- 研究利用回收制動能量及機器學習管理電動車取暖需求。
- 最佳預測結果來自CatBoost與角蜥優化算法的結合。
- 這些策略提高了行駛範圍和電池壽命，但未具體說明增益大小。
- 特徵重要性分析檢視了影響預測的主要輸入因素。
[原文章]
電動車的取暖需求依賴於驅動其輪子的同一電池。中國的研究人員探討瞭如何利用回收的制動能量及機器學習來管理這一需求，並使用了 72 次實際 BMW i3 行駛數據進行分析。這項研究由重慶水利電力工程學院的陳寶凡和重慶交通職業學院的周春榮共同進行，他們比較了四種算法以預測最終電池電量和行駛距離。最佳結果來自將 CatBoost 與角蜥優化算法相結合的方案。這一框架在預測性能上超越了基準模型，同時另行建模檢視回生制動能量如何支持車廂加熱。
利用實際數據建立模型
從真實駕駛中建立模型，研究人員首先記錄了 BMW i3 行駛過程中的電池和加熱電路數據。這些測量捕捉了實際操作條件，包括變化的溫度和駕駛行為，而不是完全依賴於標準化的實驗室週期。他們構建了汽車和加熱電路模型，然後將其模擬結果與記錄的行駛數據進行對比，以評估其是否再現了汽車的電氣和熱行為。團隊還制定了將回生制動能量引導至車廂加熱的策略。回生制動在減速過程中將部分車輛的動能回收為電能，利用這些回收的能量進行加熱可以減少對牽引電池的需求。
預測算法的比較與結果
研究報告顯示，這些策略提高了行駛範圍和電池壽命，儘管所提供的報告並未具體說明這些增益的大小。對四種預測算法的比較中，機器學習分析使用環境、車輛、電池及熱系統變量來預測最終的電量狀態和行駛距離。比較的四種模型為 XGBoost、AdaBoost、CatBoost 和 K-Nearest Neighbor。評估結合了 80/20 的訓練和測試劃分，並進行五折交叉驗證，以評估性能超越訓練數據。
CatBoost 提供了最強的基準結果。在測試集上，其決定係數（R²）達到 0.7260，根均方誤差為 0.0734，平均絕對誤差為 0.0592。其交叉驗證 R²達到 0.802。
優化算法的最佳表現
研究人員隨後測試了三種元啟發式優化算法以調整 CatBoost 的內部設置。角蜥優化算法產生了最佳表現的組合，名為 HLO-CatBoost。其測試 R²提高至 0.8408，根均方誤差降至 0.0559，約減少了 24％，而平均絕對誤差則降至 0.0434。研究人員還檢查了該框架在不同環境情景下的行為，並評估其預測的不確定性。計算效率分析評估了其實際使用的適用性。Williams 圖幫助識別異常值並確定模型的適用範圍，顯示預測能在其訓練數據所代表的條件之外擴展。
特徵重要性分析檢視了哪些輸入對剩餘電量和行駛距離的預測影響最大。
這些檢查至關重要，因為溫度和車廂加熱需求可能會改變電動車的行駛距離。更可靠的預測可為熱管理決策提供依據。然而，報告的準確性提升僅描述了模型的預測性能，並未量化相應的行駛範圍或電池壽命的增加。該研究發表於期刊《Ionics》。
項目 規格 電池容量 未知 行駛範圍 未知
機器學習在電動車熱管理中的應用
這項研究展示了機器學習如何有效提升電動車的熱管理效率，特別是在取暖需求方面。透過回收制動能量，能減少對主電池的依賴，從而延長行駛距離和電池壽命。儘管未具體量化增益，這些發現對電動車的設計和運營具有重要意義，尤其是在面對氣候變化和能源效率挑戰的當前環境中。進一步的研究可以幫助完善這些技術，推動電動車的普及與可持續發展。