本發(fā)明涉及電動(dòng)汽車技術(shù)領(lǐng)域，特別涉及一種電動(dòng)汽車及其續(xù)駛里程預(yù)測(cè)方法、系統(tǒng)。

背景技術(shù)：

目前，隨著環(huán)境污染、能源危機(jī)等問題的不斷惡化，電動(dòng)汽車的研發(fā)和推廣成為了各個(gè)汽車廠商的關(guān)注重點(diǎn)。電動(dòng)汽車作為能夠以可充電電池作為動(dòng)力源的汽車，具有低排放、能源利用率高、行駛噪音小等諸多優(yōu)點(diǎn)。

在目前的電動(dòng)汽車上，駕駛員可以利用當(dāng)前電池的狀態(tài)信息以及電動(dòng)汽車自身參數(shù)中的平均公里能耗，對(duì)當(dāng)前電動(dòng)汽車還可繼續(xù)行駛的里程進(jìn)行估算。然而，這種估算方式經(jīng)常導(dǎo)致估算值與實(shí)際值之間的偏差非常大，對(duì)人們的日常出行造成了極大的困擾。

綜上所述可以看出，如何對(duì)電動(dòng)汽車剩余的續(xù)駛里程進(jìn)行更加準(zhǔn)確的預(yù)估是目前還有待解決的問題。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，本發(fā)明的目的在于提供一種電動(dòng)汽車及其續(xù)駛里程預(yù)測(cè)方法、系統(tǒng)，能夠?qū)﹄妱?dòng)汽車剩余的續(xù)駛里程進(jìn)行更加準(zhǔn)確的預(yù)估。其具體方案如下：

一種電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)方法，包括：

獲取當(dāng)前電動(dòng)汽車的行駛信息；

利用所述行駛信息，確定當(dāng)前所述電動(dòng)汽車所在行駛道路的道路類型，得到目標(biāo)道路類型；

確定與所述目標(biāo)道路類型對(duì)應(yīng)的單位能耗，并獲取所述電動(dòng)汽車的當(dāng)前電池狀態(tài)；

利用所述單位能耗以及所述當(dāng)前電池狀態(tài)，計(jì)算當(dāng)前所述電動(dòng)汽車可持續(xù)行駛的里程數(shù)。

可選的，所述獲取當(dāng)前電動(dòng)汽車的行駛信息的過程，包括：

獲取當(dāng)前所述電動(dòng)汽車在預(yù)設(shè)時(shí)間段內(nèi)的平均速度、最大速度、平均加速度、平均正加速度、平均負(fù)加速度、怠速時(shí)間比、巡航時(shí)間比、最大加速度、最小加速度、行駛距離、速度方差、加速度方差、速度平方和以及加速度平方和。

可選的，所述確定與所述目標(biāo)道路類型對(duì)應(yīng)的單位能耗的過程，包括：

從預(yù)先基于實(shí)際經(jīng)驗(yàn)確定的數(shù)據(jù)表中篩選出與所述目標(biāo)道路類型對(duì)應(yīng)的單位能耗。

可選的，所述利用所述行駛信息，確定當(dāng)前所述電動(dòng)汽車所在行駛道路的道路類型的過程，包括：

計(jì)算所述行駛信息與預(yù)設(shè)聚類中心集合中的每個(gè)聚類中心之間的歐氏距離，得到相應(yīng)的歐氏距離集；

將所述歐氏距離集中數(shù)值最小的歐氏距離所對(duì)應(yīng)的聚類中心確定為目標(biāo)聚類中心；

將所述目標(biāo)聚類中心對(duì)應(yīng)的道路類型確定為當(dāng)前電動(dòng)汽車所在行駛道路的道路類型。

可選的，所述聚類中心集合的創(chuàng)建過程，包括：

獲取歷史樣本數(shù)據(jù)集；其中，所述歷史樣本數(shù)據(jù)集包含電動(dòng)汽車在不同道路類型的道路上行駛時(shí)所對(duì)應(yīng)的歷史行駛信息；

利用k均值聚類算法，對(duì)所述歷史樣本數(shù)據(jù)集進(jìn)行相應(yīng)的聚類處理，得到所述聚類中心集合；其中，所述聚類中心集合中不同的聚類中心對(duì)應(yīng)于不同的道路類型。

本發(fā)明還公開了一種電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)系統(tǒng)，包括：

行駛信息獲取模塊，用于獲取當(dāng)前電動(dòng)汽車的行駛信息；

道路類型確定模塊，用于利用所述行駛信息，確定當(dāng)前所述電動(dòng)汽車所在行駛道路的道路類型，得到目標(biāo)道路類型；

單位能耗確定模塊，用于確定與所述目標(biāo)道路類型對(duì)應(yīng)的單位能耗；

電池狀態(tài)獲取模塊，用于獲取所述電動(dòng)汽車的當(dāng)前電池狀態(tài)；

計(jì)算模塊，用于利用所述單位能耗以及所述當(dāng)前電池狀態(tài)，計(jì)算當(dāng)前所述電動(dòng)汽車可持續(xù)行駛的里程數(shù)。

可選的，所述單位能耗確定模塊，具體用于從預(yù)先基于實(shí)際經(jīng)驗(yàn)確定的數(shù)據(jù)表中篩選出與所述目標(biāo)道路類型對(duì)應(yīng)的單位能耗。

可選的，所述道路類型確定模塊，包括：

聚類中心創(chuàng)建子模塊，用于預(yù)先創(chuàng)建聚類中心集合；

歐氏距離計(jì)算子模塊，用于計(jì)算所述行駛信息與所述聚類中心集合中的每個(gè)聚類中心之間的歐氏距離，得到相應(yīng)的歐氏距離集；

第一確定子模塊，用于將所述歐氏距離集中數(shù)值最小的歐氏距離所對(duì)應(yīng)的聚類中心確定為目標(biāo)聚類中心；

第二確定子模塊，用于將所述目標(biāo)聚類中心對(duì)應(yīng)的道路類型確定為當(dāng)前電動(dòng)汽車所在行駛道路的道路類型。

可選的，所述聚類中心創(chuàng)建子模塊，包括：

歷史樣本獲取單元，用于獲取歷史樣本數(shù)據(jù)集；其中，所述歷史樣本數(shù)據(jù)集包含電動(dòng)汽車在不同道路類型的道路上行駛時(shí)所對(duì)應(yīng)的歷史行駛信息；

樣本聚類單元，用于利用k均值聚類算法，對(duì)所述歷史樣本數(shù)據(jù)集進(jìn)行相應(yīng)的聚類處理，得到所述聚類中心集合；其中，所述聚類中心集合中不同的聚類中心對(duì)應(yīng)于不同的道路類型。

本發(fā)明進(jìn)一步公開了一種電動(dòng)汽車，包括前述公開的電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)系統(tǒng)。

本發(fā)明中，電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)方法，包括：獲取當(dāng)前電動(dòng)汽車的行駛信息；利用行駛信息，確定當(dāng)前電動(dòng)汽車所在行駛道路的道路類型，得到目標(biāo)道路類型；確定與目標(biāo)道路類型對(duì)應(yīng)的單位能耗，并獲取電動(dòng)汽車的當(dāng)前電池狀態(tài)；利用單位能耗以及當(dāng)前電池狀態(tài)，計(jì)算當(dāng)前電動(dòng)汽車可持續(xù)行駛的里程數(shù)。

可見，本發(fā)明會(huì)根據(jù)當(dāng)前電動(dòng)汽車的行駛信息來確定出當(dāng)前電動(dòng)汽車所行駛道路的道路類型，然后基于該道路類型確定出相應(yīng)的單位能耗，由此可見，本發(fā)明中的單位能耗是與道路類型相對(duì)應(yīng)的，能夠更加貼合當(dāng)前電動(dòng)汽車所行駛道路的實(shí)際情況，也即使得上述單位能耗與當(dāng)前電動(dòng)汽車的實(shí)際能耗更加一致，具有非常高的準(zhǔn)確度，從而提升了后續(xù)依賴上述單位能耗計(jì)算出來的可持續(xù)行駛里程數(shù)的準(zhǔn)確度。綜上，本發(fā)明能夠?qū)﹄妱?dòng)汽車剩余的續(xù)駛里程進(jìn)行更加準(zhǔn)確的預(yù)估。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例公開的一種電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)方法流程圖；

圖2為本發(fā)明實(shí)施例公開的一種具體的電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)方法流程圖；

圖3為本發(fā)明實(shí)施例公開的一種電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)系統(tǒng)結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明實(shí)施例公開了一種電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)方法，參見圖1所示，該方法包括：

步驟s11：獲取當(dāng)前電動(dòng)汽車的行駛信息。

具體的，上述獲取當(dāng)前電動(dòng)汽車的行駛信息的過程，可以包括：獲取當(dāng)前電動(dòng)汽車在預(yù)設(shè)時(shí)間段內(nèi)的平均速度、最大速度、平均加速度、平均正加速度、平均負(fù)加速度、怠速時(shí)間比、巡航時(shí)間比、最大加速度、最小加速度、行駛距離、速度方差、加速度方差、速度平方和以及加速度平方和。

也即，本發(fā)明實(shí)施例中的行駛信息具體可以包括當(dāng)前電動(dòng)汽車在預(yù)設(shè)時(shí)間段內(nèi)的平均速度、最大速度、平均加速度、平均正加速度、平均負(fù)加速度、怠速時(shí)間比、巡航時(shí)間比、最大加速度、最小加速度、行駛距離、速度方差、加速度方差、速度平方和以及加速度平方和等多個(gè)參數(shù)。當(dāng)然，為了降低數(shù)據(jù)處理量，本發(fā)明實(shí)施例中的行駛信息也可以僅包括上述多個(gè)參數(shù)中的任意幾個(gè)參數(shù)。

另外，可以理解的是，上述預(yù)設(shè)時(shí)間段具體可以是根據(jù)實(shí)際經(jīng)驗(yàn)值來預(yù)先設(shè)置完畢的參數(shù)，在此不對(duì)其進(jìn)行具體限定。

步驟s12：利用行駛信息，確定當(dāng)前電動(dòng)汽車所在行駛道路的道路類型，得到目標(biāo)道路類型。

需要指出的是，本實(shí)施例中行駛道路的道路類型包括但不限于高速路、郊區(qū)道路、城區(qū)道路和城市擁堵道路?？梢岳斫獾氖牵诓煌缆奉愋偷牡缆飞闲旭倳r(shí)，電動(dòng)汽車所對(duì)應(yīng)的行駛信息會(huì)有所差異，此時(shí)電動(dòng)汽車所對(duì)應(yīng)的單位能耗也會(huì)有所不同。

步驟s13：確定與目標(biāo)道路類型對(duì)應(yīng)的單位能耗，并獲取電動(dòng)汽車的當(dāng)前電池狀態(tài)。

其中，上述單位能耗是指當(dāng)前電動(dòng)汽車單位里程所對(duì)應(yīng)的能耗，例如每公里能耗或每百公里能耗等，另外，電動(dòng)汽車的當(dāng)前電池狀態(tài)包括當(dāng)前電池的剩余能量以及當(dāng)前電池的效率。

步驟s14：利用單位能耗以及當(dāng)前電池狀態(tài)，計(jì)算當(dāng)前電動(dòng)汽車可持續(xù)行駛的里程數(shù)。

可見，本發(fā)明實(shí)施例會(huì)根據(jù)當(dāng)前電動(dòng)汽車的行駛信息來確定出當(dāng)前電動(dòng)汽車所行駛道路的道路類型，然后基于該道路類型確定出相應(yīng)的單位能耗，由此可見，本發(fā)明實(shí)施例中的單位能耗是與道路類型相對(duì)應(yīng)的，能夠更加貼合當(dāng)前電動(dòng)汽車所行駛道路的實(shí)際情況，也即使得上述單位能耗與當(dāng)前電動(dòng)汽車的實(shí)際能耗更加一致，具有非常高的準(zhǔn)確度，從而提升了后續(xù)依賴上述單位能耗計(jì)算出來的可持續(xù)行駛里程數(shù)的準(zhǔn)確度。綜上，本發(fā)明實(shí)施例能夠?qū)﹄妱?dòng)汽車剩余的續(xù)駛里程進(jìn)行更加準(zhǔn)確的預(yù)估。

本發(fā)明實(shí)施例公開了一種具體的電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)方法，參見圖2所示，該方法包括：

步驟s21：獲取當(dāng)前電動(dòng)汽車的行駛信息。

步驟s22：計(jì)算上述行駛信息與預(yù)設(shè)聚類中心集合中的每個(gè)聚類中心之間的歐氏距離，得到相應(yīng)的歐氏距離集。

其中，上述聚類中心集合的創(chuàng)建過程，具體可以包括下面步驟s31和s32：

步驟s31：獲取歷史樣本數(shù)據(jù)集；其中，歷史樣本數(shù)據(jù)集包含電動(dòng)汽車在不同道路類型的道路上行駛時(shí)所對(duì)應(yīng)的歷史行駛信息。

例如，假設(shè)本實(shí)施例中行駛道路的道路類型包括以下四種：高速路、郊區(qū)道路、城區(qū)道路和城市擁堵道路。則上述歷史樣本數(shù)據(jù)集中具體可以包括與上述四種道路類型分別一一對(duì)應(yīng)的四組歷史樣本數(shù)據(jù)，其中，每組歷史樣本數(shù)據(jù)均可以包含電動(dòng)汽車在與該組歷史樣本數(shù)據(jù)對(duì)應(yīng)的道路上行駛時(shí)，在多個(gè)歷史時(shí)間段內(nèi)采集到的多份歷史樣本數(shù)據(jù)，需要說明的是，上述多個(gè)歷史時(shí)間段中的每個(gè)歷史時(shí)間段的時(shí)間長度與上一實(shí)施例中的預(yù)設(shè)時(shí)間段的時(shí)間長度均相同。

步驟s32：利用k均值聚類算法，對(duì)歷史樣本數(shù)據(jù)集進(jìn)行相應(yīng)的聚類處理，得到聚類中心集合；其中，聚類中心集合中不同的聚類中心對(duì)應(yīng)于不同的道路類型。

可以理解的是，經(jīng)過上述步驟s32得到的聚類中心集合中聚類中心的數(shù)量與道路類型的數(shù)量相等。也即，假如本實(shí)施例中行駛道路的道路類型包括以下四種：高速路、郊區(qū)道路、城區(qū)道路和城市擁堵道路，則上述聚類中心集合中將包含與上述4種道路類型分別一一對(duì)應(yīng)的4個(gè)聚類中心。

步驟s23：將上述歐氏距離集中數(shù)值最小的歐氏距離所對(duì)應(yīng)的聚類中心確定為目標(biāo)聚類中心。

步驟s24：將目標(biāo)聚類中心對(duì)應(yīng)的道路類型確定為當(dāng)前電動(dòng)汽車所在行駛道路的道路類型，得到目標(biāo)道路類型。

步驟s25：從預(yù)先基于實(shí)際經(jīng)驗(yàn)確定的數(shù)據(jù)表中篩選出與目標(biāo)道路類型對(duì)應(yīng)的單位能耗，并獲取電動(dòng)汽車的當(dāng)前電池狀態(tài)。

可以理解的是，上述數(shù)據(jù)表中記錄了電動(dòng)汽車在不同類型的道路上行駛時(shí)所對(duì)應(yīng)的單位能耗。

步驟s26：利用單位能耗以及當(dāng)前電池狀態(tài)，計(jì)算當(dāng)前電動(dòng)汽車可持續(xù)行駛的里程數(shù)。

綜上可知，本發(fā)明實(shí)施例具體是在結(jié)合k均值聚類算法的基礎(chǔ)上，實(shí)現(xiàn)了對(duì)當(dāng)前電動(dòng)汽車行駛道路的類型判斷，當(dāng)然，除了結(jié)合k均值聚類算法，本發(fā)明實(shí)施例也可以通過結(jié)合神經(jīng)網(wǎng)絡(luò)算法或支持向量機(jī)算法等來實(shí)現(xiàn)對(duì)當(dāng)前電動(dòng)汽車行駛道路的類型判斷。相對(duì)于神經(jīng)網(wǎng)絡(luò)算法和支持向量機(jī)算法，基于k均值聚類算法的道路類型判斷過程所需要的計(jì)算量更低，并且考慮到電動(dòng)汽車的整車控制器的計(jì)算能力有限，由此本發(fā)明實(shí)施例更推薦使用k均值聚類算法來實(shí)現(xiàn)對(duì)電動(dòng)汽車行駛道路的類型判斷。

相應(yīng)的，本發(fā)明還公開了一種電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)系統(tǒng)，參見圖3所示，該系統(tǒng)包括：

行駛信息獲取模塊11，用于獲取當(dāng)前電動(dòng)汽車的行駛信息；

道路類型確定模塊12，用于利用行駛信息，確定當(dāng)前電動(dòng)汽車所在行駛道路的道路類型，得到目標(biāo)道路類型；

單位能耗確定模塊13，用于確定與目標(biāo)道路類型對(duì)應(yīng)的單位能耗；

電池狀態(tài)獲取模塊14，用于獲取電動(dòng)汽車的當(dāng)前電池狀態(tài)；

計(jì)算模塊15，用于利用單位能耗以及當(dāng)前電池狀態(tài)，計(jì)算當(dāng)前電動(dòng)汽車可持續(xù)行駛的里程數(shù)。

其中，單位能耗確定模塊13，具體可以用于從預(yù)先基于實(shí)際經(jīng)驗(yàn)確定的數(shù)據(jù)表中篩選出與目標(biāo)道路類型對(duì)應(yīng)的單位能耗。

另外，上述道路類型確定模塊12，具體可以包括聚類中心創(chuàng)建子模塊、歐氏距離計(jì)算子模塊、第一確定子模塊和第二確定子模塊；其中，

聚類中心創(chuàng)建子模塊，用于預(yù)先創(chuàng)建聚類中心集合；

歐氏距離計(jì)算子模塊，用于計(jì)算行駛信息與聚類中心集合中的每個(gè)聚類中心之間的歐氏距離，得到相應(yīng)的歐氏距離集；

第一確定子模塊，用于將歐氏距離集中數(shù)值最小的歐氏距離所對(duì)應(yīng)的聚類中心確定為目標(biāo)聚類中心；

第二確定子模塊，用于將目標(biāo)聚類中心對(duì)應(yīng)的道路類型確定為當(dāng)前電動(dòng)汽車所在行駛道路的道路類型。

進(jìn)一步的，上述聚類中心創(chuàng)建子模塊，具體可以包括歷史樣本獲取單元和樣本聚類單元；其中，

歷史樣本獲取單元，用于獲取歷史樣本數(shù)據(jù)集；其中，歷史樣本數(shù)據(jù)集包含電動(dòng)汽車在不同道路類型的道路上行駛時(shí)所對(duì)應(yīng)的歷史行駛信息；

樣本聚類單元，用于利用k均值聚類算法，對(duì)歷史樣本數(shù)據(jù)集進(jìn)行相應(yīng)的聚類處理，得到聚類中心集合；其中，聚類中心集合中不同的聚類中心對(duì)應(yīng)于不同的道路類型。

可見，本發(fā)明實(shí)施例會(huì)根據(jù)當(dāng)前電動(dòng)汽車的行駛信息來確定出當(dāng)前電動(dòng)汽車所行駛道路的道路類型，然后基于該道路類型確定出相應(yīng)的單位能耗，由此可見，本發(fā)明實(shí)施例中的單位能耗是與道路類型相對(duì)應(yīng)的，能夠更加貼合當(dāng)前電動(dòng)汽車所行駛道路的實(shí)際情況，也即使得上述單位能耗與當(dāng)前電動(dòng)汽車的實(shí)際能耗更加一致，具有非常高的準(zhǔn)確度，從而提升了后續(xù)依賴上述單位能耗計(jì)算出來的可持續(xù)行駛里程數(shù)的準(zhǔn)確度。綜上，本發(fā)明實(shí)施例能夠?qū)﹄妱?dòng)汽車剩余的續(xù)駛里程進(jìn)行更加準(zhǔn)確的預(yù)估。

進(jìn)一步的，本發(fā)明還公開了一種電動(dòng)汽車，包括前述實(shí)施例公開的電動(dòng)汽車?yán)m(xù)駛里程預(yù)測(cè)系統(tǒng)。關(guān)于該系統(tǒng)的具體構(gòu)造可以參考前述實(shí)施例中公開的相應(yīng)內(nèi)容，在此不再進(jìn)行贅述。

最后，還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上對(duì)本發(fā)明所提供的一種電動(dòng)汽車及其續(xù)駛里程預(yù)測(cè)方法、系統(tǒng)進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。