純電動汽車剩余續(xù)駛里程預測技術(shù)分析

摘 要：隨著電動汽車的不斷普及，純電動汽車剩余續(xù)駛里程備受重視，如何對續(xù)駛里程進行準確預測尤為關(guān)鍵。本文以駕駛行為量化因子為依托，構(gòu)建預測模型，用于里程預測。首先選擇構(gòu)建模型所需的指標，并運用隨機森林算法賦予指標權(quán)重，在此基礎(chǔ)上確定量化因子，然后構(gòu)建預測模型，并通過實車分析的方式，確定預測模型的應(yīng)用效果。最后得出相應(yīng)的結(jié)論，希望通過本文研究，為相關(guān)行業(yè)提供借鑒。

關(guān)鍵詞：電動汽車 剩余續(xù)駛里程 預測模型

近些年，我國新能源汽車行業(yè)快速發(fā)展，在查閱相關(guān)機構(gòu)公布的數(shù)據(jù)后得知，僅2022年1年，我國新能源車輛的銷售量就超過680萬輛，其中，純電動汽車的占比接近80%。在純電動汽車數(shù)量持續(xù)增加的背景下，剩余續(xù)駛里程預測功能備受重視，雖然多數(shù)電動汽車均具備此項功能，但由于考慮內(nèi)容有限，導致預測結(jié)果不夠精準，使客戶體驗受到不利影響，為此，需要運用更加精確的技術(shù)，以增強用戶體驗感。

1 數(shù)據(jù)采集和處理

1.1 數(shù)據(jù)采集

本研究所使用的數(shù)據(jù)來源于某款新能源汽車行駛數(shù)據(jù)，該款車型向監(jiān)管平臺發(fā)送數(shù)據(jù)時所使用的頻率為0.2Hz，主要上傳數(shù)據(jù)分別為整體數(shù)據(jù)、車輛位置數(shù)據(jù)和驅(qū)動電機數(shù)據(jù)等。為確保數(shù)據(jù)能夠?qū)︸{駛員行為進行準確反饋，本研究隨機選擇四臺車，將其作為研究對象，并在監(jiān)管平臺中導出這些車輛的歷史數(shù)據(jù)，其中，數(shù)據(jù)時間范圍是2022年12月至2023年5月，數(shù)據(jù)總量為20600000條[1]。

1.2 數(shù)據(jù)處理

考慮到所采集的數(shù)據(jù)會受到外界環(huán)境因素的影響，導致解碼后存在諸多問題，如，異常、重復和缺失值等，為避免此類情況，需要開展預處理，具體流程如下。

處理原始報文。在解析原始報文的過程中，主要將GB/T32960和企業(yè)相關(guān)標準作為依據(jù)，在處理完成后，即可得到里程預測所需的數(shù)據(jù)信息，之后，需要轉(zhuǎn)換采集時間，使其成為時間錯格式，最后，對各時刻車輛加速度予以準確計算。

處理異常和缺失值。通過法則的運用，對異常值進行處理，主要處理方式為剔除和識別。對于缺失值，則運用分段線性法做填充處理。

處理重復值。處理時，需要將重復值刪除，并通過分段線性插值法填充所需的值。

在經(jīng)過上述步驟后，異常數(shù)據(jù)會被有效處理，接下來，需要采取下述手段，對數(shù)據(jù)進行深度處理。劃分片段，將非行車片段刪除，即劃分駕駛事件，并以20s為基準，確定短行駛片段，若行駛片段時長小于20s，忽略即可。在處理后，本研究所得到的數(shù)據(jù)共為6800000條，駕駛事件的數(shù)量為3620個。數(shù)據(jù)分布情況如表1所示。

2 基于駕駛行為的評價指標選取

為準確分析駕駛行為與續(xù)駛里程之間的關(guān)系，保證評價指標的應(yīng)用效果，本研究以車速加速度影響等方面作為切入點，對評價指標進行量化處理，如表2所示，同時，對急加速時長、能力回收等指標做詳細分析[2]。

2.1 急加速時長所占比重

本研究所確定的急加速事件判斷閾值為和，通常情況下，車速和加速度值之間具有反比關(guān)系，即車速越快，加速度值越小，這種關(guān)系使高速區(qū)間急加速情況的識別難度大幅度增加?？紤]到百分位線在劃分總數(shù)據(jù)量時效果顯著，但無法有效劃分各速度區(qū)間，故本研究將90%百分位線作為判斷閾值線，所選的分段區(qū)間為10kmh-1，單獨分析各速度區(qū)間，通過上述方法，提高事件識別的準確度。

2.2 能量回收所占比重

在純電動汽車開啟能量回收功能后，車輛行駛過程中所產(chǎn)生的制動能量會被回收，本研究統(tǒng)計了C車和D車的能耗占比。在觀察后得知，開啟能量回收功能的C車和D車，其能耗占比分別為8.8%和7.1%?？紤]到不同駕駛?cè)藛T駕駛行為的影響，故能量回收產(chǎn)生的能耗存在差別。

2.3 確定駕駛行為量化因子

賦予各項指標權(quán)重，是明確駕駛行為量化因子的前提條件。為消除人為因素的影響，本研究對客觀賦權(quán)法加以運用。鑒于各項指標之間存在聯(lián)系和影響，本文通過隨機森林法評估指標的重要程度[3]。

2.3.1 隨機森林法

該算法屬于常用的模型，其集成了大量的決策樹模型，預測效果極為顯著，眾多學者研究結(jié)果表明，在訓練樣本時運用此項方法效果良好，與其他算法相比，計算復雜程度較低，且能夠?qū)崿F(xiàn)對復雜數(shù)據(jù)的快速處理。其中，算法應(yīng)用步驟如下所述。

（1）建立n棵決策樹，并將OBD數(shù)據(jù)矩陣輸入到其中用于后續(xù)預測，其中，矩陣由XOBD表示，并得到預測結(jié)果，由Yi表示，在此基礎(chǔ)上，對預測值和實際值之間的方差進行明確，具體公式如下：

在上述公式中，實際值由Y表示；均方誤差由表示。

（2）為確保其他評價指標不會在評估過程中發(fā)生改變，本次賦權(quán)僅將XP特征值序列進行調(diào)整，之后，通過決策樹預測打亂后的樣本，最后，計算預測值和實際值的均方誤差，計算公式如下：

在上述公式中，預測值由表示；實際值由表示；均方誤差由表示。

（3）指標對決策樹預測精度的影響，計算公式如下：

在上述式子中，指標由表示；決策樹由表示；預測精度影響由表示。

重復上述步驟，遍歷整個隨機森林模型，之后，即可確定評價指標對全部決策樹均方誤差的影響，此時，評價指標的重要性如下：

運用上述公式計算后，即可明確各評價指標的權(quán)重，在此基礎(chǔ)上，開展重要性排序，在使用隨機森林算法前，應(yīng)有效處理數(shù)據(jù)，具體流程為選擇訓練集和數(shù)據(jù)集，為模型訓練創(chuàng)造有利條件。同時，使用30%的數(shù)據(jù)作為測試數(shù)據(jù)集，為后續(xù)模型驗證提供支持，在模型訓練完成后，方可確定各指標的權(quán)重，如圖1所示。權(quán)重由低到高的排序分別為加速度標準差、車速標準差、加速度平均值、能量回收占比、急加速時長、車速平均值和高速時長所占比重。評價指標的權(quán)重與電機能耗之間存在密切關(guān)聯(lián)，簡言之，指標權(quán)重越高，對剩余續(xù)駛里程的影響最大，根據(jù)圖1可知，在高速行駛時，純電動汽車的耗電量最大[4]。

2.3.2 計算量化因子

在計算量化因子的過程中，需要將各項指標作為依據(jù)，鑒于能耗會被Pa、Ph、Vm、Vstd、am、astd等指標所影響，彼此之間存在正比關(guān)系，故在計算時，需要通過進行反向化處理?？紤]到各評價指標可能會相互影響，先采取歸一化處理方式，消除影響后即可得到量化因子，公式如下：

在上述公式中，量化因子由Q表示；指標數(shù)量由n表示；歸一化處理后的指標由表示；評價指標權(quán)重由表示。

3 純電動汽車剩余續(xù)駛里程預測

3.1 LSTM神經(jīng)網(wǎng)絡(luò)模型

所謂的LSTM神經(jīng)網(wǎng)絡(luò)模型，主要將循環(huán)神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)，經(jīng)過改進后所得到 模型，在引入遺忘、輸入和輸出門結(jié)構(gòu)后，使模型能夠選擇所需的輸入序列信息，有利于解決傳統(tǒng)RNN存在的問題，比如，梯度爆炸或消失，故處理長序列信息的過程中，模型應(yīng)用效果極為顯著。依托該模型構(gòu)建純電動汽車剩余續(xù)駛里程預測模型的流程如下。

對神經(jīng)網(wǎng)絡(luò)模型進行定義，主要對象是模型t時刻的輸入和輸出，計算公式如下：

在上述式子中，t時刻模型的輸入由表示；t時刻的輸出由表示；駕駛行為量化因子由Q表示；環(huán)境溫度由表示；電器用電負荷率由表示；速度工況由C表示。

3.2 LSTM神經(jīng)網(wǎng)絡(luò)模型訓練

本研究在所選的電動汽車運行數(shù)據(jù)中提取所需的影響因素，并將其作為神經(jīng)模型中的輸入，在經(jīng)過歸一化處理后，使輸入因素更加精確，以此保證模型訓練效果的有效性，在本模型中，t時刻模型的輸出，主要以剩余續(xù)駛里程為主。本研究為對預測模型訓練效果予以準確驗證，將整體數(shù)據(jù)分為兩個部分，主要包括訓練和測試集，其中，二者的劃分比重為9：1，所需數(shù)據(jù)全部以隨機抽樣的方式獲取，在訓練模型的過程中，針對序列長度，所設(shè)置的值為20，批量處理的大小為256，迭代次數(shù)以100次為主，在此基礎(chǔ)上，通過Adam算法優(yōu)化模型。為確定不同預測方法的精確程度，本研究對RNN、BP神經(jīng)網(wǎng)絡(luò)和SVR方法予以運用，在評價時，所使用的值為均方根和平均絕對誤差。研究結(jié)果表明，訓練集數(shù)據(jù)占比為90%，測試集占比10%時，模型預測效果最佳。相較于傳統(tǒng)模型，LSTM神經(jīng)網(wǎng)絡(luò)模型的預測準確度最高。

訓練集和測試集數(shù)據(jù)占比9∶1時的RMSE和MAE值。未考慮駕駛行為量化因子輸入：

A車RMSE：SVR：0.057；BP：0.066；RNN：0.043；LSTM：0.031；

MAE：SVR：0.046；BP：0.056；RNN：0.030；LSTM：0.024；

B車RMSE：SVR：0.060；BP：0.042；RNN：0.030；LSTM：0.057；

MAE：SVR：0.057；BP：0.039；RNN：0.039；LSTM：0.027；

C車RMSE：SVR：0.058；BP：0.096；RNN：0.058；LSTM：0.031；

MAE：SVR：0.055；BP：0.079；RNN：0.045；LSTM：0.024；

D車RMSE：SVR：0.058；BP：0.113；RNN：0.055；LSTM：0.020；

MAE：SVR：0.055；BP：0.089；RNN：0.050；LSTM：0.0450。

訓練集和測試集數(shù)據(jù)占比9∶1時的RMSE和MAE值。考慮駕駛行為量化因子輸入：

A車RMSE：SVR：0.054；BP：0.026；RNN：0.028；LSTM：0.018；

MAE：SVR：0.051；BP：0.021；RNN：0.025；LSTM：0.014；

B車RMSE：SVR：0.053；BP：0.100；RNN：0.027；LSTM：0.006；

MAE：SVR：0.050；BP：0.095；RNN：0.024；LSTM：0.008；

C車RMSE：SVR：0.060；BP：0.061；RNN：0.023；LSTM：0.012；

MAE：SVR：0.046；BP：0.060；RNN：0.028；LSTM：0.009；

D車RMSE：SVR：0.052；BP：0.043；RNN：0.034；LSTM：0.015；

MAE：SVR：0.050；BP：0.041；RNN：0.030；LSTM：0.013。

3.3 實車分析

本研究通過隨機抽樣的方式，選擇研究車輛中駕駛時間滿足要求的單個駕駛事件，將其作為預測數(shù)據(jù)，在此基礎(chǔ)上，對模型預測準確性進行驗證。在訓練完成后，對所選數(shù)據(jù)進行預測，根據(jù)結(jié)果可知，考慮多種因素的預測模型，相較于僅考慮駕駛行為的預測模型，對續(xù)駛里程的預測更加精確[5]。

就實際情況而言，車輛SOC值和車輛標定滿電續(xù)航里程是儀表顯示數(shù)據(jù)的來源，在一般情況下，其準確性相對較高，若駕駛行為或環(huán)境發(fā)生變化，影響因素數(shù)量增加時，儀表顯示的剩余續(xù)駛里程與實際值之間的差距會增加，為描述差距的大小，本研究在評價過程中對準確度確定系數(shù)值進行運用，若系數(shù)值接近1，則表示差距較小，模型預測效果良好，若該值接近0，則表明模型預測準確度偏低，計算公式如下：

在上述公式中，準確度確定系數(shù)由表示；算法預測剩余里程值由表示；實際剩余續(xù)駛里程由表示；算法預測續(xù)駛里程平均值由表示。

在計算時，需要在上述公式中，輸入研究車輛單個駕駛事件在各算法下得到的預測數(shù)據(jù)，計算后得到系數(shù)，結(jié)果如下。

A車：未考慮駕駛行為量化因子輸入：SVR：0.749；BP：0.8543；RNN：0.9265；LSTM：0.9496；

考慮駕駛行為量化因子輸入：SVR：0.7661；BP：0.9376；RNN：0.9683；LSTM：0.9755；

B車：未考慮駕駛行為量化因子輸入：SVR：0.6335；BP：-0.8335；RNN：0.8298；LSTM：0.9645；

考慮駕駛行為量化因子輸入：SVR：0.6254；BP：-0.1764；RNN：0.9089；LSTM：0.9965；

C車：未考慮駕駛行為量化因子輸入：SVR：0.8306；BP：0.9416；RNN：0.9631；LSTM：0.9816；

考慮駕駛行為量化因子輸入：SVR：0.8854；BP：0.9578；RNN：0.9733；LSTM：0.9968；

D車：未考慮駕駛行為量化因子輸入：SVR：0.5852；BP：0.1765；RNN：0.7754；LSTM：0.9543；

考慮駕駛行為量化因子輸入：SVR：0.6871；BP：0.7254；RNN：0.8219；LSTM：0.9679。

分析上述數(shù)據(jù)可知，相較于其他預測模型，本文提出的LSTM神經(jīng)網(wǎng)絡(luò)模型預測準確度更高，故具有應(yīng)用和推廣價值。

4 結(jié)論

綜上所述，本文以駕駛行為作為基礎(chǔ)，構(gòu)建了純電動汽車剩余續(xù)駛里程預測模型，驗證結(jié)果表明，相較于傳統(tǒng)模型，本文所設(shè)計的模型，在預測剩余續(xù)駛里程方面具有顯著的優(yōu)勢，具體表現(xiàn)為預測精度高。本研究提出的方法具有實際應(yīng)用價值，可以為電動汽車功能完善提供支持。

參考文獻：

[1]孫亞誠.電動汽車的駕駛行為能耗評估及剩余續(xù)駛里程預測研究[D].南昌：華東交通大學，2024.

[2]李駿，孫亞誠，李繼秋，等.基于駕駛行為量化因子的電動汽車剩余續(xù)駛里程預測[J].中國科學：技術(shù)科學，2024，54（05）：955-967.

[3]李繼秋.基于駕駛行為分析的純電動汽車剩余續(xù)駛里程預測研究[D].南昌：華東交通大學，2023.

[4]田晟，甘志恒，呂清.基于改進符號回歸算法和XGBoost算法的剩余續(xù)駛里程預測[J].廣西師范大學學報（自然科學版），2022，40（02）：27-36.

[5]李中耀，李達峰.純電動汽車剩余續(xù)駛里程計算方法研究[J].汽車零部件，2021（04）：62-64.