《Applied Sciences》:Cabin Temperature Prediction Integrating Meteorological Information: SHAP Interpretability Analysis and Application for Automotive Air Conditioning
编辑推荐:
座舱温度预测是改善乘员热舒适性并降低热管理系统能耗的关键技术。现有大多数座舱温度预测模型未整合外部气象信息,导致其对复杂多变环境条件的适应性较差。为解决这一问题,本文提出了一种结合区域气象信息的多源数据融合预测框架,以在实际运行场景下实现精确的座舱温度预测。沙
座舱温度预测是改善乘员热舒适性并降低热管理系统能耗的关键技术。现有大多数座舱温度预测模型未整合外部气象信息,导致其对复杂多变环境条件的适应性较差。为解决这一问题,本文提出了一种结合区域气象信息的多源数据融合预测框架,以在实际运行场景下实现精确的座舱温度预测。沙普利可加解释(SHAP)揭示了动态座舱温度预测的关键特征贡献和交互机制,并提高了数据驱动模型的可解释性。精确的预测结果量化了座舱温度上升和被动冷却的变化规律。基于这些发现,设计了低温预热和提前关闭驻车空调的自适应策略,以平衡能量效率与乘员热舒适性。实验结果表明,在雪天条件下,与基线模型相比,所提框架的平均绝对误差(MAEs)降低了13.05%,而在晴天条件下,MAE降低了22.8%。引入气象数据使XGBoost和GRU模型的MAE分别降低了14.9%和23.28%。SHAP分析进一步揭示了控制座舱温度演变的特征交互规则。此外,所提出的空调优化策略在不牺牲乘员热舒适性的情况下实现了显著的节能效果。具体而言,晴天上午预热期间的稳态能耗降低了21.5%,而提前关机优化在典型冬季条件下可实现4.9%至25.5%的节能收益。本研究为智能车辆热管理系统的优化设计提供了理论支持和工程参考。
在全球“双碳”目标与新能源产业升级的推动下,电动汽车已成为汽车消费市场的主流选择,但低温环境下座舱加热能耗巨大,可导致续航里程下降近50%。现有座舱温度预测模型多基于理想CFD仿真数据训练,与实际运行场景一致性较差,且普遍未融合外部气象信息,难以应对复杂多变的环境条件。同时,主流预热与驻车关机策略采用固定开环逻辑,无法依据温度动态演化进行自适应调节。为此,研究人员提出一种融合区域气象信息的多源数据预测框架,采用长短期记忆(LSTM)网络实现真实工况下的座舱温度精确预测,并借助SHAP可解释性分析揭示特征贡献与交互机制,进而优化空调开关策略,平衡能耗与热舒适。该论文发表在《Applied Sciences》。
研究人员的关键技术方法包括:在北京市大兴区(K?ppen气候分类:Dwa;冬季)采集一辆蔚来ET5实车数据,涵盖车内温度、出风参数及对应气象观测数据;采用Z-score归一化与时间重采样对齐多源数据,并构建监督学习时间序列样本;使用Pearson相关系数、互信息、随机森林重要性与置换重要性综合评价特征权重;以LSTM为预测模型,通过随机搜索优化超参数;采用SHAP的Gradient Explainer算法量化特征贡献与交互效应;使用均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R
2)评估模型性能。
在结果部分,研究者通过特征分析与消融实验确定最优输入特征组合,并验证了气象信息在不同模型中的通用性。具体如下:
3.1 特征分析与模型开发:通过特征权重分析和消融实验,确定历史足部出风温度、头部温度、连续小时和环境温度为最优输入特征。在晴天条件下,引入连续小时与环境温度使MAE降低22.8%,误差标准差降低75%以上;在雪天条件下,模型MAE较基线降低13.05%,R
2提高3.8%。额外验证表明,气象数据使XGBoost和GRU模型的MAE分别降低14.9%和23.28%。当气象数据采样间隔延长至3小时,模型精度保持稳定;但若完全缺失中午温度峰值数据,MAE增大101.8%。
3.2 基于SHAP分析的特征贡献机制与交互依赖研究:SHAP重要性排序为历史头部温度、出风温度、环境温度和连续小时。时间特征在13:00前对座舱温度变化呈正贡献,13:00后转为负贡献,主要受温度下降和阴影遮挡影响;环境温度在傍晚的负贡献强于早晨,并与小时特征存在交互效应;出风温度在高于40°C时表现为强正贡献,且下午的正贡献更为显著。
3.3 基于温度预测的空调开关控制策略优化可行性分析:在预热场景中,晴天早晨通过预测模型仅需16分钟即可达到目标温度20°C,相比固定30分钟策略,稳态阶段能耗降低21.5%;雪天条件下需38分钟,需提高出风温度以满足舒适需求。在提前关机场景中,晴天关机13分钟后温度下降2°C,雪天仅2.5分钟即下降2°C,对应PMV下降约0.5,该策略可实现4.9%至25.5%的节能收益。
讨论部分指出,预测误差会随预测时长增加而增大,建议采用滚动优化或模型预测控制来提升精度;提前关机策略在停车环境下验证可行,实际驾驶中的动态扰动需进一步研究。研究结论翻译如下:(1)连续小时特征与环境温度的组合是最优气象特征方案,显著提高预测精度,雪天条件下MAE降低13.05%,R
2提高3.8%;气象采样间隔为3小时时仍保持稳定,但缺少中午峰值数据会使MAE增加101.8%。(2)时间特征在13:00前正贡献、之后负贡献,环境温度与小时存在交互作用,出风温度在下午正贡献更显著,这些规律为特征选择和策略优化提供了依据。(3)基于预测的预热优化可降低晴天早晨稳态能耗21.5%,预关机优化在冬季可实现4.9%至25.5%节能,验证了座舱温度预测在平衡热舒适与能耗方面的有效性。当前预测时域较短,未来将通过滚动优化和扩展多车型、多区域、多季节验证提高实用性与鲁棒性。