火箭蓄电池logo

联系我们 网站地图

产品分类

产品推荐

火箭蓄电池UXL(LH)系列2V
　　火箭蓄电池UXL(LH)系列2V电池2V200AH　　产品： 火箭蓄电池UXL(LH)...【详细】
火箭蓄电池GB系列
它由特殊的钙合金组成，以保持强大的启动性能。 防止在高温下电池寿命...【详细】

联系我们

服务热线
13240167779

地址：北京市大兴区魏永路2号
网址：www.jltvip.cn

首页 > 韩国SOLITE蓄电池-官网
首页 > 韩国SOLITE蓄电池-官网

基于机器学习的电动汽车剩余续航里程预测：评估ROCKET蓄电池状态、驾驶环境和环境条件的相对影响

发布者：火箭蓄电池 发布时间：2026-10-10 14:12:50 阅读：次
本研究提出了一种基于物理原理的综合机器学习（ML）评估方法，用于电池电动汽车（BEV）的续航里程估算。在包含50辆行驶车辆和12辆虚拟车辆的模拟环境中，通过将23个输入变量分为三大类，生成了2000个观测值：电池与能量状态（SOC、电压、电流、电池功率、滚动能耗、SOH、电池温度、再生功率）、行驶与路线背景（速度、加速度、累计距离、路线坡度、交通密度、驾驶风格、路线类型、载荷），以及环境与热背景（环境温度、相对湿度、风速、迎风分量、降水强度、太阳辐射、空调功率）。从八种算法中选出的梯度提升（GB）模型实现了R2= 0.8949，独立测试集中的平均绝对误差（MAE）为12.58公里，均方根误差（RMSE）为16.83公里；在79.25%的测试观测值中，误差保持在20公里以下。置换显著性分析表明，电池荷电状态（SOC）和瞬时能耗（R2分别降低了1.435和1.084。同时，基于组的置换检验显示，电池/能量组提供了R2减少了2.0815，而环境/热能和驾驶/路线组的减少量仅为0.0419和0.0413。消融实验表明，仅使用电池/能量变量创建的模型实现了R2= 0.8472，MAE = 14.17 km，表现接近完整模型（R2= 0.8949，MAE = 12.58 km）；然而，仅使用SOC创建的模型被证明无法在独立驾驶中泛化（R2= −0.0458)。这些发现从定量角度证实，剩余能量和电流消耗是续航里程估算的主要决定因素，而驾驶、路线和气候变量仅提供微小的修正贡献，并表明所提出的合成框架为使用真实世界数据进行验证研究提供了方法论基础。
关键词：
纯电动汽车; 续航里程估算; 机器学习; 基于物理的数据生成; 变量显著性分析

 

1. 引言

纯电动汽车（BEV）正日益融入个人出行、物流和公共交通系统，然而它们在充电前可行驶的距离仍是一个重要的运营问题。剩余续航里程并非电池组的固定属性。它是可用能量除以未来能量消耗率的结果，而该消耗率会随着动力需求、路况、驾驶行为、交通状况、辅助负载以及车辆热状态的不断变化而变化。因此，早期的续航里程估算方法将简化的动力总成模型与能量平衡计算相结合[1]，而路径研究表明，路径选择和海拔信息可以显著提升实际可用性[2]。这些基础要素至关重要，因为一个物理上合理的预测模型能够反映牵引力、滚动阻力、空气阻力、坡度阻力、传动系统损耗、再生制动以及可用电池容量。
影响能耗的运行因素涉及多个领域。速度和加速度会影响空气动力学和惯性需求，而激进或高度多变的驾驶方式会降低效率和可用续航里程[3,4]。路面坡度会改变牵引力的重力分量，并被反复确认为重要的路线级预测指标[5,6,7]。交通密度、走走停停的运行模式、载荷以及再生制动机会会进一步影响单位距离所需的能量[8,9]。这些影响并不一定是叠加的。速度的影响可能取决于道路坡度和交通状况。相比之下，再生制动带来的收益取决于减速频率、电池接受限值以及之前的能量消耗。
环境条件进一步增加了BEV能耗的复杂性。环境温度会影响电池内阻、可用容量、电池热管理以及座舱加热或制冷需求。寒冷气候会通过座舱加热显著增加能耗并降低电化学效率，而炎热条件则会增加制冷需求并加速电池衰减[10,11]。利用车辆数据和灵敏度模型的研究同样报告了温度、辅助负载与行驶特性之间的相互作用[12,13,14]。虽然风会改变空气动力学阻力，尤其是当风向和车辆朝向已知时，但研究也表明，湿度通常通过空气密度和空调需求产生较弱且更间接的影响[15]。因此，如果数据集仅覆盖狭窄的气候范围，未包含供暖、通风和空调（HVAC）及电池温度测量值，或者已经包含了一个调节天气影响的子变量（如功耗），那么某个天气变量在物理上可能相关，但在统计上却显得微弱[12].
出现了两种主要的建模传统。基于物理的模型根据BEV参数和路线描述符来估算牵引和辅助能量[16,17]. 它们的优势在于可解释性、在已知参数变化下的可迁移性，以及强制执行物理约束的能力。它们的局限性包括需要准确的质量、阻力、滚动阻力、效率图、电池和附件读档参数。相比之下，数据驱动模型学习从测量或模拟输入到能量消耗或剩余续航里程的映射关系。现实世界的回归模型、大数据框架和基于远程信息处理的预测器已经表明，数据驱动方法能够捕捉到难以通过解析式明确的模式[18]。当车辆完整参数不可用时，它们尤其具有吸引力，尽管其可靠性很大程度上取决于训练分布的代表性。
机器学习（ML）的发展拓宽了这一第二传统。支持向量方法、最近邻方法、决策树（DTs）、随机森林（RFs）、提升法和神经网络（NNs）均已被应用于BEV能量或续航里程预测[19,20]。真实驾驶数据集实现了对能耗和剩余续航里程的直接预测[19]，而路径不确定性模型则试图解决未来信息不完整的问题[21]。更近期的研究引入了特征归因方法[22]、集成堆叠（ES）[23]，针对先前未见路线类型的深度神经网络（DNNs）[24]，以及基于多个运行变量的直接范围预测[25]。对比证据还表明，集成学习器对于异构表格数据特别有效，因为它们能够捕捉非线性和交互作用，而无需深度架构通常要求的数据量[26]。案例研究能源消耗建模[27]，参数化机器学习分析[28]，以及最近对续航里程和性能建模策略的综述[29] 进一步强调了预测因子的相关性取决于车辆、路线和数据集的设计。
最近的研究正转向更具情境化和个性化的估算器。实时电池容量指标已与驾驶因素相结合，以提高对电池老化的鲁棒性 [30]。个性化驾驶行为和复杂交通场景已被整合到剩余续航里程模型中 [31]。多年运行数据集和结构化分析框架已被用于提高实际应用的相关性 [32]，而货运车辆研究则强调了车辆载荷和特定任务的运行 [33]。总的来说，这些研究表明该领域正从简单的荷电状态转换转向整合电池状态、路线、驾驶员和环境因素的上下文感知模型。
相关文献综述表1展示了从简化的动力总成和能量平衡公式向日益情境化的数据驱动模型的演进。早期研究侧重于物理需求、驾驶模式和路线信息。后续研究纳入了气候、辅助负载、电池状态、不确定性和个性化行为。近期的机器学习研究通过集成学习、深度学习、堆叠模型和特征归因方法提升了预测的灵活性。
表1。代表性BEV续航里程与能耗研究的对比概览。

评估续航里程估算模型的一个核心难度在于，高预测准确率可能与较弱的科学可解释性并存。荷电状态与剩余能量在机械上相关联；功率变量介导了上游效应；而随机的行级划分可能将同一行程的相邻观测值同时分配到开发集和测试集中。在这些条件下，模型可能表现出准确性，却无法证明其对未见行程的迁移能力，也无法识别天气、路线和驾驶变量的增量贡献。第二个难度涉及可复现性：缺乏单位的变量名称、未定义的车辆参数以及不确定的数据来源，阻碍了物理合理性检查，并使得模型误差无法从实际运行的角度进行解释。
本研究通过将未记录的源表替换为完全指定的物理信息合成数据集来解决这些问题。该模拟并非旨在替代实地测量，而是创建了一个受控环境，在此环境中，电池、车辆、路线、交通和气象变量在指定范围内生成，以明确单位表示，并通过车辆动力学和能量平衡关系相互关联。这种设计使得该手稿能够通过Python源文件进行复现，同时避免了任何关于生成的观测数据是实测遥测数据的错误声明。
本研究有五个目标：(i) 生成一个单元完整、受真实世界启发的BEV运行数据集；(ii) 在抗泄漏的行程级验证下比较八种回归算法；(iii) 使用行程聚类自助重采样法量化不确定性；(iv) 通过置换和消融分析，将主导的电池效应与增量驾驶、路线和环境信息区分开来；以及 (v) 提供数据集、数据字典、模拟假设、模型结果和可执行的Python源代码，作为可复现的补充材料。因此，这项贡献在于方法论层面：它展示了如何用透明的合成基准替换不完整的稿件数据集，同时在模拟证据与现实部署证据之间保持清晰的界限。因此，本研究的推断范围被刻意限制：特征重要性结果被解释为对记录在案的模拟器中嵌入的依赖关系的恢复，而非来自独立实地观察的因果发现。因此，任何关于现实世界预测因子重要性的陈述，都需要使用实测的多车辆数据进行外部验证。

2. 材料与方法

2.1. 实验数据集与模拟配置

本研究采用基于物理原理指导的合成数据集，用于估算电池电动汽车（BEV）在实际运行工况下的剩余续航里程。该数据集包含2000个一分钟观测值，涵盖50次完整行驶行程和12辆虚拟车辆，时间跨度为2025年1月2日至12月31日。剩余续航里程（公里）为因变量，而23个解释变量被用于预测模型。BEV续航里程估算中使用的23个关键预测变量在三个不同领域的分类详见图1因此，输入变量被分为三个主要领域：电池和能量状态（八个变量）；驾驶和路线上下文（八个变量）；以及环境和热上下文（七个变量）。电池和能量状态组提供了关于车辆可用能量水平、电池健康状况、电气读档、短期能量消耗和再生能量回收的信息。驾驶和路线上下文包含决定移动和道路需求要素，如车速、加速度行为、道路坡度、交通状况、驾驶风格、路线类型和车辆载荷。环境和热上下文包括可直接或间接影响能量消耗的条件，如温度、湿度、风、降水、太阳辐射和空调系统读档。
Batteries 12 00399 g001
图1。在三个不同领域中用于BEV距离估计的23个关键预测因子的分类。
预测因子分组、变量、单位和分析角色汇总于表2电池与能量状态组包含八个数值变量：电池电量（SOC (%)）、电池电压（V）、电流（A）、电池功率（kW）、移动能耗（kWh/100 km）、电池健康状态（SOH (%)）、电池温度（°C）和再生功率（kW）。这些变量代表了可用能量、电池当前状态、电力需求、短期能效以及通过制动回收的能量。驾驶与路线上下文组由五个数值变量和三个分类变量组成：速度（km/h）、均方根加速度（m/s2），累计距离（km）、道路坡度（%）、交通等级、驾驶风格、路线类型以及载荷（kg）。该组描述了车辆运动、道路产生的能量需求、起停工况、驾驶员行为以及载荷对总质量的影响。环境与热力学背景组包含七个数值变量：环境温度（°C）、相对湿度（%）、风速（m/s）、迎风分量（m/s）、降水强度（mm/h）、太阳辐射（W/m2），以及暖通空调功率（kW）。这些变量使模型能够考虑气候暴露、空气动力学风效应、潮湿路面状况以及驾驶室空调读档对能耗的影响。
表2。预测因子类别、变量、单位、类型和分析角色。

采用监督回归设计来估算剩余行驶里程（单位：公里）。分析工作流程分为数据生成、质量筛选、模型开发、未接触测试评估和解释阶段。模型开发与解释工作流程的完整序列如图所示图2数据首先生成，关于预测变量分组、行程级划分、模型配置、选择标准和解释程序的决策在评估留出子集之前均已固定。采用此顺序是为了减少信息泄露，并使模型选择在概念上与最终性能报告区分开来。
Batteries 12 00399 g002
图2。模型开发与解释工作流程。
完整的分析流程包含四个相互关联的层级。首先，物理信息生成器生成行程结构化的观测数据和剩余续航里程目标。其次，预测器准备仅在开发折叠中进行（数值中位数填充和缩放；类别众数填充和独热编码）。第三，使用五折GroupKFold（以行程标识符作为分组）对八个候选回归器进行比较；选择平均分组交叉验证R值最高的算法2在未触及的留出集被打开之前就已经固定。第四，使用特征级置换、分组置换和受限特征重训练（消融）在留出集上对所选估计器进行解释。这种顺序将模型选择与最终评估分开，并将拟合模型依赖性（置换）与重训练后保留的信息（消融）区分开来。
数据生成和分析使用Python 3.13、NumPy 2.3、pandas 2.2和scikit-learn 1.8进行。生成器代表的是中型BEV车型，而非特定商业车型。十二辆虚拟车辆被分配了基于可用新电池容量72 kWh、整备质量1850 kg、风阻系数0.28、迎风面积2.30 m的车辆级参数变化2，滚动阻力系数为0.0105，牵引效率为0.91，再生效率为0.67。电池健康状态在82%至100%之间变化。这些数值是限制级建模假设，旨在保持在合理的当代乘用车BEV运行包络线内；它们并非制造商规格。
五十次合成行程分布在2025年的十二个月中。每次行程包含41分钟的输出记录，恰好产生2000个观测值。在每一分钟内，模拟了六个10秒的子步骤。速度目标取决于路线类型、交通密度和驾驶风格；加速和减速受驾驶风格特定限制的约束；道路坡度和朝向平滑演变；城市、郊区和高速公路条件下的停车概率各不相同。环境温度遵循年度和昼夜周期，并带有行程级别的天气偏移。相对湿度、风速、风向、降水量、云层衰减和太阳辐照度是基于有界随机变化生成的。正向迎风分量和负向顺风分量是根据风向和车辆航向计算得出的。
在每个子步骤中，纵向车轮需求结合了惯性力、滚动阻力、空气阻力以及坡度阻力，这与已建立的纯电动汽车能量模型一致。作用在车辆上的总纵向力由公式(1)给出：

热点文章