一种纯电动汽车的剩余里程预估方法及装置与流程

本发明涉及电动汽车技术领域，特别涉及一种纯电动汽车的剩余里程预估方法及装置。

背景技术：

随着传统能源的不断枯竭和越来越严格的排放标准，各大汽车制造商将研发的重点放在纯电动汽车上，在纯电动主要是利用电能实现驱动，节能环保，但是现在纯电动汽车在市场推广上面临的是续航问题，大部分的电动汽车在电池能力使用一部分后，无法准确的预估出剩余里程，导致驾驶员在后续驾驶时会焦虑，并且无法合理的安排充电时机。

目前，纯电动汽车对剩余里程的传统预估方法是基于新欧洲驾驶周期(neweuropeandrivingcycle，简称nedc)工况或者匀速工况进行计算，但是不同驾驶员在驾驶过程中的习惯不同，只是基于单一工况进行预估剩余里程，导致其准确性较低，会误导驾驶员在后续驾驶过程中的判断，导致错过合理的充电时机，无法准确的安排行程，因此，以上问题是本领域技术人所亟需解决的。

技术实现要素：

针对现有技术的上述问题，本发明的目的在于提供一种纯电动汽车的剩余里程预估方法及装置，基于驾驶员日常驾驶行为和剩余电池电量预估出纯电动汽车剩余里程，提高纯电动汽车剩余里程准确性，避免误导驾驶员在后续驾驶过程中的判断，使驾驶员能够合理的安排充电时机和行程。

为了解决上述问题，本发明提供一种纯电动汽车的剩余里程预估方法，包括如下步骤：

获取车辆的行驶数据；

接到能量消耗率，所述能量消耗率为在云端系统中，根据所述行驶数据建立预测工况模型，计算出能量消耗率；

在预设存储时间内，基于所述预测工况模型，通过电池管理系统计算出剩余电池能量；

根据所述能量消耗率与所述剩余电池能量，计算出车辆的剩余里程。

进一步地，在云端系统中，根据所述行驶数据建立预测工况模型，计算出能量消耗率包括：

获取实时行驶数据；

在预设间隔时间内，根据所述实时行驶数据，提取和储存特征向量；

当所述特征向量数量达到预设数量时，更新所述云端系统中的特征向量库；

根据已更新所述云端系统中的特征向量库进行聚类计算，基于聚类结果确定出最优聚类结果；

根据所述最优聚类结果，建立对应的预测工况模型；

基于所述预测工况模型，计算出所述预测工况模型对应的能量消耗率。

进一步地，所述特征向量为在所述预设间隔时间内的驾驶数据特征的变量，其中，所述驾驶数据特征包括：平均车速、最高车速、最低车速或怠速时间中至少一种。

进一步地，所述预设间隔时间为450s～500s。

进一步地，所述预设数量为90～100。

进一步地，删除所述特征向量库中时间最早的特征向量，其中，删除的特征向量数量与存储的所述特征向量数量一致；

将存储的所述特征向量加入所述特征向量库中，重新组建一个特征向量库。

进一步地，所述聚类计算的方法为kmeans++聚类计算法。

进一步地，在预设存储时间内，基于所述建立驾驶行为模型，通过电池管理系统计算出剩余电池能量包括：

在预设存储时间内，获取对应的特征向量；

根据所述对应的特征向量与所述预测工况模型中聚类结果的欧式距离，确定出最小距离的聚类结果；

将最小距离的聚类结果作为预测工况，在所述预测工况下，计算出剩余电池能量。

进一步地，所述预设存储时间范围为90s～100s。

本发明还保护了一种纯电动汽车的剩余里程预估装置，包括：

获取模块，用于获取车辆的行驶数据值；

能量消耗率计算模块，用于在云端系统中，根据所述行驶数据值建立预测工况模型，基于所述预测工况模型计算出对应的能量消耗率；

剩余电池能量计算模块，用于在预设存储时间内，基于所述预测工况模型，通过电池管理系统计算出剩余电池能量；

剩余里程计算模块，用于根据所述能量消耗率与所述剩余电池能量，计算出车辆的剩余里程。

由于上述技术方案，本发明具有以下有益效果：

1)本发明的一种纯电动汽车的剩余里程预估方法及装置，通过根据驾驶员日常的驾驶习惯，建立驾驶行为模型，基于驾驶行为模型计算出电池剩余电量，并且根据剩余电量和驾驶行为模型，准确的预估出纯电动汽车的剩余里程，提高其准确性，避免误导驾驶员在后续驾驶过程中的判断，使驾驶员能够合理的安排充电时机和行程；

2)本发明的一种纯电动汽车的剩余里程预估方法及装置，能够不断的更新特征向量满足使驾驶行为模型更新，避免历史数据对驾驶行为模型精度产生干扰，保证预估出的电动汽车剩余里程的准确性。

附图说明

为了更清楚地说明本发明的技术方案，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的介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本发明实施例提供的纯电动汽车的剩余里程预估方法的流程图；

图2是本发明实施例提供的步骤s102的流程图；

图3是本发明实施例提供的步骤s103的流程图；

图4是本发明实施例提供的纯电动汽车的剩余里程预估装置的结构示意图；

图5是本发明实施例提供的能量消耗率计算模块的结构示意图；

图6是本发明实施例提供的剩余电池能量计算模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本发明的描述中，需要理解的是，术语“上”、“下”、“左”、“右”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。

实施例一

本实施例一提供一种纯电动汽车的剩余里程预估方法，如图1所示，包括如下步骤：

s101.获取车辆的行驶数据；

s102.接到能量消耗率，所述能量消耗率为在云端系统中，根据所述行驶数据建立预测工况模型，计算出能量消耗率；

s103.在预设存储时间内，基于所述预测工况模型，通过电池管理系统计算出剩余电池能量；

s104.根据所述能量消耗率与所述剩余电池能量，计算出车辆的剩余里程。

如图2所示，在云端系统中，根据所述行驶数据值建立预测工况模型，基于所述预测工况模型计算出对应的能量消耗率，包括：

s201.获取实时行驶数据；

s202.在预设间隔时间内，根据所述实时行驶数据，提取和储存特征向量；

s203.当所述特征向量数量达到预设数量时，更新所述云端系统中的特征向量库；

s204.根据已更新所述云端系统中的特征向量库进行聚类计算，基于聚类结果确定出最优聚类结果；

s205.根据所述最优聚类结果，建立对应的预测工况模型；

s206.基于所述预测工况模型，计算出所述预测工况模型对应的能量消耗率。

具体地，根据已更新所述云端系统中的特征向量库进行聚类计算，基于聚类结果确定出最优聚类结果包括：

根据已更新所述云端系统中的特征向量库进行聚类计算，计算出多个聚类结果；

在多个所述聚类结果中提取规定数量的聚类中心结果；

通过对提取的所述聚类中心结果进行对比，确定出最优聚类结果。

具体地，所述特征向量库最大容量可容纳1000个特征向量。

具体地，所述特征向量为在所述预设间隔时间内的驾驶数据特征的变量，其中，所述驾驶数据特征包括：平均车速、最高车速、最低车速或怠速时间中至少一种。

一些实施例中，所述驾驶数据特征还包括更多的信息，例如，刹车频率，空调使用率等，均可以作为建立预测工况模型的驾驶数据特征。

具体地，所述预设间隔时间范围为450s～500s，一般优选地，所述预设间隔时间为500s。

具体地，所述预设数量范围为90～100，一般优选地，所述预设数量为100。

具体地，更新所述云端系统中的特征向量库包括：

删除所述特征向量库中时间最早的特征向量，其中，删除的特征向量数量与存储的所述特征向量数量一致；

将存储的所述特征向量加入所述特征向量库中，重新组建一个特征向量库能够不断的更新特征向量满足使驾驶行为模型更新，避免历史数据对驾驶行为模型精度产生干扰，保证预估出的电动汽车剩余里程的准确性。

具体地，所述预测工况模型是指的一种基于驾驶行为所对应的预测工况的数据模型。

具体地，所述聚类计算的方法为kmeans++聚类计算法。

如图3所示，在预设存储时间内，基于所述建立驾驶行为模型，通过电池管理系统计算出剩余电池能量包括：

s301.在预设存储时间内，获取对应的特征向量；

s302.根据所述对应的特征向量与所述预测工况模型中聚类结果的欧式距离，确定出最小距离的聚类结果；

s303.将最小距离的聚类结果作为预测工况，在所述预测工况下，计算出剩余电池能量。

具体地，所述预设存储时间范围为90s～100s，一般优选地，所述预设存储时间范围为100s。

本实施例还提供了一种纯电动汽车的剩余里程预估装置，如图4所示，包括：

获取模块10，用于获取车辆的行驶数据值；

能量消耗率计算模块20，用于在云端系统中，根据所述行驶数据值建立预测工况模型，基于所述预测工况模型计算出对应的能量消耗率；

剩余电池能量计算模块30，用于在预设存储时间内，基于所述预测工况模型，通过电池管理系统计算出剩余电池能量；

剩余里程计算模块40，用于根据所述能量消耗率与所述剩余电池能量，计算出车辆的剩余里程。

如图5所示，所述能量消耗率计算模块20还包括：

实时行驶数据获取单元201，用于获取实时行驶数据；

特征向量存储单元202，用于在预设间隔时间内，根据所述实时行驶数据，提取和储存特征向量；

特征向量库更新单元203，用于当所述特征向量数量达到预设数量时，更新所述云端系统中的特征向量库；

最优聚类结果确定单元204，用于根据已更新所述云端系统中的特征向量库进行聚类计算，基于聚类结果确定出最优聚类结果；

驾驶行为模型建立单元205，用于根据所述最优聚类结果，建立对应的预测工况模型；

能量消耗率计算单元206，用于基于所述预测工况模型，计算出所述预测工况模型对应的能量消耗率。

如图6所示，所述剩余电池能量计算模块30还包括：

特征向量获取单元301，用于在预设存储时间内，获取对应的特征向量；

最小距离的聚类结果确定单元302，用于根据所述对应的特征向量与所述预测工况模型中聚类结果的欧式距离，确定出最小距离的聚类结果；

剩余电池能量计算单元303，用于将最小距离的聚类结果作为预测工况，在所述预测工况下，计算出剩余电池能量。

实施例一提供了一种纯电动汽车的剩余里程预估方法及装置，通过根据驾驶员日常的驾驶习惯，建立驾驶行为模型，基于驾驶行为模型计算出电池剩余电量，并且根据剩余电量和驾驶行为模型，准确的预估出纯电动汽车的剩余里程，提高其准确性，避免误导驾驶员在后续驾驶过程中的判断，使驾驶员能够合理的安排充电时机和行程。

要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为二系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。同样地，上述中纯电动汽车的剩余里程预估装置的各模块是指计算机程序或者程序段，用于执行某一项或多项特定的功能，此外，上述各模块的区分并不代表实际的程序代码也必须是分开的。此外，还可对上述实施例进行任意组合，得到其他的实施例。

在上述实施例中，对各实施例的描述都各有侧重，某各实施例中没有详述的部分，可以参见其它实施例的相关描述。本领域技术人员还可以了解到本发明实施例列出的各种说明性逻辑块(illustrativelogicalblock)，单元，和步骤可以通过电子硬件、电脑软件，或两者的结合进行实现。为清楚展示硬件和软件的可替换性(interchangeability)，上述的各种说明性部件(illustrativecomponents)，单元和步骤已经通用地描述了它们的功能。这样的功能是通过硬件还是软件来实现取决于特定的应用和整个系统的设计要求。本领域技术人员可以对于每种特定的应用，可以使用各种方法实现所述的功能，但这种实现不应被理解为超出本发明实施例保护的范围。

上述说明已经充分揭露了本发明的具体实施方式。需要指出的是，熟悉该领域的技术人员对本发明的具体实施方式所做的任何改动均不脱离本发明的权利要求书的范围。相应地，本发明的权利要求的范围也并不仅仅局限于前述具体实施方式。