的其他领域将根据本文中所提供的描述变得明显。本概述中的描述和特定示例旨在仅出于说明的目的而不是旨在对本公开内容的范围进行限制。

附图说明

本文中所描述的附图仅出于对选择的实施方式不是所有可能的实施方式进行说明的目的并且不旨在对本公开内容的范围进行限制。

图1是在车辆中使用的示例电池管理系统的框图；

图2是针对电力需求预测器(PRP)的信息物理系统的图；

图3是示出受到不同力的车辆的图；

图4是示出道路分段的示例的图；

图5是描绘电力需求预测器(PRP)的示例实施方式的框图；

图6是描绘用于管理车辆中的电池单元的电力消耗的示例方法的流程图；

图7是示出汽车的加速度以及该汽车与前方汽车之间的相对速度的曲线图；

图8是示出两个汽车之间的反应强度和反应时间的两个曲线图；

图9A至图9D是分别示出沿着包括三个停车标志和缓速脊的路径的不同驾驶员的加速模式的曲线图；

图10是更新权重因子并且使用权重因子计算下一加速度的图；

图11是针对电力需求预测器的评价系统的框图；

图12是示出由于有限采样频率的固有误差的曲线图；

图13是示出与路段之间的加速度预测有关的误差的曲线图；以及

图14是示出在以10Hz进行采样的情况下对电力需求进行的预测的曲线图。

贯穿附图的若干视图，对应的附图标记指示对应的部分。

具体实施方式

图1是电池管理系统(BMS)10的示例实施方式的图，该电池管理系统10可以被电动车辆使用。为了在存在非线性、复杂的电池动力学的情况下管理大型电池或电池阵列11，电池管理系统10可以包括车辆监视器12、电池状态监视器13、电池管理器14和电池配置器18。尽管贯穿本公开内容引用了对电动车辆的电力需求预测，但可以设想的是，该概念的更广泛的方面可以被延伸至其他类型的车辆以及其他电池应用。

车辆监视器12与电池管理器14对接并且被配置成在车辆经过路线时监视车辆。例如，车辆监视器12例如通过使用GPS确定车辆沿着路线的位置。车辆监视器12还确定速度、加速度和其他车辆操作参数。由车辆监视器12将该车辆信息提供至电池管理器14。

电池状态监视器13被配置成监视包括电池阵列11的电池单元和/或电池组。电池状态监视器12与电池管理器14对接并且定期地报告针对电池阵列11中的每个电池单元和/或电池组的状态(例如充电状态)、温度和开路电压。电池状态监视器13还可以计算每个电池单元的放电率和休息期并且然后将结果发送至电池管理器14。

可重新配置的电池阵列11在本领域是已知的。基于车辆信息和电池信息，电池管理器14确定保证车辆的活动并且使电池系统的操作时间和寿命最大化的最优电池布置。例如，电池管理器14判定哪些电池单元要连接至电负载以及哪些连接要被用于电池单元。电池配置器16又按电池管理器14所命令的那样对电池单元的连接进行设置。这些部件中的每个部件以优选地处于车辆的基板上的硬件和/或软件的方式来实施。

电池管理系统的关键特征中的一个特征在于：以有效并且安全的方式对电池单元进行规划和分配以满足车辆的电力要求。为了实施该特征，电池管理器14包括电力需求预测器(PRP)。电力需求预测器如下面将进一步描述的那样预测车辆的电力需求。

图2是描绘电力需求预测器22与电动车辆系统的物理部件例如传感器23和致动器24之间的抽象化的图。电力需求预测器22被设计成如下面将进一步描述的那样预测电动车辆的电力需求。预测是困难的，这是因为电力需求中的许多电力需求取决于物理元素例如交通条件、交通规则、操作者的驾驶模式和道路条件。因此，电力需求预测器22应当捕获与这些物理元素的联系。为了实现捕获与这些物理元素的联系，物理元素被抽象成具有直接连接至物理部件的接口的输入和输出的抽象层25。

为了促进对电力需求的预测，电力需求模型被引入具有决定所需电力的参数并且根据抽象层25中的对应物理模型来预测每个参数。本公开内容采用实时自适应于不同车辆和操作环境的简单并广泛使用的电力需求模型(即基于历史的能量使用模型)。参照图3，使用根据物理定律对电力要求作出说明的多项式电力需求模型，在物理定律中，F_a、F_air、F_c和F_r分别表示针对加速的力、空气动力、与倾斜度有关的载重和滚动阻力。然后，将总电力需求(P_total)计算为所有力的合力乘以车辆的向前速度(V)：

其中，θ表示倾斜角，并且下面将进一步描述其他参数。

采取该模型的主要原因是简单。因为该模型仅取决于一些物理参数，所以这些物理参数的实际值可以根据测量或计算来获得。而且，公式(1)中的对电力需求的计算仅需要基本的操作，从而促进对电力需求的实时预测。下面将示出的是模型虽然简单但在估计所需电力时仍产生良好的准确度。然而，其他类型的模型也落在本公开内容的更广泛的方面内。

为了估计电池管理系统在即将到来的时间间隔期间应当提供的电力量，预测公式(1)中的所有参数。这样的预测需要下述的知识：(i)每个参数改变的频率以及(ii)预测每个参数所必需的信息。然后，可以为该知识制定预测方案。下面的表1概述参数特征。

然后，参数特征用于将参数按如下分类：

C1.稳定的参数：车辆的质量(m)、重力加速度(g)、空气密度(ρ_air)、阻力系数(C_d)和正面迎风面积(A)；

C2.动态的但易于预测的参数：滚动阻力系数(K_r)和道路倾斜角(θ)；以及

C3.动态的并且难以预测的参数：加速度(a)和速度(V)C1中的参数例如m、C_d和A因为这些参数仅取决于车辆本身所以很少改变。另外，g和ρ_air改变得很缓慢。C2中的参数取决于汽车的位置和道路。因此，可以通过使用道路(例如谷歌地图)的离线信息和实时位置信息(例如GPS)来准确地预测C2中的参数。例如，与道路类型和倾斜角有关的信息可以从预先下载的地图先验地下载，从而获取给定位置的K_r和θ。通过将静态信息纳入到实时位置信息中，可以容易地预测C2中的参数而不管C2中的参数的动态变化。

相比而言，因为C3中的两个参数a和V不仅取决于难以预测和分析的道路信息例如道路类型和倾斜角而且还取决于操作者的驾驶模式，所以C3中的参数动态地改变并且难以预测。具体地，驾驶员具有与复杂的人类决策过程有关的其自身的驾驶模式，并且该模式可能随着驾驶员的心情或身体条件改变。而且，驾驶员应当遵守交通规则并且考虑交通条件，交通规则和交通条件显著地影响这两个参数。因此，在如下面所详述的那样预测C1、C2和C3中的参数时需要两个不同的方式。

图5描绘电力需求预测器50的示例实施方式。在该实施方式中，电力需求预测器50在当前时间间隔(步骤n)期间估计下一步骤(步骤n+1)的电力需求。电力预测器通常包括输入部51和计算部52。输入部51提供当前步骤的所有测量数据和下一步骤的所有预计算的数据。通过使用该数据，计算部52估计C1至C3中的所有参数并然后使用公式(1)中的电力需求模型来输出所估计出的下一步骤的电力需求(即

输入部51向计算部52提供所测量或预计算的数据。更具体地，数据包括三种成分：(i)针对电力消耗(P_n)、加速度(a_n)和速度(V_n)的驾驶数据采样器；(ii)针对当前道路倾斜角和下一道路倾斜角(θ_n和θ_n+1)以及当前速度限制和下一速度限制(limV_n和limV_n+1)的预先下载的地图；以及(iii)用于前方汽车与后方汽车之间的相对速度和距离(ΔV_n和ΔX_n)的距离传感器。取决于该模型，还可以通过输入部输入其他类型的数据。

在详述计算部52之前，首先定义路段以在计算部中使用。在一个实施方式中，路段是连续道路间隔，在连续道路间隔中，道路条件和交通规则如图4中所看到的那样为统一的。路段的概念是重要的，这是因为电力需求模型中的一些参数会随着路段变化。通过考虑路线，车辆监视器12或电池管理器14可以例如根据道路的倾斜角和/或沿着道路的速度限制将沿着路线的道路分段成多个路段。例如，每当沿着道路的速度限制改变则划分新路段。可以设想的是，也可以使用其他属性来对道路进行分段。

继续参照图5，计算部52以两种不同的方式来估计参数。如上面所指出的，C1和C2中的参数改变得很缓慢或可预测的，但C3中的参数难以估计。通过考虑不同的参数特征，电力需求模型管理器54(PRMM)和加速度预测器56(AP)分别预测C1和C2中的参数以及C3中的参数。

C1中的参数改变得很缓慢，并且C2中的K_r在路段内是一致的。因此，在对道路进行分段之后，可以将K_r和C1中的参数抽象成四个系数，从而按如下减少电力需求模型的输入参数的数量。

然后，公式(2)仅取决于系数c₁至c₄、加速度(a)、速度(V)和道路倾斜角(θ)。因为θ由预先下载的地图给定，所以仅系数、加速度和速度需要被估计。

对于系数而言，模型管理器54采用普及的基于历史的估计-线性回归，模型管理器54基于公式(2)中的所有参数的历史数据来计算系数。在示例实施方式中，例如使用速度传感器和加速度传感器来测量并且存储车辆速度(V)和加速度(a)。可以通过将从电池监视器中的电压传感器和电流传感器中提取的电压和电流相乘来捕获用于驾驶的放电电力量(P)。假设模型Ax＝b描述输入数据集(A)和结果数据集(b)之间的线性关系，并且x是针对线性模型的系数向量。导出系数向量(x)以通过奇异值分解(SVD)和A的伪逆的计算来使|Ax-b|²最小化。在这种情况下，上面的等式可以按如下被改写：

A＝{aV V³ sin(Θ)V V}，x＝{c₁，c₂，c₃，c₄}，b＝{P}

首先，针对输入数据(A＝{aV V³ sin(Θ)V V})来执行奇异值分解以导出左奇异向量(U)、右奇异向量(V)、矩形对角矩阵(∑)和A的伪逆(＝V∑^-1U^T)。然后，通过如图3所示的那样使|Ax-b|²最小化来计算线性系数向量(x＝{c₁，c₂，c₃，c₄})。以这种方式，模型管理器54可以接收电力需求(P_n)、加速度(a_n)、速度(V_n)和倾斜角(θ_n)的当前数据并且估计下一间隔处的用于预测的四个系数。用于计算系数的值的其他技术也落在本公开内容的范围内。

另一方面，加速度预测器56输出针对下一间隔的加速度和速度。到加速度预测器56的一个输入是前方汽车与后方汽车之间的相对速度和距离(ΔV_n和ΔX_n)，相对速度和距离使交通流量抽象化。对于速度和加速度两个参数而言，重点在预测加速度上。当加速度已知时，可以根据当前间隔中的正在预测的加速度和速度来计算下一间隔中的速度。在一个示例中，当加速度(a_n)恒定时，可以基于当前速度(V_n)、加速度(a_n)和时间间隔(Δt)在下一间隔处按如下来估计车辆速度(V_n+1)：V_n+1＝V_n+a_n·Δt。假设加速度(a_n)以10m/s²恒定达一秒钟并且当前速度(V_n-1)为30m/s。然后，0.1s(Δt)之后所预测出的车辆速度(V_n+1)为31m/s。如果时间间隔短，则假设加速度在该时间间隔期间是恒定的，并且然后该预测可以用于估计下一车辆速度。在另一示例中，下一间隔处的车辆速度可以被估计成是即将到来的路段的速度限制。用于估计即将到来的间隔中的车辆速度的其他技术也可以被本公开内容采纳。

图6进一步示出用于使用上述电力需求预测器来管理电池单元的电力消耗的示例技术。在61处，在车辆经过路线时监视车辆。更具体地，关于多个路段而跟踪车辆位置，如62处所示。在进入给定路段时(或恰好在进入给定路段之前)，在63处，电池配置器16根据所预测出的给定路段的电力需求来配置电池单元。

此外，在进入给定路段时，电池管理器14预测下一路段的电力需求。在预测电力需求之前，在64处，可以利用来自最近路段的数据来更新电力需求模型的系数。可以设想的是，在其他实施方式中，电力需求模型的系数的更新频率更低。在65处，例如还通过从地形图中检索下一路段的倾斜角来确定下一路段的倾斜角。

接下来，电池管理器在66处预测车辆在下一路段中的加速度以及在67处计算车辆在下一路段中的速度。在本公开内容中其他地方描述了这些计算。然后，在68处，根据加速度、速度和倾斜角，例如使用上述电力需求模型预测下一路段的电力需求。随着车辆继续经过路线，针对每个即将到来的路段重复该处理。

如更早所讨论的，因为车辆的加速度不仅取决于静态信息例如道路类型和倾斜角以及交通规则而且还取决于动态信息例如操作者的驾驶模式和汽车附近的交通流量，所以难以预测车辆的加速度。对于准确的加速度预测而言，要取得影响加速模式的三个关键的观察。然后，开发对这些观察中的一些作出说明的加速度预测方案。最终，结合这些预测方案以设计统一的加速度预测方法。

确定加速模式的三个关键观察为：汽车周围的交通流量、操作者的驾驶行为和交通规则。这些观察利用实验来证实。所述观察是下一部分中要被开发的加速度预测方案的基础。

第一观察是前方汽车影响后方汽车的加速模式。只要汽车A没有超过前方汽车B，则A的平均速度不会超过B的平均速度。因此，如图7所示，A与B之间的平均相对速度几乎为零。如果相对速度为负值(正值)，则A试图通过加速(减速)追赶上(本身远离)B。因此，前方汽车B确定后方汽车A的加速的平均行为。

第二观察为操作者的驾驶行为影响加速模式。每个操作者的驾驶模式利用两个变量来捕获：反映强度，即，操作者/驾驶员加速多快以实现所期望的速度；以及反应时间，即，驾驶员花费多久以对给定的情况作出反应。这两个变量在图8中由加速度的斜率和加速度为零的持续时间来表示。例如，一些驾驶员强有力地下压加速踏板直至车辆达到所期望的速度为止，但其他驾驶员随着长的加速时间逐渐地增大/减小速度。虽然反应强度随着驾驶员变化，但据发现，驾驶员的反应强度总是保持类似。反应时间也取决于驾驶员。尽管具有长反应时间的驾驶员倾向于保持其车辆速度而不是加速或减速，但具有短反应时间的其他驾驶员立即响应于给定情况例如前方汽车的减速。

第三观察为交通规则影响加速模式。交通规则包括速度限制、交通灯和其他交通标志并且对加速度具有很大影响。例如，每个驾驶员被要求在停车标志或缓冲带处减速，因此，如图9A至图9D所示，这独立于驾驶员。通过使用道路信息的离线剖析，可以预测交通规则对加速模式的影响。

为了预测操作者的加速模式，提出了五种方法，其中，每种方法具有其自身的性质。前三种方法使用先前加速模式的历史，从而间接地/直接地处理O2。另一方面，后两种方法分别通过基于交通规则使用现有交通流量模型和道路分段来处理O1和O3。五种方法在下面的表2中被概述。

通过考虑五种方法对于不同的环境/情况有效的事实，结合五种方法以在利用五种单独的方法的优点的同时设计出统一的加速度预测方法。

在一种方法中，当前加速度用作下一加速度预测。该方法的优点是简单。该方法虽然简单但在加速波动缓慢或具有几乎为零的电池重新配置时间的高采样频率的情况下引起准确的预测。然而，该方法不能单独地处理加速度的许多实际情况下的突然改变。

为了对使用先前加速度的简单的加速度方法进行改进，反应强度被纳入O2中。为了纳入反应强度，按下面那样计算驾驶员开始加速时的加速度斜率并且将加速度斜率用于下一加速度的预测：

其中，k是加速度斜率(反应强度)的灵敏度系数。该附加考虑在仅需要两个更多的基本操作的情况下比先前加速度方法产生更准确的预测。

尽管两种基于历史的方法聚焦于先前加速度，但第三种方法采用使更早的加速度的长历史与下一加速度相关联的线性滤波器。为此，首先测量并且记录时间戳记的加速度，并且然后基于所记录(输入的)的加速度与所预测出的加速度之间的误差来生成相关因子。最终，通过输入和相关向量的内积来预测下一加速度。该方法在下一加速度与更早的加速度高度相关的情况下有帮助。该方法比两种基于历史的方法在以高计算复杂度为代价的情况下实现更高的准确度。注意，包括该方法的所有基于历史的方法取决于数据采样率，这是因为更高的采样率可以掩盖加速度的快速变化。

许多运输研究人员研究微观的驾驶员行为以描述实际交通流量。汽车跟随模型、公知的微观交通流量模型依据汽车与前方领先的汽车之间的相对速度和距离来描述车辆的加速度。在现有的汽车跟随模型中，本公开内容选择使用由M.Bando等人在物理评论E第51卷第1035页至第1042页(1995年)的“Dynamics model of traffic congestion and numerical simulation”中所描述的模型，该文献基于对最优速度的观察扩展了该经典模型。利用汽车跟随模型进行预测的主要优点是汽车跟随模型独立于采样频率。虽然该模型提供需要哪个动作来保持两个汽车之间的为零的相对速度和恒定的期望距离，但该模式未直接提供车辆的加速度，从而引起不准确的预测。

为了处理交通规则的影响，基于交通规则将道路进行分段并然后在汽车从一个路段过渡至另一路段时预测加速模式。该方法提高路段之间的加速度预测的准确度；例如，如果下一路段的速度限制比当前路段的速度限制更高或更低，则可以通过对当前路段与下一路段之间的速度(限制)差进行的计算来预测路段过渡期间的加速度。因为可以从预先下载的地图提取交通规则信息，所以该方法不取决于数据采样频率。

如表2所示，上面的方法中的每种方法具有其自身的特征和优点：(i)基于历史的(前三种)方法取决于采样率并且在采样率高时是有效的；(ii)基于汽车跟随模型的方法独立于采样率并且从而更广泛地可应用；以及(iii)道路分段方法专门用于路段过渡。

考虑这些特征，还提出了按如下预测下一间隔中的加速度的统一方法：(a)当汽车穿过路段分界线时，其使用道路分段方法来预测加速度；(b)否则，其使用基于加速度历史的方法和基于汽车跟随模型的方法的组合来预测加速度。存在影响(b)的判决的两个变量：采样率和反应时间。关于采样率，基于历史的方法(具有汽车跟随模型的方法)比更高(更低)的采样率下的对应方法更有效，这是因为汽车跟随模型甚至在低采样率的情况下仍保证相同水平的准确度，而基于历史的方法的预测针对长的反应时间是准确的，这是因为具有长反应时间的驾驶员倾向于保持其速度。另一方面，可以通过汽车跟随模型很好地对具有短反应时间的驾驶员进行的加速进行描述，原因在于驾驶员立即对给定交通情况作出反应。

通过考虑两个变量，统一方法经由权重α和β(使得α+β＝1)来处理情况(b)，权重α和β分别是基于历史的方法中的一种方法的权重和具有汽车跟随模型的方法的权重。可以适应性地计算权重以便在预测下一加速度时减少误差。图10示出更新权重的处理的示例。假设在步骤n-1处的权重被设置成α_n-1＝0.7和β_n-1＝0.3，并且该方法使用两个权重来预测步骤n的加速度。然后，在步骤n处，实际加速度与所预测出的加速度不同；如果权重是α_n-1＝0.6和β_n-1＝0.4，则预测将没有误差。通过使用该信息，该方法更新步骤n处的权重以用于如图所示的步骤n+1的加速度预测。尽管统一方法计算用于更新权重的x个先前步骤的平均预测误差，但x＝1被示出为了简化呈现起见。用于预测加速度的其他技术也落在本公开内容的更广泛地方面内。

为了评价电力需求预测器，需要三种类型的离线/驾驶数据作为输入：(i)道路信息(θ、limV)、(ii)真实驾驶数据(a、V、ΔX、ΔV)以及(iii)所测得的电力消耗(P)。对PRP的仿真器进行设计，该PRP的仿真器提供来自如图11所示的以下三种普及的工具的实际或真实数据：谷歌地图API、NGSIM和CarSim。

谷歌地图API使得开发者能够创建基于地图的应用，基于地图的应用使得能够访问包括道路类型、速度限制和连同GPS数据的高度的道路信息数据库，从而提供道路信息。

NGSIM(下一代仿真程序)是由美国交通部(US DOT)发起的并且通过支持交通仿真的开放行为算法的核心来补充，交通仿真主要聚焦于微观建模。NGSIM收集高质量的主要交通和轨迹数据以测试新的算法，从而提供真实的驾驶数据。使用车辆轨迹数据，其包括车辆识别号码、车辆的瞬时速度和加速度以及车辆的前中心和前方车辆的前中心之间的距离。

CarSim是使得用户对各种环境下的车辆程序进行设计、开发、测试以及计划的车辆模型仿真器。可以对客车、赛车、轻型卡车和多用途运载车的在特定道路类型和倾斜角下的动态行为进行仿真。CarSim提供动画并且输出所需电力，动画可以被绘制、分析和导出至其他软件例如MATLAB、Excel和其他优化工具。如图11所示，在仿真器中，CarSim接收来自NGSIM的车辆运动数据并且然后生成所需电力。

对于NGSIM和CarSim而言，掀背式汽车与205/55R16轮胎一起使用，假设其在铺面道路上行驶。还假设不存在再生制动系统，并且因此，所需电力总是非负的。对于良好的道路信息而言，来自谷歌地图API和NGSIM的加利福尼亚州洛杉矶市中的南行US-101利用2005年6月15日的交通来测试道路上的汽车。

接下来，对加速度预测器和电力需求预测器的准确度进行评价。首先，对可能使准确度降低的硬件因素例如所需数据的采样率、用于计算所需电力并且重新配置电池单元的连接的时间进行讨论。所有这些因素与制造成本有关；如果BMS配备有高性能传感器、处理器和可快速重新配置系统，则这些因素对预测准确度的不良影响将会减少。然而，BMS设计者需要使用廉价并且低电力消耗的装置来降低BMS的成本和电力消耗，这又会使PRP的准确度降低。尽管由这些因素引起的不准确的程度随着硬件变化，但对于BMS而言花费用于感测物理数据、计算所需电力以及将物理数据和所需电力纳入到BMS中的时间是必然的。为了处理该潜在因素，将这些因素抽象为采样率并且对具有下面三种不同的率的采样率进行评价：2Hz、5Hz和10Hz。

这样的有限采样率引起如图12所示的预测误差。也就是说，即使PRP在步骤n-1处正确地预测针对步骤n的所需电力，但步骤n与步骤n+1之间的所需电力仍会变化，从而引起一些误差。该情况也适用于加速度预测。因此，使Opt-P(Opt-A)来表示由于有限采样率而具有固有误差的对电力(加速度)的该理想预测。

AP和PRP的准确度利用下面的加速度预测方法相对于Opt-A而被示出。

·Prev(先前加速度)

·Prev+(具有反应强度的先前加速度)

·Corr(与历史加速度的相关性)

·CF(汽车跟随模型)

·RS(道路分段)

·Uni(H)(使用基于历史的方法中的一种方法对加速度进行的统一

预测，即，H是Prev、Prev+或Corr)

首先，对汽车位于单个路段内时的加速度预测方法进行比较。为了评价加速度预测的准确度，使用由NGSIM产生的驾驶记录并且调整每个预测方法来预测车辆的下一加速度。为了比较每种预测方法的性能，如下面的表3所示，计算绝对预测误差的平均值。

总体上，采样率越高，则预测越准确，这是因为更多的信息可应用于预测下一加速度。通过CF以低采样率进行的预测示出更少的预测误差，原因在于CF是独立于采样率的唯一方法。另一方面，以高采样率很好地执行基于历史的加速度预测例如Prev、Prev+和Corr。Uni(·)总体上比不考虑采样率的其他方法产生更准确的加速度预测。一个例外是通过CF以2Hz进行的预测，这是因为存在2Hz处的有限数量的驾驶信息样本并且然后Uni(·)的误差很可能在获悉驾驶员的反应期间出现。

接下来，示出了在汽车穿过路段分界线时RS如何起作用。为了预测路段之间的加速度，从NGSIM轨迹数据中挑选两个驾驶员。前方汽车恰好在交通灯变红之前经过交通灯，但后方汽车因为交通灯恰好变红所以在交通灯处停止。然后，在将CF用作基线预测方法的情况下对使用/未使用RS进行加速度预测的准确度进行比较。因为后方汽车由于交通灯而不能加速，所以对后方汽车的加速度的CF的预测示出如图13所示的大平均误差。然而，道路分段可以提供用于准确地预测如图所示的不同路段之间的加速度的机会。针对CF和使用RS的CF的加速度预测的平均误差分别是1.912和1.262。

为了评价PRP的准确度，首先对公式(1)中的电力需求模型进行评价。因为Opt-P和Opt-A是针对给定采样频率可实现的更准确的电力预测和加速度预测，所以对Opt-P和使用Opt-A的PRP进行比较。如下面的表4所示，Opt-P与使用Opt-A的PRP之间的平均误差的差是微小的，这意味着所采用的电力需求模型产生对所需电力的足够准确的预测。

因为Opt-P和Opt-A是理想的电力预测和加速度预测(从而不可实行)，所以需要采用使用PRP的加速度预测方法中的一种方法；表4概述了预测误差并且图14绘制了预测。包括使用当前实际电力消耗作为下一电力需求的一个启发(实际先前电力)。注意，该方案不使用PRP。与该启发相比，使用Uni(Corr)的PRP示出在路段内预测准确度在2Hz处提高69.2％、在5Hz处提高3.7％以及在10Hz处提高19.9％。如果对PRP与不同加速加速度预测方法进行比较，则趋势将与AP的准确度类似，这是因为预测电力需求时的误差由加速度预测的误差来主导。例如，Uni(Corr)总体上是用于预测加速度的最佳方法(中的一种)，该加速度与PRP相关联的所需电力对应。具体地，与使用CF的PRP相比，使用Uni(Corr)的PRP在5Hz处进行预测更接近于实际所需电力达11.0％以及在10Hz进行预测更接近于实际所需电力达62.3％。

使EV更轻并且成本更低的日益增长的要求对电池大小和容量提出了严格的限制。因此，重要的是，设计出在不增大电池大小的情况下扩大电池容量的高级BMS。提出了若干BMS以利用包括恢复效果和额定容量效果的非线性电池特征。

为了将适应性和效率引入到现有的BMS中，本公开内容提出了电池电力需求预测器(PRP)。电力需求预测器对使得BMS能够分配电池单元以有效并且安全地向EV供电的所需电池电力量进行预测。在对车辆活动例如速度、加速度、道路倾斜角和电力消耗进行记录并且线性回归的同时，PRP对EV的电池电力需求模型的(近)静态参数进行更新。与此同时，PRP通过对驾驶员的加速模式、交通流量和交通规则作出说明实时地估计加速度、模型的可能最重要的动态参数。示出使用实际实验和真实仿真的评价，即，PRP通过现有BMS中常见的简单的启发式方法使得加速度预测显著改进。

本文中所描述的技术可以通过由一个或更多个处理器执行的一个或更多个计算机程序来实现。计算机程序包括存储在非暂态有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括存储的数据。非暂态有形计算机可读介质的非限制性示例是非易失性存储器、磁存储器和光存储器。

以上描述的一些部分提出了本文所描述的关于信息的操作的算法和符号表示方面的技术。这些算法描述和表示是数据处理领域的技术人员用于将技术人员的工作实质最有效地传达给本领域的其他技术人员的手段。应当理解，功能上或逻辑上描述的这些操作通过计算机程序来实施。此外，已经证明的是，在不失一般性的情况下，有时将操作的这些布置称为模块或者以功能命名很方便。

除非特别指出与根据以上讨论的情况明显相反，应当理解，贯穿说明书，使用术语例如“处理”或“计算”或“运算”或“确定”或“显示”等的讨论指代计算机系统或类似的电子计算装置的动作和处理，所述计算机系统或类似的电子计算装置在计算机系统存储器或寄存器或者其他这样的信息存储装置、传输装置或显示装置内操纵和转换被表示为物理(电子)量的数据。

所描述的技术的某些方面包括在本文中以算法的形式描述的处理步骤和指令。应当注意，所描述的处理步骤和指令可以被嵌入在软件、固件或硬件中，并且当被嵌入在软件中时，可以被下载以处于由实时网络操作系统使用的不同平台上并且由该不同平台来操作。

本公开内容还涉及用于执行本文中的操作的设备。该设备可以出于所需要的目的来特别构造，或者其可以包括由计算机程序选择性地激活或重新配置的通用计算机，所述计算机程序存储在可以被计算机访问的计算机可读介质中。这样的计算机程序可以被存储在有形计算机可读存储介质中，该有形计算机可读存储介质例如但不限于：包括软盘、光盘、CD-ROM、磁光盘等任何类型的磁盘；只读存储器(ROM)；随机存取存储器(RAM)；EPROM；EEPROM；磁卡或光卡；专用集成电路(ASIC)；或者适于存储电子指令的任何类型的介质，并且上述介质各自耦接至计算机系统总线。此外，说明书中所提及的计算机可以包括单处理器或者可以是为了提高计算能力而使用多处理器设计的体系结构。

本文中所描述的技术可以通过由一个或更多个处理器执行的一个或更多个计算机程序来实施。计算机程序包括存储在非暂态有形计算机可读介质上的处理器可执行指令。计算机程序还可以包括所存储的数据。非暂态有形计算机可读介质的非限制性示例是非易失性存储器、磁存储器和光存储器。

以上描述的一些部分给出了本文所描述的关于信息的操作的算法和符号表示方面的技术。这些算法描述和表示是数据处理领域的技术人员用于将它们的工作实质最有效地传达给本领域的其他技术人员的手段。应当理解，功能上或逻辑上描述的这些操作通过计算机程序来实施。此外，已经证明，不失一般性地，有时将操作的这些布置称为模块或者以功能命名很方便。应当理解，在给定模块内对操作进行分组不是限制性的，并且操作可以在多个模块之间被共享或者被组合成单个模块。

除非特别指出与根据以上讨论的情况明显相反，应当理解，贯穿说明书，使用术语例如“处理”或“计算”或“运算”或“确定”或“显示”等的讨论指代计算机系统或类似的电子控制单元的动作和处理，所述计算机系统或类似的电子控制单元在计算机系统存储器或寄存器或者其他这样的信息存储装置、传输装置或显示装置内操纵和转换被表示为物理(电子)量的数据。

所描述的技术的某些方面包括在本文中以算法的形式描述的处理步骤和指令。应当注意，所描述的处理步骤和指令可以被嵌入在软件、固件或硬件中，并且当被嵌入在软件中时，可以被下载以处于由实时网络操作系统使用的不同平台上并且由该不同平台来操作。

本公开内容还涉及用于执行本文中的操作的设备。该设备可以出于所需要的目的来特别构造，或者其可以包括由计算机程序选择性地激活或重新配置的控制器，所述计算机程序存储在可以被计算机访问的计算机可读介质中。这样的计算机程序可以被存储在有形计算机可读存储介质中，该有形计算机可读存储介质例如但不限于：包括软盘、光盘、CD-ROM、磁光盘等任何类型的磁盘；只读存储器(ROM)；随机存取存储器(RAM)；EPROM；EEPROM；磁卡或光卡；专用集成电路(ASIC)；或者适于存储电子指令的任何类型的介质。此外，说明书中所提及的计算机可以包括单处理器或者可以是为了提高计算能力而使用多处理器设计的体系结构。

本文中所提出的算法和操作不是固有地涉及任何特定计算机或其他设备。各种电子控制单元还可以与根据本文中的教示的程序一起使用，或者其可以证明便于构建更多专业的设备来执行所需的方法步骤。对于本领域的技术人员而言，各种这些系统所需的结构连同等同变化将是明显的。此外，并未参照任何特定的编程语言来描述本公开内容。应当理解，各种编程语言可以用于实施如本文中所描述的本公开内容的教示。

出于说明和描述的目的提供了实施方式的上述描述。上述描述不旨在详尽描述或限制本公开内容。特定实施方式的各个元素或特征通常不限于特定实施方式，但是即使没有明确示出或描述，在适用情况下仍可以互换并且可以被用于所选择的实施方式。实施方式还可以以很多方式变化。这样的变化并不被认为偏离本公开内容，并且所有这样的修改旨在被包括在本公开内容的范围内。