详情

原文传递基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法

专利名称：	基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
摘要：	本发明公开了一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，利用车载传感器、地理信息软件、电子地图以及天气预报系统获取车辆状态参数、道路信息参数、环境信息参数；根据获取的参数，对滚阻系数、空气密度和道路坡度参数进行参数估计；并通过建立基于道路信息和驾驶风格优化的工况预测模型进行工况预测，使预测工况的能耗可以准确近似实际工况的能耗。建立纯电动车能耗预测模型进行能耗预测：基于纯电动车性能试验，建立纯电动车能耗计算模型，以参数估计结果和工况预测结果作为纯电动车能耗计算模型的输入，形成纯电动车能耗预测模型，纯电动车能耗预测模型输出预测能耗，对未来路径信息的能耗进行预测。
专利类型：	发明专利
国家地区组织代码：	吉林;22
申请人：	吉林大学
发明人：	郭建华;王继新;刘昨非;刘康杰;刘翠;王引航;刘纬纶;聂荣真;初亮;于远彬
专利状态：	有效
申请日期：	2019-05-09T00:00:00+0800
发布日期：	2019-08-16T00:00:00+0800
申请号：	CN201910383050.5
公开号：	CN110126841A
代理机构：	长春吉大专利代理有限责任公司
代理人：	杜森垚
分类号：	B60W50/00(2006.01);B;B60;B60W;B60W50
申请人地址：	130012 吉林省长春市前进大街2699号
主权项：	1.一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，包括以下步骤：步骤一、信息获取：利用车载传感器、地理信息软件、电子地图以及天气预报系统获取车辆状态参数、道路信息参数、环境信息参数；步骤二、根据步骤一获取的参数，对滚阻系数、空气密度和道路坡度参数进行参数估计；并通过建立基于道路信息和驾驶风格优化的工况预测模型进行工况预测；步骤三、建立纯电动车能耗预测模型进行能耗预测：基于纯电动车性能试验，建立纯电动车能耗计算模型，以步骤二的参数估计结果和工况预测结果作为纯电动车能耗计算模型的输入，形成纯电动车能耗预测模型，纯电动车能耗预测模型输出预测能耗，对未来路径信息的能耗进行预测。 2.如权利要求1所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤二中分别对滚阻系数、空气密度和道路坡度参数进行参数估计，其具体为：空气密度估计模型，通过下对空气密度ρ进行估算：式中，p为空气静压，Pa；T为空气热力学温度，K；R为摩尔气体常数，J/mol·K；Mv为水蒸气摩尔质量，kg/mol；Ma为干空气摩尔质量，kg/mol；xv为水蒸气摩尔分数，％；Z为空气压缩因子，％；滚动阻力系数估计模型，通过经验公式对滚动阻力系数fr进行估算：其中，ki为路面类型修正系数；道路坡度估计模型，通过地理信息系统和GPS路径经纬度计算道路坡度aslop(rad)：其中，Δh为两个连续测量点之间的高度差，m；未来路径的高度数据由GIS系统获得。 3.如权利要求1所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤二中建立基于道路信息和驾驶风格优化的工况预测模型进行工况预测包括以下步骤：步骤1.基于GPS、GIS获取的未来道路信息和历史数据，生成驾驶员在未来道路上的直线型预测工况；步骤2.根据历史数据对驾驶风格进行识别，基于遗传算法进行驾驶风格修正系数辨识，对直线型预测工况进行优化。 4.如权利要求3所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤1中的道路信息包括道路类型、交通信号灯、交通指示标志、道路曲率半径及道路坡度；历史数据包括通过不同驾驶员驾驶目标车辆在不同类型道路上进行多次实车道路试验，获取车速时间历程数据、车辆行驶轨迹、道路信息、驾驶员驾驶数据以及车辆行驶数据。 5.如权利要求3所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤1生成驾驶员在未来道路上的直线型预测工况包括以下过程：步骤1.1)工况数据采集与路径信息获取：当驾驶员在车载导航系统中输入目的地后，系统从GPS和电子地图中获取路径与道路信息，对上述数据进行处理，剔除异点，并依据行驶路径长度进行重采样；步骤1.2)根据路径和道路信息生成直线型工况段：路径由节点分割成多个道路片段，将相邻两个节点由加速阶段、匀速阶段和减速阶段连接起来，即为该道路片段的直线型工况段；道路类型、节点的纬度lat和经度lon从地理信息系统上获取； A、B两节点间的距离LAB可由节点坐标计算得到，即：式中，R(m)为地球半径，latA和latB分别为A点和B点的纬度值，lonA和lonB分别为A点和B点的经度值；步骤1.3)工况段整合与滤波：重复步骤1.2)，依次生成路线中所有道路片段的直线型工况段，直到满足完整路径长度为止；步骤1.4)生成直线型预测工况：将步骤1.3)中生成的所有直线型工况段按照路线信息中的节点位置依次进行拼接整合，得出完整的直线型预测工况。 6.如权利要求3所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤2包括以下过程：步骤2.1)建立驾驶风格识别参数；步骤2.2)采用遗传算法辨识驾驶风格修正系数；步骤2.3)建立典型驾驶风格修正系数表，根据不同驾驶风格识别参数获取驾驶风格修正系数，进而对直线型预测工况进行优化。 7.如权利要求6所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤2.1)建立驾驶风格识别参数包括以下过程：将驾驶风格分为普通型、节能型、耗能型，建立驾驶风格识别参数Jd：其中，Jd(i)为驾驶员在某道路类型驾驶的驾驶风格识别参数；分别为该驾驶员实际行驶过程中的平均能耗率eave、平均车速vm、最大车速vmax、平均加速度aam和平均减速度abm的标准化结果，均为无量纲数；w1～5为权系数，的计算方法如下：式中，eave为当前道路上的平均能耗率，kW/km；vm为平均车速，km/h；vmax为最大车速，km/h；aam为平均加速度，m/s2；；abm为平均减速度，m/s2；emax为车辆行驶可达到的最大能耗率，kW/km；Vmi为当前道路的标称车速，km/h；Vmaxi为当前道路上允许的最大速度，km/h；aamax为车辆允许的最大加速度，m/s2；abmax为最大减速度，m/s2；aamax＝3m/s2，abmax＝2m/s2；采集若干名驾驶员的道路试验数据，计算各驾驶员在各类型道路上的Jd(i)并进行聚类分析，同一类型的道路试验数据将合并在一起，作为该类驾驶员的实车道路试验数据，聚类中心处的Jd(i)即为该类典型驾驶风格参数Jdnor(i)。 8.如权利要求6所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤2.2)采用遗传算法辨识驾驶风格修正系数包括以下过程：驾驶风格修正系数的辨识问题转化为最优问题，将实测工况的能耗值与预测工况的能耗值的误差作为目标函数：式中，Ep,i为代入优化系数后的预测工况在模型仿真中产生的能耗；为实际测得的能耗数据，N为测量数据的次数；建立加速度优化系数k1、平均车速优化系数k2和减速度优化系数k3，对直线型工况预测结果进行优化，对k1、k2、k3进行范围约束：在使用驾驶风格对预测工况进行优化时，需要针对不同类型的路面分别辨识优化系数。 9.如权利要求1所述的一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，其特征在于，所述步骤三建立纯电动车能耗计算模型包括以下过程：采用逆向能耗计算模型，模型输入为车速，输出为电池输出功率Pbat(W)，即： Pbat＝Fwv+Ppt_loss+Paux＝(Fr+Faero+Fg+Fm)v+Ppt_loss+Paux 其中，Fw(N)为汽车驱动力；v(m/s)为车辆行驶速度；Ppt_loss(W)为BEV动力系统损失功率；Paux(W)是电气辅助系统消耗功率；滚动阻力Fr、空气阻力Faero、坡度阻力Fg、加速阻力Fm，(N)，分别为： Fr＝frmgcos(αslop) Fg＝mgsin(αslop) 其中，m为整备质量，kg；g为重力加速度，m/s2；Cd为风阻系数；Af为迎风面积，m2；Jw为车轮转动惯量，kgm2；Jm为电机转动惯量，kgm2；ig为减速器速比；r为车轮半径，m；Ffric为车轮处摩擦力，N；vwin行驶方向风速，m/s；fr为滚动阻力系数；αslop为路面坡度，rad；ρ为空气密度，kg/m3；系统损失功率Ppt_loss(W)可由测功机实验测得，采用经验公式分别对驱动模式和再生制动模式进行拟合：其中，电机转矩Tm(N·m)、电机转速分别为： Tm＝Fwr/ig Pc(W)为电机空转损失功率，经验公式为： Pc＝0.06v3-4.85v2+116.93v+170 电气辅助系统能耗Paux(W)采用在多种循环工况下电附件平均能耗；最后得到纯电动车能耗(kWh)，即：其中Sr(m)为路径长度。
所属类别：	发明专利