[發明專利]結合路面狀況的新能源車行駛距離最優估計方法及系統

在審

• 申請號: 202110709135.5
• 申請日: 2021-06-25
• 公開（公告）號: CN113320437A
• 公開（公告）日: 2021-08-31
• 發明（設計）人: 蔣閔宇;郭愛英
• 申請（專利權）人: 浙江吉敦科技有限公司
• 主分類號: B60L58/12
• 分類號: B60L58/12;G06N3/04;G06N3/08;G06F16/28;G06T3/40;G06T11/20
• 代理公司: 浙江永鼎律師事務所 33233
• 代理人: 陸永強

本發明公開了一種結合路面狀況的新能源車行駛距離最優估計方法，包括：采集數種工況下的路面圖像，構成多維的路面特征，并獲得任一路面特征對應的路面狀態值，并組成路面狀態值集；獲取新能源車輛的基礎信息，采集新能源車輛的行駛工況下的路面狀況，并結合當前路面狀況的路面狀態值構建SOC預測曲線；將新能源車輛的當前工況和SOC預測曲線輸入至反饋神經網絡LTSM，訓練并獲得新能源車輛的SOC預測曲線集和SOC預測曲線集的曲線對應的最長行駛距離；實時采集新能源車輛的當前工況和當前路面狀況，求得當前的SOC預測曲線，并與SOC預測曲線集中最接近的曲線對比，迭代求得實際的SOC預測和行駛距離。

技術領域

本發明涉及新能源車電源管理及控制器技術領域，尤其是結合路面狀況的新能源車行駛距離最優估計方法及系統。

背景技術

電池作為新能源汽車的核心部件，其主要給新能源車提供電能，但是由于電池剩余電量不能夠準確預估，使得駕駛員無法在當前剩余電量下確定新能源車能夠行駛的里程；尤其是當電量較低時，這種問題更嚴重，駕駛員普遍存在里程焦慮問題。電池剩余電量的預估不準確，主要是由以下兩個方面的原因：

第一，由于每個電池組的物理特性存在差異、使用者的充電習慣(充電次數和充電方式)不同、實際新能源車行駛的工況(包含有負載、路面狀況、外界溫度)等差異；

第二，由于電池本身的State OfCharge(SOC)曲線的獲得是來自于電池化學特性模型，其自身化學模型本身不準確，從而使得新能源車的駕駛員無法實時獲得準確的電量與當前駕駛路面的能夠行駛的，特別是當電池處于不同溫度或不同壽命時期，盡管開路電壓一樣，但實際上的SOC估計值則差別較大。

目前，傳統的SOC預測是由電池的管理系統(Battery Management System，BMS)完成，如圖1所示，其預測方法有安時積分法、開路電壓法、負載電壓法、卡爾曼濾波法以及人工神經網絡法。這些方法都是基于已有的電池化學充放電模型來進行，在預測的時候，僅是大致通過模型估算從而給出曲線，未考慮到實際每個新能源車的已有狀態(新能源車的前期使用狀態)與當前工作狀態來進行估算，使得存在SOC曲線估計不準確。

與此同時，傳統的整車控制器不能準確預估行駛距離，駕駛員僅是憑借經驗進行預計，嚴重影響駕駛員的心情，極有可能造成不可逆的交通事故、車型銷售量下滑等問題，可見電池SOC預估與行駛距離的準確估計在新能源車中非常重要。

因此，急需要提出一種估計準確、邏輯簡單的結合路面狀況的新能源車行駛距離最優估計方法及系統。

發明內容

針對上述問題，本發明的目的在于提供一種結合路面狀況的新能源車行駛距離最優估計方法及系統，本發明采用的技術方案如下：

結合路面狀況的新能源車行駛距離最優估計方法，包括以下步驟：

采集數種工況下的路面圖像，構成多維的路面特征，并獲得任一路面特征對應的路面狀態值，并組成路面狀態值集；

獲取新能源車輛的基礎信息，采集新能源車輛的行駛工況下的路面狀況，并結合當前路面狀況的路面狀態值構建SOC預測曲線；

將新能源車輛的當前工況和SOC預測曲線輸入至反饋神經網絡LTSM，訓練并獲得新能源車輛的SOC預測曲線集和SOC預測曲線集的曲線對應的最長行駛距離；

實時采集新能源車輛的當前工況和當前路面狀況，求得當前的SOC預測曲線，并與SOC預測曲線集中最接近的曲線對比，迭代求得實際的SOC預測和行駛距離。

進一步地，采集數種工況下的路面圖像包括在水泥、瀝青、地磚以及土路條件下分別采集干燥、潮濕、雨天、高溫、雪天、清早、深夜、中午的路面圖像。

進一步地，所述獲取新能源車輛的基礎信息，采集新能源車輛的行駛工況下的路面狀況，并結合當前路面狀況的路面狀態值構建SOC預測曲線，包括以下步驟：