安科瑞 陳聰

摘要:電動汽車的能耗預(yù)測對于車輛路徑規(guī)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(yù)測方法，首先構(gòu)建基于實車稀疏數(shù)據(jù)與有限參數(shù)的能耗計算模型，在此基礎(chǔ)上構(gòu)建充電行為模型，分析并提取能耗強(qiáng)相關(guān)的充電行為特征，最后基于長短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)(Long short-term memoryneural network,LSTM)搭建能耗預(yù)測模型。使用實車數(shù)據(jù)對所提方法進(jìn)行驗證，結(jié)果表明，該方法可以精準(zhǔn)預(yù)測相同車型不同起始電池荷電狀態(tài)(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1.27，與現(xiàn)有方法相比，RMSE 至少降低 4.5%。

關(guān)鍵詞:能耗預(yù)測；電動汽車；充電行為

一、引言

電動汽車成為了低碳交通系統(tǒng)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(dá)到 891 萬輛,預(yù)計到 2030 年將達(dá)到1億。美國、中國和歐盟等許多國家和地區(qū)都出臺了促進(jìn)電動汽車發(fā)展的政策，并明確提出傳統(tǒng)內(nèi)燃機(jī)汽車禁售時間。然而，電動汽車在應(yīng)用過程仍存在一些問題，包括續(xù)駛里程短、充電設(shè)施不完善、電池安全問題等。其中，“里程焦慮”是限制電動汽車進(jìn)一步廣泛應(yīng)用的一個重要因素，可靠、準(zhǔn)確的純電動汽車能耗預(yù)測可以更精確地估算電池剩余續(xù)航里程，幫助用戶提前規(guī)劃行程，進(jìn)而緩解“里程焦慮”問題。

目前國內(nèi)外電動汽車能耗預(yù)測方法主要分為兩大類:基于車輛動力學(xué)的能耗預(yù)測方法與基于數(shù)據(jù)驅(qū)動的能耗預(yù)測方法?；谲囕v動力學(xué)方面，國內(nèi)外學(xué)者基于車輛結(jié)構(gòu)構(gòu)建車輛動力學(xué)模型，進(jìn)而計算并預(yù)測車輛能耗。MADHUSUDHANAN 等構(gòu)建了綜合考慮車輛特性、行駛周期和車輛質(zhì)量的能耗模型，并采用案例驗證模型對于車隊管理的有效性。為了給公交車駕駛員提供速度規(guī)劃建議實現(xiàn)純電動公交車的節(jié)能駕駛，根據(jù)公交車通行交叉口的運(yùn)行特征及紅、黃、綠燈的剩余時間劃分了六種工況進(jìn)行模擬，又結(jié)合公交車進(jìn)出站運(yùn)行特征的基礎(chǔ)與站臺內(nèi)允許停靠的最大公交車數(shù)目，將進(jìn)出站場景劃分為三種工況，并為每種工況設(shè)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(jù)節(jié)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(jié)能率較高的速度曲線。

二、電動汽車實車數(shù)據(jù)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，提高電動汽車的性能和可靠性，通過裝置在電動汽車上的車速傳感器、加速度計、轉(zhuǎn)向傳感器、傾斜傳感器、電池管理系統(tǒng)(Batterymanagement system,BMS)等傳感器和其他設(shè)備收集各種車輛數(shù)據(jù)，常見的電池參數(shù)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，此外也測量車速、加速度、轉(zhuǎn)向、制動等其他具有特殊意義的整車數(shù)據(jù)，并將這些數(shù)據(jù)存儲在車輛控制單元(Electronic control unit,ECU)或其他設(shè)備中，之后將數(shù)據(jù)上傳至數(shù)據(jù)庫。

本文所使用的數(shù)據(jù)來自國家新能源汽車監(jiān)測管理中心構(gòu)建的國家電動汽車大數(shù)據(jù)平臺和國家新能源汽車大數(shù)據(jù)聯(lián)盟開放實驗室，國家電動汽車大數(shù)據(jù)平臺可以實時收集全國公共服務(wù)電動汽車的運(yùn)行數(shù)據(jù)。運(yùn)行數(shù)據(jù)涉及動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)。動態(tài)數(shù)據(jù)主要包括車輛行駛速度、累計行駛里程、電池系統(tǒng)電壓、電流等運(yùn)行數(shù)據(jù)，以及用戶自定義的其他數(shù)據(jù);靜態(tài)數(shù)據(jù)包含車牌操作區(qū)域、車型等信息。車輛數(shù)據(jù)從配備遠(yuǎn)程信息處理系統(tǒng)的電動汽車上采集,并按照 GB/T 32960-2016 協(xié)議傳輸?shù)酱髷?shù)據(jù)平臺。本文所研究的數(shù)據(jù)為10 輛同款電動汽車的歷史運(yùn)行時間序列數(shù)據(jù)，數(shù)據(jù)采集頻率為 0.1 HZ。

這些數(shù)據(jù)包含了車輛在不同條件下的能耗信息，可以用來訓(xùn)練和驗證能耗計算模型。這些來自于車輛測試或者實際行駛記錄的數(shù)據(jù)被稱為收集實車稀疏數(shù)據(jù)。

三、考慮充電行為的能耗預(yù)測方法

能耗計算在車輛設(shè)計和優(yōu)化中起著重要作用，它可以幫助工程師評估和改進(jìn)車輛的燃油效率和能源利用率。然而，準(zhǔn)確地預(yù)測車輛能耗是一項具有挑戰(zhàn)性的任務(wù)，因為它涉及到多個復(fù)雜的因素，包括車輛動力系統(tǒng)、駕駛行為、路況等。為了解決這個問題，研究者們提出了多模型融合方法，該方法通過將多個不同的模型結(jié)合起來，以提高能耗計算的準(zhǔn)確性和可靠性。為了預(yù)測電動汽車的能耗，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(yù)測模型構(gòu)成。

3.1實車能耗計算模型

由于實際車輛的動力系統(tǒng)非常復(fù)雜，而且有限的參數(shù)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(tǒng)計模型或者機(jī)器學(xué)習(xí)模型來描述車輛的能耗特性。每個模型都可以根據(jù)不同的條件和參數(shù)進(jìn)行優(yōu)化，以提高能耗計算的準(zhǔn)確性。根據(jù)多模型融合方法整體流程，首先需要構(gòu)建實車稀疏數(shù)據(jù)與有限參數(shù)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，首先基于實車傳感器采集參數(shù)，計算充電行為相關(guān)特征。之后提取與能耗強(qiáng)相關(guān)的充電行為特征。

為了計算充電行為特征，構(gòu)建了“車輛信息電池特征-駕駛員行為”的多維特征指標(biāo)體系，如圖3 所示。其中車輛信息包括車輛充電位置經(jīng)度、車輛充電位置緯度、車輛行駛累計里程、車輛累計充電次數(shù)、充電起始時間、充電結(jié)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基于長短期記憶循環(huán)的能耗預(yù)測模型

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network,RNN)是一類輸入序列性數(shù)據(jù)，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(shù)共享和圖靈完備性，在學(xué)習(xí)序列非線性特性方面有*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(xiàn)象發(fā)生，因此，能很好地適應(yīng)長期序列的學(xué)習(xí)。針對實際汽車使用過程中，整車及電池的工作狀態(tài)受多種因素影響本項目擬建立多因子融合的 LSTM，以實現(xiàn)對整車及電池的長期能量預(yù)測。整個神經(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，將一段時間內(nèi)的歷史能源消耗數(shù)據(jù)輸入到預(yù)測模型中，并通過預(yù)測模型進(jìn)行計算，從而預(yù)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(tǒng)示意圖

圖2平臺結(jié)構(gòu)圖

充電運(yùn)營管理平臺是基于物聯(lián)網(wǎng)和大數(shù)據(jù)技術(shù)的充電設(shè)施管理系統(tǒng)，可以實現(xiàn)對充電樁的監(jiān)控、調(diào)度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務(wù)質(zhì)量。用戶可以通過APP或小程序提前預(yù)約充電，避免在充電站排隊等待的情況，同時也能為充電站提供更準(zhǔn)確的充電需求數(shù)據(jù)，方便后續(xù)的調(diào)度和管理。通過平臺可對充電樁的功率、電壓、電流等參數(shù)進(jìn)行實時監(jiān)控，及時發(fā)現(xiàn)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(nèi)充電，避免對電網(wǎng)造成過大的負(fù)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(jiān)控外，還對充電站的光伏發(fā)電系統(tǒng)、儲能系統(tǒng)以及供電系統(tǒng)進(jìn)行集中監(jiān)控和統(tǒng)一協(xié)調(diào)管理，提高充電站的運(yùn)行可靠性，降低運(yùn)營成本，平臺系統(tǒng)架構(gòu)如圖3所示。

圖3 充電樁運(yùn)營管理平臺系統(tǒng)架構(gòu)

大屏顯示：展示充電站設(shè)備統(tǒng)計、使用率排行、運(yùn)營統(tǒng)計圖表、節(jié)碳量統(tǒng)計等數(shù)據(jù)。

圖4 大屏展示界面

站點監(jiān)控：顯示設(shè)備實時狀態(tài)、設(shè)備列表、設(shè)備日志、設(shè)備狀態(tài)統(tǒng)計等功能。

圖5 站點監(jiān)控界面

設(shè)備監(jiān)控：顯示設(shè)備實時信息、配套設(shè)備狀態(tài)、設(shè)備實時曲線、關(guān)聯(lián)訂單信息、充電功率曲線等。

圖6 設(shè)備監(jiān)控界面

運(yùn)營趨勢統(tǒng)計：顯示運(yùn)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(yùn)營趨勢界面

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、故障類型餅圖等功能。

圖9 故障分析界面

訂單記錄：提供實時/歷史訂單查詢、訂單終止、訂單詳情、訂單導(dǎo)出、運(yùn)營商應(yīng)收信息、充電明細(xì)、交易流水查詢、充值余額明細(xì)等功能。

圖10 訂單查詢界面

六、產(chǎn)品選型

安科瑞為廣大用戶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滿足新能源汽車行業(yè)快速、經(jīng)濟(jì)、智能運(yùn)營管理的市場需求。實現(xiàn)對動力電池快速、高效、安全、合理的電量補(bǔ)給，同時為提高公共充電樁的效率和實用性，具有有智能監(jiān)測：充電樁智能控制器對充電樁具備測量、控制與保護(hù)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，可以實現(xiàn)實時監(jiān)控，財務(wù)報表分析等等；遠(yuǎn)程升級：具備完善的通訊功能，可遠(yuǎn)程對設(shè)備軟件進(jìn)行升級；保護(hù)功能：具備防雷保護(hù)、過載保護(hù)、短路保護(hù)，漏電保護(hù)和接地保護(hù)等功能；適配車型：滿足國標(biāo)充電接口，適配所有符合國標(biāo)的電動汽車，適應(yīng)不同車型的不同功率。下面是具體產(chǎn)品的型號和技術(shù)參數(shù)。

七、現(xiàn)場圖片

八、結(jié)論

能源消耗預(yù)測在現(xiàn)代社會中具有重要的意義，以實時、精確預(yù)測電動汽車能耗為目的，本文提出一種考慮充電行為的多模型融合電動汽車能耗預(yù)測方法，包括能耗計算模型、充電行為分析模型與能耗預(yù)測模型三個子模型。為了驗證所提方法的性能，采用相同的訓(xùn)練數(shù)據(jù)訓(xùn)練提出的模型和用于對比的目前較常見的一些模型，并對同一車型的車輛數(shù)據(jù)進(jìn)行預(yù)測和 RMSE 計算。能耗預(yù)測方法的準(zhǔn)確性和可靠性對于能源管理和決策制定來說至關(guān)重要。根據(jù)基于實際運(yùn)行數(shù)據(jù)的預(yù)測結(jié)果與真實值的對比，可以得出以下結(jié)論。