[发明专利]一种电动汽车能耗预测方法及系统

说明书

本发明公开一种电动汽车能耗预测方法及系统，涉及汽车领域。该方法包括：对电动汽车的历史行驶数据进行分割处理，得到行程片段数据和动力学片段数据；利用动力学片段数据和马尔可夫‑蒙特卡洛方法对电动汽车进行工况预测，得到电动汽车的工况预测数据；将行程片段数据的行驶特征参数作为输入，能耗数据作为输出，利用机器学习方法建立能耗预测模型；将工况预测数据的行驶特征参数输入建立的能耗预测模型，得到能耗预测值。本发明基于电动汽车的历史行驶数据，提取其行驶特征，在进行能耗预测时首先基于车辆当前的状态预测车辆的未来行驶工况，将车辆未来行驶工况预测融合到能耗预测的过程中，提高了电动汽车在实际行驶工况下的能耗预测精度。

技术领域

本发明涉及汽车领域，特别是涉及一种电动汽车能耗预测方法及系统。

背景技术

近年来，交通电气化逐渐成为实现节能减排和提高能量效率的有效措施。截至2019年底，中国新能源汽车数量已达381万辆。然而，受限于当前的动力电池技术的发展，电动汽车续驶里程较短、充电时间较长，以及基础设施不足等缺陷大大限制了电动汽车的推广应用。考虑到电动汽车在现实应用中的局限性，电动汽车在实际行驶工况下的能耗已经成为电动汽车用户、汽车制造厂商和政府十分关注的关键性能指标，其对电动汽车交通运输系统的能源效率、环境效益和经济效益有着重要的影响。准确预测电动汽车的能耗对缓解驾驶员的行驶里程焦虑至关重要，并能够为电池容量优化设计、绿色路线规划以及充电基础设施的运营管理提供有力支持。因此，实际行驶工况下的电动汽车能耗准确估算与预测的需求日益增长。

现有的电动汽车能耗预测技术多采用基于车辆动力学模型的方法。在该方法中，车辆纵向动力学模型(longitudinal dynamics model，LDM)和车辆比功率模型(vehiclespecificpower，VSP)通常被用于车辆能耗估计，在应用该方法进行能耗估计之前需要获取或假设大量车辆参数包括车辆迎风面积、质量和滚动阻力系数等，而在实际应用中很难提前精确获取这些参数，尤其是在应用于大量车辆如物流车群的情况时，获取每辆车的详细参数几乎不具有可行性，同时车辆动力学模型方法往往通过固定的工况如NEDC(NewEuropean Driving Cycle，新欧洲驾驶周期)模拟车辆工况，但是车辆的实际行驶工况十分复杂，基于车辆动力学模型的方法无法考虑动态的车辆工况的影响，因此预测精度较差。

发明内容

本发明的目的是提供一种电动汽车能耗预测方法及系统，将车辆未来行驶工况预测融合到能耗预测的过程中，同时考虑行驶环境因素的影响，提高电动汽车能耗预测的精度。

为实现上述目的，本发明提供了如下方案：

一种电动汽车能耗预测方法，包括：

获取电动汽车的历史行驶数据；

对所述历史行驶数据进行分割处理，得到行程片段数据和动力学片段数据；所述行程片段数据包括所述电动汽车在行驶过程中的历史行驶数据，所述动力学片段数据包括所述电动汽车在恒定速度行驶或加速度行驶的过程中的历史行驶数据；

利用所述动力学片段数据和马尔可夫-蒙特卡洛方法对所述电动汽车进行工况预测，得到所述电动汽车的工况预测数据；

获取所述行程片段数据的行驶特征参数和能耗数据；

将所述行程片段数据的行驶特征参数作为输入，所述能耗数据作为输出，利用机器学习方法建立能耗预测模型；

获取所述工况预测数据的行驶特征参数；

将所述工况预测数据的行驶特征参数输入建立的能耗预测模型，得到能耗预测值。

可选的，所述利用所述动力学片段数据和马尔可夫-蒙特卡洛方法对所述电动汽车进行工况预测，得到所述电动汽车的工况预测数据，具体包括：

利用所述动力学片段数据中的平均速度，对所述动力学片段数据中不同的行驶状态添加行驶状态标记；