新能源车辆对城市生态的行为影响建模
该研究通过广泛的文献综述,分析了影响能源消耗的驾驶行为因素和最先进的方法,并给出了包括能源高效驾驶风格特征、推荐的九种能源高效驾驶风格以及为不同类型的驾驶员和雇主提供的两个主观建议。
Mar, 2024
城市交通拥堵和环境恶化所带来的挑战凸显了认可电动出行解决方案在城市空间中的关键性。特别是,电动滑板车和电动自行车等微型电动工具在此过渡过程中起着关键作用,为城市通勤者提供可持续的替代选择。然而,这些工具的能源消耗模式是影响其在真实环境中有效性的重要因素,对于行程规划和增加用户对其使用的信心至关重要。为了填补这一差距,我们的研究提供了一个开放数据集,该数据集在爱尔兰都柏林收集,专门用于与电动滑板车和电动自行车相关的能源建模研究。此外,我们使用一组代表性的机器学习算法对数据集进行详细分析,并将其性能与基准数学模型进行比较,结果表明数据驱动模型在估计能源消耗方面明显优于相应的数学模型,对于电动自行车和电动滑板车,根据对数据集的深入分析,数据驱动模型在准确性上优于物理模型,分别达到 83.83% 和 82.16%。
Mar, 2024
该研究使用贝叶斯方法建模道路片段的能量消耗,开发了一个在线学习框架并分析了 Thompson 采样和 Upper Confidence Bound 等探索策略,将在线学习框架扩展到多车自适应导航。最后,使用卢森堡 SUMO 交通数据集进行多个实际实验以证明我们方法的性能。
Mar, 2020
本篇研究论文提出了一种基于概率数据驱动的新方法,用于对电池电动车的行程级能量消耗进行估计,该方法综合考虑了各种车辆动力学,驾驶员行为和环境因素,采用了概率神经网络进行建模和模型不确定性测量,并有机地融合驾驶员行为因素以提高模型的准确性,在试验中取得了相对误差的均值 9.3% 的表现。
Jul, 2023
准确的能源消耗预测对于优化电动商用重型车辆的运营至关重要,本文介绍了一种基于子集训练的回归模型,该模型在复杂问题中将其拆分为更简单的子问题,以实现更好的回归性能和解释性。
Nov, 2023
基于学习的智能能源管理系统对于插电式混合动力电动汽车 (PHEVs) 的高效能源利用至关重要,然而,其应用在现实世界中面临着系统可靠性的挑战,这阻碍了原始设备制造商 (OEMs) 的广泛接受。本文通过建立基于物理和数据驱动模型的 PHEV 模型,聚焦于高保真度训练环境,并提出一个以真实车辆应用为导向的控制框架,将基于扩展时间尺度的强化学习 (RL) 能源管理与等价耗电量最小化策略 (ECMS) 相结合,以提高实际适用性,同时改善现有研究中基于瞬时驾驶循环和动力系统状态的等效因素评估方法的缺陷。最后,进行全面的仿真和硬件在环验证,证明了所提出的控制框架在燃油经济性方面相对于自适应 ECMS 和基于规则的策略的优势。与直接控制动力系统组件的传统 RL 架构相比,所提出的控制方法不仅能实现类似的最优性,而且还显著提高了能源管理系统的干扰抗性,在 OEMs 的真实车辆应用中提供了一种有效的基于 RL 的能源管理策略的控制框架。
Jun, 2024
本研究开发了一种新的微聚类深度神经网络(MCDNN)算法,通过学习电动汽车行程和充电数据来预测充电事件,为电力负荷聚合器和电力管理者提供充电站和电力容量的有效分配。数值发现表明,所提出的 MCDNN 在预测充电事件方面比支持向量机、k 最近邻、决策树和其他基于神经网络的模型更有效。
Jul, 2023
电池电动车(BEV)在现代城市中具有越来越重要的意义,它们有潜力减少空气污染。精确和实时地估计其能量消耗对有效的行程规划和优化车辆系统至关重要,这可以减少驾驶里程焦虑和降低能量成本。随着公众对数据隐私的意识增强,在 BEV 能量消耗建模背景下采用保护数据隐私的方法至关重要。联邦学习(FL)是一种有前景的解决方案,通过允许本地数据保留在设备上,并仅与中央服务器共享模型更新,从而降低了向第三方揭示敏感信息的风险。我们的研究调查了使用 FL 方法如 FedAvg 和 FedPer 来改进 BEV 能量消耗预测同时保持用户隐私的潜力。我们使用来自 10 辆 BEV 在模拟真实驾驶条件下的数据进行实验。我们的结果表明,FedAvg-LSTM 模型在预测结果的 MAE 值上实现了最多 67.84%的降低。此外,我们探索了各种真实世界情景,并讨论了如何在这些情况下使用 FL 方法。我们的研究结果表明,FL 方法可以在保持用户隐私的同时有效提高 BEV 能量消耗预测的性能。
Dec, 2023
该论文提出了一种名为 PAG 的新方法,通过图形和时间注意机制实现特征提取,并在模型预训练阶段使用物理知识引导元学习,以应对训练准确且可解释的预测模型的新挑战,从而实现电动汽车充电需求的准确预测和适应于价格波动引起的充电需求的变化的能力。
Sep, 2023