CN113569948A - 电动汽车工况分类与评价方法及系统 - Google Patents

电动汽车工况分类与评价方法及系统 Download PDF

Info

Publication number
CN113569948A
CN113569948A CN202110851871.4A CN202110851871A CN113569948A CN 113569948 A CN113569948 A CN 113569948A CN 202110851871 A CN202110851871 A CN 202110851871A CN 113569948 A CN113569948 A CN 113569948A
Authority
CN
China
Prior art keywords
time ratio
parameters
power
acceleration
clustering
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.)
Granted
Application number
CN202110851871.4A
Other languages
English (en)
Other versions
CN113569948B (zh
Inventor
王亚雄
张晨阳
欧凯
余庆港
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.)
Fuzhou University
Original Assignee
Fuzhou 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 Fuzhou University filed Critical Fuzhou University
Priority to CN202110851871.4A priority Critical patent/CN113569948B/zh
Publication of CN113569948A publication Critical patent/CN113569948A/zh
Application granted granted Critical
Publication of CN113569948B publication Critical patent/CN113569948B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明涉及一种电动汽车工况分类与评价方法及系统，该方法包括以下步骤：根据电动汽车类型，选定典型驾驶工况，然后确定并计算所述典型驾驶工况的特征参数；根据特征参数对汽车驾驶性能的影响，将特征参数划分为耐久性参数、经济性参数和动力性参数；结合聚类方法，选定聚类尺度将耐久性参数、动力性参数、经济性参数进行分析和聚类，分别获取耐久性、动力性、经济性代表性参数，降低同类特性参数的冗余度；对耐久性、动力性、经济性代表性参数采用主成分分析方法进行降维，并采用k值聚类算法进行工况聚类，将典型驾驶工况分为3类，并将3类工况分别评价为耐久型、动力型和经济型工况。该方法及系统有利于提升对电动汽车的能量管理。

Description

电动汽车工况分类与评价方法及系统
技术领域
本发明属于电动汽车领域，具体涉及一种电动汽车工况分类与评价方法及系统。
背景技术
燃料电池汽车作为一种新的运输方式，得到国家和各地政府的大力支持。燃料电池汽车的优势在于通过氢氧化学反应产生电能，驱动电机驱使车辆行驶，在该驱动过程中，生成物为水，无污染。然而，燃料电池在供能过程中，深受输出效率、动力性能和使用寿命的影响，燃料电池在中低功率区间效率较高，在高负荷和低负荷下寿命较短，且受化学反应影响供能动态能力较弱。为应对燃料电池汽车所面临的问题，需要对电动汽车工况进行分类与评价。现有的驾驶工况分类方法只从速度层面或者驾驶区域层面进行分析，无法从车辆的驾驶参数出发分析驾驶工况对驾驶性能的影响。
发明内容
本发明的目的在于提供一种电动汽车工况分类与评价方法及系统，该方法及系统有利于提升对电动汽车的能量管理。
为实现上述目的，本发明采用的技术方案是：一种电动汽车工况分类与评价方法，包括以下步骤：
(1)根据电动汽车类型，选定典型驾驶工况，然后确定并计算所述典型驾驶工况的特征参数；
(2)根据特征参数对汽车驾驶性能的影响，将特征参数划分为耐久性参数、经济性参数和动力性参数；
(3)结合聚类方法，选定聚类尺度将耐久性参数、动力性参数、经济性参数进行分析和聚类，分别获取耐久性、动力性、经济性代表性参数，降低同类特性参数的冗余度；
(4)对耐久性、动力性、经济性代表性参数采用主成分分析方法进行降维，并采用k值聚类算法进行工况聚类，将典型驾驶工况分为3类，并将3类工况分别评价为耐久型、动力型和经济型工况。
进一步地，所述电动汽车为燃料电池城市公交客车。
进一步地，根据电动汽车类型，选定相适应的多种典型驾驶工况，然后确定并计算所述多种典型驾驶工况的特征参数，具体包括以下步骤：
(101)选定22种典型驾驶工况，包括中国城市循环工况(CCBC)、NurembergR36、BUSRTE、CBDBUS、MANHATTAN、UKBUS6、Japan10-15、WVUCITY、NewYorkBus、C_WTVC、CHTC_B、SC03、India、太原、深圳、北京、上海、武汉、西安、济南、重庆、河南的典型公交驾驶工况；
(102)确定并计算所述22种典型驾驶工况的28个特征参数，包括：最大速度、平均速度、速度标准差、怠速时间占比、低速时间占比、中低速时间占比、高速时间占比、巡航时间占比、最大加速度、最小加速度、驱动加速度均值、制动加速度均值、加速度标准差、制动时间占比、加速时间占比、最大功率、最小功率、低效率时间占比、中效率时间占比、高效率时间占比、回收功率平均值、驱动功率平均值、平均功率、功率标准差、低功率变化时间占比、中功率变化时间占比、高功率变化时间占比、单位里程启停次数。
进一步地，低速时间占比TVL、中低速时间占比TVM、高速时间占比TVH和巡航时间占比Tc的计算如下：
Figure BDA0003182612180000021
式中，nVL、nVM、nVH、nC分别为行驶速度在0～20km/h、20～40km/h、大于40km/h范围内的点数及行驶速度大于1km/h且加速度在-0.1～0.1m/s2范围内的点数，n为工况长度；
加速时间占比Ta和制动时间占比Td的计算如下：
Figure BDA0003182612180000022
式中，na为加速度大于0.1m/s2的点数，nd为速度小于-0.1m/s2的点数；
低效率时间占比TPL、中效率时间占比TPM、高效率时间占比TPH的计算如下：
Figure BDA0003182612180000031
式中，nPL为功率在低效率范围内的点数，nPH为功率在高效率范围内的点数，nPM为功率在中效率区间的时间点数；
设定功率变化率小于10kW/s为低功率变化区间、功率变化率在10～20kW/s范围内为中功率变化区间、功率变化率大于20kW/s为高功率变化区间，低功率变化时间占比
Figure BDA0003182612180000032
中功率变化时间占比
Figure BDA0003182612180000033
高功率变化时间占比
Figure BDA0003182612180000034
的计算如下：
Figure BDA0003182612180000035
式中，
Figure BDA0003182612180000036
为功率变化率小于10kW/s的点数，
Figure BDA0003182612180000037
为功率变化率在10～20kW/s的点数，
Figure BDA0003182612180000038
为功率变化率大于20kW/s的点数；
单位里程启停次数、怠速时间比：
Figure BDA0003182612180000039
式中，L为工况里程长度，ni为车速为0的点数，non/off为车辆启停次数。
进一步地，根据特征参数对汽车驾驶性能的影响，将特征参数划分为耐久性参数、经济性参数和动力性参数，具体包括以下步骤：
(201)根据特征参数对汽车驾驶性能的影响，选择将速度标准差、驱动加速度均值、制动加速度均值、加速度标准差、中功率变化时间占比、高效率时间占比、加速时间占比、制动时间占比、功率标准差、单位里程启停次数作为耐久性参数；
(202)根据特征参数对汽车驾驶性能的影响，选择将最大速度、最大加速度、最小加速度、最大功率、最小功率、高速时间占比、高功率变化时间占比作为动力性参数；
(203)根据特征参数对汽车驾驶性能的影响，选择将平均速度、怠速时间占比、低速时间占比、中低速时间占比、低效率时间占比、中效率时间占比、低功率变化时间占比、回收功率平均值、驱动功率平均值、巡航时间占比、平均功率作为经济性参数。
进一步地，结合聚类方法，选定聚类尺度将耐久性参数、动力性参数、经济性参数进行分析和聚类，分别获取代表性特性参数，降低同类特性参数的冗余度，具体包括以下步骤：
(301)对耐久性参数进行工况聚类，选取聚类尺度为12，将驱动加速度均值、加速度标准差、单位里程启停次数、中功率变化时间占比作为一类，功率标准差、高效率时间占比作为一类，加速时间占比、制动时间占比作为一类，速度标准差、制动加速度均值作为一类，并选择单位里程启停次数、功率标准差、加速时间占比、速度标准差作为耐久性代表性参数；
(302)对动力性参数进行工况聚类，选取聚类尺度为10～15，将高速时间占比、高功率时间占比、最大速度作为一类，最小加速度、最小功率作为一类，最大加速度、最大功率作为一类，并选择高功率变化时间占比、最小加速度、最大加速度作为动力性代表性参数；
(303)对经济性参数进行工况聚类，选取聚类尺度为17～20，将平均速度、平均功率、巡航时间、中功率时间占比作为一类，低速时间占比、低功率时间占比、平均制动功率、中低速时间占比、低功率变化率时间占比作为一类，怠速时间占比、平均驱动功率作为一类，并选择平均功率、怠速时间占比、低功率时间占比作为经济性代表性参数。
进一步地，对耐久性、动力性、经济性代表性参数采用主成分分析方法进行降维，并采用k值聚类算法进行工况聚类并评价，具体包括以下步骤：
(401)通过式(6)、(7)计算提取的耐久性、动力性、经济性代表性参数的相关系数并验证代表性参数选择的合理性；
Figure BDA0003182612180000041
Figure BDA0003182612180000042
式中，i、j均为代表性参数的序号，
Figure BDA0003182612180000051
为特征参数标准化后的指标变量，rii＝1，rij＝rji，rij是第i个代表性参数与第j个代表性参数的相关系数，m为代表性参数的个数；
(402)采用主成分分析方法对代表性参数进行分析，获取代表性参数的提取率、主成分得分矩阵，将代表性参数进一步维度压缩为4个主成分；
(403)采用k值聚类算法，计算4个主成分的3个聚类中心，并进一步计算22种典型驾驶工况到3个聚类中心的欧式距离，根据欧式距离最小原理，将22种典型驾驶工况聚为3类，然后通过统计分析评估，将3类工况分别评价为耐久型、动力型和经济型工况。
本发明还提供了一种电动汽车工况分类与评价系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
与现有技术相比，本发明具有以下有益效果：提供了一种电动汽车工况分类与评价方法及系统，该方法及系统充分分析燃料电池汽车驾驶工况对车辆驾驶性能的影响，通过特征参数解析驾驶工况，从驾驶工况对性能的影响角度，将驾驶工况聚类为三类，并根据每类的特征将该三类工况分别评价为耐久性、动力性和经济性工况，有利于辅助设计燃料电池汽车能量管理策略，提升燃料电池汽车的经济性、动力性和耐久性。
附图说明
图1是本发明实施例的方法实现流程图；
图2是本发明实施例中耐久性参数系统聚类谱系图；
图3是本发明实施例中动力性参数系统聚类谱系图；
图4是本发明实施例中经济性参数系统聚类谱系图；
图5是本发明实施例中主成分分析碎石图；
图6是本发明实施例中部分经济型工况；
图7是本发明实施例中部分动力型工况；
图8是本发明实施例中部分耐久型工况。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供了一种电动汽车工况分类与评价方法，包括以下步骤：
根据电动汽车类型，选定典型驾驶工况，然后确定并计算所述典型驾驶工况的特征参数；
根据特征参数对汽车驾驶性能的影响，将特征参数划分为耐久性参数、经济性参数和动力性参数；
结合聚类方法，选定聚类尺度将耐久性参数、动力性参数、经济性参数进行分析和聚类，获取耐久性、动力性、经济性代表性参数，降低同类特性参数的冗余度；
对耐久性、动力性、经济性代表性参数采用主成分分析方法进行降维，并采用k值聚类算法进行工况聚类，将典型驾驶工况分为3类，并将3类工况分别评价为耐久型、动力型和经济型工况。
在本实施例中，以燃料电池城市公交客车为例，具体的实施方式为：
(1)根据一款燃料电池汽车参数和汽车动力学理论建立车辆动力学模型(如式1所示)。
Figure BDA0003182612180000061
式中，Pre为总需求功率，ua为行驶车速(km/h)，
Figure BDA0003182612180000062
为行驶加速度(m/s2)，ηT为传动效率。
(2)结合车辆动力学模型选取28种特征参数，如表1所示。部分参数的计算方式如下：
选取小于20km/h时间占比、速度在20～40km/h范围的时间占比、速度大于40km/h时间占比分别作为描述低速、中低速和高速的特征参数，用于车速的统计描述。本文选定的低速时间占比TVL、中低速时间占比TVM、高速时间占比TVH与巡航时间占比Tc计算如下：
Figure BDA0003182612180000071
式中，nVL、nVM、nVH、nC分别为行驶速度在0～20km/h、20～40km/h、大于40km/h范围内的点数及行驶速度大于1km/h且加速度在-0.1～0.1m/s2范围内的点数，n为工况长度(时间间隔取为1s)。
加速时间占比Ta和减速时间占比Td计算如下：
Figure BDA0003182612180000072
式中，na为加速度大于0.1m/s2的点数，nd为速度小于-0.1m/s2的点数。
结合本发明所建燃料电池模型及车辆动力学模型，经计算，单个燃料电池的功率在7.5～44kW时能量转化效率较高(效率高于50％)，小于5kW时能量转化效率较低。保证车辆动力性，匹配两台燃料电池，选择功率在0-10kW为低效率时间占比TPL，功率在15～88kW为高效率时间占比TPH，其他区间为中效率时间占比TPM，各区间的时间占比计算如下：
Figure BDA0003182612180000073
式中，nPL为功率在0～10kW范围内的点数，nPH为功率在15～88kW范围内的点数，nPM为功率在10～15kW或大于88kW的点数。
功率变化率影响燃料电池的使用寿命，本文设定功率变化率小于10kW/s为低功率变化时间占比、功率变化率在10～20kW/s范围内为中功率变化时间占比、功率变化率大于20kW/s为高功率变化时间占比，各区间所占时间分别表示为
Figure BDA0003182612180000074
Figure BDA0003182612180000081
式中，
Figure BDA0003182612180000082
为功率变化率小于10kW/s的点数，
Figure BDA0003182612180000083
为功率变化率在10～20kW/s的点数，
Figure BDA0003182612180000084
为功率变化率大于20kW/s的点数。
单位里程启停次数、怠速时间比：
Figure BDA0003182612180000085
式中，L为工况里程长度，ni为车速为0的点数，non/off为车辆启停次数。
表1工况特征参数
Figure BDA0003182612180000086
(3)特征参数的分析。首先根据特征参数的对车辆驾驶性能的影响，将28种特征参数划分为耐久性、动力性和经济性3类，具体过程如下：①由于燃料电池反应迟钝，快速动态响应的工况，会影响燃料电池正常反应及水热管理，而Vstd、apm、adm、astd、pstd能够反映汽车在运行时，负载动态变化的剧烈程度。所以，该参数能够从动态变载响应方面反映了工况对燃料电池衰退的影响和对整车耐久性的影响；动态工况持续时间占比越久，则对燃料电池长期损伤越大，高变化率时间占比越多，对燃料电池的损害强度越大。
Figure BDA0003182612180000091
反应了功率变化率对燃料电池耐久性的影响。Ta反应了加速时间占比，从长期反应了动态工况对耐久性的影响；燃料电池的频繁启停工作将导致燃料电池阴阳极的电位差发生变化，故Non/off也将直接影响燃料电池汽车的寿命。综合考虑故将Vstd、apm、adm、astd、
Figure BDA0003182612180000092
TPH、Ta、Td、Pstd及Non/off等划分为耐久性参数。②Vmax能够反映出对车辆最高速度的要求，amax和amin反映出对车辆加减速性能的要求，Pmax、Pmin结合了速度、坡度与车辆参数，从车辆负荷角度反映了车辆的动力性；高速行驶的持续时间与高功率行驶的持续时间从长时间运行中反映出对车辆动力性能的影响。TVH、
Figure BDA0003182612180000093
值越大，说明该类工况对汽车长时间、连续状态的动力性要求更大。故将Vmax、amax、amin、Pmax、Pmin、TVH、
Figure BDA0003182612180000094
等划分为动力性参数。③电动汽车运行时经济性受效率影响大，以燃料电池为例，在中低功率区间能量转化效率较高，经济性较好。根据上述分析，初步选定Vm、Ti、TVL、TVM、TPM、TPL、
Figure BDA0003182612180000095
Pdm、Ppm、Tc、Pm等作为反映对车辆驾驶经济性影响的工况参数。
(4)特征参数的聚类。上述已经将28类特征参数划分为耐久性、动力性和经济性3类，其中耐久性参数10个，动力性参数7个，经济性参数11个，每类的数据量和计算量较大，此处通过系统聚类，将三类特征参数分别进行聚类简化，如图2、图3、图4所示，聚类尺度分别选定为12、13、13。其中耐久性特征参数划分为4类：①apm、astd、Non/off、
Figure BDA0003182612180000096
②Pstd、
Figure BDA0003182612180000097
③Ta、Td；④Vstd、adm。消除每类参数之间具有的强相关性，分别选择Non/off、Pstd、Ta、Vstd作为描述耐久性工况的特征参数；动力性参数划分为3类：①TVH、
Figure BDA0003182612180000098
Vmax；②amin、Pmin；③amax、Pmax。选定
Figure BDA0003182612180000099
amin、amax为描述动力性的特征参数；同理。将经济性参数划分为3类：①Vm、Pm、Tc、TPM；②TVL、TPL、Pdm、TVM、
Figure BDA00031826121800000910
③Ti、Ppm。分别选择Pm、Ti、TPL作为描述不同驾驶工况对车辆经济性影响的参数。
(5)基于主成分分析和k值聚类的工况聚类。①上述根据特征参数对驾驶性能的影响，对驾驶参数进行了分类并进行参数提取和简化，为检验所简化的参数，计算所选参数间的相关系数矩阵，如式(7)、式(8)、表2所示，经统计，该表中82％的数据之间的相关性大于0.6，故上述参数简化合理。②对该10个参数进行主成分分析降维，结果如图5、表3，可见前4个主成分的得分矩阵信息贡献率达87.91％，能够较为完整反映驾驶工况的特征，故本文选取前4个主成分进行数据处理，并计算4个主成分的得分矩阵。③根据上述所获得分矩阵，计算k值聚类中心并聚类，计算过程如式(9)、式(10)，聚类结果如表4所示。
Figure BDA0003182612180000101
Figure BDA0003182612180000102
式中，i、j均为代表性参数的序号，
Figure BDA0003182612180000103
为特征参数标准化后的指标变量，rii＝1，rij＝rji，rij是第i个工况特征参数与第j个工况特征参数的相关系数。m为代表性参数的个数。
Figure BDA0003182612180000104
式中，d1、d2、d3、d4分别为工况的特征参数到三个主成分聚类中心的欧式距离，x1、x2、x3、x4为每类工况的主成分得分，yi,j为第i个聚类中心第j个主成分的空间坐标。
Figure BDA0003182612180000105
表2相关系数矩阵
Figure BDA0003182612180000111
表3总方差解释
Figure BDA0003182612180000112
表4 k值聚类结果
Figure BDA0003182612180000113
Figure BDA0003182612180000121
(6)结合表4中的k值聚类结果分析，将工况聚为三类：第一类，将Japan10-15、WVUCITY、C_WTVC、河南工况聚为一类，第二类，将CCBC、CBDBUS、UKBUS6、太原、深圳、北京、上海、武汉、印度、济南、重庆、CHTC_B、SC03工况聚为一类，第三类，将CYC_NurembergR36、CYC_BUSRTE、MANHATTAN、NewYorkBus、西安工况聚为一类。如表5所示，以Japan10-15、WVUCITY、CYC_NurembergR36、CYC_MANHATTAN、CCBC、CYC_CBDBUS为例，Japan1015、CYC_WVUCITY工况的平均速度Vm、平均功率Pm值相对更小，该类工况受经济性参数影响更大，故评价该类工况为经济型工况，CCBC、CYC_CBDBUS工况的加速度标准差astd、单位里程启停次数Non/off明显大约其他两类工况，该类工况受耐久性参数影响更加明显，故评价该类工况为耐久型参数。同理，CYC_NurembergR36、CYC_MANHATTAN工况的amax、Pmax参数明显低于另外两类工况，故该工况受动力性参数影响更加明显，故评价该类工况为耐久型工况。
表5部分工况分类对比结果
Figure BDA0003182612180000122
Figure BDA0003182612180000131
本实施例还提供了一种电动汽车工况分类与评价系统，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现上述的方法步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.一种电动汽车工况分类与评价方法，其特征在于，包括以下步骤：
(1)根据电动汽车类型，选定典型驾驶工况，然后确定并计算所述典型驾驶工况的特征参数；
(2)根据特征参数对汽车驾驶性能的影响，将特征参数划分为耐久性参数、经济性参数和动力性参数；
(3)结合聚类方法，选定聚类尺度将耐久性参数、动力性参数、经济性参数进行分析和聚类，分别获取耐久性、动力性、经济性代表性参数，降低同类特性参数的冗余度；
(4)对耐久性、动力性、经济性代表性参数采用主成分分析方法进行降维，并采用k值聚类算法进行工况聚类，将典型驾驶工况分为3类，并将3类工况分别评价为耐久型、动力型和经济型工况。
2.根据权利要求1所述的电动汽车工况分类与评价方法，其特征在于，所述电动汽车为燃料电池城市公交客车。
3.根据权利要求1所述的电动汽车工况分类与评价方法，其特征在于，根据电动汽车类型，选定相适应的多种典型驾驶工况，然后确定并计算所述多种典型驾驶工况的特征参数，具体包括以下步骤：
(101)选定22种典型驾驶工况，包括中国城市循环工况(CCBC)、NurembergR36、BUSRTE、CBDBUS、MANHATTAN、UKBUS6、Japan10-15、WVUCITY、NewYorkBus、C_WTVC、CHTC_B、SC03、India、太原、深圳、北京、上海、武汉、西安、济南、重庆、河南的典型公交驾驶工况；
(102)确定并计算所述22种典型驾驶工况的28个特征参数，包括：最大速度、平均速度、速度标准差、怠速时间占比、低速时间占比、中低速时间占比、高速时间占比、巡航时间占比、最大加速度、最小加速度、驱动加速度均值、制动加速度均值、加速度标准差、制动时间占比、加速时间占比、最大功率、最小功率、低效率时间占比、中效率时间占比、高效率时间占比、回收功率平均值、驱动功率平均值、平均功率、功率标准差、低功率变化时间占比、中功率变化时间占比、高功率变化时间占比、单位里程启停次数。
4.根据权利要求3所述的电动汽车工况分类与评价方法，其特征在于，低速时间占比TVL、中低速时间占比TVM、高速时间占比TVH和巡航时间占比Tc的计算如下：
Figure FDA0003182612170000021
式中，nVL、nVM、nVH、nC分别为行驶速度在0～20km/h、20～40km/h、大于40km/h范围内的点数及行驶速度大于1km/h且加速度在-0.1～0.1m/s2范围内的点数，n为工况长度；
加速时间占比Ta和制动时间占比Td的计算如下：
Figure FDA0003182612170000022
式中，na为加速度大于0.1m/s2的点数，nd为速度小于-0.1m/s2的点数；
低效率时间占比TPL、中效率时间占比TPM、高效率时间占比TPH的计算如下：
Figure FDA0003182612170000023
式中，nPL为功率在低效率范围内的点数，nPH为功率在高效率范围内的点数，
nPM为功率在中效率区间的时间点数；
设定功率变化率小于10kW/s为低功率变化区间、功率变化率在10～20kW/s范围内为中功率变化区间、功率变化率大于20kW/s为高功率变化区间，低功率变化时间占比
Figure FDA0003182612170000024
中功率变化时间占比
Figure FDA0003182612170000025
高功率变化时间占比
Figure FDA0003182612170000026
的计算如下：
Figure FDA0003182612170000031
式中，
Figure FDA0003182612170000032
为功率变化率小于10kW/s的点数，
Figure FDA0003182612170000033
为功率变化率在10～20kW/s的点数，
Figure FDA0003182612170000034
为功率变化率大于20kW/s的点数；
单位里程启停次数、怠速时间比：
Figure FDA0003182612170000035
式中，L为工况里程长度，ni为车速为0的点数，non/off为车辆启停次数。
5.根据权利要求3所述的电动汽车工况分类与评价方法，其特征在于，根据特征参数对汽车驾驶性能的影响，将特征参数划分为耐久性参数、经济性参数和动力性参数，具体包括以下步骤：
(201)根据特征参数对汽车驾驶性能的影响，选择将速度标准差、驱动加速度均值、制动加速度均值、加速度标准差、中功率变化时间占比、高效率时间占比、加速时间占比、制动时间占比、功率标准差、单位里程启停次数作为耐久性参数；
(202)根据特征参数对汽车驾驶性能的影响，选择将最大速度、最大加速度、最小加速度、最大功率、最小功率、高速时间占比、高功率变化时间占比作为动力性参数；
(203)根据特征参数对汽车驾驶性能的影响，选择将平均速度、怠速时间占比、低速时间占比、中低速时间占比、低效率时间占比、中效率时间占比、低功率变化时间占比、回收功率平均值、驱动功率平均值、巡航时间占比、平均功率作为经济性参数。
6.根据权利要求5所述的电动汽车工况分类与评价方法，其特征在于，结合聚类方法，选定聚类尺度将耐久性参数、动力性参数、经济性参数进行分析和聚类，分别获取代表性特性参数，降低同类特性参数的冗余度，具体包括以下步骤：
(301)对耐久性参数进行工况聚类，选取聚类尺度为12，将驱动加速度均值、加速度标准差、单位里程启停次数、中功率变化时间占比作为一类，功率标准差、高效率时间占比作为一类，加速时间占比、制动时间占比作为一类，速度标准差、制动加速度均值作为一类，并选择单位里程启停次数、功率标准差、加速时间占比、速度标准差作为耐久性代表性参数；
(302)对动力性参数进行工况聚类，选取聚类尺度为10～15，将高速时间占比、高功率时间占比、最大速度作为一类，最小加速度、最小功率作为一类，最大加速度、最大功率作为一类，并选择高功率变化时间占比、最小加速度、最大加速度作为动力性代表性参数；
(303)对经济性参数进行工况聚类，选取聚类尺度为17～20，将平均速度、平均功率、巡航时间、中功率时间占比作为一类，低速时间占比、低功率时间占比、平均制动功率、中低速时间占比、低功率变化率时间占比作为一类，怠速时间占比、平均驱动功率作为一类，并选择平均功率、怠速时间占比、低功率时间占比作为经济性代表性参数。
7.根据权利要求6所述的电动汽车工况分类与评价方法，其特征在于，对耐久性、动力性、经济性代表性参数采用主成分分析方法进行降维，并采用k值聚类算法进行工况聚类并评价，具体包括以下步骤：
(401)通过式(6)、(7)计算提取的耐久性、动力性、经济性代表性参数的相关系数并验证代表性参数选择的合理性；
Figure FDA0003182612170000041
Figure FDA0003182612170000042
式中，i、j均为代表性参数的序号，
Figure FDA0003182612170000043
为特征参数标准化后的指标变量，rii＝1，rij＝rji，rij是第i个代表性参数与第j个代表性参数的相关系数，m为代表性参数的个数；
(402)采用主成分分析方法对代表性参数进行分析，获取代表性参数的提取率、主成分得分矩阵，将代表性参数进一步维度压缩为4个主成分；
(403)采用k值聚类算法，计算4个主成分的3个聚类中心，并进一步计算22种典型驾驶工况到3个聚类中心的欧式距离，根据欧式距离最小原理，将22种典型驾驶工况聚为3类，然后通过统计分析评估，将3类工况分别评价为耐久型、动力型和经济型工况。
8.一种电动汽车工况分类与评价系统，其特征在于，包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序指令，当处理器运行该计算机程序指令时，能够实现如权利要求1-7所述的方法步骤。
CN202110851871.4A 2021-07-27 2021-07-27 电动汽车工况分类与评价方法及系统 Active CN113569948B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110851871.4A CN113569948B (zh) 2021-07-27 2021-07-27 电动汽车工况分类与评价方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110851871.4A CN113569948B (zh) 2021-07-27 2021-07-27 电动汽车工况分类与评价方法及系统

Publications (2)

Publication Number Publication Date
CN113569948A true CN113569948A (zh) 2021-10-29
CN113569948B CN113569948B (zh) 2023-08-01

Family

ID=78168036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110851871.4A Active CN113569948B (zh) 2021-07-27 2021-07-27 电动汽车工况分类与评价方法及系统

Country Status (1)

Country Link
CN (1) CN113569948B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114940103A (zh) * 2022-06-30 2022-08-26 上海大学 考虑行驶成本与寿命成本的燃料电池重卡功率管理方法
CN114940103B (zh) * 2022-06-30 2024-10-29 上海大学 考虑行驶成本与寿命成本的燃料电池重卡功率管理方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180114381A1 (en) * 2016-10-21 2018-04-26 Zf Friedrichshafen Ag Method for determining operating conditions of a working machine comprising a vehicle drive train while operating the working machine
CN111348029A (zh) * 2020-03-16 2020-06-30 吉林大学 一种考虑工况的混合动力汽车标定参数最优值确定方法
CN111731303A (zh) * 2020-07-09 2020-10-02 重庆大学 一种基于深度强化学习a3c算法的hev能量管理方法
CN111775925A (zh) * 2020-06-09 2020-10-16 同济大学 一种功率分流混合动力汽车的工作模式决策方法和装置
CN111873804A (zh) * 2020-06-30 2020-11-03 河南德力新能源汽车有限公司 一种电动汽车工况数据生成方法和能耗评价工况生成方法
CN112810504A (zh) * 2021-01-20 2021-05-18 同济大学 基于非线性预测模型控制的燃料电池汽车能量管理方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180114381A1 (en) * 2016-10-21 2018-04-26 Zf Friedrichshafen Ag Method for determining operating conditions of a working machine comprising a vehicle drive train while operating the working machine
CN111348029A (zh) * 2020-03-16 2020-06-30 吉林大学 一种考虑工况的混合动力汽车标定参数最优值确定方法
CN111775925A (zh) * 2020-06-09 2020-10-16 同济大学 一种功率分流混合动力汽车的工作模式决策方法和装置
CN111873804A (zh) * 2020-06-30 2020-11-03 河南德力新能源汽车有限公司 一种电动汽车工况数据生成方法和能耗评价工况生成方法
CN111731303A (zh) * 2020-07-09 2020-10-02 重庆大学 一种基于深度强化学习a3c算法的hev能量管理方法
CN112810504A (zh) * 2021-01-20 2021-05-18 同济大学 基于非线性预测模型控制的燃料电池汽车能量管理方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张玉西等: "基于改进主成分和全局k均值聚类的汽车行驶工况构建", 中国科技论文, vol. 15, no. 11, pages 1253 - 1259 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114940103A (zh) * 2022-06-30 2022-08-26 上海大学 考虑行驶成本与寿命成本的燃料电池重卡功率管理方法
CN114940103B (zh) * 2022-06-30 2024-10-29 上海大学 考虑行驶成本与寿命成本的燃料电池重卡功率管理方法

Also Published As

Publication number Publication date
CN113569948B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN111775925B (zh) 一种功率分流混合动力汽车的工作模式决策方法和装置
CN102955866A (zh) 用于实现纯电动车整车性能评估及建模的方法
CN111459995B (zh) 一种基于驾驶数据的多模态车速预测方法
CN110543098A (zh) 插电式混合动力系统构型的选择方法
CN113505440B (zh) 一种基于三维深度学习的汽车气动性能参数实时预测方法
Gong et al. Statistical analysis of PHEV fleet data
CN106326581A (zh) 一种续驶里程的确定方法、装置及汽车
CN113297795A (zh) 一种纯电动汽车行驶工况构建方法
CN110949393A (zh) 一种驾驶行为分析方法、装置、车辆及存储介质
CN110990950A (zh) 基于混合运行模式的多目标列车节能优化方法
CN111754130A (zh) 一种基于大数据分析的新能源车辆运营评价方法
CN116749834A (zh) 一种增程式汽车的能源监控方法及装置
CN112993344A (zh) 基于神经网络的燃料电池系统输出性能预测方法及装置
CN113075994B (zh) 面向x86和arm混合云计算的节能调度系统、方法和存储介质
CN111348029B (zh) 一种考虑工况的混合动力汽车标定参数最优值确定方法
Pan et al. Driving cycle construction and combined driving cycle prediction for fuzzy energy management of electric vehicles
CN117634806A (zh) 电动汽车负荷聚合方法、系统、设备及介质
CN113733919A (zh) 一种燃料电池汽车剩余续航里程计算方法
CN113569948A (zh) 电动汽车工况分类与评价方法及系统
CN111896264A (zh) 增程器用发动机的试验工况生成方法、装置及电子设备
CN115923764A (zh) 基于行驶工况预测的混合动力电动车能量控制方法及装置
CN114872685A (zh) 混合动力汽车控制方法、装置、混合动力汽车及存储介质
Lian et al. Research on adaptive control strategy optimization of hybrid electric vehicle
Carignano et al. Assessment of energy management strategies for a hybrid electric bus
Fu et al. Principal component analysis based on drive cycles for hybrid electric vehicle

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