[论文解读] A Cloud-Based Energy Management Strategy for Hybrid Electric City Bus Considering Real-Time Passenger Load Prediction

Junzhe Shi, Bin Xu+2 more|arXiv (Cornell University)|Oct 28, 2020

Electric Vehicles and Infrastructure参考文献 30被引用 6

一句话总结

本文提出了一种基于云的混合电动城市场公交车能量管理策略，通过整合实时乘客载荷预测，优化电池使用并减少老化。采用梯度提升决策树进行载荷预测，并在云端使用动态规划，推导出最优功率分配方案并提取规则用于车载实时控制，使非高峰时段和高峰时段的运行成本分别降低4%和11%，与使用真实载荷数据的理想动态规划相比偏差不足1%。

ABSTRACT

Electric city bus gains popularity in recent years for its low greenhouse gas emission, low noise level, etc. Different from a passenger car, the weight of a city bus varies significantly with different amounts of onboard passengers. After analyzing the importance of battery aging and passenger load effects on an optimal energy management strategy, this study introduces the passenger load prediction into the hybrid-electric city buses energy management problem, which is not well studied in the existing literature. The average model, Decision Tree, Gradient Boost Decision Tree, and Neural Networks models are compared in the passenger load prediction. The Gradient Boost Decision Tree model is selected due to its best accuracy and high stability. Given the predicted passenger load, a dynamic programming algorithm determines the optimal power demand for supercapacitor and battery by optimizing the battery aging and energy usage leveraging cloud techniques. Then, rule extraction is conducted on dynamic programming results, and the rule is real-time loaded to the vehicle onboard controller to handle prediction errors and uncertainties. The proposed cloud-based Dynamic Programming and rule extraction framework with the passenger load prediction show 4% and 11% lower bus operating costs in off-peak and peak hours, respectively. The operating cost by the proposed framework is less than 1% of the dynamic programming with the true passenger load information.

研究动机与目标

• 解决现有混合电动城市场公交车能量管理策略中未考虑动态乘客载荷变化的不足。
• 通过将实时乘客载荷预测整合到能量管理框架中，提升电池寿命和能效。
• 开发一种可扩展的基于云的解决方案，利用动态规划实现电池与超级电容之间的最优功率分配。
• 通过从离线优化结果中提取并部署决策规则，提升实时控制的鲁棒性，以应对预测误差和不确定性。
• 将所提框架的性能与使用真实乘客载荷数据的动态规划进行对比，力求实现接近最优的成本效率。

提出的方法

• 在比较平均模型、决策树和神经网络后，选择梯度提升决策树模型进行乘客载荷预测，因其具有更高的准确性和稳定性。
• 基于云的系统使用动态规划计算电池与超级电容之间的最优功率分配，以最小化能量消耗和电池老化。
• 在动态规划优化中，将电池老化建模为代价函数，综合考虑循环老化和日历老化的影响。
• 对动态规划得出的最优控制策略进行分析，利用规则提取技术提取可解释的规则。
• 将提取的规则部署至车载控制器，以实现实时应对载荷预测误差和系统不确定性的适应能力。
• 在真实场景下评估该框架，将非高峰和高峰时段的运行成本与基线策略进行对比。

实验结果

研究问题

• RQ1 实时乘客载荷预测对混合电动城市场公交车能量管理性能有何影响？
• RQ2 哪种机器学习模型在能量管理中能提供最准确且稳定的乘客载荷预测？
• RQ3 基于云的动态规划方法在考虑电池老化的情况下，能在多大程度上降低运行成本？
• RQ4 从离线优化中提取规则在应对预测误差时，对实现鲁棒实时控制的有效性如何？
• RQ5 所提框架的性能与使用完美乘客载荷信息获得的理论最优解相比，接近程度如何？

主要发现

• 梯度提升决策树在乘客载荷预测中优于其他模型，实现了最高的准确性和稳定性。
• 所提出的基于云的框架在非高峰时段相比基线策略将运行成本降低了4%。
• 在高峰时段，运行成本降低了11%，表明在高载荷波动下性能显著提升。
• 该框架的运行成本比使用真实载荷数据获得的理论最优解高出不足1%。
• 从动态规划结果中提取规则，有效实现了实时控制，显著提升了对预测误差的鲁棒性。
• 将基于云的优化与车载基于规则的控制相结合，实现了可扩展的、接近最优的实时能量管理，适用于实际部署。