CN106021961A - 基于遗传算法优化的城市标准循环工况构建方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法优化的城市标准循环工况构建方法，包括以下步骤：车辆工况试验、微行程划分、计算微行程特征参数、主成分分析、微行程K聚类、工况段遗传算法优化、将优化后的各类代表工况段合成一条标准循环工况。本发明以某城市实际行驶工况试验数据为基础，划分微行程并进行K聚类，利用方差分析来确定最佳聚类数，并运用遗传算法对各类工况段进行拟合修正，减小其与聚类中心的误差，提高所构建的城市标准循环工况精度。

Description

基于遗传算法优化的城市标准循环工况构建方法

技术领域

本发明属于城市标准循环工况构建领域，具体涉及一种基于遗传算法优化的城市标准循环工况构建方法。

背景技术

标准循环工况在车辆工程领域有着广泛的应用，如用于汽车污染物排放量和燃油消耗量检测，作为新车型验证和校准，对新技术成果进行检验等。美国、日本、欧盟的标准循环工况(法规工况)建立的比较完善，中国目前等效采用欧洲的ECE法规工况。但由于中国城市的道路、交通及行驶状况与欧盟国家有很大区别，因此构建适合我国城市工况特称的标准循环工况具有重大意义。

目前，国内外许多学者采用微行程和聚类分析方法对城市循环工况进行研究，即利用实车试验数据经聚类后得到标准城市循环工况。对比NEDC等模态工况，该方法合成的城市标准循环工况更接近车辆实际道路行驶状况，检验结果一致性较好。但该方法的最佳聚类数难以确定，并且在样本量不足时，代表工况段特征参数与其聚类中心存在较大误差，导致合成工况特征与总样本工况特征一致性差，所合成的标准工况精度较差，无法满足工程要求。

发明内容

针对上述问题，在微行程和聚类分析方法基础上，本专利提出一种基于遗传算法(Genetic Algorithm，GA)优化的城市标准循环工况构建方法：以某城市实际行驶工况试验数据为基础，划分微行程并进行K聚类，利用方差分析来确定最佳聚类数，并运用遗传算法对各类工况段进行拟合修正，减小其与聚类中心的误差，提高所构建的城市标准循环工况精度。

本发明的目的是通过以下技术方案实现的：

一种基于遗传算法优化的城市标准循环工况构建方法，包括以下步骤：

步骤一、车辆工况试验：选定车辆在目标城市中进行工况数据采集试验，然后进行交通强度符合性检验，采集获取的工况试验数据至少包括车辆所处位置、车辆行驶车速和车辆行驶时间；

步骤二、微行程划分：将所述步骤一所得工况数据进行异点剔除，得到行驶时间—车速时间历程，然后对时间-车速进行微行程划分；

步骤三、计算微行程特征参数：对所述步骤二划分好的微行程进行特征参数计算；

步骤四、主成分分析：首先所述步骤三计算的特征参数进行标准化处理，把原始数据均转化为无量纲化指标，然后计算各参变量之间的相关性矩阵及主成分矩阵，最后计算主成分特征值、相应的贡献率CR和累计贡献率ACR；通过主成分分析，用各主成分的贡献率，最终把多个变量维度减小到单一的综合主成分值F，作为聚类分析的变量对象；

步骤五、微行程K聚类：根据所述步骤四得到的综合主成分值F进行微行程K-means聚类；

步骤六、工况段遗传算法优化：在所述步骤五微行程聚类后，采用遗传算法对该类中距离聚类中心最近的工况段进行修正，使各代表工况段综合主成分值F与聚类中心的欧式距离小于0.005，使之满足代表微行程的选取条件；

步骤七、将经过所述步骤六优化后的各类的代表工况段合成一条标准循环工况。

通过上述设计方案，本发明可以带来如下有益效果：

1)本发明利用方差分析来确定最佳聚类数，解决了最优工况聚类数难以确定的问题。

2)运用遗传算法对各类工况段进行拟合修正，减小其与聚类中心的误差，提高所构建的城市标准循环工况精度。

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是工况构建流程图；

图2是微行程划分示意图；

图3是SS_bc与聚类数的关系图；

图4是SS_wc与聚类数的关系图；

图5是各片段与聚类中心关系示意图；

图6是优化原理示意图；

图7是标准循环工况时间速度历程图；

具体实施方式

下面结合附图对发明做进一步说明。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。

如图1所示，本发明提出的基于遗传算法优化的城市标准循环工况构建，包括以下步骤：

步骤S1：车辆工况试验。首先，选定车辆在目标城市中进行工况数据采集试验，试验路线需包含快速路、主干路、次干路及支路四种道路等级，其各等级试验道理长度比例应符合目标城市的各类道路比例。然后，进行交通强度(车辆流量、周转量和饱和度等)符合性检验，所选道路交通强度应与目标城市总体交通强度指标相一致，二者误差在5％以内。车辆需配备GPS测速设备，采集获取的工况试验数据包括车辆所处位置，车辆行驶车速和车辆行驶时间等。

步骤S2：微行程划分。将所得工况数据进行异点剔除，得到行驶时间—车速时间历程。然后对时间-车速进行微行程(运动学片段)划分，微行程也称运动学片段，是指车辆从一个怠速开始到下一个怠速开始的行驶片段。本例基于微行程的定义编程实现微行程的划分，如图2所示。本例中，将所有工况数据划分成1020个微行程。

步骤S3：计算微行程特征参数。对划分好的微行程进行特征参数计算，共选取了14个特征参数，分别为：行驶距离s(km)、行驶时间t(s)、平均车速V_m(km/h)、最大车速V_max(km/h)、速度标准差V_sd(km/h)、最大加速度a_max(m/s²)、最小加速度a_min(m/s²)、平均加速度a_a(m/s²)、平均减速度a_d(m/s²)、加速度标准差a_sd(m/s²)、加速比例Pa(％)、匀速比例P_c(％)、减速比例P_d(％)、怠速比例P_i(％)。表1为部分微行程特征参数。

表1微行程特征参数

步骤S4：主成分分析。在对微行程进行聚类前，需要对其14个特征参数进行主成分分析，其目的是减少聚类维度和提取主要工况特征。主成分分析首先要对数据进行标准化处理，把原始数据均转化为无量纲化指标，即各指标都处于同一数量级别。然后计算各参变量之间的相关性矩阵及主成分矩阵。最后计算主成分特征值、相应的贡献率CR和累计贡献率ACR。本例采用SPSS统计分析软件完成主成分分析，表2为部分主成分特征值及累计贡献率。由表2可看出，前两个主成分的累计贡献率可达85％，因此选取前两个主成分来代表整体的特征参数。通过主成分分析，用各主成分的贡献率，最终把14个变量维度减小到单一的综合主成分值F，作为聚类分析的变量对象。表3为部分综合主成分值。

表2主成分特征值及累计贡献率

成分	特征值λ	贡献率(％)	累计贡献率(％)
				1	10.528	75.200	75.200
2	1.429	10.210	85.410
				3	0.965	6.892	92.302
4	0.366	2.612	94.914
				...	...	...	...

表3综合主成分值F计算结果

微行程序号	1	2	...	1018	1019	1020
							变量F	-1.94	2.09		2.89	-2.86	1.6

步骤S5：微行程K聚类。根据综合主成分值F进行微行程K-means聚类，即将n个运动学片段分为k类，以便选取每类代表微行程。聚类数k值的确定是聚类的关键。k值过大会导致聚类中心概括性不强，增加后期的计算量；k值过小会降低聚类中心的识别度，可能会使具有不同特征的数据点聚到同一类别。微行程K聚类及最佳聚类数确定步骤如下：

(1)首先对综合主成分值F进行K-means聚类。聚类数K分别选为K_min～K_max，对于微行程聚类，最小聚类数K_min一般取为3，最大聚类数一般大于15，本例选取K_min＝3，K_max＝18，采用SPSS软件进行K聚类。

(2)计算类间离差平方和SS_bc，即

${\mathrm{SS}}_{bc}=\underset{i=1}{\overset{k}{\Σ}}{n}_i{(\stackrel{\‾}{F_i}-\stackrel{\‾}{F})}^2---\left(1\right)$

其中，为各类综合主成分值的均值；为综合主成分值的总均值。各类类间离差平方和SS_bc的值越大表示类间的距离越大，聚类效果越好。

计算各类内离差平方和SS_wc，即

${\mathrm{SS}}_{wc}=\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(F_{ij}-\stackrel{\‾}{F_i})}^2---\left(2\right)$

其中，F_ij为第i类第j个微行程的综合主成分值；k为聚类数；n_i为各类中微行程个数；类内离差平方和SS_wc的值越小则表示类内的距离越小，聚类效果越好。

按照公式计算得到各类的SS_bc和SS_wc值，并依据聚类数绘制成曲线如图3所示。

(3)计算各类“类间离差平方和SS_bc”误差值Error_{bc_i}，即

${\mathrm{Error}}_{bc\_i}=\frac{\max \left\{{\mathrm{SS}}_{bc}\right\}-{\mathrm{SS}}_{bc\_i}}{\max \left\{{\mathrm{SS}}_{bc}\right\}-\min \left\{{\mathrm{SS}}_{bc}\right\}}\×100\%---\left(3\right)$

其中，max{SS_bc}为SS_bc的最大值；min{SS_bc}为SS_bc的最小值；SS_{bc_i}为第i聚类数的SS_bc值。

计算各类“类间离差平方和SS_wc”误差值Error_{wc_i}，即

${\mathrm{Error}}_{wc\_i}=\frac{{\mathrm{SS}}_{wc\_i}-\min \left\{{\mathrm{SS}}_{wc}\right\}}{\max \left\{{\mathrm{SS}}_{wc}\right\}-\min \left\{{\mathrm{SS}}_{wc}\right\}}\×100\%---\left(4\right)$

其中，max{SS_wc}为SS_wc的最大值；min{SS_wc}为SS_wc的最小值；SS_{wc_i}为第i聚类数的SS_wc值。

(4)确定最佳聚类数k_opt。最佳聚类数k_opt的选取方法是：满足Error_{bc_i}≤10％且Error_{wc_i}≤10％的最小聚类数。在本例中，聚类数为9时满足上述条件，其中Error_{bc_i}＝7.21％，Error_{wc_i}＝7.05％满足选取条件，如图3“星号”所示。可以看到，最佳聚类数的SS_bc和SS_wc处于其曲线的“拐点”位置。

按照最佳聚类数k_opt进行K-means聚类，本例中，根据综合主成分值F将微行程分为9类。

步骤S6：工况段(微行程)遗传算法优化。将微行程聚类后，选取每类中距聚类中心最近(欧氏距离最小)的微行程来合成工况。为了保证合成标准工况的一致性和精度，本专利要求选定的代表微行程与聚类中心的欧式距离小于0.005。但在有限的样本量下，某些类别所包含的微行程与聚类中心最小的欧式距离值会大于0.005，即不存在符合要求的微行程。

针对这种情况，本专利采用遗传算法对该类中距离聚类中心最近的工况段进行修正，使各代表工况段综合主成分值F与聚类中心的欧式距离小于0.005，使之满足代表微行程的选取条件。

下面以具体实例介绍工况段(微行程)遗传算法(GA)优化原理及过程：

(1)确定目标函数。在本例中，某类工况段综合主成分值F与聚类中心关系如图4所示，工况段B的综合主成分值F与聚类中心A的欧式距离最小为0.078，大于0.005。选取距离聚类中心最小的工况段B为优化对象，GA优化的目标函数为：

L＝min(F₁-F_c1) (5)

式中，F₁为工况段B的综合主成分F值，F_c1为聚类中心的综合主成分F值，L为欧式距离。

(2)确定遗传算法的个体。将待优化工况段B的时间-速度历程按照图6所示分成4个部分(不考虑怠速段)，每个部分都包含完整的加速减速历程。其中A～E为五个分割点，其速度值保持不变，而中间的4个部分乘以比例系数x_i(i＝1～4)进行比例放大或缩小，x_i取值范围为[0.90-1.10]。通过x_i值来改变待优化片段，进而改变其运动学特征参数，使其综合主成分值F更加接近于该类聚类中心的综合主成分F值。比例系数x_i为遗传算法的个体。

(3)遗传算法优化过程。遗传算法是一种通过模拟自然进化过程而搜索最优解的全局优化算法，具有高效、通用、全局性等优点。经过选择、交叉、变异得到最优解。选择方法常用轮盘赌法，交叉可采用多点交叉或均匀交叉方法，变异方法常用均匀变异，边界变异等。本例利用Matlab中GA工具箱进行优化，遗传算法个体即为比例系数x_i，设置种群大小为100个，精英数目为10，交叉后代比例为0.8，适应度函数值偏差L为0.001。

本例中比例系数x_i优化结果为：x₁＝1.058；x₂＝0.978；x₃＝0.946；x₄＝1.045。优化后工况段B的F值与聚类中心的欧氏距离为0.0007(小于0.005)，满足代表工况段的选取原则。

步骤S7：依据步骤S6将各类中不满足选取要求的工况段进行遗传算法修正。然后将各类的代表工况段(微行程)合成一条标准循环工况，其速度时间历程如图6所示。对优化前后典型工况的特征参数进行计算，并与原始数据的总体特征参数进行对比，计算特征参数累计平均误差(不考虑总运行公里数和运行时间的误差)如表4所示。特征参数累计平均误差从原来的6.4％减小到优化后的2.5％，误差减小到3％以内，工况精度和一致性均得到较大的提高。

表4优化前后特征参数对比

Claims (6)

1.一种基于遗传算法优化的城市标准循环工况构建方法，其特征在于，包括以下步骤：

步骤一、车辆工况试验：选定车辆在目标城市中进行工况数据采集试验，然后进行交通强度符合性检验，采集获取的工况试验数据至少包括车辆所处位置、车辆行驶车速和车辆行驶时间；

步骤二、微行程划分：将所述步骤一所得工况数据进行异点剔除，得到行驶时间—车速时间历程，然后对时间-车速进行微行程划分；

步骤三、计算微行程特征参数：对所述步骤二划分好的微行程进行特征参数计算；

步骤四、主成分分析：首先所述步骤三计算的特征参数进行标准化处理，把原始数据均转化为无量纲化指标，然后计算各参变量之间的相关性矩阵及主成分矩阵，最后计算主成分特征值、相应的贡献率CR和累计贡献率ACR；通过主成分分析，用各主成分的贡献率，最终把多个变量维度减小到单一的综合主成分值F，作为聚类分析的变量对象；

步骤五、微行程K聚类：根据所述步骤四得到的综合主成分值F进行微行程K-means聚类；

步骤六、工况段遗传算法优化：在所述步骤五微行程聚类后，采用遗传算法对该类中距离聚类中心最近的工况段进行修正，使各代表工况段综合主成分值F与聚类中心的欧式距离小于0.005，使之满足代表微行程的选取条件；

步骤七、将经过所述步骤六优化后的各类的代表工况段合成一条标准循环工况。

2.如权利要求1所述的一种基于遗传算法优化的城市标准循环工况构建方法，其特征在于，所述步骤一车辆工况试验中，进行工况数据采集试验的试验路线需包含快速路、主干路、次干路及支路四种道路等级。

3.如权利要求1所述的一种基于遗传算法优化的城市标准循环工况构建方法，其特征在于，所述步骤三计算微行程特征参数中共选取了14个特征参数，分别为：行驶距离s(km)、行驶时间t(s)、平均车速V_m(km/h)、最大车速V_max(km/h)、速度标准差V_sd(km/h)、最大加速度a_max(m/s²)、最小加速度a_min(m/s²)、平均加速度a_a(m/s²)、平均减速度a_d(m/s²)、加速度标准差a_sd(m/s²)、加速比例Pa(％)、匀速比例P_c(％)、减速比例P_d(％)、怠速比例P_i(％)。

4.如权利要求1所述的一种基于遗传算法优化的城市标准循环工况构建方法，其特征在于，所述步骤五微行程K聚类包括以下步骤：

5.1)对所述步骤四得到的综合主成分值F进行K-means聚类，聚类数K分别选为K_min～K_max，K_min＝3，K_max＝18；

5.2)计算类间离差平方和SS_bc：

${\mathrm{SS}}_{bc}=\underset{i=1}{\overset{k}{\Σ}}{n}_i{(\stackrel{\‾}{F_i}-\stackrel{\‾}{F})}^2$

其中，为各类综合主成分值的均值；为综合主成分值的总均值；

计算各类内离差平方和SS_wc：

${\mathrm{SS}}_{wc}=\underset{i=1}{\overset{k}{\Σ}}\underset{j=1}{\overset{n_i}{\Σ}}{(F_{ij}-\stackrel{\‾}{F_i})}^2$

其中，F_ij为第i类第j个微行程的综合主成分值；k为聚类数；n_i为各类中微行程个数；

5.3)计算各类类间离差平方和SS_bc误差值Error_{bc_i}：

${\mathrm{Error}}_{bc\_i}=\frac{max\left\{{\mathrm{SS}}_{bc}\right\}-{\mathrm{SS}}_{bc\_i}}{max\left\{{\mathrm{SS}}_{bc}\right\}-min\left\{{\mathrm{SS}}_{bc}\right\}}\×100\%$

其中，max{SS_bc}为SS_bc的最大值；min{SS_bc}为SS_bc的最小值；SS_{bc_i}为第i聚类数的SS_bc值；

计算各类类间离差平方和SS_wc误差值Error_{wc_i}：

${\mathrm{Error}}_{wc\_i}=\frac{{\mathrm{SS}}_{wc\_i}-\min \left\{{\mathrm{SS}}_{wc}\right\}}{max\left\{{\mathrm{SS}}_{wc}\right\}-min\left\{{\mathrm{SS}}_{wc}\right\}}\×100\%$

其中，max{SS_wc}为SS_wc的最大值；min{SS_wc}为SS_wc的最小值；SS_{wc_i}为第i聚类数的SS_wc值。

5.4)确定最佳聚类数k_opt；

按照最佳聚类数k_opt进行K-means聚类。

5.如权利要求4所述的一种基于遗传算法优化的城市标准循环工况构建方法，其特征在于，所述步骤四4)确定最佳聚类数k_opt中，最佳聚类数k_opt的选取方法是：满足Error_{bc_i}≤10％且Error_{wc_i}≤10％的最小聚类数。

6.如权利要求1所述的一种基于遗传算法优化的城市标准循环工况构建方法，其特征在于，所述步骤六工况段遗传算法优化的过程为：

6.1)确定目标函数：选取距离聚类中心最小的工况段B为优化对象，遗传算法优化的目标函数为：

L＝min(F₁-F_c1)

式中，F₁为工况段B的综合主成分F值，F_c1为聚类中心的综合主成分F值，L为欧式距离；

6.2)确定遗传算法的个体：将待优化工况段B的时间-速度历程分成4个部分，每个部分都包含完整的加速减速历程，4个部分乘以比例系数x_i(i＝1～4)进行比例放大或缩小，x_i取值范围为[0.90-1.10]，通过x_i值来改变待优化片段，进而改变其运动学特征参数，使其综合主成分值F更加接近于该类聚类中心的综合主成分F值，比例系数x_i为遗传算法的个体；

6.3)遗传算法优化过程：遗传算法经过选择、交叉、变异得到最优解。