基于电池能量状态和车辆能耗的电动汽车续驶里程估算

为了提高续驶里程估算精度,在工况识别基础上提出一种基于电池能量状态和车辆能耗的续驶里程估算模型,该模型能有效地消除里程误差并具有较好的收敛性及鲁棒性。在Matlab/Simulink下建立电池模型及整车能耗模型,基于该模型建立工况特征参数与能耗之间的模糊规则库,再对电动空调单独进行续驶里程估算,基于卡尔曼滤波的方法对输出剩余里程进行优化。仿真及试验结果表明,与传统的续驶里程估算方法相比,采用基于电池能量状态和车辆能耗的方法不仅能提高剩余续驶里程估算精度,而且能解决在急剧变化的工况下剩余续驶里程大幅度波动的问题。

模糊能耗及卡尔曼滤波的电动汽车剩余续驶里程估算

为了提高电动汽车的剩余续驶里程估算精度,在工况识别基础上,提出了一种将模糊能耗与卡尔曼滤波相结合的剩余续驶里程估算模型。建立了整车能耗模型;在MATLAB/Simulink下建立特征参数与能耗之间的模糊规则库;基于卡尔曼滤波对输出剩余续驶里程进行优化。优化结果表明:采用该方法的行驶里程实际值与期望值平均误差为2.11%,相比传统平均能耗法,其剩余续驶里程估算精度提高了77%。

基于采样交通量与卡尔曼滤波的增程式电动汽车续驶里程估算

为了提高增程式电动汽车续驶里程估算精度,消除驾驶员因电动汽车续驶里程估计不准确产生的忧虑心理,提出一种新的基于采样交通量与卡尔曼滤波的增程式电动汽车里程估算方法。依据不同道路等级,通过指数回归模型对增程式电动汽车交通量进行估算。介绍了卡尔曼滤波原理,给出卡尔曼滤波方法状态方程与观测方程,利用最小二乘法对卡尔曼滤波公式进行推导,获取状态向量预测值和状态向量测试方差矩阵。介绍了单位能耗行驶里程计算方法。结合采样交通量和剩余续驶里程计算结果,通过卡尔曼滤波方法获取下一时刻增程式电动汽车的续驶里程,实现对增程式电动汽车续驶里程的估算。经实验验证,所提方法估算准确性高。