基于物理信息神经算子混合电动汽车参数估计与功耗模型
机器学习
2025-08-26 v2
摘要
我们提出一种用于电动汽车参数估计与功耗的混合替代模型。我们将基于傅里叶神经算子背bone构建的新型架构谱参数算子，与前向传递中的可微物理模块相结合。仅凭速度与加速度，即可输出电动机和再生制动效率随时间变化，以及空气阻力、滚动阻力、有效质量和辅助功率。这些参数驱动嵌入物理的电池功率估计，消除了任何独立的物理残差损失。模块化设计使表示收敛于反映当前状态和条件的物理有意义参数。我们在 Tesla Model 3、Tesla Model S 和 Kia EV9 的真实世界日志上进行评估。该替代模型对 Tesla 车型实现约 0.2kW（约为高速时的平均牵引功率的 ）的平均绝对误差，对 Kia EV9 约为 0.8kW。该框架可解释性强，能良好泛化至未见条件和采样率，使其适用于路径优化、生态路线规划、车载诊断和预后健康管理。
引用
@article{arxiv.2508.12602,
title = {A Hybrid Surrogate for Electric Vehicle Parameter Estimation and Power Consumption via Physics-Informed Neural Operators},
author = {Hansol Lim and Jongseong Brad Choi and Jee Won Lee and Haeseong Jeoung and Minkyu Han},
journal= {arXiv preprint arXiv:2508.12602},
year = {2025}
}
备注
This preprint corresponding to a manuscript has been submitted to a journal for potential publication