摘要
随着新能源汽车市场的快速发展，由于电动汽车的无污染、效率高、电能来源广泛等优点，电动汽车的发展越来越引起市场的关注。但是由于电动汽车在行驶过程中受到驾驶行为，驾驶环境以及车辆自身参数等多种因素的影响，这使得电动汽车的剩余续驶里程值往往难以估计，导致电动汽车用户对电动汽车普遍存在着续航焦虑等问题，这极大的影响了用户体验。因此，本文对电动汽车用户存在的续航焦虑问题，开发出一个能够准确预测电动汽车剩余续驶里程的方法，从而帮助用户减缓续航里程焦虑，提升用户的用车体验。本文的研究内容主要包括： （1）对车联网数据继续预处理。从车联网数据平台中导出四辆车的行驶数据，对数据进行报文解析，再将解析的数据进行数据清洗工作，包括对数据中异常值、空值以及重复值等异常数据进行处理。为了进一步便于对驾驶行为分析，需要对行驶数据进行划分，首先，将行驶数据按驾驶事件进行划分，然后再将每一次驾驶事件划分成多个20秒的短行驶片段，从而得到用于对后面章节驾驶行为分析的数据集。 （2）对驾驶行为能耗评价指标进行选取。分析了车速和加速度不同区间对于驱动电机能耗的影响，利用 K-means 聚类算法对不同车速的能耗进行聚类分析，发现车辆处于高速状态下的驱动电机能耗较高，将高速区间的聚类中心点作为高速状态的阈值线。定义了车辆的不同状态，对不同状态的驱动电机能耗进行统计，发现车辆在加速时驱动电机消耗的能耗较高，从而分析了在加速状态下不同车速的能耗，结合车速与加速度的分布情况，对急加速事件的阈值线提出新的识别算法。统计了三号车和四号车能量回收能耗的占比。最后基于以上分析选取了7个驾驶行为能耗评价指标。 （3）建立了驾驶行为能耗评估模型。基于前文选取的 7 个驾驶行为能耗评价指标，首先对评价指标的数值进行归一化处理，统计评价指标的区间数据分布，再利用随机森林中算法输出评价指标对于驱动电机能耗的重要性，将重要性作为评价指标的权重系数，最后将所有评价指标归一化后值的加权和作为驾驶行为能耗得分。 （4）建立了电动汽车剩余续驶里程预测模型。分析了主要影响电动汽车剩余续驶里程的因素，主要包括电池环境温度、电器用电负荷率。将电池荷电状态，驾驶行为能耗得分，电池环境温度，电器用电负荷率，速度工况信息作为预测模型的输入。与支持向量回归、前馈神经网络和循环神经网络算法相比，结果显示长短期记忆网络算法的预测效果最好。最后，建立了考虑驾驶行为能耗影响的电动汽车剩余续驶里程预测模型。利用剩余续驶里程准确度确定系数来评价模型预测效果，结果表明，预测模型在预测四辆车单个行车事件中的表现，剩余续驶里程准确度确定系数分别由输入不含驾驶行为因素的 0.9514、0.9644、0.9532、0.9531 提高至输入含有驾驶行为因素的0.9756、0.9946、0.9725、0.9680，预测准确度有所提高。
NETL