CN113424067A - 电池剩余电量预估方法及装置 - Google Patents

Abstract

本申请涉及电动车与智能车领域，特别提供一种电池剩余电量预估方法及装置，其中，获取导航路径的路程信息；根据路程信息计算驱动能耗；获取车辆在导航路径上行驶的预估时间信息；获取车辆的高压附件状态信息；根据高压附件状态信息与预估时间信息计算高压附件能耗；获取车辆的低压附件状态信息；根据低压附件状态信息与预估时间信息计算低压附件能耗；获取当前电池电量；根据驱动能耗、高压附件能耗、低压附件能耗与当前电池电量计算到达导航路径的终点时的电池剩余电量。采用如上方式，不但考虑行驶能耗与高压附件能耗，还考虑了低压附件能耗，再此基础上预估电池剩余电量，从而能够提高电池剩余电量的准确度与精细度。

Description

电池剩余电量预估方法及装置

技术领域

本发明涉及电动车辆领域，尤其涉及一种电池剩余电量预估方法及装置。

背景技术

车载电池作为主要能量源来驱动新能源汽车，并为汽车内的电器例如空调等提供电能。但是由于受到电池技术发展缓慢以及安全因素的制约，车载电池容量是有限的，用户在使用电动汽车时，普遍存在里程焦虑，里程越长，焦虑越明显。近来，对部分电动汽车用户关于电池续航能力和里程评价方面的调研显示，在上下班代步场景下，被调查的所有用户都是满意的，认为使用此场景时电池续航的“里程足够”；在短途出行场景下，大多数的用户是满意的，认为使用此场景时电池续航“勉强够用”；在长途出行场景下，只有三分之一左右的用户是满意的，很多用户认为使用此场景时电池续航“里程不足”。

为缓解里程焦虑，现有技术中存在一种基于导航行程目的地的电池剩余电量(也被称为SOC,State of charge)预估方法，帮助电动车主掌握续航能力，及时应对续航里程不足问题。

然而，汽车在行驶过程中，对电池电量的消耗程度受到多方面的影响，例如驾驶过程中是否开空调、是否交通拥堵等等对电池的能耗影响差异是巨大的，因此如何精确预估导航行程目的地的电池SOC是亟待解决的问题。

发明内容

本申请提供一种电池剩余电量预估方法、装置、计算设备、计算机可读存储介质等，以提高车辆按照导航路径行驶到达目的地时的电池SOC的预估准确度。

本申请第一方面提供一种车辆的电池剩余电量预估方法，其特征在于，包括：获取车辆的驱动能耗；获取车辆的高压附件能耗；获取车辆的低压附件能耗；获取当前电池电量；根据驱动能耗、高压附件能耗、低压附件能耗与当前电池电量计算到达车辆的导航路径的终点时的电池剩余电量。

采用上述的电池剩余电量预估方法，根据驱动能耗、高压附件能耗与低压附件能耗来计算电池剩余电量，从而能够提高电池剩余电量的预估准确度、精细度。具体而言，现有技术中仅根据驱动能耗与高压附件能耗来计算电池剩余电量。然而，车辆上还有许多分散配置的低压附件，这些低压附件的使用虽然相对而言比较随机，但是对电池剩余电量的预估准确度还是有一定程度的影响的。例如，夜间行驶时需要开启车外照明灯，这与白天行驶时的能耗是不同的，或者环境温度低时，乘员可能会开启座椅加热功能，这也很对能耗造成影响。因此，本申请的上述电池剩余电量预估方法，不但考虑行驶能耗与高压附件能耗，还考虑了低压附件能耗，再此基础上预估电池剩余电量，从而能够提高电池剩余电量的准确度与精细度。

获取车辆的低压附件能耗可以包括：获取车辆的低压附件状态信息和导航路径的预估时间信息；根据低压附件状态信息与预估时间信息计算低压附件能耗。

低压附件状态信息可以包括下述项中的一项或多项：主驾座椅加热开关状态信息、主驾座椅加热挡位信息、副驾座椅加热开关状态信息、副驾座椅开关挡位信息、近光灯状态信息、远光灯状态信息、示廓灯状态信息、雨刮器状态信息与音箱状态信息。

采用如上方式，不但考虑低压附件的开关状态，还考虑到例如主驾座椅加热挡位信息，根据不同的加热挡位来计算电池剩余电量，从而能够更加准确、精细化地计算电池剩余电量。另外，对于车外照明灯，考虑到远光灯、近光灯、示廓灯的功率通常是不同的，因此根据近光灯状态信息、远光灯状态信息、示廓灯状态信息来计算电池剩余电量，从而能够更加准确、精细化地计算电池剩余电量。

作为第一方面的一个可能的实现方式，根据低压附件状态信息与预估时间信息计算低压附件能耗包括：根据低压附件状态信息，利用低压附件能耗模型获得低压附件功率信息；根据低压附件功率信息与预估时间信息计算低压附件能耗。这里的功率是指单位时间的能耗。能耗是指能量(电量)消耗量。

作为第一方面的一个可能的实现方式，获取驱动能耗具体包括：获取车辆的导航路径的路程信息与速度信息；根据速度信息，利用驱动能耗模型获得驱动能耗率信息；根据驱动能耗率信息与路程信息计算驱动能耗。这里的驱动能耗率是指单位路程的驱动能耗。

作为第一方面的一个可能的实现方式，还包括：获取车辆的驾驶模式与能量回收等级；根据驾驶模式与能量回收等级对驱动能耗进行修正。

作为第一方面的一个可能的实现方式，还包括：获取车辆在导航路径上的加速度信息；根据加速度信息对驱动能耗进行修正。

即便是相同的道路、相同的路程等，不同的驾驶员驾驶车辆所产生的能耗也是不同的，例如，有的驾驶员的驾驶风格比较激进，这对能耗的影响也是比较大的，因此，本申请的如上实现方式中，根据体现不同驾驶风格的加速度信息来修正驱动能耗，从而能够更加准确地预估电池剩余电量。

加速度信息可以包括下述项中的一项或多项：加速段平均加速度信息、减速段平均减速度信息、急加速比例信息和急减速比例信息。

采用如上方式，能够更加精细化、准确地计算电池剩余电量。另外，不仅仅是平均加速度，急加速和急减速所占的比例对能耗的影响也是很大的，因此，采用如上方式能够进一步提高电池剩余电量的预估准确度。

作为第一方面的一个可能的实现方式，根据驾驶模式与能量回收等级对驱动能耗进行修正包括：根据驾驶模式与能量回收等级，利用驱动能耗修正系数模型获得驱动能耗修正系数；根据驱动能耗修正系数对驱动能耗进行修正。

作为第一方面的一个可能的实现方式，根据加速度信息对驱动能耗进行修正包括：根据导航规划加速度信息，利用驱动能耗修正系数模型获得驱动能耗修正系数；根据驱动能耗修正系数对驱动能耗进行修正。

作为第一方面的一个可能的实现方式，驱动能耗修正系数模型是根据车辆的单车数据建立的。

驱动能耗修正系数模型体现的是加速度信息对驱动能耗的影响，而驾驶车辆时的加减速操作是因人而异的，因此利用单车数据建立驱动能耗修正系数模型能够提高模型预测准确度，基于此来修正驱动能耗从而能够提高驱动能耗的预测准确度，进而提高电池剩余电量预测准确度。

作为第一方面的一个可能的实现方式，还包括：获取导航路径的坡度信息；根据坡度信息对驱动能耗进行修正。

道路坡度对驱动能耗也是有比较大的影响的，因此，采用如上方式，坡度信息来修正驱动能耗，从而能够更加准确的预估驱动能耗，进而能够更加准确地预估电池剩余电量。

作为第一方面的一个可能的实现方式，获取车辆的高压附件能耗具体包括：获取车辆的高压附件状态信息；根据高压附件状态信息，利用高压附件能耗模型获得高压附件功率信息；根据高压附件功率信息与预估时间信息计算高压附件能耗。

作为第一方面的一个可能的实现方式，电池剩余电量预估方法还包括：当导航路径是常走路线时，利用常走路线驱动能耗模型计算驱动能耗，常走路线驱动能耗模型是根据车辆的单车数据建立的。常走路线典型的是通勤路线，可以根据导航路径的起点与终点是否为家和公司来判断是否为常走路线。

本申请第二方面提供一种车辆的电池剩余电量预估装置，包括获取模块与处理模块，处理模块用于获取驱动能耗、高压附件能耗与低压附件能耗；获取模块用于获取当前电池电量；处理模块还用于根据驱动能耗、高压附件能耗、低压附件能耗与当前电池电量计算到达车辆的导航路径的终点时的电池剩余电量。

作为一个可能的实现方式，获取模块还用于获取车辆的低压附件状态信息和导航路径的预估时间信息；处理模块还用于根据低压附件状态信息与预估时间信息计算低压附件能耗。

作为第二方面的一个可能的实现方式，低压附件状态信息包括下述项中的一项或多项：主驾座椅加热开关状态信息、主驾座椅加热挡位信息、副驾座椅加热开关状态信息、副驾座椅开关挡位信息、近光灯状态信息、远光灯状态信息、示廓灯状态信息、雨刮器状态信息与音箱状态信息。

作为第二方面的一个可能的实现方式，根据低压附件状态信息与预估时间信息计算低压附件能耗包括：根据低压附件状态信息，利用低压附件能耗模型获得低压附件功率信息；根据低压附件功率信息与预估时间信息计算低压附件能耗。

作为第二方面的一个可能的实现方式，获取模块还用于获取车辆的导航路径的路程信息与速度信息；处理模块还用于根据速度信息，利用驱动能耗模型获得驱动能耗率信息；处理模块还用于根据驱动能耗率信息与路程信息计算驱动能耗。

作为第二方面的一个可能的实现方式，获取模块还用于获取车辆的驾驶模式与能量回收等级；处理模块还用于根据驾驶模式与能量回收等级对驱动能耗进行修正。

作为第二方面的一个可能的实现方式，获取模块还用于获取车辆在导航路径上的加速度信息；处理模块还用于根据加速度信息对驱动能耗进行修正。

作为第二方面的一个可能的实现方式，加速度信息包括下述项中的一项或多项：加速段平均加速度信息、减速段平均减速度信息、急加速比例信息和急减速比例信息。

作为第二方面的一个可能的实现方式，根据驾驶模式与能量回收等级对驱动能耗进行修正包括：根据驾驶模式与能量回收等级，利用驱动能耗修正系数模型获得驱动能耗修正系数；根据驱动能耗修正系数对驱动能耗进行修正。

作为第二方面的一个可能的实现方式，根据加速度信息对驱动能耗进行修正包括：根据导航规划加速度信息，利用驱动能耗修正系数模型获得驱动能耗修正系数；根据驱动能耗修正系数对驱动能耗进行修正。

作为第二方面的一个可能的实现方式，驱动能耗修正系数模型是根据车辆的单车数据建立的。

作为第二方面的一个可能的实现方式，获取模块还用于获取导航路径的坡度信息；处理模块还用于根据坡度信息对驱动能耗进行修正。

作为第二方面的一个可能的实现方式，获取模块还用于获取车辆的高压附件状态信息；处理模块还用于根据高压附件状态信息，利用高压附件能耗模型获得高压附件功率信息；处理模块还用于根据高压附件功率信息与预估时间信息计算高压附件能耗。

本申请第三方面提供一种计算设备，其包括处理器与存储器，存储器存储有计算机程序，计算机程序当被处理器运行时执行上述任一种电池剩余电量预估方法。

本申请第四方面提供一种计算机可读存储介质，其存储有计算机程序，计算机程序当被计算机运行时执行上述任一种电池剩余电量预估方法。

另外，本申请提供了一种导航行程能耗模型建立方法，该方法包括以下内容：接收当前车辆(第一车辆)的历史导航行程能耗相关数据，历史导航行程能耗相关数据由当前车辆采集，包括每一轮导航行程的行程能耗、驾驶模式和能量回收挡位；以历史导航行程能耗相关数据作为样本训练驾驶风格能耗系数模型，驾驶风格能耗系数模型用于表示当前车辆的驾驶风格和对行程能耗的影响程度之间的对应关系，影响程度用驾驶风格能耗系数表示；其中，驾驶风格至少根据驾驶模式和能量回收挡位确定。

本申请的技术方案考虑了驾驶风格对车辆能耗的影响，针对驾驶个性化来建立特别的模型，至少将驾驶模式和能量回收挡位这两个维度作为确定驾驶风格的因素，从而增加了驾驶风格定义简易性和确定性。并且，通过每一轮导航行程的行程能耗相关数据训练出的模型能够保证对真实能耗情况始终准确的表达，并将驾驶风格对行驶能耗的影响程度量化为驾驶风格能耗系数的形式，从而使得对行驶能耗随驾驶风格的变化用线性关系来体现。另外，即使导航服务方未开放与导航信息相关的路况信息，驾驶风格系数也可以不考虑下文将详述的加速度特征，仅通过车辆自身的车况来确定，足以保证驾驶风格系数模型对能耗预估的实用性，进而增加了车辆导航行程的目的地电池SOC的预估准确度。

在导航行程能耗模型建立方法的一种可能的实现方式中，方法还包括，云端接收导航行程的路况信息，路况信息由导航服务方开放，包括加速度特征，加速度特征是导航服务方对当前车辆的每一轮导航行程中的加速度统计值；以及，进一步以路况信息作为样本训练驾驶风格能耗系数模型驾驶风格还根据道路类型和加速度特征来确定。

路况信息可以基于地图SDK获取，行驶能耗可以融入路况信息，也就是，车辆行驶过程中行驶能耗相关信息就可以同步结合导航路径中的路况信息来一起训练驾驶风格能耗系数模型，由于路况信息中的加速度对预估准确度影响较大，因此在建立驾驶风格能耗系数模型时同步考虑由导航服务方实时统计的加速度特征作为另一更重要的维度来限定驾驶风格，使得基于驾驶风格的驾驶风格能耗系数模型的区分粒度更小，提升该模型的精度，因此在使用这样的驾驶风格能耗系数模型时，更多维度上均匹配时，对应查询出的驾驶风格能耗系数将更可靠，使得能耗预估更加准确。

路况信息还可以包括道路类型，道路类型是由导航服务方根据道路等级确定的；驾驶风格还根据道路类型来确定。

当对驾驶风格的限定进一步增加判断维度时，多种判断因素：来自导航服务方的道路类型和加速度特征、来自车端的驾驶模式和能量回收挡位的排列组合，均可以作为一种驾驶风格存在，并单独定义各自对应的驾驶风格能耗系数，进一步体现了驾驶风格的丰富和个性化，从而加强了以驾驶风格作为影响变量的驾驶风格系数模型的高拟合度。

模型建立方法还包括驾驶风格能耗系数模型通过强化学习迭代。

驾驶风格能耗系数模型的建立通过强化学习来迭代，可以根据导航行程和导航行程中大数据样本的积累，逐渐修正驾驶风格能耗系数模型中驾驶风格和系数的对应关系，随着持续的大数据训练，使得驾驶风格能耗系数模型及时地、真实地反映驾驶风格的微小变化对行驶能耗的微小影响，以提升预估准确度。

通过强化学习迭代进一步包括：本轮导航行程的驾驶风格能耗系数采用Q-table，在相同驾驶风格的上一轮导航行程的驾驶风格能耗系数的基础上更新。

驾驶风格能耗系数模型的建立通过Q-learning算法来强化学习，在Q-table(或称为Q表)中逐次修正上一轮相同驾驶风格下的驾驶风格能耗系数并作为最新一轮相同驾驶风格的驾驶风格能耗系数以供预估能耗和电池SOC使用，并作为下一轮迭代时的参数之一，这种迭代策略较为简易，计算负担小，并且使得建立驾驶风格能耗系数模型时不排除接收更广泛的数据范围作为样本，具有良好的扩展性。

历史导航行程能耗相关数据还可以包括每一轮导航行程的预估SOC和真实SOC；本轮的驾驶风格能耗系数由相同驾驶风格的上一轮导航行程的驾驶风格能耗系数和上一轮导航行程的单位距离绝对误差SOC计算得到；其中，单位距离绝对误差SOC等于上一轮预估SOC和上一轮真实SOC的绝对误差除以上一轮导航行程的距离。

在用Q-table进行迭代时，将单位距离绝对误差SOC作为迭代改变量，前一轮的误差越大，迭代改变量越大。用单位距离绝对误差SOC来修正能耗误差，使得预估准确度保持在一定范围内。

作为一种可能的实现方式，将相同驾驶风格的第一轮导航行程的驾驶风格能耗系数初始化为1。

将相同驾驶风格的第一轮导航行程的驾驶风格能耗系数初始化为1，使得对之后的相同驾驶风格下的各轮导航行程中系数起始值最小化，减小迭代计算量。

作为一种可能的实现方式，接收同一车型的每个车辆的历史低压附件相关能耗数据作为样本，历史低压附件相关能耗数据包括低压附件状态和低压附件功率，低压附件包括车辆的DC-DC用电器；建立低压附件能耗模型，低压附件能耗模型用于表示低压附件状态和低压附件功率之间的对应关系。

由于车辆的低压附件多点分散，能耗发生较为随机，现有技术中对低压附件的能耗缺乏有效的分析，在预估SOC时容易忽略这方面的能耗影响。本申请除了考虑驾驶风格对行驶能耗的影响外，还进一步考虑低压附件的能耗，为低压附件能耗建立专门的低压附件能耗模型以囊括各个附件状态所对应的能耗值，确保对能耗的全面分析和准确预估。

作为一种可能的实现方式，历史导航行程能耗相关数据还包括导航行程中的常走路线车速，每一轮导航行程的行程能耗包括常走路线驱动能耗，其中常走路线基于导航服务方提供的通勤设置中的出发地和目的地来确定；建立常走路线驱动能耗模型，常走路线驱动能耗模型用于表示当前车辆的常走路线车速和常走路线驱动能耗的对应关系。

由于每个单个车辆在常走路线上的样本数明显比其它导航行程的样本数多，并且常走路线上路况和车况通常较稳定，因此为每个单个车辆建立单独的常走路线驱动能耗模型，可以使得能耗预估的结果相对于非常走路线更加真实可靠，充分满足每个车辆的个性化预估需要，提高用户体验。

另外，本申请实施例还提供了一种导航行程电池SOC预估方法，包括以下内容：根据导航行程获取各路段的路况信息，各路段的路况信息包括各路段的距离和其车速；调用多个行驶能耗模型和上述任一种导航行程能耗模型建立方法得到的驾驶风格能耗系数模型，其中多个行驶能耗模型以同一车型的每个车辆的行驶能耗相关数据作为样本来建立，多个行驶能耗模型至少包括驱动能耗模型，驱动能耗模型用于表示同一车型的每个车辆的每一轮导航行程的车速和该车辆的每一轮导航行程的驱动能耗之间的对应关系；查询驾驶风格能耗系数模型中的与当前车辆的驾驶风格相对应的驾驶风格能耗系数；以及查询多个行驶能耗模型中的分别与各路段的路况信息相对应的各项行驶能耗的查询值；基于各路段的距离并使用驾驶风格能耗系数和各项行驶能耗的查询值，计算当前车辆的全程行驶预估能耗值；以及使用预估总能耗值计算电池SOC，预估总能耗值至少包括全程行驶预估能耗值。

在预估导航行程电池SOC时，将本申请提供的驾驶风格能耗系数模型纳入能耗预估范围，使得同一车型的各个车辆之间的电池的电池SOC预估方案不仅应用到通用的能耗模型，还应用到个性化的并且可动态调整的能耗模型，充分考虑了每一辆车的驾驶员或用户的个人驾驶行为习惯所带来的能耗区别，从而在未来发生的每一次导航行程中，都有效提升电池剩余电量的预估准确度。

在导航行程电池SOC预估方法的一种可能的实现方式中，全程行驶预估能耗值是各个路段的分段行驶预估能耗值之和，其中，每一路段的分段行驶预估能耗值是该路段的分段行驶能耗值、该路段的距离和驾驶风格能耗系数的乘积；其中，分段行驶能耗值是利用各项行驶能耗的查询值计算得到。

本申请的驾驶风格能耗系数作为对行驶能耗的影响程度的量化表现，在预估全程行驶能耗时，相当于在通用的行驶能耗的基础上增加了限制条件，使导航行程中的能耗预估情况具有更真实表现，进而提升了目的地电池SOC的预估准确度。

在导航行程电池SOC预估方法的一种可能的实现方式中，多个行驶能耗模型还包括附加能耗模型，附加能耗模型用于表示同一车型的各个车辆所处的道路坡度和对驱动能耗的增加量的对应关系；各路段的路况信息还包括各路段的道路坡度；查询附加能耗模型以获得对应于各路段的道路坡度的增加量的查询值；分段行驶能耗值为驱动能耗的查询值和增加量的查询值之和。

在导航行程的路线中出现路况复杂，比如路线中具有立交桥、盘山路等路段的情况下，道路坡度会成为影响行驶能耗的重要因素，因此除了驾驶能耗系数外，还要考虑能耗的增加量对理想状态的行驶能耗趋势的偏离作用，以确保对复杂路况下行驶的车辆的预估能耗在整体上接近真实能耗，以便对电池的电量消耗有准确预估，从而计算出正确的电池SOC。

在导航行程电池SOC预估方法的一种可能的实现方式中，方法还包括以下步骤：根据导航行程获取全程预估时间；调用通用附件能耗模型，以同一车型的每个车辆的通用附件能耗相关数据作为样本来建立，通用附件是消耗电量以进行驱动之外操作的车辆部件，通用附件能耗模型用于表示同一车型的每个车辆通用附件状态和通用附件功率的对应关系；通用附件能耗模型包括高压附件能耗模型，高压附件能耗模型用于表示同一车型的每个车辆的高压附件状态和其高压附件功率之间的对应关系；查询通用附件能耗模型中的与当前车辆的附件状态相对应的附件功率的查询值；预估总能耗值还包括全程附件能耗，全程附件能耗是全程预估时间和附件功率的查询值的乘积。

车辆上的各个附件对电池能量的消耗不可忽略，在前述驾驶能耗系数参与预估行驶能耗的能耗类型的同时，考虑与当前车辆在导航行程中的附件状态相对应的全程附件能耗，提升目的地电池SOC预估的准确度，提高车辆用户对全程用电情况的确定性，缓解车辆用户的里程焦虑。

在导航行程电池SOC预估方法的一种可能的实现方式中，通用附件能耗模型还包括低压附件能耗模型；附件功率的查询值等于高压附件功率和低压附件功率之和。

本申请为车内分布广泛的低压附件能耗建立不同附件状态的组合下分别和能耗的对应关系，确保对能耗的全面分析以及对电池SOC的准确预估，以车云信息融合的方式，获取真实能耗以计算续航里程。

在导航行程电池SOC预估方法的一种可能的实现方式中，导航行程为常走路线；多个行驶能耗模型中还包括常走路线驱动能耗模型；查询常走路线驱动能耗模型中的与常走路线车速相对应的常规路线驱动能耗的查询值；基于各路段的距离并使用驾驶风格能耗系数和常规路线驱动能耗的查询值，计算当前车辆的全程行驶预估能耗值。

当导航行程是常走路线时，数据样本明显比其它导航行程的样本数多，从而使得能耗预估比非常走路线的预估准确度更高，更好地体现电池SOC预测的有效性，有利于提高用户体验。

相应地，本申请实施例还提供一种导航行程能耗模型建立装置，包括：接收单元，用于接收当前车辆的历史导航行程能耗相关数据作为样本，历史导航行程能耗相关数据由当前车辆采集，包括每一轮导航行程的行程能耗、驾驶模式和能量回收挡位；模型建立单元，用于以历史导航行程能耗相关数据作为样本训练驾驶风格能耗系数模型，驾驶风格能耗系数模型用于表示当前车辆的驾驶风格和对行程能耗的影响程度之间的对应关系，影响程度用驾驶风格能耗系数表示；其中，驾驶风格至少根据驾驶模式和能量回收挡位确定。

在导航行程能耗模型建立装置的第一种可能的实现方式中，接收单元还用于接收导航行程的路况信息，路况信息由导航服务方开放，包括加速度特征，加速度特征是导航服务方对当前车辆的每一轮导航行程中的加速度统计值；模型建立单元进一步用于以路况信息作为样本训练驾驶风格能耗系数模型，驾驶风格还根据加速度特征来确定。

在导航行程能耗模型建立装置的第二种可能的实现方式中，路况信息还包括道路类型，道路类型是由导航服务方根据道路等级确定的；驾驶风格还根据道路类型来确定。

在导航行程能耗模型建立装置的第三种可能的实现方式中，建立装置还包括迭代单元，用于通过强化学习迭代驾驶风格能耗系数模型。

在导航行程能耗模型建立装置的第四种可能的实现方式中，迭代单元进一步用于采用Q-table，在相同驾驶风格的上一轮导航行程的驾驶风格能耗系数的基础上更新本轮导航行程的驾驶风格能耗系数。

在导航行程能耗模型建立装置的第五种可能的实现方式中，历史导航行程能耗相关数据还包括每一轮导航行程的预估SOC和真实SOC；迭代单元用于通过相同驾驶风格的上一轮导航行程的驾驶风格能耗系数和上一轮导航行程的单位距离绝对误差SOC来计算得到本轮的驾驶风格能耗系数；其中，单位距离绝对误差SOC等于上一轮预估SOC和上一轮真实SOC的绝对误差除以上一轮导航行程的距离。

在导航行程能耗模型建立装置的第六种可能的实现方式中，迭代单元用于将相同驾驶风格的第一轮导航行程的驾驶风格能耗系数初始化为1。

在导航行程能耗模型建立装置的第七种可能的实现方式中，接收单元还用于接收同一车型的每个车辆的历史低压附件相关能耗数据作为样本，历史低压附件相关能耗数据包括低压附件状态和低压附件功率，低压附件包括车辆的DC-DC用电器；模型建立单元还用于建立低压附件能耗模型，低压附件能耗模型用于表示低压附件状态和低压附件功率之间的对应关系。

在导航行程能耗模型建立装置的第八种可能的实现方式中，接收单元还用于接收导航行程中的常走路线车速，每一轮导航行程的行程能耗包括常走路线驱动能耗，其中常走路线基于导航服务方提供的通勤设置中的出发地和目的地来确定；模型建立单元还用于建立常走路线驱动能耗模型，常走路线驱动能耗模型用于表示当前车辆的常走路线车速和常走路线驱动能耗的对应关系。

本发明的这些和其它方面在以下(多个)实施例的描述中会更加简明易懂。

附图说明

以下参照附图来进一步说明本发明的各个特征和各个特征之间的联系。附图均为示例性的，一些特征并不以实际比例示出，并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征，或是额外示出了对于本申请非必要的特征，附图所示的各个特征的组合并不用以限制本申请。另外，在本说明书全文中，相同的附图标记所指代的内容也是相同的。具体的附图说明如下：

图1是本申请的一种应用场景说明图。

图2是本申请实施例中考虑到的对行驶能耗有影响的车辆因素的说明图

图3是本申请一个实施例涉及的SOC预估流程示意图。

图4是本申请另一个实施例涉及的SOC预估流程示意图。

图5是本申请一个实施例涉及的电池SOC预估方法的一种流程示意图；

图6是本申请一个实施例涉及的电池SOC预估装置的一种结构示意图；

图7是本申请一个实施例中提供的电子控制单元的一种结构示意图。

具体实施方式

在以下的描述中，所涉及的表示步骤的标号，如S10、S12……等，并不表示一定会按此步骤执行，在允许的情况下可以互换前后步骤的顺序，或同时执行。

说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容；它不排除其它的元件或步骤。因此，其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在，但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。

本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例，但可以指同一实施例。此外，在一个或多个实施例中，能够以任何适当的方式组合各特定特征、结构或特性，如从本公开对本领域的普通技术人员显而易见的那样。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致，以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外，本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

为缓解里程焦虑，现有技术中存在一种基于导航行程目的地的电池剩余电量预估方法，在该方法中，根据导航信息中的车速信息与路程信息预估驱动能耗，根据导航信息中的预估行驶时间与空调(高压附件)的状态预估高压附件能耗，根据取得能耗与高压附件能耗预估总能耗，基于此计算到达目的地时的电池剩余电量。

然而，这种方法仅仅根据考虑了通常对能耗有影响的驱动能耗与高压附件能耗，其预估结果比较粗略，还存在改进的余地。

基于现有技术所存在的缺陷，本申请实施例提供了一种电池SOC预估方法和装置等，更全面地考虑车辆各个环节的能耗和其影响因素，然后基于多个影响因素建立多种能耗模型，并通过结合这些能耗模型，最终计算出导航全程的目的地电池SOC。

图1是本申请实施例的一个应用场景的说明图，如图1所示，当驾驶员设定了目的地，车辆根据驾驶员的操作给出了导航路径，同时，利用后面详细描述的电池SOC预估方法计算到达目的地(终点)时的电池SOC，并在地图上的目的地位置处进行显示(“25％”)。本申请的技术方案可以应用在车联网的车云(V2C，Vehicle to Cloud)交互中。车云交互是车端与云端进行数据传输的通信技术，可以采用蜂窝移动通信或者互联网等方式实现。

车端向云端提供反映车辆运行特征的数据，车辆运行特征的数据由各种车载传感设备感知、收集并处理，这些数据包括但不限于车辆行驶数据、车辆状态、驾驶操作行为、车辆环境数据等，车辆行驶数据可以包括但不限于例如车速等；车辆状态可以是诸如车灯、雨刮器等用电器的开关状态、电池SOC等；驾驶操作行为可以是驾驶员对车辆的驾驶预设方式，包括驾驶模式、能量回收档位等等。车辆环境数据是关于车辆环境数据，比如周边环境温度、光线、雨雪等。车辆运行特征中的能耗相关数据包括实际能耗值和被归为影响能耗的影响因素。用量化后的影响因素(或称为影响变量)和实际能耗之间的对应关系来创建能耗模型。

云端作为平台接收来自车端的包括上述能耗相关数据的车辆运行特征的数据，并且还可以进一步结合地图导航路线或交通大数据，根据人工智能算法来提供信息服务、计算、决策等功能。

能耗也根据来源分为行驶能耗和通用附件能耗，行驶能耗是车辆行驶时所消耗的能量，通用附件是消耗电量以进行驱动之外操作的所有车辆部件，所以通用附件能耗是这些所有车辆部件在操作是所消耗的能量。在本实施例中，通用附件能耗包括高压附件能耗和低压附件能耗。

对于行驶能耗，影响车辆的行驶能耗的影响因素包括但不限于，车辆的车速、怠速比例、道路坡度、道路类型、驾驶风格、交通状况、风阻、天气等。因此，行驶能耗可以包括车辆驱动自身时的驱动能耗，可以视为理想状态下的行驶能耗，其主要影响因素是车速。大体而言，车速越快，驱动能耗越高。然而实际中，行驶能耗还包括附加能耗，主要影响因素可以包括车的自重、胎压、道路坡度、风阻、道路类型等等，作为在驱动能耗的基础上的增加量或减小量。大体而言，上坡坡度越大，附加能耗越大；自重越大，附加能耗越大；风阻越大，附加能耗越大；反之亦然。

需要特别说明的是，驾驶风格对行驶能耗的影响也不容忽略。驾驶风格为激烈驾驶时，对行驶能耗的影响较大，温柔驾驶时，对行驶能耗的影响较小。在本实施例中，驾驶风格可以根据加速度特征来确定，加速度反映了驾驶员操作加速踏板的激烈程度，减速度反映了驾驶员刹车的激烈程度，加速度或减速度的绝对值越大，驾驶风格越激烈，所以本实施例的一种实现方式中，加速度特征作为关键特征量来确定驾驶风格。在本实施例中，驾驶风格还可以根据驾驶预设方式确定，驾驶预设方式可以是驾驶模式和能量回收挡位的组合，其中，驾驶模式按照激烈程度从大到小例如包括但不限于运动模式、经济模式、舒适模式等；能量回收挡位可以分为高、中、低挡，能量回收挡位越高，驾驶风格越温和。另外，还可以结合道路类型来确定驾驶风格，道路类型是由导航服务方根据道路等级确定的，比如按照限速等级可以分为高速路、城镇路、乡村路、柏油路等或者按照公路质量等级分为硬地路面、砂砾路、泥泞路等，道路类型的不同对驾驶员情绪继而对驾驶行为产生影响，从而也对驾驶风格具有影响。因此，本实施例中，将根据采集的车辆运行特征数据的种类和/或对导航行程中的路况信息的获取权限来确定驾驶风格的判断因素有哪些，具体请参见下文对实施例的说明。

对于高压附件能耗，也称为热管理能耗，是热管理附件例如空调、高压加热器、高压除霜器等启动和使用时消耗的能量。本实施例中，影响车辆的高压附件能耗的影响因素包括但不限于环境温度、空调开关、空调温度等等。车内的高压附件能耗主要来自于空调的启动和运行功率，而空调的功率与空调设定温度以及空调设定温度与环境温度的差异等密切有关，空调设定温度(或者称为目标温度)与环境温度差异越大，高压附件能耗就越大。

对于低压附件能耗，是车辆高压直流电转为低压直流电(DC-DC)的12V或者24V的负载或用电器在启动和使用时消耗的能量。影响车辆的低压附件能耗的影响因素来自于各种低压附件的启动和可能的调节档位，在本实施例中，低压附件能耗的影响因素包括但不限于，远光灯、近光灯和/或示廓灯的开关、主驾和/或副驾座椅加热开关、通风开关、音箱开关、雨刮开关、电动天窗等等。

可以理解，市场上不同车型的车辆的能耗在相同影响因素的条件是不完全相同的，不同车型车辆之间的能耗参考作用不大，因此，分析能耗影响因素和建立能耗模型时，以同一车型的多车辆的数据和实际能耗作为样本来源，将提高实际能耗的能耗模型的分析价值和能耗模型的准确度，从而使电池SOC的计算更接近实际的电池SOC。

本技术方案中，由云端根据同一车型的多车辆历史上的与能耗相关的驾驶数据和环境数据以及实际能耗，分别建立多种类型的能耗模型。在用户开启地图端(导航装置、导航模块)进行导航时，导航服务方根据当前车辆的当前位置或出发地和目的地的信息来规划导航行程，通过当前车辆的车辆运行特征数据来查询能耗模型，获得各种能耗模型中的多个查询值，再结合导航行程中路径和路况信息对查询值进行修正，以分路段地计算到目的地处的全程能耗值，从而根据出发地当前的电池可用能量状态(SOE,State of Energy)、可用的剩余电量百分比(SOC，State of Charge)和全程能耗值来计算目的地的电池SOC。

为此本申请提供一种导航行程电池SOC预估方法，包括以下步骤：根据导航行程获取各路段的路况信息，各路段的路况信息包括各路段的距离和其车速；调用多个行驶能耗模型和驾驶风格能耗系数模型，其中多个行驶能耗模型以同一车型的每个车辆的行驶能耗相关数据作为样本来建立，多个行驶能耗模型至少包括驱动能耗模型，驱动能耗模型用于表示同一车型的每个车辆的每一轮导航行程的车速和该车辆的每一轮导航行程的驱动能耗之间的对应关系；查询驾驶风格能耗系数模型中的与当前车辆的驾驶风格相对应的驾驶风格能耗系数；以及查询多个行驶能耗模型中的分别与各路段的路况信息相对应的各项行驶能耗的查询值；基于各路段的距离并使用驾驶风格能耗系数和各项行驶能耗的查询值，计算当前车辆的全程行驶预估能耗值；以及使用预估总能耗值计算电池SOC，预估总能耗值至少包括全程行驶预估能耗值。

另外，导航服务通常由导航服务方或地图服务商的服务器(以下也被称为地图端)来提供，包括路径规划和路况信息，具体地，可选地根据车辆的用户或驾驶员的设置，以分路段的方式规划导航行程的路径，导航行程中导航信息包括但不限于全程距离、全程预估时间等，导航行程中的路况信息包括但不限于各路段的距离、各路段的平均车速、道路类型、道路坡度等等。但基于数据安全、服务权限等原因，导航服务方的路况信息不一定会对车端或云端开放，车端和云端是否具有调用或获取地图软件开发工具包(SDK，SoftwareDevelopment Kit)的权限，会导致云端为建立能耗模型所接收的数据样本类别有所不同，从而在预估目的地电池SOC时所不可或缺的路况信息的知晓方才有能力依据能耗模型来实施计算，也就是说，当车端或云端无权获取地图SDK时，预估目的地电池SOC由导航服务方来实施，当车端或云端有权获取地图SDK时，预估目的地电池SOC可以由车端或云端来实施。

图2是本申请实施例中考虑到的对行驶能耗有影响的车辆因素的说明图。如图2所示，行驶能耗主要包括三部分：驱动能耗(为驱动车辆行驶所需要的能耗)、高压附件(主要是空调)能耗与低压附件能耗。驱动能耗的影响因素包括车速、道路坡度、道路系、驾驶风格、交通状况、风阻、天气等。高压附件能耗的影响因素包括环境温度、空调开关、空调设定温度等。低压附件能耗的影响因素包括大灯开关、座椅加热/通风开关、音箱开关、雨刮器开关等。本领域技术人员知晓，低压附件的电压一般为12V，高压附件的低压一般是大于12V(比如380v)。

下面对本申请的一个实施例进行描述。

当导航服务方未开放路径分段路况信息的情况下，为建立能耗模型所使用的样本不包括路径分段信息和路况信息。

图3示出了不使用地图SDK的情况下，本实施例中的地图端(导航模块)与车端(车机控制器或座舱域控制器等)和云端在预估电池SOC时的交互过程。另外，图3中地图端和多个车独立进行表示，然而，地图端是安装在各个车上的。可以理解，地图端(导航模块)可以集成在车机控制器和座舱域控制器等中。步骤S10，同一车型的所有车辆，例如车1、车2……车n采集行驶特征数据，对其中与能耗相关的数据预处理后，上传至云端；步骤S12，云端基于大数据训练，建立和迭代更新对同一车型的车辆通用的能耗模型，并针对每个单车建立驾驶风格能耗系数模型；步骤S13，当前车辆例如车1或车2启动导航请求，地图端确定导航行程详情但不开放路况信息；步骤S14，将能耗模型下发至当前车辆例如车1或车2以便被地图端调用或直接下发至地图端；步骤S15，将当前车辆的包括高压附件和低压附件的附件状态发送给地图端，地图端调用能耗模型并接收附件状态的信息，根据当前车辆的附件状态在各个能耗模型中查询对应的查询值；S16地图端通过结合导航行程上的路段和路况信息来计算出各个路段的能耗，最终预估出导航全程后目的地的电池SOC，并将这一预估结果在车端的地图界面呈现。具体过程如下。

样本采集和预处理：

各个车的车载系统采集所有与能耗相关的数据，包括但不限于，驱动能耗相关数据，例如道路坡度、平均车速、驱动能耗等；热管理能耗相关数据，例如环境温度、空调开关状态、设定温度、高压能耗等；低压附件能耗相关数据，低压附件开关状态、低压附件模式状态、DCDC低压附件能耗；另外与能耗相关的数据还包括姿态轴加速度，该姿态轴加速度是计算加速度特征的原始数据。

车辆的与能耗相关的数据可以来自以下车载部件：车身电子稳定系统(ESP，Electronic Stability Program)；电机控制器(MCU，Motor Control Unit)；座舱域控制器(CDC,Cockpit Domain Controller)；低压(DC-DC)附件系统；电池管理系统(BMS，BatteryManagement System)；热管理系统(TMS，Thermal management system)；动力域控制单元(PDCU，Powertrain Domain control Unit)；以及汽车盒子T-Box，T-Box包括传感器模块，其传感器模块中姿态轴传感器感知姿态轴加速度，例如可以采集到车辆的加速度，T-Box包括卫星定位系统时，其可对车辆定位。

整车控制单元(VCU，Vehicle Control Unit)获取各个车载部件的能耗相关数据，并进行预处理，将原始功率信号转换为单位公里消耗的能耗，例如将空调功率信号转换为单位公里消耗的能耗，或者设定时间的均值，以减少无效数据的上传。然后把经过预处理的车端能耗相关数据经由网关和T-box上传至云端，同时T-Box也可以将车辆位置信息上传给云端。

需要说明的是，用于采集能耗相关数据的传感设备的设置位置和对这些数据预处理的处理模块都不必限定在上述提及的车载部件中。

能耗模型建立和更新：

导航行程能耗模型建立装置可以设置在云端，包括接收单元和模型建立单元，接收单元接收同一车型的每个车辆的VCU提供的能耗相关数据，包括但不限于行驶能耗相关数据、通用附件能耗相关数据，模型建立单元以能耗相关数据作为样本，建立同一车型所有车辆都适用的通用的多种能耗模型，本实施例中，多种能耗模型包括驱动能耗模型、高压附件能耗模型(或称为热管理能耗模型)、低压附件能耗模型和附加能耗模型，驱动能耗模型和附加能耗模型都属于行驶能耗模型。接收单元还接收每个单车各自的历史导航行程能耗相关数据，模型建立单元以每个单车的历史导航行程能耗相关数据作为样本，用于建立单个的当前车辆在具体导航行程时的个性化能耗模型，例如驾驶风格能耗系数模型。各能耗模型的建立过程将在下文进行详细描述。

驱动能耗模型的建立

首先需要说明的是，在本实施例中，行驶能耗模型中包括但不限于驱动能耗模型，还包括对驱动能耗有附加的增量或减量的附加能耗模型，下面第5点将给予详细说明。这里的驱动能耗模型基于同一车型的多车辆的数据作为样本来建立，同一车型的所有车辆建立同一个驱动能耗模型，驱动能耗模型为影响变量——平均车速V——对应的平均单位驱动能耗E(单位驱动能耗也可以称之为驱动能耗率，物理含义是单位距离下所消耗的电量)，具体例如为下表1的形式：

表1-1驱动能耗模型例

数据库ID	平均车速	平均单位驱动能耗
			1	V1～V2	E1
1	V2～V3	E2
			1	……	……

V基于不同设计可以是不同的值，区间也可变。

表1-2驱动能耗模型例

可以理解，上表1-2中的车速值也可以是以km/h为单位的值。

一个平均车速范围对应一个平均驱动能耗，驱动能耗模型以表格形式建立，例如表1中，V1～V2的范围对应与E1的平均驱动能耗。驱动能耗模型的数据库ID可以按照平均车速的不同范围进行编号。当前车辆可以依照自身在当前路段下的车速在驱动能耗模型中对应地查询到平均驱动能耗E，从而确定当前车辆当前路段下的平均驱动能耗的值。本实施例中驱动能耗模型表示的是速度的平均值和驱动能耗的平均值的对应关系，但可以理解的是取值并不限于平均值，还可以考虑取值为中位数等。中位数和平均值，都是统计学意义的参量，本申请不仅限制于这两个，所有有着统计学意义参量的特征，都可以采用。

驾驶风格能耗系数(驱动能耗修正系数)模型的建立

由于每辆车的用户的驾驶风格会呈现出个性化的行驶特征数据，激烈还是温和地驾驶对能量消耗的影响差异很大，而驾驶风格可以通过加速度的关键特征量来判断，比如平均加速度值较大的倾向于激烈驾驶的风格，加速度出现越频繁的倾向于激烈驾驶的驾驶风格，能耗比平均驱动能耗要高；反过来，则倾向于温和驾驶的风格，能耗比平均驱动能耗要低。针对每一辆车分别建立各自的驾驶风格能耗系数模型，可以在针对所有车辆的通用的行驶能耗模型的基础上在驾驶风格方面增加个性化考虑，可以使单个车的特定数据用于修正和处理通用的行驶能耗模型，以增加每辆车的能耗预估准确度。

在本实施例中，可以不利用地图SDK，不将导航行程路段中加速段的平均加速度、减速段平均减速度等作为数据样本发送给云端来建立驾驶风格能耗系数模型，或者云端并不从地图端获取到导航行程的路况信息，因此在驾驶风格能耗系数模型的建立上，导航行程能耗模型建立装置还包括迭代单元，用于间接地采用强化学习Q-table修正相同驾驶风格下的驾驶能耗系数，以迭代(或称为滤波)的方式动态修正驾驶风格能耗系数，每轮迭代将相应信息填入下面学习表，一次导航到达目的地的电池SOC结果对应一轮迭代。在本实施例中，驾驶风格的确定选取驾驶模式和能量回收挡位这两个作为判断因素，驾驶模式和能量回收档位分别相同时则确定驾驶风格相同。这里，在迭代单元中，将驾驶模式、能量回收挡位的各种不同组合下的驾驶风格能耗系数均初始设置为1并且也作为一次迭代轮记录在学习表中，迭代单元还将每次新的导航行程作为当前一轮，采用前一轮相同驾驶模式和能量回收挡位的每公里SOC绝对误差和驾驶能耗系数来计算这当前一轮的驾驶风格能耗系数。具体计算方法为:

当前轮的驾驶风格能耗系数＝前一轮相同风格下的能耗系数*(1+△)(式1)

其中△是基于前一轮相同驾驶模式和能量回收挡位的每公里SOC绝对误差。

△＝(S_估-S_实)/K_前一轮 (式2)

其中，S_估是前一轮到达目的地的预估电池SOC，S_实是前一轮到达目的地的实际的电池SOC，K_前一轮是前一轮导航行程的全程总距离。前一轮的绝对误差(S_估-S_实)越大，△值越大。

表2驾驶风格能耗系数模型的Q-table学习表例

在上面表2中，驾驶模式分为运动模式、经济模式和舒适模式，能量回收挡位分为高、中、低挡，从而驾驶模式和能量回收挡位可以形成9种不同的组合，即9种驾驶风格，将这些组合下的驾驶风格能耗系数均初始设置为1，并分别记为一次轮数，便于后续的迭代轮的查找对应轮数的信息。例如，在导航的第9轮时，当前车辆用户使用的驾驶模式为运动模式，能量回收挡位为高时，则第9轮的驾驶风格能耗系数等于，第0轮的驾驶能耗系数1与(1+(S0-S00)/K0)的乘积。例如，导航的第10轮仍是运动模式和能量回收挡位为高的组合，与前一轮即第9轮的驾驶风格相同，则该第10轮的驾驶风格能耗系数由这一相同驾驶模式和能量回收挡位组合所对应即第9轮的驾驶风格能耗系数来滤波，也就是该第10轮的驾驶风格能耗系数等于第9轮的驾驶风格能耗系数与(1+(S9-S99)/K9)的乘积。例如，导航的第11轮是运动模式和能量回收挡位为中的组合，与前一轮的第1轮的驾驶风格相同，则该第11轮的驾驶风格能耗系数等于其前一轮即第1轮的驾驶风格能耗系数与(1+(S1-S11)/K1)的乘积。例如，导航的第12轮是运动模式和能量回收挡位为低的组合，与第2轮的驾驶风格相同，则该第12轮的驾驶风格能耗系数等于其前一轮即第2轮的驾驶风格能耗系数与(1+(S2-S22)/K2)的乘积。

热管理能耗模型(高压附件能耗模型)的建立

同一车型的所有车辆建立同一个热管理能耗模型，热管理附件能耗主要取决于作为高压附件的运行情况，因此热管理能耗模型也可以称为高压附件能耗模型。在本实施例中，热管理能耗为影响变量，比如空调开关状态、车外环境温度、主驾温度值设定、副驾温度值设定等等高压附件状态所对应的热管理功率P_热，具体形式为：

表3-1热管理能耗模型例

数据库ID	空调开关状态	车外环境温度	主驾温度值设定	副驾温度值设定	热管理功率(W)
						3	开	T<sub>环</sub>	T<sub>主设</sub>	T<sub>副设</sub>	P<sub>热1</sub>
3	开	T<sub>环</sub>	T<sub>主设</sub>	无	P<sub>热2</sub>
						3	开	T<sub>环</sub>	无	T<sub>副设</sub>	P<sub>热3</sub>
3	关	T<sub>环</sub>	无	无	P<sub>热4</sub>
						3	……	……	……	……	……

空调开关状态有开、关两种状态，车外环境温度T_环、主驾的设定温度T主设和副驾的设定温度分别可以是按照等差的离散值，也可以是安装不同范围来设置。每个影响变量与其它影响因素的各个组合分别对应于一个热管理功率。当前车辆可以依照自身当前的高压附件的状态来查询热管理能耗模型，以确定与当前车辆的高压附件状态对应的热管理功率的查询值P_热(单位为KW)，然后可以根据能耗时间T和热管理功率查询值P_热，得到该能耗时间T下的能耗值E_热(单位为KWh)，即E_热＝P_热*T。可以理解，本实施例中所使用的高压附件能耗模型的样本主要围绕空调的来建立，但高压附件不仅包括空调，其他车辆高压用电器的状态，比如高压加热器、高压除霜器等等的开关、设定温度等均可以进一步作为高压附件能耗模型的影响因素。

下表中给出了热管理能耗模型的一些具体数值例。

表3-2热管理能耗模型例

低压附件能耗模型的建立

低压附件能耗模型也是基于同一车型的每个车辆的历史低压附件相关能耗数据建立，同一车型的所有车辆建立同一个低压附件能耗模型，车辆内的所有使用了由电池高压直流电转换的低压直流电的用电附件(DCDC)均会发生能耗，并可以被归入低压附件能耗。本实施例中，导航行程能耗模型建立装置的接收单元接收同一车型的每个车辆的历史低压附件相关能耗数据，模型建立单元将低压附件能耗模型设置为主要的低压附件状态作为影响变量——例如主驾座椅加热开关状态、主驾座椅加热档位、副驾座椅加热开关状态、副驾座椅加热档位、近光灯状态、远光灯状态、示廓灯状态所对应的低压附件功率，具体形式为：

表4低压附件能耗模型例

低压附件还可以包括车身控制模块(BCM，Body controller Module)所控制的诸多电控装置，包括远近灯、示廓灯、转向灯的灯光系统、喇叭、车窗车门、除霜器、雨刮、音箱等等。本实施例中，仅以举例的方式，提供了一部分对能耗有较显著影响的低压附件状态作为数据样本，如表4中所列那样，用多个低压附件的各状态的所有组合(表中未列出所有组合)各自对应的低压附件功率来建立低压附件能耗模型。当前车辆可以依照自身当前的低压附件的状态来查询低压附件能耗模型，以确定与当前车辆的低压附件状态对应的低压附件功率的查询值P_低(单位为KW)，然后可以根据能耗时间T和低压附件功率查询值P_低，计算得到该能耗时间T下的能耗值E_低(单位为KWh)，即E_低＝P_低*T。作为一些具体的数值例，例如在远光灯开启时，低压附件能耗功率增加20W，雨刮开启时，低压附件能耗功率增加50W，座椅加热开启时，低压附件能耗功率增加40W。

附加能耗模型的建立

附加能耗模型基于同一车型的多车辆的数据建立，同一车型的所有车辆建立同一个附加能耗模型，本实施例中，附加能耗模型为影响变量——平均道路坡度(％)——对应的能耗增加量Aux，以道路坡度0％为基线，基于多车的历史数据，统计同一车型的所有车辆平均道路坡度与平均驱动能耗之间的关系，具体见如下表形式：

表5附加能耗模型例

数据库ID	平均道路坡度	坡度变化导致的能耗增加量
			5	-20％	Aux1
5	-19％	Aux2
			5	……	……
5	0％	0
			5	20％	Aux4

道路坡度由车辆上的坡度传感器来识别和处理，为负数时表示下坡，为正数时表示上坡，因此表格里能耗增加量Aux可以是正值也可以是负值。本实施例中，可以以1％为坡度差来列举道路坡度的变化和对驱动能耗的增加量的对应关系，也可以根据模型拟合程度要求以其它的坡度差来列举。在预估未来的附加能耗时，通过路况信息中的各个路段的道路坡度，可以从表5中对应地查询，以获得对应于各路段的道路坡度的增加量的查询值。

可以想到，除了坡度之外，还有其他因素也可能对驱动能耗造成影响，例如车重、胎压等，因此附加能耗模型还可以是道路坡度、车重、胎压的多重影响变量的各种组合所对应的能耗增加量。本实施例中仅仅选取了对附加能耗影响较明显的道路坡度作为影响变量来建模，以减少计算负担并最大程度保证了整体上对行驶能耗预估准确性。

能耗模型预处理和电池SOC预估：

当前车辆的用户开启导航时，则地图端按照车端的出发地和目的地规划导航行程。由于云端无法获得路况路段信息从而无法结合当前路径路况信息和上述的各个模型来预估出发地到目的地的电池SOC，因此本实施例中由地图端(导航装置、导航模块)来负责预估电池SOC。

云端将多种能耗模型下发至当前车辆的座舱域控制器(CDC，Cokpit DomainController)。CDC作为地图端在车端的接入点，负责根据当前车辆的高压附件状态和低压附件状态查询高压附件能耗模型和低压附件能耗模型以获得高压附件功率和低压附件功率，以及负责查询当前车辆的驾驶风格能耗系数，并且还可以对功率查询值转换为单位公里消耗的能耗，然后车端的CDC连同驱动能耗模型和附加能耗模型，将驾驶风格能耗系数、当前可用的剩余能量SOE(单位是KWH)、当前可用的电池SOC(单位是％)和包括热管理功率和低压附件功率的附件功率一起发送给地图端。地图端接收当前车辆的驾驶风格能耗系数、附件功率以及驱动能耗模型和附加能耗模型等，并将它们存储为配置文件，结合出发地至目的地的分路段的路况信息，比如各路段的平均车速和各路段的道路坡度，来获取各路段对应的平均驱动能耗和能耗增加量，计算到达目的地的剩余电量，再在车端的地图界面呈现。

可替换地，云端根据当前车辆CDC的请求，查询相关模型得到对应当前车辆的驾驶风格系数以及对应其附件状态的通用附件功率；地图端根据当前车辆CDC的请求，直接调用云端的关于当前车辆的驾驶风格系数和通用附件功率，以及直接调用驱动能耗模型和附加能耗模型等，并将它们存储为配置文件，以及根据当前车辆发送来的高压、低压附件状态和车辆信息查询各个模型以获得对应于当前车辆的能耗查询值、能耗系数值和功率查询值，并对功率查询值转换为单位公里消耗的能耗，然后再结合起点地至目的地的当前路况信息，计算到达目的地的剩余电量，以发送至车端的地图界面。

根据当前车辆的附件状态查询高压附件能耗模型和低压附件能耗模型，或者根据当前车辆的ID查询驾驶风格能耗系数模型，并不限于实施主体，可以是车端、云端，也可以是地图端来实施，本实施例中对此不做限制。

以下以地图端能够直接从云端调用获取当前车辆的驾驶风格能耗系数、附件功率的情况为例，详细说明地图端计算导航行程目的地电池SOC的过程。

用户开启导航时，地图端根据起始点至目的地规划导航路径并确定本轮导航路径上的各路段的路况信息，根据导航路径获得全程总距离(总路程)L和全程预估时间T，各路段的路况信息包括各路段距离(路程)l_i、各路段平均速度v_i和各路段坡度slope_i，其中i为导航全程各路段的编号。

地图端调用包括驱动能耗模型和附加能耗模型的多个行驶能耗模型，驾驶风格能耗系数模型，还有包括高压附件能耗模型和低压附件能耗模型的通用附件能耗模型，根据沿途各段的平均速度v_i，查询配置文件中的驱动能耗模型，得到各路段的查询平均驱动能耗E_i；根据各路段的坡度slope_i，查询配置文件中附加能耗模型，得到查询附加能耗增加量Aux_i；并从配置文件中读取附件能耗查询值和驾驶风格能耗系数，附件能耗查询值等于高压附件能耗查询值(功率)P_热和低压附件能耗查询值(功率)P_低之和。

根据以下公式计算全程消耗能量(导航路径全程能耗)：

全程行驶预估驱动能耗值＝∑((E_i+Aux_i)*l_i*驾驶风格能耗系数 (式3)

全程附件能耗＝附件能耗查询值*T＝(P_热+P_低)*T (式4)

预估总能耗值＝全程行驶预估能耗值+全程附件能耗 (式5)

根据以下公式计算目的地电池SOC(百分比)：

满电可用能量＝当前可用能量SOE/出发地电池SOC (式6)

目的地剩余可用能量＝当前可用能量SOE–全程消耗能量 (式7)

目的地电池SOC＝目的地剩余可用能量/满电可用能量＝出发地电池SOC-全程消耗能量/当前可用能量SOE*出发地电池SOC (式8)

这里的全程总距离(总路程)L和各路段距离l_i对应于本申请中的路程信息，全程预估时间T对应本申请中的预估时间信息。

作为一个例子，可以理解，本申请实施例提供的电池SOC预估方法可以应用于车控域控制器(Vehicle Domain Controller，VDC)或者智能座舱域控制器(Cockpit DomainController，CDC)，此外还可以应用于BMS的控制器等。

下面参照图4等对本申请的另一个实施例进行描述。

本实施例中，导航行程能耗模型建立装置为建立能耗模型所使用的数据样本除了如上述实施例描述的由车端采集的行驶特征数据和附件状态之外，还包括从地图端获取的导航行程的分路段的路况信息，例如道路类型和/或路段中的加速度特征。

图4示出了本实施例中车端利用地图SDK的情况下，地图端与车端和云端在预估电池SOC时的交互过程。步骤S20，与上述实施例类似地，同一车型的每辆车，例如车1、车2……车n采集行驶特征数据和相对应的能耗，对与能耗相关的数据预处理后，上传至云端，但有区别的地方在于，步骤S21，地图端将路况信息直接上传至云端或者经由车端上传至云端；步骤S22，可以设置在云端的导航行程能耗模型建立装置的接收单元获取与能耗相关的数据和对应的路况信息，模型建立单元除了以能耗相关的数据作为样本外，还以路况信息作为样本建立能耗模型，包括驱动能耗模型、驾驶风格能耗模型、热管理能耗模型、高压附件能耗模型、低压附件能耗模型、附加能耗模型；步骤S23，当前车辆例如车1启动导航请求；步骤S24，地图端确定车1的导航行程详情并开放路况信息给云端和/或车端；步骤S25，将车1的附件状态、行驶特征连同路况信息一起发送给云端；步骤S26，云端接收车1的附件状态、行驶特征数据、路况信息并根据这些信息来查询能耗模型以获得当前车辆的各项能耗查询值，以便计算出各个路段的能耗，最终预估出导航全程后目的地的电池SOC，并将预估结果下发至车端和地图端；步骤S27，车端将SOC结果更新后，在地图界面呈现。

建立能耗模型所采集的数据样本进一步包括了导航行程的路况信息作为影响变量，从而使得模型建立过程时，将地图端的道路和车速统计数据也参与到能耗模型的建立过程中，扩大了建模的大数据样本量，进一步增加了模型的精确度，提高了预测电池SOC的准确度。

本实施例的模型建立方法基本与上述实施例的模型建立方法相同，区别在于对驾驶风格能耗系数模型的建立，以下将对本实施例中的驾驶风格能耗系数模型的建立进行详细说明。

驾驶风格能耗系数模型的建立

在本实施例中，驾驶风格能耗系数模型的迭代更新，除了考虑上述实施例确定驾驶风格的判断因素——驾驶模式、能量回收挡位——之外，还进一步考虑道路类型和加速度特征作为驾驶风格的判断因素，加速度特征是导航服务方对当前车辆的每一轮导航行程中的加速度统计值，可以体现出当前车辆的驾驶员或用户的驾驶风格的激烈程度，当加速度绝对值较大时，驾驶员或用户的驾驶风格较激烈，反之亦然。通过结合地图端实时共享的路况信息，可以获知每个车辆在各个路段中的加/减速度段的平均加/减速度的历史数据。

本实施例中，驾驶风格除了根据前述上述实施例中的驾驶模式和能量回收挡位之外，还根据道路类型和加速度特征来确定，这样使得对驾驶风格的区分粒度更加小，从而使得驾驶风格能耗模型拟合度更高，从而使得导航行程的能耗预测更加准确，继而使得SOC预测更加准确。加速度特征包括但不限于加速段平均加速度等级、减速段平均减速度等级、急加速比例等级、急减速比例等级、车速标准差等等。这些信息根据车辆历史导航行驶数据获取，具体也就是说，当车辆按照导航信息行驶完成一个路段时，将这些加速度特征与路段信息关联性地存储在存储器(可以在车端也可以在云端，存储的数据库可以称之为加速度特征-路段数据库)中，以供以后查询。

本申请不限于具体选取哪种加速度特征作为建立驾驶风格能耗模型的驾驶风格判断因素，本领域技术人员可以根据实践需要来任意选择，本文仅以下列可能的实现方式举例说明。

在本实施例的一种可能的实现方式中，针对同一车型的每个车辆的历史数据和所对应的路况信息建立驾驶能耗系数模型，该驾驶能耗系数模型是道路类型、驾驶模式、能量回收档位、加速段平均加速度、减速段平均减速度都作为影响变量的驾驶能耗系数。

加速度段平均加速度，是指对加速度段的采样周期内的加速度取均值，例如在加速度段平均加速度在0～2m/s²的范围。减速度段平均减速度，是指对减速度段的采样周期内的减速度取均值，例如在-2～0m/s²的范围。

表6驾驶风格能耗系数模型的Q-table学习表例

在上面表6中，将驾驶模式分为了运动模式、经济模式和舒适模式，将能量回收挡位分为高、中、低挡，从而驾驶模式和能量回收挡位可以形成9种不同的组合，另外，本实施例按照预设的等量加速度范围，对加速度段平均加速度和减速段平均减速度划分多个等级，例如表6中每0.1m/s²范围作为一个等级，如0.1～0.2为一个等级，0.2～0.3为另一个等级……，然后每个等级分别与驾驶模式和能量回收挡位的组合进行再组合，以用于确定每个单车辆的驾驶风格。

本实施例中，将道路类型、驾驶模式、能量回收挡位、各个等级的加速度段平均加速度等级、各个减速段平均减速度等级和每公里SOC绝对误差△的不同影响变量的组合分别作为一个驾驶风格，每个驾驶风格下的驾驶风格能耗系数均初始设置为1，并分别记为一次轮数，用于下一次相同驾驶风格下的驾驶风格能耗以1为起始进行迭代更新。例如，在导航的第3轮时，当前车辆用户使用的驾驶模式为运动模式，能量回收挡位为高时，并且地图端路况信息道路类型为高速，加速段平均加速度等级为0.1～0.2，减速段平均减速度等级-0.1～0，则第3轮的驾驶风格能耗系数等于，其相同驾驶风格的前一轮即第0轮的驾驶能耗系数1与(1+(S0-S00)/K0)的乘积。例如，导航的第5轮是经济模式和能量回收挡位为高，加速段平均加速度等级为0.2～0.3，减速段平均减速度等级-0.3～0.2，则该第5轮的驾驶风格能耗系数等于其相同驾驶风格的前一轮即第4轮的驾驶风格能耗系数1与(1+(S4-S44)/K4)的乘积。

在本实施例的另一种可能的实现方式中，建立驾驶能耗系数模型的影响变量中，加速度特征具体地除了包括加速段平均加速度、减速段平均减速度外，还包括了急加速比例等级、急减速比例等级。急加速比例，是指加速度大于设定值的时间占整个统计段的比例，例如5％-6％。急减速比例，是指减速度小于设定值的时间占整个统计段的比例，例如2％-3％。在这一实现方式中，由于增加了两个影响变量，因此影响变量组合的数量也增加了，驾驶风格的判断粒度更小，使得模型精确性进一步增加。

应当理解，加速度特征中的车速标准差也可以作为建立驾驶风格能耗系数模型的影响因素纳入上述表格中，使得各个影响因素不同之间的组合数量进一步增加，对表征驾驶风格能耗系数的方面更全面，从而提高驾驶风格能耗系数的精准程度。另外，在上面的描述中，利用加速度特征同驾驶模式、能量回收等级和道路类型共同建立一个模型，然而，也可以针对加速度特征独立建立一个模型。

应当理解，作为直接影响因素的以上各项加速度特征和作为间接影响因素的每公里SOC绝对误差△可以根据路况信息的获得、对模型精确度要求、以及计算能力，任意组合或独立作为影响变量来建立对应的驾驶风格能耗模型。

另外，在本实施例中，针对每一个车辆利用其历史数据(单车历史数据)单独建立专用的驾驶风格能耗系数模型。由于驾驶风格属于个性化的事项，因此，针对每一个车辆单独建立专用的驾驶风格能耗系数模型，能够提高能耗的预估准确率。另外，作为其他实施例，也可以利用多车历史数据建立通用的驾驶风格能耗系数模型。

表7中示出了通过上述模型建立方法(学习方法)得到的一个模型例，另外，可以理解，这个模型例仅仅是某一时刻的结果，随着时间的推移，其会被不断更新，有可能发生数据变化。另外，囿于篇幅，在表7中仅仅示出了道路类型、驾驶模式、能量回收挡位与加速度特征的一部分组合，而并不是全部组合。

表7驾驶风格能耗系数模型例

能耗模型预处理和预估SOC：

当前车辆的用户开启导航时，则地图端按照车端的出发地和目的地规划导航行程。由于地图端开放了导航行程的路况信息，地图端将本轮导航行程的路况信息，包括各路段的平均车速、各路段的道路坡度、行程发送至云端。在本实施例中，由一种基于车云交互的导航行程电池SOC预估系统来执行电池SOC预估方法，该预估系统可以设置在云端，包括行程获取单元、模型调用单元、结果查询单元、行驶能耗计算单元和预估单元。行程获取单元根据导航行程获取各路段的路况信息和导航行程的全程预估时间，各路段的路况信息包括各路段的距离和其车速。模型调用单元调用多个行驶能耗模型和本实施例中的驾驶风格能耗系数模型，其中多个行驶能耗模型以同一车型的每个车辆的行驶能耗相关数据作为样本来建立，例如包括但不限于驱动能耗模型，驱动能耗模型用于表示同一车型的每个车辆的每一轮导航行程的车速和该车辆的每一轮导航行程的驱动能耗之间的对应关系，模型调用单元还调用包括高压附件能耗模型和低压附件能耗模型在内的通用附加能耗模型，高压附件能耗模型和低压附件能耗模型可参考上述实施例中的说明。结果查询单元查询上述实施例或本实施例中描述的驾驶风格能耗系数模型中的与当前车辆的驾驶风格相对应的驾驶风格能耗系数；以及查询多个行驶能耗模型中的分别与各路段的路况信息相对应的各项行驶能耗的查询值。行驶能耗计算单元基于各路段的距离并使用驾驶风格能耗系数和各项行驶能耗的查询值，计算当前车辆的全程行驶预估能耗值，可以参考上述实施例的式3至式5的描述。预估单元使用至少包括全程行驶预估能耗值的预估总能耗值计算到达目的地的电池SOC，可以参考上述实施例的式6至式8的描述。C云端将预估系统得出的目的地电池SOC结果发送至CDC的地图显示界面来呈现。

下面对本申请的又一个实施例进行描述。

行驶能耗模型当前的做法是未区分常走路线，例如家至公司之间的路线，和非常走路线。然而常走路线的样本数明显比非常走路线多，会使得行驶能耗模型在常走路线上被建立得拟合度更高，因此，在通勤场景下，导航行程能耗模型建立装置针对常走路线单独建立单独常走路线驱动能耗模型作为行驶能耗模型中的另一种个性化模型。每个车辆所采集的能耗相关数据中，当行程能耗是在常走路线上发生时其可以被称为常走路线驱动能耗，即行程能耗包括常走路线驱动能耗。接收单元接收导航行程中的常走路线车速和常走路线驱动能耗，利用常走路线驱动能耗模型单独计算常走路线到达目的地电池SOC，可以提升SOC预估准确度，提高用户体验感受。具体实施步骤如下：

基于地图端提供的通勤设置，获取出发点和目的地的位置点，例如家位置点和公司位置点，当满足如下任一条件时，判断为常走路线：

(1)起点为家位置点，终点为公司位置点；或者

(2)起点为公司位置点，终点为家位置点。

模型建立单元建立常走路线驱动能耗模型，常走路线驱动能耗模型用于表示当前车辆的常走路线车速和常走路线驱动能耗的对应关系。常走路线驱动能耗数据模型针对单个车辆使用单车数据建立，如表8所示。

表8常走路线驱动能耗数据模型例

数据库ID	平均车速	平均驱动能耗
			7	V1～V2	E7
7	V2～V3	E8

由于常走路线样本量大，模型更新频繁，使得预估能耗更趋向于实际能耗，从而提升了常走路线的SOC预估准确度。

因此，在本实施例中，当导航行程为常走路线时，基于车云交互的导航行程电池SOC预估系统不再采用表1中的同一车型所有车辆通用的驱动能耗模型，而是按照当前车辆的单个车的常走路线驱动能耗模型中的常走路线驱动能耗，以及附加驱动能耗模型中的增加量，来计算整体上的行驶能耗。其中，模型调用单元调用本实施例中描述的常走路线驱动能耗模型；结果查询单元查询常走路线驱动能耗模型中的与常走路线车速相对应的常规路线驱动能耗的查询值；行驶能耗计算单元基于各路段的距离并使用上述实施例或本实施例中的驾驶风格能耗系数以及常规路线驱动能耗的查询值，根据式3至式5来计算当前车辆的全程行驶预估能耗值。

下面参照图5对本申请一个实施例进行描述。该实施例提供一种电池SOC预估方法，其包括S100、获取导航信息与各种状态参数信息；S200、计算驱动能耗；S300、计算高压附件能耗；S400、计算低压附件能耗；S500、计算电池SOC。

本实施例中的S200、S300、S400间的执行顺序是可以自由调整的。另外，S100中的信息不必在一个时间点获取完成，可以根据需要穿插在S200、S300、S400、S500间或其中执行。

另外，S100-S500中的一些具体内容可以采用上述实施例中所描述的技术特征，下面举例进行说明，更详细的内容可以参见上述实施例。

关于S100，其中的要获取的信息可以包括导航路径的起点、终点、经过的路段、各路段的路程信息、总路程信息、预估时间信息、坡度信息、速度信息、驾驶模式信息、能量回收等级信息(车辆的设定参数)、高压附件状态信息、低压附件状态信息、当前电池电量信息等等。

关于S200，其,内容包括根据速度信息、路程信息计算驱动能耗，还包括根据驾驶模式、能量回收等级、道路类型或加速度信息等修正驱动能耗(即上述实施例中的获取驾驶风格能耗系数并基于此计算驱动能耗)，此外还包括根据附加能耗修正驱动能耗(即上述实施例中的根据坡度信息等来计算驱动能耗)。

关于S300，其内容主要包括根据环境温度、空调开关状态等计算空调能耗。

关于S400，其内容包括根据低压附件状态信息与预估时间信息计算低压附件能耗，低压附件状态信息可以包括主驾座椅加热开关状态信息、主驾座椅加热挡位信息、副驾座椅加热开关状态信息、副驾座椅开关挡位信息、近光灯状态信息、远光灯状态信息、示廓灯状态信息、雨刮器状态信息与音箱状态信息等。

关于S500，其内容包括获取当前电池SOC，根据当前电池SOC与驱动能耗(有修正时为修正后的)、高压附件能耗、低压附件能耗计算到达导航路径终点时的电池SOC。

本申请一个实施例提供一种能耗模型建立装置，该能耗模型建立装置可以设置在云端，也可以设置在车辆上，用于建立上述驱动能耗模型、驾驶风格能耗系数模型、高压附件能耗模型、低压附件能耗模型、附加能耗模型，其具体的动作与处理的实质内容已在上面进行了描述，这里不再重复描述。

下面参照图6、7对本申请一个实施例提供的一种电池剩余电量预估装置进行描述。该电池剩余电量预估装置可以设置在云端，也可以设置在车辆上(上面描述的云端进行的模型建立等处理也可以由车端进行)，用于计算驱动能耗、高压附件能耗、低压附件能耗、电池SOC等。如图6所示，该电池剩余电量预估装置100包括处理模块10与获取模块20。处理模块10主要用于执行图5中的S200-S500，获取模块主要用于执行图5中的S100。

这里简略地进行描述一下。驱动能耗根据初始驱动能耗和驾驶风格能耗系数计算，具体而言，根据导航信息(包括导航预估路程、导航预估时间、导轨规划速度、导航规划加速度、导航路径坡度信息)等计算初始驱动能耗，根据驾驶模式、能量回收挡位、导航信息中的道路类型、加速度信息等计算驾驶风格能耗系数，之后，根据初始驱动能耗和驾驶风格能耗系数计算驱动能耗。电池剩余电量预估装置根据高压附件状态信息与导航信息中的预估行驶时间等计算高压附件能耗，高压附件状态信息可以包括空调开关状态信息、主驾温度值设定信息、副驾温度值设定信息等。电池剩余电量预估装置根据低压附件状态信息与导航信息中的预估行驶时间等计算低压附件能耗，抵押附件状态信息可以包括主驾座椅加热开关状态信息、主驾座椅加热挡位信息、副驾座椅加热开关状态信息、副驾座椅开关挡位信息、近光灯状态信息、远光灯状态信息、示廓灯状态信息、雨刮器状态信息与音箱状态信息等。另外，该电池剩余电量预估装置的动作与处理的实质内容在上面已经进行了描述，这里不再重复描述。

另外，在电池剩余电量预估装置计算出预估驾驶能耗后，电池剩余电量预估装置可以向驾驶员显示到达目的地时预估的电池剩余电量，也可以直接向驾驶员显示预计需要消耗多少电池电量(特别是在电池当前电量小于预计需要消耗的电池电量时)。此外，还可以预估车辆还能行驶多少里程，并呈现给驾驶员。

另外，电池剩余电量预估装置可以是多域控制器或导航装置的控制器等，上述各自功能可以由硬件实现，也可以由软件实现，典型地，电池剩余电量预估装置可以采用电子控制单元(electronic control unit，ECU)实现，ECU是指由集成电路组成的用于实现对数据的分析处理发送等一系列功能的控制装置。如图7所示，本申请实施例提供了一种电子控制单元ECU，该ECU包括微型计算机(microcomputer)、输入电路、输出电路和模/数(analog-to-digital，A/D)转换器。

输入电路的主要功能是对输入信号(例如来自传感器的信号)进行预处理，输入信号不同，处理方法也不同。具体地，因为输入信号有两类：模拟信号和数字信号，所以输入电路可以包括处理模拟信号的输入电路和处理数字信号的输入电路。

A/D转换器的主要功能是将模拟信号转变为数字信号，模拟信号经过相应输入电路预处理后输入A/D转换器进行处理转换为微型计算机接受的数字信号。

输出电路是微型计算机与执行器之间建立联系的一个装置。它的功能是将微型计算机发出的处理结果转变成控制信号，以驱动执行器工作。输出电路一般采用的是功率晶体管，根据微型计算机的指令通过导通或截止来控制执行元件的电子回路。

微型计算机包括中央处理器(central processing unit，CPU)、存储器和输入/输出(input/output，I/O)接口，CPU通过总线与存储器、I/O接口相连，彼此之间可以通过总线进行信息交换。存储器可以是只读存储器(read-only memory，ROM)或随机存取存储器(random access memory，RAM)等存储器。I/O接口是中央处理单元(central processorunit，CPU)与输入电路、输出电路或A/D转换器之间交换信息的连接电路，具体的，I/O接口可以分为总线接口和通信接口。存储器存储有程序，CPU调用存储器中的程序可以执行图3、图4对应实施例描述的预估方法。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

注意，上述仅为本申请的较佳实施例及所运用的技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明的构思的情况下，还可以包括更多其他等效实施例，均属于本发明的保护范畴。

Claims (28)

1.一种车辆的电池剩余电量预估方法，其特征在于，包括：

获取所述车辆的驱动能耗；

获取所述车辆的高压附件能耗；

获取所述车辆的低压附件能耗；

获取当前电池电量；

根据所述驱动能耗、所述高压附件能耗、所述低压附件能耗与所述当前电池电量计算到达所述车辆的导航路径的终点时的电池剩余电量。

2.根据权利要求1所述的电池剩余电量预估方法，其特征在于，

所述获取所述车辆的低压附件能耗包括：

获取所述车辆的低压附件状态信息和所述导航路径的预估时间信息；

根据所述低压附件状态信息与所述预估时间信息计算所述低压附件能耗。

3.根据权利要求2所述的电池剩余电量预估方法，其特征在于，

所述低压附件状态信息包括下述项中的一项或多项：

主驾座椅加热开关状态信息、主驾座椅加热挡位信息、副驾座椅加热开关状态信息、副驾座椅加热开关挡位信息、近光灯状态信息、远光灯状态信息、示廓灯状态信息、雨刮器状态信息与音箱状态信息。

4.根据权利要求2或3所述的电池剩余电量预估方法，其特征在于，所述根据所述低压附件状态信息与所述预估时间信息计算低压附件能耗包括：

根据所述低压附件状态信息，利用低压附件能耗模型获得低压附件功率信息；

根据所述低压附件功率信息与所述预估时间信息计算所述低压附件能耗。

5.根据权利要求1-4中任一项所述的电池剩余电量预估方法，其特征在于，所述获取所述车辆的驱动能耗包括：

获取所述车辆的所述导航路径的路程信息与速度信息；

根据所述速度信息，利用驱动能耗模型获得驱动能耗率信息；

根据所述驱动能耗率信息与所述路程信息计算所述驱动能耗。

6.根据权利要求1-5中任一项所述的电池剩余电量预估方法，其特征在于，还包括：

获取所述车辆的驾驶模式与能量回收等级；

根据所述驾驶模式与所述能量回收等级对所述驱动能耗进行修正。

7.根据权利要求1-6中任一项所述的电池剩余电量预估方法，其特征在于，还包括：

获取所述车辆在所述导航路径上的加速度信息；

根据所述加速度信息对所述驱动能耗进行修正。

8.根据权利要求7所述的电池剩余电量预估方法，其特征在于，所述加速度信息包括下述项中的一项或多项：

加速段平均加速度信息、减速段平均减速度信息、急加速比例信息和急减速比例信息。

9.根据权利要求6所述的电池剩余电量预估方法，其特征在于，所述根据所述驾驶模式与所述能量回收等级对所述驱动能耗进行修正包括：

根据所述驾驶模式与所述能量回收等级，利用驱动能耗修正系数模型获得驱动能耗修正系数；

根据所述驱动能耗修正系数对所述驱动能耗进行修正。

10.根据权利要求7或8所述的电池剩余电量预估方法，其特征在于，所述根据所述加速度信息对所述驱动能耗进行修正包括：

根据所述导航规划加速度信息，利用驱动能耗修正系数模型获得驱动能耗修正系数；

根据所述驱动能耗修正系数对所述驱动能耗进行修正。

11.根据权利要求9或10所述的电池剩余电量预估方法，其特征在于，所述驱动能耗修正系数模型是根据所述车辆的单车数据建立的。

12.根据权利要求1-11中任一项所述的电池剩余电量预估方法，其特征在于，还包括：

获取所述导航路径的坡度信息；

根据所述坡度信息对所述驱动能耗进行修正。

13.根据权利要求1-12中任一项所述的电池剩余电量预估方法，其特征在于，所述获取所述车辆的高压附件能耗包括：

获取所述车辆的高压附件状态信息；

根据所述高压附件状态信息，利用高压附件能耗模型获得高压附件功率信息；

根据所述高压附件功率信息与所述预估时间信息计算所述高压附件能耗。

14.一种车辆的电池剩余电量预估装置，其特征在于，包括获取模块与处理模块，

所述处理模块用于获取驱动能耗、高压附件能耗与低压附件能耗；

所述获取模块用于获取当前电池电量；

所述处理模块还用于根据所述驱动能耗、所述高压附件能耗、所述低压附件能耗与所述当前电池电量计算到达所述车辆的导航路径的终点时的电池剩余电量。

15.根据权利要求14所述的电池剩余电量预估装置，其特征在于，

所述获取模块还用于获取所述车辆的低压附件状态信息和所述导航路径的预估时间信息；

所述处理模块还用于根据所述低压附件状态信息与所述预估时间信息计算所述低压附件能耗。

16.根据权利要求15所述的电池剩余电量预估装置，其特征在于，

所述低压附件状态信息包括下述项中的一项或多项：

主驾座椅加热开关状态信息、主驾座椅加热挡位信息、副驾座椅加热开关状态信息、副驾座椅开关挡位信息、近光灯状态信息、远光灯状态信息、示廓灯状态信息、雨刮器状态信息与音箱状态信息。

17.根据权利要求15或16所述的电池剩余电量预估装置，其特征在于，所述根据所述低压附件状态信息与所述预估时间信息计算低压附件能耗包括：

根据所述低压附件状态信息，利用低压附件能耗模型获得低压附件功率信息；

根据所述低压附件功率信息与所述预估时间信息计算所述低压附件能耗。

18.根据权利要求14-17中任一项所述的电池剩余电量预估装置，其特征在于，

所述获取模块还用于获取所述车辆的所述导航路径的路程信息与速度信息；

所述处理模块还用于根据所述速度信息，利用驱动能耗模型获得驱动能耗率信息；

所述处理模块还用于根据所述驱动能耗率信息与所述路程信息计算所述驱动能耗。

19.根据权利要求14-18中任一项所述的电池剩余电量预估装置，其特征在于，

所述获取模块还用于获取所述车辆的驾驶模式与能量回收等级；

所述处理模块还用于根据所述驾驶模式与所述能量回收等级对所述驱动能耗进行修正。

20.根据权利要求14-19中任一项所述的电池剩余电量预估装置，其特征在于，

所述获取模块还用于获取所述车辆在所述导航路径上的加速度信息；

所述处理模块还用于根据所述加速度信息对所述驱动能耗进行修正。

21.根据权利要求20所述的电池剩余电量预估装置，其特征在于，所述加速度信息包括下述项中的一项或多项：

加速段平均加速度信息、减速段平均减速度信息、急加速比例信息和急减速比例信息。

22.根据权利要求19所述的电池剩余电量预估装置，其特征在于，所述根据所述驾驶模式与所述能量回收等级对所述驱动能耗进行修正包括：

根据所述驾驶模式与所述能量回收等级，利用驱动能耗修正系数模型获得驱动能耗修正系数；

根据所述驱动能耗修正系数对所述驱动能耗进行修正。

23.根据权利要求20或21所述的电池剩余电量预估装置，其特征在于，所述根据所述加速度信息对所述驱动能耗进行修正包括：

根据所述导航规划加速度信息，利用驱动能耗修正系数模型获得驱动能耗修正系数；

根据所述驱动能耗修正系数对所述驱动能耗进行修正。

24.根据权利要求22或23所述的电池剩余电量预估装置，其特征在于，所述驱动能耗修正系数模型是根据所述车辆的单车数据建立的。

25.根据权利要求14-24中任一项所述的电池剩余电量预估装置，其特征在于，

所述获取模块还用于获取所述导航路径的坡度信息；

所述处理模块还用于根据所述坡度信息对所述驱动能耗进行修正。

26.根据权利要求14-25中任一项所述的电池剩余电量预估装置，其特征在于，

所述获取模块还用于获取所述车辆的高压附件状态信息；

所述处理模块还用于根据所述高压附件状态信息，利用高压附件能耗模型获得高压附件功率信息；

所述处理模块还用于根据所述高压附件功率信息与所述预估时间信息计算所述高压附件能耗。

27.一种计算设备，其特征在于，包括处理器与存储器，所述存储器存储有计算机程序，所述计算机程序当被所述处理器运行时执行权利要求1-13中任一项所述的电池剩余电量预估方法。

28.一种计算机可读存储介质，其特征在于，存储有计算机程序，所述计算机程序当被计算机运行时执行权利要求1-13中任一项所述的电池剩余电量预估方法。

Images