[發明專利]電動汽車行程能耗預測方法、裝置、設備及可存儲介質有效
| 申請號： | 202011542380.3 | 申請日： | 2020-12-22 |
| 公開（公告）號： | CN112560186B | 公開（公告）日： | 2022-08-05 |
| 發明（設計）人： | 袁新枚;蘇建華;秦偉晏;謝子晗;段昕瑋;路京雨;陳英亮 | 申請（專利權）人： | 吉林大學 |
| 主分類號： | G06F30/15 | 分類號： | G06F30/15;G01M17/007;G01R31/367;G01R31/392;G06F119/06 |
| 代理公司： | 北京專贏專利代理有限公司 11797 | 代理人： | 李斌 |
| 地址： | 130000 吉*** | 國省代碼： | 吉林;22 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 電動汽車 行程 能耗 預測 方法 裝置 設備 存儲 介質 | ||
1.一種電動汽車行程能耗預測方法，其特征在于，包括：
獲取待能耗預測的電動汽車的行駛行程測試數據以及歷史行駛行程數據，所述行駛行程測試數據以及歷史行駛行程數據均包括多個行程的多個工況特征以及所述多個行程對應的電動汽車能耗率；
根據所述行駛行程測試數據以及預設的整車能耗模型，確定所述多個工況特征對應的多個能耗敏感性參數；所述能耗敏感性參數包括出廠標定參數，所述出廠標定參數包括易變參數；
根據所述歷史行駛行程數據，基于遞推最小二乘法對所述易變參數進行自適應學習，確定自適應學習參數；
獲取未來行程的多個工況特征；
根據所述未來行程的多個工況特征、出廠標定參數以及自適應學習參數，確定所述電動汽車的未來行程能耗預測結果；
所述根據所述歷史行駛行程數據，基于遞推最小二乘法對所述易變參數進行自適應學習，確定自適應學習參數的步驟包括：
根據預設的電動汽車易變參數確定規則，從所述能耗敏感性參數中確定易變參數；
基于遞推最小二乘法對所述預設的整車能耗模型進行變換處理，確定自適應學習模型；
根據所述歷史行駛行程數據以及自適應學習模型，對所述易變參數進行自適應學習，確定自適應學習參數。
2.根據權利要求1所述的電動汽車行程能耗預測方法，其特征在于，所述根據所述未來行程的多個工況特征、出廠標定參數以及自適應學習參數，確定所述電動汽車的未來行程能耗預測結果的步驟，包括：
根據所述未來行程的多個工況特征、出廠標定參數以及自適應學習參數，確定所述電動汽車的未來行程能耗率；
獲取所述電動汽車的未來行程距離、車載動力電池的額定容量以及當前時刻的SOC值；
根據所述未來行程能耗率以及未來行程距離，確定所述電動汽車的未來行程預計能耗；
根據所述未來行程預計能耗、車載動力電池的額定容量以及當前時刻的SOC值，確定所述電動汽車的未來行程結束的SOC預測值。
3.根據權利要求1所述的電動汽車行程能耗預測方法，其特征在于，所述預設的整車能耗模型的公式如下所示：
式中，cy為第y個行程對應的電動汽車能耗率，Fyx為第y個行程的第x個工況特征y∈[1,2,…,k],x∈[1,2,…,n]，工況特征包括速度強度工況特征，制動強度工況特征，[β1 β2 …βn]T為對應工況特征的能耗敏感性參數。
4.根據權利要求1所述的電動汽車行程能耗預測方法，其特征在于，所述工況特征包括常能耗強度、速度強度、制動強度、時間強度、空調強度、冷啟動強度以及坡度強度。
5.根據權利要求1所述的電動汽車行程能耗預測方法，其特征在于，所述能耗敏感性參數包括常能耗強度敏感性參數、速度強度敏感性參數、制動強度敏感性參數、時間強度敏感性參數、空調強度敏感性參數、冷啟動強度敏感性參數以及坡度強度敏感性參數。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于吉林大學，未經吉林大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011542380.3/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：一種智能運維方法和系統
- 下一篇：USB接口的保護電路及電子設備
