電動公交車電池荷電狀態(tài)的Seq2Seq 預(yù)測方法

董紅召，王楨，張楠，佘翊妮，林盈盈

(浙江工業(yè)大學(xué) 智能交通系統(tǒng)聯(lián)合研究所，浙江 杭州 310014)

電動公交車零污染、低排放、低能耗的特點為環(huán)境和能源問題提供重要的解決途徑[1].荷電狀態(tài)（state of charge，SOC）作為電動公交車電池管理系統(tǒng)（battery management system，BMS）中評估剩余可用能量的重要參數(shù)[2]，可以保障電動汽車的整車能量控制、充放電策略、安全管理等功能穩(wěn)定運行[3-6].復(fù)雜多變的負(fù)載和環(huán)境導(dǎo)致電池SOC 無法直接測量，因此電池SOC 預(yù)測一直是BMS 開發(fā)的難點之一.

目前電池SOC 預(yù)測方法主要包括模型實驗法和數(shù)據(jù)驅(qū)動法.在模型實驗法中，來鑫等[7]提出一種基于粒子群優(yōu)化算法的OCV 曲線優(yōu)化方法，相比傳統(tǒng)HPPC 測試法具有更高的全局精度.羅勇等[8]根據(jù)電池組充放電實驗，得出不同電池參數(shù)的電池容量修正因子，提出帶容量修正的安時積分法.寇發(fā)榮等[9]利用人工蜂群算法和隨機(jī)森林優(yōu)化算法分別實現(xiàn)電池模型參數(shù)辨識和SOC估計.孫國強(qiáng)等[10]以磷酸鐵鋰電池為研究對象，提出一種基于分?jǐn)?shù)階阻抗模型的鋰電池SOC 估計方法.孫金磊等[11]提出基于FFLRS-EKF 聯(lián)合算法的電池SOC 估計方法，利用FFLRS 修正電池模型，通過EKF 算法修正電池模型估計的SOC.Schwunk 等[12]基于較好參數(shù)的綜合性電池模型，利用粒子濾波描述電池的外部特性，顯著提升SOC 的預(yù)測精度.模型實驗法在測量實驗的基礎(chǔ)上建立電池模型，一定程度上能表征電池內(nèi)、外部特性，但是預(yù)測精度依賴于電池模型實驗的準(zhǔn)確性.模型實驗法偏重于電池內(nèi)部機(jī)理及物理特征[13-14]，現(xiàn)有研究未考慮電動公交車在實際行駛過程中的電池狀態(tài)、車輛行駛狀態(tài)、行駛工況因素.

數(shù)據(jù)驅(qū)動法僅依靠系統(tǒng)輸入與輸出間的映射關(guān)系即可建立SOC 預(yù)測模型，無需針對不同電池工作環(huán)境來建立不同參數(shù)的電池模型.趙軒等[15]提出基于廣義生長剪枝徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的多參數(shù)純電動客車蓄電池的SOC 預(yù)測模型.鮑偉等[16]基于電動公交車稀疏采樣數(shù)據(jù)，采用支持向量機(jī)算法與貝葉斯優(yōu)化方法來建立電池SOC 預(yù)測方法.電池荷電狀態(tài)包含時間特征，可將其視為特殊的時間序列[17].在深度神經(jīng)網(wǎng)絡(luò)架構(gòu)中，循環(huán)神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于時間序列預(yù)測[18-19]，在時間序列預(yù)測上較為突出.Chemali 等[20]在未使用任何電池模型、濾波器等推理系統(tǒng)的情況下，利用LSTM-RNN 預(yù)測電池SOC.現(xiàn)有電池SOC 時間序列預(yù)測算法難以處理高維數(shù)據(jù)，且在長序列預(yù)測需求下，模型預(yù)測精度有待提升.

結(jié)合電池狀態(tài)、車輛行駛狀態(tài)、行駛工況對SOC 的影響，本研究提出一種電動公交車電池荷電狀態(tài)的序列到序列（sequence to sequence，Seq2Seq）預(yù)測模型.在深度學(xué)習(xí)框架下，構(gòu)建WN-Seq2Seq模型分析高維輸入特征與預(yù)測SOC 序列的關(guān)系，為電動公交車能耗控制策略、安全管理提供合理且可靠的參數(shù)決策支持.

1 數(shù)據(jù)來源與特征分析

1.1 數(shù)據(jù)采集及內(nèi)容

在實際運行過程中，電動公交車的車載終端將車輛實時行駛數(shù)據(jù)通過無線通訊上傳至遠(yuǎn)程監(jiān)控平臺.數(shù)據(jù)內(nèi)容包括采樣時間、經(jīng)緯度、車速、SOC、 電池組的總電流、總電壓、平均溫度等，如表1 所示.SOC 為電動公交車電池剩余容量與總?cè)萘恐萚21]，即電池剩余可用容量，計算式為

表1 電動公交車的實際行駛數(shù)據(jù)樣例Tab.1 Actual driving data sample of electric bus

式中：Qre為電池中剩余的電池電荷容量，Qdis為最后一次充滿電后電池中已經(jīng)放掉的電荷量.

1.2 特征分析

單一的影響因素?zé)o法充分反應(yīng)電池在實際運行中的特性，因此傳統(tǒng)電池SOC 預(yù)測方法將電池狀態(tài)（電壓、電流、電池溫度特征）作為輸入.電動公交車作為完整的電力系統(tǒng)，在實際行駛過程中電池也受車輛行駛狀態(tài)、行駛工況等因素影響.本研究基于電動公交車的實際行駛數(shù)據(jù)，在電池狀態(tài)基礎(chǔ)上引入車輛行駛狀態(tài)和行駛工況，建立多維度、多場景的電池數(shù)據(jù)庫，提升電動公交車電池SOC 預(yù)測模型在實際運行場景的準(zhǔn)確性及魯棒性.

電池狀態(tài)包括SOC、電池組總電流、電池組總電壓、電池組平均溫度.電池組的電流、電壓與SOC 明顯相關(guān)；電池溫度也會影響電池組內(nèi)部的化學(xué)反應(yīng)；同時SOC 在時間序列上呈高度自相關(guān)性.在預(yù)測t+1 時刻的SOC 值時，可將t時刻及以前的歷史電池SOC 數(shù)據(jù)作為輸入.車輛行駛狀態(tài)包括車速、電機(jī)轉(zhuǎn)速、總行駛里程、經(jīng)緯度.電池能量消耗受公交駕駛員駕駛風(fēng)格的差異和道路通行狀況而有所不同，車速和電機(jī)轉(zhuǎn)速一定程度上可體現(xiàn)二者的變化規(guī)律；電動公交車電池會隨著時間發(fā)生老化；總行駛里程和電池健康狀態(tài)呈負(fù)相關(guān)；經(jīng)緯度可以反應(yīng)實際道路環(huán)境狀況，如坡度、海拔等，因此將車輛行駛狀態(tài)作為電池SOC 影響因素.行駛工況分為平均加速度、平均減速度、平均速度、行駛里程、行駛時間.各行駛工況特征由t與t-1 時刻的公交車實際行駛數(shù)據(jù)計算可得.電動汽車在不同工況下電池消耗規(guī)律有所不同，電動公交車相比普通車輛在行駛過程中還受公交站臺等因素的影響，行駛工況更加復(fù)雜，因此將行駛工況納入電池SOC 的影響因素.

電動公交車影響因素及特征如表2 所示.為了驗證所取的影響因素對電池SOC 的重要程度及關(guān)聯(lián)程度需要對特征進(jìn)行篩選，剔除多余或無關(guān)特征，提高模型泛化能力.頂層特征選擇算法中的穩(wěn)定性選擇篩選特征，其利用二次抽樣與選擇算法，使得模型有效克服過擬合并加強(qiáng)對數(shù)據(jù)的理解，選擇算法采用隨機(jī)森林與L1 正則化.在擬合數(shù)據(jù)后，隨機(jī)森林會對特征重要程度進(jìn)行度量.L1 正則化會產(chǎn)生衡量特征重要程度的稀疏權(quán)值矩陣.穩(wěn)定性選擇在不同的數(shù)據(jù)和特征子集上重復(fù)操作，自動選取正則化參數(shù)以提升模型效果，最終匯總隨機(jī)森林和L1 正則化的特征選擇結(jié)果，從而輸出特征重要程度（D）[22]，結(jié)果如圖1 所示.

圖1 SOC 特征的重要程度Fig.1 Importance degree of SOC features

表2 電動公交車電池的SOC 影響因素特征表Tab.2 Influence factor characteristic of electric bus battery SOC

圖1 結(jié)果表明車速、平均加速度、平均減速度、總行駛里程和電池組的總電流、總電壓、平均溫度的重要性較高，特征重要度值都高于0.5.由于SOC 在時間序列上自相關(guān)性強(qiáng).最終所選擇的輸入特征如表3 所示.

表3 SOC 預(yù)測模型的輸入特征Tab.3 Input features of SOC prediction models

2 電動公交車電池SOC 預(yù)測

2.1 Seq2Seq 模型

Seq2Seq 的編碼器-解碼器模型將t時刻的輸入序列Xt通過編碼、解碼映射至預(yù)測序列Y?t、學(xué)習(xí)輸入序列與預(yù)測序列間的非線性復(fù)雜關(guān)系中.模型結(jié)構(gòu)體現(xiàn)序列間典型的時間特性，因此該結(jié)構(gòu)被廣泛應(yīng)用在時間序列預(yù)測中，如圖2 所示，圖中ht與d分別為編碼器和解碼器的隱層狀態(tài).電動公交車電池管理系統(tǒng)在提供續(xù)駛里程、節(jié)能駕駛策略時需要預(yù)測長期電池SOC 序列.Seq2Seq模型在面臨長期輸入序列時會丟失序列中部分信息，模型預(yù)測精度隨著預(yù)測序列長度的增加而下降.

圖2 Seq2Seq 的編碼器-解碼器模型結(jié)構(gòu)Fig.2 Encoder-decoder model structure of Seq2Seq

2.2 WN-Seq2Seq 模型

在Seq2Seq 的編碼器-解碼器模型結(jié)構(gòu)上融合WaveNet 循環(huán)結(jié)構(gòu)，將未來時間段的復(fù)雜預(yù)測序列拆分為多個簡單的局部序列.根據(jù)輸入序列循環(huán)使用單個編碼器-解碼器結(jié)構(gòu)預(yù)測各局部序列，同時在各編碼器間傳遞記憶信息，提高循環(huán)預(yù)測過程中高維輸入序列與局部預(yù)測序列的長期記憶信息傳遞能力，從而提高模型的預(yù)測精度.

WN-Seq2Seq 模型在Seq2Seq 的編碼器-解碼器結(jié)構(gòu)基礎(chǔ)上融合WaveNet 循環(huán)結(jié)構(gòu)，將長度為M的預(yù)測序列按局部預(yù)測步長 τ 劃分為n個局部預(yù)測序列過循環(huán)調(diào)用單個編碼器-解碼器預(yù)測，最終獲得完整的如圖3 所示.t時刻編碼器將預(yù)處理后的第i個 步長為S的 輸入序列xt-(S-1)+1,···,xt}通過LSTM 單元進(jìn)行編碼，提取輸入序列的內(nèi)在表征能力，解析電池SOC 影響因素的關(guān)鍵特征信息和時間變化規(guī)律，從而產(chǎn)生隱層狀態(tài)，即

圖3 WN-Seq2Seq 的編碼器-解碼器模型結(jié)構(gòu)Fig.3 Encoder-decoder model structure of WN-Seq2Seq

第i個解碼器將作為初始隱層狀態(tài)，xt作為初始輸入，隨后解碼器采用LSTM 單元將預(yù)測值與隱層狀態(tài)按預(yù)測步長t′={0,···,τ-1}產(chǎn)生隱層狀態(tài)，計算式為

式中：fdec(·) 為解碼器非線性映射.

WN-Seq2Seq 模型循環(huán)調(diào)用單個編碼器-解碼器最終獲得預(yù)測序列長度為M的結(jié)果Y?M，此時局部預(yù)測步長應(yīng)小于整體預(yù)測序列步長 τ

2.3 編碼器

將t時刻作為輸入序列，編碼器可學(xué)習(xí)至隱層狀態(tài)的非線性映.編碼器選擇LSTM 作為循環(huán)神經(jīng)網(wǎng)絡(luò)單元如圖4 所示.

圖4 編碼器中LSTM 單元的結(jié)構(gòu)圖Fig.4 Diagram of in decoder LSTM unit structure

編碼器的更新過程為

2.4 解碼器

圖5 解碼器中LSTM 單元結(jié)構(gòu)圖Fig.5 LSTM unit structure diagram in decoder

解碼器的更新過程為

式中：vy、Wy、bW、bv為訓(xùn)練參數(shù).

3 實驗驗證與結(jié)果分析

3.1 數(shù)據(jù)來源與實驗設(shè)置

實驗數(shù)據(jù)來源于杭州市公交公司的比亞迪商用車智能服務(wù)系統(tǒng)中4 輛電動公交車實際行駛數(shù)據(jù)（SOC、電池組電壓、電池組電流、電池組平均溫度、平均加速度、平均減速度、車速、總行駛里程），各車行駛路線為290 路、193 路、4B 路、188 路.數(shù)據(jù)采樣時間為2021-3-1—2022-2-29，數(shù)據(jù)采樣頻率為0.3 Hz，有效數(shù)據(jù)總量共420 萬條.將3 輛電動公交車（290 路、4B 路、188 路）4 個季節(jié)不同月份的實際行駛數(shù)據(jù)作為訓(xùn)練集進(jìn)行模型訓(xùn)練.一輛公交車（193 路）4 個月的實際行駛數(shù)據(jù)（1 月、4 月、7 月、10 月）作為模型測試集，驗證WNSeq2Seq 模型的預(yù)測效果，訓(xùn)練集的數(shù)據(jù)量為2 656 467 條，測試集的數(shù)據(jù)量為199 961 條.對原始電動公交車進(jìn)行實際行駛數(shù)據(jù)預(yù)處理.預(yù)處理內(nèi)容包括異常值處理、缺失值補全和歸一化.異常值處理方法為3 σ 準(zhǔn)則.缺失值補全采用均值填充與MICE 算法，歸一化采用Min-Max.

實驗基于PyTorch 深度學(xué)習(xí)框架搭建WNSeq2Seq 模型，硬件配置為：Ryzen 7 4800H CPU，RTX 2060，16 GB 內(nèi)存.WN-Seq2Seq 模型訓(xùn)練采用余弦退火和自適應(yīng)矩估計（adaptive moment estimation，Adam）[23]優(yōu)化器，訓(xùn)練的學(xué)習(xí)率從0.001開始，選擇均方誤差作為訓(xùn)練損失函數(shù)，輸入序列步長S設(shè)置為40，局部預(yù)測序列步長為 τ 為5，完整預(yù)測序列步長M為20.模型選擇均方誤差（mean squared error，MSE）、平均絕對誤差（mean absolute error，MAE）、平均絕對百分比誤差（mean absolute percentage error，MAPE）作為SOC 預(yù)測結(jié)果的評價指標(biāo).

3.2 各模型預(yù)測結(jié)果與分析

驗證WN-Seq2Seq 模型預(yù)測電動公交車電池SOC 的準(zhǔn)確性、可靠性及魯棒性.將該模型與傳統(tǒng)時間序列預(yù)測模型進(jìn)行對比，并分析在不同隱層狀態(tài)維度的預(yù)測結(jié)果.對比分析隱層狀態(tài)維度對WN-Seq2Seq 預(yù)測結(jié)果的影響，實驗結(jié)果如表4所示.隨著LSTM 隱層狀態(tài)維度增加，預(yù)測準(zhǔn)確度也在提升，也使模型參數(shù)增多，引發(fā)過擬合的現(xiàn)象.對比實驗結(jié)果，當(dāng)維度從32 增加到64 時，預(yù)測精度有所增長，模型預(yù)測誤差降低16%，但是從64 增加到128 時預(yù)測精度略有下降.由此說明簡單的增加隱層狀態(tài)維度無法顯著增加WNSeq2Seq 模型的預(yù)測精度.

表4 不同隱層狀態(tài)維度WN-Seq2Seq 預(yù)測的評價結(jié)果Tab.4 Evaluation of WN-Seq2Seq prediction results for different hidden state dimensions

將LSTM、BILSTM、Seq2Seq 與WN-Seq2Seq進(jìn)行對比，模型參數(shù)設(shè)置相同.各模型評價指標(biāo)及模型計算時間（model calculation time，MCT）如表5 所示，部分電動公交車實際充放電循環(huán)下模型的預(yù)測效果如圖6 所示.從表5 中可得，WNSeq2Seq 的評價指標(biāo)MSE、MAE、MAPE 分別為0.505%、0.479%、0.656%，MAE 與MAPE 相比于其他模型降低13%～32%，MSE 則降低了27%～65%，無論在預(yù)測穩(wěn)定性和準(zhǔn)確性上都優(yōu)于傳統(tǒng)時間序列預(yù)測模型.

圖6 不同模型預(yù)測SOC 曲線與誤差的對比Fig.6 Comparison of SOC curves and errors predicted by different models

表5 各模型預(yù)測的結(jié)果評價值和計算時間Tab.5 Evaluation of prediction results and calculation time of each model

WN-Seq2Seq 模型的算計時間為0.017 s，相比其他模型慢了0.005～0.016 s.由于數(shù)據(jù)采集頻率為0.3 Hz，WN-Seq2Seq 模型計算時間滿足實際需求.從圖6 中可以看出，預(yù)測過程中所有模型在充電和放電的切換過程中誤差E都有所增大，隨后在充電和放電的過程中逐漸穩(wěn)定.相比傳統(tǒng)時間序列預(yù)測模型，WN-Seq2Seq 在充放電切換過程時的預(yù)測誤差變化相對較小.在充放電過程中，傳統(tǒng)時間序列預(yù)測模型捕捉SOC 值突變的能力和真實值的預(yù)估能力較差，預(yù)測過程中易出現(xiàn)自偏離現(xiàn)象，而WN-Seq2Seq 模型在預(yù)測過程中能夠有效對自偏離現(xiàn)象進(jìn)行調(diào)整，從而提高預(yù)測真實SOC 值的能力.

3.3 各特征預(yù)測結(jié)果與分析

分析模型引入不同特征的預(yù)測效果，展開消融實驗.WN-Seq2Seq 模型加入不同特征后評價指標(biāo)如表6 所示.在電池狀態(tài)的基礎(chǔ)上分別引入車輛行駛狀態(tài)或行駛工況，模型預(yù)測精度和穩(wěn)定性都有所提升.加入車輛行駛狀態(tài)和行駛工況，模型預(yù)測效果顯著提高，評價指標(biāo)MSE、MAE、MAPE分別為0.505%、0.479%和0.656%，相比其他特征類別MAE 與MAPE 降低了9%～20%，MSE 降低了20%～21%.電動公交車在實際行駛過程中，車輛行駛狀態(tài)及行駛工況對電池SOC 有一定程度影響.引入的車輛行駛狀態(tài)和行駛工況有效地提升模型預(yù)測預(yù)測準(zhǔn)確性及穩(wěn)定性，引入車輛行駛狀態(tài)和行駛工況后模型計算時間為0.017 s，與其他特征類別的模型計算時間差距較小.

表6 不同特征類別WN-Seq2Seq 預(yù)測的評價結(jié)果Tab.6 Evaluation of WN-Seq2Seq prediction results for different feature categories

3.4 單個充放電周期內(nèi)預(yù)測結(jié)果與分析

分析WN-Seq2Seq 模型在單個充放電周期內(nèi)的預(yù)測效果，結(jié)果如圖7 所示.模型在放電過程預(yù)測的效果明顯優(yōu)于充電過程，主要原因是放電階段車輛行駛狀態(tài)特征與工況特征提高了模型的預(yù)測效果，而在充電階段車輛處于靜止?fàn)顟B(tài)，車輛行駛特征與工況特征未發(fā)揮作用.同時當(dāng)SOC 低于50%時，SOC 的下降的速率加快增加了模型預(yù)測的難度從而導(dǎo)致模型預(yù)測精度有所下降.

圖7 單個充放電周期內(nèi)WN-Seq2Seq 的預(yù)測曲線與誤差Fig.7 Prediction curve and error of WN-Seq2Seq in single chargedischarge cycle

3.5 各溫度區(qū)間模型預(yù)測結(jié)果與分析

不同空氣溫度C下電池實際容量具有差異性，故檢驗WN-Seq2Seq 在各溫度區(qū)間的預(yù)測效果.取0～10 ℃、10～20 ℃、20～30 ℃、30～40 ℃進(jìn)行實驗驗證，各溫度區(qū)間下模型預(yù)測結(jié)果的評價指標(biāo)如表7 所示.部分電動公交車實際充放電循環(huán)下模型的預(yù)測效果如圖8 所示.從實驗結(jié)果來看，對于評價指標(biāo)MSE 和MAE，當(dāng)溫度處于30～40 ℃時模型預(yù)測效果最優(yōu).對于評價指標(biāo)MAPE，當(dāng)溫度處于20～30℃時，模型預(yù)測效果最優(yōu).當(dāng)空氣溫度降低，電池實際容量會產(chǎn)生變化，從而提高了模型的預(yù)測難度.WN-Seq2Seq 模型在各溫度區(qū)間下都能保證可靠的預(yù)測精度及穩(wěn)定性.

圖8 不同溫度區(qū)間WN-Seq2Seq 預(yù)測SOC 曲線的對比Fig.8 Comparison of WN-Seq2Seq predicted SOC curves in different temperature ranges

表7 不同溫度區(qū)間WN-Seq2Seq 預(yù)測的評價結(jié)果Tab.7 Evaluation of WN-Seq2Seq prediction results in different temperature ranges

4 結(jié) 論

（1）為了充分考慮電動公交車電池在實際駕駛場景中的影響因素，在電池狀態(tài)的基礎(chǔ)上引入車輛行駛狀態(tài)和行駛工況預(yù)測電池SOC，實驗結(jié)果表明加入特征后模型預(yù)測精度有所提高.

（2）融合Seq2Seq 與WaveNet 循環(huán)結(jié)構(gòu)，建立WN-Seq2Seq 模型.實驗結(jié)果表明，相比傳統(tǒng)時間序列預(yù)測模型WN-Seq2Seq 模型的預(yù)測準(zhǔn)確性和穩(wěn)定性更優(yōu).

（3）不同溫度下電池實際容量具有差異性，分析WN-Seq2Seq 在不同溫度區(qū)間的預(yù)測效果，結(jié)果表明模型在各溫度區(qū)間下都具有優(yōu)秀的預(yù)測效果.

（4）所提的電動公交車電池荷電狀態(tài)WNSeq2Seq 預(yù)測方法能將預(yù)測的SOC 與BMS 實際上傳的SOC 進(jìn)行相互佐證，對電池管理系統(tǒng)在線診斷意義重大.發(fā)現(xiàn)電池能耗規(guī)律為電動公交車能量控制策略、安全管理提供科學(xué)的參數(shù)決策支持.