基于机器学习的电动汽车续航里程预测

doi:10.16628/j.cnki.2095-8188.2021.10.013

电器与能效管理技术 ›› 2021, Vol. 0 ›› Issue (10): 78-82.doi: 10.16628/j.cnki.2095-8188.2021.10.013

基于机器学习的电动汽车续航里程预测

李晓宇¹, 陈炫锴¹, 李嘉栩¹, 林梓瀚²

1.深圳大学物理与光电工程学院, 广东深圳 518060
2.深圳大学经济学院, 广东深圳 518060

收稿日期:2021-06-27 出版日期:2021-10-30 发布日期:2022-01-25
作者简介:李晓宇(1988—),男,副研究员,研究方向为电动汽车能源管理,机器学习、机器视觉在智能车辆系统中的应用技术。|陈炫锴(1999—),男,研究方向为数据格式与数据清洗。|李嘉栩(1999—),男,研究方向为神经网络与多维数据。
基金资助:
国家自然科学基金项目(51807121);广东省大学生创新创业训练计划项目(S202010590055)

Driving Range Prediction of Electric Vehicles Based on Machine Learning

LI Xiaoyu¹, CHEN Xuankai¹, LI Jiaxu¹, LIN Zihan²

1. College of Physics and Optoelectronic Engineering,Shenzhen University,Shenzhen 518060,China
2. College of Economics,Shenzhen University,Shenzhen 518060,China

Received:2021-06-27 Online:2021-10-30 Published:2022-01-25

摘要/Abstract

摘要：

电动汽车动力电池退役高峰下,电池梯次利用备受关注,车辆续航里程是界定电池衰老程度的重要参考指标。为对车辆续航里程及电池健康状况进行准确建模,以电动汽车续航能力为研究对象,在长短期记忆网络基础上,实验分析并确定电池系统电压、电流、温度、SOC等特征参量对神经网络训练结果的影响程度。最终选取等效里程、放电循环耗电量、电压平均值三维特征作为网络模型的输入量,获得最优电动汽车续航能力预测模型。在测试集上预测结果的均方根误差为10.81 km,相对误差9.818%,可为电动汽车能源管理和动力电池性能衰退情况评估提供依据。

关键词: 电动汽车, 锂离子电池, 续航里程, 梯次利用, 长短期记忆网络(LSTM)

Abstract:

At the peak of electric vehicle power battery decommissioning,the gradient utilization of batteries has attracted much attention.The mileage of car is an important index to define the aging degree of the battery.To accurately model the range and battery health of the vehicle,the mileage of the electric vehicle is regarded as the research object.On the basis of long short-term memory network,the influence of characteristic parameters including battery system voltage,current,temperature,SOC on the training result of neural network is analysed.Finally,the three-dimensional characteristics of equivalent mileage,discharge cycle power consumption and voltage average value are selected as the input of the neural network model.The best prediction model for the endurance of electric vehicle is obtained.The root mean square error of the prediction result on the test set is 10.81 km.The method is beneficial to electric vehicle energy management and power battery performance degradation evaluation.

Key words: electric vehicles, lithium-ion battery, vehicle range, gradient utilization, long short-term memory network (LSTM)

中图分类号:

TM910.6

李晓宇, 陈炫锴, 李嘉栩, 林梓瀚. 基于机器学习的电动汽车续航里程预测[J]. 电器与能效管理技术, 2021, 0(10): 78-82.

LI Xiaoyu, CHEN Xuankai, LI Jiaxu, LIN Zihan. Driving Range Prediction of Electric Vehicles Based on Machine Learning[J]. LOW VOLTAGE APPARATUS, 2021, 0(10): 78-82.

图/表 7

图1

图2

图3

图4

图5

图6

图7

参考文献 12

[1]	何瑞辉, 郑桢, 邢涛, 等. 随机行驶电动汽车禁忌搜索充电定位算法[J]. 电器与能效管理技术, 2020(6):96-102.
[2]	王睿, 高欣, 李军良, 等. 基于聚类分析的电动汽车充电负荷预测方法[J]. 电力系统保护与控制, 2020, 48(16):43-50.
[3]	彭香园, 唐传雨, 孙金磊, 等. 基于扩展卡尔曼滤波及容量校准的锂电池SOC估计方法研究[J]. 电器与能效管理技术, 2020(5):51-56.
[4]	ZHANG Y L, LI Y, TAO Y B, et al. Performance assessment of retired EV battery modules for echelon use[J]. Energy, 2020, 193(c):116555. doi: 10.1016/j.energy.2019.116555
[5]	奚培锋. 考虑梯次电池安全裕度的储充电站优化控制方法[J]. 电器与能效管理技术, 2020(7):36-41.
[6]	陈秋谨. 基于Simulink的电动汽车SOC估计及续航里程研究[D]. 西安:长安大学, 2018.
[7]	李文启, 高东学, 李朝晖, 等. 基于LSTM-NPKDE的锂离子电池SOC预测与不确定分析[J]. 电器与能效管理技术, 2020(5):44-50.
[8]	GUO Y F, ZHAO Z S, HUANG L M. SOC estimation of lithium battery based on improved BP neural network[J]. Energy Procedia, 2017(105):4153-4158.
[9]	SONG X B, YANG F F, WANG D, et al. Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries[J]. IEEE Access, 2019(7):88894-88902.
[10]	LI X Y, ZHANG L, WANG Z P, et al. Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks[J]. Journal of Energy Storage, 2019(21):510-518.
[11]	李一冰, 李斌斌, 胡宁, 等. 电动汽车电池的SOC估算和续航里程显示及报警[J]. 蓄电池, 2017, 54(2):65-69,93.
[12]	宋军, 靳浩, 张戎斌. 电动汽车续驶里程分析[J]. 汽车实用技术, 2020(15):10-12.

[1]	李建林, 王哲, 许德智, 马福元, 孟高军. 基于数据驱动法的锂离子电池寿命预测关键技术综述[J]. 电器与能效管理技术, 2021, 0(9): 10-18.
[2]	黄曌. 区域能源互联网视角下多源协同调度策略研究[J]. 电器与能效管理技术, 2021, 0(9): 27-31.
[3]	熊焰, 李强泽, 方家琨, 冯程, 徐海波. 车网协同的有序充电动态模糊控制方法[J]. 电器与能效管理技术, 2021, 0(5): 48-54.
[4]	李红岩, 刘苗苗, 贾甜, 齐晓祥, 牛高远, 张臻. 基于蒙特卡洛算法的电动汽车有序充电控制策略研究[J]. 电器与能效管理技术, 2021, 0(5): 59-64.
[5]	虞文惠, 张璐. 电动汽车交流充电桩充电连接控制时序测量能力验证方案设计[J]. 电器与能效管理技术, 2021, 0(5): 65-70.
[6]	齐晓祥, 贾甜, 孟凡提, 牛高远, 王延明, 刘苗苗. 基于虚拟矩阵的电动汽车群控充电系统设计[J]. 电器与能效管理技术, 2021, 0(5): 71-74.
[7]	李峰. 梯次利用电池储能系统架构及控制策略[J]. 电器与能效管理技术, 2021, 0(4): 81-84.
[8]	侯佳伟, 廖圣桃. 绿电交易模式下商业区电动汽车代理商定价策略及EV充电管理[J]. 电器与能效管理技术, 2021, 0(1): 70-76.
[9]	张玮麟, 韩猛, 陈昭. 燃料电池电动汽车用DC/DC变换器的设计[J]. 电器与能效管理技术, 2020, 594(9): 36-39.
[10]	何瑞辉, 郑桢, 邢涛, 石进永. 随机行驶电动汽车禁忌搜索充电定位算法[J]. 电器与能效管理技术, 2020, 591(6): 96-102.
[11]	李文启, 高东学, 李朝晖, 饶宇飞, 顾波. 基于LSTM-NPKDE的锂离子电池SOC预测与不确定分析^*[J]. 电器与能效管理技术, 2020, 590(5): 44-50.
[12]	刘倩倩, 赵言本, 吕超. 磷酸铁锂电池大倍率充放电模型仿真研究[J]. 电器与能效管理技术, 2020, 590(5): 57-61.
[13]	岳伟, 黄钰强, 徐佳宁, 朱春波, 李晓宇. 锂离子混合型电容器在线参数辨识方法研究[J]. 电器与能效管理技术, 2020, 590(5): 106-110.
[14]	肖静, 吴宁, 冯玉斌, 姚知洋, 郭小璇. 电动汽车无线电能传输系统中Buck电路非理想模型及其效率优化^*[J]. 电器与能效管理技术, 2020, 589(4): 77-82.
[15]	单栋梁, 刘向立, 徐利凯, 王聪慧. 用户侧光储充一体化智能微电网系统应用研究^*[J]. 电器与能效管理技术, 2020, 587(2): 41-46.

基于机器学习的电动汽车续航里程预测

Driving Range Prediction of Electric Vehicles Based on Machine Learning

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 12

相关文章 15

编辑推荐

Metrics

本文评价