基于百度地圖API 的純電動汽車未來行駛能耗預測

黃新朝，張 毅

（重慶理工大學 車輛工程學院，重慶 400054，中國）

隨著能源緊缺與環境問題的不斷突出，電動汽車成為了各國的發展焦點[1]。然而，電動汽車的續航里程有限、充電時間長、充電設施不足等問題阻礙了其應用。而車輛未來能耗預測可以為電池尺寸優化[2]、節能路線規劃[3]和充電設施建設[4]等提供指導性參數。同時，電動汽車能耗的準確實時預測也有助于緩解駕駛員的里程焦慮。

實現未來能耗預測的方法有2 大類，即基于車輛仿真模型的方法和基于實測數據的方法。對于前者，通常以駕駛員的操作為輸入，并在車輛仿真工具上實現車輛建模，以進行整車仿真和能耗分析[5]。例如，WU Xinkai 等人提出了一種基于縱向動力學的電動汽車需求功率模型來估算電動汽車的瞬時功率和能量消耗[6]。車輛模型驅動的能耗預測方法通常依賴于各種預設條件，例如新歐洲駕駛循環周期(New European Driving Cycle，NEDC)等固定工況，因此，其難以適應復雜多變的現實行駛工況。

隨著車聯網(internet of vehicle，IOV)的快速發展，實時獲取單個車輛以及環境(包括交通流)信息成為可能，因此，基于數據驅動的能耗預測逐漸成為主流。其主要基于各種統計和機器學習算法，并使用大量真實世界的行駛數據以及道路、天氣和交通數據，來預測復雜行駛工況下電動汽車的能耗。例如，QI Xuewei等人提出了正負動能分解位置的數據驅動模型，并且基于實時車速信息實現了高精度能耗預測[7]。C. De Cauwer 等人先使用神經網絡預測出發前各路段微觀駕駛參數，然后使用多元線性回歸預測能量消耗[8]。由于車輛動力系統與行駛環境中普遍存在的非線性關系，機器學習方法在復雜條件下表現更好。

然而，現有的電動汽車未來能耗的估計方法皆未考慮實時車流狀況數據對于整車能耗的影響，即缺乏對于實時交通路況的信息感知能力。此外，目前的研究大都是基于理想情況的軟件仿真驗證，而沒有進行實車上路驗證，故缺乏真實性與可靠性。

本文作者使用了百度地圖的智能交通系統，作為實時交通信息的來源用以完善預測模型，以提高預測的實時性與準確性。同時搭建了實車平臺進行上路驗證測試，并且通過能耗預測值計算得到電池荷電狀態(state of charge，SOC)預測值。通過將SOC 預測值與實際值進行對比，對預測模型的準確性進行驗證。

1 實驗平臺

1.1 未來行駛能耗預測模型整體結構

本文設計的未來行駛能耗預測模型如圖1 所示。將從實車在環(in-loop)車輛獲取的單個測試車的行駛數據以及百度地圖應用程序接口(application program interface，API)提供的車流擁堵數據進行預處理并提取特征參數；然后通過k-means 聚類分析將歷史數據分成6 種行駛工況；再將這6 種行駛工況數據用以訓練支持向量機(support vector machine，SVM)分類器，訓練完成的分類器可以根據百度地圖API 所提供的實時車流信息預測實驗車輛的未來平均能耗。

圖1 基于百度地圖實時車流信息的能量消耗預測模型

此外，由于車載控制器的計算能力及存儲空間無法滿足實時車輛預測算法的需求，因此本文在云端服務器運行相對復雜的機器學習算法，以預測未來車輛行駛能耗以及及電池SOC 變化量，如圖2 所示。

圖2 云端數據處理過程示意圖

具體而言，實車在環的實驗車輛通過4G LTE 無線通訊網絡將實時行駛數據上傳至云端服務器。再結合云端存儲的歷史數據(包括單車行駛數據和百度地圖提供的車流數據)，在云端服務器上使用人工智能算法預測未來的能量消耗。

本文的預測對象為一段長21 km 且耗時大約1 h的行駛路徑的未來行駛能耗。云端服務器的計算延遲(即SVM 分類器計算時耗)約10 ms 和傳輸延遲約100 ms[9]對于整個行駛工況，即1 h 行駛過程，可以忽略不計。但是，本文的拓撲結構暫時無法應對通訊中斷等問題。后續研究計劃在本文的基礎上建立一個具有兩層結構的預測算法，即云端負責長時間跨度預測，而車載端負責短期實時預測，以解決此類問題。

1.2 實車在環子系統

本實驗選用長安逸動EV460 純電動汽車(見圖3)作為實車在環測試對象。子系統的驅動電機為永磁同步電動機，其他參數見表1。實車在環車輛的改裝細節如圖4 所示。其中，車載診斷系統(on-board diagnostics，OBD)接口負責提供車輛行駛過程中各種實時狀態數據。

表1 實車在環車輛子系統參數

圖3 實車在環仿真的純電動汽車

圖4 實車在環車輛配置

通用串行總線(universal serial bus，USB)與控制器局域網總線(controller area network，CAN)接口卡，將汽車實時狀態數據從OBD 接口處傳輸至負責現場數據采集的筆記本電腦。全球定位系統(global positioning system，GPS)模塊用于定位當前汽車行駛位置，同時記錄汽車行駛軌跡。而4G LTE USB上網卡將這些數據上傳至云端服務器。具體改裝細節參見文獻[9]。

1.3 電池軟件仿真子系統

本文的實車在環車輛車載電池管理系統的SOC 檢測精度僅到個位數。在實車路試中，這樣低的檢測精度會導致測試車輛行駛完一個路段后SOC 的變化值為0 的情況，故本文在云端服務器上搭建了一個基于安時積分法的電池軟件仿真模型，其SOC 精度可達0.01 %。該模型根據在環中車輛的實時驅動功率，實時計算電池SOC 的變化量。

如圖5 所示，電池內阻模型可以等效成一個理想電壓源和一個內部等效電阻的串聯組合。模型中電池開路電壓VOC和等效電阻Rin皆為SOC 的函數。本團隊通過循環充放電實驗，完成的磷酸鐵鋰電池的VOC與Rin的數據標定[10]。結果如圖6 所示。

圖5 電池等效電路模型

圖6 電池開路電壓與等效內阻

根據圖5 的電池模型與圖6 的實驗數據，使用安時法可得

其中：Qbat為電池額定容量；Pbat為電池輸入電功率，可由車輛驅動功率求得；正為放電，負為充電。

1.4 基于車載OBD 的實車行駛數據

完成實車測試平臺和云端服務器搭建后，還需要規劃實驗道路，以便采集歷史數據并提取特征值。本文選取重慶理工大學附近一段約20.6 km 的閉環復雜路線(見圖7)，并且選定測試時間為17:30下班高峰時段。

圖7 實驗道路規劃

該路線同時包含了多條暢通和擁堵路段，能使測試車輛工作于不同的行駛工況下，從而確保測得的歷史數據能夠包含不同的路況類型。為了方便后續數據處理并增加數據穩定性，本文按照地理特征(如紅綠燈或者十字路口等)，將采集的歷史數據分割成16 個子路段。測試車流按照逆時針方向行駛。

由于駕駛員的個人風格會顯著影響能耗結果，尤其是偏愛急加速的駕駛員會導致能耗顯著偏高。因而識別不同駕駛習慣需要建立一個駕駛員模型，用以修正預測結果，但是本文出于簡化設計的考慮，并未配置駕駛員模型。所以在收集歷史數據和測試時都使用同一個駕駛員，并且要求其在不違反交規和安全的前提下，盡可能與車流保持一致，以此降低駕駛員駕駛習慣對數據的影響。

圖8 為測得的實車采集的歷史數據，其中：S為行駛距離，v為車速，α為油門開度，Pveh為整車功率，Pmot為電機功率。為了方便后續進行聚類分析，將歷史數據提取其特征值。特征值的選取參考了文獻[11]的研究結果，盡量選取與整車行駛能量消耗顯著相關的特征值，其中包括平均速度、平均加速度、平均減速度、怠速占比、0～20 km/h 占比、20～40 km/h 占比、40～60 km/h 占比、＞60 km/h 占比、單位距離平均能耗、單位距離平均時耗。

1.5 基于百度API 的道路車流數據

百度地圖API 是基于百度地圖服務的應用接口，包括定位SDK、車聯網API、Web 服務API 等多種開發工具與服務。云端服務器可以通過百度地圖提供的應用程序接口獲取實時路況信息。其與1.3 節通過車載OBD 獲取的單車行駛數據一起作為數據樣本，以訓練在云端搭建的機器學習預測算法。本文使用了實時路況查詢服務(Traffic API)和批量算路服(Route-Matrix API)以獲取車流信息。百度API 特征數據見表2。

表2 百度API 特征數據

實時路況查詢服務用于查詢當前路段及區域的實時擁堵情況和趨勢。由于實車在環車輛與同側車流共同行駛，異向擁堵情況對本次測試數據沒有影響。批量算路服務可以進行路線距離規劃和車流速度估算。車流速度是通過將一段行駛路徑的里程數除以車流通過時間得到，其中車流通過時間包括汽車停車等待時間。這與單車數據中的平均速度(不包含等待時間)不同。因此表2 中的車流速度會略慢于單車數據中的平均速度。

實車行駛過程中同步收集的百度API 車流信息:擁堵情況(TrffStat)、擁堵方向(JamDrct)以及車流速度(TrffSpd)，其歷史數據如圖9 所示。實車測試平臺用以獲取行車歷史數據，而百度地圖API 用以獲取實時路況信息。這2 種數據被預處理后將上傳至云端服務器用于訓練基于機器學習的預測算法模型。

圖9 百度API 車流信息歷史數據

2 車輛未來能耗預測算法

實車歷史數據(圖8)與車流歷史數據(圖9)上傳至云端服務器后，使用k-means 與SVM 算法對其進行處理，以建立未來行駛能耗預測模型。通過k-means聚類分析將歷史行車數據聚類為若干種典型工況。將聚類所得的帶有工況類型標簽的數據樣本用于訓練SVM 分類器。訓練好的SVM 分類器作為預測器，根據百度地圖API 提供的實時車流數據對實車在環車輛的未來工況進行預測。

2.1 k-means 聚類算法

本文利用k-means 算法，對汽車OBD 單車數據與百度地圖API 數據進行聚類分析，以確定各個樣本數據所應歸屬的典型工況。k-means 算法是一種典型的基于劃分的聚類算法，也是一種無監督學習算法。其核心流程如圖10 所示。

圖10 k-means 聚類分析算法流程

k-means 算法對給定的樣本集，用Euclide 距離作為衡量數據對象間相似度的指標，相似度與數據對象間的距離成反比，相似度越大，距離越小?？臻g中數據對象與聚類中心間的Euclide 距離為

預先指定初始聚類數(本文中為6)以及對應數目的初始聚類中心。按照樣本與不同聚類中心的距離，把樣本劃分進距離最近的簇。并根據上一次樣本集劃分結果，不斷更新聚類中心的位置，進而完成一下迭代并降低類簇的誤差平方和為

其中：ci為質心中點坐標；x為每個數據樣本的坐標。當SSE 不再變化或目標函數收斂時，聚類迭代結束并輸出最終結果。

本文中k-means 聚類的數據來源為百度地圖API的車流數據和OBD 接口的單車數據。具體數據見圖8、9。根據特征值數據的重要程度，賦予不同權重，并進行標準化。停車等待時間、單位距離能量消耗(Es)和單位距離行駛時間(Ts)是本次聚類分析的重點，因此賦予較高的權重。利用k-means 算法將樣本數據分成6 個簇集。表3 為6 種典型子交通工況。

表3 典型子工況類型

每個簇集中的平均能耗概率分布和平均時耗概率分布見圖11。圖11 中紅色實線、虛線分別表示數學期望以及1σ上、下限。將使用聚類后的帶工況類型標簽的樣本數據來訓練SVM 分類器，以此達成預測未來行駛能耗與時耗的目的。

圖11 典型工況平均能耗概率分布和平均時耗概率分布

2.2 SVM 分類算法（預測器）

使用由k-means 算法聚類后的帶有工況類型標簽(表3 )的歷史數據，以訓練SVM 分類器，進而實現在線預測未來行駛能耗。訓練過程中，數據樣本對應的車流信息的特征值(表2 )作為SVM 的輸入，數據樣本對應的工況類型標簽(表3 )則作為SVM 的輸出。這樣訓練完成后的SVM 分類器，可根據從百度API 獲取的各個路段的車流信息預測其所對應的行駛工況類型。根據圖11 各個工況類型對應的能耗與時耗的概率分布，可預測未來能耗與時耗的期望值。

SVM 的基本思想是在樣本空間中找到一個最大邊緣超平面，并利用該超平面將2 個預定義的訓練樣本數據分類。最大邊緣超平面可通過求解凸二次規劃優化問題獲得，如下：

其中：αi為Lagrange乘子，yi為樣本xi的類，m為樣本量。采用徑向基函數(radial basis function，RBF)核作為核函數：

其中，σ是徑向基函數的方差?；诤撕瘮?，由式(4)可得

其中，b為分離的最大邊緣超平面的位移。完成SVM離線訓練后，可以根據百度地圖API 提供的各路段的實時車流數據，預測相應各路段的未來工況屬于6 種典型工況中的哪一種。根據圖11 對應工況的時耗和能耗的概率分布，來預測車輛未來的時耗與能耗的概率分布與數學期望。

3 實車上路實驗

3.1 實驗條件與流程

進行實際的道路行駛測試，以驗證預測算法的可靠性。實驗條件如表4 所示。

表4 試驗條件參數表

實驗過程中的數據處理流程如下：

1) 離線訓練的SVM 分類器在行駛前接收百度地圖API 傳輸的車流信息，預測電動汽車在各個路段(即圖7 中的16 個路段)所屬的工況類型(即表3 中的6種工況之一 )。

2) 根據圖11 中各個工況類型的單位距離時耗、能耗的概率分布中求得預測的時耗、能耗的數學期望以及對應的1σ上下限。

3) 根據實車采集的實際能耗與預測所得能耗，在云端的的電池仿真模型(見圖5、6 )，實時計算電池ΔSOC 的實際值與預測值。

3.2 實驗結果與分析

實驗結果分別在展示在空間域與時間域中，如圖12 所示。圖12 中：豎直虛線對應圖7 中的路段分割點，S為行駛距離，t為行駛時間。

圖12 實車上路實驗結果

利用SVM 分類器基于百度地圖API 提供的實時車流信息對各個路段進行的行駛工況預測，而所得的結果對應圖12 第1 列子圖的紅線。第2 列子圖為通過車載OBD 實時測得的整車驅動功率(Pveh)。其對應整車實時能耗，也即第3 列中電池SOC 的下降率。第3列子圖包含了SOC 實際值、SOC 預測值以及根據3σ原則[12]求得的SOC 預測1σ上下限。

根據3.1 節給出的計算流程，由圖12a 第1 列子圖中16 個子路段對應預測工況類型和圖11 中各個工況類型對應的單位距離平均能耗，以及公式(1)的電池內阻模型，可得圖12a 第3 列子圖中由16 段折線構成的SOC 預測曲線。而圖12a 第3 列子圖的2 條虛線在橫軸區間坐標位置分別為預測的期望值μ減去或者加上一個標準差σ，即SOC 預測上下限曲線。由圖12a 可知：SOC 實際值全程位于1σ上下限之間，即實際值與預測值的偏差小于1σ。這說明本次實驗預測結果較為準確。

而圖12b 中時間域的結果是由圖12a 中空間域的預測結果換算所得。圖12a 中的SOC 實際值曲線相較圖12b 不但波動較小，而且整體也更為線性。這說明：在空間域上對電動汽車能耗預測相對時域更容易也更能保證預測精度，進而證明了本文選擇空間域進行能耗預測的合理性。

4 結 論

為了預測電動汽車的未來行駛能耗，本研究建立了基于車聯網與云計算系統的實車在環仿真系統，并且使用了百度地圖提供的實時交通信息。提出的未來行駛能耗預測算法能夠在融合實時車流數據與單車數據的基礎上，使用機器學習算法根據實時交通數據，在線預測電動汽車未來行駛能耗。同時搭建的實車在環平臺基于實車上路實驗證明了本文預測算法的準確性與可行性。

但需要指出，本研究的拓撲結構暫不能應對網絡失效的情況。所以在后續研究中準備引入一種兩層拓撲結構的預測算法來應對此類情況。