安科瑞 陳聰

摘要:電動(dòng)汽車(chē)的能耗預(yù)測(cè)對(duì)于車(chē)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(cè)方法，首先構(gòu)建基于實(shí)車(chē)稀疏數(shù)據(jù)與有限參數(shù)的能耗計(jì)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(zhǎng)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(cè)模型。使用實(shí)車(chē)數(shù)據(jù)對(duì)所提方法進(jìn)行驗(yàn)證，結(jié)果表明，該方法可以精準(zhǔn)預(yù)測(cè)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(xiàn)有方法相比，RMSE 至少降低 4.5%。

關(guān)鍵詞:能耗預(yù)測(cè)；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(tǒng)中重要組成部分之一。近些年，電動(dòng)汽車(chē)中國(guó)保有量增長(zhǎng)迅速，截至 2021 年 10 月達(dá)到 891 萬(wàn)輛,預(yù)計(jì)到 2030 年將達(dá)到1億。美國(guó)、中國(guó)和歐盟等許多國(guó)家和地區(qū)都出臺(tái)了促進(jìn)電動(dòng)汽車(chē)發(fā)展的政策，并明確提出傳統(tǒng)內(nèi)燃機(jī)汽車(chē)禁售時(shí)間。然而，電動(dòng)汽車(chē)在應(yīng)用過(guò)程仍存在一些問(wèn)題，包括續(xù)駛里程短、充電設(shè)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(yīng)用的一個(gè)重要因素，可靠、準(zhǔn)確的純電動(dòng)汽車(chē)能耗預(yù)測(cè)可以更精確地估算電池剩余續(xù)航里程，幫助用戶(hù)提前規(guī)劃行程，進(jìn)而緩解“里程焦慮”問(wèn)題。

目前國(guó)內(nèi)外電動(dòng)汽車(chē)能耗預(yù)測(cè)方法主要分為兩大類(lèi):基于車(chē)輛動(dòng)力學(xué)的能耗預(yù)測(cè)方法與基于數(shù)據(jù)驅(qū)動(dòng)的能耗預(yù)測(cè)方法。基于車(chē)輛動(dòng)力學(xué)方面，國(guó)內(nèi)外學(xué)者基于車(chē)輛結(jié)構(gòu)構(gòu)建車(chē)輛動(dòng)力學(xué)模型，進(jìn)而計(jì)算并預(yù)測(cè)車(chē)輛能耗。MADHUSUDHANAN 等構(gòu)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(yàn)證模型對(duì)于車(chē)隊(duì)管理的有效性。為了給公交車(chē)駕駛員提供速度規(guī)劃建議實(shí)現(xiàn)純電動(dòng)公交車(chē)的節(jié)能駕駛，根據(jù)公交車(chē)通行交叉口的運(yùn)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(jié)合公交車(chē)進(jìn)出站運(yùn)行特征的基礎(chǔ)與站臺(tái)內(nèi)允許停靠的最大公交車(chē)數(shù)目，將進(jìn)出站場(chǎng)景劃分為三種工況，并為每種工況設(shè)計(jì)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(jù)節(jié)能駕駛策略仿真分析對(duì)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(xiàn)。

二、電動(dòng)汽車(chē)實(shí)車(chē)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(píng)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(jì)、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(chē)輛數(shù)據(jù)，常見(jiàn)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(cè)量車(chē)速、加速度、轉(zhuǎn)向、制動(dòng)等其他具有特殊意義的整車(chē)數(shù)據(jù)，并將這些數(shù)據(jù)存儲(chǔ)在車(chē)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(kù)。

本文所使用的數(shù)據(jù)來(lái)自國(guó)家新能源汽車(chē)監(jiān)測(cè)管理中心構(gòu)建的國(guó)家電動(dòng)汽車(chē)大數(shù)據(jù)平臺(tái)和國(guó)家新能源汽車(chē)大數(shù)據(jù)聯(lián)盟開(kāi)放實(shí)驗(yàn)室，國(guó)家電動(dòng)汽車(chē)大數(shù)據(jù)平臺(tái)可以實(shí)時(shí)收集全國(guó)公共服務(wù)電動(dòng)汽車(chē)的運(yùn)行數(shù)據(jù)。運(yùn)行數(shù)據(jù)涉及動(dòng)態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)。動(dòng)態(tài)數(shù)據(jù)主要包括車(chē)輛行駛速度、累計(jì)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(hù)自定義的其他數(shù)據(jù);靜態(tài)數(shù)據(jù)包含車(chē)牌操作區(qū)域、車(chē)型等信息。車(chē)輛數(shù)據(jù)從配備遠(yuǎn)程信息處理系統(tǒng)的電動(dòng)汽車(chē)上采集,并按照 GB/T 32960-2016 協(xié)議傳輸?shù)酱髷?shù)據(jù)平臺(tái)。本文所研究的數(shù)據(jù)為10 輛同款電動(dòng)汽車(chē)的歷史運(yùn)行時(shí)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(chē)輛在不同條件下的能耗信息，可以用來(lái)訓(xùn)練和驗(yàn)證能耗計(jì)算模型。這些來(lái)自于車(chē)輛測(cè)試或者實(shí)際行駛記錄的數(shù)據(jù)被稱(chēng)為收集實(shí)車(chē)稀疏數(shù)據(jù)。

三、考慮充電行為的能耗預(yù)測(cè)方法

能耗計(jì)算在車(chē)輛設(shè)計(jì)和優(yōu)化中起著重要作用，它可以幫助工程師評(píng)估和改進(jìn)車(chē)輛的燃油效率和能源利用率。然而，準(zhǔn)確地預(yù)測(cè)車(chē)輛能耗是一項(xiàng)具有挑戰(zhàn)性的任務(wù)，因?yàn)樗婕暗蕉鄠€(gè)復(fù)雜的因素，包括車(chē)輛動(dòng)力系統(tǒng)、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(jié)合起來(lái)，以提高能耗計(jì)算的準(zhǔn)確性和可靠性。為了預(yù)測(cè)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(jì)算模型、充電行為分析模型與能耗預(yù)測(cè)模型構(gòu)成。

3.1實(shí)車(chē)能耗計(jì)算模型

由于實(shí)際車(chē)輛的動(dòng)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(jì)模型或者機(jī)器學(xué)習(xí)模型來(lái)描述車(chē)輛的能耗特性。每個(gè)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(jì)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(shí)車(chē)稀疏數(shù)據(jù)與有限參數(shù)下的能耗計(jì)算模型。

3.2充電行為分析模型

為定量分析充電行為對(duì)能耗的影響，首先基于實(shí)車(chē)傳感器采集參數(shù)，計(jì)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(jì)算充電行為特征，構(gòu)建了“車(chē)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(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(jì)里程、車(chē)輛累計(jì)充電次數(shù)、充電起始時(shí)間、充電結(jié)束時(shí)間，充電時(shí)間長(zhǎng)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(zhǎng)短期記憶循環(huán)的能耗預(yù)測(cè)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(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(xiàn)性特性方面有*特的優(yōu)勢(shì)。LSTM 是對(duì)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(zhǎng)期序列的學(xué)習(xí)。針對(duì)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(xiàng)目擬建立多因子融合的 LSTM，以實(shí)現(xiàn)對(duì)整車(chē)及電池的長(zhǎng)期能量預(yù)測(cè)。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(duì)一”的方式，將一段時(shí)間內(nèi)的歷史能源消耗數(shù)據(jù)輸入到預(yù)測(cè)模型中，并通過(guò)預(yù)測(cè)模型進(jìn)行計(jì)算，從而預(yù)測(cè)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(tái)結(jié)構(gòu)圖

充電運(yùn)營(yíng)管理平臺(tái)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(shí)現(xiàn)對(duì)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(hù)的充電體驗(yàn)和服務(wù)質(zhì)量。用戶(hù)可以通過(guò)APP或小程序提前預(yù)約充電，避免在充電站排隊(duì)等待的情況，同時(shí)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(guò)平臺(tái)可對(duì)充電樁的功率、電壓、電流等參數(shù)進(jìn)行實(shí)時(shí)監(jiān)控，及時(shí)發(fā)現(xiàn)和處理充電樁故障和異常情況對(duì)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(duì)電網(wǎng)造成過(guò)大的負(fù)荷。

五、安科瑞充電樁云平臺(tái)具體的功能

平臺(tái)除了對(duì)充電樁的監(jiān)控外，還對(duì)充電站的光伏發(fā)電系統(tǒng)、儲(chǔ)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(yíng)成本，平臺(tái)系統(tǒng)架構(gòu)如圖3所示。

圖3 充電樁運(yùn)營(yíng)管理平臺(tái)系統(tǒng)架構(gòu)

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

圖4 大屏展示界面

站點(diǎn)監(jiān)控：顯示設(shè)備實(shí)時(shí)狀態(tài)、設(shè)備列表、設(shè)備日志、設(shè)備狀態(tài)統(tǒng)計(jì)等功能。

圖5 站點(diǎn)監(jiān)控界面

設(shè)備監(jiān)控：顯示設(shè)備實(shí)時(shí)信息、配套設(shè)備狀態(tài)、設(shè)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(shè)備監(jiān)控界面

運(yùn)營(yíng)趨勢(shì)統(tǒng)計(jì)：顯示運(yùn)營(yíng)信息查詢(xún)、站點(diǎn)對(duì)比曲線(xiàn)、日月年報(bào)表、站點(diǎn)對(duì)比列表等功能。

圖7 運(yùn)營(yíng)趨勢(shì)界面

收益查詢(xún)：提供收益匯總、實(shí)際收益報(bào)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(shì)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(dǎo)出、運(yùn)營(yíng)商應(yīng)收信息、充電明細(xì)、交易流水查詢(xún)、充值余額明細(xì)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(jì)、智能運(yùn)營(yíng)管理的市場(chǎng)需求。實(shí)現(xiàn)對(duì)動(dòng)力電池快速、高效、安全、合理的電量補(bǔ)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(jiān)測(cè)：充電樁智能控制器對(duì)充電樁具備測(cè)量、控制與保護(hù)的功能；智能計(jì)量：輸出配置智能電能表，進(jìn)行充電計(jì)量，具備完善的通信功能；云平臺(tái)：具備連接云平臺(tái)的功能，可以實(shí)現(xiàn)實(shí)時(shí)監(jiān)控，財(cái)務(wù)報(bào)表分析等等；遠(yuǎn)程升級(jí)：具備完善的通訊功能，可遠(yuǎn)程對(duì)設(shè)備軟件進(jìn)行升級(jí)；保護(hù)功能：具備防雷保護(hù)、過(guò)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(chē)型：滿(mǎn)足國(guó)標(biāo)充電接口，適配所有符合國(guó)標(biāo)的電動(dòng)汽車(chē)，適應(yīng)不同車(chē)型的不同功率。下面是具體產(chǎn)品的型號(hào)和技術(shù)參數(shù)。

七、現(xiàn)場(chǎng)圖片

八、結(jié)論

能源消耗預(yù)測(cè)在現(xiàn)代社會(huì)中具有重要的意義，以實(shí)時(shí)、精確預(yù)測(cè)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(yù)測(cè)方法，包括能耗計(jì)算模型、充電行為分析模型與能耗預(yù)測(cè)模型三個(gè)子模型。為了驗(yàn)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(duì)比的目前較常見(jiàn)的一些模型，并對(duì)同一車(chē)型的車(chē)輛數(shù)據(jù)進(jìn)行預(yù)測(cè)和 RMSE 計(jì)算。能耗預(yù)測(cè)方法的準(zhǔn)確性和可靠性對(duì)于能源管理和決策制定來(lái)說(shuō)至關(guān)重要。根據(jù)基于實(shí)際運(yùn)行數(shù)據(jù)的預(yù)測(cè)結(jié)果與真實(shí)值的對(duì)比，可以得出以下結(jié)論。