基于百度地圖API 的純電動(dòng)汽車(chē)未來(lái)行駛能耗預(yù)測(cè)

黃新朝，張 毅

（重慶理工大學(xué) 車(chē)輛工程學(xué)院，重慶 400054，中國(guó)）

隨著能源緊缺與環(huán)境問(wèn)題的不斷突出，電動(dòng)汽車(chē)成為了各國(guó)的發(fā)展焦點(diǎn)[1]。然而，電動(dòng)汽車(chē)的續(xù)航里程有限、充電時(shí)間長(zhǎng)、充電設(shè)施不足等問(wèn)題阻礙了其應(yīng)用。而車(chē)輛未來(lái)能耗預(yù)測(cè)可以為電池尺寸優(yōu)化[2]、節(jié)能路線規(guī)劃[3]和充電設(shè)施建設(shè)[4]等提供指導(dǎo)性參數(shù)。同時(shí)，電動(dòng)汽車(chē)能耗的準(zhǔn)確實(shí)時(shí)預(yù)測(cè)也有助于緩解駕駛員的里程焦慮。

實(shí)現(xiàn)未來(lái)能耗預(yù)測(cè)的方法有2 大類(lèi)，即基于車(chē)輛仿真模型的方法和基于實(shí)測(cè)數(shù)據(jù)的方法。對(duì)于前者，通常以駕駛員的操作為輸入，并在車(chē)輛仿真工具上實(shí)現(xiàn)車(chē)輛建模，以進(jìn)行整車(chē)仿真和能耗分析[5]。例如，WU Xinkai 等人提出了一種基于縱向動(dòng)力學(xué)的電動(dòng)汽車(chē)需求功率模型來(lái)估算電動(dòng)汽車(chē)的瞬時(shí)功率和能量消耗[6]。車(chē)輛模型驅(qū)動(dòng)的能耗預(yù)測(cè)方法通常依賴于各種預(yù)設(shè)條件，例如新歐洲駕駛循環(huán)周期(New European Driving Cycle，NEDC)等固定工況，因此，其難以適應(yīng)復(fù)雜多變的現(xiàn)實(shí)行駛工況。

隨著車(chē)聯(lián)網(wǎng)(internet of vehicle，IOV)的快速發(fā)展，實(shí)時(shí)獲取單個(gè)車(chē)輛以及環(huán)境(包括交通流)信息成為可能，因此，基于數(shù)據(jù)驅(qū)動(dòng)的能耗預(yù)測(cè)逐漸成為主流。其主要基于各種統(tǒng)計(jì)和機(jī)器學(xué)習(xí)算法，并使用大量真實(shí)世界的行駛數(shù)據(jù)以及道路、天氣和交通數(shù)據(jù)，來(lái)預(yù)測(cè)復(fù)雜行駛工況下電動(dòng)汽車(chē)的能耗。例如，QI Xuewei等人提出了正負(fù)動(dòng)能分解位置的數(shù)據(jù)驅(qū)動(dòng)模型，并且基于實(shí)時(shí)車(chē)速信息實(shí)現(xiàn)了高精度能耗預(yù)測(cè)[7]。C. De Cauwer 等人先使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)出發(fā)前各路段微觀駕駛參數(shù)，然后使用多元線性回歸預(yù)測(cè)能量消耗[8]。由于車(chē)輛動(dòng)力系統(tǒng)與行駛環(huán)境中普遍存在的非線性關(guān)系，機(jī)器學(xué)習(xí)方法在復(fù)雜條件下表現(xiàn)更好。

然而，現(xiàn)有的電動(dòng)汽車(chē)未來(lái)能耗的估計(jì)方法皆未考慮實(shí)時(shí)車(chē)流狀況數(shù)據(jù)對(duì)于整車(chē)能耗的影響，即缺乏對(duì)于實(shí)時(shí)交通路況的信息感知能力。此外，目前的研究大都是基于理想情況的軟件仿真驗(yàn)證，而沒(méi)有進(jìn)行實(shí)車(chē)上路驗(yàn)證，故缺乏真實(shí)性與可靠性。

本文作者使用了百度地圖的智能交通系統(tǒng)，作為實(shí)時(shí)交通信息的來(lái)源用以完善預(yù)測(cè)模型，以提高預(yù)測(cè)的實(shí)時(shí)性與準(zhǔn)確性。同時(shí)搭建了實(shí)車(chē)平臺(tái)進(jìn)行上路驗(yàn)證測(cè)試，并且通過(guò)能耗預(yù)測(cè)值計(jì)算得到電池荷電狀態(tài)(state of charge，SOC)預(yù)測(cè)值。通過(guò)將SOC 預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比，對(duì)預(yù)測(cè)模型的準(zhǔn)確性進(jìn)行驗(yàn)證。

1 實(shí)驗(yàn)平臺(tái)

1.1 未來(lái)行駛能耗預(yù)測(cè)模型整體結(jié)構(gòu)

本文設(shè)計(jì)的未來(lái)行駛能耗預(yù)測(cè)模型如圖1 所示。將從實(shí)車(chē)在環(huán)(in-loop)車(chē)輛獲取的單個(gè)測(cè)試車(chē)的行駛數(shù)據(jù)以及百度地圖應(yīng)用程序接口(application program interface，API)提供的車(chē)流擁堵數(shù)據(jù)進(jìn)行預(yù)處理并提取特征參數(shù)；然后通過(guò)k-means 聚類(lèi)分析將歷史數(shù)據(jù)分成6 種行駛工況；再將這6 種行駛工況數(shù)據(jù)用以訓(xùn)練支持向量機(jī)(support vector machine，SVM)分類(lèi)器，訓(xùn)練完成的分類(lèi)器可以根據(jù)百度地圖API 所提供的實(shí)時(shí)車(chē)流信息預(yù)測(cè)實(shí)驗(yàn)車(chē)輛的未來(lái)平均能耗。

圖1 基于百度地圖實(shí)時(shí)車(chē)流信息的能量消耗預(yù)測(cè)模型

此外，由于車(chē)載控制器的計(jì)算能力及存儲(chǔ)空間無(wú)法滿足實(shí)時(shí)車(chē)輛預(yù)測(cè)算法的需求，因此本文在云端服務(wù)器運(yùn)行相對(duì)復(fù)雜的機(jī)器學(xué)習(xí)算法，以預(yù)測(cè)未來(lái)車(chē)輛行駛能耗以及及電池SOC 變化量，如圖2 所示。

圖2 云端數(shù)據(jù)處理過(guò)程示意圖

具體而言，實(shí)車(chē)在環(huán)的實(shí)驗(yàn)車(chē)輛通過(guò)4G LTE 無(wú)線通訊網(wǎng)絡(luò)將實(shí)時(shí)行駛數(shù)據(jù)上傳至云端服務(wù)器。再結(jié)合云端存儲(chǔ)的歷史數(shù)據(jù)(包括單車(chē)行駛數(shù)據(jù)和百度地圖提供的車(chē)流數(shù)據(jù))，在云端服務(wù)器上使用人工智能算法預(yù)測(cè)未來(lái)的能量消耗。

本文的預(yù)測(cè)對(duì)象為一段長(zhǎng)21 km 且耗時(shí)大約1 h的行駛路徑的未來(lái)行駛能耗。云端服務(wù)器的計(jì)算延遲(即SVM 分類(lèi)器計(jì)算時(shí)耗)約10 ms 和傳輸延遲約100 ms[9]對(duì)于整個(gè)行駛工況，即1 h 行駛過(guò)程，可以忽略不計(jì)。但是，本文的拓?fù)浣Y(jié)構(gòu)暫時(shí)無(wú)法應(yīng)對(duì)通訊中斷等問(wèn)題。后續(xù)研究計(jì)劃在本文的基礎(chǔ)上建立一個(gè)具有兩層結(jié)構(gòu)的預(yù)測(cè)算法，即云端負(fù)責(zé)長(zhǎng)時(shí)間跨度預(yù)測(cè)，而車(chē)載端負(fù)責(zé)短期實(shí)時(shí)預(yù)測(cè)，以解決此類(lèi)問(wèn)題。

1.2 實(shí)車(chē)在環(huán)子系統(tǒng)

本實(shí)驗(yàn)選用長(zhǎng)安逸動(dòng)EV460 純電動(dòng)汽車(chē)(見(jiàn)圖3)作為實(shí)車(chē)在環(huán)測(cè)試對(duì)象。子系統(tǒng)的驅(qū)動(dòng)電機(jī)為永磁同步電動(dòng)機(jī)，其他參數(shù)見(jiàn)表1。實(shí)車(chē)在環(huán)車(chē)輛的改裝細(xì)節(jié)如圖4 所示。其中，車(chē)載診斷系統(tǒng)(on-board diagnostics，OBD)接口負(fù)責(zé)提供車(chē)輛行駛過(guò)程中各種實(shí)時(shí)狀態(tài)數(shù)據(jù)。

表1 實(shí)車(chē)在環(huán)車(chē)輛子系統(tǒng)參數(shù)

圖3 實(shí)車(chē)在環(huán)仿真的純電動(dòng)汽車(chē)

圖4 實(shí)車(chē)在環(huán)車(chē)輛配置

通用串行總線(universal serial bus，USB)與控制器局域網(wǎng)總線(controller area network，CAN)接口卡，將汽車(chē)實(shí)時(shí)狀態(tài)數(shù)據(jù)從OBD 接口處傳輸至負(fù)責(zé)現(xiàn)場(chǎng)數(shù)據(jù)采集的筆記本電腦。全球定位系統(tǒng)(global positioning system，GPS)模塊用于定位當(dāng)前汽車(chē)行駛位置，同時(shí)記錄汽車(chē)行駛軌跡。而4G LTE USB上網(wǎng)卡將這些數(shù)據(jù)上傳至云端服務(wù)器。具體改裝細(xì)節(jié)參見(jiàn)文獻(xiàn)[9]。

1.3 電池軟件仿真子系統(tǒng)

本文的實(shí)車(chē)在環(huán)車(chē)輛車(chē)載電池管理系統(tǒng)的SOC 檢測(cè)精度僅到個(gè)位數(shù)。在實(shí)車(chē)路試中，這樣低的檢測(cè)精度會(huì)導(dǎo)致測(cè)試車(chē)輛行駛完一個(gè)路段后SOC 的變化值為0 的情況，故本文在云端服務(wù)器上搭建了一個(gè)基于安時(shí)積分法的電池軟件仿真模型，其SOC 精度可達(dá)0.01 %。該模型根據(jù)在環(huán)中車(chē)輛的實(shí)時(shí)驅(qū)動(dòng)功率，實(shí)時(shí)計(jì)算電池SOC 的變化量。

如圖5 所示，電池內(nèi)阻模型可以等效成一個(gè)理想電壓源和一個(gè)內(nèi)部等效電阻的串聯(lián)組合。模型中電池開(kāi)路電壓VOC和等效電阻Rin皆為SOC 的函數(shù)。本團(tuán)隊(duì)通過(guò)循環(huán)充放電實(shí)驗(yàn)，完成的磷酸鐵鋰電池的VOC與Rin的數(shù)據(jù)標(biāo)定[10]。結(jié)果如圖6 所示。

圖5 電池等效電路模型

圖6 電池開(kāi)路電壓與等效內(nèi)阻

根據(jù)圖5 的電池模型與圖6 的實(shí)驗(yàn)數(shù)據(jù)，使用安時(shí)法可得

其中：Qbat為電池額定容量；Pbat為電池輸入電功率，可由車(chē)輛驅(qū)動(dòng)功率求得；正為放電，負(fù)為充電。

1.4 基于車(chē)載OBD 的實(shí)車(chē)行駛數(shù)據(jù)

完成實(shí)車(chē)測(cè)試平臺(tái)和云端服務(wù)器搭建后，還需要規(guī)劃實(shí)驗(yàn)道路，以便采集歷史數(shù)據(jù)并提取特征值。本文選取重慶理工大學(xué)附近一段約20.6 km 的閉環(huán)復(fù)雜路線(見(jiàn)圖7)，并且選定測(cè)試時(shí)間為17:30下班高峰時(shí)段。

圖7 實(shí)驗(yàn)道路規(guī)劃

該路線同時(shí)包含了多條暢通和擁堵路段，能使測(cè)試車(chē)輛工作于不同的行駛工況下，從而確保測(cè)得的歷史數(shù)據(jù)能夠包含不同的路況類(lèi)型。為了方便后續(xù)數(shù)據(jù)處理并增加數(shù)據(jù)穩(wěn)定性，本文按照地理特征(如紅綠燈或者十字路口等)，將采集的歷史數(shù)據(jù)分割成16 個(gè)子路段。測(cè)試車(chē)流按照逆時(shí)針?lè)较蛐旭偂?/p>

由于駕駛員的個(gè)人風(fēng)格會(huì)顯著影響能耗結(jié)果，尤其是偏愛(ài)急加速的駕駛員會(huì)導(dǎo)致能耗顯著偏高。因而識(shí)別不同駕駛習(xí)慣需要建立一個(gè)駕駛員模型，用以修正預(yù)測(cè)結(jié)果，但是本文出于簡(jiǎn)化設(shè)計(jì)的考慮，并未配置駕駛員模型。所以在收集歷史數(shù)據(jù)和測(cè)試時(shí)都使用同一個(gè)駕駛員，并且要求其在不違反交規(guī)和安全的前提下，盡可能與車(chē)流保持一致，以此降低駕駛員駕駛習(xí)慣對(duì)數(shù)據(jù)的影響。

圖8 為測(cè)得的實(shí)車(chē)采集的歷史數(shù)據(jù)，其中：S為行駛距離，v為車(chē)速，α為油門(mén)開(kāi)度，Pveh為整車(chē)功率，Pmot為電機(jī)功率。為了方便后續(xù)進(jìn)行聚類(lèi)分析，將歷史數(shù)據(jù)提取其特征值。特征值的選取參考了文獻(xiàn)[11]的研究結(jié)果，盡量選取與整車(chē)行駛能量消耗顯著相關(guān)的特征值，其中包括平均速度、平均加速度、平均減速度、怠速占比、0～20 km/h 占比、20～40 km/h 占比、40～60 km/h 占比、＞60 km/h 占比、單位距離平均能耗、單位距離平均時(shí)耗。

1.5 基于百度API 的道路車(chē)流數(shù)據(jù)

百度地圖API 是基于百度地圖服務(wù)的應(yīng)用接口，包括定位SDK、車(chē)聯(lián)網(wǎng)API、Web 服務(wù)API 等多種開(kāi)發(fā)工具與服務(wù)。云端服務(wù)器可以通過(guò)百度地圖提供的應(yīng)用程序接口獲取實(shí)時(shí)路況信息。其與1.3 節(jié)通過(guò)車(chē)載OBD 獲取的單車(chē)行駛數(shù)據(jù)一起作為數(shù)據(jù)樣本，以訓(xùn)練在云端搭建的機(jī)器學(xué)習(xí)預(yù)測(cè)算法。本文使用了實(shí)時(shí)路況查詢服務(wù)(Traffic API)和批量算路服(Route-Matrix API)以獲取車(chē)流信息。百度API 特征數(shù)據(jù)見(jiàn)表2。

表2 百度API 特征數(shù)據(jù)

實(shí)時(shí)路況查詢服務(wù)用于查詢當(dāng)前路段及區(qū)域的實(shí)時(shí)擁堵情況和趨勢(shì)。由于實(shí)車(chē)在環(huán)車(chē)輛與同側(cè)車(chē)流共同行駛，異向擁堵情況對(duì)本次測(cè)試數(shù)據(jù)沒(méi)有影響。批量算路服務(wù)可以進(jìn)行路線距離規(guī)劃和車(chē)流速度估算。車(chē)流速度是通過(guò)將一段行駛路徑的里程數(shù)除以車(chē)流通過(guò)時(shí)間得到，其中車(chē)流通過(guò)時(shí)間包括汽車(chē)停車(chē)等待時(shí)間。這與單車(chē)數(shù)據(jù)中的平均速度(不包含等待時(shí)間)不同。因此表2 中的車(chē)流速度會(huì)略慢于單車(chē)數(shù)據(jù)中的平均速度。

實(shí)車(chē)行駛過(guò)程中同步收集的百度API 車(chē)流信息:擁堵情況(TrffStat)、擁堵方向(JamDrct)以及車(chē)流速度(TrffSpd)，其歷史數(shù)據(jù)如圖9 所示。實(shí)車(chē)測(cè)試平臺(tái)用以獲取行車(chē)歷史數(shù)據(jù)，而百度地圖API 用以獲取實(shí)時(shí)路況信息。這2 種數(shù)據(jù)被預(yù)處理后將上傳至云端服務(wù)器用于訓(xùn)練基于機(jī)器學(xué)習(xí)的預(yù)測(cè)算法模型。

圖9 百度API 車(chē)流信息歷史數(shù)據(jù)

2 車(chē)輛未來(lái)能耗預(yù)測(cè)算法

實(shí)車(chē)歷史數(shù)據(jù)(圖8)與車(chē)流歷史數(shù)據(jù)(圖9)上傳至云端服務(wù)器后，使用k-means 與SVM 算法對(duì)其進(jìn)行處理，以建立未來(lái)行駛能耗預(yù)測(cè)模型。通過(guò)k-means聚類(lèi)分析將歷史行車(chē)數(shù)據(jù)聚類(lèi)為若干種典型工況。將聚類(lèi)所得的帶有工況類(lèi)型標(biāo)簽的數(shù)據(jù)樣本用于訓(xùn)練SVM 分類(lèi)器。訓(xùn)練好的SVM 分類(lèi)器作為預(yù)測(cè)器，根據(jù)百度地圖API 提供的實(shí)時(shí)車(chē)流數(shù)據(jù)對(duì)實(shí)車(chē)在環(huán)車(chē)輛的未來(lái)工況進(jìn)行預(yù)測(cè)。

2.1 k-means 聚類(lèi)算法

本文利用k-means 算法，對(duì)汽車(chē)OBD 單車(chē)數(shù)據(jù)與百度地圖API 數(shù)據(jù)進(jìn)行聚類(lèi)分析，以確定各個(gè)樣本數(shù)據(jù)所應(yīng)歸屬的典型工況。k-means 算法是一種典型的基于劃分的聚類(lèi)算法，也是一種無(wú)監(jiān)督學(xué)習(xí)算法。其核心流程如圖10 所示。

圖10 k-means 聚類(lèi)分析算法流程

k-means 算法對(duì)給定的樣本集，用Euclide 距離作為衡量數(shù)據(jù)對(duì)象間相似度的指標(biāo)，相似度與數(shù)據(jù)對(duì)象間的距離成反比，相似度越大，距離越小?？臻g中數(shù)據(jù)對(duì)象與聚類(lèi)中心間的Euclide 距離為

預(yù)先指定初始聚類(lèi)數(shù)(本文中為6)以及對(duì)應(yīng)數(shù)目的初始聚類(lèi)中心。按照樣本與不同聚類(lèi)中心的距離，把樣本劃分進(jìn)距離最近的簇。并根據(jù)上一次樣本集劃分結(jié)果，不斷更新聚類(lèi)中心的位置，進(jìn)而完成一下迭代并降低類(lèi)簇的誤差平方和為

其中：ci為質(zhì)心中點(diǎn)坐標(biāo)；x為每個(gè)數(shù)據(jù)樣本的坐標(biāo)。當(dāng)SSE 不再變化或目標(biāo)函數(shù)收斂時(shí)，聚類(lèi)迭代結(jié)束并輸出最終結(jié)果。

本文中k-means 聚類(lèi)的數(shù)據(jù)來(lái)源為百度地圖API的車(chē)流數(shù)據(jù)和OBD 接口的單車(chē)數(shù)據(jù)。具體數(shù)據(jù)見(jiàn)圖8、9。根據(jù)特征值數(shù)據(jù)的重要程度，賦予不同權(quán)重，并進(jìn)行標(biāo)準(zhǔn)化。停車(chē)等待時(shí)間、單位距離能量消耗(Es)和單位距離行駛時(shí)間(Ts)是本次聚類(lèi)分析的重點(diǎn)，因此賦予較高的權(quán)重。利用k-means 算法將樣本數(shù)據(jù)分成6 個(gè)簇集。表3 為6 種典型子交通工況。

表3 典型子工況類(lèi)型

每個(gè)簇集中的平均能耗概率分布和平均時(shí)耗概率分布見(jiàn)圖11。圖11 中紅色實(shí)線、虛線分別表示數(shù)學(xué)期望以及1σ上、下限。將使用聚類(lèi)后的帶工況類(lèi)型標(biāo)簽的樣本數(shù)據(jù)來(lái)訓(xùn)練SVM 分類(lèi)器，以此達(dá)成預(yù)測(cè)未來(lái)行駛能耗與時(shí)耗的目的。

圖11 典型工況平均能耗概率分布和平均時(shí)耗概率分布

2.2 SVM 分類(lèi)算法（預(yù)測(cè)器）

使用由k-means 算法聚類(lèi)后的帶有工況類(lèi)型標(biāo)簽(表3 )的歷史數(shù)據(jù)，以訓(xùn)練SVM 分類(lèi)器，進(jìn)而實(shí)現(xiàn)在線預(yù)測(cè)未來(lái)行駛能耗。訓(xùn)練過(guò)程中，數(shù)據(jù)樣本對(duì)應(yīng)的車(chē)流信息的特征值(表2 )作為SVM 的輸入，數(shù)據(jù)樣本對(duì)應(yīng)的工況類(lèi)型標(biāo)簽(表3 )則作為SVM 的輸出。這樣訓(xùn)練完成后的SVM 分類(lèi)器，可根據(jù)從百度API 獲取的各個(gè)路段的車(chē)流信息預(yù)測(cè)其所對(duì)應(yīng)的行駛工況類(lèi)型。根據(jù)圖11 各個(gè)工況類(lèi)型對(duì)應(yīng)的能耗與時(shí)耗的概率分布，可預(yù)測(cè)未來(lái)能耗與時(shí)耗的期望值。

SVM 的基本思想是在樣本空間中找到一個(gè)最大邊緣超平面，并利用該超平面將2 個(gè)預(yù)定義的訓(xùn)練樣本數(shù)據(jù)分類(lèi)。最大邊緣超平面可通過(guò)求解凸二次規(guī)劃優(yōu)化問(wèn)題獲得，如下：

其中：αi為L(zhǎng)agrange乘子，yi為樣本xi的類(lèi)，m為樣本量。采用徑向基函數(shù)(radial basis function，RBF)核作為核函數(shù)：

其中，σ是徑向基函數(shù)的方差。基于核函數(shù)，由式(4)可得

其中，b為分離的最大邊緣超平面的位移。完成SVM離線訓(xùn)練后，可以根據(jù)百度地圖API 提供的各路段的實(shí)時(shí)車(chē)流數(shù)據(jù)，預(yù)測(cè)相應(yīng)各路段的未來(lái)工況屬于6 種典型工況中的哪一種。根據(jù)圖11 對(duì)應(yīng)工況的時(shí)耗和能耗的概率分布，來(lái)預(yù)測(cè)車(chē)輛未來(lái)的時(shí)耗與能耗的概率分布與數(shù)學(xué)期望。

3 實(shí)車(chē)上路實(shí)驗(yàn)

3.1 實(shí)驗(yàn)條件與流程

進(jìn)行實(shí)際的道路行駛測(cè)試，以驗(yàn)證預(yù)測(cè)算法的可靠性。實(shí)驗(yàn)條件如表4 所示。

表4 試驗(yàn)條件參數(shù)表

實(shí)驗(yàn)過(guò)程中的數(shù)據(jù)處理流程如下：

1) 離線訓(xùn)練的SVM 分類(lèi)器在行駛前接收百度地圖API 傳輸?shù)能?chē)流信息，預(yù)測(cè)電動(dòng)汽車(chē)在各個(gè)路段(即圖7 中的16 個(gè)路段)所屬的工況類(lèi)型(即表3 中的6種工況之一 )。

2) 根據(jù)圖11 中各個(gè)工況類(lèi)型的單位距離時(shí)耗、能耗的概率分布中求得預(yù)測(cè)的時(shí)耗、能耗的數(shù)學(xué)期望以及對(duì)應(yīng)的1σ上下限。

3) 根據(jù)實(shí)車(chē)采集的實(shí)際能耗與預(yù)測(cè)所得能耗，在云端的的電池仿真模型(見(jiàn)圖5、6 )，實(shí)時(shí)計(jì)算電池ΔSOC 的實(shí)際值與預(yù)測(cè)值。

3.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)結(jié)果分別在展示在空間域與時(shí)間域中，如圖12 所示。圖12 中：豎直虛線對(duì)應(yīng)圖7 中的路段分割點(diǎn)，S為行駛距離，t為行駛時(shí)間。

圖12 實(shí)車(chē)上路實(shí)驗(yàn)結(jié)果

利用SVM 分類(lèi)器基于百度地圖API 提供的實(shí)時(shí)車(chē)流信息對(duì)各個(gè)路段進(jìn)行的行駛工況預(yù)測(cè)，而所得的結(jié)果對(duì)應(yīng)圖12 第1 列子圖的紅線。第2 列子圖為通過(guò)車(chē)載OBD 實(shí)時(shí)測(cè)得的整車(chē)驅(qū)動(dòng)功率(Pveh)。其對(duì)應(yīng)整車(chē)實(shí)時(shí)能耗，也即第3 列中電池SOC 的下降率。第3列子圖包含了SOC 實(shí)際值、SOC 預(yù)測(cè)值以及根據(jù)3σ原則[12]求得的SOC 預(yù)測(cè)1σ上下限。

根據(jù)3.1 節(jié)給出的計(jì)算流程，由圖12a 第1 列子圖中16 個(gè)子路段對(duì)應(yīng)預(yù)測(cè)工況類(lèi)型和圖11 中各個(gè)工況類(lèi)型對(duì)應(yīng)的單位距離平均能耗，以及公式(1)的電池內(nèi)阻模型，可得圖12a 第3 列子圖中由16 段折線構(gòu)成的SOC 預(yù)測(cè)曲線。而圖12a 第3 列子圖的2 條虛線在橫軸區(qū)間坐標(biāo)位置分別為預(yù)測(cè)的期望值μ減去或者加上一個(gè)標(biāo)準(zhǔn)差σ，即SOC 預(yù)測(cè)上下限曲線。由圖12a 可知：SOC 實(shí)際值全程位于1σ上下限之間，即實(shí)際值與預(yù)測(cè)值的偏差小于1σ。這說(shuō)明本次實(shí)驗(yàn)預(yù)測(cè)結(jié)果較為準(zhǔn)確。

而圖12b 中時(shí)間域的結(jié)果是由圖12a 中空間域的預(yù)測(cè)結(jié)果換算所得。圖12a 中的SOC 實(shí)際值曲線相較圖12b 不但波動(dòng)較小，而且整體也更為線性。這說(shuō)明：在空間域上對(duì)電動(dòng)汽車(chē)能耗預(yù)測(cè)相對(duì)時(shí)域更容易也更能保證預(yù)測(cè)精度，進(jìn)而證明了本文選擇空間域進(jìn)行能耗預(yù)測(cè)的合理性。

4 結(jié) 論

為了預(yù)測(cè)電動(dòng)汽車(chē)的未來(lái)行駛能耗，本研究建立了基于車(chē)聯(lián)網(wǎng)與云計(jì)算系統(tǒng)的實(shí)車(chē)在環(huán)仿真系統(tǒng)，并且使用了百度地圖提供的實(shí)時(shí)交通信息。提出的未來(lái)行駛能耗預(yù)測(cè)算法能夠在融合實(shí)時(shí)車(chē)流數(shù)據(jù)與單車(chē)數(shù)據(jù)的基礎(chǔ)上，使用機(jī)器學(xué)習(xí)算法根據(jù)實(shí)時(shí)交通數(shù)據(jù)，在線預(yù)測(cè)電動(dòng)汽車(chē)未來(lái)行駛能耗。同時(shí)搭建的實(shí)車(chē)在環(huán)平臺(tái)基于實(shí)車(chē)上路實(shí)驗(yàn)證明了本文預(yù)測(cè)算法的準(zhǔn)確性與可行性。

但需要指出，本研究的拓?fù)浣Y(jié)構(gòu)暫不能應(yīng)對(duì)網(wǎng)絡(luò)失效的情況。所以在后續(xù)研究中準(zhǔn)備引入一種兩層拓?fù)浣Y(jié)構(gòu)的預(yù)測(cè)算法來(lái)應(yīng)對(duì)此類(lèi)情況。