一、引言

電動汽車成為了低碳交通系統中重要組成部分之一。近些年，電動汽車中國保有量增長迅速，截至 2021 年 10 月達到 891 萬輛,預計到 2030 年將達到1億。美國、中國和歐盟等許多國家和地區都出臺了促進電動汽車發展的政策，并明確提出傳統內燃機汽車禁售時間。然而，電動汽車在應用過程仍存在一些問題，包括續駛里程短、充電設施不完善、電池安全問題等。其中，“里程焦慮"是限制電動汽車進一步廣泛應用的一個重要因素，可靠、準確的純電動汽車能耗預測可以更精確地估算電池剩余續航里程，幫助用戶提前規劃行程，進而緩解“里程焦慮"問題。

目前國內外電動汽車能耗預測方法主要分為兩大類:基于車輛動力學的能耗預測方法與基于數據驅動的能耗預測方法。基于車輛動力學方面，國內外學者基于車輛結構構建車輛動力學模型，進而計算并預測車輛能耗。MADHUSUDHANAN 等構建了綜合考慮車輛特性、行駛周期和車輛質量的能耗模型，并采用案例驗證模型對于車隊管理的有效性。為了給公交車駕駛員提供速度規劃建議實現純電動公交車的節能駕駛，根據公交車通行交叉口的運行特征及紅、黃、綠燈的剩余時間劃分了六種工況進行模擬，又結合公交車進出站運行特征的基礎與站臺內允許停靠的最大公交車數目，將進出站場景劃分為三種工況，并為每種工況設計速度策略。通過在 AVL Cruise 中搭建純電動公交車仿真模型以及根據節能駕駛策略仿真分析對比六種交叉口工況和三種進出站工況，選取出了節能率較高的速度曲線。

二、電動汽車實車數據采集與處理

為進行故障診斷、故障排除、駕駛行為分析和性能評估，提高電動汽車的性能和可靠性，通過裝置在電動汽車上的車速傳感器、加速度計、轉向傳感器、傾斜傳感器、電池管理系統(Batterymanagement system,BMS)等傳感器和其他設備收集各種車輛數據，常見的電池參數包括用于反映電池的充放電狀態電流，可反映電池電量的電壓，反映電池剩余電量的 SOC，反映電池是否存在損耗或損耗程度的電池健康狀態(State ofhealth,SOH)、溫度等，此外也測量車速、加速度、轉向、制動等其他具有特殊意義的整車數據，并將這些數據存儲在車輛控制單元(Electronic control unit,ECU)或其他設備中，之后將數據上傳至數據庫。

本文所使用的數據來自國家新能源汽車監測管理中心構建的國家電動汽車大數據平臺和國家新能源汽車大數據聯盟開放實驗室，國家電動汽車大數據平臺可以實時收集全國公共服務電動汽車的運行數據。運行數據涉及動態數據和靜態數據。動態數據主要包括車輛行駛速度、累計行駛里程、電池系統電壓、電流等運行數據，以及用戶自定義的其他數據;靜態數據包含車牌操作區域、車型等信息。車輛數據從配備遠程信息處理系統的電動汽車上采集,并按照 GB/T 32960-2016 協議傳輸到大數據平臺。本文所研究的數據為10 輛同款電動汽車的歷史運行時間序列數據，數據采集頻率為 0.1 HZ。

這些數據包含了車輛在不同條件下的能耗信息，可以用來訓練和驗證能耗計算模型。這些來自于車輛測試或者實際行駛記錄的數據被稱為收集實車稀疏數據。

三、考慮充電行為的能耗預測方法

能耗計算在車輛設計和優化中起著重要作用，它可以幫助工程師評估和改進車輛的燃油效率和能源利用率。然而，準確地預測車輛能耗是一項具有挑戰性的任務，因為它涉及到多個復雜的因素，包括車輛動力系統、駕駛行為、路況等。為了解決這個問題，研究者們提出了多模型融合方法，該方法通過將多個不同的模型結合起來，以提高能耗計算的準確性和可靠性。為了預測電動汽車的能耗，本文提出一種考慮了充電行為的多模型融合方法。該方法整體流程主要由能耗計算模型、充電行為分析模型與能耗預測模型構成。

3.1實車能耗計算模型

由于實際車輛的動力系統非常復雜，而且有限的參數信息難以完*描述其能耗特性，因此需要采用多模型融合的方法。具體而言，利用不同的理論模型、統計模型或者機器學習模型來描述車輛的能耗特性。每個模型都可以根據不同的條件和參數進行優化，以提高能耗計算的準確性。根據多模型融合方法整體流程，首先需要構建實車稀疏數據與有限參數下的能耗計算模型。

3.2充電行為分析模型

為定量分析充電行為對能耗的影響，首先基于實車傳感器采集參數，計算充電行為相關特征。之后提取與能耗強相關的充電行為特征。

為了計算充電行為特征，構建了“車輛信息電池特征-駕駛員行為"的多維特征指標體系，如圖3 所示。其中車輛信息包括車輛充電位置經度、車輛充電位置緯度、車輛行駛累計里程、車輛累計充電次數、充電起始時間、充電結束時間，充電時間長度等;電池特征包括充電起始 SOC、充電終止SOC、充電 SOC 變化、總充電起始電壓、總充電終止電壓、總充電電壓變化、充電最高溫度、充電最*溫度、充電平均溫度等;駕駛員行為包括平均充電電流、最大充電電流、最小充電電流、充電時間、上一次行駛平均速度、上一次行駛最大速度、上一次行駛最小速度等。

3.3基于長短期記憶循環的能耗預測模型

循環神經網絡(Recurrent neural network,RNN)是一類輸入序列性數據，并沿其演化方向進行遞推的遞歸神經網絡]。因其具有記憶性、參數共享和圖靈完備性，在學習序列非線性特性方面有獨*的優勢。LSTM 是對遞歸神經網絡的一種改進，能很好地防止梯度丟失、梯度崩潰等現象發生，因此，能很好地適應長期序列的學習。針對實際汽車使用過程中，整車及電池的工作狀態受多種因素影響本項目擬建立多因子融合的 LSTM，以實現對整車及電池的長期能量預測。整個神經網絡模型包括輸入層、全連接層、連接層和輸出層。該模型采用“多對一"的方式，將一段時間內的歷史能源消耗數據輸入到預測模型中，并通過預測模型進行計算，從而預測下次出行的能源消耗。

四、 解決方案

圖1 有序充電管理系統示意圖

圖2平臺結構圖

充電運營管理平臺是基于物聯網和大數據技術的充電設施管理系統，可以實現對充電樁的監控、調度和管理，提高充電樁的利用率和充電效率，提升用戶的充電體驗和服務質量。用戶可以通過APP或小程序提前預約充電，避免在充電站排隊等待的情況，同時也能為充電站提供更準確的充電需求數據，方便后續的調度和管理。通過平臺可對充電樁的功率、電壓、電流等參數進行實時監控，及時發現和處理充電樁故障和異常情況對充電樁的功率進行控制和管理，確保充電樁在合理的功率范圍內充電，避免對電網造成過大的負荷。

五、安科瑞充電樁云平臺具體的功能

平臺除了對充電樁的監控外，還對充電站的光伏發電系統、儲能系統以及供電系統進行集中監控和統一協調管理，提高充電站的運行可靠性，降低運營成本，平臺系統架構如圖3所示。

圖3 充電樁運營管理平臺系統架構

大屏顯示：展示充電站設備統計、使用率排行、運營統計圖表、節碳量統計等數據。

圖4 大屏展示界面

站點監控：顯示設備實時狀態、設備列表、設備日志、設備狀態統計等功能。

圖5 站點監控界面

設備監控：顯示設備實時信息、配套設備狀態、設備實時曲線、關聯訂單信息、充電功率曲線等。

圖6 設備監控界面

運營趨勢統計：顯示運營信息查詢、站點對比曲線、日月年報表、站點對比列表等功能。

圖7 運營趨勢界面

收益查詢：提供收益匯總、實際收益報表、收益變化曲線、支付方式占比等功能。

圖8 收益查詢界面

故障分析：提供故障匯總、故障狀態餅圖、故障趨勢分析、故障類型餅圖等功能。

圖9 故障分析界面

訂單記錄：提供實時/歷史訂單查詢、訂單終止、訂單詳情、訂單導出、運營商應收信息、充電明細、交易流水查詢、充值余額明細等功能。

圖10 訂單查詢界面

六、產品選型

安科瑞為廣大用戶提供慢充和快充兩種充電方式，便攜式、壁掛式、落地式等多種類型的充電樁，包含智能7kw/21kw交流充電樁，30kw直流充電樁，60kw/80kw/120kw/180kw直流一體式充電樁來滿足新能源汽車行業快速、經濟、智能運營管理的市場需求。實現對動力電池快速、高效、安全、合理的電量補給，同時為提高公共充電樁的效率和實用性，具有有智能監測：充電樁智能控制器對充電樁具備測量、控制與保護的功能；智能計量：輸出配置智能電能表，進行充電計量，具備完善的通信功能；云平臺：具備連接云平臺的功能，可以實現實時監控，財務報表分析等等；遠程升級：具備完善的通訊功能，可遠程對設備軟件進行升級；保護功能：具備防雷保護、過載保護、短路保護，漏電保護和接地保護等功能；適配車型：滿足國標充電接口，適配所有符合國標的電動汽車，適應不同車型的不同功率。下面是具體產品的型號和技術參數。

七、現場圖片

八、結論

能源消耗預測在現代社會中具有重要的意義，以實時、精確預測電動汽車能耗為目的，本文提出一種考慮充電行為的多模型融合電動汽車能耗預測方法，包括能耗計算模型、充電行為分析模型與能耗預測模型三個子模型。為了驗證所提方法的性能，采用相同的訓練數據訓練提出的模型和用于對比的目前較常見的一些模型，并對同一車型的車輛數據進行預測和 RMSE 計算。能耗預測方法的準確性和可靠性對于能源管理和決策制定來說至關重要。根據基于實際運行數據的預測結果與真實值的對比，可以得出以下結論。