基于機(jī)器學(xué)習(xí)的純電動汽車未來工況預(yù)測*

蔣有燦 張毅

（重慶理工大學(xué)，重慶 400054）

主題詞：未來工況預(yù)測 純電動汽車 機(jī)器學(xué)習(xí) 數(shù)字地圖 實車在環(huán)

1 前言

目前，汽車行業(yè)正由傳統(tǒng)的內(nèi)燃機(jī)汽車向新能源汽車發(fā)展[1]。然而，消費者對于電動汽車仍存在諸多顧慮，如電池技術(shù)不夠成熟、動力不足、續(xù)駛里程焦慮等[2]。針對電動汽車?yán)m(xù)駛里程焦慮問題，可以通過實時在線預(yù)測未來行駛工況并預(yù)估電池荷電狀態(tài)（State Of Charge，SOC）來判別剩余續(xù)駛里程是否滿足出行需要，緩解里程焦慮。部分學(xué)者針對車輛未來行駛工況預(yù)測開展了研究：盤朝奉等[3]使用視頻檢測系統(tǒng)獲取路況信息，根據(jù)馬爾可夫滾動預(yù)測方法預(yù)測未來工況；李玉芳等[4]設(shè)計了基于工況特征的車輛行駛工況預(yù)測方法，通過建立道路和交通特征模型保證了預(yù)測的普適性和準(zhǔn)確性。部分學(xué)者對電池SOC 預(yù)測進(jìn)行了研究：Sun 等[5]采用卡爾曼濾波法建立電池SOC 模型，對系統(tǒng)狀態(tài)進(jìn)行最優(yōu)估計；韓忠華等[6]應(yīng)用擴(kuò)展卡爾曼濾波算法并結(jié)合神經(jīng)網(wǎng)絡(luò)算法進(jìn)行SOC估計，能夠?qū)㈩A(yù)測誤差控制在一定范圍內(nèi)，但是對動力電池模型的準(zhǔn)確性和計算能力要求較高；劉光明等[7]基于最小二乘法辨識車輛能耗參數(shù)，提高了預(yù)測精度。

雖然目前已有多種方法可以通過預(yù)測車輛工況計算出電動汽車的SOC，但多數(shù)預(yù)測算法并未考慮到車流狀況對單車能耗及SOC 預(yù)測的影響，且大多數(shù)方法僅通過軟件模型仿真來檢驗預(yù)測結(jié)果是否準(zhǔn)確?；诖耍疚睦脭?shù)字地圖的應(yīng)用程序接口（Application Programming Interface，API）獲取實時車流信息，通過云端服務(wù)器進(jìn)行在線預(yù)測并進(jìn)行實車道路試驗驗證。

2 硬件平臺與數(shù)據(jù)來源

2.1 實車在環(huán)子系統(tǒng)

如圖1a 所示，試驗采用純電動汽車逸動EV460。試驗涉及的硬件設(shè)備如圖1b所示，主要包括GPS模塊、USB 轉(zhuǎn)CAN 模塊、4G LTE 上網(wǎng)卡以及上位機(jī)電腦。上位機(jī)通過USB 轉(zhuǎn)CAN 模塊獲取上述整車實時數(shù)據(jù)，由GPS模塊定位車輛位置并將相關(guān)信息通過4G LTE網(wǎng)絡(luò)傳輸?shù)皆贫朔?wù)器。試驗車輛相關(guān)配置參數(shù)如表1 所示。在互聯(lián)網(wǎng)分布式實車在環(huán)仿真平臺上進(jìn)行試驗[8]，實車在環(huán)平臺通過車載診斷系統(tǒng)（On-Board Diagnosis，OBD）接口與車載CAN總線建立連接，通過向車載電子控制器單元（Electronic Control Unit，ECU）發(fā)送特定請求實現(xiàn)車輛狀態(tài)數(shù)據(jù)實時采集。采集的數(shù)據(jù)包括：車速、油門踏板位置、整車驅(qū)動功率、電機(jī)輸入功率。

表1 測試車輛參數(shù)

圖1 實車在環(huán)子系統(tǒng)

2.2 電池軟件仿真子系統(tǒng)

為解決測試車輛車載電池的SOC 估算精度不高的問題，本文在云端服務(wù)器建立SOC仿真模型。該模型可根據(jù)車輛實時上傳的驅(qū)動功率，通過安時積分法計算對應(yīng)SOC的變化量。圖2所示為電池等效電路模型，該模型將理想電壓源與內(nèi)部等效電阻串聯(lián)。其中，開路電壓Voc和等效內(nèi)阻Rin與電池SOC 有關(guān)。圖3所示為充放電試驗得到的某型號磷酸鐵鋰電池的開路電壓與等效內(nèi)阻在不同SOC下的相應(yīng)數(shù)據(jù)[9]。

圖2 電池等效電路

圖3 電池開路電壓與等效內(nèi)阻對應(yīng)數(shù)據(jù)

根據(jù)圖2所示的模型和圖3中的Voc和Rin數(shù)據(jù)，使用安時法可以求得SOC的變化量ΔSSOC：

式中，Qbattery為電池電量，即電池額定容量；Pbattery為電池輸入的電功率，由車輛驅(qū)動功率計算得到[9]，放電為正值，充電為負(fù)值。

2.3 互聯(lián)網(wǎng)分布式實車在環(huán)仿真平臺

互聯(lián)網(wǎng)分布式實車在環(huán)仿真平臺如圖4 所示[8]，本文仿真對象（即純電動汽車）的驅(qū)動系統(tǒng)部分（包括電動機(jī)和傳動系統(tǒng)）和儲能系統(tǒng)部分（鋰離子動力電池）分別由位于實際行駛道路的實車硬件在環(huán)系統(tǒng)和位于云端的鋰電池軟件仿真模型進(jìn)行協(xié)同仿真，實車硬件在環(huán)系統(tǒng)與云端服務(wù)器之間通過4G LTE網(wǎng)絡(luò)通信實現(xiàn)數(shù)據(jù)耦合。此外，本文提出的實車工況在線預(yù)測算法試驗同樣基于此平臺展開，以實現(xiàn)基于實車的道路試驗驗證。

圖4 互聯(lián)網(wǎng)分布式實車在環(huán)仿真平臺

2.4 實車道路試驗路線

本文的研究對象為在預(yù)定路線上行駛的車輛，如通勤車輛和公交車輛。如圖5所示，試驗行駛路線預(yù)先選定為重慶理工大學(xué)附近的一段市區(qū)道路，其中不含高速公路。行駛路線全長約20.6 km，行駛時間約50 min。通過在晚高峰時段（17:30～19:30）進(jìn)行數(shù)據(jù)采集，相關(guān)車流數(shù)據(jù)可包括從通暢（南濱路）到嚴(yán)重?fù)矶拢ㄆ溆嗦范危┑亩喾N工況，具有典型性。同時為了避免駕駛員的駕駛習(xí)慣對試驗產(chǎn)生影響，要求駕駛員在保證安全的前提下，應(yīng)盡可能跟隨車流行駛。

圖5 試驗路線

為優(yōu)化數(shù)據(jù)處理，并提高數(shù)據(jù)的可靠性和穩(wěn)定性，根據(jù)路段特征（如十字路口和紅綠燈）將行駛路線（即采集的數(shù)據(jù)）分割成16個部分。圖5中的定位點即為各路段的分割點，部分子路段被稱為“微行程”。根據(jù)已有的研究[10]，一組經(jīng)過良好分割的“微行程”可以方便數(shù)據(jù)處理，增強魯棒性。

2.5 基于OBD的實車行駛數(shù)據(jù)采集

圖6 展示了通過OBD 接口采集的實車歷史數(shù)據(jù)。對采集的數(shù)據(jù)進(jìn)行整理，提取到反映行車規(guī)律的幾種特征參數(shù)如表2所示，包括平均車速、平均加速度、平均減速度等，該類特征參數(shù)提取的樣本數(shù)據(jù)將用于后續(xù)機(jī)器學(xué)習(xí)算法的訓(xùn)練。OBD 記錄的數(shù)據(jù)在處理過程中已去除停車等待時間，即速度、加/減速度等特征參數(shù)的計算并不包括停車等待時間段的數(shù)據(jù)，停車等待時間僅參與單位行駛距離時間消耗的計算。

表2 用于聚類的特征參數(shù)-車輛OBD

圖6 車輛OBD行駛數(shù)據(jù)

2.6 基于百度地圖應(yīng)用程序接口的車流數(shù)據(jù)

如圖7所示為從百度地圖API 獲取的車流數(shù)據(jù)，由百度地圖的實時路況查詢服務(wù)接口（Traffic API）和批量算路服務(wù)接口（RouteMatrix API）獲得。利用實時路況查詢服務(wù)，開發(fā)者可以查詢指定道路區(qū)域的實時擁堵情況和擁堵趨勢，其優(yōu)勢在于更新頻率快，可確保開發(fā)者獲取最新的實時路況；利用批量算路服務(wù)可以確定起點和終點，批量計算路線規(guī)劃距離和行駛時間。

圖7 百度地圖API數(shù)據(jù)

通過百度地圖API 獲取的車流信息主要有3 種類型，如表3 所示。其中擁堵狀況、擁堵方向參數(shù)來自實時路況查詢服務(wù)，而車流速度參數(shù)則來自批量算路服務(wù)。具體而言，擁堵狀況是對道路進(jìn)行的劃分，包括未知（0）、暢通（1）、緩行（2）、擁堵（3）、嚴(yán)重?fù)矶拢?）等，如果出現(xiàn)擁堵，則擁堵方向表示為同向（1）或反向（-1），即相同行駛方向的擁堵會產(chǎn)生影響，相反行駛方向的擁堵不會造成影響。車流速度為行駛里程與行駛時間之比。因為此處的行駛時間包括了車流中的停車等待時間，即車流速度為行駛距離與行駛時間的比值，行駛時間中包括停車等待的時間。

表3 用于聚類的特征參數(shù)-百度地圖API

完成訓(xùn)練的機(jī)器學(xué)習(xí)算法使用百度地圖API 提供的實時車流數(shù)據(jù)對未來實車工況進(jìn)行在線預(yù)測，進(jìn)而預(yù)測電池電量變化情況。

3 基于歷史數(shù)據(jù)的機(jī)器學(xué)習(xí)預(yù)測算法

預(yù)測算法流程如圖8 所示。首先，使用K 均值（KMeans）聚類算法對歷史數(shù)據(jù)（包括表2中的單車信息和表3 的車流信息）進(jìn)行聚類分析，并根據(jù)工況的差異程度將其聚類為6個子工況。然后，將聚類得到的樣本數(shù)據(jù)作為訓(xùn)練樣本用于訓(xùn)練徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)分類器。最后，使用訓(xùn)練好的RBF 分類器作為未來行駛工況的預(yù)測工具在實車道路試驗中使用。

圖8 預(yù)測算法流程框架

3.1 車聯(lián)網(wǎng)與云計算

車輛工況預(yù)測算法需要強大的計算能力和存儲空間，而車載控制器難以滿足條件，車聯(lián)網(wǎng)與云計算可以有效解決上述問題。如圖9 所示，首先，通過OBD 和百度地圖API獲取單車歷史數(shù)據(jù)和車流歷史數(shù)據(jù)，并存儲于云端服務(wù)器，基于此數(shù)據(jù)集對本文算法進(jìn)行訓(xùn)練。其次，在實車試驗中，云端服務(wù)器使用訓(xùn)練后的預(yù)測算法，結(jié)合百度地圖API 提供的實時車流數(shù)據(jù)對剩余電量進(jìn)行在線預(yù)測。最后，將預(yù)測結(jié)果發(fā)送到測試車輛。

圖9 車聯(lián)網(wǎng)與云計算影響機(jī)理

3.2 聚類分析

聚類分析是根據(jù)數(shù)據(jù)中的描述對象及其關(guān)系信息進(jìn)行無監(jiān)督分類的分析方法。K-Means 算法是基于劃分的聚類算法，其利用質(zhì)心來定義簇的原型。其中，質(zhì)心即為數(shù)據(jù)的均值，通過計算樣本點到質(zhì)心的距離來判定相似程度，距離越遠(yuǎn)，越不相似。K-Means 算法流程如圖10 所示，指定k個初始的質(zhì)心，距離質(zhì)心近的點分別形成簇。簇的質(zhì)心會隨著樣本點的指派發(fā)生變化，通過不斷迭代計算更新簇的質(zhì)心，直到數(shù)據(jù)簇質(zhì)心不再發(fā)生較大變化時結(jié)束計算。圖11 所示為基于歷史數(shù)據(jù)（包括通過OBD獲取的實車數(shù)據(jù)和通過百度地圖API獲取的車流數(shù)據(jù)）聚類后的6種典型車輛行駛工況。

圖10 K-Means算法流程

圖11 聚類分析結(jié)果示例

圖12 和圖13 所示為聚類后的6 種行駛工況的能耗、時耗概率分布直方圖。結(jié)合各工況能耗、時耗可以發(fā)現(xiàn)：工況2 的能耗相對工況1 較低，兩者時耗在100～200 s/km 范圍內(nèi)的概率較高，意味著這2 種工況有較大概率在低時耗區(qū)間；工況3 時耗較低，但能耗最高；工況4 時耗較高，能耗最低；工況5 時耗最低，能耗較高；工況6時耗最高，能耗也較高。可以利用這6種工況的數(shù)據(jù)樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器，以便對實時工況進(jìn)行預(yù)測。

圖12 能耗概率直方圖

圖13 時耗概率直方圖

3.3 基于RBF神經(jīng)網(wǎng)絡(luò)分類器的工況預(yù)測

基于聚類后的行駛數(shù)據(jù)和百度地圖API數(shù)據(jù)訓(xùn)練人工智能神經(jīng)網(wǎng)絡(luò)，使其可以實現(xiàn)車輛行駛工況的在線分類。

圖14所示為一個局部逼近的3層RBF神經(jīng)網(wǎng)絡(luò)。類似于神經(jīng)元接收信號，輸入層的輸入是數(shù)據(jù)的特征參數(shù)。隱含層使用徑向基函數(shù)中的高斯函數(shù)作為傳輸函數(shù)：

圖14 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

式中，x為樣本數(shù)據(jù)特征參數(shù)的向量，本文涉及來自百度地圖API 的3 個參數(shù)，即擁堵狀況、擁堵方向和車流速度；σj、cj分別為第j個隱含層神經(jīng)元的方差、中心向量，即上述K-Means 算法確定的聚類中心，試驗共分為6種工況，即存在6個中心向量。

最終，輸出層第i個輸出量的結(jié)果為隱含層結(jié)果的加權(quán)和：

式中，wij為第j個隱含層變量與第i個輸出量之間的連接權(quán)重；wi為第i個輸出量的偏置權(quán)重。

選取yi值最大的工況類型作為最終分類的結(jié)果。訓(xùn)練完成后，該RBF 神經(jīng)網(wǎng)絡(luò)分類器即可根據(jù)百度地圖API 提供的實時車流信息進(jìn)行未來行駛工況的在線預(yù)測。例如：在車輛出發(fā)前通過百度地圖API獲取某一段具體路徑的實時車流數(shù)據(jù)，然后使用訓(xùn)練后的RBF神經(jīng)網(wǎng)絡(luò)分類器根據(jù)車流數(shù)據(jù)預(yù)測這段路徑未來的行駛工況（包括能耗或時耗）。

4 實車道路試驗

4.1 試驗條件與背景

使用互聯(lián)網(wǎng)分布式實車在環(huán)仿真平臺對該機(jī)器學(xué)習(xí)預(yù)測算法進(jìn)行實車道路測試，以驗證其預(yù)測精度。試驗路線為重慶理工大學(xué)花溪校區(qū)周邊市區(qū)道路，與2.4節(jié)中用于采集歷史數(shù)據(jù)的路線相同，見圖5。為保證車輛有充足的電量完成試驗，電池初始電量設(shè)置為0.7；為保證同時包括擁堵與通暢路況，使其更具有代表性，設(shè)置出發(fā)時間在17:30左右（晚高峰時段），試驗相關(guān)參數(shù)如表4所示。

表4 試驗條件

4.2 試驗結(jié)果分析

實車道路試驗的空間域與時間域結(jié)果如圖15 所示。兩者的數(shù)據(jù)相同，選取不同坐標(biāo)軸表示。本文在空間域進(jìn)行預(yù)測，并根據(jù)空間域結(jié)果推算時間域結(jié)果，使試驗結(jié)果更直觀。對比圖15a與圖15b可知，在時間域中非線性能耗波動較大，導(dǎo)致SOC曲線較陡，故基于時間域的預(yù)測相對困難。而在空間域中，SOC曲線較為平緩且呈線性，預(yù)測相對容易，故選擇在空間域中預(yù)測更合理。

圖15 實車道路試驗結(jié)果與預(yù)測結(jié)果

由圖15a 可以看出，不同路況的平均速度不同，分別對應(yīng)擁堵路況與暢通路況，因此本文路況滿足多樣性要求，能夠充分檢驗算法的預(yù)測性能。其中，SOC 預(yù)測值曲線由圖12 典型工況能耗的數(shù)學(xué)期望值得到，SOC預(yù)測值的上/下限是借助拉依達(dá)準(zhǔn)則對圖12中能耗的概率分布處理得到的。此準(zhǔn)則適用于正態(tài)或近似于正態(tài)分布的數(shù)據(jù)集。計算數(shù)據(jù)的標(biāo)準(zhǔn)偏差，進(jìn)而根據(jù)一定概率確定誤差區(qū)間。本文取數(shù)值分布在(μ-σ,μ+σ)中的概率為0.682 7，其中μ為均值，σ為方差。當(dāng)偏差超過此區(qū)間（1σ范圍）時，認(rèn)為此次預(yù)測不合格。由圖15a中SOC曲線可以發(fā)現(xiàn)，預(yù)測曲線在上/下限之間且較平緩，與實際曲線吻合度高，結(jié)果預(yù)測準(zhǔn)確度高。

SOC預(yù)測結(jié)果的誤差如表5所示，具體數(shù)據(jù)分別對應(yīng)試驗路線中劃分的16 個子路段（見圖5）的預(yù)測結(jié)果。參考表5 中的數(shù)據(jù)，初始誤差在較小的范圍內(nèi)，但隨著預(yù)測路段延后，誤差不斷累積，最大誤差為3%左右，預(yù)測算法可靠性高。

表5 預(yù)測值與實際值誤差

5 結(jié)束語

本文基于機(jī)器學(xué)習(xí)算法，結(jié)合數(shù)字地圖歷史車流數(shù)據(jù)和歷史單車數(shù)據(jù)，訓(xùn)練出位于云端的分類器。使用由數(shù)字地圖API 提供的實時車流數(shù)據(jù)預(yù)測電動汽車未來行駛路況，并基于互聯(lián)網(wǎng)分布式實車在環(huán)仿真平臺對提出的預(yù)測算法進(jìn)了實車道路試驗。結(jié)果表明，預(yù)測值和實際值誤差保持在5%以內(nèi)，且大部分小于2%，算法能夠準(zhǔn)確預(yù)測未來工況。