数据驱动的电动汽车电池续航分析系统设计与实现.pdfVIP

哈尔滨工业大学硕士学位论文

摘要

随着全球气候变化和环境污染问题日益严重，电动汽车作为一种可持续、

清洁的交通方式受到了广泛关注。电池系统对电动汽车的性能有重要影响，属

于核心部件之一。近年来，随着大数据等技术发展，电池相关系统可以处理大

量电池运行数据，从而对其性能进行监控与分析。本文使用数据驱动的方法对

电池剩余使用寿命与驾驶行为对电池能耗的影响进行研究，取得了良好的效果。

首先，研究了电池剩余使用寿命预测问题。将电池剩余使用寿命预测任务

转换为电池健康状态(StateofHealth,SOH)预测任务，针对常见的特征提取方法

得到的数据不适用于深度学习的问题，选取了充放电数据中固定电压间隔下的

时间间隔序列作为反映电池健康状态的特征。在该特征的基础上，设计了SOH

序列预测模型对SOH值进行预测，该模型基于Transformer框架，采用全局-局

部滑动注意力机制，将注意力机制用在滑动窗口上的特定时序数据段上。实验

结果表明，本文提出的方法在多个电池数据集上的预测性能均优于现有方法。

接着，对不同的驾驶行为进行学习，研究了驾驶风格识别任务。将车辆行

驶数据划分为多个运动学片段，对所得运动学片段计算其可以反映驾驶风格的

运动学特征，针对有监督聚类需要较高人工干预成本，无监督聚类性能常常较

差于有监督方法的问题，采用一种可自动判断类别个数的无监督深度聚类模型

对运动学片段进行聚类，该模型在聚类过程中使用分割与合并机制不断改变K

值，有助于跳出局部最优解，提升模型性能。实验结果表明，本文方法所得的

结果的聚类性能优于现有方法。

然后，在学习到的不同驾驶风格的基础上，计算了每个运动学片段的电池

能耗，对驾驶行为对电池能耗的影响开展研究。针对常见的能耗研究不具备可

解释性，无法满足为驾驶员提供驾驶建议需求的问题，采用多种特征子集选择

方法和多种回归预测模型相结合，分析了对能耗影响较大的运动学特征。选取

了预测性与解释性都较好的方法，对驾驶行为对电池能耗的影响进行解释，给

出驾驶行为建议。

最后，本文设计并实现了一个数据驱动的电动汽车电池续航分析系统，该

系统集成了上述三个功能。

关键词：数据驱动；电动汽车电池；SOH预测；无监督深度聚类；能耗分析

-I-

哈尔滨工业大学硕士学位论文

Abstract

Astheglobalclimatechangeandenvironmentalpollutionproblemsbecome

increasinglyserious,electricvehicles,asasustainableandcleanmodeof

transportation,haveattractedwidespreadattention.Thebatterysystemhasa

significantimpactontheperformanceofelectricvehicles,beingoneofthecore

components.Inrecentyears,withthepopularizationandadvancementof

technologiessuchasbigdata,battery-relatedsystemscanprocessalargeamountof

batteryoperationdata,therebymonitoringandanalyzingtheirperformance.This

paperusesadata-drivenmethodtostudytheremainingbatter