原文传递
基于机器学习的纯电动汽车的行驶里程预测研究
| 论文题名： | 基于机器学习的纯电动汽车的行驶里程预测研究 |
| 关键词： | 电动汽车;行驶里程预测;机器学习;建模方法 |
| 摘要： | 面对日益严峻的环境与能源问题，全球各国政府大力推动电动汽车的发展。我国政府为了摆脱对石油资源的过度依赖，减缓环境污染，保障国家的能源与经济安全，并实现我国汽车产业的跨越式发展，中央政府将新能源汽车列为战略性新兴产业和未来的支柱产业，并出台一系列相关政策促进电动汽车的快速发展。但是由于锂电池储电容量存在上限，导致纯电动汽车的行驶里程较短;相关配套设施不完整，导致充电不便，从而带来了“里程焦虑”和“充电焦虑”问题，制约了电动汽车的推广和发展。所以基于真实的历史数据进行行驶里程的预测对电动汽车的发展更具有研究意义。 论文中所使用的数据均来自北汽新能源生产的纯电动乘用车在工况环境中运行的历史数据。与以往的模拟研究不同，电动汽车运行于动态变化的系统中，行驶里程受多种因素影响，由于电池本身的复杂性和交通环境的多变性，导致真实的工况数据更加复杂，但对建立较高精度的行驶里程预测模型具有重要意义。由于采集到的数据的复杂性，在进行行驶里程预测建模之前需要对数据进行预处理，包括删除、插值和平均化等，为后续的建模奠定数据基础。 为了准确建立符合实际工况的预测模型，本文从电池物理性能和行车环境多方面深入挖掘影响电动汽车行驶里程的各种因素，并对其进行了细致的相关性分析;为了明晰数据中变量间存在的耦合关系，进行了偏相关分析，发现SOC和电池温度是影响行驶里程的主因，并计算了他们之间相关关系的强弱。从线性关系出发，本文建立了SOC（State Of Charge电池的荷电状态）、最低单体温度和行驶里程的多元线性回归模型。为了提高预测准确度，将变量间潜在的非线性关系和未发现的数据统计关系纳入模型之中，本文从集成学习的角度出发，采用梯度提升(GDBT)回归算法建立电动汽车行驶里程预测模型;通过数据准备、特征提取和参数调整等过程确立了最终模型;实验结果表明，基于梯度提升的模型具有更高的预测精度，能够满足实际工况需求，从而弥补了多元线性回归模型的不足。 |
| 作者： | 高航 |
| 专业： | 控制科学与工程 |
| 导师： | 毕军 |
| 授予学位： | 硕士 |
| 授予学位单位： | 北京交通大学 |
| 学位年度： | 2018 |
| 正文语种： | 中文 |
检索历史
应用推荐
