融合充電行為的新能源電動汽車能耗預測方法及應用

hth下载地址 陳聰

摘要:電動汽車的能耗預測對於(yu) 車輛路徑規劃與(yu) 充電行為(wei) 至關(guan) 重要。提出一種考慮充電行為(wei) 的多模型融合能耗預測方法，首先構建基於(yu) 實車稀疏數據與(yu) 有限參數的能耗計算模型，在此基礎上構建充電行為(wei) 模型，分析並提取能耗強相關(guan) 的充電行為(wei) 特征，最後基於(yu) 長短期記憶循環神經網絡(Long short-term memoryneural network,LSTM)搭建能耗預測模型。使用實車數據對所提方法進行驗證，結果表明，該方法可以精準預測相同車型不同起始電池荷電狀態(State ofcharge,SOC)、不同溫度、不同時間段下的汽車能耗，均方根誤差(Root mean square eror，RMSE)為(wei) 1.27，與(yu) 現有方法相比，RMSE 至少降低 4.5%。

關(guan) 鍵詞:能耗預測；電動汽車；充電行為(wei)

一、引言

電動汽車成為(wei) 了低碳交通係統中重要組成部分之一。近些年，電動汽車中國保有量增長迅速，截至 2021 年 10 月達到 891 萬(wan) 輛,預計到 2030 年將達到1億(yi) 。美國、中國和歐盟等許多國家和地區都出台了促進電動汽車發展的政策，並明確提出傳(chuan) 統內(nei) 燃機汽車禁售時間。然而，電動汽車在應用過程仍存在一些問題，包括續駛裏程短、充電設施不完善、電池安全問題等。其中，“裏程焦慮”是限製電動汽車進一步廣泛應用的一個(ge) 重要因素，可靠、準確的純電動汽車能耗預測可以更精確地估算電池剩餘(yu) 續航裏程，幫助用戶提前規劃行程，進而緩解“裏程焦慮”問題。

目前國內(nei) 外電動汽車能耗預測方法主要分為(wei) 兩(liang) 大類:基於(yu) 車輛動力學的能耗預測方法與(yu) 基於(yu) 數據驅動的能耗預測方法。基於(yu) 車輛動力學方麵，國內(nei) 外學者基於(yu) 車輛結構構建車輛動力學模型，進而計算並預測車輛能耗。MADHUSUDHANAN 等構建了綜合考慮車輛特性、行駛周期和車輛質量的能耗模型，並采用案例驗證模型對於(yu) 車隊管理的有效性。為(wei) 了給公交車駕駛員提供速度規劃建議實現純電動公交車的節能駕駛，根據公交車通行交叉口的運行特征及紅、黃、綠燈的剩餘(yu) 時間劃分了六種工況進行模擬，又結合公交車進出站運行特征的基礎與(yu) 站台內(nei) 允許停靠的最大公交車數目，將進出站場景劃分為(wei) 三種工況，並為(wei) 每種工況設計速度策略。通過在 AVL Cruise 中搭建純電動公交車仿真模型以及根據節能駕駛策略仿真分析對比六種交叉口工況和三種進出站工況，選取出了節能率較高的速度曲線。

二、電動汽車實車數據采集與(yu) 處理

為(wei) 進行故障診斷、故障排除、駕駛行為(wei) 分析和性能評估，提高電動汽車的性能和可靠性，通過裝置在電動汽車上的車速傳(chuan) 感器、加速度計、轉向傳(chuan) 感器、傾(qing) 斜傳(chuan) 感器、電池管理係統(Batterymanagement system,BMS)等傳(chuan) 感器和其他設備收集各種車輛數據，常見的電池參數包括用於(yu) 反映電池的充放電狀態電流，可反映電池電量的電壓，反映電池剩餘(yu) 電量的 SOC，反映電池是否存在損耗或損耗程度的電池健康狀態(State ofhealth,SOH)、溫度等，此外也測量車速、加速度、轉向、製動等其他具有特殊意義(yi) 的整車數據，並將這些數據存儲(chu) 在車輛控製單元(Electronic control unit,ECU)或其他設備中，之後將數據上傳(chuan) 至數據庫。

本文所使用的數據來自國家新能源汽車監測管理中心構建的國家電動汽車大數據平台和國家新能源汽車大數據聯盟開放實驗室，國家電動汽車大數據平台可以實時收集全國公共服務電動汽車的運行數據。運行數據涉及動態數據和靜態數據。動態數據主要包括車輛行駛速度、累計行駛裏程、電池係統電壓、電流等運行數據，以及用戶自定義(yi) 的其他數據;靜態數據包含車牌操作區域、車型等信息。車輛數據從(cong) 配備遠程信息處理係統的電動汽車上采集,並按照 GB/T 32960-2016 協議傳(chuan) 輸到大數據平台。本文所研究的數據為(wei) 10 輛同款電動汽車的曆史運行時間序列數據，數據采集頻率為(wei) 0.1 HZ。

這些數據包含了車輛在不同條件下的能耗信息，可以用來訓練和驗證能耗計算模型。這些來自於(yu) 車輛測試或者實際行駛記錄的數據被稱為(wei) 收集實車稀疏數據。

三、考慮充電行為(wei) 的能耗預測方法

能耗計算在車輛設計和優(you) 化中起著重要作用，它可以幫助工程師評估和改進車輛的燃油效率和能源利用率。然而，準確地預測車輛能耗是一項具有挑戰性的任務，因為(wei) 它涉及到多個(ge) 複雜的因素，包括車輛動力係統、駕駛行為(wei) 、路況等。為(wei) 了解決(jue) 這個(ge) 問題，研究者們(men) 提出了多模型融合方法，該方法通過將多個(ge) 不同的模型結合起來，以提高能耗計算的準確性和可靠性。為(wei) 了預測電動汽車的能耗，本文提出一種考慮了充電行為(wei) 的多模型融合方法。該方法整體(ti) 流程主要由能耗計算模型、充電行為(wei) 分析模型與(yu) 能耗預測模型構成。

3.1實車能耗計算模型

由於(yu) 實際車輛的動力係統非常複雜，而且有限的參數信息難以*全描述其能耗特性，因此需要采用多模型融合的方法。具體(ti) 而言，利用不同的理論模型、統計模型或者機器學習(xi) 模型來描述車輛的能耗特性。每個(ge) 模型都可以根據不同的條件和參數進行優(you) 化，以提高能耗計算的準確性。根據多模型融合方法整體(ti) 流程，首先需要構建實車稀疏數據與(yu) 有限參數下的能耗計算模型。

3.2充電行為(wei) 分析模型

為(wei) 定量分析充電行為(wei) 對能耗的影響，首先基於(yu) 實車傳(chuan) 感器采集參數，計算充電行為(wei) 相關(guan) 特征。之後提取與(yu) 能耗強相關(guan) 的充電行為(wei) 特征。

為(wei) 了計算充電行為(wei) 特征，構建了“車輛信息電池特征-駕駛員行為(wei) ”的多維特征指標體(ti) 係，如圖3 所示。其中車輛信息包括車輛充電位置經度、車輛充電位置緯度、車輛行駛累計裏程、車輛累計充電次數、充電起始時間、充電結束時間，充電時間長度等;電池特征包括充電起始 SOC、充電終止SOC、充電 SOC 變化、總充電起始電壓、總充電終止電壓、總充電電壓變化、充電最高溫度、充電*低溫度、充電平均溫度等;駕駛員行為(wei) 包括平均充電電流、最大充電電流、最小充電電流、充電時間、上一次行駛平均速度、上一次行駛最大速度、上一次行駛最小速度等。

3.3基於(yu) 長短期記憶循環的能耗預測模型

循環神經網絡(Recurrent neural network,RNN)是一類輸入序列性數據，並沿其演化方向進行遞推的遞歸神經網絡]。因其具有記憶性、參數共享和圖靈完備性，在學習(xi) 序列非線性特性方麵有*特的優(you) 勢。LSTM 是對遞歸神經網絡的一種改進，能很好地防止梯度丟(diu) 失、梯度崩潰等現象發生，因此，能很好地適應長期序列的學習(xi) 。針對實際汽車使用過程中，整車及電池的工作狀態受多種因素影響本項目擬建立多因子融合的 LSTM，以實現對整車及電池的長期能量預測。整個(ge) 神經網絡模型包括輸入層、全連接層、連接層和輸出層。該模型采用“多對一”的方式，將一段時間內(nei) 的曆史能源消耗數據輸入到預測模型中，並通過預測模型進行計算，從(cong) 而預測下次出行的能源消耗。

四、 解決(jue) 方案

圖1 有序充電管理係統示意圖

圖2平台結構圖

充電運營管理平台是基於(yu) 物聯網和大數據技術的充電設施管理係統，可以實現對充電樁的監控、調度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體(ti) 驗和服務質量。用戶可以通過APP或小程序提前預約充電，避免在充電站排隊等待的情況，同時也能為(wei) 充電站提供更準確的充電需求數據，方便後續的調度和管理。通過平台可對充電樁的功率、電壓、電流等參數進行實時監控，及時發現和處理充電樁故障和異常情況對充電樁的功率進行控製和管理，確保充電樁在合理的功率範圍內(nei) 充電，避免對電網造成過大的負荷。

五、hth下载地址充電樁雲(yun) 平台具體(ti) 的功能

平台除了對充電樁的監控外，還對充電站的光伏發電係統、儲(chu) 能係統以及供電係統進行集中監控和統一協調管理，提高充電站的運行可靠性，降低運營成本，平台係統架構如圖3所示。

圖3 充電樁運營管理平台係統架構

大屏顯示：展示充電站設備統計、使用率排行、運營統計圖表、節碳量統計等數據。

圖4 大屏展示界麵

站點監控：顯示設備實時狀態、設備列表、設備日誌、設備狀態統計等功能。

圖5 站點監控界麵

設備監控：顯示設備實時信息、配套設備狀態、設備實時曲線、關(guan) 聯訂單信息、充電功率曲線等。

圖6 設備監控界麵

運營趨勢統計：顯示運營信息查詢、站點對比曲線、日月年報表、站點對比列表等功能。

圖7 運營趨勢界麵

收益查詢：提供收益匯總、實際收益報表、收益變化曲線、支付方式占比等功能。

圖8 收益查詢界麵

故障分析：提供故障匯總、故障狀態餅圖、故障趨勢分析、故障類型餅圖等功能。

圖9 故障分析界麵

訂單記錄：提供實時/曆史訂單查詢、訂單終止、訂單詳情、訂單導出、運營商應收信息、充電明細、交易流水查詢、充值餘(yu) 額明細等功能。

圖10 訂單查詢界麵

六、產(chan) 品選型

hth下载地址為(wei) 廣大用戶提供慢充和快充兩(liang) 種充電方式，便攜式、壁掛式、落地式等多種類型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體(ti) 式充電樁來滿足新能源汽車行業(ye) 快速、經濟、智能運營管理的市場需求。實現對動力電池快速、高效、安全、合理的電量補給，同時為(wei) 提高公共充電樁的效率和實用性，具有有智能監測：充電樁智能控製器對充電樁具備測量、控製與(yu) 保護的功能；智能計量：輸出配置智能電能表，進行充電計量，具備完善的通信功能；雲(yun) 平台：具備連接雲(yun) 平台的功能，可以實現實時監控，財務報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進行升級；保護功能：具備防雷保護、過載保護、短路保護，漏電保護和接地保護等功能；適配車型：滿足國標充電接口，適配所有符合國標的電動汽車，適應不同車型的不同功率。下麵是具體(ti) 產(chan) 品的型號和技術參數。

七、現場圖片

八、結論

能源消耗預測在現代社會(hui) 中具有重要的意義(yi) ，以實時、精確預測電動汽車能耗為(wei) 目的，本文提出一種考慮充電行為(wei) 的多模型融合電動汽車能耗預測方法，包括能耗計算模型、充電行為(wei) 分析模型與(yu) 能耗預測模型三個(ge) 子模型。為(wei) 了驗證所提方法的性能，采用相同的訓練數據訓練提出的模型和用於(yu) 對比的目前較常見的一些模型，並對同一車型的車輛數據進行預測和 RMSE 計算。能耗預測方法的準確性和可靠性對於(yu) 能源管理和決(jue) 策製定來說至關(guan) 重要。根據基於(yu) 實際運行數據的預測結果與(yu) 真實值的對比，可以得出以下結論。