[發(fā)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?zhí)枺?/td>: 202011542380.3
• 申請日: 2020-12-22
• 公開（公告）號: CN112560186B
• 公開（公告）日: 2022-08-05
• 發(fā)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

本發(fā)明適用電動汽車技術領域，提供電動汽車行程能耗預測方法、裝置、設備及可存儲介質，包括獲取電動汽車的行駛行程測試數據以及歷史行駛行程數據；根據行駛行程測試數據及預設的整車能耗模型，確定多個工況特征對應的多個能耗敏感性參數；根據歷史行駛行程數據，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；根據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，確定電動汽車的未來行程能耗預測結果。本發(fā)明可以在極小且簡單的計算量下準確地估計行程能耗，易于實施，克服了目前機器學習方法計算量大，不可解釋且收斂性難以評估等問題，在實際應用于電動汽車行程能耗估計中具有重要的實際意義。

技術領域

本發(fā)明屬于電動汽車技術領域，尤其涉及一種電動汽車行程能耗預測方法、裝置、設備及可存儲介質。

背景技術

2019年，我國純電動汽車保有量達到310萬輛，僅僅2015-2019年4年，起保有量就增長了10倍，并呈指數增長態(tài)勢。雖然純電動汽車的優(yōu)勢已經開始顯現，且越來越多的消費者開始選擇純電動汽車，但純電動汽車續(xù)駛里程不足造成的駕駛員“里程焦慮”問題始終是影響純電動汽車推廣的最重要障礙之一。研究表明，電池的能量密度在短期內難以發(fā)生革命性的突破。在這種情況下，對行程能耗精確估計以合理規(guī)劃行程是減輕司機的“里程焦慮”的最有效手段。因此，電動汽車行程能耗預測的精確預測是目前電動車產業(yè)最為關注的核心技術之一。

行程能耗估計算法可分為基于模型和基于數據驅動兩類。基于模型的方法是通過建立整車能耗模型和動力電池模型，從而得到能耗率及剩余電量來估計剩余續(xù)駛里程，但由于該方法依賴準確的車輛及電池參數，所以往往出廠時標定參數準確，性能較高，但隨著用戶的使用，車輛參數發(fā)生變化，性能也隨之下降，因為這類算法在適應車輛使用過程中參數變化問題方面是比較困難煩人。基于數據驅動的方法是對歷史駕駛數據和實時數據進行挖掘分析，并利用實時行車數據估計未來平均能耗，這種方法不依賴于出廠的參數標定，可以迭代學習車輛的能耗特性，但這種方法的收斂性和準確性難以進行嚴格證明，且計算量往往較大，給實際應用造成了一定的困難。

由此可見，現有的電動汽車行程能耗估計方法存在計算量大以及預測準確性無法保障，不利于實際應用的問題。

發(fā)明內容

本發(fā)明實施例的目的在于提供一種電動汽車行程能耗預測方法，旨在解決現有的電動汽車行程能耗估計方法存在計算量大以及預測準確性無法保障，不利于實際應用的問題。

本發(fā)明實施例是這樣實現的，一種電動汽車行程能耗預測方法，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。

本發(fā)明實施例的另一目的在于一種電動汽車行程能耗預測裝置，包括：

行駛行程數據獲取單元，用于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；

能耗敏感性參數確定單元，用于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；