电动汽车续驶里程研究2021-10-08_新能源车续驶里程预测-CSDN博客

本文链接：https://blog.csdn.net/qq_46055769/article/details/120661849

2021年10月8日科研周报

在最新的数据集中，里面并没有续驶里程这列数据，只有累计里程，于是我们把数据集分成了单次放电的状态，通过研究单次放电时SOC和已经行驶里程的关系，进而推到SOC和续驶里程的关系。

注：

我对行驶里程的测算方法是，找到一个时间点（初始时间），此时SOC为100，之后的一段时间为放电状态，在放电的某个时间点，累计里程减去初始时间的累计里程，即得到，消耗这么多SOC电量后，车辆的行驶里程。

这里，SOC从100变为96，就走了1.5km

我们取了两段放电状态test1（2020/7/7 15:01:30）和test2（2021/3/5 9:14:27），一段用于观测各列变量和车辆行驶里程的相关性，同时用来训练KNN模型，另一段用于作为测试集，检验模型的正确性。

这段数据集中，虽然中途有段缺失的数据，但我们还是可以看出，SOC和行驶里程具有很强的线性相关性。

从这部分图来看，电池单体电压最低值和行驶里程也具有不错的相关性

从这部分图来看，电池单体电压最高值和行驶里程也具有不错的相关性

所以，我们好像可以综合考虑电池单体电压最低值，电池单体电压最高值，SOC

同时我们也可以通过电池单体电压最低值，电池单体电压最高值来求SOC的值

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-soGdznJ4-1633705325942)(C:\Users\86182\AppData\Roaming\Typora\typora-user-images\image-20211007163448686.png)]

附绘图代码

data = pd.read_excel('../static/test1.xlsx')
plt.scatter(data['累计里程']-131598.3,data['SOC'])
plt.xlabel('行驶里程')
plt.ylabel('SOC')
plt.show()
plt.scatter(data['累计里程']-131598.3,data['电池单体电压最高值'])
plt.xlabel('行驶里程')
plt.ylabel('电池单体电压最高值')
plt.show()
plt.scatter(data['累计里程']-131598.3,data['电池单体电压最低值'])
plt.xlabel('行驶里程')
plt.ylabel('电池单体电压最低值')

我们现在引入test2

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WSrorHKj-1633705325946)(C:\Users\86182\AppData\Roaming\Typora\typora-user-images\image-20210929201945559.png)]

Knn预测准确率： 0.9187220283312564

我们发现SOC在70-100这段拟合的很好，但是SOC低于70时，预测值却比真实值底一些，我们来看下数据

测试集：2021/3/5 9:14:27

训练集：2020/7/7 15:01:30

这段时间我能想到的差异就是温度了，7/7是夏天，但是我们日常经验，天冷时电池存不了电，天热时充一段电就能跑好远，这很不合理

那么还有一种可能就是7/7日天太热，开了空调，所以才会导致这种结果

考虑温度影响，我继续换了一段放电过程，本来想找2021年7月的，但是没找到，于是换成了5月份的

test3:2021/5/20 19:16:11