CN103745110A - 纯电动公交车营运续驶里程估算方法 - Google Patents

Abstract

本发明公开了一种纯电动公交车营运续驶里程估算方法，包括下述步骤：S1、建立基于站点相邻路段的线路能耗模型；S2、通过模糊时间序列分析算法对纯电动公交车能耗状况进行建模；S3、推算出该站点相邻路段的整体能耗情况；S4、通过加权二值模糊集模型对站点相邻路段能耗或其影响因素值进行预测；S5、在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值；S6、预测剩余能耗值未能满足最低能耗要求值所对应的首个站点相邻路段可续驶里程即半程续驶里程进行运算。本发明充分考虑影响影响纯电动公交车能耗的各类因素，将各类因素进行量化计算，跳出目前以电池剩余能量为核心的预测算法，提出了综合考虑各种因素的数学模型。

Description

纯电动公交车营运续驶里程估算方法

技术领域

本发明涉及公交车营运的技术领域，特别涉及一种纯电动公交车营运续驶里程估算方法。

背景技术

纯电动公交车虽然目前在国家节能减排政策下得到较快发展，但由于受其续驶里程的制约，目前仍难以大规模推广，仍处于试点运营状况。续驶里程主要受电池容量和运营状况限制，在目前电池技术储能和可靠性仍难以取得突破的情况下，研究者们提出了各种分析与评估续驶里程的方法。在目前阶段，对续驶里程的估算方法大多依赖于对SOC的更准确估算，从而转换成相对准确的续驶里程，因而目前的研究热点集中在如何准确预测SOC上。比较具有代表性的算法，如针对电动汽车用锂离子电池组的能修正初始误差的荷电状态估算方法；针对磷酸铁锂电池给出了其改进的PNGV模型，采用扩展卡尔曼滤波算法完成了SOC的准确估计；对于磷酸铁锂电池，安时积分SOC估算方法中初始SOC的影响最大，应该建立初始SOC的修正算法,对电池的SOC累积误差进行清除以提高精度；采用电化学阻抗谱来分析等效电路模型参数，以研究电池的电压特性和动态功率特性，通过综合分析实际充放电条件的主要特征来提取电池典型的参数辨识工况，并利用粒子群优化算法分析模型参数；此外，修订的伏安法、Kalman算法、神经网络等算法的应用也比较广泛。在进一步提高SOC估算精度情况下，基于锂离子电池电化学模型提出电动公交车续驶里程预测方法、纯电动汽车续驶里程RBF神经网络预测算法、通过分析纯电动汽车行驶中主电路负载电流变化建立其续驶里程计算模型、利用BP神经网络预测电动汽车续驶里程的方法等。就研究者在公开发表信息内容上看，续驶里程的预测的依据主要采用SOC参数作为主要参考，大多采用等速法以及工况法进行预测，所得到延长续驶里程的结论大多倾向于选用低阻力轮胎、进行车身的流线型改进、减轻空车重量、选用高能量电池、动力传动系合理匹配[16,17,18]等从电动汽车本身架构以及零配件选用上。然而，影响纯电动公交车续驶里程的因素，即能耗影响因素还包括时段（早晚高峰）、路况、驾驶员驾驶习惯、线路、乘客等因素，为此，本发明利用在已经正常营运的纯电动公交车行车过程中所产生的数据，结合公交站点交通运行指标体系，基于模糊聚类算法和模糊时间序列算法建立纯电动公交车营运续驶里程预测模型，为纯电动公交车线路规划与调整、车辆调度与充电站规划等提供决策支持。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种纯电动公交车营运续驶里程估算方法。

本发明的目的通过下述技术方案实现：

纯电动公交车营运续驶里程估算方法，包括下述步骤：

S1、建立基于站点相邻路段的线路能耗模型，通过该能耗模型在时间序列数据中寻找数据随时间变化的规律或趋势，采用能耗标识的模糊聚类方法，以相似性搜索实现能耗模糊时间序列的挖掘，选取典型能耗样本进行标识，使其成为初始化的带标识的聚类中心，并对其他样本数据完成聚类运算，完成能耗数据划分，从而建立基于模糊聚类的时间序列能耗分析模型；

S2、模糊聚类中心对相邻站点之间的能耗及影响因素的能耗情况进行描述以及标识后，通过模糊时间序列分析算法对纯电动公交车能耗状况进行建模；

S3、以各影响因素的时间序列预测结果为基础，结合各影响因素的权值情况，在计算出下一个站点相邻路段能耗影响因素的预测值的情况下，通过与该站点相邻路段的模糊聚类中心能耗情况进行模糊相似度搜索度量以及与动态权值的运算，推算出该站点相邻路段的整体能耗情况；

S4、通过加权二值模糊集模型对站点相邻路段能耗或其影响因素值进行预测，以预测的影响因素值为基础，以已经进行聚类并标识能耗和权值的聚类中心为模糊相似性测量的基础，对站点相邻路段能耗的影响因素值所形成的样本数据进行能耗预测；

S5、在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成营运续驶里程；

S6、营运续驶里程是模糊聚类中心对应实际营运站点相邻路段的里程长度累加结果，在所有模糊聚类中心对应实际营运站点相邻路段里程相对固定的情况下，只需要对预测剩余能耗值未能满足最低能耗要求值所对应的首个站点相邻路段可续驶里程即半程续驶里程进行运算，并将运算结果累加在满足能耗要求的全程续驶里程上，即可完成营运续驶里程的计算。

优选的，步骤S1中，以纯电动公交车能耗数据为对象的模糊聚类算法具体步骤如下：

选取随机值ε>0，选定并初始化聚类中心V⁽⁰⁾，使之具有能耗标识，令s=0；

第一步：确定参数b以及初始化模糊分类矩阵U⁽⁰⁾；

第二步：更新U^(s)为U^(s+1)，i=1,…,c;j=1,…,N，并按

进行迭代，并计算U^(s)时的

$v_i^{\left(s\right)}=\frac{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\hat{P}\left({\mathrm{\ω}}_i\right|x_j,\widehat{\mathrm{\θ}})\right]}^b{x}_j}{\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{\left[\hat{P}\left({\mathrm{\ω}}_i\right|x_j,\widehat{\mathrm{\θ}})\right]}^b},i=\mathrm{1,2},...,c;$

第三步：以矩阵范数比较U^(s)和U^(s+1)，如果||U^(s)-U^(s+1)||<ε，迭代停止；否则，s=s+1，返回第二步。

优选的，步骤S2中，对于站点相邻路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；设能耗论域U={u₁,u₂,…,u_n},n=5，论域U的模糊集A_i可以表示为 $A_i=\frac{f_{A_i}\left(u_1\right)}{u_1}+\frac{f_{A_i}\left(u_2\right)}{u_2}+...+\frac{f_{A_i}\left(u_n\right)}{u_n}=\underset{U}{\&Integral;}\frac{f_{A_i}\left(u_k\right)}{u_k},{\&ForAll;u}_k\&Element;U,n=5,k=\mathrm{1,2},...,5,$ 其中

是模糊集A_i的隶属函数，符号“+”表示连接符

:U→[0,1]且

u_k为模糊集A_i的一个元素，

是元素u_k属于模糊集A_i的隶属度，且隶属函数满足 $f_{A_i}\left(u_k\right)\&Element;\left[\mathrm{0,1}\right],1\&le;k\&le;n.$

优选的，根据纯电动公交车的实际情况，所有站点相邻路段能耗的模糊逻辑关系均为唯一对应，可定义模糊逻辑组，并表示为：F(t-1)→F(t),t=1,2,…,17；对于唯一顺序的模糊时间序列，每个站点相邻路段的能耗权值表示如下：

$\begin{array}{c}W\left(t\right)=[w_1\left(t\right),w_2\left(t\right),...w_n\left(t\right)]\\ =[\frac{c_1{E}_1\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)},\frac{c_2{E}_2\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)},...,\frac{c_n{E}_n\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)}]\\ =[\frac{c_1{E}_1\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)},\frac{c_2{E}_2\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)},...\frac{c_n{E}_n\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)}]\end{array}$

满足y=128.313x₁-411.546x₂+32.541x₃-0.001x₄+0.262x₅-13.447；

其中w_n(t)是其中一个站点相邻路段能耗的权值；c_n为该站点相邻路段所对应能耗等级模糊隶属度

所对应的去模糊化正态分布值；E_n(t)是该站点相邻路段对应的聚类中心所对应的能耗值。

优选的，步骤S3中，对于站点相邻路段能耗时间序列模型，采用更适用于存在多重不确定性的二型模糊集合方法，将传统模糊集合进行扩展，给出能耗影响因素集合中隶属度值的模糊程度，通过采用三维的隶属度函数，使其集合元素的隶属度成为一个[0,1]间的模糊数。

优选的，对站点相邻路段能耗的影响因素值所形成的样本数据进行能耗预测，其步骤如下：

步骤一，按照能耗影响因素的表达要求，按照聚类中心的数据结构整理能耗影响因素数据样本；

步骤二，以所对应的站点相邻路段的模糊聚类中心为模糊相似性测算对象，对数据样本进行模糊相似性观测。若站点相邻路段存在多个模糊聚类中心，则需要进行相应次数的观测；

步骤三，筛选站点相邻路段相似性观测值最高的聚类中心的能耗等级标识作为所需要预测能耗数据所对应的能耗等级标识，搜索能耗等级对应权值，通过加权二型模糊集计算的能耗预测值结果与等级权值的乘积即为对应站点相邻路段的能耗预测输出值。

优选的，步骤二中，模糊相似度观测的算法具体为：

对于离散值部分的纯电动公交车能耗样本U(t)=(u₁(t),u₂(t),…,u_n(t))及其所在路段的站点相邻路段能耗聚类中心C(t)=(c₁(t),c₂(t),…,c_n(t))，其二型模糊相似度计算公式如下：

$S(U\left(t\right),C\left(t\right))=1-\frac{1}{2n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(\right|{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)|+|{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)\left|\right);$

对于连续值部分的纯电动公交车能耗样本且定义在具体影响因素连续值X=[a,b]上，其二型模糊相似度计算公式如下：

$S(U\left(t\right),C\left(t\right))=1-\frac{1}{2(b-a)}{\&Integral;}_a^b\left(\right|{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)|+|{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_t\left(t\right)\right)\left|\right)\mathrm{dx};$

其中μ_U(t)(u_i(t))表示二型模糊集合纯电动公交车能耗样本中影响因素u_i(t)的隶属度函数；μ_C(t)(c_i(t))表示站点相邻路段能耗聚类中心样本中影响因素c_i(t)的隶属度函数；

与

与

分别表示各自对应二型模糊集的上、下隶属函数。

优选的，步骤三中，在第n+1个站点相邻路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个站点相邻路段进行能耗预测，得到其加权能耗预测值后，以第n+1个站点相邻路段的预测剩余能耗值减去第n+2个站点相邻路段的预测剩余能耗值，后再次与最低能耗要求值进行比较，直至站点相邻路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法；在该过程中，续驶里程可根据预测剩余能耗值满足最低能耗要求值的情况进行累加，直到算法结束，其累计续驶里程总和即为纯电动公交车的最大营运续驶里程，

即：

$L=\underset{E_{n+t}^p,t=1}{\overset{E_{n+t}^p\&le;E_n^r}{\mathrm{\&Sigma;}}}(L_n\left(t\right)\&RightArrow;E_n^p\left(t\right))+\frac{E_n^p(t+1)-E_n^r}{E_n^p(t+1)}{L}_n(t+1);$

其中，

表示满足预测剩余能耗值

在大于等于最低能耗要求值

前提下与之匹配的模糊聚类中心对应实际营运站点相邻路段里程。

本发明相对于现有技术具有如下的优点及效果：

1、充分考虑影响影响纯电动公交车能耗的各类因素，并且将各类因素进行量化计算，跳出目前以电池剩余能量为核心的预测算法，提出了综合考虑各种因素的数学模型。

2、将驾驶员的驾驶行为转变车辆状态行为予以量化描述，即以加减速、滑行、制动、匀速行驶等进行量化描述。

3、根据公交车线路运营情况，结合纯电动公交车营运过程必须进站上下客的营运特点，以相邻站点路段为划分，建立基于相邻站点之间的交通运行指标体系，描述两个站点之间的交通状况。

4、由于站点之间的里程相对固定，采用站点相邻里程作为续驶里程累加的条件，可以确保预测里程的准确性，而且设定最低剩余能耗要求可以确保纯电动公交车的回场。

5、由于纯电动公交车运行里程影响因素较多，利用交通运行指标预测能耗的时间序列方法并不合适，特别是公交线路中不断区域之间的交通运行指标差别较大的情况下。本发明提供的方法从研究各种影响因素的模糊时间序列出发，预测各种影响因素的时间序列问题，结合模糊聚类与站点相邻路段的加权系数，可克服目前模糊时间序列在瞬间突变区域的预测不准确问题。

6、通过准确预测续驶里程，可解决目前纯电动公交车难以实现准确调度的问题。由于纯电动公交车续驶里程预测的不准确性，应急调度采用就近调度原则时，考虑到回场问题，通常都不将纯电动公交车纳入考虑范围。当续驶里程可进行准确预测时，可丰富公交应急调度公交车类型的选择性。

附图说明

图1是本发明续驶里程估算方法的流程图。

图2是本发明的加权二型模糊及推理流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本实施例在已经对纯电动公交车能耗的主要影响因素进行量化后，可建立基于站点相邻路段的线路能耗模型。考虑到纯电动公交车的能耗影响因素与交通流数据具有时空相关性，且交通流与客流均是时间序列数据，只有与一定的时刻及道路相联系时才有意义，其数学模型必须在时间序列数据中寻找数据随时间变化的规律或趋势，包括时间序列趋势分析、周期模式匹配等。因此，基于交通流和客流的特点，结合空间数据建立基于时间序列的纯电动公交车线路能耗模型。

时间序列数据挖掘的主要内容包括时间序列数据变换、预测、分类、聚类、相似性搜索等。根据纯电动公交车能耗影响因素的特点，本发明主要结合带能耗标识的模糊聚类算法，以相似性搜索实现能耗模糊时间序列的挖掘。

以两个相邻站点之间纯电动公交车营运过程中所有影响因素作为聚类的维度。由于影响因素中一些连续值属性进行区段的划分过程中，容易造成“尖锐边界（Sharp Boundary）”问题。如果区间划分过大，会使包含此区间的规则的置信度很低，聚类中心稳定性和鲁棒性受到较大影响；如区间划分过小，规则所包含的信息量也会相应地减少。即使在区间的划分上用以上的两个因素进行了平衡，但如何合理、有效地划分连续值属性区间，使其能够真实地反映此属性中数据在定义域中的实际分布是挖掘连续值属性时间序列的关键问题。另一方面，如果将连续值属性的论域划分成不重叠的区间，由于明显的区间划分会将某些区间附近潜在的元素排斥在外，从而导致一些有意义的区间被忽略掉；如果将连续值属性的论域划分成重叠的区间，这样处于边界的影响因素就有可能同时处于两个区间，这些影响因素同时对两个区间都对时间序列的挖掘产生影响。为此，本发明以模糊聚类的方式，减少尖锐边界所引起的连续值划分问题。此外，为更好地对能耗进行定性描述，能耗等级以及影响因素等级已经按照实际情况根据专家意见以及实际营运均值数据等进行划分，而模糊聚类中心的数据具有不确定性，同时聚类中心所表达的模型不一定能够准确表达典型能耗状况，因此本发明选取典型能耗样本进行标识，使其成为初始化的带标识的聚类中心，并对其他样本数据完成聚类运算，达到更好地完成能耗数据划分的目的，从而建立基于模糊聚类的时间序列能耗分析模型。

聚类算法的每一步迭代中，每一个样本点都被认为是完全属于某一类别。模糊聚类算法放松这一条件，假设是模糊隶属（Fuzzy Membership）于某一类。从根本上说，这种隶属度函数等价于式

中的

其中，

是隶属函数的参数向量。

对于纯电动公交车能耗影响因素数据集X={x₁,x₂,…,x_N}，N为数据集中元素的个数，c是聚类中心数，最小化全局代价函数为：

$J_{\mathrm{fuz}}(U,V)=\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{\left[\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})\right]}^b{\left|\right|x_j-{\mathrm{\&mu;}}_i\left|\right|}^2$

$s.t.\left\{\begin{array}{c}\underset{i=1}{\overset{c}{\mathrm{\&Sigma;}}}\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})=1,\&ForAll;j\\ \hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})\&Element;\left[\mathrm{0,1}\right],\&ForAll;i,j\\ \underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})>1,\&ForAll;i\end{array}\right.$

其中，V={v₁,v₂,…,v_c}，v_i为ω_i类的中心矢量，μ_i是正态分布的均值，即聚类中心，b是一个用来控制不同类别的混合程度的自由参数，即权值b∈(1,∞)。每个样本点的聚类隶属度函数是归一化的，即

$\begin{array}{cc}\underset{i=0}{\overset{c}{\mathrm{\&Sigma;}}}\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j)=1& i=1,...,c;j=1,...,N\end{array}$

令

表示先验类别概率

求解

即可推出 ${\mathrm{\&mu;}}_i=\frac{{\mathrm{\&Sigma;}}_{j=1}^n{\left[\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j)\right]}^b{x}_j}{{\mathrm{\&Sigma;}}_{j=1}^n{\left[\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j)\right]}^b},\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j)=\frac{{(1/{\left|\right|x_j-{\mathrm{\&mu;}}_i\left|\right|}^2)}^{1/(1-b)}}{{\mathrm{\&Sigma;}}_{r=1}^c{(1/{\left|\right|x_j-{\mathrm{\&mu;}}_i\left|\right|}^2)}^{1/(1-b)}}$ 使J_fuz(U,V)达到最小的解。

以纯电动公交车能耗数据为对象的模糊聚类算法具体步骤如下：

选取随机值ε>0，选定并初始化聚类中心V⁽⁰⁾，使之具有能耗标识，令s=0。

第一步：确定参数b以及初始化模糊分类矩阵U⁽⁰⁾；

第二步：更新U^(s)为U^(s+1)。i=1,…,c;j=1,…,N，并按

进行迭代，并计算U^(s)时的

$v_i^{\left(s\right)}=\frac{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left[\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})\right]}^b{x}_j}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left[\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})\right]}^b},i=\mathrm{1,2},...,c;$

第三步：以矩阵范数比较U^(s)和U^(s+1)，如果||U^(s)-U^(s+1)||<ε，迭代停止；否则，s=s+1，返回第二步。

通过模糊聚类中心对相邻站点之间的能耗及影响因素的能耗情况进行描述以及标识后，可通过模糊时间序列分析算法对纯电动公交车能耗状况进行建模。站点相邻路段能耗样本中，标识属性能耗数据、客流、路网运行指标等影响因素、聚类中心样本之间具有时间序列的特征，影响因素的时间序列特征直接影响了站点相邻路段能耗值，进而对整条公交线路的能耗分配构成直接影响，为此，建立基于站点相邻路段样本的时间序列模型，适合于建立续驶里程预测模型。

经典时间序列模型，如AR模型、MA模型、ARMA模型、ARIMA模型等，这些模型通常用观测、调查、统计、抽样等方法取得被观测对象时间序列动态数据，用曲线拟合方法进行客观的描述。然而，这些模型大多适用于预测结果相对单一的股票、入学、GDP预测、气象等，而对影响因素较多且预测结果相对复杂的纯电动公交车能耗数据，这些模型往往难以准确描述较复杂、模糊的具体情况，在新的影响因素加入时，这些模型往往受到较大影响，其预测结果难以稳定地获取最优值。为解决该问题，本发明引进隶属度权值矩阵，将观测值在各模糊集上的隶属度的值作为用模糊矩阵进行预测的权值，建立模糊时间序列模型，反映观测值与各模糊子区间之间的联系的同时，进行预测时候不再需要附加预测规则，从而实现预测的准确率的提升。需要说明的是，影响因素的权值矩阵反映影响因素的关联性和影响程度，而总体能耗的权值矩阵反映的则是相邻站点相邻路段的能耗效率状况。

对于站点相邻路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述。设能耗论域U={u₁,u₂,…,u_n},n=5，论域U的模糊集A_i可以表示为 $A_i=\frac{f_{A_i}\left(u_1\right)}{u_1}+\frac{f_{A_i}\left(u_2\right)}{u_2}+...+\frac{f_{A_i}\left(u_n\right)}{u_n}=\underset{U}{\&Integral;}\frac{f_{A_i}\left(u_k\right)}{u_k},{\&ForAll;u}_k\&Element;U,n=5,k=\mathrm{1,2},...,5,$ 其中

是模糊集A_i的隶属函数（可选择三角形、梯形等，根据纯电动公交车的特性，本发明选择等腰梯形作为模糊函数），符号“+”表示连接符

:U→[0,1]且

u_k为模糊集A_i的一个元素，

是元素u_k属于模糊集A_i的隶属度，且隶属函数 $f_{A_i}\left(u_k\right)$ 满足 $f_{A_i}\left(u_k\right)\&Element;\left[\mathrm{0,1}\right],1\&le;k\&le;n.$

存在一种模糊关系集R(t-1,t)，并且满足F(t)=F(t-1）οR(t-1,t)，则F(t)可由F(t-1)推导得出。其中，“ο”为一种关系运算算子，若F(t-1)=A_i，F(t)=A_i，则两个连续数据F(t-1)与F(t)之间的模糊逻辑关系（FLR）可表示为F(t-1)→F(t)，F(t-1)被称为模糊逻辑关系的左边关系，F(t)则为模糊逻辑关系的右边关系。根据纯电动公交车的实际情况，所有站点相邻路段能耗的模糊逻辑关系均为唯一对应，可定义模糊逻辑组（FLG），并表示为：F(t-1)→F(t),t=1,2,…,17。对于唯一顺序的模糊时间序列，每个站点相邻路段的能耗权值表示如下：

$\begin{array}{c}W\left(t\right)=[w_1\left(t\right),w_2\left(t\right),...w_n\left(t\right)]\\ =[\frac{c_1{E}_1\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)},\frac{c_2{E}_2\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)},...,\frac{c_n{E}_n\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)}]\\ =[\frac{c_1{E}_1\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)},\frac{c_2{E}_2\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)},...\frac{c_n{E}_n\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)}]\end{array}$

满足y=128.313x₁-411.546x₂+32.541x₃-0.001x₄+0.262x₅-13.447

其中w_n(t)是其中一个站点相邻路段能耗的权值；c_n为该站点相邻路段所对应能耗等级模糊隶属度

所对应的去模糊化正态分布值；E_n(t)是该站点相邻路段对应的聚类中心所对应的能耗值。

站点相邻路段能耗模糊时间序列描述了纯电动公交车从满点出发到回到终端整个运营路段的能耗总体分配计算方法，以动态权值方式予以表达。由于纯电动车能耗受线路长度、客流、路网运行指标等因素影响较大，以站点相邻路段能耗模糊时间序列预测的能耗情况与实际情况存在较大的偏差。因此，本发明以各影响因素的时间序列预测结果为基础，结合各影响因素的权值情况，在计算出下一个站点相邻路段能耗影响因素的预测值的情况下，通过与该站点相邻路段的模糊聚类中心能耗情况进行模糊相似度搜索度量以及与动态权值的运算，推算出该站点相邻路段的整体能耗情况。

模糊时间序列可以较准确地预测元素对于具体模糊集合的隶属程度，适用于站点相邻路段能耗的预测与权值的计算。客流、路网运行指标、当班驾驶员及其驾驶习惯等因素存在多重的不确定性，隶属度函数自身的形状或参数存在的不确定性、具体影响元素对于整体能耗模糊集合的隶属度值的不确定等，对多影响因素的模糊时间序列预测结果构成直接影响。为进一步增强模糊时间序列增强描述和处理不确定性的能力，对于站点相邻路段能耗时间序列模型，本发明采用更适用于存在多重不确定性的二型模糊集合方法，将传统模糊集合进行扩展，给出能耗影响因素集合中隶属度值的模糊程度，通过采用三维的隶属度函数，使其集合元素的隶属度成为一个[0,1]间的模糊数。

与传统模糊模型相比，二型模糊集的模糊时间序列模型在框架上基本类似，都必须实现对论域进行模糊划分、建立模糊关系集合、由所有的模糊关系求得关系矩阵、将观测值模糊化利用规则求得预测值等过程；其最大区别在于二型模糊集的观测值有多个，需要定义适当的运算将这多个观测值所得到的信息综合并应用在预测过程中。如图2所示，是根据新能源公交车能耗实际情况定义的加权二型模糊集推理流程。

在能耗论域U={u₁,u₂,…,u_n},n=5中，其二型模糊集A_i的隶属度函数可以表示为

且对于

中任意t∈U，均为[0,1]上的一型模糊集，即

对于二型模糊集的主隶属函数

的定义域J_t，

使得其为t的主隶属度。对于某个特定的t∈U，

其对应的隶属函数值被定义为二型模糊集

在t上的次隶属度，同理f_t为特定t上的次隶属函数。

假设站点相邻路段能耗值为需要的预测值，二型模糊集所产生的能耗预测值会有三个，并且相应地对应三个隶属度。三个预测值根据数据的大小，从大到小，分别定义为能耗的乐观值、可能值和悲观值，并分别记为N_p(t)，N_h(t)和N_l(t)，分别对应的模糊逻辑关系为

$N_h\left(t\right)\&RightArrow;{\mathrm{Set}}_h=\{N_{h_1},N_{h_2},...,N_{h_h}\}$ 和 $N_l\left(t\right)\&RightArrow;{\mathrm{Set}}_l=\{N_{l_1},N_{l_2},...,N_{l_l}\}.$

建立模糊逻辑关系矩阵并经过模糊规则推理后，可通过去模糊方式，实现预测值的精确值计算。目前比较重要的算法是并交运算方式，即在没有建立模糊逻辑关系矩阵时，为去模糊化，以直接并（∨_m）和交（∧_m）的方式求不同层次的模糊关系的并集和交集，并统计并集和交集中元素的个数作为预测的依据：

其中，m_p是模糊集N_p(t)对应区间的中心值

和分别是Set_p、Set_h以及N_l(t)的并集和交集中元素的个数。在此基础上，总的预测公式，即综合形式可表示为：

在应用层面，一般认为三个公式可根据具体应用场景和数据情况决定使用的公式和形式。根据工程技术上预测经验，在此基础上，本发明提出了以下公式实现新能源公交车站点相邻路段能耗及其影响因素预测值计算：

$\mathrm{Fval}(t+1)=\frac{{\mathrm{Fval}}_l(t+1)+4\&times;{\mathrm{Fval}}_m(t+1)+{\mathrm{Fval}}_h(t+1)}{6};$

其中Fval_l(t+1)为历史数据中站点相邻路段能耗或其影响因素最低值；Fval_h(t+1)为历史数据中站点相邻路段能耗或其影响因素最高值。

纯电动公交车能耗不同影响因素的变化对能耗的影响程度不同，在实际运算中，基于二型模糊集的模糊时间序列对每个观测值有多个数据，即有多个隶属度值，但上述的二型模糊集中没有给出模糊逻辑关系矩阵的运算定义。为解决该问题，必须引入矩阵运算将这些隶属度得到的模糊关系进行综合，并以取最大值、或者取最小值、或者累加并归一化等实现去模糊化或将二型模糊集降维到一型模糊集。

定义站点相邻路段能耗的能耗值隶属度N(t)=(μ₁(t),μ₂(t),…,μ_n(t))，按照纯电动公交车营运要求，其下一个站点相邻路段能耗隶属度可表示为N(t+1)=(μ₁(t+1),μ₂(t+1),…,μ_n(t+1))。两个站点相邻路段能耗隶属度之间的关系矩阵可表示为R_t(i,j)=min{μ_i(t),μ_j(t)},i,j=1,2,…,n，体现时间序列的模糊关系。在最大值运算模型下，设

其中s∈{h,p,l}，则最大值运算模型可以表示为

以并（∨_m）和交（∧_m）的方式求不同层次的模糊关系的并集和交集，可分别表示为

以及

其计算式分别表示如下：

其中 $\stackrel{\&OverBar;}{R}(i,j)=\frac{R(i,j)}{{\mathrm{\&Sigma;}}_{j=1}^{n}R(i,j)},i,j=\mathrm{1,2},...,n;s\&Element;\{h,p,l\}.$ 基于加权二型模糊集的能耗影响或其因素预测值可表示为：

根据二型模糊集预测要求，总的预测公式，即综合形式可表示为：

从应用的角度，三个预测式均可推算出相应的预测值，视具体情况的不用而采用不同的方式。根据工程技术的经验要求，该预测值可理解为可能值，本发明结合实际的能耗数据，提出基于加权二型模糊集的纯电动公交车能耗或其影响因素预测公式：

${\mathrm{Fval}}^W(t+1)=\frac{{\mathrm{Fval}}_l(t+1)+4\&times;{\mathrm{Fval}}_m^W(t+1)+{\mathrm{Fval}}_h(t+1)}{6}$

其中Fval_l(t+1)为历史数据中站点相邻路段能耗或其影响因素最低值；Fval_h(t+1)为历史数据中站点相邻路段能耗或其影响因素最高值。

通过加权二值模糊集模型可对站点相邻路段能耗或其影响因素值进行预测。以预测的影响因素值为基础，本发明以已经进行聚类并标识能耗和权值的聚类中心为模糊相似性测量的基础，对站点相邻路段能耗的影响因素值所形成的样本数据进行能耗预测，其步骤如下：

步骤一，按照能耗影响因素的表达要求，按照聚类中心的数据结构整理能耗影响因素数据样本。

步骤二，以所对应的站点相邻路段的模糊聚类中心为模糊相似性测算对象，对数据样本进行模糊相似性观测。若站点相邻路段存在多个模糊聚类中心，则需要进行相应次数的观测。模糊相似度观测的算法如下。

对于离散值部分的纯电动公交车能耗样本U(t)=(u₁(t),u₂(t),…,u_n(t))及其所在路段的站点相邻路段能耗聚类中心C(t)=(c₁(t),c₂(t),…,c_n(t))，其二型模糊相似度计算公式如下：

$S(U\left(t\right),C\left(t\right))=1-\frac{1}{2n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(\right|{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)|+|{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)\left|\right)$

对于连续值部分的纯电动公交车能耗样本且定义在具体影响因素连续值X=[a,b]上，其二型模糊相似度计算公式如下：

$S(U\left(t\right),C\left(t\right))=1-\frac{1}{2(b-a)}{\&Integral;}_a^b\left(\right|{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)|+|{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_t\left(t\right)\right)\left|\right)\mathrm{dx}$

其中μ_U(_t)(u_i(t))表示二型模糊集合纯电动公交车能耗样本中影响因素u_i(t)的隶属度函数；μ_C(_t)(c_i(t))表示站点相邻路段能耗聚类中心样本中影响因素c_i(t)的隶属度函数；

与

与

分别表示各自对应二型模糊集的上、下隶属函数。

二型模糊逻辑弥补了一型模糊逻辑在处理不确定性方面的不足，对象所含的不确定越强，应用二型模糊逻辑的优势就越明显。然而，通常情况下，二型模糊集的结构比较复杂，构建集合不仅需要选择主隶属度函数，还要选取次隶属度函数，导致了计算上的困难。区间二型模糊集合近年来由于计算简单、容易实现而成为应用的主体，与二型模糊集合的主要区别体现在应用过程中省略了次隶属度函数的选取过程并简化了并、交、补等运算。另外，近年来越来越多的学者认为应该引入公理化的方法来研究模糊性测度，提出了模糊性测度必须遵循的、符合人们直觉认识的一系列公理，而计算公式在这些公理的约束范围内构建,这样做使人们对模糊性测度的研究更加规范化。区间二型模糊相似度的公理化在满足相似度符合对称律和传递性、精确值集合与其补集完全不相似、相同的二型模糊集最相似等条件下，对于离散值部分的纯电动公交车能耗样本，区间二型模糊相似度的计算公式如下：

$S(U\left(t\right),C\left(t\right))=\frac{1}{2}(\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\min \{{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\max \{{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}}+\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\min \{{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\max \{{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}})$

对于连续值部分的纯电动公交车能耗样本且定义在具体影响因素连续值X=[a,b]上，其区间二型模糊相似度计算公式如下：

$S(U\left(t\right),C\left(t\right))=\frac{1}{2}(\frac{{\&Integral;}_a^b\min \{{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}\mathrm{dx}}{{\&Integral;}_a^b\max \{{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}\mathrm{dx}}+\frac{{\&Integral;}_a^b\min \{{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}\mathrm{dx}}{{\&Integral;}_a^b\max \{{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right),{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(u_i\left(t\right)\right)\}\mathrm{dx}})$

步骤三，筛选站点相邻路段相似性观测值最高的聚类中心的能耗等级标识作为所需要预测能耗数据所对应的能耗等级标识，搜索能耗等级对应权值，通过加权二型模糊集计算的能耗预测值结果与等级权值的乘积即为对应站点相邻路段的能耗预测输出值。第n+1个站点相邻路段的加权能耗预测值的计算方法如下：

$E_n^p(t+1)=w_n(t+1)\&times;{\mathrm{Fval}}^W(t+1)\&times;E_n^{\max \left(S(U(t+1),C(t+1))\right)}(t+1)$

纯电动公交车营运续驶里程预测的关键部分在于如何确定站点相邻路段能耗及其影响因素对能耗的影响。续驶里程预测算法流程如图2所示。站点相邻路段能耗及其影响因素经过模糊聚类后，得到能耗聚类中心及其对应站点相邻里程的实际行驶长度，结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与站点能耗权值运算最终得到加权能耗预测值，即完成了上文所表述的全部过程。

纯电动公交车营运续驶里程预测的方法是，在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成营运续驶里程。通常情况下，为了纯电动公交车的安全以及确保回场，实际运营时通常设定一个最低能耗要求值，在接近或者等于该值时，纯电动公交车不管处于任何状态，必须马上回场充电或者换电；同时，为了保护蓄电池，防止蓄电池的深度放电，一般设定30%作为参考最低充电SOC值，因此，本发明所提出的续驶里程的含义为纯电动公交车能够满足最低剩余能量要求下持续运营的营运最长里程。在第n+1个站点相邻路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个站点相邻路段进行能耗预测，得到其加权能耗预测值后，以第n+1个站点相邻路段的预测剩余能耗值减去第n+2个站点相邻路段的预测剩余能耗值，后再次与最低能耗要求值进行比较，直至站点相邻路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。在该过程中，续驶里程可根据预测剩余能耗值满足最低能耗要求值的情况进行累加，直到算法结束，其累计续驶里程总和即为纯电动公交车的最大营运续驶里程，即：

$L=\underset{E_{n+t}^p,t=1}{\overset{E_{n+t}^p\&le;E_n^r}{\mathrm{\&Sigma;}}}(L_n\left(t\right)\&RightArrow;E_n^p\left(t\right))+\frac{E_n^p(t+1)-E_n^r}{E_n^p(t+1)}{L}_n(t+1)$

其中，

表示满足预测剩余能耗值

在大于等于最低能耗要求值

前提下与之匹配的模糊聚类中心对应实际营运站点相邻路段里程。

需要说明的是，营运续驶里程是模糊聚类中心对应实际营运站点相邻路段的里程长度累加结果。在所有模糊聚类中心对应实际营运站点相邻路段里程相对固定的情况下，只需要对预测剩余能耗值未能满足最低能耗要求值所对应的首个站点相邻路段可续驶里程即半程续驶里程进行运算（即

其中L_n(t+1)为半程续驶里程所在站点相邻路段的全程程续驶里程），并将运算结果累加在满足能耗要求的全程续驶里程上，即可完成营运续驶里程的计算。

若在实际运营过程中能够获取实际站点相邻路段能耗值及实际营运里程，可用实际值替代预测剩余能耗值进行预测运算。该方式既可以实际运营中提升预测的准确性，又可以在不对续驶里程运算构成任何影响的情况对站点能耗权值的进行动态调整。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.纯电动公交车营运续驶里程估算方法，其特征在于，包括下述步骤：

S1、建立基于站点相邻路段的线路能耗模型，通过该能耗模型在时间序列数据中寻找数据随时间变化的规律或趋势，采用能耗标识的模糊聚类方法，以相似性搜索实现能耗模糊时间序列的挖掘，选取典型能耗样本进行标识，使其成为初始化的带标识的聚类中心，并对其他样本数据完成聚类运算，完成能耗数据划分，从而建立基于模糊聚类的时间序列能耗分析模型；

S2、模糊聚类中心对相邻站点之间的能耗及影响因素的能耗情况进行描述以及标识后，通过模糊时间序列分析算法对纯电动公交车能耗状况进行建模；

S3、以各影响因素的时间序列预测结果为基础，结合各影响因素的权值情况，在计算出下一个站点相邻路段能耗影响因素的预测值的情况下，通过与该站点相邻路段的模糊聚类中心能耗情况进行模糊相似度搜索度量以及与动态权值的运算，推算出该站点相邻路段的整体能耗情况；

S4、通过加权二值模糊集模型对站点相邻路段能耗或其影响因素值进行预测，以预测的影响因素值为基础，以已经进行聚类并标识能耗和权值的聚类中心为模糊相似性测量的基础，对站点相邻路段能耗的影响因素值所形成的样本数据进行能耗预测；

S5、在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成营运续驶里程；

S6、营运续驶里程是模糊聚类中心对应实际营运站点相邻路段的里程长度累加结果，在所有模糊聚类中心对应实际营运站点相邻路段里程相对固定的情况下，只需要对预测剩余能耗值未能满足最低能耗要求值所对应的首个站点相邻路段可续驶里程即半程续驶里程进行运算，并将运算结果累加在满足能耗要求的全程续驶里程上，即可完成营运续驶里程的计算。

2.根据权利要求1所述的纯电动公交车营运续驶里程估算方法，其特征在于，步骤S1中，以纯电动公交车能耗数据为对象的模糊聚类算法具体步骤如下：

选取随机值ε>0，选定并初始化聚类中心V⁽⁰⁾，使之具有能耗标识，令s=0；

第一步：确定参数b以及初始化模糊分类矩阵U⁽⁰⁾；

第二步：更新U^(s)为U^(s+1)，i=1,…,c;j=1,…,N，并按

进行迭代，并计算U^(s)时的

$v_i^{\left(s\right)}=\frac{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left[\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})\right]}^b{x}_j}{\underset{j=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left[\hat{P}\left({\mathrm{\&omega;}}_i\right|x_j,\widehat{\mathrm{\&theta;}})\right]}^b},i=\mathrm{1,2},...,c;$

第三步：以矩阵范数比较U^(s)和U^(s+1)，如果||U^(s)-U^(s+1)||<ε，迭代停止；否则，s=s+1，返回第二步。

3.根据权利要求1所述的纯电动公交车营运续驶里程估算方法，其特征在于，步骤S2中，对于站点相邻路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；设能耗论域U={u₁,u₂,…,u_n},n=5，论域U的模糊集A_i可以表示为 $A_i=\frac{f_{A_i}\left(u_1\right)}{u_1}+\frac{f_{A_i}\left(u_2\right)}{u_2}+...+\frac{f_{A_i}\left(u_n\right)}{u_n}=\underset{U}{\&Integral;}\frac{f_{A_i}\left(u_k\right)}{u_k},{\&ForAll;u}_k\&Element;U,n=5,k=\mathrm{1,2},...,5,$ 其中

是模糊集A_i的隶属函数，符号“+”表示连接符

:U→[0,1]且

u_k为模糊集A_i的一个元素，

是元素u_k属于模糊集A_i的隶属度，且隶属函数

满足 $f_{A_i}\left(u_k\right)\&Element;\left[\mathrm{0,1}\right],1\&le;k\&le;n.$

4.根据权利要求3所述的纯电动公交车营运续驶里程估算方法，其特征在于，根据纯电动公交车的实际情况，所有站点相邻路段能耗的模糊逻辑关系均为唯一对应，可定义模糊逻辑组，并表示为：F(t-1)→F(t),t=1,2,…,17；对于唯一顺序的模糊时间序列，每个站点相邻路段的能耗权值表示如下：

$\begin{array}{c}W\left(t\right)=[w_1\left(t\right),w_2\left(t\right),...w_n\left(t\right)]\\ =[\frac{c_1{E}_1\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)},\frac{c_2{E}_2\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)},...,\frac{c_n{E}_n\left(t\right)}{c_1{E}_1\left(t\right)+c_2{E}_2\left(t\right)+...+c_n{E}_n\left(t\right)}]\\ =[\frac{c_1{E}_1\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)},\frac{c_2{E}_2\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)},...\frac{c_n{E}_n\left(t\right)}{\underset{n=1}{\overset{n}{\mathrm{\&Sigma;}}}{c}_n{E}_n\left(t\right)}]\end{array}$

满足y=128.313x₁-411.546x₂+32.541x₃-0.001x₄+0.262x₅-13.447；

其中w_n(t)是其中一个站点相邻路段能耗的权值；c_n为该站点相邻路段所对应能耗等级模糊隶属度

所对应的去模糊化正态分布值；E_n(t)是该站点相邻路段对应的聚类中心所对应的能耗值。

5.根据权利要求1所述的纯电动公交车营运续驶里程估算方法，其特征在于，步骤S3中，对于站点相邻路段能耗时间序列模型，采用更适用于存在多重不确定性的二型模糊集合方法，将传统模糊集合进行扩展，给出能耗影响因素集合中隶属度值的模糊程度，通过采用三维的隶属度函数，使其集合元素的隶属度成为一个[0,1]间的模糊数。

6.根据权利要求1所述的纯电动公交车营运续驶里程估算方法，其特征在于，对站点相邻路段能耗的影响因素值所形成的样本数据进行能耗预测，其步骤如下：

步骤一，按照能耗影响因素的表达要求，按照聚类中心的数据结构整理能耗影响因素数据样本；

步骤二，以所对应的站点相邻路段的模糊聚类中心为模糊相似性测算对象，对数据样本进行模糊相似性观测；若站点相邻路段存在多个模糊聚类中心，则需要进行相应次数的观测；

步骤三，筛选站点相邻路段相似性观测值最高的聚类中心的能耗等级标识作为所需要预测能耗数据所对应的能耗等级标识，搜索能耗等级对应权值，通过加权二型模糊集计算的能耗预测值结果与等级权值的乘积即为对应站点相邻路段的能耗预测输出值。

7.根据权利要求6所述的纯电动公交车营运续驶里程估算方法，其特征在于，步骤二中，模糊相似度观测的算法具体为：

对于离散值部分的纯电动公交车能耗样本U(t)=(u₁(t),u₂(t),…,u_n(t))及其所在路段的站点相邻路段能耗聚类中心C(t)=(c₁(t),c₂(t),…,c_n(t))，其二型模糊相似度计算公式如下：

$S(U\left(t\right),C\left(t\right))=1-\frac{1}{2n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\left(\right|{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)|+|{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)\left|\right);$

对于连续值部分的纯电动公交车能耗样本且定义在具体影响因素连续值X=[a,b]上，其二型模糊相似度计算公式如下：

$S(U\left(t\right),C\left(t\right))=1-\frac{1}{2(b-a)}{\&Integral;}_a^b\left(\right|{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\underset{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_i\left(t\right)\right)|+|{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{U\left(t\right)}\left(u_i\left(t\right)\right)-{\stackrel{\&OverBar;}{\mathrm{\&mu;}}}_{C\left(t\right)}\left(c_t\left(t\right)\right)\left|\right)\mathrm{dx};$

其中μ_U(t)(u_i(t))表示二型模糊集合纯电动公交车能耗样本中影响因素u_i(t)的隶属度函数；μ_C(t)(c_i(t))表示站点相邻路段能耗聚类中心样本中影响因素c_i(t)的隶属度函数；

与

与

分别表示各自对应二型模糊集的上、下隶属函数。

8.根据权利要求6所述的纯电动公交车营运续驶里程估算方法，其特征在于，步骤三中，在第n+1个站点相邻路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个站点相邻路段进行能耗预测，得到其加权能耗预测值后，以第n+1个站点相邻路段的预测剩余能耗值减去第n+2个站点相邻路段的预测剩余能耗值，后再次与最低能耗要求值进行比较，直至站点相邻路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法；在该过程中，续驶里程可根据预测剩余能耗值满足最低能耗要求值的情况进行累加，直到算法结束，其累计续驶里程总和即为纯电动公交车的最大营运续驶里程，即：

$L=\underset{E_{n+t}^p,t=1}{\overset{E_{n+t}^p\&le;E_n^r}{\mathrm{\&Sigma;}}}(L_n\left(t\right)\&RightArrow;E_n^p\left(t\right))+\frac{E_n^p(t+1)-E_n^r}{E_n^p(t+1)}{L}_n(t+1);$

其中，

表示满足预测剩余能耗值

在大于等于最低能耗要求值

前提下与之匹配的模糊聚类中心对应实际营运站点相邻路段里程。

Images