ГІБРИДНА МОДЕЛЬ ПРОГНОЗУВАННЯ ЗАЛИШКОВОГО ПРОБІГУ ЕЛКТРОМОБІЛЯ НА ОСНОВІ ПОЄДНАННЯ ФІЗИЧНИХ І МАШИННО-НАВЧАЛЬНИХ ПІДХОДІВ

Анотація

Точне прогнозування залишкового пробігу електромобіля (EV) є одним із ключових завдань у розвитку сучасних систем енергоменеджменту та інтелектуальних транспортних систем. Надійна оцінка запасу ходу безпосередньо впливає на безпеку, зручність експлуатації та рівень довіри користувачів до електромобілів. Традиційні фізичні моделі прогнозування ґрунтуються на рівняннях енергетичного балансу та дозволяють інтерпретувати вплив основних факторів енергоспоживання, однак їх точність у реальних дорожніх умовах є обмеженою. Це зумовлено неврахуванням складних нелінійних ефектів, зокрема деградації акумуляторної батареї, індивідуального стилю водіння, змін трафіку, рельєфу місцевості та погодних умов.

З іншого боку, методи машинного навчання, зокрема рекурентні нейронні мережі, демонструють високу точність у задачах прогнозування часових рядів, але часто позбавлені фізичної інтерпретованості та можуть втрачати стійкість за умов обмежених або змінних даних. У статті запропоновано гібридний підхід до прогнозування залишкового пробігу електромобіля, який поєднує переваги фізичного моделювання та машинного навчання. Фізична модель використовується для формування базового прогнозу енергоспоживання, тоді як нейронна мережа типу Long Short-Term Memory (LSTM) навчається компенсувати залишкові похибки фізичної моделі на основі багатовимірних телеметричних даних.

Експериментальну перевірку запропонованого підходу виконано з використанням відкритих наборів даних Vehicle Energy Dataset, EVBattery та EVIoT–PredictiveMaint, які охоплюють різні режими руху, температурні умови та стани батареї. Отримані результати свідчать, що гібридна модель забезпечує істотне підвищення точності прогнозування, зменшуючи середню абсолютну похибку на 20–25 % порівняно з традиційними фізичними моделями та окремими машинно-навчальними підходами. Запропонований метод поєднує високу точність, інтерпретованість і практичну придатність, що робить його перспективним для впровадження в бортові системи електромобілів.