An Intelligent Model for Prediction of Energy Consumption for Electric Vehicle using Big-Data
Authors
Nielsen, Mikkel Giedsing ; Elefsen, Jacob
Term
4. term
Education
Publication year
2017
Pages
75
Abstract
Det er lettere at planlægge en tur, når man har et pålideligt estimat for energiforbruget. I dette arbejde udarbejder vi sådanne estimater ved at bruge et datalager med historiske ture, som er knyttet til konkrete vejstrækninger. Vi udvikler en generel metode til at kombinere et digitalt vejnet med højdedata, så op- og nedkørsler bliver fanget. På den baggrund og ud fra andre forhold, der på forhånd kan påvirke forbruget, konstruerer vi et sæt input-variable. For at sikre, at forudsigelserne kan bruges før afgang, udelader vi oplysninger, der ikke kendes på forhånd, som den præcise hastighedsprofil og tidspunktet for turen. Derefter bygger og tester vi tre modeller: Lineær Regression (en enkel statistisk model), et Neuralt Netværk (en maskinlæringsmodel) og et Neuralt Netværk, der også inddrager lignende historiske observationer (NN-observationer). De to første modeller bruges til at vurdere, om vores features er informative, og alle tre modeller sammenlignes med tre simple sammenligningsmetoder. Lineær Regression og det Neurale Netværk klarer sig en smule bedre end de simple sammenligningsmetoder. Den bedste ydelse opnås, når det neurale netværk også bruger historiske observationer, hvilket giver en markant forbedring.
Planning a trip is easier when you have a reliable estimate of how much energy it will require. This study builds such estimates using a data warehouse of past trips that have been aligned to specific road segments. We develop a general way to merge a digital road network with elevation data so that uphill and downhill sections are captured. Based on this and other pre-trip information that can influence energy use, we design a set of input features. To keep the predictions applicable to future trips, the features exclude details that are not known in advance, such as the exact speed profile or the time of travel. We then build and test three prediction models: Linear Regression (a simple statistical model), a Neural Network (a machine-learning model), and a Neural Network that also incorporates similar historical observations (NN-observations). We use the first two models to check that the feature set is informative, and we compare all three models with three simple baseline methods. Linear Regression and the Neural Network perform slightly better than the baselines. The best results come from the neural network that directly uses historical observations, which improves performance significantly.
[This abstract was generated with the help of AI]
Documents