基于径向基函数与前向反馈传播人工神经网络的电动汽车日能耗与电池容量估算研究

《Next Research》：Radial Basis Function and Feedforward Backpropagation Artificial Neural Networks for Electric Vehicles Daily Energy Consumption and Battery Capacity Estimations

本研究针对电动汽车能耗预算需求，开发了径向基函数神经网络（RBFN）和前向反馈传播人工神经网络（FFBPNN）模型，用于估算BEV和PHEV的日能耗与电池容量。结果表明FFBPNN在日能耗估算中MSE低至1.36E-04，精度达99.6%，较RBFN提升22.24倍，可为能源机构基础设施规划提供精准预测工具。

　　

随着全球碳中和目标的推进，电动汽车（Electric Vehicles, EV）正以前所未有的速度普及。然而，电池续航焦虑和充电设施不足仍是制约其发展的关键瓶颈。能源机构在进行城市充电网络规划时，往往缺乏精准的日能耗预测工具——这就像建造房屋却不知建材用量，可能导致资源错配或设施闲置。更复杂的是，电动汽车能耗受到车速、坡度、空调使用、道路条件等多达十余种因素的动态影响，传统统计模型难以捕捉其非线性关系。

针对这一难题，印第安纳州立大学的Bukola Peter Adedeji和Abdulhamid Zaidi在《Next Research》发表研究，创新性地将两种人工智能算法应用于能耗预测。研究团队收集了电池电动汽车（BEV）和插电式混合动力汽车（PHEV）的日能耗、电池容量、行驶里程、车型和初始荷电状态等五维数据，分别构建了径向基函数神经网络（Radial Basis Function Network, RBFN）和前向反馈传播人工神经网络（Feedforward Backpropagation Artificial Neural Network, FFBPNN）模型。通过对比发现，FFBPNN在日能耗预测中的均方误差（MSE）低至1.36×10^-4，精度达到99.6%，其预测效果显著优于RBFN模型。

关键技术方法包括：基于K均值聚类的RBFN中心点优化算法、TensorFlow平台上的神经网络架构设计，以及采用80%数据集训练与20%测试的验证策略。研究覆盖小型车、中型车、SUV和小型卡车等不同车型，通过均值绝对误差（MAE）、均方误差（MSE）和均方根误差（RMSE）三重指标评估模型性能。

【方法】章节显示，研究采用变量筛选、数据预处理和参数优化的标准流程。FFBPNN通过误差反向传播机制动态调整权重，而RBFN则依赖径向基函数的局部响应特性进行拟合。两种模型均使用Python编程实现，确保了算法的可复现性。

【每日能耗估算的RBFN结果】表明，该模型训练集的MAE、MSE和RMSE分别为0.137、0.0736和0.271。虽然RBFN能够捕捉数据的基本趋势，但其误差值显著高于后续介绍的FFBPNN模型。

在【每日能耗估算的比较分析】中，研究者通过可视化对比揭示：FFBPNN的MAE指标仅为RBFN的1/22.24，在电池容量估算方面精度也高出5.5倍。图16直观展示出FFBPNN在所有误差指标上的全面优势，特别是其对极端值的稳健预测能力。

【结论】部分强调，FFBPNN模型成功整合了不同车型的能耗特征，证明人工神经网络在复杂系统预测中的优越性。该模型不仅可用于个人用户的续航规划，更能为政府机构的充电网络布局提供决策支持。例如在北美地区，能源部门可依据预测结果动态调整电网负荷，避免因电动汽车集中充电导致的峰值压力。

本研究的重要价值在于将机器学习从理论层面向实际应用推进了一步。相较于传统方法，FFBPNN模型展现出对多参数耦合系统的高解释力，其99.6%的预测精度为能源预算提供了工业级解决方案。未来研究可进一步集成实时交通数据与气候变量，构建更具适应性的动态预测系统，最终推动电动汽车产业与智慧城市的协同发展。