邱健蓄电池考虑电池退化水平的电动公交车续航里程估算：一种基于自注意力机制的深度学习方法

纯电动巴士(BEBs)的精确续航里程估算仍具挑战性，这源于电池衰减、运营条件与环境因素之间复杂的交互作用。本研究提出一种新型基于自注意力机制的深度学习框架，该框架显式整合电池衰减效应以实现单位荷电状态续航里程(DRPSOC)估算。通过采集两座采用不同充电策略城市的50辆BEBs实际运营数据，采用增量容量分析法(ICA)对电池衰减特征进行了系统表征。通过Ward层次聚类分析识别出退化等级，分别在快速充电和慢速充电条件下揭示出4种与3种显著不同的老化模式。该自注意力模型整合了18个多维特征，可捕捉传统循环网络难以有效建模的时间依赖性及复杂特征交互作用。实验结果表明其性能优越，在快速充电和慢速充电场景下的均方根误差分别为0.0189和0.0201，较最佳基线模型分别提升40.0%和41.0%。统计显著性通过配对t检验得到验证。注意力权重分析与SHAP解释表明，行驶时长、电机电流和电池退化是关键影响因素，且充电模式会显著改变特征重要性模式。该框架为实际纯电动巴士运营中的车队优化、电池健康监测及能源管理提供了可解释的决策依据。

引言

日益严重的环境污染与能源可持续性问题，使得绿色公共交通转型成为全球紧迫议题。传统柴油公交车在城市公交系统中仍占主导地位，其造成的空气污染与温室气体排放问题突出。相比之下，纯电动公交车（BEBs）具有零尾气排放、运营维护成本更低、噪音水平更低的显著优势[1]，这些特性推动其全球范围内的推广应用。然而，续航里程不足仍是制约其日常运营的主要瓶颈。因此，精确的续航里程估算对于高效线路规划、能源调度及车队管理具有决定性意义。
然而随着时间的推移，BEBs的电池性能会因老化而下降，导致在相同运行条件下容量缩减、充电时间延长以及能耗增加[2]。这些影响可能引发路线偏离、班次延误甚至意外的运营中断，威胁整体运行可靠性[3]。因此，将电池衰减因素纳入续航里程估算模型对保障BEBs的可靠高效运营至关重要。
关于续航里程估算的研究，资深学者们已在电动汽车(EVs)领域进行了广泛探索[4][5]。但由于BEBs的运营特性，这些方法无法直接应用于BEBs。
近年来，传感器技术的进步使得电动城市公交车运营数据的广泛采集成为可能。本研究采集了来自中国两个具有不同运营特征城区的纯电动公交车运营数据。两座城市在气候条件和充电模式上存在显著差异：其中一座采用C/3充电倍率的快充策略以支持高频次运营，而另一座城市主要使用C/10充电倍率的慢充模式。这种多样性确保了数据集涵盖不同环境与运营条件下的电池衰减模式，从而保障了模型的泛化能力。
随着深度学习的发展，能够捕捉数据间隐含关系的模型已逐渐涌现。自注意力机制作为代表性方法之一，最初应用于自然语言处理任务[6]，在捕捉序列数据中的长程依赖性和全局行为模式方面展现出卓越能力。不同于RNN[7]、LSTM[8]和GRU[9]等循环架构需要按时间步顺序处理信息且在长序列建模中面临梯度消失问题，自注意力机制通过加权聚合[10][11]并行计算序列中所有位置间的依赖关系，从而实现对数据关联性的全面考量。此外，模型训练过程中习得的注意力权重可作为因素重要性的量化指标，为识别实际运营场景中影响续航里程的关键因素提供可解释性支持。
然而，在电池能量缓冲器（BEBs）续航里程估算建模中，自注意力机制的研究仍显不足。针对这一研究空白，本文构建了一个基于自注意力的深度学习框架，以探索其在电池衰减条件下续航里程估算中的应用潜力。
基于上述研究动机，本研究的主要贡献如下：
(1) 建立并利用了来自中国两种不同运营模式下50辆纯电动公交车的实际运营数据，从而更全面地理解真实工况下的实际续驶里程。
(2) 提出了一种基于增量容量分析（ICA）的电池衰减量化方法。该方法通过提取ICA曲线峰值特征，结合层次聚类算法整合累计里程与电压平台参数，实现了电池多层级老化评估，为续驶里程估算模型提供了可靠的衰减状态特征。
(3) 本研究提出了一种基于自注意力机制的深度学习模型。该模型能够有效捕捉这些因素间的时间依赖性及复杂交互作用，从而实现更精确的行驶里程估算。
(4) 通过综合评估自注意力模型获得的注意力权重与皮尔逊相关系数，确定了输入特征对里程估算的相对重要性，为车队运营商和交通管理机构提供了实用价值。
本文其余部分组织结构如下：第二章呈现文献综述部分；第三章阐述运行数据与电池数据集的数据采集流程及预处理步骤；第四章详述电池退化识别的技术方法；第五章提出基于自注意力机制的深度学习模型；第六章汇报实验结果及影响因素分析；第七章总结全文并探讨未来研究方向，同时提出政策建议。