技术文章

安科瑞 刘秋霞

摘要:电动汽车的能耗预测对于车辆路径规划与充电行为至关重要。提出一种考虑充电行为的多模型融合能耗预测方法，首先构建基于实车稀疏数据与有限参数的能耗计算模型，在此基础上构建充电行为模型，分析并提取能耗强相关的充电行为特征，最后基于长短期记忆循环神经网络(Long short-term memoryneural network,LSTM)搭建能耗预测模型。使用实车数据对所提方法进行验证，结果表明，该方法可以精准预测相同车型不同起始电池荷电状态(State ofcharge,SOC)、不同温度、不同时间段下的汽车能耗，均方根误差(Root mean square eror，RMSE)为1.27，与现有方法相比，RMSE 至少降低 4.5%。

关键词:能耗预测；电动汽车；充电行为

一、引言

电动汽车成为了低碳交通系统中重要组成部分之一。近些年，电动汽车中国保有量增长迅速，截至 2021 年 10 月达到 891 万辆,预计到 2030 年将达到1亿。美国、中国和欧盟等许多国家和地区都出台了促进电动汽车发展的政策，并明确提出传统内燃机汽车禁售时间。然而，电动汽车在应用过程仍存在一些问题，包括续驶里程短、充电设施不完善、电池安全问题等。其中，“里程焦虑”是限制电动汽车进一步广泛应用的一个重要因素，可靠、准确的纯电动汽车能耗预测可以更精确地估算电池剩余续航里程，帮助用户提前规划行程，进而缓解“里程焦虑”问题。

目前国内外电动汽车能耗预测方法主要分为两大类:基于车辆动力学的能耗预测方法与基于数据驱动的能耗预测方法。基于车辆动力学方面，国内外学者基于车辆结构构建车辆动力学模型，进而计算并预测车辆能耗。MADHUSUDHANAN 等构建了综合考虑车辆特性、行驶周期和车辆质量的能耗模型，并采用案例验证模型对于车队管理的有效性。为了给公交车驾驶员提供速度规划建议实现纯电动公交车的节能驾驶，根据公交车通行交叉口的运行特征及红、黄、绿灯的剩余时间划分了六种工况进行模拟，又结合公交车进出站运行特征的基础与站台内允许停靠的最大公交车数目，将进出站场景划分为三种工况，并为每种工况设计速度策略。通过在 AVL Cruise 中搭建纯电动公交车仿真模型以及根据节能驾驶策略仿真分析对比六种交叉口工况和三种进出站工况，选取出了节能率较高的速度曲线。

二、电动汽车实车数据采集与处理

为进行故障诊断、故障排除、驾驶行为分析和性能评估，提高电动汽车的性能和可靠性，通过装置在电动汽车上的车速传感器、加速度计、转向传感器、倾斜传感器、电池管理系统(Batterymanagement system,BMS)等传感器和其他设备收集各种车辆数据，常见的电池参数包括用于反映电池的充放电状态电流，可反映电池电量的电压，反映电池剩余电量的 SOC，反映电池是否存在损耗或损耗程度的电池健康状态(State ofhealth,SOH)、温度等，此外也测量车速、加速度、转向、制动等其他具有特殊意义的整车数据，并将这些数据存储在车辆控制单元(Electronic control unit,ECU)或其他设备中，之后将数据上传至数据库。

本文所使用的数据来自国家新能源汽车监测管理中心构建的国家电动汽车大数据平台和国家新能源汽车大数据联盟开放实验室，国家电动汽车大数据平台可以实时收集全国公共服务电动汽车的运行数据。运行数据涉及动态数据和静态数据。动态数据主要包括车辆行驶速度、累计行驶里程、电池系统电压、电流等运行数据，以及用户自定义的其他数据;静态数据包含车牌操作区域、车型等信息。车辆数据从配备远程信息处理系统的电动汽车上采集,并按照 GB/T 32960-2016 协议传输到大数据平台。本文所研究的数据为10 辆同款电动汽车的历史运行时间序列数据，数据采集频率为 0.1 HZ。

这些数据包含了车辆在不同条件下的能耗信息，可以用来训练和验证能耗计算模型。这些来自于车辆测试或者实际行驶记录的数据被称为收集实车稀疏数据。

三、考虑充电行为的能耗预测方法

能耗计算在车辆设计和优化中起着重要作用，它可以帮助工程师评估和改进车辆的燃油效率和能源利用率。然而，准确地预测车辆能耗是一项具有挑战性的任务，因为它涉及到多个复杂的因素，包括车辆动力系统、驾驶行为、路况等。为了解决这个问题，研究者们提出了多模型融合方法，该方法通过将多个不同的模型结合起来，以提高能耗计算的准确性和可靠性。为了预测电动汽车的能耗，本文提出一种考虑了充电行为的多模型融合方法。该方法整体流程主要由能耗计算模型、充电行为分析模型与能耗预测模型构成。

3.1实车能耗计算模型

由于实际车辆的动力系统非常复杂，而且有限的参数信息难以*全描述其能耗特性，因此需要采用多模型融合的方法。具体而言，利用不同的理论模型、统计模型或者机器学习模型来描述车辆的能耗特性。每个模型都可以根据不同的条件和参数进行优化，以提高能耗计算的准确性。根据多模型融合方法整体流程，首先需要构建实车稀疏数据与有限参数下的能耗计算模型。

3.2充电行为分析模型

为定量分析充电行为对能耗的影响，首先基于实车传感器采集参数，计算充电行为相关特征。之后提取与能耗强相关的充电行为特征。

为了计算充电行为特征，构建了“车辆信息电池特征-驾驶员行为”的多维特征指标体系，如图3 所示。其中车辆信息包括车辆充电位置经度、车辆充电位置纬度、车辆行驶累计里程、车辆累计充电次数、充电起始时间、充电结束时间，充电时间长度等;电池特征包括充电起始 SOC、充电终止SOC、充电 SOC 变化、总充电起始电压、总充电终止电压、总充电电压变化、充电最高温度、充电*低温度、充电平均温度等;驾驶员行为包括平均充电电流、最大充电电流、最小充电电流、充电时间、上一次行驶平均速度、上一次行驶最大速度、上一次行驶最小速度等。

3.3基于长短期记忆循环的能耗预测模型

循环神经网络(Recurrent neural network,RNN)是一类输入序列性数据，并沿其演化方向进行递推的递归神经网络]。因其具有记忆性、参数共享和图灵完备性，在学习序列非线性特性方面有*特的优势。LSTM 是对递归神经网络的一种改进，能很好地防止梯度丢失、梯度崩溃等现象发生，因此，能很好地适应长期序列的学习。针对实际汽车使用过程中，整车及电池的工作状态受多种因素影响本项目拟建立多因子融合的 LSTM，以实现对整车及电池的长期能量预测。整个神经网络模型包括输入层、全连接层、连接层和输出层。该模型采用“多对一”的方式，将一段时间内的历史能源消耗数据输入到预测模型中，并通过预测模型进行计算，从而预测下次出行的能源消耗。

四、 解决方案

图1 有序充电管理系统示意图

图2平台结构图

充电运营管理平台是基于物联网和大数据技术的充电设施管理系统，可以实现对充电桩的监控、调度和管理，提高充电桩的利用率和充电效率，提升用户的充电体验和服务质量。用户可以通过APP或小程序提前预约充电，避免在充电站排队等待的情况，同时也能为充电站提供更准确的充电需求数据，方便后续的调度和管理。通过平台可对充电桩的功率、电压、电流等参数进行实时监控，及时发现和处理充电桩故障和异常情况对充电桩的功率进行控制和管理，确保充电桩在合理的功率范围内充电，避免对电网造成过大的负荷。

五、安科瑞充电桩云平台具体的功能

平台除了对充电桩的监控外，还对充电站的光伏发电系统、储能系统以及供电系统进行集中监控和统一协调管理，提高充电站的运行可靠性，降低运营成本，平台系统架构如图3所示。

图3 充电桩运营管理平台系统架构

大屏显示：展示充电站设备统计、使用率排行、运营统计图表、节碳量统计等数据。

图4 大屏展示界面

站点监控：显示设备实时状态、设备列表、设备日志、设备状态统计等功能。

图5 站点监控界面

设备监控：显示设备实时信息、配套设备状态、设备实时曲线、关联订单信息、充电功率曲线等。

图6 设备监控界面

运营趋势统计：显示运营信息查询、站点对比曲线、日月年报表、站点对比列表等功能。

图7 运营趋势界面

收益查询：提供收益汇总、实际收益报表、收益变化曲线、支付方式占比等功能。

图8 收益查询界面

故障分析：提供故障汇总、故障状态饼图、故障趋势分析、故障类型饼图等功能。

图9 故障分析界面

订单记录：提供实时/历史订单查询、订单终止、订单详情、订单导出、运营商应收信息、充电明细、交易流水查询、充值余额明细等功能。

图10 订单查询界面

六、产品选型

 安科瑞为广大用户提供慢充和快充两种充电方式，便携式、壁挂式、落地式等多种类型的充电桩，包含智能7kw/21kw交流充电桩，30kw直流充电桩，60kw/80kw/120kw/180kw直流一体式充电桩来满足新能源汽车行业快速、经济、智能运营管理的市场需求。实现对动力电池快速、高效、安全、合理的电量补给，同时为提高公共充电桩的效率和实用性，具有有智能监测：充电桩智能控制器对充电桩具备测量、控制与保护的功能；智能计量：输出配置智能电能表，进行充电计量，具备完善的通信功能；云平台：具备连接云平台的功能，可以实现实时监控，财务报表分析等等；远程升级：具备完善的通讯功能，可远程对设备软件进行升级；保护功能：具备防雷保护、过载保护、短路保护，漏电保护和接地保护等功能；适配车型：满足国标充电接口，适配所有符合国标的电动汽车，适应不同车型的不同功率。下面是具体产品的型号和技术参数。

七、现场图片

八、结论

能源消耗预测在现代社会中具有重要的意义，以实时、精确预测电动汽车能耗为目的，本文提出一种考虑充电行为的多模型融合电动汽车能耗预测方法，包括能耗计算模型、充电行为分析模型与能耗预测模型三个子模型。为了验证所提方法的性能，采用相同的训练数据训练提出的模型和用于对比的目前较常见的一些模型，并对同一车型的车辆数据进行预测和 RMSE 计算。能耗预测方法的准确性和可靠性对于能源管理和决策制定来说至关重要。根据基于实际运行数据的预测结果与真实值的对比，可以得出以下结论。