【技术实现步骤摘要】
本专利技术属于电动汽车能耗预测领域，具体涉及一种数据驱动的电动公交车能耗预测的方法。
技术介绍
1、目前，针对电动公交车进行能耗预测的实现方式主要分为基于模型的方法和数据驱动的方法两类。其中，基于模型的方法需要对车辆的参数以及车辆动力学等专业知识足够了解，才能构建准确的模型，且由于不同型号车辆之间的差异，模型参数设置对经验的依赖性也较强，建好的模型通常也无法具有广泛的适用性。例如，专利公开号为cn115730746a的中国专利申请即属于基于模型的方法，可以看出其明显存在上述的缺陷难以克服。相较来说，数据驱动的方法避开了对专业知识的需求，而是直接对电动车辆运行的历史数据进行挖掘，通过历史数据来训练模型，并利用训练好的模型进行预测。现有的一些数据驱动的用于电动公交车能耗预测的方法，受限于影响电动公交车能耗的因素繁杂的情况，普遍无法实现较为全面的特征提取，从而导致能耗预测结果差强人意。从专利公开号为cn114407661a的中国专利申请所公开的数据驱动的能耗预测方法中即可以看出，其虽考虑了早晚高峰以及天气等因素对电动车能耗的影响，但是对空调开启状态以及驾驶员行为等众多相关因素仍缺乏考虑。
技术实现思路
1、有鉴于此，针对本领域中所存在的技术问题，本专利技术提供了一种数据驱动的电动公交车能耗预测的方法，具体包括以下步骤：
2、步骤一、提取目标电动公交车的原始数据，包括：车辆实时运行数据和车辆行驶每个完整趟次所对应的车辆能耗数据；
3、步骤二、对提取的原始数据依次执行
4、步骤三、综合考虑影响电动公交车能耗的各种因素，分别选取与交通状况、环境、车辆自身状态、驾驶员行为四个方面相关的特征项；
5、步骤四、基于所选取的特征项从经过步骤二预处理后的数据中提取相应的特征项参数并构建训练样本集，其分为训练集与测试集；基于多种机器学习算法分别建立相应的电动公交车能耗预测模型，均以各行程片段中的特征项为输入、车辆能耗为输出，并利用训练集分别进行训练；利用包括mape，mse和mae的评价指标对训练情况进行检验和调整各模型的超参数；
6、步骤五、利用训练集和测试集对训练好的各机器学习模型分别执行多次10折交叉验证，将多次输出的能耗预测结果平均值作为最终评价指标，通过对比选取最优的机器学习模型作为最终的能耗预测模型用于该目标电动公交车的实时能耗预测。
7、进一步地，步骤一中所提取的车辆实时运行数据具体包括：数据采集时间、车辆编号vin、加速踏板开度、制动踏板开度、车辆实际速度、车辆累计行驶里程、电机转速、车外部的温度、车内部的温度、空调开启/关闭状态、电池系统总电流、电池系统总电压以及电池系统荷电状态soc；
8、所提取车辆行驶每个完整趟次所对应的车辆能耗数据具体包括：公交路线的名称、车辆编号vin、公交路线的上/下行方向、公交路线的行程距离、实际出发时间、实际达到时间、该趟次的行程总能耗、该趟次的soc变化量δsoc、该趟次的日期、计划出发时间以及计划到达时间。
9、进一步地，步骤二中的异常值筛选与剔除首先是对车辆实时数据的异常值筛选，保留同时满足加速踏板开度、制动踏板开度、soc处于0-100的标称范围内，车内外温度处于-20℃-50℃的标称范围，实际车速处于0-220km/h的标称范围的数据；再针对车辆趟次能耗数据的筛选，保留同时满足行程距离处于4-22km的标称范围，δsoc处于0-50的标称范围的数据；将处在标称范围之外数据项均被认为异常数据，并进行整帧删除；
10、空缺值与缺少帧数据插补的具体方式包括：针对值为连续值的数据项，比如里程，插入数据帧的值大小等于前后帧数据的平均值；针对值为离散值的数据项，比如空调状态，则令插入数据帧的值与前一帧数据的值相同；
11、行程片段切分过程中是将车辆实时运行数据和车辆能耗数据结合，具体切分过程包括：首先获取车辆能耗数据中的车辆编号vin、实际出发时间和实际达到时间，再利用车辆编号vin找到对应车辆的车辆实时运行数据，并利用实际出发时间和时间达到时间对车辆实时运行数据进行截取，截取出的数据就是该趟次对应的行程片段数据；将截取出的行程片段对应的车辆实时运行数据和对应的车辆能耗数据打上相同的片段标签，用于后续进行匹配。
12、进一步地，步骤三中所提取的与交通状况的特征项具体包括：行程片段开始的时间h、拥堵指数、平均速度、节假日、停车次数以及行程片段总时间；与环境相关的特征项具体包括：行程片段的距离、公交路线的上/下行方向、车外部的温度以及车内部的温度；与车辆自身状态相关的特征项具体包括：空调开启/关闭状态、行程片段初始soc；与驾驶员行为相关的特征项具体包括：急加速次数、急减速次数、制动踏板平均开度、加速踏板平均开度、最高车速、平均加速度、平均减速度、最高加速度、最高减速度、加速度的95分位数、减速度的5分位数、加速度标准差以及减速度标准差。
13、进一步地，步骤四中基于包括：多元线性回归(mlr)、支持向量机回归(svr)、随机森林(rf)、多层感知机(mlp)、自动编码器+多层感知机(ae+mlp)、xgboost、基于堆叠的模型(esg)以及lightgbm的八种机器学习算法，分别建立电动公交车能耗预测模型并利用训练集进行训练。
14、上述本专利技术所提供的数据驱动的电动公交车能耗预测的方法，针对电动公交车的使用特点进行实车运行和能耗数据提取与行程片段切分，并全面考虑可能影响电动公交车能耗的因素提取了丰富的特征参数项；在能耗预测模型的建立中摒弃了现有技术只使用少数特定模型的方式，而是通过多种基于不同算法的机器学习模型结合n折交叉验证方式，快速准确的确定出适合任意电动公交车的最终能耗预测模型形式与模型参数，从而显著提高了能耗预测的准确性，也使该方法具有了现有技术所不具备的更为广泛的适用性。
本文档来自技高网...【技术保护点】
1.一种数据驱动的电动公交车能耗预测的方法，其特征在于：具体包括以下步骤：
2.如权利要求1所述的方法，其特征在于：步骤一中所提取的车辆实时运行数据具体包括：数据采集时间、车辆编号VIN、加速踏板开度、制动踏板开度、车辆实际速度、车辆累计行驶里程、电机转速、车外部的温度、车内部的温度、空调开启/关闭状态、电池系统总电流、电池系统总电压以及电池系统荷电状态SOC；
3.如权利要求1所述的方法，其特征在于：步骤二中的异常值筛选与剔除首先是对车辆实时数据的异常值筛选，保留同时满足加速踏板开度、制动踏板开度、SOC处于0-100的标称范围内，车内外温度处于-20℃-50℃的标称范围，实际车速处于0-220km/h的标称范围的数据；再针对车辆趟次能耗数据的筛选，保留同时满足行程距离处于4-22km的标称范围，ΔSOC处于0-50的标称范围的数据；将处在标称范围之外数据项均被认为异常数据，并进行整帧删除；
4.如权利要求3所述的方法，其特征在于：步骤三中所提取的与交通状况的特征项具体包括：行程片段开始的时间H、拥堵指数、平均速度、节假日、停车次数以及行程片
5.如权利要求1所述的方法，其特征在于：步骤四中基于包括：多元线性回归、支持向量机回归、随机森林、多层感知机、自动编码器+多层感知机、XGBoost、基于堆叠的模型以及LightGBM的八种机器学习算法，分别建立电动公交车能耗预测模型并利用训练集进行训练。
...【技术特征摘要】
1.一种数据驱动的电动公交车能耗预测的方法，其特征在于：具体包括以下步骤：
2.如权利要求1所述的方法，其特征在于：步骤一中所提取的车辆实时运行数据具体包括：数据采集时间、车辆编号vin、加速踏板开度、制动踏板开度、车辆实际速度、车辆累计行驶里程、电机转速、车外部的温度、车内部的温度、空调开启/关闭状态、电池系统总电流、电池系统总电压以及电池系统荷电状态soc；
3.如权利要求1所述的方法，其特征在于：步骤二中的异常值筛选与剔除首先是对车辆实时数据的异常值筛选，保留同时满足加速踏板开度、制动踏板开度、soc处于0-100的标称范围内，车内外温度处于-20℃-50℃的标称范围，实际车速处于0-220km/h的标称范围的数据；再针对车辆趟次能耗数据的筛选，保留同时满足行程距离处于4-22km的标称范围，δsoc处于0-50的标称范围的数据；将处在标称范围之外数据项均被认为异常数据，并进行整帧删除；
【专利技术属性】
技术研发人员：张照生，王震坡，叶宝霖，刘鹏，王帅，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。