电动汽车行驶里程与电池SOC相关性分析与建模(3)
时间:2025-04-02
时间:2025-04-02
52交通运输系统工程与信息2015年2月
表明,如表5所示
.图1行驶里程与电池SOC值散点图
Fig.1ScatterdiagramofdrivingmileageandbatterSOCvalue表5行驶里程与电池SOC值的Pearson系数Table5
PearsoncorrelationcoefficientofdrivingmileageandbatterySOCvalue
SOC
行驶里程SOC
Pearson显著性(双侧)相关性
1
-0.998**0.000Pearson显著性(双侧)相关性-0.998**
行驶里程0.0001
注:**.在0.01水平(双侧)上显著相关.从表5中可以看出,行驶里程和SOC的Pearson相关系数为-0.998,相关系数检验概率p值都近似为0,说明两者之间具有很强的负线性相关关系.为了进一步证明他们的相关性,计算表2中16个放电过程的行驶里程和SOC的Pearson相关系数,如表6所示.
表6相关性检验表Table6
Correlationtesttable
SOC:100%-30%日期2013–06–082013–06–25
2013–09–01Pearson相
关系数-0.998-0.996
-0.9972013–10–122013–11–042013–09–062013–06–12-0.998-0.999
-0.996
-0.998SOC:90%-30%日期2013–03–282013–06–052013–11–11Pearson相关系数-0.998
-0.999
-0.999SOC:70%-30%日期2013–03–272013–06–282013–08–22Pearson相关系数-0.998
-997
-0.998SOC:60%-30%
日期2013–11–282013–12–252014–02–24Pearson相关系数
-0.999
-0.999
-0.999
从表6可以看出,在16个放电过程中,行驶里程与SOC的Pearson相关系数都小于-0.996,说明它们之间存在较强的线性关系.
根据上述分析,可以得出电动汽车的行驶里程和电池SOC之间存在线性关系,并且是较强的负相关性.电动汽车的行驶里程与SOC之间的模型如式(1)所示.
y=kx+b
(1)
式中y——电动汽车的行驶里程,km;x——电池SOC值;
k,b——系数.
4.2参数辨识
系统辨识的方法有很多,比如递推最小二乘法[8]、极大似然法[9]、多变量系统法[10]等.本文对参数进行辨识的方法是递推最小二乘法.4.1节中已经建立了行驶里程和SOC之间的模型,接下来采用递推最小二乘法对16个放电过程的模型参数k和b进行辨识,辨识结果如表7所示.
表7
参数辨识结果
Table7
Parameteridentificationresults
SOC:100%-30%
日期2013–06–082013–06–252013–09–01
b116.326100.738109.43k-1.168-1.007-1.0922013–10–122013–11–042013–09–062013–06–12120.351102.046117.367115.542-1.229-1.035-1.173
-1.15SOC:90%-30%
日期2013–03–282013–06–052013–11–11b112.9119.5113.9k-1.129-1.195
-1.139SOC:70%-30%
日期2013–03–272013–06–282013–08–22b108.8101.4113.5k-1.088-1.014
-1.135SOC:60%-30%
日期2013–11–282013–12–252014–02–24b126.2115.3108.9k-1.262-1.153
-1.089
对上述参数k取均值为-1.1286,参数b取均值为112.64,由此得到线性模型如式(2)所示.
y=-1.1286x+112.64
(2)
第15卷第1期电动汽车行驶里程与电池SOC相关性分析与建模
53
5模型验证
为了进一步验证模型和辨识结果的普遍
性和实用性,选取另外一辆14号电动汽车的数据进行验证.选取2013年4月19日、5月26日和5月31日这三天的车辆行驶过程的数据共有2019条原始放电数据.根据本文第3节讨论的方法对这三个完整放电过程的数据进行处理后,利用MATLAB仿真软件进行行驶里程预测实验,得到行驶里程结果如图2–图7所示,图中的“Error”为行驶里程预测的绝对误差,km,即Error=yi式中
yi——真值;-yi
(3)
yi——预测值
.
图2行驶里程预测结果图(2013.04.19)
Fig.2
Drivingmileagepredictiondiagram(April19,
2013)
图3行驶里程预测误差图(2013.04.19)Fig.3
CurvediagramofREvalue(April19,2013
)
图4行驶里程预测结果图(20130.5.26)
Fig.4
Drivingmileagepredictiondiagram(May26,
2013)
图5
行驶里程预测误差图(2013.05.26)Fig.5
CurvediagramofREvalue(May26,2013
)
图6
行驶里程预测结果图(2013.05.31)
Fig.6
Drivingmileagepredictiondiagram(May31,2013)
由三个误差曲线图可知,行驶里程预测的绝对误差都控制在-4~4km之间.
54交通运输系统工程与信息2015年2
月
图7行驶里程预测误差图(2013.05.31)Fig.为了评价所建立模型的准确度,7
CurvediagramofREvalue(May采用式31,2013()
4)所
示的均方根误差(RMSE),以及式(5)所示的均方根相对误差(RMSRE)作为评价指标,如表8所示.
RMSE
=
(4)RMSRE=(5)
表8
性能指标
Table8Performanceevaluation
性能指标RMSE
RMSRE2013–04–192.05460.44332013–05–262.72370.24402013–05–31
1.70190.2793
根据表8可知,行驶里程预测的均方根误差小于3,均方根相对误差小于0.5,表明本文采用基于数据驱动的方法预测行驶里程是可行的,建立的电动汽车行驶里程与电池SOC之间的模型具有较高的准确度.
6研究结论
本文提出一种基于数据驱动的方法来探讨电
动汽车行驶里程和SOC之间的关系,首先对采集的原始数据进行删除、插值和平均处理,再对电动汽车行驶里程和SOC进行相关性分析并建立模型,利用递推最小二乘法对模型参数进行辨识.以北京市运营的物 …… 此处隐藏:2790字,全部文档内容请下载后查看。喜欢就下载吧 ……
上一篇:天翼宽带客户端
下一篇:PHP_api接口教程