低温环境下基于深度学习与智能优化融合模型的电动汽车剩余行驶里程预测

摘要

低温环境下车辆电池的电化学性能显著下降，导致实际可用容量减少、内阻增大，从而影响电池输出能力与能量利用效率.为了提升电动汽车在低温环境下剩余行驶里程估算的准确度，基于某北方城市冬季电动汽车的实车运行数据，提出了一种新的剩余行驶里程预测模型.首先，基于实车行驶数据进行数据预处理，包括使用箱型图法剔除异常值，并采用样条插值法补充车辆行驶数据，以提高数据质量；其次，挖掘剩余行驶里程与其他行驶参数之间的关系，提取了与剩余行驶里程高度相关的特征，具体包括放电区间SOC值、总电压和单体电池最高温度等；然后，构建了WOA-CNN-BiLSTM剩余行驶里程预测模型；最后，在-12℃低温实车运行数据上的验证结果表明：在不同车辆上应用WOA-CNN-BiLSTM模型进行行驶里程预测时，整体MAE与RMSE均控制在1.500和2.000以内，R²均高于0.970,其中最佳预测结果达到R²=0.981、MAE=0.954、RMSE=1.232、MSE=1.518,实现了对电动汽车在低温环境下剩余行驶里程的准确预测.

关键词

低温环境 / 电动汽车 / 剩余行驶里程 / 卷积神经网络 / 双向长短期记忆神经网络

基金资助

国家自然科学基金项目(52267022); 云南省基础研究计划项目(202401AS070118); 云南省“兴滇英才支持计划”云岭学者专项(KKRC202402005); 云南省车路协同控制与运行安全创新团队项目(202505AS350024)