Analyzing electric vehicle energy consumption models: a case study of BMW i3

The fundamental variability of energy consumption patterns of electric vehicle (EVs), influenced by acceleration, velocity and other vehicle dynamics, requires the development of predictive modelling to understand their energy efficiency, and its crucial for achieving sustainable transportation. To this end, a simple energy consumption models are needed to develop real-time driving data from BMW i3 electric vehicle, to analyze their energy efficiency with different influencing factors. Combining established concepts derived from some of the publications, that allow to create an eight distinct energy consumption models to effectively analyze the variability of energy consumption pattern using acceleration, velocity, mass and other related parameters. Considered a battery models from the input of battery voltage, battery current and soc and taken as a ground truth or base to compare an energy consumption with eight modelling approach, leads to understand how effectively the different models predicting the energy efficiency according to base models using different predictive metrics includes, Mean squared error (MSE), R-Squared (R2), Mean absolute error (MAE), Root mean squared error (RMSE) and Mean absolute percentage error (MAPE), to gives an estimates that Model (2) gives an accuracy of 89% as an average of both seasons, and Model (1) and (8) predicts an accuracy of 87% and all other models have a less predictability compared with these models. Consequently, the study also addresses to develop a regression methodology focuses on interplay between acceleration dynamics as well as other input parameters have an impact on energy consumption such as velocity, ambient temperature and others from base energy consumption model. Regression methodology along with the implementation of polynomial features creates a non-linear dynamic, makes the models to predict very effectively. Created a three different methodology of regression techniques linear, lasso or L1 regularization and ridge or L2 regularization and comparing the predictive capability of extracting linear relationship between input parameters and energy consumption, ridge regression outperforms well with less mean squared error of 0.00415 compared with others. Overall, the predictive modelling approach is helps to understand the predictive capability of different models over energy efficiency in BMWi3 for different seasons and regression methodology to understand how energy consumption is varying according to different influencing parameters.

La variabilità fondamentale dei modelli di consumo di energia dei veicoli elettrici (EV), influenzata dall'accelerazione, dalla velocità e da altre dinamiche del veicolo, richiede lo sviluppo di modelli predittivi per comprenderne l'efficienza energetica, ed è cruciale per il raggiungimento di trasporti sostenibili. A tal fine, sono necessari semplici modelli di consumo energetico per sviluppare dati di guida in tempo reale dal veicolo elettrico BMW i3, per analizzare la loro efficienza energetica con diversi fattori che influenzano. Combinando concetti consolidati derivati da alcune delle pubblicazioni, che consentono di creare un otto modelli di consumo di energia distinti per analizzare efficacemente la variabilità del modello di consumo di energia utilizzando accelerazione, velocità, massa e altri parametri correlati. Considerato una batteria modelli dall'ingresso della tensione della batteria, corrente della batteria e soc e preso come una verità di terra o di base per confrontare un consumo di energia con otto approccio di modellazione, porta a capire quanto efficacemente i diversi modelli che predicono l'efficienza energetica in base ai modelli di base utilizzando diverse metriche predittive include, Errore quadrato medio (MSE), R-Squared (R2), Errore assoluto medio (MAE), Errore quadrato medio radice (RMSE) e l'errore percentuale assoluto medio (MAPE), per dare una stima che il modello (2) dà una precisione di 89% come una media di entrambe le stagioni, e il modello (1) e (8) prevede una precisione di 87% e tutti gli altri modelli hanno una prevedibilità meno rispetto a questi modelli. Di conseguenza, lo studio si occupa anche di sviluppare una metodologia di regressione incentrata sull'interazione tra la dinamica di accelerazione e altri parametri di input che hanno un impatto sul consumo di energia come la velocità, la temperatura ambiente e altri dal modello di consumo di energia di base. La metodologia di regressione insieme all'implementazione di caratteristiche polinomiali crea una dinamica non lineare, rende i modelli per prevedere in modo molto efficace. Creato una tre diversa metodologia di tecniche di regressione lineare, lasso o L1 regolarizzazione e la cresta o L2 regolarizzazione e confrontando la capacità predittiva di estrarre relazione lineare tra parametri di ingresso e consumo di energia, regressione cresta supera bene con meno errore quadrato medio di 0.00415 rispetto agli altri. Nel complesso, l'approccio di modellizzazione predittiva è aiuta a capire la capacità predittiva di diversi modelli di efficienza energetica in BMWi3 per diverse stagioni e la metodologia di regressione per capire come il consumo di energia è variabile in base a diversi parametri d'influenza.