安(ān)科瑞 陳(chén)聰(cōng)

摘(zhāi)要(yào):電(diàn)動汽(qì)車(chē)的能耗(hào)預測對於(yú)車輛(liàng)路(lù)徑(jìng)規(guī)劃與充(chōng)電(diàn)行為至關(guān)重(zhòng)要(yào)。提出一種(zhǒng)考(kǎo)慮充電(diàn)行(háng)為(wéi)的多(duō)模(mó)型融(róng)合能(néng)耗預(yù)測(cè)方(fāng)法
，首(shǒu)先構(gòu)建基於實(shí)車稀疏(shū)數據與(yǔ)有(yǒu)限參(cān)數(shù)的能耗計算(suàn)模型(xíng)
，在此基礎(chǔ)上(shàng)構(gòu)建(jiàn)充(chōng)電行為模型
，分(fēn)析並提取能(néng)耗強相(xiāng)關(guān)的(dí)充電行為(wéi)特征
，最後(hòu)基於長短(duǎn)期記(jì)憶(yì)循環神(shén)經網絡(luò)(Long short-term memoryneural network,LSTM)搭建能耗預(yù)測模型(xíng)。使用實車(chē)數(shù)據(jù)對所(suǒ)提(tí)方法進行(háng)驗證
，結果表(biǎo)明
，該方法(fǎ)可以精準預(yù)測相(xiāng)同(tóng)車型不(bù)同起(qǐ)始(shǐ)電池(chí)荷(hé)電(diàn)狀態(tài)(State ofcharge,SOC)，不同溫度(dù)，不同(tóng)時間段下(xià)的(dí)汽車能耗
，均(jūn)方根誤(wù)差(Root mean square eror
，RMSE)為(wéi)1.27
，與(yǔ)現(xiàn)有(yǒu)方(fāng)法(fǎ)相比
，RMSE 至少降低 4.5%。

關鍵(jiàn)詞(cí):能(néng)耗(hào)預(yù)測(cè)；電動(dòng)汽車(chē)；充(chōng)電行(háng)為

一(yī)，引言

電(diàn)動汽(qì)車成為(wéi)了低碳交通(tōng)係(xì)統中重要(yào)組(zǔ)成部(bù)分之一(yī)。近些年
，電(diàn)動汽(qì)車中國(guó)保有量(liáng)增(zēng)長迅(xùn)速
，截(jié)至(zhì) 2021 年 10 月達(dá)到 891 萬輛,預計(jì)到 2030 年將(jiāng)達到1億(yì)。美(měi)國，中國和(hé)歐盟等許(xǔ)多國家(jiā)和地區都出台了(liǎo)促(cù)進(jìn)電動(dòng)汽(qì)車發展的政策(cè)
，並明(míng)確提出傳(chuán)統(tǒng)內(nèi)燃機汽(qì)車(chē)禁售(shòu)時間。然(rán)而
，電動汽(qì)車(chē)在應(yīng)用(yòng)過程(chéng)仍存在一(yī)些(xiē)問(wèn)題
，包括(kuò)續駛(shǐ)裏程短，充(chōng)電(diàn)設(shè)施(shī)不*，電(diàn)池安(ān)全問題(tí)等(děng)。其中
，“裏(lǐ)程焦慮”是限(xiàn)製(zhì)電動(dòng)汽(qì)車進一步廣泛應用的一個重(zhòng)要因素
，可靠，準確(què)的純電動(dòng)汽車能耗預測(cè)可以(yǐ)更精(jīng)確地估算電(diàn)池(chí)剩餘續航裏(lǐ)程
，幫助用戶(hù)提前規劃行(háng)程
，進而緩解“裏程(chéng)焦慮”問題。

目(mù)前國內外電(diàn)動汽車(chē)能(néng)耗預測方(fāng)法主要分(fēn)為兩大(dà)類:基於(yú)車輛(liàng)動(dòng)力學的(dí)能耗(hào)預(yù)測(cè)方(fāng)法(fǎ)與(yǔ)基(jī)於數據驅動(dòng)的能耗預測方法。基於車輛動力學(xué)方麵
，國內(nèi)外學(xué)者(zhě)基於車(chē)輛結(jié)構構建(jiàn)車(chē)輛(liàng)動(dòng)力(lì)學(xué)模型(xíng)
，進而(ér)計算(suàn)並預(yù)測車(chē)輛(liàng)能(néng)耗(hào)。MADHUSUDHANAN 等構建了(liǎo)綜合(hé)考慮車輛(liàng)特性(xìng)，行駛周(zhōu)期(qī)和車輛(liàng)質量的能(néng)耗(hào)模型
，並(bìng)采用案(àn)例(lì)驗證模(mó)型對於(yú)車隊管理的有效(xiào)性。為(wéi)了(liǎo)給公交(jiāo)車駕駛員提(tí)供速度(dù)規劃建(jiàn)議實(shí)現純(chún)電(diàn)動(dòng)公交(jiāo)車(chē)的(dí)節(jié)能(néng)駕駛
，根據公交車(chē)通行交(jiāo)叉口的(dí)運(yùn)行(háng)特征(zhēng)及紅，黃(huáng)，綠(lǜ)燈(dēng)的剩餘時間劃分了六種(zhǒng)工況進行模(mó)擬
，又結合公交車進出站運行(háng)特征的基(jī)礎(chǔ)與(yǔ)站(zhàn)台(tái)內(nèi)允許停(tíng)靠的最大公交車數(shù)目
，將(jiāng)進(jìn)出(chū)站場景劃分為(wéi)三(sān)種(zhǒng)工況
，並(bìng)為(wéi)每種工(gōng)況設計速(sù)度(dù)策(cè)略。通過在 AVL Cruise 中(zhōng)搭建(jiàn)純電(diàn)動(dòng)公交(jiāo)車仿(fǎng)真模型以(yǐ)及(jí)根據節(jié)能駕駛策略(lüè)仿真(zhēn)分析(xī)對比六種交(jiāo)叉(chā)口工況和三(sān)種進出(chū)站(zhàn)工(gōng)況
，選(xuǎn)取出了(liǎo)節能率(shuài)較高的(dí)速度曲綫(xiàn)。

二，電動(dòng)汽車(chē)實車(chē)數(shù)據(jù)采(cǎi)集與處理(lǐ)

為(wéi)進(jìn)行故(gù)障診(zhěn)斷，故(gù)障排(pái)除，駕(jià)駛行為分(fēn)析和性能評(píng)估
，提高(gāo)電動汽車的(dí)性能和(hé)可靠(kào)性
，通過裝置在(zài)電(diàn)動(dòng)汽車(chē)上的(dí)車(chē)速傳(chuán)感器(qì)，加(jiā)速(sù)度計，轉向傳感(gǎn)器(qì)，傾(qīng)斜傳感器，電池管理係(xì)統(Batterymanagement system,BMS)等傳感器和(hé)其他(tā)設(shè)備收集(jí)各種車輛數(shù)據
，常見(jiàn)的電池(chí)參(cān)數包(bāo)括用於(yú)反映(yìng)電池的充放(fàng)電(diàn)狀態電流
，可(kě)反映(yìng)電池電量(liáng)的(dí)電壓
，反(fǎn)映電池剩餘電量的(dí) SOC
，反(fǎn)映(yìng)電池(chí)是否存在(zài)損耗或(huò)損(sǔn)耗(hào)程(chéng)度的(dí)電(diàn)池健康狀態(State ofhealth,SOH)，溫(wēn)度(dù)等
，此外(wài)也測(cè)量車速，加(jiā)速度(dù)，轉向(xiàng)，製動(dòng)等其(qí)他具有特(tè)殊意義的整(zhěng)車數(shù)據
，並將(jiāng)這些數據存儲(chǔ)在車輛(liàng)控(kòng)製(zhì)單元(Electronic control unit,ECU)或其他(tā)設(shè)備(bèi)中
，之後(hòu)將數據上傳(chuán)至(zhì)數(shù)據庫(kù)。

本文所使用的數據(jù)來自國(guó)家(jiā)新(xīn)能源(yuán)汽車(chē)監(jiān)測管(guǎn)理(lǐ)中(zhōng)心構建(jiàn)的(dí)國家電動汽車大(dà)數(shù)據平台和國(guó)家新能源(yuán)汽車大數據(jù)聯(lián)盟開(kāi)放實(shí)驗室(shì)
，國家電(diàn)動(dòng)汽車大數據平台(tái)可(kě)以實(shí)時收集全國(guó)公共服務(wù)電(diàn)動汽車的運(yùn)行數據(jù)。運行數(shù)據(jù)涉及動(dòng)態(tài)數(shù)據(jù)和靜態數據(jù)。動態數(shù)據(jù)主要(yào)包括(kuò)車(chē)輛(liàng)行(háng)駛(shǐ)速(sù)度(dù)，累(léi)計(jì)行駛裏程(chéng)，電(diàn)池係(xì)統(tǒng)電壓(yā)，電(diàn)流等運行數(shù)據(jù)
，以(yǐ)及(jí)用戶自定(dìng)義的其他數據;靜(jìng)態(tài)數據包(bāo)含(hán)車牌(pái)操作(zuò)區(qū)域，車型(xíng)等信息。車輛數據從(cóng)配(pèi)備遠程信(xìn)息(xī)處理係統(tǒng)的(dí)電動汽車上采集(jí),並(bìng)按(àn)照 GB/T 32960-2016 協(xié)議傳輸(shū)到(dào)大數據平台。本(běn)文所(suǒ)研究的數(shù)據為10 輛(liàng)同(tóng)款電(diàn)動汽車的歷史運(yùn)行時(shí)間序列數據(jù)
，數據采集頻率(shuài)為 0.1 HZ。

這些數據包含(hán)了(liǎo)車輛在(zài)不(bù)同(tóng)條件下的(dí)能耗(hào)信息(xī)
，可以用來訓(xùn)練(liàn)和(hé)驗(yàn)證(zhèng)能(néng)耗計算模型。這些(xiē)來(lái)自(zì)於車(chē)輛(liàng)測試(shì)或(huò)者實際(jì)行(háng)駛記(jì)錄的數(shù)據被稱為收集(jí)實車(chē)稀(xī)疏(shū)數(shù)據。

三(sān)，考(kǎo)慮充電(diàn)行為的(dí)能(néng)耗(hào)預(yù)測(cè)方法

能(néng)耗計算在車輛設計和優(yōu)化(huà)中起(qǐ)著(zhuó)重要作用
，它可以幫助(zhù)工(gōng)程(chéng)師評估和改(gǎi)進車輛的(dí)燃(rán)油效(xiào)率和(hé)能源利用率(shuài)。然(rán)而
，準確(què)地預測(cè)車輛(liàng)能耗(hào)是一項具有(yǒu)挑(tiāo)戰性的任務(wù)
，因(yīn)為它涉及到(dào)多(duō)個(gè)復雜的因(yīn)素(sù)
，包括(kuò)車(chē)輛(liàng)動(dòng)力係(xì)統，駕駛(shǐ)行為，路況(kuàng)等。為(wéi)了解(jiě)決這個(gè)問題
，研究(jiū)者(zhě)們提(tí)出(chū)了(liǎo)多(duō)模型融(róng)合方(fāng)法
，該(gāi)方法(fǎ)通過(guò)將(jiāng)多(duō)個不同的(dí)模型結合(hé)起(qǐ)來(lái)
，以提(tí)高能耗(hào)計算的(dí)準確性(xìng)和(hé)可靠(kào)性。為了(liǎo)預測(cè)電(diàn)動汽車(chē)的能(néng)耗
，本文提(tí)出(chū)一種考(kǎo)慮了充電(diàn)行(háng)為(wéi)的(dí)多模型融合方法。該(gāi)方(fāng)法整體(tǐ)流(liú)程(chéng)主要由(yóu)能耗計(jì)算(suàn)模(mó)型(xíng)，充電行為分(fēn)析模(mó)型與(yǔ)能耗預測模(mó)型構成。

3.1實(shí)車(chē)能耗計(jì)算模型

由於實際車輛的(dí)動力(lì)係統(tǒng)非(fēi)常(cháng)復(fù)雜
，而且有(yǒu)限(xiàn)的參數(shù)信息(xī)難(nán)以*全描(miáo)述其(qí)能耗特性
，因(yīn)此需要(yào)采用(yòng)多(duō)模型融(róng)合的方法(fǎ)。具(jù)體而言
，利(lì)用(yòng)不(bù)同(tóng)的(dí)理論模型，統(tǒng)計模(mó)型或(huò)者機(jī)器學習(xí)模型(xíng)來描(miáo)述車(chē)輛的能耗(hào)特(tè)性。每(měi)個模型都可(kě)以(yǐ)根(gēn)據不(bù)同(tóng)的條(tiáo)件和(hé)參數進行優(yōu)化(huà)
，以(yǐ)提高能(néng)耗計(jì)算(suàn)的準確(què)性。根據多模型融(róng)合(hé)方法(fǎ)整體流程(chéng)
，首(shǒu)先需(xū)要構建實車稀疏數據(jù)與有限參數(shù)下(xià)的(dí)能(néng)耗(hào)計算模(mó)型(xíng)。

3.2充電(diàn)行(háng)為(wéi)分(fēn)析模型

為(wéi)定量分(fēn)析充(chōng)電行為(wéi)對能(néng)耗的(dí)影響
，首(shǒu)先基於(yú)實(shí)車(chē)傳感器采集參數(shù)
，計算充(chōng)電行(háng)為相關特征。之後(hòu)提(tí)取與能耗強相關的(dí)充(chōng)電(diàn)行為(wéi)特(tè)征。

為了計算充電行(háng)為特征
，構建(jiàn)了“車輛信息電(diàn)池特(tè)征-駕(jià)駛(shǐ)員(yuán)行(háng)為(wéi)”的多維(wéi)特(tè)征指(zhǐ)標(biāo)體(tǐ)係
，如圖(tú)3 所示(shì)。其中車輛信息(xī)包括(kuò)車(chē)輛(liàng)充電(diàn)位(wèi)置經度，車輛(liàng)充(chōng)電(diàn)位置緯度，車輛行(háng)駛(shǐ)累(léi)計裏程，車輛累(léi)計(jì)充電(diàn)次(cì)數(shù)，充電(diàn)起(qǐ)始(shǐ)時間，充電結(jié)束(shù)時(shí)間
，充電時間(jiān)長度等;電池特征包(bāo)括(kuò)充電(diàn)起始(shǐ) SOC，充(chōng)電(diàn)終止SOC，充電 SOC 變化，總(zǒng)充(chōng)電起(qǐ)始(shǐ)電(diàn)壓(yā)，總(zǒng)充電終(zhōng)止電壓(yā)，總充電電(diàn)壓(yā)變化(huà)，充電(diàn)最(zuì)高(gāo)溫(wēn)度，充電(diàn)*低溫度，充(chōng)電(diàn)平(píng)均(jūn)溫(wēn)度(dù)等(děng);駕(jià)駛員行為(wéi)包(bāo)括(kuò)平均充電電(diàn)流，最大充電電流，最小充電(diàn)電(diàn)流(liú)，充(chōng)電(diàn)時(shí)間，上一次行駛(shǐ)平(píng)均(jūn)速度，上一次行(háng)駛最大速(sù)度，上(shàng)一次行駛最小(xiǎo)速(sù)度等(děng)。

3.3基於(yú)長短期(qī)記(jì)憶(yì)循環的能耗預測(cè)模型

循環(huán)神(shén)經(jīng)網(wǎng)絡(Recurrent neural network,RNN)是(shì)一(yī)類(lèi)輸入序列性數據(jù)
，並沿其(qí)演化方(fāng)向進(jìn)行遞推的遞歸神經網絡(luò)]。因(yīn)其(qí)具有記(jì)憶性(xìng)，參(cān)數(shù)共享和圖靈(líng)完備(bèi)性(xìng)
，在學習(xí)序列(liè)非綫性(xìng)特性(xìng)方麵(miàn)有(yǒu)*特的(dí)優(yōu)勢。LSTM 是對(duì)遞歸神(shén)經網(wǎng)絡的一(yī)種(zhǒng)改(gǎi)進(jìn)
，能很好(hǎo)地防止梯度丟(diū)失，梯(tī)度崩(bēng)潰等(děng)現象發生
，因此(cǐ)
，能(néng)很(hěn)好地適(shì)應長期序列(liè)的(dí)學習。針對(duì)實際汽車(chē)使用過程中
，整車及電池的工作狀(zhuàng)態受多種(zhǒng)因素影(yǐng)響(xiǎng)本(běn)項(xiàng)目(mù)擬建立(lì)多(duō)因子(zǐ)融(róng)合的 LSTM
，以實(shí)現對(duì)整(zhěng)車(chē)及電池(chí)的長期能量預(yù)測。整(zhěng)個(gè)神經網絡模(mó)型(xíng)包括(kuò)輸入層，全連(lián)接層(céng)，連接層和輸出層。該模型(xíng)采用“多(duō)對(duì)一(yī)”的方(fāng)式
，將一(yī)段(duàn)時(shí)間(jiān)內的歷史能(néng)源消耗(hào)數(shù)據輸入(rù)到預(yù)測(cè)模型(xíng)中
，並通(tōng)過預測模型(xíng)進(jìn)行(háng)計算(suàn)
，從而預(yù)測(cè)下(xià)次出行的能(néng)源消(xiāo)耗。

四(sì)， 解決(jué)方案

圖1 有(yǒu)序(xù)充電管理係統示意(yì)圖

圖2平台(tái)結(jié)構(gòu)圖

充電運(yùn)營(yíng)管理平(píng)台(tái)是基於物聯網和大(dà)數據技術的(dí)充電設施管(guǎn)理係統
，可以(yǐ)實(shí)現(xiàn)對充電樁(zhuāng)的監控，調(tiáo)度和管(guǎn)理(lǐ)
，提高充(chōng)電(diàn)樁的利用率(shuài)和(hé)充電效(xiào)率
，提升用戶(hù)的充(chōng)電(diàn)體驗(yàn)和(hé)服(fú)務質量。用戶可以(yǐ)通過APP或(huò)小(xiǎo)程(chéng)序(xù)提前預約(yuē)充(chōng)電(diàn)
，避免(miǎn)在(zài)充電站排(pái)隊等待(dài)的(dí)情(qíng)況
，同時(shí)也(yě)能為(wéi)充(chōng)電站提供更準(zhǔn)確的充電需(xū)求數(shù)據(jù)
，方便(biàn)後續的調(tiáo)度和管(guǎn)理。通過(guò)平台可對充電(diàn)樁的功率，電壓，電(diàn)流(liú)等(děng)參數進行(háng)實時(shí)監(jiān)控
，及(jí)時發(fā)現和處(chǔ)理(lǐ)充電(diàn)樁(zhuāng)故障和異常(cháng)情(qíng)況對(duì)充電樁(zhuāng)的功(gōng)率(shuài)進行(háng)控(kòng)製(zhì)和(hé)管(guǎn)理
，確保充(chōng)電樁(zhuāng)在(zài)合(hé)理(lǐ)的功率範(fàn)圍(wéi)內充電
，避免對(duì)電網(wǎng)造成(chéng)過大(dà)的(dí)負(fù)荷。

五(wǔ)，安科瑞(ruì)充電(diàn)樁雲平台(tái)具(jù)體的功(gōng)能

平(píng)台除了對充電樁的(dí)監控外
，還對充電站的光(guāng)伏(fú)發電係統，儲能(néng)係統以及供(gōng)電係(xì)統(tǒng)進行集(jí)中監控(kòng)和統一協(xié)調管理
，提高充電(diàn)站的(dí)運(yùn)行可(kě)靠(kào)性(xìng)
，降低運(yùn)營成(chéng)本(běn)
，平台(tái)係(xì)統架(jià)構如圖3所(suǒ)示。

圖3 充電(diàn)樁運營(yíng)管理平台(tái)係統架(jià)構(gòu)

大屏(píng)顯(xiǎn)示(shì)
：展示(shì)充電站設備統計(jì)，使用(yòng)率排行(háng)，運(yùn)營(yíng)統(tǒng)計(jì)圖(tú)表(biǎo)，節碳(tàn)量(liáng)統計等數據(jù)。

圖4 大(dà)屏展示界麵(miàn)

站(zhàn)點監(jiān)控
：顯示(shì)設(shè)備(bèi)實時(shí)狀態，設備(bèi)列(liè)表，設(shè)備日(rì)誌(zhì)，設備狀(zhuàng)態統(tǒng)計等(děng)功(gōng)能(néng)。

圖(tú)5 站點監(jiān)控(kòng)界(jiè)麵(miàn)

設備監控(kòng)
：顯示設(shè)備(bèi)實時信息(xī)，配套(tào)設(shè)備狀態(tài)，設備實(shí)時曲綫，關聯訂單(dān)信息(xī)，充電(diàn)功(gōng)率曲綫等。

圖6 設(shè)備(bèi)監控界(jiè)麵(miàn)

運營趨勢(shì)統(tǒng)計(jì)
：顯示運(yùn)營信(xìn)息查詢(xún)，站點對(duì)比曲(qū)綫，日月(yuè)年報表(biǎo)，站點對比(bǐ)列表等(děng)功能。

圖(tú)7 運營(yíng)趨(qū)勢界麵(miàn)

收(shōu)益查詢
：提(tí)供收益(yì)匯總(zǒng)，實際(jì)收(shōu)益報表，收益變(biàn)化曲綫(xiàn)，支付方式(shì)占比等功(gōng)能(néng)。

圖8 收(shōu)益查(chá)詢(xún)界(jiè)麵(miàn)

故障分析
：提(tí)供故障匯總，故(gù)障(zhàng)狀(zhuàng)態餅(bǐng)圖，故障趨勢(shì)分(fēn)析(xī)，故障(zhàng)類型餅圖等(děng)功能(néng)。

圖(tú)9 故障分析界麵

訂(dìng)單記錄
：提供實時(shí)/歷(lì)史訂單查詢，訂(dìng)單終止(zhǐ)，訂單(dān)詳情(qíng)，訂單導(dǎo)出(chū)，運營商應收信(xìn)息，充(chōng)電明(míng)細，交易流(liú)水(shuǐ)查(chá)詢，充(chōng)值餘額明(míng)細(xì)等功(gōng)能。

圖10 訂(dìng)單查(chá)詢界麵

六(liù)，產品(pǐn)選(xuǎn)型(xíng)

安科瑞為廣(guǎng)大用(yòng)戶(hù)提供慢充(chōng)和(hé)快(kuài)充兩(liǎng)種充(chōng)電(diàn)方(fāng)式(shì)
，便(biàn)攜式(shì)，壁掛(guà)式，落(là)地(dì)式等多種類(lèi)型的充電樁
，包含智能7kw/21kw交流充電樁
，30kw直流(liú)充電(diàn)樁
，60kw/80kw/120kw/180kw直(zhí)流一(yī)體式(shì)充電樁(zhuāng)來滿足新能(néng)源(yuán)汽(qì)車行業(yè)快(kuài)速(sù)，經濟，智(zhì)能運(yùn)營(yíng)管理(lǐ)的(dí)市(shì)場(cháng)需(xū)求。實現(xiàn)對動(dòng)力(lì)電(diàn)池(chí)快(kuài)速，高(gāo)效，安(ān)全，合理(lǐ)的電量(liáng)補(bǔ)給
，同時(shí)為提(tí)高公(gōng)共充電(diàn)樁的效(xiào)率(shuài)和實用(yòng)性
，具(jù)有有智(zhì)能(néng)監(jiān)測
：充電樁智能控(kòng)製(zhì)器對(duì)充電(diàn)樁具(jù)備(bèi)測量(liáng)，控製(zhì)與保(bǎo)護的功能；智能(néng)計(jì)量
：輸出配置智能電(diàn)能(néng)表(biǎo)
，進行(háng)充電計量
，具備*的通信(xìn)功(gōng)能；雲平台(tái)
：具(jù)備(bèi)連接(jiē)雲平台(tái)的(dí)功(gōng)能
，可(kě)以實現實(shí)時監(jiān)控
，財(cái)務(wù)報表分(fēn)析(xī)等等(děng)；遠(yuǎn)程(chéng)升(shēng)級
：具備*的(dí)通訊功能(néng)
，可(kě)遠程(chéng)對設(shè)備軟件進行(háng)升級(jí)；保護功(gōng)能(néng)
：具(jù)備(bèi)防雷保護(hù)，過載保護，短路(lù)保護
，漏電保護和接地保護(hù)等(děng)功(gōng)能(néng)；適配車型(xíng)
：滿足(zú)國(guó)標充(chōng)電接(jiē)口
，適配所有(yǒu)符(fú)合(hé)國(guó)標的電(diàn)動汽(qì)車
，適應(yīng)不同(tóng)車型的不同功率。下麵是具體產(chǎn)品的型(xíng)號(hào)和(hé)技(jì)術(shù)參數(shù)。

七，現場圖(tú)片(piàn)

八(bā)，結論

能源(yuán)消(xiāo)耗(hào)預(yù)測在現(xiàn)代社(shè)會中(zhōng)具有(yǒu)重要的意義
，以實時(shí)，精(jīng)確預測電動(dòng)汽車能(néng)耗(hào)為(wéi)目的(dí)
，本(běn)文(wén)提(tí)出一(yī)種(zhǒng)考(kǎo)慮充電行(háng)為(wéi)的多模型融合(hé)電(diàn)動汽(qì)車(chē)能(néng)耗預(yù)測方法
，包括能耗(hào)計算模(mó)型(xíng)，充電(diàn)行為(wéi)分析模(mó)型與能耗預測模(mó)型三(sān)個子模型。為(wéi)了驗證(zhèng)所(suǒ)提(tí)方法的性能(néng)
，采用(yòng)相(xiāng)同的訓練數據訓(xùn)練(liàn)提出的(dí)模型和用(yòng)於對比(bǐ)的目(mù)前(qián)較常見的一些(xiē)模(mó)型
，並對同一車型的(dí)車輛(liàng)數(shù)據(jù)進(jìn)行預測和(hé) RMSE 計算(suàn)。能(néng)耗預測(cè)方(fāng)法的(dí)準確(què)性(xìng)和(hé)可靠性(xìng)對於(yú)能源(yuán)管理和(hé)決策製定來(lái)說至(zhì)關重要(yào)。根據基(jī)於實際運行(háng)數(shù)據的(dí)預測(cè)結果(guǒ)與(yǔ)真實值(zhí)的對比(bǐ)
，可(kě)以得出以(yǐ)下(xià)結(jié)論。