Fig. 1 Methodology Framework
隨著電動公交車的快速發展與應用,準確與實时的電動公交車能耗(EBEC)預測對於電池容量選擇以及動態調度管理都非常重要。在這項研究中,提出了一種新穎的兩步EBEC預測方法,方法中包括stochastic RF模型與合作式的kNN RF模型。該方法可以有效的提高能耗預測精度並同時實現更加快速的響應。在stochastic RF模型中,建立隨機速度生成模型來選取公交車運動學特徵作為一部分輸入參數,並且將外部影響因素同時作為RF算灋的輸入參數,以此來能够提高EBEC的能耗預測能力。在一定數量的行程積累後,建立起kNN RF模型來替代隨機速度曲線生成模型來節省計算時間,從而提升預測效率。在此研究中,利用收集到的深圳市連續5個月共計163800個電動公交車旅程數據對模型進行測試。結果表明,所提出的stochastic RF模型對所有選擇的名額都有很好的預測效能,與現有模型相比,MAE的準確率提高了9.470-51.144%。此外,與stochastic RF模型相比,kNN RF模型可以節省高達97.142%的計算時間,而預測精度只降低1.795%。據此可以說明,在有一定量行程數據積累的基礎上,kNN RF模型可以有效的大幅度减少計算時間成本,而只犧牲很少的準確性。本研究提出的模型可應用於都市規模的電動公交車運營系統中支持實时調度和運營管理。
Fig. 3 Flowchart of kNN searching model
研究者相信,此項研究將會為準確與實时的電動公交車能耗預測提供新的思路。在未來全面實行公車電動化的背景下給大規模的公交車調度奠定基礎。相關論文線上發表在應用能源(DOI:https://www.sciencedirect.com/science/article/pii/S0306261921006280)上,並於當期Inside Front Cover做簡要介紹。
Fig. 12 Comparison between stochastic RF model and kNN RF model
原文刊載於【InfoMat】公眾號
本文版權歸原作者所有,文章內容不代表平臺觀點或立場。如有關於文章內容、版權或其他問題請與我方聯系,我方將在核實情况後對相關內容做删除或保留處理!