基于工况预测和模糊能耗的电动汽车续驶里程估算方法与流程

本发明涉电动汽车技术领域，尤其涉及基于工况预测和模糊能耗的电动汽车续驶里程估算方法。

背景技术：

随着传统燃油汽车的保有量迅猛增加，由燃油汽车引起的环境污染以及全球燃油枯竭问题也日益严重。电动汽车由于环保、节能等优点越来越受到人们关注，但是因其续驶里程受限，而受到广泛推广。为了提高电动汽车的使用方便性，不仅要提高续驶里程，还要研究电动汽车的状态实时监测和续驶里程的实时估算，从而为驾驶员提供准确的车辆信息。电动汽车续驶里程受多方面因素的影响，例如，车速、车辆状态、电池状态、环境温度等。目前续驶里程的计算方法还不十分完善，需要进一步探索。中国专利CN201310151533.5公开了一种电动汽车续驶里程估算方法，该方法根据一定的交通状态和车辆真实实时状态情况下进行续驶里程估算，该方法虽然能准确估算里程，但是借助的信息太多，而这些信息并非能实时获取。中国专利CN201310151290.5公开了电动汽车电量因子模型建立及续驶里程估算方法，该方法对电量因子模型有一定的研究，而实际中电量消耗仍然受到很多因素影响，并非能准确建立。

技术实现要素：

针对现有技术的不足，本发明提供了一种基于工况预测和模糊能耗的电动汽车续驶里程估算方法，解决估算里程的过程不能实时获取电动汽车相关信息、电量消耗受到很多因素影响的问题。

本发明是通过以下技术手段实现上述技术目的的。

基于工况预测和模糊能耗的电动汽车续驶里程估算方法，包括以下步骤：

S1.基于马尔科夫算法实现对工况的预测并采用BP神经网络对预测结果进行修正，

S1.1，定义集合S表示行驶工况的状态，则行驶工况状态表示为：S＝{s₁，s₂，...，s_k}；

S1.2，采用统计学的方法求转移概率矩阵，先求出转移概率，再计算出转移概率矩阵；

S1.3，建立预测结果与真实行驶工况类别之间的误差相对序列并以误差相对序列作为BP神经网络的输入数据建立起BP神经网络；

S1.4，根据误差据拟合出非线性函数，实时预测出将来的误差相对序列，并将马尔科夫模型求出的预测值与BP神经网络得到的误差相对序列进行叠加，求得最终的预测结果；

S2.建立特征参数与能耗之间的模糊规则库，

S2.1，根据行驶工况判别当前片段所处类别，获取当前片段的平均速度meanv、加速比例P、减速比例N、总能耗Ecost四个特征参数；

S2.2，依次对当前片段的每个特征参数选取11组数据，并对每组数据按照从小到大的顺序排列，建立模糊规则库；

S3.对单位公里行驶里程L进行优化，

S3.1，当采样的片段在30以内时，为了满足剩余里程呈线性递减趋势，建立单位能耗与剩余能耗的线性关系；

S3.2，当采样片段超过30时，上述方法估算的续驶里程可能会陷入局部最低值，因此采用模糊C均值聚类算法，对单位公里平均能耗进行聚类再输出；

S4.剩余续驶里程Srest估算，包括以下步骤，

S4.1，根据行驶工况及采样时间实时获取当前行驶工况特征参数；

S4.2，根据特征参数得出当前工况类别，并得出当前总能耗Ecost；

S4.3，根据当前总能耗Ecost及车辆初始总能耗Etotal得出剩余能量Erest；

S4.4，根据单位能耗行驶里程L与剩余能量Erest得出剩余续驶里程Srest。

进一步，所述步骤S1.4的具体过程为：

首先确定BP神经网络的结构，并设置初始值；再计算出马尔科夫模型得出的预测数据与真实数据Y之间的误差ΔF，并确定BP神经网络的输入数据和理想的输出数据；然后对BP神经网络的输入数据及理想的输出数据进行归一化处理，并对BP神经网络进行训练并预测下一个行驶工况类别差；其次判断是否满足精度要求，若没有达到要求，则进行误差修正；最后对输出数据进行反归一化处理，并用马尔科夫方法得到的预测数据加上BP神经网得到的ΔF，从而得到最终的预测结果。

进一步，所述S3.1中，当采样的片段在30以内时，为了满足剩余里程呈线性递减趋势，建立单位能耗与剩余能耗的线性关系为：

L＝L_min+k(E_rest-E_min)

式中：L_min是由聚类算法得出的单位能耗行驶里程最小值，根据聚类结果取2；E_rest为电池剩余电量；E_min为保守最低电量，根据实际情况取4；k为线性预估计量。

进一步，所述S4.3中剩余能量Erest＝Etotal-Ecost。

进一步，所述S4.4中单位能耗行驶里程L＝S/Ecost，其中S为已行驶里程。

进一步，所述S4.4中剩余续驶里程

本发明的有益效果是：本发明将工况预测及能耗建模结合在一起，实时获取电动汽车相关信息，极少受到车辆其它外在因素的影响，例如环境温度、车辆行驶状态等，同时将消耗能量进行一定程度的细分，从而更真实的反应车速真实能量消耗。

附图说明

图1为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法流程图；

图2为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法中采用马尔科夫算法对行驶工况进行预测流程图；

图3为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法中采用马尔科夫及BP神经网络算法对行驶工况进行预测修正流程图；

图4为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法中能耗与行驶关系图；

图5为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法建立的特征参数模糊规则能耗库示意图；

图6为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法单位能耗行驶里程的分析结果图；

图7为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法行驶工况图；

图8为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法中采用马尔科夫算法对行驶工况预测仿真结果图；

图9为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法中采用马尔科夫和BP神经网络算法对行驶工况预测仿真结果图；

图10为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法对NEDC工况的剩余续驶里程仿真结果图；

图11为本发明所述的基于工况预测和模糊能耗的电动汽车续驶里程估算方法对NEDC工况的剩余续驶里程实验结果图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细说明，但本发明的保护范围并不仅限于此。

基于工况预测和模糊能耗的电动汽车续驶里程估算方法流程图如图1所示，包括步骤：

S1.基于马尔科夫算法实现对工况的预测并采用BP神经网络对预测结果进行修正，

S1.1，定义集合S表示行驶工况的状态，时间序列X(t)，表示行驶工况在时间为t时的值，将行驶工况归属于不同的状态，从而构成了行驶工况状态为：S＝{s₁，s₂，...，s_k} (1)；

S1.2，采用统计学的方法求转移概率矩阵。令m_i代表状态s_i在不同时间段出现的次数，m_ij代表着由状态s_i转移到状态m_j的次数。转移概率p_ij由下式求得：p_ij＝p{X(t+1)＝j|X(t)＝i}＝m_ij/m_i (2)；

计算转移概率矩阵由以下表达式求出：根据上述求得的转移概率矩阵P和当前的起始数据Y(i)所处在的状态s_i′，就可以预测出起始数据下一步将处在的状态，其表达式为：其具体流程如图2所示。

S1.3，建立工况预测结果与真实行驶工况类别之间的误差相对序列，并以误差相对序列作为BP神经网络的输入数据建立起BP神经网络；

S1.4，根据误差拟合出非线性函数，实时预测出将来的误差相对序列，并将马尔科夫模型求出的预测值与BP神经网络得到的误差相对序列进行叠加，求得最终的预测结果；

首先确定BP神经网络的结构，并设置初始值；再计算出马尔科夫模型得出的预测数据与真实数据Y之间的误差ΔF，并确定BP神经网络的输入数据和理想的输出数据；然后对BP神经网络的输入数据及理想的输出数据进行归一化处理，并对BP神经网络进行训练并预测下一个行驶工况类别差；其次判断是否满足精度要求，若没有达到要求，则进行误差修正；最后对输出数据进行反归一化处理，并用马尔科夫方法得到的预测数据加上BP神经网得到的ΔF，从而得到最终的预测结果，其具体流程如图3所示。

S2.建立特征参数与能耗之间的模糊规则库，

首先建立纯电动汽车整车能耗模型，其输入工况为30个典型标准工况；然后按照60s一个片段进行总能耗计算，按照图4所示的方法进行能耗数据获取(任意选取一个工况)；再根据模糊规则库建立特征参数与能耗之间模糊规则库，其具体步骤如下：

S2.1，根据行驶工况判别当前片段所处类别，并获取当前片段的平均速度meanv、加速比例P、减速比例N、总能耗Ecost四个特征参数；

S2.2，依次对当前类别的每个特征参数选取11组数据，并对每组数据按照从小到大的顺序排列；建立模糊库，输入三个参数：平均速度meanv、加速比例P、减速比例N，输出一个参数：总能耗Ecost；建立模糊规则，按照：条件A为真且条件B为真且条件C为真时执行条件D原则，其模糊规则如图5所示。

S3.对单位公里行驶里程L进行优化，如图6所示，

根据当前已经行驶里程和当前总消耗能量相除方法得出单位能耗行驶里程数L，再由L与剩余能量相乘得出剩余里程。本发明根据实际采样的片段个数分别建立不同的单位能耗算法，其具体步骤如下：

S3.1，当采样的片段在30以内时，为了满足剩余里程呈线性递减趋势，建立单位能耗与剩余能耗的线性关系为：

L＝L_min+k(E_rest-E_min) (5)

式中：L_min是由聚类算法得出的单位能耗行驶里程最小值，根据聚类结果取2；E_rest为电池剩余电量；E_min为保守最低电量，根据实际情况取4；k为线性预估计量。

车辆行驶过程中已行驶里程S和电池电量E_total关系为：

式中：E_total为电池总能量(J)，m为车辆质量(kg)，f为滚动阻力系数，C_D为风阻系数，A为迎风面积(m²)，v为车速(km/h)，g为重力加速度(m/s²)。E_total取28.2J，C_D取0.294，f取0.015，m取1363kg，g取9.8m/s²，A取2.04m²，v取40km/h时，即得出车辆以40km/h匀速行驶时的最大行驶里程S_max。

车辆最大行驶里程S_max和电池总电量E_total的关系为：

E_total(L_min+k(E_total-E_min))＝S_max (7)

最后得出线性预估计量k＝0.2066。k值主要由车辆电池总电量和该车辆按照最佳车速行驶时的最大行驶里程决定，即此值为可根据车辆不同参数进行标定。

S3.2，当采样片段超过30时，上述方法估算的续驶里程可能会陷入局部最低值，因此采用在线聚类算法，其具体步骤如下：

S3.2.1，获取当前片段数据并计算出所述工况类别；

S3.2.2，根据工况类别找出与历史片段(已经行驶的片段数据)相同类别工况数据，并对历史片段数据进行模糊C均值聚类，此结果即为当前片段单位能耗行驶里程L；

S3.2.3，若当前工况类别在历史片段中不存在，则当前工况L按照上述S3.1的方法进行计算。

S4.最后依据单位能耗行驶的里程L和剩余能量Erest来估算电动汽车的剩余续驶里程Srest，

S4.1，根据行驶工况及采样时间实时获取当前行驶工况特征参数；

S4.2，根据特征参数得出当前工况类别，并得出当前总能耗Ecost；

S4.3，根据当前总能耗Ecost及车辆初始总能耗Etotal得出剩余能量Erest，即剩余能量Erest＝Etotal-Ecost；

S4.4，根据单位能耗行驶里程L与剩余能量Erest得出剩余续驶里程Srest，单位能耗行驶里程L＝S/Ecost，其中S为已行驶里程；剩余续驶里程

对工况预测结果进行仿真，其结果如图7～9所示，图7为行驶工况，图8为马尔科夫算法预测工况结果，图9为BP-马尔科夫算法预测工况结果，从结果可以直接反应出BP-马尔科夫算法的优势。

对剩余续驶里程估算进行了仿真及实验，其仿真及实验结果如图10、图11所示，从结果可以看出，剩余续驶里程随着工况的不同下降趋势也不同，例如在工况急剧变化时，其里程也下降较快。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。