英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
用深度卷积神经网络估计电动汽车能耗以缓解驾驶员的里程焦虑
摘要
本研究的目的是利用深度卷积神经网络估计电动汽车的实时能耗，从而降低驾驶员的里程焦虑。实时估计可以准确预测车辆的剩余行驶距离，从而降低驾驶员的驾驶焦虑。与现有的方法相比，影响因素的复合所导致的非线性和复杂性使问题更适合于深度学习方法。该方法需要三个参数，即车速、牵引力和道路标高。通过多个不同变量的实验，探讨了层数和输入特征描述符的影响。将所提出的方法与五种现有技术进行比较，结果表明所提出的模型始终比现有技术错误率低。
1简介
电动汽车的需求正以非常快的速度增长，它们有很大的潜力克服交通部门面临的问题，如化石燃料的消耗和日益严重的污染。Hubner等人对162名电动汽车司机进行了全面调查。该调查突出了电动汽车面临的四个主要障碍：1.高昂的购买费用 2.有限的驾驶里程 3.有限的公共充电设施和4.充电时间。在这些障碍中，驾驶者面临的主要挑战归结为电动汽车的行驶里程有限。根据Zhang等人[2]的报告，在日本2193辆电动汽车中，37.8%的车主认为有限的行驶里程是电动汽车的主要关注点。司机担心的是汽车到达目的地的能力和电池里的电量。因此，对电动汽车行驶里程进行实时预测是非常重要的。而要实现这一点，第一步是通过研究电池在不同条件下的行为来估计电动汽车的能耗。
电动汽车的能耗受车辆特性、车速、道路标高、加速度等因素的影响。在现实生活中，这些因素变化很大，使能源消耗的估算成为一个复杂的问题。文献中提出了许多分析模型来求解这个问题。例如，Genikomsakis 等人开发了一个用于日产聆风(nissan Leaf)能量估算和路线规划的模拟模型，并将其在9种常用驱动轮上的结果与未来汽车系统技术模拟器(FASTSim)进行了比较。Halmeaho等人开发了四种城市电动公交车仿真模型，并使用从公交车原型收集的数据对模型进行了验证。这些模型和用于模拟电机行为的方法类型是不同的。这种模型使用效率图，另一种模型则试图将电机的损耗表示为电阻损耗。验证结果表明，基于电机效率图的模型误差为3.4% ~ 5%，而基于电阻负荷的模型误差为0.4% ~ 11.9%。Gao等人讨论了电动汽车和混合动力汽车的各种建模和仿真工具和技术。
基于仿真的模型难以推广，需要根据车辆的具体情况进行标定，并要求从厂家那获得车辆的内部参数，如电机效率曲线、电池内阻等，但这些数据并不容易得到。与基于仿真的模型相比，多种数据驱动模型(多为回归模型)被提出，来进行电动汽车的能耗估算。Ferreira等人考虑因素(如电池的充电状态(SOC)、速度、天气信息、道路类型、司机档案)，并从一辆名为pure Mobility Buddy 09的电动汽车上收集数据。他们提出了一种数据挖掘方法，在内部使用回归来预测电动汽车的行驶里程。这种方法在计算上是复杂的，因为每个目的地都需要反复执行计算。Yuan等人提出了基于电动汽车物理模型的统计模型，通过回归分析得到了电动汽车行驶工况的独立能耗特性。Fiori等人建立了考虑车速和加速度的瞬时能耗模型。该模型能够将再生能源效率作为车辆的减速函数。C.D. Cauwer等人研究了能量消耗预测的层叠NN-MLR模型。模型中使用神经网络(NN)根据道路特性、天气状况和交通状况来预测速度分布，然后使用多元线性回归(MLR)来预测基于这些参数的能量消耗。
与此相似，许多研究人员研究了影响能量消耗的因素，并提出了不同的基于回归模型的能源消费估算方法。例如，Liu等人研究了温度和辅助负荷的影响，并提出了三种模型，即利用普通最小二乘法和多级混合效应线性回归校正来估计能耗。从这项研究中，他们推断温度范围为21.8℃——25.2℃是最经济的能源效率，并适当的使用辅助负载，车辆能耗可大大降低。Wang 等人评估了电动汽车在真实驾驶环境下的能耗，并得出结论，小里程和苛刻的驾驶条件使得电动汽车比传统汽车有更好的能源消耗选择。Yang等人研究了不同海拔高度的道路对电动汽车能耗的影响，得出能源消耗随车速和道路坡度的增大而急剧增加的结论。Liu等人还研究了道路标高/分了12级的梯度并且开发了8个回归模型(4个线性，4个对数）来估计能量消耗，并证明了电动汽车由于再生制动能量回收比传统车辆在坡度变化频繁的地区更节能。结果表明，对数模型比线性模型具有更好的性能。Galvin发现，当加速度以很高的速率变化时，无论车速如何，电动汽车的能源效率都会明显降低。一种多元电动汽车能量分析模型被提出了，并在8辆车上得到了结果。Wu等人提出了基于2009年全国家庭旅行调查(NHTS)数据库中的出行模式的插电式电动汽车(PEVs)的功率和能耗分析方法。他们认为电动车的能源消耗取决于驾驶的时间和地点，就像农村地区的车辆比城市地区消耗更多的能源一样。考虑车辆特性和不同的驾驶方式，提出了一种基于网络物理系统的电动汽车能量优化控制方法。实验结果表明，采用优化的控制策略，车辆在保守、温和、激进的驾驶方式下，在能耗方面有较好的表现。Fetene等人收集并结合了四种不同来源的数据，即两年内741名驾驶员的GPS驾驶模式、道路类型、天气状况和驾驶员特征。一种模型提出了电动汽车能耗率(ECR)的估算模型，研究了各种因素对ECR的影响，发现电动汽车冬季能耗高于夏季。除了回归模型，Alvarez等人尝试了人工神经网络(ANN)来估计电动汽车的能量消耗。为此，神经网络分别输入车辆行驶速度、加速度和加加速度。Felipe等人接着又添加了路况作为神经网络的输入。ANN在[18,19]中得到发展，仅在路程的终点给出整个能耗，因此，这些模型不能实时用于告知司机电池中的剩余能量。综合文献综述发现了大量的研究空白及问题。文献综述中讨论了两种技术，一个是分析/模拟模型，另一个是回归模型。仿真模型由于需要厂商提供车辆的内部数据(如电池的内阻、电池的SOC曲线、电机的效率曲线等)，在现实世界中缺乏适用性，难以运用。此外，由于仿真模型需要特定于车辆的标定，因此很难推广。类似地，统计回归技术在很大程度上依赖于真实世界数据的可用性，并且在与潜在物理原理相联系的程度上有所不同。虽然现有的基于神经网络的模型[18,19]显示出了很好的预测能力和鲁棒性，但是现有的基于神经网络的模型并没有在行程过程中提供实时输出，而是在行程结束时只提供一个结果，即行程消耗的总能量。因此，不能用于向驾驶员提供有关车辆剩余行驶里程、帮助驾驶员到达目的地的路线等方面的实时指导。为了克服文献综述中所讨论的问题，本文提出了一种基于深度卷积神经网络(D-CNN)的方法。据作者所知，D-CNN是第一次用于估计电动汽车的能量。其中一个挑战是，需要来自制造商的内部车辆数据用于校准仿真模型，这是很难得到的，因为大多数制造商不共享的数据给公众。本文所提出的方法只需要三个参数，即车速、道路标高和牵引力。此外，所需的输入参数可以很容易获得或计算，例如，使用全球定位系统(GPS)和地理信息系统(GIS)可以很容易地获得车速和道路标高。类似地，使用式(1)可以很容易地计算牵引力，如第2节所讨论的，它需要非常基本的参数，如线性加速度(可以很容易地从速度计算)、车辆重量(随时可得)等。有一些基于ANN的方法[18,19]，它们提供了非常有前景的结果，不需要来自制造商的内部车辆数据，但它们不提供实时输出，因此在现实世界中没有用处，因为它们不能用于实时指导驾驶员。相比之下，提出的基于深度学习的解决方案提供了实时的能量消耗作为输出，可以为驾驶员提供电池剩余能量的实时指导，从而实现车辆剩余行驶里程的实时指导。此外，由于现有的基于人工神经网络的模型只有一个隐含层，因此深度学习结构可以学习比浅层网络更复杂的模式。近期在计算能力和快速学习算法方面的进步使得训练深度学习架构成为可能。因此，深度学习架构在汽车领域也得到了广泛的关注，并成功地应用于图像分类、目标检测、交通流预测等诸多问题中[20 24]。与其它回归方法相比，所有影响参数的组合所引起的非线性和复杂性使能耗估计问题更适合于深度学习过程。基于此，作者将重点研究基于深度学习的电动汽车能耗评估模型。当前的工作，通过提供实验结果，证明了一种深度学习体系结构适合于当前的问题。考虑到当前实验的成功经验，将考虑深入评估不同类型的深度学习网络的任务将会，但不属于本文的范畴。因此，以下是这项工作的主要贡献：
- 提出了一种基于D-CNN的方法，该方法只要求道路坡度、牵引力和车速这三个外部参数，能够准确地反映能耗。
- 就像在当前情况下所做的那样，该模型可以很容易地在其他车辆应用，既可以使用可用的真实世界驾驶数据，也可以使用来自模拟模型的模拟数据。
- 通过对D-CNN模型进行三种不同特征描述符的训练，分别是格拉姆角场(Gramian Angular Field, GAF)、协方差(Covariance)和特征向量(Eigen vector)，研究了不同输入特征描述符对模型性能的影响。
- 通过对不同层数模型的训练，探讨了不同层数对模型的影响。
本文的其余部分组织如下。第2节描述用于应用、验证和测试所提出的方法。在第3节中，讨论了该方法的体系结构。第四部分讨论了从所提出方法中的实验数据，对比分析在第五部分展开。最后，第六部分提供了未来的指导方向并总结了本篇论文。两种
2数据集
两种不同来源的数据用于电动汽车日产聆风上，用来试验、验证和测试所提出的方法。
在美国能源部的资助和指导下，先进动力系统研究设施(APRF)的阿贡国家实验室(ANL)生成了可下载的发电机数据库[25]。它包含的数据来自不同的电动汽车在道路等级为0%的几个驱动周期进行的若干测功机测试。由于该数据集非常小，不足以训练、验证和测试所提出的方法，因此本文使用日产聆风 2013仿真模型生成了另一个数据集。仿真模型采用日产Leaf 2013车型具体参数[27,28]在FASTSim[26]中建立，如表1所示。与此类似，其他电动汽车的仿真模型也可以根据制造商的数据如电机效率曲线、电池内阻等进行开发。2013年日产聆风使用模拟模型为80标准生成的数据驱动周期(如补充联邦测试程序(SFTP),城市测力计开车进度(udd)和新欧洲行驶循环(NEDC)),它已经被其他研究人员广泛使用[3、7]此外,和30道路等级配置文件的不同道路等级从20%降至20%。需要注意的是，为了检查提议的方法的稳健性，一些其他自定义生成的道路坡度轮廓或驱动循环也可以使用。因此，通过仿真模型生成的数据集和从可下载的测力计数据库获得的数据集将分别称为DS-I和DS-II。使用数据集DS I进行培训和验证，而DS II用于测试所提出的方法。数据集DS-I和DS-II均包含以10赫兹频率记录的数据，即每秒钟10个读数。数据集 DS-II包括众多参数，比如车速，电池电力供应，SOC，环境温度，牵引力，道路标高和辅助载荷。在当前工作中，选择了四个参数去测验、验证和测试，,即车辆速度(vsp),牵引力(teff)道路标高(rel)和电力提供的电池(p)假设环境温度为25摄氏度，常数辅助负载150 W。辅助负荷对能耗的影响是叠加的，不会增加问题的复杂性。此外，环境温度对电动汽车的能耗影响不大，除非环境温度有较大的变化。因此，这个数据集，虽然设定在25摄氏度，对其他某一温度范围都是有效的。vsp、rel和pbatt这三个参数是直接的，而teff是指车辆向前移动所需要的驱动力，它是多个部件的组合，可以使用[3]中提供的以下方程来计算：
（1）
f代表由于空气阻力所产生的阻力,f rr是对立的滚动阻力，fhc是爬坡时的重力分量，因此，牵引力teff包含了所有这些力的综合效应，反过来它又取决于车辆特性的数量，比如车辆的正面区域，车辆的气动阻力系数 车辆质量和滚动阻力系数等。为此，牵引努力与道路海拔和车辆的速度VSP是理想的输入候选考虑，电池实时电量则为理想输出。
3 拟议方法
电动汽车的能量消耗取决于许多因素，例如道路标高，车速和车辆加速度等。这些因素在现实世界中变化很大，因此它们之间具有非线性关系。为了准确估计它们的非线性关系，开发了一种基于深度学习的方法。
深层体系结构可以表示为节点和边的图。每条边都有一个权值，表示链接的相对重要性，每个节点都对传入连接的加权和应用一个激活函数。深度学习架构能够使用一系列半仿射非线性变换来学习高维非线性函数。深度架构可以表示为节点和边缘的图形。每个边缘具有权重，该权重表示链路的相对重要性，并且每个节点将激活函数应用于传入连接的加权总和。可以使用多种激活函数，例如S形函数，tanh等。在这项工作中，一种特殊的深度学习体系结构即卷积神经网络（CNN）已用于估算EV的能量/功耗。
CNN具有两个独特的特征，即池化机制和局部连接的层，因此具有从图像学习的独特能力。池化机制显着减少了训练网络所需的参数数量，同时保留了重要功能。在局部连接的层中，层的输出神经元仅连接到其局部输入神经元，而不是像在完全连接的层中那样连接到所有输入神经元。这有助于CNN有效地从图像中提取关键的局部特征，因为每一层都尝试针对预测问题提取不同的特征。
考虑到上述特性，选择了基于图像的CNN来估算EV的能耗。图1代表了所提出方法的完整架构。主要有两个模块，即图像编码器时间序列和基于图像的深度卷积神经网络。表1.
表1.在FASTSim中开发仿真模型中的Nissan聆风 2013的参数
图1.拟议方法的体系结构
3.1 图像编码器的时间序列
尽管存在用于时间序列分类的递归神经网络，但一些研究人员还考虑了将时间序列转换为2D信号，从而利用基于CNN的分类或回归的优势。CNN模型已证明其在识别图像模式方面的性能。因此，
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[238545]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
