一种基于卡尔曼平滑器的道路车辆已知路线能量需求预测器

《IEEE Open Journal of Intelligent Transportation Systems》：A Kalman-Smoother-Based Known Route Energy Demand Predictor for Road Vehicles

　　

摘要：

电动汽车需求的日益增长带来了新的挑战，其中许多与有限的续航里程和较长的充电时间有关。通过提供可靠且准确的剩余续航估计和能量优化路线选择，有望解决这些问题。关键在于，此类系统的性能在很大程度上取决于底层能量需求预测算法的精度。现有方案通常只能预测能量需求，而无法推导出预测不确定性——这一越来越被重视的量。试图提供此类度量的方法往往依赖于数据驱动技术或计算密集型蒙特卡洛模拟。因此，本文旨在提供一个能够应对不同工况同时保持计算效率的动态模型。通过将驾驶员参考速度视为测量量，可以构建一个类似观测器的预测模型。基于这一原则，由于仅使用外部参数，可获得一种与车型无关的描述。该观测器以立方体Rauch-Tung-Striebel滤波器实现，同时估计状态和不确定性，提供关于预期变化的定性信息。通过分析速度曲线、卡尔曼增益和能量需求来验证该算法的平均预测值，三者均表现出预期行为。其不确定性估计通过与实际车辆运行数据进行对比评估，结果表明所考虑的不确定性来源对能量需求预测不确定性有显著贡献。随着纳入更多不确定性因素，预期精度将进一步提升。