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