electric vehicle, remaining driving range, energy prediction, speed profile, connected vehicles
TUM classification:
VER 020d
Abstract:
Das Geschwindigkeitsprofil beeinflusst deutlich den Energieverbrauch von Elektrofahrzeugen, da es das Resultat der Straßeneigenschaften, der Verkehrslage und des individuellen Fahrverhaltens ist. Durch die Vernetzung von Fahrzeugen werden zunehmend Geschwindigkeitsprofile im Backend gesammelt. Geeignete statistische Kennzahlen aus den gesammelten Fahrprofilen können neben Fahrzeugparametern und Attributen von digitalen Karten zur Energieverbrauchsprognose für Elektrofahrzeuge verwendet werden. Es werden Regressionsmodelle und maschinelle Lernverfahren verglichen und anhand von realen Messdaten von Elektrofahrzeugen evaluiert.
«
Das Geschwindigkeitsprofil beeinflusst deutlich den Energieverbrauch von Elektrofahrzeugen, da es das Resultat der Straßeneigenschaften, der Verkehrslage und des individuellen Fahrverhaltens ist. Durch die Vernetzung von Fahrzeugen werden zunehmend Geschwindigkeitsprofile im Backend gesammelt. Geeignete statistische Kennzahlen aus den gesammelten Fahrprofilen können neben Fahrzeugparametern und Attributen von digitalen Karten zur Energieverbrauchsprognose für Elektrofahrzeuge verwendet werden. E...
»
Translated abstract:
Road attributes, traffic conditions and the individual driving behavior have an impact on the energy consumption of electric vehicles (EV) and lead to a variation of the speed profile of EVs. With the increasing number of connected vehicles, speed profiles are collected in a backend. Models for the prediction of the remaining driving range of EVs use statistical features of the collected speed profiles, vehicle parameters and attributes of digital maps. Regression models and machine learning methods are compared and evaluated by recorded measurements from existing EVs.
«
Road attributes, traffic conditions and the individual driving behavior have an impact on the energy consumption of electric vehicles (EV) and lead to a variation of the speed profile of EVs. With the increasing number of connected vehicles, speed profiles are collected in a backend. Models for the prediction of the remaining driving range of EVs use statistical features of the collected speed profiles, vehicle parameters and attributes of digital maps. Regression models and machine learning met...
»
Series:
Schriftenreihe des Lehrstuhls für Fahrzeugtechnik der Technischen Universität München