最近在一篇文章发表在开放获取期刊能量,研究人员讨论了能源消费的估计电动公交车使用物理和数据融合模型。
研究:能源消耗估计基于物理和数据驱动的电动公交车融合模型。图片来源:Scharfsinn / Shuterstock.com
背景
全球能源结构逐步经历转变能源约束和污染问题变得更加明显。因为他们的低排放和优秀的能源效率,电动汽车也大行其道。电动汽车具有更多的优势比普通柴油巴士公共交通系统。
然而,一些问题仍然存在,比如挑战在评估充电需求,规划车辆路线和设计电池储能系统。因此,开发一个精确的车辆能源消耗预测模型可以解决上述问题,电动汽车的广泛应用的关键。
中国国家新能源汽车的监视和管理平台(内华达州)使得海量数据收集关于新能源汽车。汽车能耗的研究和建模,该平台可以提供一个巨大的汽车驾驶数据量。之前的研究使用物理建模方法或人工智能算法开发车辆能源消耗模型。单一类型的模型的结果或一个单一的能源使用不太可靠的估算方法。一个更可靠的能源消耗估算模型与一些输入特性是必需的。
电动公共汽车运行数据传输和预处理结果。(一个)行驶路线,(b电动汽车大数据云平台和c电池SOC)预处理的结果。图片来源:李X et al .,能量
关于这项研究
在这项研究中,作者讨论了数据驱动的开发和物理融合模型估计的电动汽车能源消耗。一个简化的物理模型是用来模拟电动汽车的基本能源使用。模型考虑制动的影响使用,滚动阻力,和空调消费。CatBoost决策树模型是建立在能源使用占波动由很多原因造成的。之后,创建一个融合模型。
团队测试的性能使用数据从电动汽车能源消耗模型分析大数据平台上。提出了一种数据驱动和物理融合模型车辆能量使用。物理公式是用来表达的一部分使用的能源汽车开车时,如能源使用的滚动阻力和空气阻力。模型的复杂度降低了直接利用公式建模。
研究人员从电动公交车统计分析数据。获得连续的数据在车上充电和行驶循环过程中,原始数据预处理和重建。估计能源使用的模型也被创建。基于电动汽车的动力系统动态性能、构造物理车辆能源消耗模型。
最小二乘方法首先被用来校准模型参数。此外,影响车辆能源消耗变化的元素,如驾驶模式和环境因素,总结和检查。使用CatBoost决策树模型描述的影响,最后,这两个模型结合起来得到最终车辆能耗估算结果。评估能源使用的模型是研究和验证。
各种能源消耗的统计结果的影响波动因素对车辆能源消耗。(一个- - - - - -h)速度方差之间的关系,平均速度,油门踏板按数量、减速踏板按数量、起飞时间、出发日期、环境温度,电池的内部电阻和能源消费,分别。图片来源:李X et al .,能量
观察
数据处理所花的时间是6秒,而模型训练消耗的时间只有0.9秒。结果显示,对于许多汽车,能源消耗估计误差在8.1%以内。车辆能耗评估的结果平均误差7.5%。在公共汽车上1数据集,融合模型的相对误差为4.8%。
该模型有一个高水平的准确性,平均相对误差为6.1%。融合模型是一个有用的工具,车辆调度,优化电动汽车能耗,并合理组织充电站。其他驱动因素,如车辆出发时间、环境温度、等等,影响了汽车驾驶能源使用。相关系数为0.79。两个指标,融合模型比传统的能耗建模方法。提出了融合模型作为车辆调度的基础,优化电动汽车能源使用和充电站布局。大多数的点有实质性的错误集中在恶劣天气。
基本能耗估算结果。(一个,b)两个电动公交车的拟合曲线。(c,d每个部分的能耗拟合结果。(e,f)拟合误差。图片来源:李X et al .,能量
结论
总之,这项研究估计电动公交车使用数据驱动的能源消耗和身体融合模型。一个初级能源消耗模型是建立在物理建模方面。动能消耗的影响,滚动阻力,和空调都考虑进去。的主要因素确定车辆能耗的变化研究了使用数据驱动建模。模型的输入特性也进行了简化,模型的输入可以建立在汽车驱动的。评估变量的模型建立了能源使用使用CatBoost决策树建模方法。集成学习的概念被用来优化模型在模型训练过程中分层迭代。
车辆能源消耗的平均相对误差估计结果是6.1%。此外,在驾驶过程中,车辆质量被视为一个恒定值,这导致了模型误差。作者提到天气参数可以被添加到模型在未来进一步提高其精度。
源
李X。,Wang, T., Li, J., et al. Energy Consumption Estimation for Electric Buses Based on a Physical and Data-Driven Fusion Model. Energies 15(11) 4160 (2022).https://www.mdpi.com/1996-1073/15/11/4160
免责声明:这里的观点是作者表达他们的私人能力,不一定代表AZoM.com T /有限的观点AZoNetwork这个网站的所有者和经营者。这个声明的一部分条款和条件本网站的使用。