考虑模型不确定性的电池电动汽车数据驱动概率能耗估计
机器学习
2023-07-04 v1 系统与控制
系统与控制
摘要
本文提出一种新颖的、数据驱动的概率方法，用于电池电动汽车（BEV）行程级能耗估计。由于电动汽车（EV）充电站极少，EV 行程能耗估计可使驾驶员的 EV 路径规划与充电规划更为便捷。在本研究文章中，我们利用带模型不确定性的概率神经网络，提出了一种以驾驶员行为为中心的 EV 能耗估计新模型。通过将模型不确定性引入神经网络，我们使用蒙特卡洛近似创建了神经网络集成。我们的方法综合考虑了各种车辆动力学、驾驶员行为与环境因子，以估计给定行程的 EV 能耗。我们提出将相对正向加速度（RPA）、平均加速度与平均减速度作为 EV 能耗估计中的驾驶员行为因子，并且本文表明这些驾驶员行为特征的使用显著提升了 EV 能耗模型的精度。所提方法不预测 EV 行程能耗的单一点估计，而是预测其概率分布。我们方法的实验结果表明，所提的带权重不确定性的概率神经网络取得了 9.3% 的平均绝对百分比误差，并在精度上优于其他现有 EV 能耗模型。
引用
@article{arxiv.2307.00469,
title = {Data-Driven Probabilistic Energy Consumption Estimation for Battery Electric Vehicles with Model Uncertainty},
author = {Ayan Maity and Sudeshna Sarkar},
journal= {arXiv preprint arXiv:2307.00469},
year = {2023}
}
备注
This paper is under review at the International Journal of Green Energy