纯电动乘用车续驶里程预测方法技术

本发明专利技术公开了一种纯电动乘用车续驶里程预测方法，包括下述步骤：S1、采用模糊聚类的方式进行建模；S2、通过模糊时间序列分析算法对纯电动乘用车能耗状况进行建模；S3、建立模糊时间序列模型；S4、将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；S5、结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与路段能耗权值运算最终得到加权能耗预测值；S6、用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成续驶里程；S7、直至路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。本发明专利技术通过准确预测续驶里程，可解决目前纯电动乘用车难以实现里程预测的问题。

【技术实现步骤摘要】
纯电动乘用车续驶里程预测方法
本专利技术涉及电动乘用车的
，特别涉及一种纯电动乘用车续驶里程预测方法。
技术介绍
纯电动乘用车虽然目前在国家节能减排政策下得到较快发展，但由于受其续驶里程的制约，目前仍难以大规模推广，仍处于试点运营状况，尤其是目前充电站规划和实施仍然难以符合实际推广要求的情况下。续驶里程主要受电池容量和运营状况限制，在目前电池技术储能和可靠性仍难以取得突破的情况下，研究者们提出了各种分析与评估续驶里程的方法。在目前阶段，对续驶里程的估算方法大多依赖于对SOC的更准确估算，从而转换成相对准确的续驶里程，因而目前的研究热点集中在如何准确预测SOC上。比较具有代表性的算法，如针对电动汽车用锂离子电池组的能修正初始误差的荷电状态估算方法；针对磷酸铁锂电池给出了其改进的PNGV模型，采用扩展卡尔曼滤波算法完成了SOC的准确估计；对于磷酸铁锂电池，安时积分SOC估算方法中初始SOC的影响最大，应该建立初始SOC的修正算法,对电池的SOC累积误差进行清除以提高精度；采用电化学阻抗谱来分析等效电路模型参数，以研究电池的电压特性和动态功率特性，通过综合分析实际充放电条件的主要特征来提取电池典型的参数辨识工况，并利用粒子群优化算法分析模型参数；此外，修订的伏安法、Kalman算法、神经网络等算法的应用也比较广泛。在进一步提高SOC估算精度情况下，基于锂离子电池电化学模型提出电动公交车续驶里程预测方法、纯电动汽车续驶里程RBF神经网络预测算法、通过分析纯电动汽车行驶中主电路负载电流变化建立其续驶里程计算模型、利用BP神经网络预测电动汽车续驶里程的方法等。就研究者在公开发表信息内容上看，续驶里程的预测的依据主要采用SOC参数作为主要参考，大多采用等速法以及工况法进行预测，所得到延长续驶里程的结论大多倾向于选用低阻力轮胎、进行车身的流线型改进、减轻空车重量、选用高能量电池、动力传动系合理匹配等从电动汽车本身架构以及零配件选用上。然而，影响纯电动乘用车续驶里程的因素，即能耗影响因素还包括时段（早晚高峰）、路况、驾驶员驾驶习惯等因素，为此，本专利技术利用在已经正常营运的纯电动乘用车行车过程中所产生的数据，结合交通运行指标体系，基于模糊聚类算法和模糊时间序列算法建立纯电动乘用车续驶里程预测模型，为纯电动乘用车充电站规划等提供决策支持。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提供一种一种纯电动乘用车续驶里程预测方法。本专利技术的目的通过下述技术方案实现：纯电动乘用车续驶里程预测方法，包括下述步骤：S1、以路段能耗为基础，纯电动乘用车营运过程中所有影响因素作为聚类的维度，采用模糊聚类的方式进行建模；S2、通过模糊聚类中心对路段之间的能耗及影响因素的能耗情况进行描述以及标识后，通过模糊时间序列分析算法对纯电动乘用车能耗状况进行建模；S3、引进隶属度权值矩阵，将观测值在各模糊集上的隶属度的值作为用模糊矩阵进行预测的权值，建立模糊时间序列模型，反映观测值与各模糊子区间之间的联系的同时，进行预测时候不再需要附加预测规则，从而实现预测的准确率的提升；S4、对于路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；S5、路段能耗及其影响因素经过模糊聚类后，得到能耗聚类中心及其对应路段的实际行驶长度，结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与路段能耗权值运算最终得到加权能耗预测值；S6、纯电动乘用车营运续驶里程预测的方法是，在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成续驶里程；S7、在第n+1个路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个路段进行能耗预测，得到其加权能耗预测值后，以第n+1个路段的预测剩余能耗值减去第n+2个路段的预测剩余能耗值，后再次与最低能耗要求值进行比较，直至路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。优选的，步骤S1之前，还包括步骤S0：建立能耗模型以及等级划分，以已经规划好的行驶线路为基础，将线路按照路段进行划分，每一个路段的线路长度、驾驶员驾驶模型、电流、电压、路况均为影响路段能耗的因素；根据交通运行规律，以每周相同时间的行驶工况和影响能耗的因素为基础、路段平均的能耗平均值为能耗参考，对纯电动乘用车的能耗情况进行划分。优选的，以纯电动乘用车能耗数据为对象的模糊聚类算法具体步骤如下：选取随机值ε>0，选定并初始化聚类中心V(0)，使之具有能耗标识，令s=0；第一步：确定参数b以及初始化模糊分类矩阵U(0)；第二步：更新U(s)为U(s+1)；i=1,…,c;j=1,…,N，并按进行迭代，并计算U(s)时的：i=1,2,…,c；第三步：以矩阵范数比较U(s)和U(s+1)，如果||U(s)-U(s+1)||<ε，迭代停止；否则，s=s+1，返回第二步。优选的，步骤S2中，路段能耗样本中，标识属性能耗数据、路网运行指标的影响因素、聚类中心样本之间具有时间序列的特征，影响因素的时间序列特征直接影响了路段能耗值，进而对规划线路的能耗分配构成直接影响，为此，建立基于路段样本的时间序列模型，适合于建立续驶里程预测模型。优选的，步骤S4具体为：设能耗论域U={u1,u2,…,un},n=5，论域U的模糊集Ai可以表示为其中是模糊集Ai的隶属函数（可选择三角形、梯形等，根据纯电动乘用车的特性，本文选择等腰梯形作为模糊函数），符号“+”表示连接符且uk为模糊集Ai的一个元素，是元素uk属于模糊集Ai的隶属度，且隶属函数满足1≤k≤n。优选的，存在一种模糊关系集R(t-1,t)，并且满足则F(t)可由F(t-1)推导得出；其中，为一种关系运算算子，若F(t-1)=Ai，F(t)=Ai，则两个连续数据F(t-1)与F(t)之间的模糊逻辑关系（FLR）可表示为F(t-1)→F(t)，F(t-1)被称为模糊逻辑关系的左边关系，F(t)则为模糊逻辑关系的右边关系；根据纯电动乘用车的实际情况，所有路段能耗的模糊逻辑关系均为唯一对应，可定义模糊逻辑组（FLG），并表示为：F(t-1)→F(t),t=1,2,…,17；对于唯一顺序的模糊时间序列，每个路段的能耗权值表示如下：其中wn(t)是其中一个路段能耗的权值；cn为该路段所对应能耗等级模糊隶属度所对应的去模糊化正态分布值；En(t)是该路段对应的聚类中心所对应的能耗值。优选的，步骤S7的过程中，续驶里程可根据预测剩余能耗值满足最低能耗要求值的情况进行累加，直到算法结束，其累计续驶里程总和即为纯电动乘用车的最大营运续驶里程，即：本专利技术相对于现有技术具有如下的优点及效果：1、充分考虑影响影响纯电动乘用车能耗的各类因素，并且将各类因素进行量化计算，跳出目前以电池剩余能量为核心的预测算法，提出了综合考虑各种因素的数学模型。2、将驾驶员的驾驶行为转变车辆状态行为予以量化描述，即以加减速、滑行、制动、匀速行驶等进行量化描述。3、根据纯电动乘用车驾驶情况，必须先定义好目的地，然后根据可选择路径中的路段交通情况等进行能耗预测，从而实现续驶里程的预测。4、由于纯电动乘用车运行里程影响本文档来自技高网...

【技术保护点】
纯电动乘用车续驶里程预测方法，其特征在于，包括下述步骤：S1、以路段能耗为基础，纯电动乘用车营运过程中所有影响因素作为聚类的维度，采用模糊聚类的方式进行建模；S2、通过模糊聚类中心对路段之间的能耗及影响因素的能耗情况进行描述以及标识后，通过模糊时间序列分析算法对纯电动乘用车能耗状况进行建模；S3、引进隶属度权值矩阵，将观测值在各模糊集上的隶属度的值作为用模糊矩阵进行预测的权值，建立模糊时间序列模型，反映观测值与各模糊子区间之间的联系的同时，进行预测时候不再需要附加预测规则，从而实现预测的准确率的提升；S4、对于路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；S5、路段能耗及其影响因素经过模糊聚类后，得到能耗聚类中心及其对应路段的实际行驶长度，结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与路段能耗权值运算最终得到加权能耗预测值；S6、纯电动乘用车营运续驶里程预测的方法是，在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成续驶里程；S7、在第n+1个路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个路段进行能耗预测，得到其加权能耗预测值后，以第n+1个路段的预测剩余能耗值减去第n+2个路段的预测剩余能耗值，后再次与最低能耗要求值进行比较，直至路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。...

【技术特征摘要】
1.纯电动乘用车续驶里程预测方法，其特征在于，包括下述步骤：S1、以路段能耗为基础，纯电动乘用车营运过程中所有影响因素作为聚类的维度，采用模糊聚类的方式进行建模；以纯电动乘用车能耗数据为对象的模糊聚类算法具体步骤如下：选取随机值ε＞0，选定并初始化聚类中心V(0)，使之具有能耗标识，令s＝0；V＝{v1,v2,…,vc}，vi为ωi类的中心矢量，μi是正态分布的均值，即聚类中心，b是一个用来控制不同类别的混合程度的自由参数，即权值b∈(1,∞)；第一步：确定参数b以及初始化模糊分类矩阵U(0)；第二步：更新U(s)为U(s+1)；i＝1,…,c；j＝1,…,N，对于纯电动乘用车能耗影响因素数据集X＝{x1,x2,…,xN}，N为数据集中元素的个数，c是聚类中心数，并按进行迭代，并计算U(s)时的是隶属函数的参数向量；第三步：以矩阵范数比较U(s)和U(s+1)，如果||U(s)-U(s+1)||＜ε，迭代停止；否则，s＝s+1，返回第二步；S2、通过模糊聚类中心对路段之间的能耗及影响因素的能耗情况进行描述以及标识后，通过模糊时间序列分析算法对纯电动乘用车能耗状况进行建模；S3、引进隶属度权值矩阵，将观测值在各模糊集上的隶属度的值作为用模糊矩阵进行预测的权值，建立模糊时间序列模型，反映观测值与各模糊子区间之间的联系的同时，进行预测时候不再需要附加预测规则，从而实现预测的准确率的提升；S4、对于路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；S5、路段能耗及其影响因素经过模糊聚类后，得到能耗聚类中心及其对应路段的实际行驶长度，结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与路段能耗权值运算最终得到加权能耗预测值；S6、纯电动乘用车营运续驶里程预测的方法是，在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成续驶里程；S7、在第n+1个路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个路段进行能耗预测，得到其加权能耗预测值后，以第n+1个路段的预测剩余能耗值减去第n+2个路段的预测剩余能耗值后再次与最低能耗要求值进行比较，直至路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。2.根据权利要求1所述的纯电动乘用车续驶里程预测方法，其特征在于，步骤S1之前，还包括步骤S0：建立能耗模型以及等级划分，以已经规划好的行驶线路为基础，将线路按照路段进行划分，每一个路段的线路长度、驾驶员驾驶模型、电流、电压、路况均为影响路段能耗的因素；根据交通运行规律，以每周相同时间的行驶工况和影响能耗的因素为基...

【专利技术属性】
技术研发人员：薛月菊，杨敬锋，张南峰，李勇，黄晓琳，李鸿生，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：