CN104442825B - 一种电动汽车剩余行驶里程的预测方法和系统 - Google Patents

Abstract

本发明公开了一种电动汽车剩余行驶里程的预测方法，包括：获取驾驶者输入目的地信息；获取电动汽车信息；获取真实世界信息；载入历史驾驶行为；根据驾驶者输入目的地信息、电动汽车信息、真实世界信息，以及历史驾驶行为，通过计算得到电动汽车的最佳路径、剩余行驶里程以及抵达目的地时的剩余电量。本发明还公开了一种电动汽车剩余行驶里程的预测系统，包括驾驶者输入目的地信息获取单元、真实世界信息获取单元、电动汽车信息获取单元、云端服务器、显示单元。本发明的电动汽车剩余行驶里程的预测方法和系统保证了用户在驾驶电动汽车时能合理判断电动汽车的剩余行驶里程，大大提高了电动汽车的运行性能和运行可靠性。

Description

一种电动汽车剩余行驶里程的预测方法和系统

技术领域

本发明涉及电动汽车剩余行驶里程的预测技术，尤其涉及一种基于云端运算构架的电动汽车剩余行驶里程的预测方法和系统。

背景技术

随着电动汽车的发展和普及，使用者对电动汽车所使用的电池提出了更高的要求，不仅对电池本身的材料和充放电品质提出了要求，同时也对电池使用的合理性和信息管理的准确性提出了更高的要求，即如何准确评估电池状况、驾驶行为、道路状况、交通状况、和环境状况，并综合上述信息准确预测电动汽车的剩余里程。

目前，对电动汽车和普通汽车的剩余行驶里程预测都是通过统计过去一段时间内的平均消耗率，即单位里程所消耗的电量，再通过安时积分等方法实时估测电池剩余电量，随后用剩余电量除以单位里程所消耗电量来实现的。该方法的局限性在于：(1)仅通过单位里程电量消耗的统计来预测未来电量的消耗情况，没有综合考虑驾驶行为和全路径道路状况等因素；(2)仅通过单位里程电量消耗来评价驾驶行为，没有考虑到影响消耗量的其他因素，包括交通状况、道路状况、和天气等因素；(3)没有分析造成剩余历程变化的原因，以及没有为驾驶者提供延长剩余里程的建议。因此，上述方法无法判断驾驶行为的优劣，无法分析不同行车路线耗能高低的原因，无法根据多源信息准确预测剩余里程，也无法为改善电动汽车行动力提供建议。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种电动汽车剩余行驶里程的预测方法和系统，其可以根据多源信息包括电动汽车的电池数据、环境温度、道路状况、交通状况等信息准确地预测电动汽车的剩余里程，并能够为改善电动汽车行动力提供建议。

为实现上述目的，本发明提供了一种电动汽车剩余行驶里程的预测方法，其特征在于，包括：

获取驾驶者输入目的地信息；

获取电动汽车信息；

获取真实世界信息；

载入历史驾驶行为；

根据所述驾驶者输入目的地信息、所述电动汽车信息、所述真实世界信息，以及所述驾驶者的所述历史驾驶行为，通过计算得到电动汽车的最佳路径、剩余行驶里程以及抵达目的地时的剩余电量。

其中，所述历史驾驶行为不仅包括单个驾驶者的历史驾驶行为，还包括整个用户群的历史驾驶行为。

进一步地，所述获取驾驶者输入目的地信息包括：

获取驾驶者输入的用户信息；

判断所述驾驶者输入的用户信息是否与数据库已存储的驾驶者的用户信息匹配；

如果否，则继续获取驾驶者输入的用户信息，直至驾驶者输入的用户信息与数据库已存储的驾驶者的用户信息匹配；

如果是，则获取驾驶者选择的出发地和目的地信息；然后根据所述出发地和目的地信息生成多条备选路径，所述备选路径为待测路径。

进一步地，所述计算包括：

通过“匹配矩阵”算法找到用户群历史驾驶行为的数据中与当前驾驶行为、车辆信息、真实世界信息相似的历史记录，再通过这些历史记录中能耗的分布来预测不同路段的平均能耗值；

将电池目前剩余电量除以所述待测路径的不同路段的平均能耗值得到所述待测路径上的剩余行驶里程；

将电池目前剩余电量减去所述待测路径的总能耗值得到抵达目的地时的剩余电量；

以所述平均能耗值为基础，利用优化算法模型找出多条所述待测路径中总能耗值最少的路径，所述总能耗值最少的路径为最佳路径。

进一步地，所述优化算法模型包括蚁群算法、遗传算法、粒子群算法。

进一步地，所述预测方法还包括，当驾驶者的驾驶行为在行驶过程中发生变化时，重新载入与所述驾驶行为对应的历史驾驶行为，根据驾驶者目前所处位置和驾驶者输入的目的地，通过所述计算重新预测剩余行驶里程和抵达目的地时的剩余电量。

进一步地，所述驾驶行为量化为不同道路状况下的平均单位距离能耗量。

进一步地，所述预测方法还包括，所述驾驶者输入目的地信息、所述电动汽车信息和所述真实世界信息按时间间隔更新，当所述驾驶者输入目的地信息、所述电动汽车信息和所述真实世界信息发生变化时，通过所述计算重新确定最佳路径，并预测剩余行驶里程和抵达目的地时的剩余电量。

进一步地，所述电动汽车信息包括电池容量、阻抗、剩余电量、温度、故障信息、车内电气设备耗电情况、历史耗油记录。

进一步地，所述真实世界信息包括天气预报信息、道路坡度、实时交通状况、历史交通状况。

本发明还提供了一种如上述任意一种预测方法所使用的电动汽车剩余行驶里程的预测系统，该预测系统包括：

驾驶者输入目的地信息获取单元，用于获取驾驶者输入目的地信息；

真实世界信息获取单元，用于获取真实世界信息；

电动汽车信息获取单元，用于获取电动汽车信息；

云端服务器，所述驾驶者输入目的地信息获取单元、所述真实世界信息获取单元和所述电动汽车信息获取单元分别与所述云端服务器连接，并分别将所述驾驶者输入目的地信息、所述真实世界信息和所述电动汽车信息输送至所述云端服务器；所述云端服务器存储有历史驾驶行为，所述云端服务器根据所述历史驾驶行为、所述驾驶者输入目的地信息、所述真实世界信息和所述电动汽车信息计算出电动汽车的最佳路径、剩余行驶里程、抵达目的地时的剩余电量，并给出充电地点和时间规划、驾驶模式建议；

显示单元，所述显示单元与所述云端服务器连接，用于显示所述云端服务器的计算结果，所述显示单元的显示信息包括所述电动汽车的最佳路径、所述剩余行驶里程、平均单位距离能耗量、静止状态单位时间能耗量、所述抵达目的地时的剩余电量、所述充电地点和时间规划、所述驾驶模式建议。

进一步地，所述驾驶者输入目的地信息、所述真实世界信息和所述电动汽车信息均存储在云端服务器中，驾驶者登陆账号后能够获知所述云端服务器中存储的信息以及计算的结果。

进一步地，所述显示单元为车载显示屏或移动终端。

本发明的电动汽车剩余行驶里程的预测方法和系统通过综合多方面信息，包括驾驶者输入目的地信息、真实世界信息、电动汽车信息和历史驾驶行为，能够精确地预测电池的剩余行驶里程、电动汽车的最佳路径、抵达目的地时的剩余电量等信息，并能给出充电地点和时间规划、驾驶模式建议等，解决了现有技术无法判断驾驶行为的优劣，无法分析不同行车路线耗能高低的原因，无法根据多源信息准确预测剩余里程，也无法为改善电动汽车行动力提供建议等问题，保证用户在驾驶电动汽车时能合理判断电动汽车的剩余行驶里程，避免行驶过程中因电池电量不够导致电动汽车抛锚，大大提高了电动汽车的运行性能和运行可靠性。

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。

附图说明

图1是本发明的一个较佳实施例的电动汽车剩余行驶里程的预测方法的流程图；

图2是本发明的实施例中获取驾驶者输入的用户信息的流程图；

图3是本发明的实施例中计算剩余行驶里程的流程图；

图4是本发明的一个较佳实施例的电动汽车剩余行驶里程的预测系统的结构示意图；

图5是本发明的实施例中驾驶者输入目的地信息获取单元的结构示意图。

具体实施方式

本发明的一个较佳实施例提供了一种电动汽车剩余行驶里程的预测方法和系统，通过综合多方面信息，包括驾驶者输入目的地信息、真实世界信息、电动汽车信息和历史驾驶行为，能够精确地预测电池的剩余行驶里程、电动汽车的最佳路径、抵达目的地时的剩余电量等信息，并能给出充电地点和时间规划、驾驶模式建议等，解决了现有技术无法判断驾驶行为的优劣，无法分析不同行车路线耗能高低的原因，无法根据多源信息准确预测剩余里程，也无法为改善电动汽车行动力提供建议等问题，保证用户在驾驶电动汽车时能合理判断电动汽车的剩余行驶里程，避免行驶过程中因电池电量不够导致电动汽车抛锚，大大提高了电动汽车的运行性能和运行可靠性。

如图1所示，是本发明的一个较佳实施例的电动汽车剩余行驶里程的预测方法的流程图，该电动汽车剩余行驶里程的预测方法包括以下步骤：

步骤101：获取驾驶者输入目的地信息。

步骤102：获取电动汽车信息。

步骤103：获取真实世界信息；

步骤104：载入历史驾驶行为；

步骤105：根据上述驾驶者输入目的地信息、电动汽车信息、真实世界信息，以及历史驾驶行为，通过计算得到电动汽车的最佳路径、剩余行驶里程以及抵达目的地时的剩余电量。

其中，历史驾驶行为不仅包括单个驾驶者的历史驾驶行为，还包括整个用户群的历史驾驶行为。电动汽车信息包括电池容量、阻抗、剩余电量、温度、故障信息、车内电气设备耗电情况、历史耗油记录等相关数据。真实世界信息包括天气预报信息、道路坡度、实时交通状况、历史交通状况等。

如图2所示，是本发明的实施例中获取驾驶者输入的用户信息的流程图，获取驾驶者输入目的地信息包括以下步骤：

步骤201：获取驾驶者输入的用户信息。该用户信息包括驾驶者的用户名和密码。

步骤202：判断所述驾驶者输入的用户信息是否与数据库已存储的驾驶者的用户信息匹配。

如果否，则回到步骤201，继续获取驾驶者输入的用户信息。

如果是，则进入步骤203：获取驾驶者选择的出发地和目的地信息；然后根据该出发地和目的地信息生成多条备选路径，该备选路径为待测路径。

如图3所示，是本发明的实施例中计算剩余行驶里程的流程图。

本实施例的计算剩余行驶里程过程包括以下步骤：

步骤301：通过“匹配矩阵”算法找到用户群历史驾驶行为的数据中与当前驾驶行为、车辆信息、真实世界信息相似的历史记录，再通过这些历史记录中能耗的分布来预测不同路段的平均能耗值。

步骤302：计算剩余行驶里程；将电池目前剩余电量除以待测路径的不同路段的平均能耗值得到该待测路径上的剩余行驶里程。

步骤303：计算抵达目的地时的剩余电量；将电池目前剩余电量减去待测路径的总能耗值得到抵达目的地时的剩余电量。

步骤304：预测最佳路径；以平均能耗值为基础，利用优化算法模型，比如蚁群算法、遗传算法、粒子群算法等，找出多条待测路径中总能耗值最少的路径，总能耗值最少的路径为最佳路径

具体地，由于电动汽车电池的单位里程电量消耗与电动汽车行驶时的路况、电池状况、速度及加速度有着密切的联系，可以建立电动汽车的单位里程电量消耗与上述影响因素的对应关系。电动汽车的负载功率为牵引力和速度的乘积，输出功率为电池电压和放电电流的乘积，输出功率减去热损和铜损应该等于负载功率。匀速行驶时，牵引力只需克服轮胎的摩擦阻力，故电机所需的输出功率较小。而在加速度突然变化的瞬间，如突然加速或突然减速，电机的负载转矩会出现峰值，此时输出功率也会相应出现峰值。电动汽车匀速行驶时的速度、加速时的加速度、刹车时的减速度等信息可以用来判断驾驶者的驾驶行为。电池的剩余电量、温度及内阻等可以用来评估电池的工作状况。单位距离内的刹车次数、保持匀速的时间、保持匀速时的速度大小等因素可以用来判断路况信息。将上述信息与单位里程能耗通过智能算法建立预测模型，从而精确地预测电池的剩余里程。这里使用智能算法建立预测模型的方式包括以下几种方式：

(1)通过“匹配矩阵”算法找到用户群历史数据中与当前驾驶行为、车辆信息、真实世界信息相似的历史记录，再通过这些历史记录中能耗的分布来预测不同路段的平均能耗值。这即是本实施例所采用的方式。

(2)在其它实施例中，还可以通过将上述变量(驾驶习惯、车辆信息、真实世界信息)作为输入参数，能耗作为输出参数建立量化关系式，采用神经网络、模糊逻辑等算法，在建立该对应关系模型时将道路分段，使不同路段分别具有自己的预测模型。

驾驶行为可以量化为不同道路状况下(如高速或城市)的平均单位距离能耗量。当驾驶者的驾驶行为在行驶过程中发生变化时，重新载入与驾驶行为对应的历史驾驶行为，根据驾驶者目前所处位置和驾驶者输入的目的地，通过上述计算过程(包括步骤301～303)重新预测剩余行驶里程和抵达目的地时的剩余电量。

由于驾驶者输入目的地信息、电动汽车信息和真实世界信息按特定的时间间隔更新，当驾驶者输入目的地信息、电动汽车信息和真实世界信息发生变化时，通过上述计算过程(包括步骤301～304)重新确定最佳路径，并预测剩余行驶里程和抵达目的地时的剩余电量。

如图4所示，是本发明的一个较佳实施例的电动汽车剩余行驶里程的预测系统的结构示意图，该预测系统包括：驾驶者输入目的地信息获取单元401、真实世界信息获取单元402、电动汽车信息获取单元403，以及云端服务器404和显示单元405。驾驶者输入目的地信息获取单元401用于获取驾驶者输入目的地信息，真实世界信息获取单元用于获取真实世界信息，电动汽车信息用于获取电动汽车信息。

如图5所示，是驾驶者输入目的地信息获取单元401的结构示意图，包括账号管理单元411、输入目的地信息界面412和路径生成单元414，账号管理单元411用于驾驶者注册用户信息，包括用户名和密码。账号管理单元411与数据库413连接，数据库413存储有用户信息，当驾驶者输入用户名和密码后，账号管理单元411会根据数据库413中的信息判断驾驶者的用户信息是否与数据库中的信息匹配。如果不匹配，驾驶者继续输入用户名和密码，直至与数据库413中的信息匹配；如果匹配，驾驶者可以进入输入目的地信息界面412输入出发地和目的地信息，路径生成单元414根据驾驶者输入的出发地和目的地信息生成多条备选路径。

如图4所示，驾驶者输入目的地信息获取单元401、真实世界信息获取单元和电动汽车信息获取单元分别与云端服务器404连接，并分别将驾驶者输入目的地信息、真实世界信息和电动汽车信息输送至云端服务器404。云端服务器404存储有历史驾驶行为，根据历史驾驶行为、驾驶者输入目的地信息、真实世界信息和电动汽车信息，云端服务器404计算出电动汽车的最佳路径、剩余行驶里程、抵达目的地时的剩余电量，并能够将上述计算结果与数据库中存储的相应数据进行比对，从而给出充电地点和时间规划、驾驶模式建议。

显示单元405与云端服务器404连接，用于显示云端服务器404的计算结果，显示单元405的显示信息包括电动汽车的最佳路径、电动汽车的剩余行驶里程、平均单位距离能耗量、静止状态单位时间能耗量、抵达目的地时的剩余电量，以及充电地点和时间规划、驾驶模式建议等信息。

驾驶者输入目的地信息、真实世界信息和电动汽车信息均存储在云端服务器404中，驾驶者登陆账号管理单元411后能够获知云端服务器411中存储的信息以及计算的结果。

本发明的实施例中，显示单元405为车载显示屏，在其它的实施例中也可以为移动终端。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (2)

1.一种电动汽车剩余行驶里程的预测方法，其特征在于，包括：

获取驾驶者输入目的地信息；

获取电动汽车信息；

获取真实世界信息；

载入历史驾驶行为；

根据所述驾驶者输入目的地信息、所述电动汽车信息、所述真实世界信息，以及所述历史驾驶行为，通过计算得到电动汽车的最佳路径、剩余行驶里程以及抵达目的地时的剩余电量；

所述获取驾驶者输入目的地信息包括：

获取驾驶者输入的用户信息；

判断所述驾驶者输入的用户信息是否与数据库已存储的驾驶者的用户信息匹配；

如果否，则继续获取驾驶者输入的用户信息，直至驾驶者输入的用户信息与数据库已存储的驾驶者的用户信息匹配；

如果是，则获取驾驶者选择的出发地和目的地信息；然后根据所述出发地和目的地信息生成多条备选路径，所述备选路径为待测路径；

所述计算包括：

通过“匹配矩阵”算法找到用户群历史驾驶行为的数据中与当前驾驶行为、车辆信息、真实世界信息相似的历史记录，再通过这些历史记录中能耗的分布来预测不同路段的平均能耗值；

将电池目前剩余电量除以所述待测路径的不同路段的平均能耗值得到所述待测路径上的剩余行驶里程；

将电池目前剩余电量减去所述待测路径的总能耗值得到抵达目的地时的剩余电量；

以所述平均能耗值为基础，利用优化算法模型找出多条所述待测路径中总能耗值最少的路径，所述总能耗值最少的路径为最佳路径；所述优化算法模型包括蚁群算法、遗传算法、粒子群算法；

所述预测方法还包括，当驾驶者的驾驶行为在行驶过程中发生变化时，重新载入与所述驾驶行为对应的历史驾驶行为，根据驾驶者目前所处位置和驾驶者输入的目的地，通过所述计算重新预测剩余行驶里程和抵达目的地时的剩余电量；

所述驾驶行为量化为不同道路状况下的平均单位距离能耗量；

所述预测方法还包括，所述驾驶者输入目的地信息、所述电动汽车信息和所述真实世界信息按时间间隔更新，当所述驾驶者输入目的地信息、所述电动汽车信息和所述真实世界信息发生变化时，通过所述计算重新确定最佳路径，并预测剩余行驶里程和抵达目的地时的剩余电量；

所述电动汽车信息包括电池容量、阻抗、剩余电量、温度、故障信息、车内电气设备耗电情况、历史耗油记录；

所述真实世界信息包括天气预报信息、道路坡度、实时交通状况、历史交通状况。

2.一种如权利要求1所述的预测方法所使用的电动汽车剩余行驶里程的预测系统，其特征在于，包括：

驾驶者输入目的地信息获取单元，用于获取驾驶者输入目的地信息；

真实世界信息获取单元，用于获取真实世界信息；

电动汽车信息获取单元，用于获取电动汽车信息；

云端服务器，所述驾驶者输入目的地信息获取单元、所述真实世界信息获取单元和所述电动汽车信息获取单元分别与所述云端服务器连接，并分别将所述驾驶者输入目的地信息、所述真实世界信息和所述电动汽车信息输送至所述云端服务器；所述云端服务器存储有历史驾驶行为，所述云端服务器根据所述历史驾驶行为、所述驾驶者输入目的地信息、所述真实世界信息和所述电动汽车信息计算出电动汽车的最佳路径、剩余行驶里程、抵达目的地时的剩余电量，并给出充电地点和时间规划、驾驶模式建议；

显示单元，所述显示单元与所述云端服务器连接，用于显示所述云端服务器的计算结果，所述显示单元的显示信息包括所述电动汽车的最佳路径、所述剩余行驶里程、平均单位距离能耗量、静止状态单位时间能耗量、所述抵达目的地时的剩余电量、所述充电地点和时间规划、所述驾驶模式建议；

所述驾驶者输入目的地信息、所述真实世界信息和所述电动汽车信息均存储在云端服务器中，驾驶者登陆账号后能够获知所述云端服务器中存储的信息以及计算的结果。