点击蓝字 关注我们
摘要
为提高城市货运效率和绿色发展，中国实施了城市绿色货运配送项目，包括优化车辆交通管控政策和推广使用新能源汽车（NEV）。然而，里程焦虑是驾驶电动汽车（NEV的主要组成部分）执行送货任务的货运司机面临的一个重大挑战。为了缓解这一问题，构建了到达下一行程点时的车辆电池剩余能量百分比（SOC）预测模型。该模型由三个模块组成：（1）车辆SOC上下文预测，（2）车辆能耗预测和（3）多视角SOC预测值融合。在SOC上下文预测模块中利用历史SOC序列、车辆状态（装卸、充电）和SOC点之间的时间差描述上下文变化趋势，并直接预测下一个行程点的车辆SOC。能耗预测模块结合天气、车辆参数等车辆停靠点的多尺度（社区和网格）地理位置信息，对能耗的空间动态相关性进行建模。多视角SOC预测值融合模块将上下文和能耗视角的预测值进行融合，得到最终车辆SOC预测值。以苏州市为例，结果表明提出的预测模型表现出高精度、鲁棒性和强大的泛化能力，显示出其在制定精细化能源管理、充电站布局和货运配送优化方面的巨大潜力。
论文获取：
DOI:https://doi.org/10.1016/j.etran.2024.100372
图文导读
图1展示了本研究中预测下一行程点车辆SOC的总体工作流程。第一部分——主要问题和解决方案——概述了核心问题和提出的解决方案。第二部分——数据集构建和问题表述——详细介绍了数据集构建方法和研究问题的数学表述。第三部分——研究方法——详细描述了下一行程SOC预测模型，包括SOC上下文建模和能耗空间建模并利用残差连接融合机制获得最终预测。第四部分——案例研究和技术实施——涵盖研究范围、数据集拆分、数据预处理、编程细节和模型超参数选择。在预测结果分析部分，将训练后的模型应用于测试集以生成预测结果并分析误差。此外，还深入探讨了多种因素对模型性能及其稳健性的影响。
图1 预测城市绿色货运电动汽车下一行程点SOC的技术路线
结果分析
以两辆车货运配送行程数据为例，图2详细显示了不同模型的SOC预测结果。所有预测模型在车辆1的第9次配送行程上表现不佳，这是由于缺少行程数据造成的。第8次和第9次行程都是非充电行程，但是车辆的SOC突然升高，使得模型很难学习到这种异常。由于使用车辆状态和时间差来建模SOC变化的上上下文，所提出的预测模型更好地捕捉了SOC的充电趋势。例如，行程20标志着车辆2的SOC开始充电，行程21标志着充电结束。通过结合车辆状态和时间差可以有效地表示充电引起的SOC变化，并将其与车辆移动引起的SOC变化区分开来。
图2 下一行程点车辆SOC预测结果示例
误差分析
图3和图4展示了不同历史数据长度和训练集中行程数据缺失率对预测误差的影响。随着历史数据长度的增加，预测误差呈减小的趋势。同时，随着更多SOC上下文特征的加入，改进效果逐渐减弱，呈现边际收益递减的趋势。一方面，加入更多的历史SOC特征可以提高模型拟合车辆SOC变化趋势的能力。另一方面，较大的回溯窗口长度意味着更少的停车行程数据。
研究了训练集中缺失行程对SOC预测误差的影响。首先采用均匀分布随机删除训练集中的一部分行程数据，然后重新训练模型并对测试集进行SOC预测。如图4所示，当随机删除训练集中的部分行程数据时，SOC预测误差呈现增大的趋势。当缺失行程率较高时，模型性能会显著下降。现有的行程提取研究结果表明，仅有20%的实际行程未被成功提取，因此缺失行程率小于0.2对预测模型性能的影响有限。
图3 历史数据长度对预测误差的影响
图4 训练集中的行程缺失对预测误差的影响
模型鲁棒性分析
图5和图6展示了空间网格大小和时间差数据对模型性能的影响。在SOC上下文模块中利用相邻SOC点之间的时间差作为输入的一部分对SOC变化趋势进行建模。实际应用中，可能需要建立额外的预测模型来获得下一次行程的到达时间并计算时间差。图5说明了利用均匀分布在-20%~20%范围内扰动时间差对车辆SOC预测误差的影响。时间差预测的准确性会对模型的效用产生负面影响。不同扰动场景下的预测误差变化率的影响在1%以内。在实际应用中可以建立到达时间预测模型计算时间差作为输入，构建SOC预测模型。
在能耗预测模块中将研究范围划分为多个网格单元，并将车辆停靠位置映射到不同的网格上。图6展示了网格大小从300米到1公里范围内的SOC预测误差。不同的网格大小对预测误差没有显著影响，表明建立的预测模型具有稳健性。
图5 时间差输入对预测性能的影响
图6 不同网格大小对模型预测性能的影响
小结
该研究提出了融合车辆SOC上下文变化和能耗视角的城市绿色货运车辆下一个行程点深度学习预测模型。货运公司可以根据预测的车辆SOC结果优化配送路线和计划，以减少配送延误和运营成本。此外，通过实时监控和预测可以提前安排充电任务，以优化充电站的利用率并提高充电设施的效率。本研究的结果还可以指导货运公司和电网运营商之间的合作，促进货运电动汽车车辆到电网(V2G)模型的整合。最后，优化车辆能源使用有助于促进绿色货运和城市的可持续发展。
文章信息
Lu, Wenbo, Zheng Yuan, Ting Wang, Peikun Li, and Yong Zhang. "Will it get there? A deep learning model for predicting next-trip state of charge in Urban Green Freight Delivery with electric vehicles." eTransportation (2024):100372.;
DOI:https://doi.org/10.1016/j.etran.2024.100372.
国际交通电动化杂志
eTransportation
文章类型
文章类型涵盖：
研究（Research）
综述（Review
短通讯（Short Communication）
观点（ Perspective）
评述（Commentary）
论坛（Forum）
其他（Data paper, conference等）。
论文投稿
https://www.editorialmanager.com/etran
论文下载
https://www.sciencedirect.com/journal/etransportation
扫码阅读更多文章
eTransportation | 交通电动化
欢迎投稿
eTransportation | 交通电动化
联系我们
如有任何学术问题研讨、投稿咨询、编委申请，以及论文全文获取等请与我们联系。
Email:dujiuyu@tsinghua.edu.cn
etransport@tsinghua.edu.cn
微信联系
