安科瑞 陳聰

摘要:電動(dòng)汽車(chē)的能耗預測對于車(chē)輛路徑規劃與充電行為至關(guān)重要。提出一種考慮充電行為的多模型融合能耗預測方法，首先構建基于實(shí)車(chē)稀疏數據與有限參數的能耗計算模型，在此基礎上構建充電行為模型，分析并提取能耗強相關(guān)的充電行為特征，最后基于長(cháng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò )(Long short-term memoryneural network,LSTM)搭建能耗預測模型。使用實(shí)車(chē)數據對所提方法進(jìn)行驗證，結果表明，該方法可以精準預測相同車(chē)型不同起始電池荷電狀態(tài)(State ofcharge,SOC)、不同溫度、不同時(shí)間段下的汽車(chē)能耗，均方根誤差(Root mean square eror，RMSE)為1.27，與現有方法相比，RMSE 至少降低 4.5%。

關(guān)鍵詞:能耗預測；電動(dòng)汽車(chē)；充電行為

一、引言

電動(dòng)汽車(chē)成為了低碳交通系統中重要組成部分之一。近些年，電動(dòng)汽車(chē)中國保有量增長(cháng)迅速，截至 2021 年 10 月達到 891 萬(wàn)輛,預計到 2030 年將達到1億。美國、中國和歐盟等許多國家和地區都出臺了促進(jìn)電動(dòng)汽車(chē)發(fā)展的政策，并明確提出傳統內燃機汽車(chē)禁售時(shí)間。然而，電動(dòng)汽車(chē)在應用過(guò)程仍存在一些問(wèn)題，包括續駛里程短、充電設施不完善、電池安全問(wèn)題等。其中，“里程焦慮”是限制電動(dòng)汽車(chē)進(jìn)一步廣泛應用的一個(gè)重要因素，可靠、準確的純電動(dòng)汽車(chē)能耗預測可以更精確地估算電池剩余續航里程，幫助用戶(hù)提前規劃行程，進(jìn)而緩解“里程焦慮”問(wèn)題。

目前國內外電動(dòng)汽車(chē)能耗預測方法主要分為兩大類(lèi):基于車(chē)輛動(dòng)力學(xué)的能耗預測方法與基于數據驅動(dòng)的能耗預測方法?；谲?chē)輛動(dòng)力學(xué)方面，國內外學(xué)者基于車(chē)輛結構構建車(chē)輛動(dòng)力學(xué)模型，進(jìn)而計算并預測車(chē)輛能耗。MADHUSUDHANAN 等構建了綜合考慮車(chē)輛特性、行駛周期和車(chē)輛質(zhì)量的能耗模型，并采用案例驗證模型對于車(chē)隊管理的有效性。為了給公交車(chē)駕駛員提供速度規劃建議實(shí)現純電動(dòng)公交車(chē)的節能駕駛，根據公交車(chē)通行交叉口的運行特征及紅、黃、綠燈的剩余時(shí)間劃分了六種工況進(jìn)行模擬，又結合公交車(chē)進(jìn)出站運行特征的基礎與站臺內允許?？康淖畲蠊卉?chē)數目，將進(jìn)出站場(chǎng)景劃分為三種工況，并為每種工況設計速度策略。通過(guò)在 AVL Cruise 中搭建純電動(dòng)公交車(chē)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(jìn)出站工況，選取出了節能率較高的速度曲線(xiàn)。

二、電動(dòng)汽車(chē)實(shí)車(chē)數據采集與處理

為進(jìn)行故障診斷、故障排除、駕駛行為分析和性能評估，提高電動(dòng)汽車(chē)的性能和可靠性，通過(guò)裝置在電動(dòng)汽車(chē)上的車(chē)速傳感器、加速度計、轉向傳感器、傾斜傳感器、電池管理系統(Batterymanagement system,BMS)等傳感器和其他設備收集各種車(chē)輛數據，常見(jiàn)的電池參數包括用于反映電池的充放電狀態(tài)電流，可反映電池電量的電壓，反映電池剩余電量的 SOC，反映電池是否存在損耗或損耗程度的電池健康狀態(tài)(State ofhealth,SOH)、溫度等，此外也測量車(chē)速、加速度、轉向、制動(dòng)等其他具有特殊意義的整車(chē)數據，并將這些數據存儲在車(chē)輛控制單元(Electronic control unit,ECU)或其他設備中，之后將數據上傳至數據庫。

本文所使用的數據來(lái)自國家新能源汽車(chē)監測管理中心構建的國家電動(dòng)汽車(chē)大數據平臺和國家新能源汽車(chē)大數據聯(lián)盟開(kāi)放實(shí)驗室，國家電動(dòng)汽車(chē)大數據平臺可以實(shí)時(shí)收集全國公共服務(wù)電動(dòng)汽車(chē)的運行數據。運行數據涉及動(dòng)態(tài)數據和靜態(tài)數據。動(dòng)態(tài)數據主要包括車(chē)輛行駛速度、累計行駛里程、電池系統電壓、電流等運行數據，以及用戶(hù)自定義的其他數據;靜態(tài)數據包含車(chē)牌操作區域、車(chē)型等信息。車(chē)輛數據從配備遠程信息處理系統的電動(dòng)汽車(chē)上采集,并按照 GB/T 32960-2016 協(xié)議傳輸到大數據平臺。本文所研究的數據為10 輛同款電動(dòng)汽車(chē)的歷史運行時(shí)間序列數據，數據采集頻率為 0.1 HZ。

這些數據包含了車(chē)輛在不同條件下的能耗信息，可以用來(lái)訓練和驗證能耗計算模型。這些來(lái)自于車(chē)輛測試或者實(shí)際行駛記錄的數據被稱(chēng)為收集實(shí)車(chē)稀疏數據。

三、考慮充電行為的能耗預測方法

能耗計算在車(chē)輛設計和優(yōu)化中起著(zhù)重要作用，它可以幫助工程師評估和改進(jìn)車(chē)輛的燃油效率和能源利用率。然而，準確地預測車(chē)輛能耗是一項具有挑戰性的任務(wù)，因為它涉及到多個(gè)復雜的因素，包括車(chē)輛動(dòng)力系統、駕駛行為、路況等。為了解決這個(gè)問(wèn)題，研究者們提出了多模型融合方法，該方法通過(guò)將多個(gè)不同的模型結合起來(lái)，以提高能耗計算的準確性和可靠性。為了預測電動(dòng)汽車(chē)的能耗，本文提出一種考慮了充電行為的多模型融合方法。該方法整體流程主要由能耗計算模型、充電行為分析模型與能耗預測模型構成。

3.1實(shí)車(chē)能耗計算模型

由于實(shí)際車(chē)輛的動(dòng)力系統非常復雜，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。具體而言，利用不同的理論模型、統計模型或者機器學(xué)習模型來(lái)描述車(chē)輛的能耗特性。每個(gè)模型都可以根據不同的條件和參數進(jìn)行優(yōu)化，以提高能耗計算的準確性。根據多模型融合方法整體流程，首先需要構建實(shí)車(chē)稀疏數據與有限參數下的能耗計算模型。

3.2充電行為分析模型

為定量分析充電行為對能耗的影響，首先基于實(shí)車(chē)傳感器采集參數，計算充電行為相關(guān)特征。之后提取與能耗強相關(guān)的充電行為特征。

為了計算充電行為特征，構建了“車(chē)輛信息電池特征-駕駛員行為”的多維特征指標體系，如圖3 所示。其中車(chē)輛信息包括車(chē)輛充電位置經(jīng)度、車(chē)輛充電位置緯度、車(chē)輛行駛累計里程、車(chē)輛累計充電次數、充電起始時(shí)間、充電結束時(shí)間，充電時(shí)間長(cháng)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;駕駛員行為包括平均充電電流、最大充電電流、最小充電電流、充電時(shí)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基于長(cháng)短期記憶循環(huán)的能耗預測模型

循環(huán)神經(jīng)網(wǎng)絡(luò )(Recurrent neural network,RNN)是一類(lèi)輸入序列性數據，并沿其演化方向進(jìn)行遞推的遞歸神經(jīng)網(wǎng)絡(luò )]。因其具有記憶性、參數共享和圖靈完備性，在學(xué)習序列非線(xiàn)性特性方面有*特的優(yōu)勢。LSTM 是對遞歸神經(jīng)網(wǎng)絡(luò )的一種改進(jìn)，能很好地防止梯度丟失、梯度崩潰等現象發(fā)生，因此，能很好地適應長(cháng)期序列的學(xué)習。針對實(shí)際汽車(chē)使用過(guò)程中，整車(chē)及電池的工作狀態(tài)受多種因素影響本項目擬建立多因子融合的 LSTM，以實(shí)現對整車(chē)及電池的長(cháng)期能量預測。整個(gè)神經(jīng)網(wǎng)絡(luò )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(shí)間內的歷史能源消耗數據輸入到預測模型中，并通過(guò)預測模型進(jìn)行計算，從而預測下次出行的能源消耗。

四、 解決方案

圖1 有序充電管理系統示意圖

圖2平臺結構圖

充電運營(yíng)管理平臺是基于物聯(lián)網(wǎng)和大數據技術(shù)的充電設施管理系統，可以實(shí)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(hù)的充電體驗和服務(wù)質(zhì)量。用戶(hù)可以通過(guò)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(shí)也能為充電站提供更準確的充電需求數據，方便后續的調度和管理。通過(guò)平臺可對充電樁的功率、電壓、電流等參數進(jìn)行實(shí)時(shí)監控，及時(shí)發(fā)現和處理充電樁故障和異常情況對充電樁的功率進(jìn)行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網(wǎng)造成過(guò)大的負荷。

五、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監控外，還對充電站的光伏發(fā)電系統、儲能系統以及供電系統進(jìn)行集中監控和統一協(xié)調管理，提高充電站的運行可靠性，降低運營(yíng)成本，平臺系統架構如圖3所示。

圖3 充電樁運營(yíng)管理平臺系統架構

大屏顯示：展示充電站設備統計、使用率排行、運營(yíng)統計圖表、節碳量統計等數據。

圖4 大屏展示界面

站點(diǎn)監控：顯示設備實(shí)時(shí)狀態(tài)、設備列表、設備日志、設備狀態(tài)統計等功能。

圖5 站點(diǎn)監控界面

設備監控：顯示設備實(shí)時(shí)信息、配套設備狀態(tài)、設備實(shí)時(shí)曲線(xiàn)、關(guān)聯(lián)訂單信息、充電功率曲線(xiàn)等。

圖6 設備監控界面

運營(yíng)趨勢統計：顯示運營(yíng)信息查詢(xún)、站點(diǎn)對比曲線(xiàn)、日月年報表、站點(diǎn)對比列表等功能。

圖7 運營(yíng)趨勢界面

收益查詢(xún)：提供收益匯總、實(shí)際收益報表、收益變化曲線(xiàn)、支付方式占比等功能。

圖8 收益查詢(xún)界面

故障分析：提供故障匯總、故障狀態(tài)餅圖、故障趨勢分析、故障類(lèi)型餅圖等功能。

圖9 故障分析界面

訂單記錄：提供實(shí)時(shí)/歷史訂單查詢(xún)、訂單終止、訂單詳情、訂單導出、運營(yíng)商應收信息、充電明細、交易流水查詢(xún)、充值余額明細等功能。

圖10 訂單查詢(xún)界面

六、產(chǎn)品選型

安科瑞為廣大用戶(hù)提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類(lèi)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直流一體式充電樁來(lái)滿(mǎn)足新能源汽車(chē)行業(yè)快速、經(jīng)濟、智能運營(yíng)管理的市場(chǎng)需求。實(shí)現對動(dòng)力電池快速、高效、安全、合理的電量補給，同時(shí)為提高公共充電樁的效率和實(shí)用性，具有有智能監測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進(jìn)行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實(shí)現實(shí)時(shí)監控，財務(wù)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(jìn)行升級；保護功能：具備防雷保護、過(guò)載保護、短路保護，漏電保護和接地保護等功能；適配車(chē)型：滿(mǎn)足國標充電接口，適配所有符合國標的電動(dòng)汽車(chē)，適應不同車(chē)型的不同功率。下面是具體產(chǎn)品的型號和技術(shù)參數。

七、現場(chǎng)圖片

八、結論

能源消耗預測在現代社會(huì )中具有重要的意義，以實(shí)時(shí)、精確預測電動(dòng)汽車(chē)能耗為目的，本文提出一種考慮充電行為的多模型融合電動(dòng)汽車(chē)能耗預測方法，包括能耗計算模型、充電行為分析模型與能耗預測模型三個(gè)子模型。為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于對比的目前較常見(jiàn)的一些模型，并對同一車(chē)型的車(chē)輛數據進(jìn)行預測和 RMSE 計算。能耗預測方法的準確性和可靠性對于能源管理和決策制定來(lái)說(shuō)至關(guān)重要。根據基于實(shí)際運行數據的預測結果與真實(shí)值的對比，可以得出以下結論。