許娟婷 孟恒宇 郭文超

(上海交通大學 1. 密西根學院; 2. 航空航天學院;3. 機械與動力工程學院， 上海 200240)

1 研究背景

近年來，為了解決傳統(tǒng)內(nèi)燃機汽車帶來的能源與污染問題，同時伴隨著智能交通和大數(shù)據(jù)技術(shù)的發(fā)展，汽車的智能化、電動化、網(wǎng)聯(lián)化、共享化成為未來汽車發(fā)展的新趨勢。然而電動汽車的普及程度卻遠遠不夠，其根本原因在于消費者對電動車續(xù)航里程的擔憂和公共充電基礎設施有待進一步完善。

車載動力電池的荷電狀態(tài)(State of Charge，SOC)是車輛續(xù)航里程的重要指標，因而實現(xiàn)SOC的準確預測是保證電動汽車可靠運行的前提，也是電池組使用和維護的重要依據(jù)，更是為駕駛員的駕駛行為提供合理的參考建議。同時，以“上海市新能源汽車公共數(shù)據(jù)采集與檢測平臺”采集的大數(shù)據(jù)為基礎，挖掘車輛行為特征(如車輛出行時間特征、能耗特征、充電特征[1-2]等),從而使車企更加懂得用戶的出行需求和行為習慣，對于進一步促進汽車的共享化以及電動汽車的推廣和發(fā)展具有至關重要的意義。

2 設計原理

2.1 設計思路

隨著共享電動汽車分時租賃市場的發(fā)展及私人電動汽車的慢慢普及，積累了大量的用戶行為數(shù)據(jù)。本文以純電動汽車(BEV)為研究主體，以SOC為研究對象，首先篩選切割出所需的數(shù)據(jù)集，用數(shù)據(jù)驅(qū)動的方法分析車輛行為規(guī)律(包括車輛駕駛行為和充電行為)，從而為廠商更好的服務于用戶提供實質(zhì)性建議。同時采用機器學習的方法結(jié)合駕駛行為估計車載電池SOC并預測出短期內(nèi)SOC的變化規(guī)律，為下一步SOC的預測提供指導性建議。

本課題研究內(nèi)容的系統(tǒng)框架如圖1：

圖1 本課題研究內(nèi)容的系統(tǒng)框架圖Fig.1 System framework of this project

本課題的主要研究內(nèi)容包括以下三部分：

(1) 基于大數(shù)據(jù)和統(tǒng)計學的方法，分析電動汽車的行為，包括駕駛行為和充電行為；

(2) 結(jié)合速度、電池電流電壓等信息采用決策樹方法進行車載電池SOC的預測;

(3) 結(jié)合車輛速度、電池電流電壓等信息采用神經(jīng)網(wǎng)絡長短期記憶結(jié)構(gòu)進行車載電池SOC的預測。

2.2 研究方法

考慮到課題內(nèi)容和龐大的數(shù)據(jù)量，我們選用的軟件工具主要是python；基于本課題的研究內(nèi)容，主要工作分為以下幾塊：

1) 數(shù)據(jù)清洗

本課題提供的數(shù)據(jù)包括：數(shù)據(jù)采集時間、累積行駛里程、速度、電機控制器溫度、驅(qū)動電機轉(zhuǎn)速、驅(qū)動電機溫度、電機母線電流、加速踏板行程、制動踏板狀態(tài)、動力系統(tǒng)就緒、電池剩余電量(SOC)、電池剩余能量、高壓電池電流、電池總電壓等共24項數(shù)據(jù)；但是原數(shù)據(jù)集存在缺漏、錯誤，采樣時間間隔不一致等情況；因此針對不同的研究內(nèi)容需對數(shù)據(jù)進行相應的清洗。

(1) 針對車輛使用情況分析：

基于本研究內(nèi)容，篩選出五個因素：時間，速度，電池SOC，電池電流，電池電壓；主要根據(jù)速度和電池電流這兩個因素，將車輛狀態(tài)劃分四種：正常行駛、制動行駛、停車、充電。

(2) 針對SOC的估計和預測：

由于原數(shù)據(jù)集的采樣時間不一致，根據(jù)數(shù)據(jù)的實際情況，將車輛正在行駛并且采樣時間為20s的數(shù)據(jù)切割出來。

2) 基于大數(shù)據(jù)和統(tǒng)計學的方法析車輛的使用情況

電動汽車行為的動態(tài)特性非常強[3]，為分析出車輛的使用情況，我們采用分時間段來統(tǒng)計分析。

針對車輛駕駛行為，從每小時的平均速度和每小時的車輛使用率進行統(tǒng)計分析；針對車輛的充電行為，考慮車輛充電的四個重要參數(shù)：充電時長，開始充電時間，開始充電時的SOC，充電結(jié)束時的SOC。

3) 采用決策樹回歸模型實時預測車載電池SOC

XGBoost是由 Tianqi Chen http://homes.cs.washington.edu/～tqchen/ 最初開發(fā)的實現(xiàn)可擴展，便攜，分布式 gradient boosting (GBDT, GBRT or GBM) 算法的一個庫，可以下載安裝并應用于 C++，Python，R，Julia，Java，Scala，Hadoop，現(xiàn)在有很多協(xié)作者共同開發(fā)維護[8]。XGBoost被廣泛用于kaggle等數(shù)據(jù)科學競賽中，取得了很好的效果。

GB是指Gradient boosting，就是通過加入新的弱學習器，來努力糾正前面所有弱學習器的殘差，最終這樣多個學習器相加在一起用來進行最終預測，準確率就會比單獨的一個要高。之所以稱為 Gradient，是因為在添加新模型時使用了梯度下降算法來最小化的損失。而XGBoost是采用決策樹(CART )的GB 的高效實現(xiàn)。

在具體操作中，將每一時刻的參數(shù)值和前一時刻的soc值作為輸入值，將該時刻前后時刻的soc差值的一半作為輸出，借助馬爾可夫假設將預測問題轉(zhuǎn)化為回歸問題，訓練決策樹群。

4) 采用長短期記憶網(wǎng)絡模型預測車載電池SOC

綜合考慮車輛的駕駛行為，準確預測車載電池SOC是目前一大重要課題。準確預測車載電池SOC能指導駕駛員在電量低時進行車輛充電，若能結(jié)合具體的地理位置信息并且知道地理上充電站的分布情況，可以為電動汽車充電提出針對性的方案，從另一個角度也能為電動汽車充電站選址做出貢獻。當前對車輛SOC預測的研究主要包括：電池建模法[4]、狀態(tài)轉(zhuǎn)移法[5]、神經(jīng)網(wǎng)絡 [6] 等方法。電池建模法需對電池進行充放電實驗得到準確的電池模型而后進行SOC預測，但現(xiàn)實中很少有實驗室有條件對車載電池進行充放電，因為電池實驗存在較大的危險性。由于車輛駕駛行為動態(tài)特性非常強，而且數(shù)據(jù)量龐大，本課題中對SOC的預測采用基于神經(jīng)網(wǎng)絡的方法。我們將其看著時間序列[7]，采用循環(huán)神經(jīng)網(wǎng)絡中的長短期記憶網(wǎng)絡結(jié)構(gòu)進行車載電池SOC的預測。

5) 判斷準確率的指標

由于原樣本中的SOC數(shù)值的最小單位為1%，所以當估計或預測的SOC與真實值之差小于1%時，那么認為該估計或預測的SOC是準確的，否則為錯誤的，準確率的計算公式如下：

準確率=樣本中SOC準確估計的點數(shù)/總樣本點數(shù)*100%

3 研究成果

3.1 數(shù)據(jù)清洗與切割

在本課題中，我們主要研究電動汽車的行為和車載電池SOC，因為選用100輛純電動汽車數(shù)據(jù)進行分析，選用的數(shù)據(jù)有五維，包括時間、速度、SOC、電池電流和電池電壓。

1) 針對車輛行為分析

針對車輛行為，我們根據(jù)車輛速度和車載電池電流這兩個因素，將車輛狀態(tài)劃分四種：正常行駛、制動行駛、停車、充電，對原數(shù)據(jù)進行分類，分別添加標簽1，2，3，4。由于車輛行為的動態(tài)特性比較強，為準確分析出其行為，采用分時間段的方式進行統(tǒng)計分析，每個時間段為1小時。圖2顯示的是數(shù)據(jù)集中車輛四種狀態(tài)的比例。

2) 針對SOC的估計和預測

為了準確估計和預測車輛駕駛時的車載電池SOC，考慮到實際場景，選擇了有連續(xù)監(jiān)控的片段。連續(xù)監(jiān)控意為這些片段，包含了正常行駛、充電和停車怠速。因此還需要刪除充電，即電量增加的片段。從200輛車的樣本中篩選出294個樣本。每個樣本的時間長度為500，也即包含了500*20 s總計10 000 s的數(shù)據(jù)。圖3顯示是樣本數(shù)據(jù)中SOC隨時間變化的情況。

圖2 數(shù)據(jù)集車輛正常行駛、制動行駛、停車、充電四種行為的比例Fig.2 Proportion of four behaviors: driving, braking, parking, and charging

圖3 樣本數(shù)據(jù)中soc隨時間的變化情況Fig.3 SOC changes over time in sample data

樣本的其他統(tǒng)計量如下：

統(tǒng)計量平均速度平均soc初值平均soc終值平均soc消耗均值30.432.120.911.2

樣本統(tǒng)計量結(jié)果和數(shù)據(jù)來源——城市低速工況下的電動車先驗一致，初步認為采樣合理。

3.2 車輛行為分析結(jié)果

由上面的分析可知，我們將車輛行為分為四種：正常行駛、制動行駛、停車、充電。

1) 車輛駕駛行為分析

車輛的駕駛行為主要考慮兩個：平均速度和車輛使用率；圖4和圖5分別顯示了每小時內(nèi)車輛使用率和車輛的平均速度曲線。從圖4中可以看出曲線中出現(xiàn)兩個車輛使用高峰期，分別是在8點和18點左右，與人們?nèi)粘５纳舷掳喔叻宄鲂星闆r相符合，深夜的車輛使用率最低，也符合人們?nèi)粘５某鲂星闆r；這曲線明顯展示出了一天中人們對電動汽車的使用需求情況。但從圖4中我們也看出車輛在高峰時期的使用率僅為50%，可見車輛還未充分利用。若此信息結(jié)合地理位置信息，可以對不同地區(qū)進行合理的車輛數(shù)量配置以及合理的跨區(qū)域調(diào)度車輛等，以充分利用車輛滿足人們的綠色出行。

圖5中顯示的每小時車輛的平均速度，該信息在一天中的變化不大，其主要的可能原因是采集數(shù)據(jù)的車輛是共享汽車，主要在城市內(nèi)部駕駛，無法反應出高架上車輛的駕駛情況。

圖4 每小時車輛使用率情況Fig.4 Hourly vehicle usage

圖5 每小時內(nèi)車輛的平均速度Fig.5 Average speed of the vehicle per hour

2) 車輛充電行為分析

針對車輛的充電行為，主要考慮車輛充電的四個重要參數(shù)：充電時長，開始充電時間，開始充電時的SOC，充電結(jié)束時的SOC。圖6中展示的時一天中電動汽車開始充電時間點的分布情況，從圖中可以看出，在晚上電動汽車開始充電的車輛數(shù)比較多，在凌晨5點開始充電的電動汽車數(shù)量比較少，不到1%；曲線上的數(shù)值表示的該時間段內(nèi)開始充電的平均充電時長，晚上開始充電的充電時長也比較長，此分布情況基本符合人們?nèi)粘Ｉ盍晳T。

圖6 一天中電動汽車開始充電時間點的分布情況Fig.6 Distribution of start-charging time during the whole day

圖7 (a) 表示的是電動汽車開始充電時SOC的分布情況, 圖7 (b) 電動汽車結(jié)束充電時SOC的分布情況。從 (a) 中可看出有接近35%的車輛開始充電時的SOC低于20%。電池SOC低于20%會嚴重損耗電池壽命，應避免此種情況。而上面對車輛使用率分析時，最高的車輛使用率不超過50%，可知車輛沒法充分合理利用，存在SOC較高的車輛在閑置，而SOC較低的車輛卻在使用的現(xiàn)象。從 (b) 中可知接近70%的車輛結(jié)束充電時候的SOC超過50%，這與實際情況比較符合，但仍然存在12.67%的車輛在結(jié)束充電時的SOC低于30%，應設置合理的車輛調(diào)度去規(guī)避此類情況的發(fā)生。

(a)

(b)

圖7 (a) 電動汽車開始充電時SOC的分布情況, (b) 電動汽車結(jié)束充電時SOC的分布情況
Fig.7 (a) Distribution of SOC when electric vehicle starts charging, (b) Distribution of SOC when electric vehicle ends charging

3.3 決策樹回歸模型預測電池SOC

對于預測SOC而言，有兩種極端情況，一是后一刻的狀態(tài)與前一刻毫無關系(HMM模型型)，二是后一刻的狀態(tài)與之前的序列整體相關。真實情況應該介于兩者之間。

為驗證前者，同時研究數(shù)據(jù)的分布情況，用決策樹進行回歸。模型的輸入是每一時刻的各項參數(shù)和上一時刻的soc值，輸出為上一時刻與下一時刻的soc之差的一半。采用了XGBoost進行回歸。

圖8 決策樹XGBoost回歸預測SOC的曲線圖Fig.8 SOC Prediction of decision tree XGBoost model

測試集準確率為55.3%，結(jié)果不如下文的長短期記憶網(wǎng)絡模型，出現(xiàn)了精度欠缺和過擬合。可能的問題是輸出數(shù)據(jù)分布單一。受限于測量精度，soc的變化幅度為1%，要么不變要么突變，導致樣本分布不均衡。在大多數(shù)輸出為0的數(shù)據(jù)訓練下，模型傾向于將輸出均為0。

3.4 長短期記憶網(wǎng)絡模型預測車載電池SOC

準確預測車輛車載電池SOC是一項關鍵技術(shù)。車輛的駕駛行為對車載電池的SOC影響很大。在本課題中，綜合考慮車輛駕駛行為和車載電池特性，進行車載電池SOC的預測，將其看著時間序列，采用循環(huán)神經(jīng)網(wǎng)絡中的長短期記憶網(wǎng)絡結(jié)構(gòu)進行車載電池SOC的預測。

對于神經(jīng)網(wǎng)絡，主要考慮幾個量：神經(jīng)網(wǎng)絡結(jié)構(gòu)、層數(shù)、激活函數(shù)、學習率。本課題中選用的長短期記憶結(jié)構(gòu)有三個門：輸入門、遺忘門和輸出門，這些“門”結(jié)構(gòu)讓信息有選擇性地影響循環(huán)神經(jīng)網(wǎng)絡中的每個狀態(tài)?！伴T”結(jié)構(gòu)使用sigmoid函數(shù)作為激活函數(shù)，全連接神經(jīng)網(wǎng)絡會輸出一個0到1之間的數(shù)值，描述當前輸入有多少信息量可以通過這個結(jié)構(gòu)。激活函數(shù)Sigmoid 如下：

本神經(jīng)網(wǎng)絡中共有三層，包括輸入層、隱藏層和輸出層。輸入層用于接收和分發(fā)輸入模式，隱藏層描述輸入/輸出之間的非線性關系。輸出層產(chǎn)生期望的輸出模式。本神經(jīng)網(wǎng)絡的隱藏層的神經(jīng)元個數(shù)為50。學習率決定了網(wǎng)絡中參數(shù)每次跟新的幅度，采用指數(shù)衰減法。輸入特征包括：車輛速度、電池電流 電池電壓、電池歷史SOC； 輸出為電池20s后的SOC，移動窗口長度為10。其公式為：

SOCk+1=fNN(Vk-h+1,…,Vk;Ik-h+1,…,Ik;Uk-h+1,…,Uk;SOCk-h+1,…,SOCk)

這里h=10.

由于這五維數(shù)據(jù)特征表達不一致，先將五維數(shù)據(jù)進行歸一化處理，再進行神經(jīng)網(wǎng)絡的訓練。

(1) 預測20 s后車載電池SOC

根據(jù)歷史車輛速度曲線和歷史SOC預測下一時刻SOC，預測結(jié)果如9圖所示。綠色曲線是訓練集的原數(shù)據(jù)，藍色曲線是測試集的原數(shù)據(jù)，紅色曲線是預測曲線。

(a) 訓練集上的SOC預測曲線

(b) 測試集上的SOC預測曲線

根據(jù)2.2中準確率指標的計算公式來計算可知，訓練集中SOC預測的準確率為93.90%；測試集中SOC預測的準確率：98.38%。

(2) 預測300 s后車載電池SOC

采用長短期記憶網(wǎng)絡模型預測10分鐘后的車載電池SOC，移動窗口長度h為60，其公式為:

SOCk+n=fNN(Vk-h+1,…,Vk;Ik-h+1,…,Ik;Uk-h+1,…,Uk;SOCk-h+1,…,SOCk)

這里h=60,n=30, 每隔20 s一個數(shù)據(jù)點，間隔30個點就是10分鐘

根據(jù)歷史車輛速度曲線和歷史SOC預測10min后的SOC，預測結(jié)果如下所示。綠色曲線是訓練集的原數(shù)據(jù)，藍色曲線是測試集的原數(shù)據(jù)，紅色曲線是預測曲線。

(a) 訓練集上的SOC預測曲線

(b) 測試集上的SOC預測曲線

根據(jù)2.2中準確率指標的計算公式來計算可知，訓練集中SOC預測的準確率為75.06%；測試集中SOC預測的準確率：73.10%。預測10分鐘后的SOC的準確率降低從側(cè)面反應出車輛駕駛行為的動態(tài)特性非常強，很難做到長時間預測。

4 創(chuàng)新點

(1) 基于大數(shù)據(jù)和統(tǒng)計學的方法，分析電動汽車的行為，包括駕駛行為和充電行為；并從中得出相應規(guī)律；

(2) 綜合考慮車輛的駕駛行為和充電行為，結(jié)合車輛速度、電池電流、電池電壓、電池歷史SOC等信息，采用決策樹和神經(jīng)網(wǎng)絡中長短期記憶網(wǎng)絡這兩種方法進行SOC預測，并對對比兩種方法的預測結(jié)果。決策樹預測SOC的準確率為55.3%，而長短期記憶結(jié)構(gòu)預測SOC的準確率高達98.38%。

(3) 綜合考慮車輛的駕駛行為和充電行為，結(jié)合車輛速度、電池電流、電池電壓、電池歷史SOC等信息，采用循環(huán)神經(jīng)網(wǎng)絡的長短期結(jié)構(gòu)進行一定時間內(nèi)的車載電池SOC的預測, 預測的10分鐘后的SOC準確率為73.10%。

5 結(jié)語

隨著智能交通和大數(shù)據(jù)技術(shù)的發(fā)展，汽車的智能化、電動化、網(wǎng)聯(lián)化、共享化成為未來汽車發(fā)展的新趨勢。本課題以“上海市新能源汽車公共數(shù)據(jù)采集與檢測平臺”采集的大數(shù)據(jù)為基礎，以純電動汽車為研究主體，以車載SOC為主要研究對象，用數(shù)據(jù)驅(qū)動的方法分析車輛行為規(guī)律，包括車輛駕駛行為和充電行為。車輛駕駛行為主要考慮運行中的車輛平均速度和車輛的使用率。車輛充電行為包括充電時長、開始充電時間、結(jié)束充電時間、開始充電時的SOC和結(jié)束時的SOC。從車輛行為分析，我們得出結(jié)論：共享電動汽車使用率偏低(不足50%)，卻有接近35%的車輛開始充電時的SOC低于20%，因而應對不同地區(qū)進行合理的車輛數(shù)量配置以及合理的跨區(qū)域調(diào)度車輛。

此外，SOC的準確估計和預測是保證電動汽車可靠運行的前提。針對車輛駕駛過程中車載電池SOC，采用了決策樹的方法和神經(jīng)網(wǎng)絡長短期記憶網(wǎng)絡進行SOC的回歸預測，并對比兩種預測方法的結(jié)果。預測20秒后的SOC，采用決策樹XGBoost進行回歸預測的準確率只有55.3%，而長短期記憶網(wǎng)絡預測SOC的準確率高達98.38%，可見長短期記憶網(wǎng)絡的預測模型更好。預測10分鐘后的車載電池SOC，預測準確性為73.10%。預測10分鐘后的SOC的準確率降低側(cè)面反應出車輛駕駛行為的動態(tài)特性非常強，很難做到長時間預測。下一步的工作主要考慮優(yōu)化預測長時間后的車載電池SOC的模型，進一步提高預測的準確率。