新能源汽车行驶里程关联数据属性分析与预测模型研究_陈娅鑫.pdf

第 43卷第1期辽宁工业大学学报(自然科学版)Vol.43,No.12023 年 2 月Journal of Liaoning University of Technology(Natural Science Edition)Feb.2023收稿日期：2022-05-18基金项目：辽宁省先进装备制造业基地建设工程中心项目(LNTH2020122E)作者简介：陈娅鑫(1998-)，女，湖北荆门人，硕士生。陈昕(1972-)，女，辽宁铁岭人，教授，博士。DOI:10.15916/j.issn1674-3261.2023.01.002新能源汽车行驶里程关联数据属性分析与预测模型研究陈娅鑫1，陈昕1，张丽2，阮永娇1，孙承臻1（1.辽宁工业大学 汽车与交通工程学院，辽宁 锦州121001；2.锦州市公共交通有限责任公司，辽宁 锦州121000）摘要：以新能源汽车监管平台数据为基础，深入分析电池荷电状态(state of charge，SOC)、电池温度、电池电压、电流、车速、总电流、总电压与行驶里程的关联关系，找出关联数据属性，以关联数据为输入参数，研究行驶里程预测。建立多元回归机器学习预测模型，并基于新能源汽车行驶历史数据，构建预测模型的数据集，用 python 编程，实现行驶里程预测模型机器学习训练和模型检验。结果表明，预测模型预测精度为 95%，能够快速准确地预测出行驶里程，可为新能源汽车行驶里程预测提供参考依据，具有实用性和可靠性。关键词：新能源汽车；行驶里程；关联分析；机器学习；电池荷电状态中图分类号：TP181文献标识码：A文章编号：1674-3261(2023)01-0006-05Analysis of the Attributes of the Mileage Correlation Data ofNew Energy Vehicles and the Study of Prediction ModelCHEN Ya-xin1,CHEN Xin1,ZHANG Li2,RUAN Yong-jiao1,SUN Cheng-zhen1（1.School of Automobile and Traffic Engineering,Liaoning University of Technology,Jinzhou 121001,China;2.Jinzhou Public Transport Co.LTD,Jinzhou 121000,China）Abstract:Based on the data of the new energy vehicle supervision platform,the correlationbetween the state of charge(SOC),battery temperature,battery voltage,current,vehicle speed,totalcurrent,total voltage and mileage is analyzed in depth,the associated data attributes are found,and themileage prediction is studied with the associated data as the input parameter.A multiple regressionmachine learning prediction model is established,and a dataset of the prediction model is built based onthe historical driving data of new energy vehicles,and python programming is used to realize themachine learning training and model testing of the mileage prediction model.The results show that theprediction accuracy of the prediction model is 95%,which can quickly and accurately predict themileage,which can provide a reference basis for the mileage prediction of new energy vehicles,and haspracticality and reliability.Key words:new energy vehicles;mileage;correlation analysis;machine learning;state of charge动力电池行驶里程的不确定限制了新能源汽车的推广与应用，准确预测行驶里程对新能源汽车发展尤为重要。预测行驶里程关键参数是电池荷电状态(state of charge，SOC)，其用于描述电池的剩余电量，其值为电池在一定放电倍率下，剩余电量与相同条件下额定容量的比值。SOC 是个相对量，第 1 期陈娅鑫等：新能源汽车行驶里程关联数据属性分析与预测模型研究7取值为：0SOC100%1。近年来，众多学者对行驶里程预测进行研究。毕军等2基于车辆数据，将电池 SOC 值作为模型参数，建立行驶里程预测一元线性回归模型。庄桢等3考虑 SOC 和电池单体最低温度 2 个影响因素为模型参数，建立行驶里程预测多元线性回归模型。罗红梅等4基于电动车运行数据，建立分类与回归树预测模型，融合随机森林和决策树 2 种算法对模型进行优化。Joe 等5采用动态扭曲算法和深度学习方法对电动汽车电池的SOC 进行预测，并基于功能模型接口的电动汽车仿真环境获取下一次行车 SOC 轨迹，预测电动汽车行驶里程。高航等6把电池 SOC 和电池温度作为模型输入参数，建立多元线性回归行驶里程预测模型，用梯度提升算法优化模型。Miyazaki 等7基于车辆电池 SOC 数据，通过提升数据预处理精度来提升预测模型精度。Gao 等8将电池温度数据作为模型参数，采用车辆供电行驶距离系统，对未来电池温度进行预测，并基于车辆功耗数据和电池电量数据对剩余电量供电行驶里程预测。Makhwathana 等9提出基于路径预览数据的距离预测模型，运用路段坡度影响系数下降法，进行瞬时行程预测。综上，行驶里程预测多以电池 SOC 值和电池温度作为模型参数，建立预测模型，尚未考虑电池电压，电流等对行驶里程的影响。本文基于新能源汽车监管平台，综合考虑车辆历史数据和电池数据，运用大数据分析和人工智能算法对车辆所有数据属性进行关联性分析，从而挖掘出总电压，电池 SOC 值，电池单体最高电压，电池单体最低电压，电池最高温度和电池最低温度 6个影响因素，以此作为模型输入参数，建立多元回归模型对行驶里程进行预测。1新能源汽车行驶历史数据新能源汽车行驶历史数据是车辆行驶过程中每隔 10 s 所采集的数据，数据属性包括车架号、采集时间、车辆状态、绝缘电阻、充电状态、车速、累计里程、总电压、总电流、SOC 值、电池单体电压最高最低值、电池最高最低温度等，共 95 个数据属性字段。车辆状态，绝缘电阻，车辆实时经纬度，加速踏板行程值，电池子系统号等数据字段对行驶里程预测研究均无直接关联。对行驶里程预测产生影响的数据字段包括电池 SOC 值、车速、电池总电压、单体电池最高电压、单体电池最低电压、电池最高温度、电池最低温度和总电流这 8 个数据属性，表 1 所示为预处理后的部分行驶历史数据。表 1预处理后的行驶历史数据序号时间车速/(kmh-1)总电压/V总电流/ASOC/%最高温度值/最低温度值/电池单体电压最高值/V电池单体电压最低值/V行驶里程/km12021/01/2512:25:56330310.925543.6173.6066017.6195272021/04/0219:11:545.2313.72.05819173.7383.7277295.2207232021/04/0514:19:1510303.533.13025233.6163.6107416.02行驶里程关联数据属性分析本文选取 2021 年 1 月 25 日到 2021 年 4 月 5日新能源汽车的历史数据，包含车速、SOC 值、总电压、总电流、电池单体电压最高值、电池单体电压最低值、最高温度值和最低温度值 8 个数据字段共 8.2 万条数据。以 SOC 值为索引，将历史数据切片，筛选出 30 段放电片段，每段放电片段 SOC 值范围在 100%30%之间，累计共 2.1 万数据。30 段放电片段用 S1，S2S30 表示，并将 30 段放电片段数据作为行驶里程关联数据属性分析的数据集，进行相关性分析。用 python 编程，将车速、SOC 值等 8 个数据属性与行驶里程的关联程度可视化。部分放电片段S1S8 数据关联属性热力图如图 1 数据关联属性热力图所示。图 1 中关键信息在第二列展现，表示车速、SOC值、总电压、总电流、电池单体电压最高值、电池单体电压最低值、最高温度值和最低温度值 8 个数据属性与行驶里程的关联程度。8 个放电片段中SOC 值，总电压，电池单体电压最高值，电池单体电压最低值在第二列中所处位置颜色为黑色，代表这 4 个数据属性与行驶里程存在负相关性；最高温度值和最低温度值在第二列所处位置中颜色浅，接近白色，代表这 2 个数据属性与行驶里程存在正相关性。8辽宁工业大学学报(自然科学版)第 43 卷图 1数据关联属性热力图为更准确描述不同数据属性影响行驶里程的相关程度，取这 30 段放电片段中车速 SOC 值等 8个数据属性对行驶里程的相关系数均值进行相关性分析，如表 2 所示。表 2数据属性对行驶里程的相关系数表S1S2S16S30均值车速0.1100.1500.0460.2000.058总电压-0.860-0.920-0.910-0.870-0.898总电流-0.013-0.0070.027-0.1300.014SOC-0.980-0.990-0.990-0.970-0.988单体电压最高-0.910-0.940-0.930-0.880-0.928单体电压最低-0.800-0.900-0.890-0.870-0.866最高温度0.9100.9700.9600.9200.840最低温度0.9500.9500.9600.9100.854由表 2 可知车速和总电流与行驶里程 30 段放电片段相关系数均值分别为 0.058 和 0.014，均小于0.3，即车速和总电流与行驶里程具有弱相关性。总电压、SOC 值、单体电压最高值、单体电压最低值、最高温度和最低温度与行驶里程 30 段放电片段相关系数均值分别为-0.898、-0.988、-0.928、-0.866、0.840、0.854，绝对值均大于 0.8，即上述因素与行驶里程具有强相关性。因此可筛选出行驶里程的 6第 1 期陈娅鑫等：新能源汽车行驶里程关联数据属性分析与预测模型研究9个关联属性分别为电池总电压、SOC、单体电压最高值、单体电压最低值、最高温度和最低温度。3行驶里程预测模型研究3.1多元回归模型建立对于行驶里程预测问题，目前有多种方法和模型，主要包括统计回归模型、时间序列模型、支持SOC 以及神经网络模型等。其中，回归模型具有模型结构简单，参数少的特点，同时能较好地处理高维数的问题，且在理论上得到的结果为全局最优。本文依据关联属性分析结果，建立如式(1)所示的行驶里程预测模型，将电池总电压、SOC、单体电压最高值、单体电压最低值、最高温度和最低温度6 个关联属性作为模型输入参数，利用机器学习和智能算法输出行驶里程的预测结果。61iiiYx=+(1)式中：Y 为因变量行驶里程，xi为电池总电压、SOC、单体电压最高值、单体电压最低值、最高温度、最低温