纯电动汽车剩余续驶里程预测技术分析
摘要：随着电动汽车的不断普及，纯电动汽车剩余续驶里程备受重视，如何对续驶里程进行准确预测尤为关键。本文以驾驶行为量化因子为依托，构建预测模型，用于里程预测。首先选择构建模型所需的指标，并运用随机森林算法赋予指标权重，在此基础上确定量化因子，然后构建预测模型，并通过实车分析的方式，确定预测模型的应用效果。最后得出相应的结论，希望通过本文研究，为相关行业提供借鉴。
关键词：电动汽车剩余续驶里程预测模型
近些年，我国新能源汽车行业快速发展，在查阅相关机构公布的数据后得知，仅2022年1年，我国新能源车辆的销售量就超过680万辆，其中，纯电动汽车的占比接近80%。在纯电动汽车数量持续增加的背景下，剩余续驶里程预测功能备受重视，虽然多数电动汽车均具备此项功能，但由于考虑内容有限，导致预测结果不够精准，使客户体验受到不利影响，为此，需要运用更加精确的技术，以增强用户体验感。
1数据采集和处理
1.1数据采集
本研究所使用的数据来源于某款新能源汽车行驶数据，该款车型向监管平台发送数据时所使用的频率为0.2Hz，主要上传数据分别为整体数据、车辆位置数据和驱动电机数据等。为确保数据能够对驾驶员行为进行准确反馈，本研究随机选择四台车，将其作为研究对象，并在监管平台中导出这些车辆的历史数据，其中，数据时间范围是2022年12月至2023年5月，数据总量[1]。
1.2数据处理
考虑到所采集的数据会受到外界环境因素的影响，导致解码后存在诸多问题，如，异常、重复和缺失值等，为避免此类情况，需要开展预处理，具体流程如下。
处理原始报文。在解析原始报文的过程中，主要将GB/T32960和企业相关标准作为依据，在处理完成后，即可得到里程预测所需的数据信息，之后，需要转换采集时间，使其成为时间错格式，最后，对各时刻车辆加速度予以准确计算。
处理异常和缺失值。通过法则的运用，对异常值进行处理，主要处理方式为剔除和识别。对于缺失值，则运用分段线性法做填充处理。
处理重复值。处理时，需要将重复值删除，并通过分段线性插值法填充所需的值。
在经过上述步骤后，异常数据会被有效处理，接下来，需要采取下述手段，对数据进行深度处理。划分片段，将非行车片段删除，即划分驾驶事件，并以20s为基准，确定短行驶片段，若行驶片段时长小于20s，忽略即可。在处理后，本研究所得到的数据共为6800000条，驾驶事件的数量为3620个。数据分布情况如表1所示。
2基于驾驶行为的评价指标选取
为准确分析驾驶行为与续驶里程之间的关系，保证评价指标的应用效果，本研究以车速加速度影响等方面作为切入点，对评价指标进行量化处理，如表2所示，同时，对急加速时长、能力回收等指标做详细分析[2]。
2.1急加速时长所占比重
本研究所确定的急加速事件判断阈值为和，通常情况下，车速和加速度值之间具有反比关系，即车速越快，加速度值越小，这种关系使高速区间急加速情况的识别难度大幅度增加。考虑到百分位线在划分总数据量时效果显著，但无法有效划分各速度区间，故本研究将90%百分位线作为判断阈值线，所选的分段区间为10kmh-1，单独分析各速度区间，通过上述方法，提高事件识别的准确度。
2.2能量回收所占比重
在纯电动汽车开启能量回收功能后，车辆行驶过程中所产生的制动能量会被回收，本研究统计了C车和D车的能耗占比。在观察后得知，开启能量回收功能的C车和D车，其能耗占比分别为8.8%和7.1%。考虑到不同驾驶人员驾驶行为的影响，故能量回收产生的能耗存在差别。
2.3确定驾驶行为量化因子
赋予各项指标权重，是明确驾驶行为量化因子的前提条件。为消除人为因素的影响，本研究对客观赋权法加以运用。鉴于各项指标之间存在联系和影响，本文通过随机森林法评估指标的重要程度[3]。
2.3.1随机森林法
该算法属于常用的模型，其集成了大量的决策树模型，预测效果极为显著，众多学者研究结果表明，在训练样本时运用此项方法效果良好，与其他算法相比，计算复杂程度较低，且能够实现对复杂数据的快速处理。其中，算法应用步骤如下所述。
（1）建立n棵决策树，并将OBD数据矩阵输入到其中用于后续预测，其中，矩阵由XOBD表示，并得到预测结果，由Yi表示，在此基础上，对预测值和实际值之间的方差进行明确，具体公式如下：
在上述公式中，实际值由Y表示；均方误差由表示。
（2）为确保其他评价指标不会在评估过程中发生改变，本次赋权仅将XP特征值序列进行调整，之后，通过决策树预测打乱后的样本，最后，计算预测值和实际值的均方误差，计算公式如下：
在上述公式中，预测值由表示；实际值由表示；均方误差由表示。
（3）指标对决策树预测精度的影响，计算公式如下：
在上述式子中，指标由表示；决策树由表示；预测精度影响