电动公交车电池荷电状态的Seq2Seq 预测方法.pdf

DOI:10.3785/j.issn.1008-973X.2023.10.014电动公交车电池荷电状态的 Seq2Seq 预测方法董红召，王桢，张楠，佘翊妮，林盈盈(浙江工业大学智能交通系统联合研究所，浙江杭州310014)摘要：针对高维输入特征和长时预测需求下荷电状态预测困难的问题，提出一种电动公交车电池荷电状态的Seq2Seq 预测方法.在电池状态的基础上引入车辆行驶状态和行驶工况，利用特征选择算法分析各因素对荷电状态的影响.以 LSTM 为基本单元结构，WN-Seq2Seq 算法融合 Seq2Seq 与 WaveNet 循环结构，可以强化高维输入特征与预测荷电状态的序列信息记忆与表征能力，从而提高模型的预测精度.通过 20212022 年杭州市 4 辆电动公交车实际行驶数据验证表明，在引入车辆行驶状态和行驶工况后，WN-Seq2Seq 模型的评价指标均方误差（MSE）、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)和模型计算时间（MCT）分别为 0.505%、0.479%、0.656%和0.017s.研究结果表明相比传统模型，预测精度及稳定性都有所提升，在不同温度区间下都具有良好的预测效果，为电动公交车能耗控制策略、安全管理提供合理且可靠的参数决策支持.关键词：电动公交车；荷电状态预测；深度学习；序列到序列；循环神经网络中图分类号：TM912文献标志码：A文章编号：1008973X（2023）10205109Seq2Seq prediction method of state of charge of electric bus batteryDONGHong-zhao,WANGZhen,ZHANGNan,SHEYi-ni,LINYing-ying(Joint Institute of Intelligent Transportation System,College of Mechanical Engineering,Zhejiang University of Technology,Hangzhou 310014,China)Abstract:ASeq2Seqpredictionmethodforthestateofchargeofelectricbusbatterieswasproposedtoaddressthedifficultyofpredictingthestateofchargeunderhigh-dimensionalinputfeaturesandlong-termpredictionneeds.Thebatterystatepredictionwasenhancedbyincorporatingvehicledrivingstatusandoperatingconditions.Theimpactofvariousfactorsonthestateofchargewasanalyzedusingfeatureselectionalgorithms.TheWN-Seq2SeqalgorithmintegratedSeq2SeqandWaveNetcyclicstructures,whichcouldenhancethememoryandrepresentationabilityofhigh-dimensionalinputfeaturesandpredictedstateofchargesequenceinformation.Theaccuracyofthemodelspredictionwasimproved.ValidationusingactualdrivingdatafromfourelectricbusesinHangzhoufrom2021to2022demonstratedtheeffectivenessoftheWN-Seq2Seqmodel.Themeansquarederror(MSE)reached0.505%,themeanabsoluteerror(MAE)reached0.479%,themeanabsolutepercentageerror(MAPE)reached0.656%,andthemodelcomputationtime(MCT)reached0.017s.Thepredictionaccuracyandstabilityweresignificantlypromotedcomparedwithtraditionalmodels.TheWN-Seq2Seqmodelexhibitedgoodpredictionperformanceacrossdifferenttemperatureranges.Thefindingsprovidereliabledecision-makingsupportforenergyconsumptioncontrolstrategiesandsafetymanagementofelectricbuses.Key words:electricbus;stateofchargeprediction;deeplearning;sequencetosequence;recurrentneuralnet-works电动公交车零污染、低排放、低能耗的特点为环境和能源问题提供重要的解决途径1.荷电状态（stateofcharge，SOC）作为电动公交车电池管理系统（batterymanagementsystem，BMS）中评估剩余可用能量的重要参数2，可以保障电动汽车的整车能量控制、充放电策略、安全管理等功能稳定运行3-6.复杂多变的负载和环境导致电池SOC 无法直接测量，因此电池 SOC 预测一直是收稿日期：20221106.网址： 开发的难点之一.目前电池 SOC 预测方法主要包括模型实验法和数据驱动法.在模型实验法中，来鑫等7提出一种基于粒子群优化算法的 OCV 曲线优化方法，相比传统 HPPC 测试法具有更高的全局精度.罗勇等8根据电池组充放电实验，得出不同电池参数的电池容量修正因子，提出带容量修正的安时积分法.寇发荣等9利用人工蜂群算法和随机森林优化算法分别实现电池模型参数辨识和 SOC估计.孙国强等10以磷酸铁锂电池为研究对象，提出一种基于分数阶阻抗模型的锂电池 SOC 估计方法.孙金磊等11提出基于 FFLRS-EKF 联合算法的电池 SOC 估计方法，利用 FFLRS 修正电池模型，通过 EKF 算法修正电池模型估计的 SOC.Schwunk 等12基于较好参数的综合性电池模型，利用粒子滤波描述电池的外部特性，显著提升SOC 的预测精度.模型实验法在测量实验的基础上建立电池模型，一定程度上能表征电池内、外部特性，但是预测精度依赖于电池模型实验的准确性.模型实验法偏重于电池内部机理及物理特征13-14，现有研究未考虑电动公交车在实际行驶过程中的电池状态、车辆行驶状态、行驶工况因素.数据驱动法仅依靠系统输入与输出间的映射关系即可建立 SOC 预测模型，无需针对不同电池工作环境来建立不同参数的电池模型.赵轩等15提出基于广义生长剪枝径向基函数神经网络的多参数纯电动客车蓄电池的 SOC 预测模型.鲍伟等16基于电动公交车稀疏采样数据，采用支持向量机算法与贝叶斯优化方法来建立电池 SOC 预测方法.电池荷电状态包含时间特征，可将其视为特殊的时间序列17.在深度神经网络架构中，循环神经网络被广泛应用于时间序列预测18-19，在时间序列预测上较为突出.Chemali 等20在未使用任何电池模型、滤波器等推理系统的情况下，利用LSTM-RNN 预测电池 SOC.现有电池 SOC 时间序列预测算法难以处理高维数据，且在长序列预测需求下，模型预测精度有待提升.结合电池状态、车辆行驶状态、行驶工况对SOC 的影响，本研究提出一种电动公交车电池荷电状态的序列到序列（sequencetosequence，Seq2Seq）预测模型.在深度学习框架下，构建 WN-Seq2Seq模型分析高维输入特征与预测 SOC 序列的关系，为电动公交车能耗控制策略、安全管理提供合理且可靠的参数决策支持.1数据来源与特征分析1.1 数据采集及内容在实际运行过程中，电动公交车的车载终端将车辆实时行驶数据通过无线通讯上传至远程监控平台.数据内容包括采样时间、经纬度、车速、SOC、电池组的总电流、总电压、平均温度等，如表 1 所示.SOC 为电动公交车电池剩余容量与总容量之比21，即电池剩余可用容量，计算式为SOC=QreQdis+Qre100%.(1)QreQdis式中：为电池中剩余的电池电荷容量，为最后一次充满电后电池中已经放掉的电荷量.表 1 电动公交车的实际行驶数据样例Tab.1Actualdrivingdatasampleofelectricbus数据名称数值采样时间2021032212:29:58经度/()120.11367纬度/()30.29656车速/(kmh1)11.796875电机转速/(rmin1)1435.0总行驶里程/km113709.3电池组总电流/A289.6电池组总电压/V494.0电池组平均温度/21.5SOC/%69.81.2 特征分析单一的影响因素无法充分反应电池在实际运行中的特性，因此传统电池 SOC 预测方法将电池状态（电压、电流、电池温度特征）作为输入.电动公交车作为完整的电力系统，在实际行驶过程中电池也受车辆行驶状态、行驶工况等因素影响.本研究基于电动公交车的实际行驶数据，在电池状态基础上引入车辆行驶状态和行驶工况，建立多维度、多场景的电池数据库，提升电动公交车电池 SOC 预测模型在实际运行场景的准确性及鲁棒性.电池状态包括 SOC、电池组总电流、电池组总电压、电池组平均温度.电池组的电流、电压与SOC 明显相关；电池温度也会影响电池组内部的化学反应；同时 SOC 在时间序列上呈高度自相关2052浙江大学学报（工学版）第57卷t+1ttt-1性.在预测时刻的 SOC 值时，可将时刻及以前的历史电池 SOC 数据作为输入.车辆行驶状态包括车速、电机转速、总行驶里程、经纬度.电池能量消耗受公交驾驶员驾驶风格的差异和道路通行状况而有所不同，车速和电机转速一定程度上可体现二者的变化规律；电动公交车电池会随着时间发生老化；总行驶里程和电池健康状态呈负相关；经纬度可以反应实际道路环境状况，如坡度、海拔等，因此将车辆行驶状态作为电池 SOC 影响因素.行驶工况分为平均加速度、平均减速度、平均速度、行驶里程、行驶时间.各行驶工况特征由与时刻的公交车实际行驶数据计算可得.电动汽车在不同工况下电池消耗规律有所不同，电动公交车相比普通车辆在行驶过程中还受公交站台等因素的影响，行驶工况更加复杂，因此将行驶工况纳入电池 SOC 的影响因素.电动公交车影响因素及特征如表 2 所示.为了验证所取的影响因素对电池 SOC 的重要程度及关联程度需要对特征进行筛选，剔除多余或无关特征，提高模型泛化能力.顶层特征选择算法中的稳定性选择筛选特征，其利用二次抽样与选择算法，使得模型有效克服过拟合并加强对数据的理解，选择算法采用随机森林与 L1 正则化.在拟合数据后，随机森林会对特征重要程度进行度量.L1 正则化会产生衡量特征重要程度的稀疏权值矩阵.稳定性选择在不同的数据和特征子集上重复操作，自动选取正则化参数以提升模型效果，最终汇总随机森林和 L1 正则化的特征选择结果，从而输出特征重要程度（D）22，结果如图 1 所示.纬度经度行驶里程平均速度行驶时间电机转速总行驶里程车速平均减速度平均加速度电池组平均温度电池组总电流电池组总电压00.20.40.60.81.01.2D图 1 SOC 特征的重要程度Fig.1ImportancedegreeofSOCfeatures图 1 结果表明车速、平均加速度、平均减速度、总行驶里程和电池组的总电流、总电压、平均温度的重要性较高，特征重要度值都高于 0.5.由于 SOC 在时间序列上自相关性强.最终所选择的输入特征如表 3 所示.表 3 SOC 预测模型的输入特征Tab.3InputfeaturesofSOCpredictionmodels特征分类输入特征电池状态SOC/%电池组总电压/V电池组总电流/A电池组平均温度/车辆行驶状态车速/(kmh1)总行驶里程/km行驶工况平均加速度/(ms1)平均减速度/(ms1)2电动公交车电池 SOC 预测2.1 Seq2Seq 模型tXtYtSeq2Seq 的编码器-解码器模型将时刻的输入序列通过编码、解码映射至预测序列、学习输入序列与预测序列间的非线性复杂关系中.模型结构体现序列间典型的时间特性，因此该结构被广泛应用在时间序列预测中，如图 2 所示，图表 2 电动公交车电池的 SOC 影响因素特征表Tab.2Influence factor characteristic of electric bus batterySOC类型特征名称电池状态SOC/%电池组总电压/V电池组总电流/A电池组平均温度/车辆行驶状态车速/(kmh1)电机转速/(rmin1)总行驶里程/km经度/()纬度/()行驶工况平均加速度/(ms1)平均减速度/(ms1)平均速度/(ms1)行驶里程/km行驶时间/s第10期董红召,等：电动公交车电池荷电状态的 Seq2Seq 预测方法 J.浙江大学学报：工学版,2023,57(10):20512059.2053中 ht与 d 分别为编码器和解码器的隐层状态.电动公交车电池管理系统在提供续驶里程、节能驾驶策略时需要预测长期电池 SOC 序列.Seq2Seq模型在面临长期输入序列时会丢失序列中部分信息，模型预测精度随着预测序列长度的增加而下降.编码器解码器t39t38t37t2 t1tt+1t+19t+1t+1t+2t+20t+2 t+3t+18 t+19 t+20tdense 全连接神经网络LSTMdenseLSTMdenseLSTMdenseLSTMXthtYtd1d2d20图 2 Seq2Seq 的编码器-解码器模型结构Fig.2Encoder-decodermodelstructureofSeq2Seq2.2 WN-Seq2Seq 模型在 Seq2Seq 的编码器-解码器模型结构上融合WaveNet 循环结构，将未来时间段的复杂预测序列拆分为多个简单的局部序列.根据输入序列循环使用单个编码器-解码器结构预测各局部序列，同时在各编码器间传递记忆信息，提高循环预测过程中高维输入序列与局部预测序列的长期记忆信息传递能力，从而提高模型的预测精度.WN-Seq2Seq 模型在 Seq2Seq 的编码器-解码MYMnYit=yt+(i1)+1,yt+(i1)+2,yt+(i1)+YitYM=Y1t,Y2t,YnttiSXit=xtS+1,xt(S1)+1,xt器结构基础上融合 WaveNet 循环结构，将长度为的预测序列按局部预测步长划分为个局部预测序列，通过循环调用单个编码器-解码器预测，最终获得完整的，如图 3 所示.时刻编码器将预处理后的第个步长为的输入序列通过 LSTM 单元进行编码，提取输入序列的内在表征能力，解析电池 SOC 影响因素的关键特征信息和时间变化规律，从而产生隐层状态，即hit=fenc(Xit).(2)hitfenc()式中：为隐层状态，为编码器的非线性映射.ihitdi0 xtyi0 ytditt=0,1dit+1第个解码器将作为初始隐层状态，作为初始输入，随后解码器采用 LSTM 单元将预测值与隐层状态按预测步长产生隐层状态，计算式为dit+1=fdec(dit,yt+t).(3)fdec()式中：为解码器非线性映射.dit+1 yt+1iYitiXitYitXi+1tXi+1ti+1ihitXi+1t每个所组成的特征空间通过 dense 全连接层映射至样本标记空间，从而获得预测值，最终 WN-Seq2Seq 模型获得第个解码器的预测序列.WN-Seq2Seq 模型将第个编码器-解码器的部分输入序列和预测序列合并为，并将作为第个编码器-解码器的输入序列.该模型将第个编码器产生的隐层状态与同时通编码器t39 t38 t37t2t1tLSTM解码器LSTMdenset+4t+5LSTMdenset+1tt+1LSTMdenset+2LSTMdenset+17t+20LSTMdenset+16t+15t+16LSTMdenset+17LSTMdenset+9t+8LSTMdenset+6t+5t+6LSTMdenset+7t+1 t+2 t+3 t+4 t+5t+6t+1 t+2t+19 t+20t+7 t+8 t+9 t+10t+16 t+17 t+18 t+19 t+20编码器LSTM解码器编码器LSTM解码器提取SOC电池组平均温度电池组总电压电池组总电流平均加速度平均减速度车速总行驶里程t 时刻输入特征dense全连接神经网络向量合并t t+1YtiYti+1Yti+5t34 t33 t32t+3t+4t+5t24 t23 t22t+13 t+14 t+15d1ihtihtiXtihti+1hti+1Xti+1hti+4Xti+4d2id5id1i+1d1i+4d2i+1d2i+4d5i+1d5i+4SOCt+1SOCt+2SOCt+19SOCt+20图 3 WN-Seq2Seq 的编码器-解码器模型结构Fig.3Encoder-decodermodelstructureofWN-Seq2Seq2054浙江大学学报（工学版）第57卷hi+1ti+1i过 LSTM 单元进行编码产生隐层状态，模型在可预测过程中完整地传递输入序列和局部预测序列的微观特性，保障记忆信息的完备性.第个解码器的运行过程则与第个解码器类似.MYM MMMfenc()fdec()stftqtotWN-Seq2Seq 模型循环调用单个编码器-解码器最终获得预测序列长度为的结果，此时局部预测步长应小于整体预测序列步长，最终将长度的预测序列进行特征提取，得到长度的电池 SOC 预测结果.LSTM 单元作为编码器-解码器的非线性隐射、，LSTM 单元具有长期依赖性，能够避免梯度消失.各 LSTM 状态用变量作为记忆细胞，并由 3 个 sigmoid 门控制：遗忘门、输入门、输出门，三者互相协调并控制信息在网络中的流动.2.3 编码器tXitXithit将时刻作为输入序列，编码器可学习至隐层状态的非线性映.编码器选择 LSTM 作为循环神经网络单元如图 4 所示.si1sihti1htihtiXtif iqioitanhtanh+图 4 编码器中 LSTM 单元的结构图Fig.4DiagramofindecoderLSTMunitstructure编码器的更新过程为fi=(Wfhi1t,Xit+bf),(4)qi=(Wqhi1t,Xit+bq),(5)oi=(Wohi1t,Xit+bo),(6)si=fisi1+qitanh(Wshi1t,Xit+bs),(7)hit=oitanh(si).(8)hi1t,Xiti1iWfWqWoWsbfbqbobs式中：为第个隐层状态和第个输入序列的组合，、为训练的参数，为 sigmoid 函数.2.4 解码器YithitYit为了得到预测序列，通过 LSTM 对输入的隐层状态进行解码.如图 5 中解码器所示，在预测序列时通过 LSTM 传递隐层状态，并将每次预测的结果作为下一次预测的输入.已知的隐层hitdtdt+1状态和当前输入序列的最后一个变量分别作为解码器的初始隐层状态和初始输入，解码器学习从状态到的非线性映射，选择 LSTM 作为循环神经网络单元如图 5 所示.stidtytf t+1iqt+1iot+1ist+1idt+1dt+1+tanhtanh图 5 解码器中 LSTM 单元结构图Fig.5LSTMunitstructurediagramindecoder解码器的更新过程为fit+1=(Wfdt,yt+bf),(9)qit+1=(Wqdt,yt+bq),(10)oit+1=(Wodt,yt+bo),(11)sit+1=fit+1sit+qit+1tanh(Wsdt,yt+bs),(12)dt+1=oit+1tanh(sit+1).(13)dt,yttWfWqWoWsbfbqbobs式中：为解码器在第步预测时 LSTM 隐层状态和对应序列预测值的拼接，、为训练参数.dt+1 yt yt+1最后通过全连接网络 dense 将解码器预测的隐层状态和前一个预测值作为输入得到最终预测值，具体计算式为 yt+1=vTy(tanh(Wydt+1,yt+bW)+bv.(14)vyWybWbv式中：、为训练参数.3实验验证与结果分析3.1 数据来源与实验设置实验数据来源于杭州市公交公司的比亚迪商用车智能服务系统中 4 辆电动公交车实际行驶数据（SOC、电池组电压、电池组电流、电池组平均温度、平均加速度、平均减速度、车速、总行驶里程），各车行驶路线为 290 路、193 路、4B 路、188 路.数据采样时间为 2021312022229，数据采样频率为 0.3Hz，有效数据总量共 420 万条.将 3 辆电动公交车（290 路、4B 路、188 路）4 个季节不同月份的实际行驶数据作为训练集进行模型第10期董红召,等：电动公交车电池荷电状态的 Seq2Seq 预测方法 J.浙江大学学报：工学版,2023,57(10):20512059.2055训练.一辆公交车（193 路）4 个月的实际行驶数据（1 月、4 月、7 月、10 月）作为模型测试集，验证 WN-Seq2Seq 模型的预测效果，训练集的数据量为2656467 条，测试集的数据量为 199961 条.对原始电动公交车进行实际行驶数据预处理.预处理内容包括异常值处理、缺失值补全和归一化.异常值处理方法为 3准则.缺失值补全采用均值填充与 MICE 算法，归一化采用 Min-Max.S实验基于 PyTorch 深度学习框架搭建 WN-Seq2Seq 模型，硬件配置为：Ryzen74800HCPU，RTX2060，16GB 内存.WN-Seq2Seq 模型训练采用余弦退火和自适应矩估计（adaptivemomentes-timation，Adam）23优化器，训练的学习率从 0.001开始，选择均方误差作为训练损失函数，输入序列步长设置为 40，局部预测序列步长为为 5，完整预测序列步长 M 为 20.模型选择均方误差（meansquarederror，MSE）、平均绝对误差（meanabsoluteerror，MAE）、平均绝对百分比误差（meanabsolutepercentageerror，MAPE）作为 SOC 预测结果的评价指标.3.2 各模型预测结果与分析验证 WN-Seq2Seq 模型预测电动公交车电池SOC 的准确性、可靠性及鲁棒性.将该模型与传统时间序列预测模型进行对比，并分析在不同隐层状态维度的预测结果.对比分析隐层状态维度对 WN-Seq2Seq 预测结果的影响，实验结果如表 4所示.随着 LSTM 隐层状态维度增加，预测准确度也在提升，也使模型参数增多，引发过拟合的现象.对比实验结果，当维度从 32 增加到 64 时，预测精度有所增长，模型预测误差降低 16%，但是从 64 增加到 128 时预测精度略有下降.由此说明简单的增加隐层状态维度无法显著增加 WN-Seq2Seq 模型的预测精度.表 4 不同隐层状态维度 WN-Seq2Seq 预测的评价结果Tab.4EvaluationofWN-Seq2Seqpredictionresultsfordif-ferenthiddenstatedimensions隐层状态维度MSE/%MAE/%MAPE/%320.6090.5750.765640.5050.4790.6561280.5080.4840.663将 LSTM、BILSTM、Seq2Seq 与 WN-Seq2Seq进行对比，模型参数设置相同.各模型评价指标及模型计算时间（modelcalculationtime，MCT）如表 5 所示，部分电动公交车实际充放电循环下模型的预测效果如图 6 所示.从表 5 中可得，WN-Seq2Seq 的评价指标 MSE、MAE、MAPE 分别为0.505%、0.479%、0.656%，MAE 与 MAPE 相比于其他模型降低 13%32%，MSE 则降低了 27%65%，无论在预测稳定性和准确性上都优于传统时间序列预测模型.表 5 各模型预测的结果评价值和计算时间Tab.5Evaluationofpredictionresultsandcalculationtimeofeachmodel模型名称MSE/%MAE/%MAPE/%MCT/sLSTM1.1630.7090.9600.001BILSTM1.0900.6570.8860.002Seq2Seq0.6980.5490.7570.012WN-Seq2Seq0.5050.4790.6560.017预测值原值误差SOC/%E/%t/30 s(d)WN-Seq2Seq40608010002 0004 000024SOC/%E/%t/30 s(c)Seq2Seq40608010002 0004 000024SOC/%E/%t/30 s(b)BILSTM40608010002 0004 000024SOC/%E/%t/30 s(a)LSTM2056浙江大学学报（工学版）第57卷预测值原值误差40608010002 0004 000024SOC/%E/%t/30 s(d)WN-Seq2SeqSOC/%E/%t/30 s(c)Seq2SeqSOC/%E/%t/30 s(b)BILSTMSOC/%E/%t/30 s(a)LSTM图 6 不同模型预测 SOC 曲线与误差的对比Fig.6ComparisonofSOCcurvesanderrorspredictedbydifferentmodelsWN-Seq2Seq 模型的算计时间为 0.017s，相比其他模型慢了 0.0050.016s.由于数据采集频率为 0.3Hz，WN-Seq2Seq 模型计算时间满足实际需求.从图 6 中可以看出，预测过程中所有模型在充电和放电的切换过程中误差 E 都有所增大，随后在充电和放电的过程中逐渐稳定.相比传统时间序列预测模型，WN-Seq2Seq 在充放电切换过程时的预测误差变化相对较小.在充放电过程中，传统时间序列预测模型捕捉 SOC 值突变的能力和真实值的预估能力较差，预测过程中易出现自偏离现象，而 WN-Seq2Seq 模型在预测过程中能够有效对自偏离现象进行调整，从而提高预测真实SOC 值的能力.3.3 各特征预测结果与分析分析模型引入不同特征的预测效果，展开消融实验.WN-Seq2Seq 模型加入不同特征后评价指标如表 6 所示.在电池状态的基础上分别引入车辆行驶状态或行驶工况，模型预测精度和稳定性都有所提升.加入车辆行驶状态和行驶工况，模型预测效果显著提高，评价指标 MSE、MAE、MAPE分别为 0.505%、0.479%和 0.656%，相比其他特征类别 MAE 与 MAPE 降低了 9%20%，MSE 降低了20%21%.电动公交车在实际行驶过程中，车辆行驶状态及行驶工况对电池 SOC 有一定程度影响.引入的车辆行驶状态和行驶工况有效地提升模型预测预测准确性及稳定性，引入车辆行驶状态和行驶工况后模型计算时间为 0.017s，与其他特征类别的模型计算时间差距较小.表 6 不同特征类别 WN-Seq2Seq 预测的评价结果Tab.6EvaluationofWN-Seq2Seqpredictionresultsfordifferentfeaturecategories特征类别MSE/%MAE/%MAPE/%MCT/s特征类别MSE/%MAE/%MAPE/%MCT/s电池状态0.68300.59900.81700.0145电池状态+行驶工况0.56200.53400.72300.0160电池状态+车辆行驶状态0.54600.52900.72100.0149电池状态+车辆行驶状态+行驶工况0.50500.47900.65600.01703.4 单个充放电周期内预测结果与分析分析 WN-Seq2Seq 模型在单个充放电周期内的预测效果，结果如图 7 所示.模型在放电过程预测的效果明显优于充电过程，主要原因是放电阶段车辆行驶状态特征与工况特征提高了模型的预测效果，而在充电阶段车辆处于静止状态，车辆行驶特征与工况特征未发挥作用.同时当 SOC 低于 50%时，SOC 的下降的速率加快增加了模型预测的难度从而导致模型预测精度有所下降.3.5 各温度区间模型预测结果与分析不同空气温度 C 下电池实际容量具有差异性，故检验 WN-Seq2Seq 在各温度区间的预测效果.取 010、1020、2030、3040 进行实验验证，各温度区间下模型预测结果的评价指标如表 7 所示.部分电动公交车实际充放电循环12:0015:0018:0021:0000:0003:000246E/%12:0015:0018:0021:0000:0003:00406080100绝对误差预测值原值SOC/%t图 7 单个充放电周期内 WN-Seq2Seq 的预测曲线与误差Fig.7PredictioncurveanderrorofWN-Seq2Seqinsinglecharge-dischargecycle第10期董红召,等：电动公交车电池荷电状态的 Seq2Seq 预测方法 J.浙江大学学报：工学版,2023,57(10):20512059.2057下模型的预测效果如图 8 所示.从实验结果来看，对于评价指标 MSE 和 MAE，当温度处于 3040时模型预测效果最优.对于评价指标 MAPE，当温度处于 2030 时，模型预测效果最优.当空气温度降低，电池实际容量会产生变化，从而提高了模型的预测难度.WN-Seq2Seq 模型在各温度区间下都能保证可靠的预测精度及稳定性.表 7 不同温度区间 WN-Seq2Seq 预测的评价结果Tab.7EvaluationofWN-Seq2Seqpredictionresultsindiffer-enttemperatureranges温度区间/MSE/%MAE/%MAPE/%0100.4890.4640.70910200.5490.4990.65920300.5240.4960.58830400.4690.4610.687预测值原值空气温度100806040SOC/%05001 000t/30 s(a)010 8642C/100806040SOC/%05001 000t/30 s(b)1020 20181614C/100806040SOC/%05001 000t/30 s(c)2030 262524C/SOC/%t/30 s(d)3040 C/预测值原值空气温度SOC/%t/30 s(a)010 C/SOC/%t/30 s(b)1020 C/SOC/%t/30 s(c)2030 C/100806040SOC/%05001 000t/30 s(d)3040 36343230C/图 8 不同温度区间 WN-Seq2Seq 预测 SOC 曲线的对比Fig.8ComparisonofWN-Seq2SeqpredictedSOCcurvesindiffer-enttemperatureranges4结论（1）为了充分考虑电动公交车电池在实际驾驶场景中的影响因素，在电池状态的基础上引入车辆行驶状态和行驶工况预测电池 SOC，实验结果表明加入特征后模型预测精度有所提高.（2）融合 Seq2Seq 与 WaveNet 循环结构，建立WN-Seq2Seq 模型.实验结果表明，相比传统时间序列预测模型 WN-Seq2Seq 模型的预测准确性和稳定性更优.（3）不同温度下电池实际容量具有差异性，分析 WN-Seq2Seq 在不同温度区间的预测效果，结果表明模型在各温度区间下都具有优秀的预测效果.（4）所提的电动公交车电池荷电状态 WN-Seq2Seq 预测方法能将预测的 SOC 与 BMS 实际上传的 SOC 进行相互佐证，对电池管理系统在线诊断意义重大.发现电池能耗规律为电动公交车能量控制策略、安全管理提供科学的参数决策支持.参考文献(References):MANZOLLIJA,TROVOJP,ANTUNESCH.Areviewofelectric bus vehicles research topicsmethods and trendsJ.Renewable and Sustainable Energy Reviews,2022,159:112211.1朱丽群,张建秋.一种联合锂电池健康和荷电状态的新模型 J.中国电机工程学报,2018,38(12):36133620.ZHULi-qun,ZHANGJian-qiu.Anewmodelofjointedstatesofcharge and health for lithium batteriesJ.Proceedings of theCSEE,2018,38(12):36133620.2常九健,张煜帆.基于 EMB 的纯电动汽车制动能量回收优化控制策略研究 J.汽车工程,2022,44(1):6472.32058浙江大学学报（工学版）第57卷CHANG Jiu-jian,ZHANG Yu-fan.Research on optimizationcontrolstrategyforbrakingenergyrecoveryofabatteryelectricvehicle based on EMB systemJ.Automotive Engineering,2022,44(1):6472.SOLDOJ,KUGORB,DEURJ.Onlinesynthesisofanoptimalbatterystate-of-chargereferencetrajectoryforaplug-inhybridelectriccitybusJ.Energies,2021,14(11):3168.4胡韵华,冯瑾涛,邓清闯,等.电动汽车直流充电桩自动化测试平台的设计与应用 J.电力系统保护与控制,2021,49(7):150159.HU Yun-hua,FENG Jin-tao,DENG Qing-chuang,et al.DevelopmentandapplicationofautomatedtestplatformforDCchargingpilesofelectricvehiclesJ.Power System Protectionand Control,2021,49(7):150159.5王义军,左雪.锂离子电池荷电状态估算方法及其应用场景综述 J.电力系统自动化,2022,46(14):193207.WANG Yi-jun,ZUO Xue.Review on estimation methods forstate of charge of lithiumion battery and their applicationJ.Automation of Electric Power Systems,2022,46(14):193207.6来鑫,李云飞,郑岳久,等.基于 SOC-OCV 优化曲线与 EKF 的锂离子电池荷电状态全局估计 J.汽车工程,2021,43(1):1926.LAI Xin,LI Yun-fei,ZHENG Yue-jiu,et al.An overallestimation of state-of-charge based on SOC-OCV optimizationcurveandEKFforlithiumionbatteryJ.AutomotiveEngineering,2021,43(1):1926.7罗勇,祁朋伟,黄欢,等.基于容量修正的安时积分 SOC 估算