胡 杰，高志文

（1.武漢理工大學(xué)，現(xiàn)代汽車零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430070；2.武漢理工大學(xué)，汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，武漢 430070；3.新能源與智能網(wǎng)聯(lián)車湖北工程技術(shù)研究中心，武漢 430070）

前言

近年來(lái)，新能源汽車逐漸成為汽車工業(yè)的發(fā)展趨勢(shì)，也是我國(guó)戰(zhàn)略性新興產(chǎn)業(yè)之一。但是其續(xù)駛里程短，充電設(shè)施少和電池能量密度低等問(wèn)題仍阻礙電動(dòng)汽車產(chǎn)業(yè)的發(fā)展［1］。為解決市場(chǎng)和用戶對(duì)電動(dòng)汽車能耗及續(xù)駛里程的擔(dān)憂，除須推進(jìn)電池技術(shù)的研發(fā)以及充電設(shè)施和電網(wǎng)的覆蓋，還須基于實(shí)際運(yùn)行數(shù)據(jù)對(duì)電動(dòng)汽車能耗進(jìn)行研究，以提高電池能量的利用率［2］。

為準(zhǔn)確預(yù)測(cè)電動(dòng)汽車動(dòng)力電池能耗，國(guó)內(nèi)外學(xué)者做了大量研究。其中Ng 等［3］首次提出安時(shí)積分法，該方法通過(guò)對(duì)電池充放電電流積分得到電池充放電能量，實(shí)現(xiàn)剩余電池容量的實(shí)時(shí)計(jì)算。Lee 等［4］對(duì)電池長(zhǎng)時(shí)間靜置下的開路電壓與電池SOC進(jìn)行線性分析，通過(guò)測(cè)量電壓計(jì)算SOC 值。李革臣等［5］使用內(nèi)阻法，通過(guò)分析電池內(nèi)阻與SOC 的特定關(guān)系進(jìn)行預(yù)測(cè)。Fang 等［6］提出基于卡爾曼濾波的方法，該方法在建立等效電池模型基礎(chǔ)上建立卡爾曼濾波狀態(tài)方程與觀測(cè)方程，將SOC作為狀態(tài)參數(shù)進(jìn)行預(yù)測(cè)。在此基礎(chǔ)上Zhang 等［7］提出一種基于擴(kuò)展卡爾曼濾波算法與Rint 模型相結(jié)合的SOC 預(yù)測(cè)方法，可以有效減少計(jì)算量。Fan 等［8］提出結(jié)合安時(shí)積分法和EKF 算法，將工作電壓和電池SOC 作為觀測(cè)變量和狀態(tài)變量，并通過(guò)遞歸最小二乘法確定模型參數(shù)，提高預(yù)測(cè)精度。在人工智能迅速發(fā)展的今天，智能算法也被用于動(dòng)力電池的能耗預(yù)測(cè)。He 等［9］開發(fā)了基于人工神經(jīng)網(wǎng)絡(luò)的電池模型，根據(jù)測(cè)量的電流和電壓預(yù)測(cè)SOC。Kang 等［10］提出一種徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)模型用于消除電池退化對(duì)原始訓(xùn)練模型精度的影響。Liu 等［11］提出一種用于電池剩余能量估計(jì)的反向傳播神經(jīng)網(wǎng)絡(luò)。Alvarez Anton 等［12］使用支持向量機(jī)方法從實(shí)驗(yàn)數(shù)據(jù)集預(yù)測(cè)電池SOC。Hu 等［13］提出基于雙重搜索優(yōu)化過(guò)程的優(yōu)化支持向量回歸機(jī)的SOC預(yù)測(cè)方法。鮑偉等［14］提出使用支持向量機(jī)與貝葉斯優(yōu)化的方法對(duì)電動(dòng)公交車SOC 進(jìn)行自主預(yù)測(cè)。

綜上所述，目前主流SOC 預(yù)測(cè)方法大多使用電池內(nèi)部復(fù)雜電化學(xué)參數(shù)進(jìn)行預(yù)測(cè)，主要側(cè)重研究電池內(nèi)部機(jī)理與物理特征，而對(duì)于汽車實(shí)際行駛工況與參數(shù)的可測(cè)量性以及實(shí)際路網(wǎng)中交通參數(shù)的結(jié)合研究較少［15］。汽車實(shí)際行駛時(shí)工況變化頻繁，在不同工況下能耗差異較大，且復(fù)雜電化學(xué)參數(shù)在汽車實(shí)際行駛過(guò)程中測(cè)量困難。因此在上述研究的基礎(chǔ)上，通過(guò)數(shù)據(jù)驅(qū)動(dòng)的方法進(jìn)行SOC預(yù)測(cè)，并將預(yù)測(cè)的SOC值與實(shí)際上傳的車載BMS估計(jì)的SOC值進(jìn)行相互佐證，為優(yōu)化動(dòng)力電池能量管理、發(fā)現(xiàn)電池能耗規(guī)律、提高能量利用率提供科學(xué)依據(jù)。

1 電動(dòng)汽車數(shù)據(jù)采集

1.1 電動(dòng)汽車數(shù)據(jù)采集流程

所使用數(shù)據(jù)為某新能源公司已投放使用的電動(dòng)出租車在2018-2019 年內(nèi)的實(shí)際運(yùn)行數(shù)據(jù)，數(shù)據(jù)采集頻率為0.1 Hz。數(shù)據(jù)由安裝在汽車上的車載數(shù)據(jù)采集設(shè)備獲取，數(shù)據(jù)傳輸按照GB/T 32960《電動(dòng)汽車遠(yuǎn)程服務(wù)與管理系統(tǒng)技術(shù)規(guī)范》執(zhí)行，車載數(shù)據(jù)采集設(shè)備由車載診斷系統(tǒng)（OBD）接口供電。當(dāng)車輛啟動(dòng)后車載診斷系統(tǒng)從車輛的CAN 總線中實(shí)時(shí)讀取車輛運(yùn)行狀態(tài)參數(shù)，同時(shí)利用定位系統(tǒng)（GPS）獲取車輛位置數(shù)據(jù)，數(shù)據(jù)的采集頻率可以根據(jù)需要進(jìn)行調(diào)節(jié)。采集的數(shù)據(jù)符合國(guó)家標(biāo)準(zhǔn)的TCP 通信協(xié)議，數(shù)據(jù)以數(shù)據(jù)流的形式通過(guò)無(wú)線網(wǎng)絡(luò)傳輸?shù)奖O(jiān)控平臺(tái)，參照GB/T 32960 將所需要的信息解碼，最終形成可以利用的數(shù)據(jù)。數(shù)據(jù)的采集處理流程如圖1 所示，僅對(duì)數(shù)據(jù)應(yīng)用層研究部分進(jìn)行詳細(xì)說(shuō)明。

圖1 電動(dòng)汽車數(shù)據(jù)采集處理流程

電動(dòng)汽車SOC是指電動(dòng)汽車動(dòng)力電池剩余容量與總?cè)萘恐龋?6］，即電池剩余可用電量，計(jì)算公式為

式中：Qremain為電池中剩余的電池電荷容量；Qdischarged為最近一次充滿電后電池中已經(jīng)放掉的電荷量。

1.2 電動(dòng)汽車能耗構(gòu)成分析

為準(zhǔn)確預(yù)測(cè)電動(dòng)汽車動(dòng)力電池能耗，首先須提取能耗相關(guān)影響因素。因此對(duì)電動(dòng)汽車行駛中的能耗構(gòu)成進(jìn)行分析［17］，具體如下。

電動(dòng)汽車行駛模型如圖2 所示。當(dāng)汽車從A 點(diǎn)移動(dòng)到B 點(diǎn)的過(guò)程中，電池所消耗的能量E總耗能可以分解為牽引力做功E牽引、空調(diào)能耗E空調(diào)和其他附件能耗E其他，而牽引力做功所消耗的能量又分為汽車行駛過(guò)程中動(dòng)能變化ΔE動(dòng)能、重力勢(shì)能變化ΔE重力勢(shì)能、克服道路滾動(dòng)阻力耗能E滾阻、克服行駛過(guò)程中風(fēng)阻耗能E風(fēng)阻和傳動(dòng)系統(tǒng)能量損失E傳動(dòng)損失。

假設(shè)道路滾動(dòng)阻力系數(shù)f 與坡度角θ 為常數(shù)，且E風(fēng)阻與E傳動(dòng)損失之和與E牽引成正比，比例為λ，因此由動(dòng)力學(xué)公式可以推導(dǎo)化簡(jiǎn)為

圖2 電動(dòng)汽車行駛模型

因此電動(dòng)汽車行駛中能耗構(gòu)成為

由上述分析可以得出，電動(dòng)汽車動(dòng)力電池能耗主要與動(dòng)能變化和空調(diào)耗能有關(guān)。其中動(dòng)能變化由汽車的行駛速度決定。而空調(diào)能耗在一般行駛工況下占整車能耗的10%～20%，怠速情況下占比為77.08%［18］，且與外界溫度直接相關(guān)，但通過(guò)車載終端無(wú)法直接獲取外界溫度信息，考慮使用經(jīng)緯度與時(shí)間信息結(jié)合并通過(guò)爬蟲技術(shù)進(jìn)行溫度匹配，而汽車的運(yùn)行工況與電池工作工況又可通過(guò)電壓電流進(jìn)行表征，因此須提取上述能耗參數(shù)進(jìn)行后續(xù)的分析與建模。

對(duì)原始數(shù)據(jù)進(jìn)行能耗參數(shù)提取，并通過(guò)解碼后的數(shù)據(jù)格式如表1 所示。其中共提取5 輛同款電動(dòng)出租車在一年內(nèi)的實(shí)際運(yùn)行數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)來(lái)源，有效數(shù)據(jù)共有3 000多萬(wàn)條。

表1 數(shù)據(jù)信息格式說(shuō)明

2 電動(dòng)汽車數(shù)據(jù)預(yù)處理

2.1 數(shù)據(jù)可視化

繪制部分?jǐn)?shù)據(jù)的SOC 分布如圖3 所示。由于汽車行駛數(shù)據(jù)是通過(guò)傳感器進(jìn)行采集，傳感器信號(hào)可能存在延遲和丟失等情況造成數(shù)據(jù)的異常與缺失，因此需對(duì)異常數(shù)據(jù)進(jìn)行處理。

圖3 SOC變化分布

2.2 數(shù)據(jù)清洗

由圖3 可知，采集數(shù)據(jù)中包含大量充電數(shù)據(jù)，本文通過(guò)判斷連續(xù)的靜止片段內(nèi)是否出現(xiàn)電流為負(fù)來(lái)篩選充電片段并進(jìn)行刪除處理，還對(duì)圖4中里程為0的異常值與缺失值進(jìn)行線性插值填補(bǔ)。

圖4 行駛里程變化分布

汽車的實(shí)際行駛數(shù)據(jù)由多個(gè)運(yùn)動(dòng)片段組成，電動(dòng)汽車的運(yùn)動(dòng)學(xué)片段定義為車輛從停車開始到下一次停車開始的運(yùn)動(dòng)［19］，且通過(guò)運(yùn)動(dòng)學(xué)片段的特征數(shù)能夠把握片段的主要屬性。因此對(duì)行駛數(shù)據(jù)進(jìn)行切片處理，使單條數(shù)據(jù)轉(zhuǎn)換為運(yùn)動(dòng)學(xué)片段，每個(gè)運(yùn)動(dòng)學(xué)片段均由停車、勻速、加速和減速4種行為構(gòu)成。

2.3 基于變量解耦的數(shù)據(jù)同分布

采集數(shù)據(jù)中訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集分布圖如圖5～圖8所示，其中μ、σ、skew、kurtosis分別代表數(shù)據(jù)分布的均值、方差、峰度以及偏度，兩條曲線分別為樣本實(shí)際分布和擬合標(biāo)準(zhǔn)正態(tài)分布（Normal dist.）。由于目前多數(shù)機(jī)器學(xué)習(xí)算法須保證訓(xùn)練集與測(cè)試集的數(shù)據(jù)呈獨(dú)立同分布，以使所訓(xùn)練的樣本具有總體代表性，減小因訓(xùn)練集中的個(gè)例樣本而導(dǎo)致的模型誤差增大，但此數(shù)據(jù)下的SOC 和片段行駛里程特征表現(xiàn)為耦合狀態(tài)。

圖5 目標(biāo)測(cè)試集SOC分布

圖6 目標(biāo)測(cè)試集里程分布

因此本文中提出了一種基于分箱處理的滑動(dòng)窗口重采樣方法，實(shí)現(xiàn)對(duì)多維變量耦合分布的解耦處理。該方案同時(shí)考慮了行程片段的起始SOC和片段行駛里程的影響，分箱方式如表2 所示。對(duì)于運(yùn)動(dòng)學(xué)片段的起始SOC 和行駛里程進(jìn)行分段，考慮到算法效率與精度的結(jié)合，將起始SOC 在20%以上數(shù)據(jù)分為8段，標(biāo)記為A-H，將行駛里程分為6段，標(biāo)記為a-f。事實(shí)上當(dāng)SOC 達(dá)到20%以下時(shí)，駕駛員應(yīng)即刻去進(jìn)行充電而不是選擇繼續(xù)行駛，但考慮到數(shù)據(jù)完整性，本文也將SOC 為20%以下的數(shù)據(jù)考慮在內(nèi)，并將其標(biāo)記為X。

圖7 訓(xùn)練數(shù)據(jù)集SOC分布

圖8 訓(xùn)練數(shù)據(jù)集里程分布

表2 SOC與里程分箱表

為使訓(xùn)練集與測(cè)試集同分布，并擴(kuò)充訓(xùn)練集數(shù)據(jù)樣本個(gè)數(shù)，采用基于滑動(dòng)窗口重采樣的方法對(duì)訓(xùn)練集樣本進(jìn)行重采樣，可以得到大量新的運(yùn)動(dòng)學(xué)片段，將重采樣數(shù)據(jù)與原始訓(xùn)練集合并后，根據(jù)測(cè)試集分布重新擴(kuò)充原始的訓(xùn)練集，擴(kuò)充結(jié)果如圖9 和圖10所示，此時(shí)訓(xùn)練集與測(cè)試集近似同分布。

圖9 測(cè)試集分布

圖10 同分布后數(shù)據(jù)集分布

3 能耗特征構(gòu)建與選擇

機(jī)器學(xué)習(xí)中，為使算法達(dá)到最優(yōu)性能，須通過(guò)特征工程對(duì)數(shù)據(jù)進(jìn)行處理使原始數(shù)據(jù)轉(zhuǎn)化為特征，從而對(duì)數(shù)據(jù)中所包含的信息進(jìn)行充分挖掘，使模型能夠更好地進(jìn)行學(xué)習(xí)。因此須構(gòu)造動(dòng)力電池能耗相關(guān)特征，以便模型進(jìn)行學(xué)習(xí)與訓(xùn)練。

3.1 能耗特征構(gòu)建

由于電動(dòng)汽車在不同的行駛工況下，電池SOC的消耗規(guī)律不同，因此須構(gòu)建汽車行駛工況相關(guān)特征。目前國(guó)內(nèi)外對(duì)此研究較為深入，本文中基于Wu等［20］提出的10 個(gè)工況特征參數(shù)，并對(duì)其進(jìn)行進(jìn)一步完善，提出包括最大加速度、速度標(biāo)準(zhǔn)差和平均速度等15 個(gè)特征參數(shù)進(jìn)行輸入。其次外界環(huán)境溫度影響動(dòng)力電池的充放電性能，從而影響SOC 消耗。本文中通過(guò)爬蟲技術(shù)，根據(jù)已知的經(jīng)緯度與時(shí)間信息得到按小時(shí)記的溫度信息作為外部環(huán)境特征，而車輛的自身狀態(tài)信息可由汽車傳感器獲取。在此構(gòu)建了共20 個(gè)特征，如表3 所示，由于特征維度較多，因此須進(jìn)行特征選擇。

表3 能耗模型特征表

3.2 能耗特征選擇

由于特征工程中所構(gòu)建的特征可能存在信息重復(fù)或無(wú)關(guān)特征，若全部輸入模型進(jìn)行訓(xùn)練，則會(huì)使模型出現(xiàn)過(guò)擬合或維度災(zāi)難，降低模型預(yù)測(cè)效果。因此須進(jìn)行特征篩選，排除冗余或無(wú)效特征以減少特征數(shù)量，增強(qiáng)模型的泛化能力。

本文中使用頂層特征選擇算法中的穩(wěn)定性選擇進(jìn)行特征篩選。穩(wěn)定性選擇是基于二次抽樣和選擇算法的結(jié)合，在不同的數(shù)據(jù)子集和特征子集上不斷重復(fù)運(yùn)行，最終得到匯總結(jié)果來(lái)進(jìn)行特征篩選，可以有效克服過(guò)擬合，增強(qiáng)對(duì)數(shù)據(jù)的理解。使用隨機(jī)森林與L1 正則化結(jié)合的穩(wěn)定性選擇方法，此方法能夠自動(dòng)選取正則化參數(shù)以提升模型效果。其輸出結(jié)果如圖11所示，圖中對(duì)所構(gòu)建的20個(gè)特征進(jìn)行了重要性的排序，可看出部分特征對(duì)模型預(yù)測(cè)結(jié)果影響較小，因此剔除相關(guān)性較小的特征，以降低特征維度，提高模型訓(xùn)練速度。

圖11 基于模型的特征篩選圖

4 動(dòng)力電池SOC 預(yù)測(cè)模型的構(gòu)建

4.1 溫度能耗模型原理

由于每種電池都有其最佳工作溫度，且在不同溫度下電池組內(nèi)阻及放出的能量有很大差別。以鋰離子電池為例，實(shí)驗(yàn)人員經(jīng)過(guò)長(zhǎng)時(shí)間的實(shí)驗(yàn)發(fā)現(xiàn)，在冬季（-10 ℃）其可放出能量?jī)H為夏季（30 ℃）的66.6%［21］。同時(shí)，實(shí)驗(yàn)人員還做出了環(huán)境溫度對(duì)鋰電池放電容量的影響曲線。隨著環(huán)境溫度的降低，鋰電池放電容量逐漸減小，尤其在低溫時(shí)放電容量變化明顯［22］。其原因是：（1）低溫時(shí)電池內(nèi)阻增大，放電電流相同時(shí)，內(nèi)阻焦耳熱增加，因此理論剩余能量相同時(shí)，低溫時(shí)能量效率較低，電池可用能量減少；（2）低溫時(shí)內(nèi)阻增大，電池組會(huì)更早達(dá)到放電電壓下限而停止放電，導(dǎo)致部分能量無(wú)法釋放而可用能量減少［23］。其次，外界溫度還影響車用空調(diào)的能耗，當(dāng)電動(dòng)汽車處于怠速工況下，空調(diào)系統(tǒng)能耗占整車功耗的77.08%［18］。因此不同溫度下的電動(dòng)汽車能耗相差較大。本文中通過(guò)繪制行駛里程與SOC消耗之間的關(guān)系將溫度分為3層，如圖12所示，二者呈明顯的分層狀態(tài)，每種分層狀態(tài)下的能耗規(guī)律相差較大。因此，提出一種基于溫度分層的融合模型來(lái)進(jìn)行電動(dòng)汽車動(dòng)力電池SOC的預(yù)測(cè)。

4.2 宏觀回歸預(yù)測(cè)模型

圖12 溫度分層圖

由于運(yùn)動(dòng)學(xué)片段能夠描述汽車一段時(shí)間內(nèi)的實(shí)際運(yùn)行工況，且在前述部分已經(jīng)完成對(duì)運(yùn)動(dòng)學(xué)片段的特征提取。因此考慮對(duì)整個(gè)片段進(jìn)行宏觀的建模與分析。首先進(jìn)行溫度分層，并對(duì)分層后的數(shù)據(jù)進(jìn)行模 型訓(xùn) 練，使 用模 型有Lasso、Ridge、LGBoost、Randon_Forest、XGBoost、AdaBoost 等，采用網(wǎng)格搜索和貝葉斯優(yōu)化進(jìn)行超參數(shù)的調(diào)整與尋優(yōu)，提高模型預(yù)測(cè)精度與泛化能力。選取均方差MAE（mean squared error）作為評(píng)價(jià)指標(biāo)，其定義為

式中：yi為真 實(shí) 值；為 預(yù)測(cè) 值；m 為 訓(xùn)練 樣本 的數(shù)量。

最終的單個(gè)模型預(yù)測(cè)效果如圖13所示。

圖13 單個(gè)模型訓(xùn)練效果

為進(jìn)一步提升模型的預(yù)測(cè)效果，采用了Stacking模型［24］融合的方法。Stcaking 模型的原理是將訓(xùn)練數(shù)據(jù)分為n部分輸入模型第一層的n個(gè)基分類器，再將基分類器的預(yù)測(cè)結(jié)果作為下一層元模型的輸入，得到元模型的輸出作為最終結(jié)果，相比獨(dú)立的預(yù)測(cè)模型有更強(qiáng)穩(wěn)健性，可以顯著降低泛化誤差。通過(guò)對(duì)比實(shí)驗(yàn)，最后選取了LGBoost、XGBoost 與Random_Forest 模型作為基模型，Lasso 作為元模型的組合進(jìn)行模型融合。

其中基模型原理如下：LGBoost 與XGBoost 類似，是微軟2017年提出的GBDT算法，基本原理是采用損失函數(shù)的負(fù)梯度作為當(dāng)前決策樹的殘差近似值去擬合新的決策樹。而Random_Forest 是在構(gòu)建以決策樹為基模型的基礎(chǔ)上，引入了隨機(jī)屬性選擇，對(duì)基決策樹模型的每個(gè)節(jié)點(diǎn)屬性集合中隨機(jī)選擇屬性子集，再在子集中選擇最優(yōu)屬性。

圖14 基于溫度分層的模型誤差

最后融合每一層預(yù)測(cè)結(jié)果誤差如圖14 所示，平均相對(duì)誤差率僅為2.52%，而不采用溫度分層模型的預(yù)測(cè)平均相對(duì)誤差率達(dá)到4.20%，分層后預(yù)測(cè)精度明顯提高。

4.3 微觀分類預(yù)測(cè)模型

完成宏觀建模后，通過(guò)圖14 可知，對(duì)于樣本數(shù)據(jù)量較小的運(yùn)動(dòng)學(xué)片段，即片段的運(yùn)動(dòng)時(shí)間短，行駛距離小，此時(shí)模型預(yù)測(cè)結(jié)果相對(duì)較差。由于原始數(shù)據(jù)中蘊(yùn)含豐富的車輛微觀行駛信息，因此考慮對(duì)小樣本片段數(shù)據(jù)進(jìn)行微觀建模，通過(guò)提取每個(gè)行駛點(diǎn)數(shù)據(jù)的微觀特征來(lái)進(jìn)行預(yù)測(cè)，以提高小樣本行駛片段的預(yù)測(cè)精度。

在原始數(shù)據(jù)中SOC 變化情況分為3 種：-1%、0和1%，分別對(duì)應(yīng)SOC 下降1%、SOC 不變和SOC 增加1%（電動(dòng)汽車制動(dòng)能量回收）。為提高模型的預(yù)測(cè)精度，將小樣本行駛片段的SOC 預(yù)測(cè)轉(zhuǎn)化為分類問(wèn)題，即預(yù)測(cè)每個(gè)時(shí)間點(diǎn)處的SOC，最后通過(guò)片段內(nèi)所有預(yù)測(cè)值的疊加得到片段終點(diǎn)處的SOC值。同時(shí)為避免出現(xiàn)樣本不均衡導(dǎo)致的預(yù)測(cè)誤差增大，采用SMOTE 算法［25］對(duì)小樣本數(shù)據(jù)進(jìn)行過(guò)采樣以降低類別的不平衡性。SMOTE 算法是對(duì)小樣本數(shù)據(jù)進(jìn)行人工合成新樣本并添加到數(shù)據(jù)集中，首先計(jì)算樣本與少數(shù)樣本集之間的K 近鄰歐氏距離，再根據(jù)采樣倍率選擇近鄰并構(gòu)造新樣本。樣本構(gòu)造公式為

式中：xnew為新生成樣本；為近鄰樣本；x 為少數(shù)樣本。

采用滑動(dòng)窗口技術(shù)，選擇該數(shù)據(jù)點(diǎn)之前的汽車行駛信息構(gòu)造滑動(dòng)窗口作為該點(diǎn)的微觀運(yùn)動(dòng)學(xué)特征。同樣采用前述的特征篩選方案去除對(duì)預(yù)測(cè)貢獻(xiàn)較小的冗余特征，篩選后特征如表4所示。

表4 微觀特征表

4.4 基于溫度分層的融合模型

完成微觀模型的特征構(gòu)建后，采用LightGBM 模型處理多分類問(wèn)題，通過(guò)貝葉斯優(yōu)化算法進(jìn)行超參數(shù)的調(diào)整。最終將微觀片段內(nèi)的預(yù)測(cè)結(jié)果疊加得到單個(gè)行駛片段終點(diǎn)預(yù)測(cè)值，再將微觀預(yù)測(cè)模型與宏觀預(yù)測(cè)模型進(jìn)行疊加融合得到最終的溫度分層融合模型。

4.5 融合模型效果驗(yàn)證

為驗(yàn)證所構(gòu)建的溫度分層融合模型的預(yù)測(cè)效果，需要將模型預(yù)測(cè)的SOC 值與車載BMS 所提供的真實(shí)SOC值進(jìn)行對(duì)比實(shí)驗(yàn)。首先構(gòu)建對(duì)比實(shí)驗(yàn)所需的數(shù)據(jù)集片段，采用五折交叉驗(yàn)證（K-folds）的方法獲取對(duì)比數(shù)據(jù)集。五折交叉驗(yàn)證是指將訓(xùn)練集隨機(jī)等分為5 份互斥子集，取其中1 份數(shù)據(jù)作為測(cè)試集，其余4份作為訓(xùn)練集進(jìn)行訓(xùn)練，重復(fù)5次并取測(cè)試結(jié)果的平均值作為最終預(yù)測(cè)結(jié)果輸出［26］，其原理如圖15所示。

圖15 交叉驗(yàn)證構(gòu)建數(shù)據(jù)集原理

由交叉驗(yàn)證原理可知，通過(guò)五折交叉驗(yàn)證選取的對(duì)比片段優(yōu)點(diǎn)在于，相比傳統(tǒng)的隨機(jī)劃分，大大降低了數(shù)據(jù)的偶然性與預(yù)測(cè)效果的隨機(jī)性，使測(cè)試集對(duì)比片段保留了原始數(shù)據(jù)的多樣性，即可以遍歷車輛的所有行駛工況，同時(shí)也可以顯示模型的泛化能力。使用此模型對(duì)交叉后的五折測(cè)試集進(jìn)行預(yù)測(cè)并求取均化對(duì)比誤差，最終得到對(duì)比誤差如圖16 和圖17 所示。由圖可見，由溫度分層融合模型所得的預(yù)測(cè)SOC 值相比車載BMS 提供的真實(shí)SOC 值的對(duì)比平均相對(duì)誤差達(dá)到1.53%，平均絕對(duì)誤差達(dá)到0.64。預(yù)測(cè)精度較高，且具有較強(qiáng)魯棒性。

5 結(jié)論

圖16 測(cè)試集絕對(duì)誤差

圖17 測(cè)試集相對(duì)誤差

提出一種基于數(shù)據(jù)驅(qū)動(dòng)的電動(dòng)汽車動(dòng)力電池SOC 預(yù)測(cè)模型。首先分析電動(dòng)汽車能耗構(gòu)成以提取能耗影響因素，使用CAN 總線采集數(shù)據(jù)實(shí)現(xiàn)SOC 的預(yù)測(cè)。相比傳統(tǒng)方法，此模型使用機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)了能耗與汽車實(shí)際工況以及交通路網(wǎng)參數(shù)的結(jié)合，并提出了溫度能耗模型以優(yōu)化溫度影響，且預(yù)測(cè)精度較高。此外提出一種基于分箱處理的變量解耦方法以實(shí)現(xiàn)機(jī)器學(xué)習(xí)中多維變量耦合作用下的數(shù)據(jù)同分布。綜上所述，該模型對(duì)優(yōu)化動(dòng)力電池的能量管理策略具有一定指導(dǎo)意義，也為電動(dòng)汽車SOC 的在線預(yù)測(cè)和挖掘電動(dòng)汽車運(yùn)行數(shù)據(jù)背后的規(guī)律和價(jià)值提供參考。