卷积神经网络袋装决策树:一种通过实时估计能耗来减少电动汽车驾驶员里程焦虑的混合方法

摘要 为了克服电动汽车 (EV) 的里程焦虑问题,需要准确的实时能耗估计,以便为 EV 驾驶员实时提供剩余里程信息。 已经开发了一种混合 CNN-BDT 方法,其中卷积神经网络 (CNN) 用于提供考虑温度、风速、电池 SOC、辅助负载、道路高度、车速和加速度的影响的能耗估计。 此外,袋装决策树 (BDT) 用于微调估计。 与现有技术不同,所提出的方法不需要来自制造商的内部车辆参数,并且即使从嘈杂的数据中也可以轻松学习复杂的模式。 与现有技术的比较结果表明,所开发的方法提供了更好的估计,最小平均绝对能量偏差为 0.14。
   关键词:行驶里程焦虑,能耗估计,电动汽车,卷积神经网络,袋装决策树,微观驾驶参数

在本文中,开发了一种使用 CNN 和 BDT 的混合方法,可为 EV 驾驶员实时提供准确的能耗估计。 所提出的方法考虑了七个因素的影响,即车速、加速度、空气速度、道路海拔、辅助负载、环境温度和初始电池的 SOC。 已经提供了对所提出的方法的开发、培训和测试的详细阐述。 该方法的性能已通过将其与许多最先进的技术进行比较来验证。 以下几点包括主要结论:i) 提出的 CNN-BDT 方法可以实时提供能耗估计。
   因此,它可以用于实时指导驾驶员并减少他/她的里程焦虑。
   ii) 所提出的方法不需要任何车辆特定参数,如电池的内阻、电机的效率曲线、电池的放电/充电曲线等,以估算能源消耗。 因此,所提出的方法可以很容易地推广到任何其他电动汽车。
   iii) 通过将提议的方法与其他现有技术进行比较,验证了提议的方法的准确性。 比较结果表明,所提出的方法可以估计能量消耗,平均绝对能量偏差最小为0.14,相关性最高为0.997。
   iv) 从比较结果可以得出结论,与以前的现有技术不同,所提出的方法可以非常准确地学习不同参数的非线性关系。
   v) CNN-BDT 模型可以转换为 TensorFlow Lite 格式,然后可以轻松地在不同的微控制器上运行,或者可以部署到车载嵌入式系统中。

https://download.csdn.net/download/cooc89/82490257

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

科研吧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值