基于Transformer的纯电动汽车充电时间预测

doi:10.19562/j.chinasae.qcgc.2024.11.012

摘要/Abstract

摘要：

纯电动汽车充电时间的安排是车主日常生活中至关重要的环节，直接影响车主出行的便利度和舒适体验。然而，目前仍然面临充电桩资源不足、充电须提前规划等挑战，为解决车主因车辆电量不足而无法立即用车的问题，提出一种基于 Transformer 模型的充电时间预测解决方案，帮助车主更好地规划日常行程。为了更好地了解电池性能衰减程度和容量损失情况，采用容量法评估电池健康状态，并分析驾驶人的充电行为，对电池充电行为特征进行构建。使用Savitzky-Golay 滤波器对表征电池衰减的特征进行平滑处理，并进行累积变换，使特征能更全面地表征电池信息；再耦合皮尔逊相关系数和 LASSO（least absolute shrinkage and selection operator）回归算法二次筛选得到最优特征集。最后，利用 Transformer 模型的超强注意力机制，对充电时间进行预测。通过实验数据验证，此方案可以准确且快速地预测纯电动汽车的充电时间，决定系数达到0.999，运行时间为156 ms。

关键词: 电动汽车, 充电时间, 数据驱动, Transformer

Abstract:

The arrangement of charging time for pure electric vehicles is a crucial part of the daily life of car owners， directly affecting the convenience and comfortable experience of their travel. However， there are still challenges such as insufficient charging station resources and the need for advanced planning for charging. To solve the problem of car owners being unable to use the vehicle immediately due to insufficient battery， a charging time prediction solution based on the Transformer model is proposed to help car owners better plan their daily itinerary. In order to better understand the degree of battery performance degradation and capacity loss， the capacity method is used to evaluate the health status of batteries， and the charging behavior of drivers is analyzed to construct the characteristics of battery charging behavior. Savitzky Golay filter is used to smooth out the features representing battery attenuation and perform cumulative transformation， so that the features can more comprehensively represent battery information. Then the Pearson correlation coefficient and LASSO （Least Absolute Shrinkage and Selection Operator） regression algorithm are coupled to obtain the optimal feature set through secondary screening. Finally， using the Transformer model's strong attention mechanism， the charging time is predicted. Through experimental data verification， this scheme can accurately and quickly predict the charging time of pure electric vehicles， with a determination coefficient of 0.999 and a running speed of 156 ms.

Key words: electric vehicles, charging time, data driven, Transformer

胡杰,陈琳,王志红,卿海华,王浩杰. 基于Transformer的纯电动汽车充电时间预测[J]. 汽车工程, 2024, 46(11): 2059-2067.

Jie Hu,Lin Chen,Zhihong Wang,Haihua Qing,Haojie Wang. Transformer-Based Prediction of Charging Time for Pure Electric Vehicles[J]. Automotive Engineering, 2024, 46(11): 2059-2067.

图/表 18

图1

表1

表2

图2

图3

图4

表3

图5

图6

图7

图8

图9

图10

图11

表4

图12

表5

图13

参考文献 15

1	程树英，林鹏程，林培杰.一种新型锂电池充电剩余时间预测方法［J］.电源技术，2019，43（1）：99-102，135.
	CHENG Shuying， LIN Pengcheng， LIN Peijie. A novel method for predicting the remaining charging time of lithium batteries ［J］. Power Technology， 2019， 43 （1）： 99-102，135.
2	BI J， WANG Y， SUN S， et al. Predicting charging time of battery electric vehicles based on regression and time-series methods：a case study of beijing［J］. Energies，2018，11（5）：1040.
3	ULLAH I， LIU K， YAMAMOTO T，et al.Prediction of electric vehicle charging duration time using ensemble machine learning algorithm and shapley additive explanations［J］.Int J Energy Res， 2022，46（11）：15211-15230.
4	ULLAH I， LIU K， YAMAMOTO T，et al.Grey wolf optimizer-based machine learning algorithm to predict electric vehicle charging duration time［J］. Transportation Letters， 2023，15（7/8）：889-906.
5	杜京义，刘鑫，柳庆莉，等.基于IndyLSTM的锂电池充电剩余时间预测［J］.计算机应用与软件，2021，38（5）：112-116.
	DU Jingyi， LIU Xin， LIU Qingli， et al. Prediction of remaining time of lithium battery charging based on IndyLSTM ［J］. Computer Applications and Software， 2021，38 （5）： 112-116.
6	黄忆，刘锴，王江波，等.考虑多层混合效应的电动公交充电持续时间影响因素研究［J］.交通工程，2022，22（3）：28-32，39.
	HUANG Yi， LIU Kai， WANG Jiangbo， et al. A study on the influencing factors of electric bus charging duration considering multi-layer hybrid effects ［J］. Transportation Engineering， 2022， 22 （3）： 28-32，39.
7	林鹏程.预测锂电池充电时间的三段SVR模型［J］.电源技术，2018，42（8）：1155-1157，1232.
	LIN Pengcheng. A three stage SVR model for predicting lithium battery charging time ［J］. Power Technology， 2018，42 （8）： 1155-1157，1232.
8	魏克新，陈峭岩.基于多模型自适应卡尔曼滤波器的电动汽车电池荷电状态估计［J］.中国电机工程学报，2012，32（31）：19-26，3.
	WEI Kexin， CHEN Qiuyan. State of charge estimation of electric vehicle batteries based on multi model adaptive Kalman filter ［J］. Chinese Journal of Electrical Engineering， 2012，32 （31）： 19-26，3.
9	张凡，邢子轩，武明虎，等.数据驱动的车载动力电池使用行为分析［J］.汽车技术，2023（3）：49-55.
	ZHANG Fan， XING Zixuan， WU Minghu， et al. Data driven analysis of the usage behavior of in vehicle power batteries ［J］. Automotive Technology， 2023 （3）： 49-55.
10	李萌.基于容量增量法与机器学习算法的实车动力电池SOH估计［D］.西安：长安大学，2023.
	LI Meng. Real vehicle power battery SOH estimation based on capacity increment method and machine learning algorithm ［D］. Xi'an： Chang'an University， 2023.
11	高航. 基于机器学习的纯电动汽车的行驶里程预测研究［D］.北京：北京交通大学，2018.
	GAO Hang. Research on range prediction of pure electric vehicles based on machine learning ［D］. Beijing： Beijing Jiaotong University， 2018.
12	黄忆. 数据驱动的电动公交充电持续时间预测及影响因素研究［D］. 大连：大连理工大学，2023.
	HUANG Yi. Research on data-driven prediction and influencing factors of charging duration for electric buses ［D］. Dalian： Dalian University of Technology， 2023.
13	曹建军.基于深度学习的滚动轴承剩余寿命预测方法研究［D］.兰州：兰州理工大学，2023.
	CAO Jianjun. Research on residual life prediction method of rolling bearings based on deep learning ［D］. Lanzhou： Lanzhou University of Technology， 2023.
14	王璐，孙聚波. Lasso回归方法在特征变量选择中的应用［J］.吉林工程技术师范学院学报，2021，37（12）：109-112.
	WANG Lu， SUN Jubo. The application of lasso regression method in feature variable selection ［J］. Journal of Jilin University of Engineering and Technology， 2021， 37 （12）： 109-112.
15	辛洲扬.基于LSTM与Transformer模型的股价预测［D］.济南：山东大学，2023.
	XIN Zhouyang. Stock price prediction based on LSTM and Transformer models ［D］. Jinan： Shandong University， 2023.

数据字段名称	字段定义	有效值范围	含义与数值
车辆状态	车辆状态	01，02，03	启动，熄火，其它状态
累计里程	累计里程	0-9999999	0-99 999.9 km
总电压	总电压	0-10000	0-1 000 V
总电流	总电流	0-20000	-1 000-1 000 A，偏移量1 000 A
SOC	电池SOC	0-100	0-100%
电池单体电压最高值	单体电压最高值	0-15000	0-15 V
电池单体电压最低值	单体电压最低值	0-15000	0-15 V
最高温度值	电池单体最高温度	0-250	-40-210 ℃ 偏移量40 ℃
最低温度值	电池单体最低温度	0-250	-40-210 ℃ 偏移量40 ℃

数据字段名称	平均相对误差/%
电池单体电压最高值	0.520
电池单体电压最低值	0.521
最高温度值	0.518

SOC起始值/%	SOC终止值/%
SOC起始值/%	0-80	80-100
0-20	快速型	深度型
20-100	健康型	性能型

特征类型	特征字符
电池健康状态	SOH
充电行为特征	充电深度
	充电风格
	充电模式
电池特征	电压一致性评分
	温度一致性评分
	最低温度
	电池单体电压最高值
	总电压
	SOC
历史特征	充放电循环次数
历史特征	累计里程

模型	RMSE	R²	运行时间/ms
Transformer	1.627	0.999	156
SVR	54.221	0.989	2 710
XGBoost	10.874	0.996	182
LSTM	50.104	0.990	255