基于機器學習的一種新能源汽車充電時間預(yù)測方法★

謝燕芳，黎 飛，程 登，王興月，馮鈺杰

（上汽通用五菱汽車股份有限公司廣西汽車新四化重點實驗室，廣西 柳州 545007）

1 充電時間預(yù)測的概述和意義

隨著全球氣溫逐年上升和化石能源日益緊缺，各國對新能源汽車的關(guān)注和需求日漸增長。截至2021年6月，全國汽車保有量達2.92億輛，其中新能源汽車603萬輛，占汽車總量的2.06%。2021年上半年全國新注冊登記機動車1 871萬輛、新能源汽車110.3萬輛，均創(chuàng)同期歷史新高。

電池續(xù)航和電池充電是用戶非常關(guān)注的兩個信息，電池續(xù)航能量讓用戶可以了解到車輛可以跑多遠，電池充電時間可以讓用戶了解多長時間充滿，以更好地安排出行計劃。充電時間預(yù)測是根據(jù)用戶的車輛的充電大數(shù)據(jù)，預(yù)測出車輛從充電時刻到充滿時刻的時長，并通過手機APP端實時告知用戶，讓用戶實時了解到車輛充滿的時長，以便于更好規(guī)劃出行，極大地提高了用戶用車的便利性。

2 充電預(yù)測研究現(xiàn)狀

在現(xiàn)有技術(shù)中，一般通過專家經(jīng)驗預(yù)測電池的充電時間或者根據(jù)物理公式預(yù)測電池的充電時間[1]。根據(jù)經(jīng)驗預(yù)測電池的充電時間即依據(jù)近3個月的充電情況去預(yù)測充電時間，先計算每次充電SOC平均充電時間，然后根據(jù)需要充滿的SOC乘以充電時間，公式如下：

根據(jù)物理公式預(yù)測電池的充電時間即依據(jù)充電過程的物理特征預(yù)測充電時間，即使用額定能量、充電電流、充電電壓和充電SOC值計算充電時間，公式如下：

但充電環(huán)境溫度、充電電網(wǎng)穩(wěn)定性、電池充電策略等因素會導(dǎo)致經(jīng)驗預(yù)測和物理公式預(yù)測會有較大偏差。我們使用平均誤差和方差對專家經(jīng)驗預(yù)測和物理公式預(yù)測效果進行評估，其中：

專家經(jīng)驗預(yù)測平均誤差值11.2 min，方差為4.9 min；公式預(yù)測平均誤差值13.6 min，方差為5.9 min。總體預(yù)測效果并不理想，因此我們引入了機器學習的方法進行電池充電預(yù)測。

3 基于機器學習的充電時長預(yù)測

本文抽取了100臺新能源汽車使用機器學習方法預(yù)測充電時長，為了評估模型的可行性，我們首先需要對樣本數(shù)據(jù)進行數(shù)據(jù)探索；其次對數(shù)據(jù)進行異常數(shù)據(jù)的預(yù)處理以利于提高機器學習結(jié)果的準確率；第三，我們使用對清洗完成的數(shù)據(jù)進行一次特征工程加工，產(chǎn)生模型需要輸出的特征參數(shù)；最后將樣本分為訓練集和測試集，訓練集用于模型訓練，測試集用于預(yù)測結(jié)果測試，結(jié)果評估仍按照平均誤差值和方差進行評估。

3.1 樣本說明

車輛數(shù)為100臺；數(shù)據(jù)時間為2020-07-01至2020-08-30、2020-12-01至2021-01-31；車輛位置：廣西、海南、山東、黑龍江、四川；研究目的為通過電池充電時間相關(guān)影響因素預(yù)測新能源汽車電池充電時間。

3.2 數(shù)據(jù)探索

1）數(shù)據(jù)字段：容量提取和建模需要的特征字段在原始數(shù)據(jù)中都存在。

2）數(shù)據(jù)精度：除了SOC和充電電壓的精度偏低，其他的數(shù)據(jù)字段的精度都符合要求，如表1所示。

表1 數(shù)據(jù)字段精度說明

3）數(shù)據(jù)質(zhì)量：時間數(shù)據(jù)質(zhì)量良好，重復(fù)時間數(shù)據(jù)很少，10 s間隔基本穩(wěn)定，如表2所示。充電數(shù)據(jù)質(zhì)量較好，充電次數(shù)較多，充電SOC跨度較大，利于模型訓練；跳變數(shù)據(jù)少。

表2 數(shù)據(jù)字段質(zhì)量表

3.3 數(shù)據(jù)預(yù)處理

為了預(yù)測結(jié)果更精確，需要控制數(shù)據(jù)質(zhì)量，因而本文對收集的數(shù)據(jù)進行了預(yù)處理。主要是對原始數(shù)據(jù)字段中的一些異常值、空值和跳變數(shù)據(jù)進行處理，具體如下：

1）對數(shù)據(jù)進行去重，對每個充電過程中的完全重復(fù)的數(shù)據(jù)，都只會保留其中一條，其余數(shù)據(jù)刪除。

2）時間戳異常值處理，主要針對年、月、日、時、分、秒設(shè)定各自的取值范圍，比如月的取值范圍是1～12，日的取值范圍是1～31等，超出范圍的數(shù)據(jù)會整條被刪除。

3）按照時間順序?qū)?shù)據(jù)值進行排序。

4）去除“臟”數(shù)據(jù)，剔除超出數(shù)據(jù)范圍的數(shù)據(jù)，并對其余的數(shù)據(jù)按照給定的范圍進行數(shù)據(jù)篩選。

5）對缺失值（NAN）進行處理，當字段的缺失比例非常低時（如5%以內(nèi)）利用線性插值法填補存在缺失的觀測數(shù)據(jù)，當某些變量的缺失比例非常高時（超過85%），直接刪除這些缺失變量。

6）對在時間上有跳變的數(shù)據(jù)進行拼接。

3.4 新能源汽車滿電時間預(yù)測模型

3.4.1 充電時間預(yù)測流程圖（見圖1）

1）輸入原始數(shù)據(jù)：輸入每臺車的原始數(shù)據(jù)，車聯(lián)網(wǎng)顆粒度最小的數(shù)據(jù)；

2）提取充電片段信息：以車號為索引篩選各車輛數(shù)據(jù)，按照整車模式判斷條件提取充電片段的充電片段；

3）異常數(shù)據(jù)清洗：按照數(shù)據(jù)預(yù)處理的方法處理異常數(shù)據(jù)；

4）充電數(shù)據(jù)特征計算：計算充電時間的特征值和電流平滑值；

5）訓練集和測試切分：按照80%訓練集和20%測試集計行切分數(shù)據(jù)；

6）充電時間預(yù)測模型建：使用隨機森林方法對測試集進行訓練，然后使用模型進行測試；

7）結(jié)束：輸出結(jié)果。

3.4.2 充電時間預(yù)測說明

對比了公式預(yù)測和隨機森林的方法，我們可以看到隨機森林準確性和收斂性均有較好的表現(xiàn)。從圖2、圖3數(shù)據(jù)來看，粗線為對角線，細線為上下波動15 min的線，使用公式計算會發(fā)現(xiàn)時間預(yù)測會總體偏小，且散點較多，離散度非常高。從隨機森林來看，波動性相對較為穩(wěn)定，也較為收斂。

3.4.3 隨機森林結(jié)果指標對比

從擬合優(yōu)度、|預(yù)測-實際|平均值、|預(yù)測-實際|標準差、|預(yù)測-實際|最大值各項指標來看，隨機森林模型預(yù)測效果各項指標表現(xiàn)良好，對充電時間預(yù)測準確率提升較大，如下頁表3所示。

表3 隨機森林結(jié)果指標對比表

4 新能源汽車電池滿充預(yù)測展望和改進

從預(yù)測結(jié)果來看，引入了機器學習算法后充電時間預(yù)測準確率可以滿足用戶對滿充時長的了解，汽車廠家可以實時給用戶提供滿充時長的查詢，讓用戶清晰明了地知道滿充需要花費的時長，合理規(guī)劃充電和出行，提高用戶的滿意度。

但是隨機森林結(jié)果隨SOC增加偏差越大，特別是SOC接近100%的時間，因為電池充電策略的不同會造成偏差越來越大。其次充電過程會有各類異常出行，會導(dǎo)致充電預(yù)測時間的波動，需要考慮更多的異常值處理，使用低通濾波處理掉一部分數(shù)據(jù)后再進行改進。另外，因為電池的差異性，模型的調(diào)整需要不斷改進，需要加入更多的電池特性數(shù)字。因此，我們應(yīng)該在大量車輛驗證后，對模型進行不斷地優(yōu)化，在使用過程中不斷地調(diào)整模型，提高預(yù)測模型的準確度，給用戶提供更為準確的充電預(yù)測時間。