[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN113222385B - 一种电动汽车行驶工况构建与评价方法 - Google Patents

一种电动汽车行驶工况构建与评价方法 Download PDF

Info

Publication number
CN113222385B
CN113222385B CN202110488106.0A CN202110488106A CN113222385B CN 113222385 B CN113222385 B CN 113222385B CN 202110488106 A CN202110488106 A CN 202110488106A CN 113222385 B CN113222385 B CN 113222385B
Authority
CN
China
Prior art keywords
micro
acceleration
constructing
state
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202110488106.0A
Other languages
English (en)
Other versions
CN113222385A (zh
Inventor
郭建华
姜宇
朱亦文
王浩
张静
聂荣真
于远彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202110488106.0A priority Critical patent/CN113222385B/zh
Publication of CN113222385A publication Critical patent/CN113222385A/zh
Application granted granted Critical
Publication of CN113222385B publication Critical patent/CN113222385B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
    • Y02T10/84—Data processing systems or methods, management, administration

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种电动汽车行驶工况构建与评价方法，包括以下步骤：对汽车行驶路径数据进行收集及异常数据筛选与剔除，并对处理后的数据进行运动学特征参数提取；基于不同车速与加速度区间，使用自组织特征映射神经网络将运动学片段进行微行程划分；通过电子地图与交通流对运动学片段特征进行识别划分，获取各个微行程片段所在的道路类型；基于加速度状态的统计分析，为属于某种道路类型的微行程片段分别构建状态转移矩阵，根据其道路类型的权值，建立一个全类型状态转移矩阵，然后通过马尔科夫过程构建出多条备选工况；对选取的运动学参数重要度排序，建立基于能耗的工况构建结果评价指标，对步骤三构建的备选工况进行评价。

Description

一种电动汽车行驶工况构建与评价方法
技术领域
本发明涉及新能源汽车技术领域，更具体的说是一种基于加速度行为特征的电动汽车行驶工况构建与评价方法。
背景技术
汽车行驶工况又称车辆测试循环，是描述车辆在一定时间段内的速度-时间曲线。体现汽车道路行驶的运动学特征，行驶工况作为汽车行业的一项重要的、共性基础指标，成为了估测车辆在某一地区行驶时的实际排放和能耗水平的基础，同时为汽车排放标准的制定和汽车的节能减排技术提供理论指导。
21世纪初，我国由于汽车技术水平有限，直接采用了欧洲续航测试标准(NewEuropean Driving Cycle，NEDC)对汽车产品进行汽车排放标准制定和能耗测试认证，起初达到了节能减排的目的，但随着我国经济的快速发展，汽车保有量的迅速增加，加上我国的地域广阔，全国各地的地域路况和驾车行驶习惯不相同，导致欧洲的NEDC行驶工况已经不符合我国的汽车实际道路行驶工况。特别是近年来我国乘用车由内燃机技术向电动汽车技术加速发展，以NEDC行驶工况制定的能耗和排放标准也已经不适合我国的汽车产品，导致实际能耗与法规认证结果偏差较大，影响了政府的公信度。因此，根据我国的区域特征，创建符合我国道路行驶状况的电动汽车行驶测试工况，显得极为重要。
发明内容
为了解决现有技术存在的上述问题，本发明提出一种电动汽车行驶工况构建与评价方法，首先根据采集的实车试验数据进行分析，对设备故障与道路条件等因素导致的异常数据，进行滤波与剔除处理；然后基于电子地图提供的道路类型信息，将原始数据划分为不同的集合；接下来，基于不同车速与加速度区间，使用自组织特征映射神经网络将运动学片段进行微片段划分；然后通过道路类型权值建立加权状态转移矩阵，利用马尔科夫过程将微行程进行动态匹配，得到多条行驶工况；最终，基于能耗特征建立行驶工况评价方法，选择表现最优的工况作为示例城市的典型驾驶工况。本发明能充分体现瞬时工况的随机性，所构建的示例城市电动汽车代表工况，相对于NEDC工况能更好地反映示例城市不同时间段内的车辆实际运行状况，对示例城市电动汽车能耗水平、里程估计提供有效技术支撑。
本发明的目的是通过以下技术方案实现的：
一种电动汽车行驶工况构建与评价方法，包括以下步骤：
步骤一、数据收集与处理：对汽车行驶路径数据进行收集及异常数据筛选与剔除，并对处理后的数据进行运动学特征参数提取；
步骤二、微行程与道路类型划分：基于不同车速与加速度区间，使用自组织特征映射神经网络将运动学片段进行微行程划分；通过电子地图与交通流对运动学片段特征进行识别划分，获取各个微行程片段所在的道路类型，并通过每种类型所占整组数据比例，分别赋予每种道路类型权值；
步骤三、工况合成：基于加速度状态的统计分析，为属于某种道路类型的微行程片段分别构建状态转移矩阵，根据其道路类型的权值，建立一个全类型状态转移矩阵，然后通过马尔科夫过程构建出多条备选工况；
步骤四、基于能耗的工况构建结果评价：对选取的运动学参数重要度排序，选取影响能耗的本质特征，建立基于能耗的工况构建结果评价指标，对步骤三构建的备选工况进行评价，选择表现最优的工况作为典型行驶工况。
进一步地，所述步骤一数据收集与处理具体包括以下步骤：
步骤1.1对汽车行驶路径数据进行收集；
步骤1.2异常数据筛选与剔除：
步骤1.2.1制定对数据处理的标准；
步骤1.2.2根据以上标准，建立了数据筛选模型；
步骤1.2.3根据数学筛选模型，对数据进行处理；
步骤1.3运动学特征参数提取，包括：
Figure BDA0003051270260000021
Figure BDA0003051270260000031
进一步地，所述步骤二微行程与道路类型划分中，将每一段运动学片段分为五个微行程，包括急加速、缓加速、巡航、缓减速、急减速。
进一步地，所述步骤二微行程与道路类型划分中，通过自组织特征映射神经网络将运动学片段进行微片段划分，自组织特征映射神经网络的竞争学习具体包括以下过程：
(1)初始化：长度为4s的加速度与加速度的一阶导数一起描述了加速度类型和加速度状态的演变方向提取特征；以4s步长片段的平均加速度与平均一阶加速度作为聚类特征，将输入模式设置为xi＝[ai_ave,a′i_ave],i＝1……N，对网络当前输入模式向量x和竞争层中各神经元对应的权重向量ωij归一化；
(2)设置竞争层神经元总数为5个，通过竞争规则
Figure BDA0003051270260000032
寻找获胜神经元j*＝I(xi)；
(3)权值更新：设置学习率
Figure BDA0003051270260000033
其中η0为初始学习率，时间常数τn＝500，t为学习次数；邻域函数
Figure BDA0003051270260000034
其中
Figure BDA0003051270260000035
为获胜神经元与其邻域神经元的欧式距离，设置邻域的有效宽度
Figure BDA0003051270260000036
初始值σ0设置为邻域的边长，
Figure BDA0003051270260000037
为时间常数；通过公式
Figure BDA0003051270260000038
Figure BDA0003051270260000039
调整获胜神经元及其邻域内神经元权值；
(4)重复步骤(1)至步骤(3)，直到学习率衰减到阈值。
进一步地，所述步骤二微行程与道路类型划分中，将车辆行驶的道路分为6类，包括高速公路、快速路、一级道路、二级道路、未分类道路、郊区道路。
进一步地，所述步骤三工况合成具体包括以下步骤：
步骤3.1状态编码：
假设被建模的信号x，即微行程片段，引入一种事件集合编码方案来将
Figure BDA00030512702600000310
映射到一组离散的马尔科 夫状态；
按所述步骤二划分的微行程片段，定义每一段微行程片段为事件，运动学特征接近的微行程整合为模型事件集，形成马尔科夫状态：
X＝{X1,X2,…,Xτ∣(τ＝1,2,…,5)} (1)
步骤3.2建立状态转移矩阵：
转移概率可以从测量的状态序列从测量的数据识别，即pij≈Nij/N0i，其中，Nij表示从状态
Figure BDA0003051270260000041
到状态
Figure BDA0003051270260000042
观察到的转变的数目，
Figure BDA0003051270260000043
是从状态
Figure BDA0003051270260000044
开始转变的总数；这些状态转移概率构成一个完整的状态转移矩阵；
在对每一段微行程进行状态编码时，将小于10秒的微行程补充到上一段微行程中，根据所述步骤二得到的道路类型划分结果，分配每一段微行程片段道路类型，以微行程类别作为马尔科夫状态分别构建每种道路类型的状态转移矩阵，然后根据每种道路类型的权值最终建立总状态转移矩阵；
步骤3.3构建典型工况：
在状态转移统计分析的基础上，为每个车辆动态上的不同类型构建状态转移矩阵；根据道路类型权重，最终建立全类型状态转移矩阵：
Figure BDA0003051270260000045
其中，wi为每个道路类型所占权重，n＝6；利用随机函数Round()确定车辆下一时刻状态，假设下一时刻状态x1出现的次数为m次、x2为n次、x3为k次，总次数为s，则xi(1)的表达式为：
Figure BDA0003051270260000046
从事件集合选取的微行程无放回的衔接于上一段微行程，设置整条工况长度，重复以上步骤，直至合成的工况满足长度条件；同时，所选取的微行程应该满足下述条件：
(1)选取的微行程长度大于4s，加减速微行程长度不应大于30s；
(2)选取的微行程起始速度与上一段微行程末速度之差小于2km/h；
(3)满足以上两个条件时，选取离聚类中心最近的微行程片段。
进一步地，所述步骤四基于能耗的工况构建结果评价中，采用随机森林算法对运动学参数进行重要度排序。
本发明具有以下有益效果：
本发明提出一种电动汽车行驶工况构建与评价方法，在传统马尔科夫方法基础上，引入道路类型加权方法，实现对不同道路类型的识别。同时为反映城市交通的限速与道路使用情况，利用自组织特征映射神经网络(Self-organizing feature Map,SOFM)，得到表征车辆动态的特征分类；然后基于马尔科夫链合成代表工况；最终采用基于能耗的电动汽车工况构建结果评价指标，完成对合成工况的评价。
(1)综合分析了运动学片段的动态特征，采用自组织特征映射神经网络(Self-organizing feature Map,SOFM)对微行程进行聚类，能够有效减少运算量，获取较高的聚类精度。
(2)定义微行程为马尔科夫状态，引入道路类型权值系数用于搭建全状态转移矩阵，故所预测的车速曲线能更好的反应驾驶员行为特征，更符合车辆实际的行驶规律。
(3)综合考虑了运动学特征参数对车辆能耗的影响，根据特征因素对能耗的重要性进行排序，选择更本质的因素为所搭建的行驶工况进行评估，使所搭建的工况为电动汽车认证能耗及产品研发提供了重要基础。
附图说明
本发明的具体实施方式将在下文通过结合应用示例进行详细阐述。
图1是基于加速度行为特征的工况构建与评估方法架构；
图2是基于自组织特征映射神经网络聚类流程图；
图3是微行程划分结果；
图4是道路类型占比饼状图；
图5是基于马尔科夫过程工况合成方法流程图；
图6是状态转移矩阵建立过程示意图；
图7是运动学特征参数重要度柱状图；
具体实施方式
下面结合附图对本发明做进一步说明。以下实例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。
图1是本发明所提出的一种电动汽车行驶工况构建与评价方法架构，该方法分为四个层次：信息处理层、状态划分层、工况合成层、工况评估层。
第一层为信息处理层，其功能是对系统所需的信息进行获取和异常数据的剔除。本发明所需要信息可以从车辆传感器、电子地图、全球定位系统(Global PositionSystem，GPS)等获取。包括但不限于以下信息：车辆运行里程，车辆位置的经纬度，道路信息。
第二层为特征划分层，通过样本数据的加速度类型和加速度状态的演变方向，将每一段运动学片段分为五个微行程，即急加速、缓加速、巡航、缓减速、急减速。通过电子地图与交通流对运动学片段特征进行识别划分，得到六种道路类型，并通过每种类型所占整组数据比例，赋予每种类型权值。
第三层为工况合成层，基于加速度状态的统计分析，为属于某种道路类型的片段分别构建状态转移矩阵(Transition Probability Matrix,TPM)，根据这些道路类型的权重，建立为一个全类型TPM，然后通过马尔科夫过程构建出多条备选工况。
第四层为工况评估层，对选取的运动学参数重要度排序，选取本质特征，建立基于能耗的工况构建结果评价指标，对备选工况进行评价。
综上，本发明所提出的一种电动汽车行驶工况构建与评价方法架构主要分为四个步骤，即数据收集与处理、微行程与道路类型划分以及合成工况，最后建立电动汽车工况构建结果评价方法来评估所建工况的准确性，具体为：
一种电动汽车行驶工况构建与评价方法，包括以下步骤：
步骤一、数据收集与处理：对汽车行驶路径数据进行收集及异常数据筛选与剔除，并对处理后的数据进行运动学特征参数提取；
步骤二、微行程与道路类型划分：基于不同车速与加速度区间，使用自组织特征映射神经网络将运动学片段进行微行程划分；通过电子地图与交通流对运动学片段特征进行识别划分，获取各个微行程片段所在的道路类型，并通过每种类型所占整组数据比例，分别赋予每种道路类型权值；
步骤三、工况合成：基于加速度状态的统计分析，为属于某种道路类型的微行程片段分别构建状态转移矩阵，根据其道路类型的权值，建立一个全类型状态转移矩阵，然后通过马尔科夫过程构建出多条备选工况；
步骤四、基于能耗的工况构建结果评价：对选取的运动学参数重要度排序，选取影响能耗的本质特征，建立基于能耗的工况构建结果评价指标，对步骤三构建的备选工况进行评价，选择表现最优的工况作为典型行驶工况。
下面以实施例对本发明技术方案作进一步介绍：
一种电动汽车行驶工况构建与评价方法架构，包括以下步骤：
步骤1数据收集与处理
步骤1.1对汽车行驶路径数据进行收集
测试路线包含快速路、主干路、次干路、支路四种道路，定量的考虑拥堵比例问题，路线在试验时间内各时刻的拥堵比例与示例城市此时段的拥堵比例一致。工况试验数据可以通过配备GPS测速设备的CAN车辆行驶记录仪采集获取，车内行驶记录仪不仅能够采集车速和时间数据，还能获取车辆的运行里程以及车辆所在位置的纬度和经度等。将示例城市四种道路类型进行随机组合，同时减去不合理的路线(如单纯的次干路或支路、次干路与支路)，得到12种组合结果，将其作为道路选取的一个原则，以覆盖示例城市所有的道路类型；其次，根据示例城市道路交通的实时路况统计结果，在早中晚三个代表性时间段，统计工况行驶程度(畅通、缓行、拥堵)比例；最后，根据上述的道路类型比例和行使程度比例，在三个时间段选取12条线路。选取三位不同年龄段驾驶员依次驾驶两款不同品牌的电动汽车进行循环测试，采样频率为5HZ。
步骤1.2异常数据筛选与剔除
步骤1.2.1制定对数据处理的标准
1、怠速状态：电动机工作且车速为0km/h。
2、加速状态：汽车加速度>＝0.1m/s2，且车速不等于0km/h。
3、减速状态：汽车加速度<＝0.1m/s2，且车速不等于0km/h。
4、考虑当GPS数据丢失时，导致测量车速较低，且加速踏板的开度为0，电动机工作。
5、根据汽车电动机功率与一般驾驶员习惯，试验目标车辆的电动机最大牵引功率设为 50kW，再生制动-24kW，电动机效率设定为80％。因此，考虑电动机效率时，电动机最大牵引功率为40kW，再生制动为-30kW。在实际测量中，汽车加、减速度容易出现异常，本发明设定电动车的最大加速度限值为3m/s2，最大减速度限值为-2m/s2。超出范围属于异常的减速度数据。
6、长期停车所采集的车速为0，且时间要连续，本发明根据数据分析，将连续时间超过 150s定义为长期停车。
7、怠速时间超过180秒仍然在采集的数据为异常数据，可理解为怠速最长时间按180 秒处理。
步骤1.2.2根据以上标准，建立了数据筛选模型
1、针对GPS数据丢失，建立的模型为：
a＝A∩B∩C (4)
A为时间不连续，B为车速不为0，C为电动机工作。
2、汽车加、减速度异常时测得的异常信息的数学模型为：
b＝A∩B (5)
A为正加速度异常，B为负加速度速度异常。
3、长期停车所采集的异常数据的数学模型为：
c＝A∩B∩C (6)
A为车速为0并且时间连续，B为时间持续超过150s，C为电动机不工作。
4、怠速时间超过180秒仍然在采集的异常数据的数学模型为：
d＝A∩B∩C (7)
A为车速为0，B为怠速时间连续，C为电动机不工作。
步骤1.2.3根据数学筛选模型，对数据进行处理：
1、针对GPS数据异常，当时间间断超过180s时，将间断点到下一个车速为0km/h的点之间的数据全部去除。当时间间断小于180s时，利用线性插值将间断中的数据补全。
2、原始数据给出的汽车纵向加速度不准，通过公式a＝dv/dt算出各点的瞬时加速度，将不符合标准时间点的加速度，利用线性插值得出的结果代替。
3、长期停车GPS所采集的速度，设定为0。
4、怠速时间小于180s保留，当怠速时间超过180s，将180s怠速时间保留，其余怠速的数据去除。
步骤1.3运动学特征参数提取
在进行运动学片段的分析、提取与算法性能评估过程中，需要建立一系列的特征参数来对运动学片段与合成工况进行描述。
本发明选取13个运动学特征参数，如表1所示
表1运动学特征参数定义及单位
序号 特征参数 定义 单位
1 a<sub>p_ave</sub> 平均加速度 m/s<sup>2</sup>
2 a<sub>n_ave</sub> 平均减速度 m/s<sup>2</sup>
3 v<sub>a</sub> 平均速度 km/h
4 a<sub>p_max</sub> 最大加速度 m/s<sup>2</sup>
5 a<sub>n_max</sub> 最大减速度 m/s<sup>2</sup>
6 T<sub>i</sub> 巡航比 ％
7 T<sub>a</sub> 加速比 ％
8 T<sub>d</sub> 减速比 ％
9 v<sub>max</sub> 最高车速 km/h
10 v<sub>std</sub> 速度标准差 km/h
11 a<sub>pstd</sub> 正加速度标准差 m/s<sup>2</sup>
12 a<sub>nstd</sub> 负加速度标准差 m/s<sup>2</sup>
步骤2微行程与道路类型划分
一般来说，电动汽车的一个完整的运动学片段加速度行为分为加速、减速、巡航状态。但在实际驾驶员操作过程中，由于电动汽车动力性能、再生制动装置、驾驶员偏好的影响，需要对加速度状态进行细致的划分，以此划分成的小片段称为微行程。
为了区别因道路状态及交通流量对驾驶行为的影响，本发明通过统计学分析，将每条完整的运动学片段进行拆分聚类，有针对性的分析其运行特征。
步骤2.1微行程划分
本发明以观测到4s的步长来捕获车辆动态变化，以进行运动学片段微行程的划分。由于没有关于预测的车辆性能或驾驶员偏好的事先信息，因此学习过程不受监督。SOFM可以通过对输入向量的反复学习，捕捉各输入向量中所含的特征并对样本分类，而且不需要提前设定特定类别的阈值，可适用于高密度大样本数据的聚类运算，因此通过该算法进行运动学微行程划分。
SOFM的竞争学习的步骤是：
(1)初始化：提取特征，以4s步长片段的平均加速度与平均一阶加速度作为聚类特征。将输入模式设置为xi＝[ai_ave,a′i_ave],i＝1……N，对网络当前输入模式向量x和竞争层中各神经元对应的权重向量ωij归一化；
(2)设置竞争层神经元总数为5个，通过竞争规则
Figure BDA0003051270260000091
寻找获胜神经元 j*＝I(xi)；
(3)权值更新：设置学习率
Figure BDA0003051270260000092
其中η0为初始学习率，本例设置为0.2，时间常数τη＝500，t为学习次数；邻域函数
Figure BDA0003051270260000093
其中
Figure BDA0003051270260000094
为获胜神经元与其邻域神经元的欧式距离，设置邻域的有效宽度
Figure BDA0003051270260000095
初始值σ0设置为邻域的边长，
Figure BDA0003051270260000096
为时间常数；通过公式
Figure BDA0003051270260000097
调整获胜神经元及其邻域内神经元权值。SOFM聚类流程图如2所示。
步骤(3)完成后回到步骤(1)继续训练，直到学习率衰减到阈值。学习率处于(0,1]，一般随着学习的进展而减小，即调整的程度越来越小，神经元(权重)趋于聚类中心。分类结果提供了所有集群的数据成员分布。描述车辆动态变化的数据向量xi由两部分组成：长度为4s的加速度与加速度的一阶导数，记为
Figure BDA0003051270260000098
这两个部分一起描述了样本数据的加速度类型和加速度状态的演变方向。
使用设计的信息标签矢量xi的可以很好地分类整个速度区域内的正确加速状态，并且驾驶员状态的逐渐过渡由水平方向上主要状态的变化反映出来。图3为划分的结果图，显示出来本发明所划分的五种车辆动态变化，即急加速、缓加速、巡航、缓减速、急减速。这五种动态变化加上怠速状态，共同构成一条完整的运动学片段。但是由于纯电动车经济性评估不涉及怠速阶段，因此取消怠速段。
步骤2.2：道路类型划分
基于状态转换的统计分析，为每个驱动片段构建TPM。根据道路类型的权重，建立为一个道路类型加权TPM。
根据示例城市道路的实际情况，需要将道路类型进行分类，根据实际比例，每种道路类型的权重都不同。本发明根据统计工况行驶程度，从电子地图数据库中拟合相对应的地图路径，并结合交通流情况，获取各个运动学片段所在的道路类型，限速信息，并统计各类别所占比例。
为避免过多不必要的数据，首先调取多边形内的way元素，并通过查找其子元素nodes 列表，调取所有与way相关节点；之后解析way和nodes的数据。Way数据一般包含ID号、组成nodes的ID号、道路类型、名称、是否为单行线、桥梁和隧道和最高限速。Nodes数据包含经纬度。根据电子地图的道路标签，并结合实际道路行驶条件，将车辆行驶的道路分为6类即：(1)高速公路(2)快速路(3)一级道路(4)二级道路(5)未分类道路(包括商业道路与住宅区道路)(6)郊区道路。图4展示了通过分类的示例城市道路类型结果。
步骤3利用马尔科夫过程生成典型工况
本发明使用马尔科夫过程来合成典型驾驶工况，图5显示了该方法的步骤流程图，其中生成加权状态转移矩阵为本步骤的核心，状态定义为构成运动学片段的微行程类别，以状态表征车速。驾驶员根据实时的道路情况改变驾驶行为，因此车速是随机变化的，可以将其视为一个随机的马尔科夫过程，选取的微行程应符合以下准则：
离散马尔科夫链是随机变量X1,X2,X3…的序列，用公式表示其性质如下：
P(Xn+1＝xn+1∣X1＝x1,X2＝x2,…,Xn＝xn)＝P(Xn+1＝xn+1∣Xn＝xn)
(8)
其中的随机变量Xn可以叫做马尔科夫链的状态。转移概率为
pij＝P(Xn+1＝j∣Xn＝i) (9)
关于状态的定义与编码规则和微行程的选取将在子步骤中说明。
步骤3.1状态编码
现在假设被建模的信号x，即微行程片段。为了能够应用具有有限数量的状态的马尔科夫方法，引入一种事件集合编码方案来将
Figure BDA0003051270260000101
映射到一组离散的马尔科 夫状态。
电动汽车的行车过程在急加速、缓加速、巡航、缓减速、急减速工况间不断转换，本发明按步骤2.1划分的结果，定义每一段微行程为事件，运动学特征接近的微行程整合为模型事件集，形成马尔科夫状态，即微行程的五种类别。
X＝{X1,X2,…,Xτ∣(τ＝1,2,…,5)} (10)
所建立的TPM为5×5的矩阵。
步骤3.2建立状态转移矩阵
转移概率可以从测量的状态序列从测量的数据识别，即pij≈Nij/N0i，其中，Nij表示从状态
Figure BDA0003051270260000111
到状态
Figure BDA0003051270260000112
观察到的转变的数目，而
Figure BDA0003051270260000113
是从状态
Figure BDA0003051270260000114
开始转变的总数。这些状态转移概率构成一个完整的状态转移矩阵TPM。
图6显示了整个状态转移矩阵建立的全过程，在对每一段微行程进行状态编码时，将小于10秒的微行程补充到上一段微行程中，根据步骤2.2得到的分类结果，分配每一段运动学片段道路类型，以微行程类别作为马尔科夫状态分别构建六种道路类型的状态转移矩阵，然后根据每种道路类型的权值最终建立总状态转移矩阵。
步骤3.3构建典型工况
在状态转移统计分析的基础上，为每个车辆动态上的不同类型构建TPM。根据道路类型权重，最终建立全类型状态转移矩阵。
Figure BDA0003051270260000115
其中，wi为每个道路类型所占权重，n＝6。在本文中，测试路线包含快速路、主干路、次干路、支路四种道路，使用电子地图与交通流信息得到6种道路类型。利用随机函数Round ()确定车辆下一时刻状态，假设下一时刻状态x1出现的次数为m次、x2为n次、x3为k次，总次数为s，则xi(1)的表达式为
Figure BDA0003051270260000116
从状态(事件集合)选取的微行程无放回的衔接于上一段微行程，本发明设置整条工况长度为1250s，重复以上步骤，直至合成的工况满足长度条件。同时，所选取的微行程应该满足下述条件
(1)选取的微行程长度大于4s，加减速微行程长度不应大于30s；
(2)选取的微行程起始速度与上一段微行程末速度之差小于2km/h；
(3)满足以上两个条件时，选取离聚类中心最近的微行程片段。
步骤4基于能耗的工况构建结果评价
在构建汽车行驶工况时，会有大量的数据进行合成，因此构成的汽车行驶工况会有误差，为了使构成的汽车行驶工况更为准确，本例采用运动学特征参数对构建的汽车行驶工况进行评估。运动学特征参数包含加速时间比例、减速时间比例、平均速度、加速段平均加速度和减速段平均减速度、正加速度标准差等。
通过对能耗影响因素的分析，为避免过多的输入参数，提高计算速度和评价方法合理性，需要进一步优化特征参数数量。由于随机森林(Random Forest，RF)算法能够适应大数据，且训练速度快，因此它被用来根据特征因素对能耗的重要性进行排序，选择更本质的因素。本例选用基于袋外数据(OOB)置换的平均精确率减少指标(MDA)对特征参数重要性进行度量。
本例选取表1所示的12个运动学特征参数，分别为平均车速、最高车速、平均加速度、平均减速度、加速比、减速比、巡航比、车速标准差、加速度标准差、减速度标准差、最大加速度、最大减速度。针对这些因素，抽样得到一组数据用于训练决策树，剩余一组数据(OOB) 用于计算模型预测错误率。具体步骤若下所示：
(1)RF中的树数设置为800，将运动学特征参数作为输入，电动汽车能耗作为输出，将数据分为两组。用第一组数据进行训练，得到T棵决策树{h1,h2,…ht}。
(2)将第二组数据(OOB)作为输入，得到输出结果{Y1,Y2，…Yt}，计算树ht输出结果与真实值的误差erroOOBt＝mean(Y-Yt)2。
(3)打乱输入数据特征参数i顺序，将打乱后的数据带入到树ht，得到误差erroOOBt i＝mean(Yi-Yt)2。
(4)将
Figure BDA0003051270260000121
作为特征参数i对树ht的重要度。
(5)重复前4步，遍历所有的决策树，最终得到特征参数i的重要度。
Figure BDA0003051270260000122
将特征重要度从大到小进行排序，结果如图7所示。选择重要度大于等于0.25的影响力较大的特征因子，即平均车速、最大车速、巡航比、平均加速度、平均减速度五个本质特征因子。
基于五个本质特征因子，建立工况评价公式，如下所示
Figure BDA0003051270260000123
式中:Va表示原始数据的平均车速；Vm表示原始数据的最大车速；Zi表示原始数据的巡航比；Ap表示原始数据的平均加速度；An表示原始数据的平均减速度；Δ表示合成工况与原始数据对应参数的差值；wi表示第i个特征参数的特征重要度。
分析式(14)可知，SCO值是合成工况与原始数据对应参数的差值与原始数据之比的和。由此可知，SCO值越小，构建的汽车行驶工况与实际行驶工况的相似度越高。不断重复工况构建步骤，生成多条备选工况，根据选取的特征参数算得备选汽车行驶工况曲线中最低SCO的工况，作为典型行驶工况曲线。
本发明具有以下优点：
(1)提出一种基于加速度行为特征与加权马尔科夫过程的行驶工况构建模型。利用电子地图获取道路信息，结合交通流量实现了对运动学片段的道路类型分类。提出了SOFM对微行程划分的方法，可自主学习输入向量的拓扑结构，达到对大样本数据的高效聚类。根据道路类型权值，建立加权状态转移矩阵，从而使用马尔科夫过程进行工况搭建，该方法效率较高，能充分反映驾驶员典型行为特征。
(2)提出了基于电动汽车能耗特征的工况构建结果评价方法，通过随机森林算法对运动学参数进行重要度排序，选取影响能耗的最本质特征，以此为基础构建备选工况的综合评价指标，能有效解决因评价指标不合理而导致效率低和精度低的问题。

Claims (6)

1.一种电动汽车行驶工况构建与评价方法，其特征在于，包括以下步骤：
步骤一、数据收集与处理：对汽车行驶路径数据进行收集及异常数据筛选与剔除，并对处理后的数据进行运动学特征参数提取；
步骤二、微行程与道路类型划分：基于不同车速与加速度区间，使用自组织特征映射神经网络将运动学片段进行微行程划分；通过电子地图与交通流对运动学片段特征进行识别划分，获取各个微行程片段所在的道路类型，并通过每种类型所占整组数据比例，分别赋予每种道路类型权值；
所述步骤二微行程与道路类型划分中，通过自组织特征映射神经网络将运动学片段进行微片段划分，自组织特征映射神经网络的竞争学习具体包括以下过程：
(1)初始化：长度为4s的加速度与加速度的一阶导数一起描述了加速度类型和加速度状态的演变方向提取特征；以4s步长片段的平均加速度与平均一阶加速度作为聚类特征，将输入模式设置为xi＝[ai_ave,a′i_ave],i＝1……N，对网络当前输入模式向量x和竞争层中各神经元对应的权重向量ωij归一化；
(2)设置竞争层神经元总数为5个，通过竞争规则
Figure FDA0003721875550000011
寻找获胜神经元j*＝I(xi)；
(3)权值更新：设置学习率
Figure FDA0003721875550000012
其中η0为初始学习率，时间常数τη＝500，t为学习次数；邻域函数
Figure FDA0003721875550000013
其中
Figure FDA0003721875550000014
为获胜神经元与其邻域神经元的欧式距离，设置邻域的有效宽度
Figure FDA0003721875550000015
初始值σ0设置为邻域的边长，
Figure FDA0003721875550000016
为时间常数；通过公式
Figure FDA0003721875550000017
调整获胜神经元及其邻域内神经元权值；
(4)重复步骤(1)至步骤(3)，直到学习率衰减到阈值；
步骤三、工况合成：基于加速度状态的统计分析，为属于某种道路类型的微行程片段分别构建状态转移矩阵，根据其道路类型的权值，建立一个全类型状态转移矩阵，然后通过马尔科夫过程构建出多条备选工况；
步骤四、基于能耗的工况构建结果评价：对选取的运动学参数重要度排序，选取影响能耗的本质特征，建立基于能耗的工况构建结果评价指标，对步骤三构建的备选工况进行评价，选择表现最优的工况作为典型行驶工况。
2.如权利要求1所述的一种电动汽车行驶工况构建与评价方法，其特征在于，所述步骤一数据收集与处理具体包括以下步骤：
步骤1.1对汽车行驶路径数据进行收集；
步骤1.2异常数据筛选与剔除：
步骤1.2.1制定对数据处理的标准；
步骤1.2.2根据以上标准，建立了数据筛选模型；
步骤1.2.3根据数学筛选模型，对数据进行处理；
步骤1.3运动学特征参数提取，包括：
特征参数 定义 单位 a<sub>p_ave</sub> 平均加速度 m/s<sup>2</sup> a<sub>n_ave</sub> 平均减速度 m/s<sup>2</sup> v<sub>a</sub> 平均速度 km/h a<sub>p_max</sub> 最大加速度 m/s<sup>2</sup> a<sub>n_max</sub> 最大减速度 m/s<sup>2</sup> T<sub>i</sub> 巡航比 ％ T<sub>a</sub> 加速比 ％ T<sub>d</sub> 减速比 ％ v<sub>max</sub> 最高车速 km/h v<sub>std</sub> 速度标准差 km/h a<sub>pstd</sub> 正加速度标准差 m/s<sup>2</sup> a<sub>nstd</sub> 负加速度标准差 m/s<sup>2</sup>
。
3.如权利要求1所述的一种电动汽车行驶工况构建与评价方法，其特征在于，所述步骤二微行程与道路类型划分中，将每一段运动学片段分为五个微行程，包括急加速、缓加速、巡航、缓减速以及急减速。
4.如权利要求1所述的一种电动汽车行驶工况构建与评价方法，其特征在于，所述步骤二微行程与道路类型划分中，将车辆行驶的道路分为6类，包括高速公路、快速路、一级道路、二级道路、未分类道路、郊区道路。
5.如权利要求1所述的一种电动汽车行驶工况构建与评价方法，其特征在于，所述步骤三工况合成具体包括以下步骤：
步骤3.1状态编码：
假设被建模的信号x，即微行程片段，引入一种事件集合编码方案来将
Figure FDA0003721875550000021
映射到一组离散的马尔科 夫状态；
按所述步骤二划分的微行程片段，定义每一段微行程片段为事件，运动学特征接近的微行程整合为模型事件集，形成马尔科夫状态：
X＝{X1,X2,…,Xτ∣(τ＝1,2,…,5)}
步骤3.2建立状态转移矩阵：
转移概率可以从测量的状态序列从测量的数据识别，即pij≈Nij/N0i，其中，Nij表示从状态
Figure FDA0003721875550000031
到状态
Figure FDA0003721875550000032
观察到的转变的数目，
Figure FDA0003721875550000033
是从状态
Figure FDA0003721875550000034
开始转变的总数；这些状态转移概率构成一个完整的状态转移矩阵；
在对每一段微行程进行状态编码时，将小于10秒的微行程补充到上一段微行程中，根据所述步骤二得到的道路类型划分结果，分配每一段微行程片段道路类型，以微行程类别作为马尔科夫状态分别构建每种道路类型的状态转移矩阵，然后根据每种道路类型的权值最终建立总状态转移矩阵；
步骤3.3构建典型工况：
在状态转移统计分析的基础上，为每个车辆动态上的不同类型构建状态转移矩阵；根据道路类型权重，最终建立全类型状态转移矩阵：
Figure FDA0003721875550000035
其中，wi为每个道路类型所占权重，n＝6；利用随机函数Round()确定车辆下一时刻状态，假设下一时刻状态x1出现的次数为m次、x2为n次、x3为k次，总次数为s，则xi(1)的表达式为：
Figure FDA0003721875550000036
从事件集合选取的微行程无放回的衔接于上一段微行程，设置整条工况长度，重复以上步骤，直至合成的工况满足长度条件；同时，所选取的微行程应该满足下述条件：
(1)选取的微行程长度大于4s，加减速微行程长度不应大于30s；
(2)选取的微行程起始速度与上一段微行程末速度之差小于2km/h；
(3)满足以上两个条件时，选取离聚类中心最近的微行程片段。
6.如权利要求1所述的一种电动汽车行驶工况构建与评价方法，其特征在于，所述步骤四基于能耗的工况构建结果评价中，采用随机森林算法对运动学参数进行重要度排序。
CN202110488106.0A 2021-05-06 2021-05-06 一种电动汽车行驶工况构建与评价方法 Expired - Fee Related CN113222385B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110488106.0A CN113222385B (zh) 2021-05-06 2021-05-06 一种电动汽车行驶工况构建与评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110488106.0A CN113222385B (zh) 2021-05-06 2021-05-06 一种电动汽车行驶工况构建与评价方法

Publications (2)

Publication Number Publication Date
CN113222385A CN113222385A (zh) 2021-08-06
CN113222385B true CN113222385B (zh) 2022-08-16

Family

ID=77090894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110488106.0A Expired - Fee Related CN113222385B (zh) 2021-05-06 2021-05-06 一种电动汽车行驶工况构建与评价方法

Country Status (1)

Country Link
CN (1) CN113222385B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113920737A (zh) * 2021-10-25 2022-01-11 苏州智慧车芯科技有限公司 一种rde工况随机生成器
CN115188205B (zh) * 2022-07-04 2024-03-29 武汉理工大学 一种基于道路信息的汽车行驶工况修正方法
CN116189332B (zh) * 2022-10-20 2024-03-19 开源网安物联网技术(武汉)有限公司 一种车辆健康评分方法、装置、电子设备以及存储介质
CN117931872B (zh) * 2024-03-22 2024-07-12 中国汽车技术研究中心有限公司 一种预见性汽车行驶工况构建方法、系统、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008505A (zh) * 2019-11-18 2020-04-14 西华大学 城市坡道行驶工况构建方法及应用
CN112668848A (zh) * 2020-12-18 2021-04-16 北京交通大学 基于工况分析的现代有轨电车混合储能系统能量管理方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7765055B2 (en) * 2005-04-18 2010-07-27 Traffic.Com, Inc. Data-driven traffic views with the view based on a user-selected object of interest
CN103606271B (zh) * 2013-11-27 2015-10-28 大连理工大学 一种混合动力城市公交车控制方法
CN106203856A (zh) * 2016-07-18 2016-12-07 交通运输部公路科学研究所 一种组合主成分分析和模糊c均值聚类的车辆行驶工况制定方法
CN111126819B (zh) * 2019-12-18 2022-08-16 南京理工大学 一种城市行驶工况智能分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111008505A (zh) * 2019-11-18 2020-04-14 西华大学 城市坡道行驶工况构建方法及应用
CN112668848A (zh) * 2020-12-18 2021-04-16 北京交通大学 基于工况分析的现代有轨电车混合储能系统能量管理方法

Also Published As

Publication number Publication date
CN113222385A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222385B (zh) 一种电动汽车行驶工况构建与评价方法
Zhao et al. Development of a representative urban driving cycle construction methodology for electric vehicles: A case study in Xi’an
CN110126841B (zh) 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法
CN107862864B (zh) 基于驾驶习惯和交通路况的行驶工况智能预测估计方法
CN111452619B (zh) 电动车辆在线能耗预测方法及系统
CN110414584B (zh) 汽车路谱聚类合成方法及系统
CN111292534A (zh) 一种基于聚类与深度序列学习的交通状态估计方法
CN108761509A (zh) 一种基于历史数据的汽车行驶轨迹及里程预测方法
CN110395245B (zh) 一种基于固定路线驾驶信息的混动汽车能量管理系统
CN110738855B (zh) 一种数据稀疏时间段的道路交通流状况预测方法
CN113297795A (zh) 一种纯电动汽车行驶工况构建方法
CN111145546B (zh) 一种城市全域交通态势分析方法
CN112327168A (zh) 一种基于XGBoost的电动汽车电池消耗预测方法
CN111563555A (zh) 一种司机驾驶行为分析方法及系统
CN115422747A (zh) 一种机动车尾气污染物排放量的计算方法和计算装置
CN115759462A (zh) 一种电动汽车用户的充电行为预测方法、装置及电子设备
CN112101132B (zh) 一种基于图嵌入模型和度量学习的交通状况预测方法
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
CN112948965A (zh) 一种基于机器学习和统计验证的汽车行驶工况的构建方法
CN114140903A (zh) 一种基于决策树生成规则的道路类型识别车载装置
CN112860782A (zh) 一种基于大数据分析的纯电动车续驶里程估计方法
CN112035536A (zh) 一种考虑动态路网交通流的电动汽车能耗预测方法
CN116011995A (zh) 车辆保养信息推送方法、装置、电子设备及存储介质
CN113744530B (zh) 一种车辆工况的构建方法
CN115774942A (zh) 基于车联网实车数据和svm的驾驶风格辨识模型建模与统计方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220816