SSB蓄电池电动汽车电池容量预测模型的开发
2026-03-21 09:17:30
电池容量是决定电动汽车（EVs）续航里程的关键因素。不同电动汽车类别（两轮车、三轮车特别是电动三轮车和四轮车）以及同类别中不同制造商之间，电池尺寸或容量存在显著差异。电动汽车电池容量取决于多种技术参数。本文旨在建立电池容量与多个参数（续航里程、车体重量、能源经济性/效率及电机功率）之间的关系，以开发电动汽车电池容量预测模型（BCPM）。研究构建了六种机器学习（ML）模型：多元线性回归模型（MLRMs）、支持向量回归（SVR）、多层感知机（MLP），以及最先进的集成学习技术——随机森林（RF）、决策树（DT）和极限梯度提升（XGBoost）。初期针对单一车辆类别分别训练了机器学习模型，随后建立了电动汽车通用模型。这些模型的测试与验证结果表明其具有良好的拟合度、优异的性能指标及较小的损失函数。通过对比分析，基于MLRM的通用模型因其性能提升、可解释性增强以及过拟合风险降低等特点，被优选为基准充电功率模型（BCPM），其有效性已通过多家电动汽车制造商提供的测试数据集得到验证，展现出显著的稳健性（F检验显著性<0.001）。-数值<0.05，R= 0.99，相对误差0.01–1.86%）。该模型适用于估算新型商用电动汽车变体在已考虑类别中的电池容量，以及便携式充电储能系统（PCSS）的容量预测，旨在为电动汽车续航扩展提供移动充电解决方案。对于从事电池组和PCSS设计的初创企业、小型公司及制造商具有潜在应用价值。2 = 0.99, relative-errors 0.01–1.86 %). This model is applicable for estimating battery capacity of newer commercial EV variants over considered categories and Portable-Charging-cum Storage Systems (PCSS) capacity prediction, to offer on-the-go charging solutions for range-extension of EVs. It holds potential for startups, small companies and manufacturers working on designing of battery packs and PCSSs.
引言
全球气候变化源于人为温室气体排放量的增加，正危及生命形态并破坏自然秩序[1]。交通运输领域快速扩张导致的空气污染加剧，对环境、公共卫生和经济造成负面影响[2]。汽车制造商和政府机构致力于减少对化石燃料的依赖，最大限度降低排放并提升燃油经济性[3]。印度近50%的石油消耗量来自交通运输领域[4]。传统交通运输领域面临的环境限制要求发展高效且可持续的替代运输形式。电动汽车（EV）可完全依赖可再生能源（RES）供电，具体取决于充电方式[5]。当前制约电动汽车用户接受度的主要障碍包括：充电时间较长、续驶里程（DR)以及数量较少的充电设施。
有限DR增加了电动汽车用户在行程间电量耗尽的担忧[6]，这使得DR改进对电动汽车制造商至关重要[7]。电动汽车的电池能量在行驶过程中持续消耗，这需要预先确定DR在给定电池电量条件下抵达特定目的地[8]。电池安装容量()直接影响电动汽车的能耗(EnCon)与整备质量，这些参数共同决定其DR。增加电池容量或数量可延长电动汽车续航里程，但大容量电池会加重车身质量，反而降低续航能力。鉴于作为电动汽车最关键的设计参数[9]，对其DR因此，应将重点置于及DR考虑此类影响因素的估算方法[8]。 and DR estimation technique considering such influencing factors [8].
大多数关于电池容量预测的研究会考虑车辆运行状态、拓扑结构和环境条件等因素，例如电池荷电状态(SoC)、速度、加速度、行驶工况、交通状况、道路条件、温度、风速、二氧化碳排放量等。尽管这些因素会影响，但其在不同场景下的差异性使得电动汽车电池容量预测模型(BCPM)的开发变得复杂。现有文献主要研究与单项参数（如DR根据作者目前掌握的文献资料，电动汽车相关多参数间的关联性与相互依赖性尚未见报道。此外，现有研究中未见记录此类排除外部环境因素的电池-气候-性能模型（BCPM）。, vehicle weight, Energy Consumption Rate (ECR), etc. To the best of available knowledge of the authors, relation and interdependence of C with considered multiple parameters associated to EVs has not been reported in literature. Moreover, no such BCPM are recorded, which excludes external situational factors.
本研究通过探究五项技术参数之间的配对关系填补了这一空白，具体包括：DR, 整车总质量()、电动汽车能效()以及电机功率(v)。分析涵盖三大车辆类别：电动两轮车(E），电动三轮车（Eeco），特别是电动人力车，以及电动四轮车（E），同时着重于m参数估计。模型参数的选择基于数据可获得性、物理相关性及泛化能力。针对每类车型开发了六种机器学习（ML）模型：多元线性回归模型（MLRMs）、支持向量回归模型（SVRMs）、多层感知器模型（MLPMs），以及包括随机森林（RF）、决策树（DT）和极限梯度提升（XGBoost）在内的SOTA（最先进）集成学习技术，并通过图形与统计方法进行验证。随后对三种ML模型开展对比分析以评估研究可行性。最终选定最优模型作为BCPM，采用新数据集进行验证，该模型设计用于辅助当前及未来电动车型的电池组容量测算。2w), electric three-wheelers (E3w), electric-rickshaws specifically, and electric four-wheelers (E4w), while focusing on C estimation. Model parameters were selected based on data availability, physical relevance and generalizability. Six Machine Learning (ML) models: Multivariable Linear Regression Models (MLRMs), Support Vector Regression Models (SVRMs), Multi-Layer Perceptron Models (MLPMs), along with SOTA (State-of-the-art) ensemble learning techniques like Random Forest (RF), Decision Tree (DT) and eXtreme Gradient Boosting (XGBoost) were developed for each vehicle category that are validated through graphical and statistical methods. Subsequently, A comparative analysis of the three ML models is conducted to assess the feasibility of study. Finally, the best fit model is selected as the BCPM, validated with new datasets, and designed to assist in sizing of battery packs for current and future EV variants.
致力于优化车辆参数的研究人员DR, 或提升燃油经济性的研究者往往缺乏可供参考的文献资料来建立假设模型。本研究的关联性分析将使研究者能够基于其他参数的预期结果，集中开发特定参数。本研究采用最先进的机器学习（ML）与深度学习（DL）技术进行对比分析。该模型对便携式充电储能一体化系统（PCSS）的容量评估具有重要应用潜力，这类系统专为DR该研究旨在实现移动充电解决方案，为现有电动汽车提供续航里程扩展。此项工作可提升充电便利性，同时直接促进绿色出行与可持续交通发展，从而增强电动汽车基础设施的长期可持续性。, to enable on-the-go charging solutions which can provide range extension to existing EVs. This research can enhance charging accessibility, while contributing directly towards green mobility and sustainable transportation, thus strengthening the long-term sustainability of EV infrastructure.
有限的电池性能仍是制约电动汽车发展的关键因素DR同时也是电动汽车技术研发面临的主要挑战。现有DR估算方法主要聚焦于其与[10,11]。Yuan等[12]分析了不同速度下的电动汽车，证实的重大影响DR张等人[13]综述了一种采用机器学习(ML)的能耗预测方法，并探讨了神经网络在模式识别中的潜在应用。Choudhury与Baruah[14]开发了太阳能空气加热器性能评估的经验模型，用于推导输出(效率)与输入参数(太阳辐射、质量流量、环境温度及入口温度)之间的关联关系。赵等人[15]评估了一种ML模型在电动汽车（EVs）的估计方面，实现了0.28%的平均绝对误差（MAE）。Ibrahim等人[16]通过案例研究，从所采用的存储系统、新一代电池及电池热管理系统等方面探讨了电动汽车的能量管理问题。Jung等人[17]针对轻型电动汽车的规模趋势开展的研究显示，其与DR每次电池充满电以及标准化后的之间存在极佳的相关性。表1讨论了不同的估计技术、预测模型、与电动汽车相关参数的分析，以及所综述文献的局限性和研究发现。 per battery full charge and C normalized by wv. Different estimation techniques, prediction models, analysis of parameters related to EVs, limitations and findings of various reviewed literatures are discussed in Table 1.
现有文献尚未报道电动汽车能耗与BCPM模型之间基于多参数关联（排除外部可变情境因素）的定量关系研究。本研究的创新性体现在以下方面：首次采用数据驱动方法系统应用多种机器学习模型，通过有效性比较筛选最优拟合模型，具体表现为——
- (i)
开发一种数据驱动的电池容量预测模型（BCPM），其泛化能力仅限于三种不同的电动汽车类别（E2w、E3w、E4w），据作者所知，该领域在现有文献中尚未得到充分探索。
- (ii)
以往关于电动汽车（EVs）的研究主要集中于建立电池容量与其他单一参数的独立关联。本研究则旨在通过严谨的统计诊断方法，构建电池容量与多性向车辆参数集的综合关联模型。
- (iii)
采用从制造商/公司提供的规格参数表中获取的商业化电动汽车参数（基于理想化或标准测试条件，未考虑实际运行中的变量）来预测电池容量，使其可应用于电动汽车的早期规划、设计阶段或初创企业需求。
- (iv)
通过采用六种机器学习技术开发的BCPM模型，并基于商用电动汽车变体的新数据集进行测试验证，证实该模型适用于未来三类电动汽车细分市场的电池容量配置，以及先进便携式充电解决方案的设计。
- (v)
对所研究的机器学习模型（包括多元线性回归模型MLRM、支持向量回归模型SVRM、多层感知机模型MLPM、决策树DT、XGBoost和随机森林RF）进行的比较分析表明，根据模型选择标准和误差指标观察，MLRM在模型简洁性、鲁棒性、较低过拟合程度以及更好可解释性方面优于其他模型。
