CN114778140B - 车辆能耗台架测试方法和系统 - Google Patents

车辆能耗台架测试方法和系统 Download PDF

Info

Publication number
CN114778140B
CN114778140B CN202210683798.9A CN202210683798A CN114778140B CN 114778140 B CN114778140 B CN 114778140B CN 202210683798 A CN202210683798 A CN 202210683798A CN 114778140 B CN114778140 B CN 114778140B
Authority
CN
China
Prior art keywords
vehicle
test
traffic
target
running
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.)
Active
Application number
CN202210683798.9A
Other languages
English (en)
Other versions
CN114778140A (zh
Inventor
王伟
郑宏
曲辅凡
李文博
景立新
郭瑞玲
孙龙
张林涛
王长青
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.)
CATARC Automotive Test Center Tianjin Co Ltd
Original Assignee
CATARC Automotive Test Center Tianjin Co Ltd
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 CATARC Automotive Test Center Tianjin Co Ltd filed Critical CATARC Automotive Test Center Tianjin Co Ltd
Priority to CN202210683798.9A priority Critical patent/CN114778140B/zh
Publication of CN114778140A publication Critical patent/CN114778140A/zh
Application granted granted Critical
Publication of CN114778140B publication Critical patent/CN114778140B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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

Abstract

本发明实施例公开了一种车辆能耗台架测试方法和系统。方法包括：上位机获取目标路段、风速和环境温度，并将所述环境温度设置为环境仓的温度；所述上位机根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线；在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力；所述台架测试结束后，所述碳排放仪计算本次测试的燃料消耗量；所述上位机根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。本实施例的测试结果更加准确。

Description

车辆能耗台架测试方法和系统
技术领域
本发明实施例涉及汽车测试领域，尤其涉及一种车辆能耗台架测试方法和系统。
背景技术
台架测试是指利用台架和其他测试设备模拟汽车的运行环境，对汽车性能进行测试的一种方式。台架测试是车辆能耗测试的重要手段。
目前台架测试的行驶工况主要是标准循环工况，例如NEDC（New EuropeanDriving Cycle，新标欧洲驾驶循环）、WLTC（World Light Vehicle Test Cycle，世界轻型汽车测试循环）、CLTC（China light-duty vehicle test cycle-passenger，中国轻型汽车测试循环）工况等。但是由于道路差异、环境差异，造成标准工况与实际行驶工况差异较大，从而造成车辆能耗测试误差较大。
发明内容
本发明实施例提供一种车辆能耗台架测试方法和系统，使行驶工况和测试环境更接近实际，测试结果更加准确。
第一方面，本发明实施例提供了一种车辆能耗台架测试方法，应用于车辆能耗台架测试系统，所述系统包括：上位机、台架、环境仓、碳排放仪、电流传感器、电压传感器和信号采集单元；
所述方法包括：
所述上位机获取目标路段、风速和环境温度，并将所述环境温度设置为所述环境仓的温度；
所述上位机根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线，以供驾驶员根据所述行驶工况曲线驾驶所述台架上的测试车辆，其中，所述行驶工况曲线以车辆行驶距离为横坐标，分别以车停车时间和目标行驶车速为纵坐标；
在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力；
所述台架测试结束后，所述碳排放仪计算本次测试的燃料消耗量；所述上位机根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。
第二方面，本发明实施例提供了一种车辆能耗台架测试系统，包括：上位机、台架、环境仓、碳排放仪、电流传感器、电压传感器和信号采集单元；
所述上位机用于获取目标路段、风速和环境温度，并将所述环境温度设置为所述环境仓的温度；根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线，以供驾驶员根据所述行驶工况曲线驾驶所述台架上的测试车辆，其中，所述行驶工况曲线以车辆行驶距离为横坐标，分别以车停车时间和目标行驶车速为纵坐标；
在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机用于根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力；
所述台架测试结束后，所述碳排放仪用于计算本次测试的燃料消耗量；所述上位机用于根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。
本发明实施例通过在线地图规划的行驶工况进行能耗测试，比标准循环工况更能代表车辆实际行驶特征，测试结果更符合实际；同时将实时的天气状况、道路状况等因素纳入到测试环境设置、台架设置，使测试环境更接近实际行驶环境，使测试结果更加准确。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车辆能耗台架测试系统的结构图。
图2是本发明实施例提供的一种车辆能耗台架测试方法的流程图。
图3是本发明实施例提供的另一种车辆能耗台架测试系统的示意图。
图4是本发明实施例提供的一种规划路径、交通段和交通片段之间关系的示意图。
图5是本发明实施例提供的一种距离横坐标的示意图。
图6是本发明实施例提供的一种车内能量流的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行清楚、完整的描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明实施例提供一种车辆能耗台架测试方法，为了详细说明该方法，优先介绍应用该方法的车辆能耗台架测试系统。图1是本发明实施例提供的一种车辆能耗台架测试系统的结构图，图中的实线部分代表所述系统的各部分及其连接关系，虚线部分代表测试车辆及其与所述系统各部分的连接关系。需要说明的是，虚线部分用于理解所述系统的结构及功能，并不是所述系统的不要组成部分。
如图1所示，所述系统包括：上位机、台架、环境仓、碳排放仪、电流传感器、电压传感器和信号采集单元。其中，上位机可连接互联网，通过互联网获取在线地图并生成车辆行驶工况并提供给车内驾驶员。台架是车辆试验的载体，用于承载测试车辆并将测试车辆的实际行驶速度反馈给上位机。台架和测试车辆将均位于环境舱内，环境仓通过上位机输入的温度设置仓内温度，用于模拟实际行驶环境。碳排放仪用于测试车辆的碳排放量，仅在测试装备发动机的车辆时使用。电流传感器用于测试车辆动力电池电流，电压传感器用于测试车辆动力电池电压，电流传感器和电压传感器仅在测试安装动力电池的车辆时使用。信号采集单元用于采集碳排放仪信号、电压传感器信号、电流传感器信号和车内CAN信号，并将采集的信号传输到上位机中。上位机还用于通过信号采集单元传输的信号分析计算测试车辆的耗能情况。
实际应用中，根据车辆类型从碳排放仪、电流传感器和电压传感器中测试需要的设备，并将所述系统按照图中的连接关系安装于测试车辆之上，即可通过驾驶员驾驶测试车辆进行台架测试。
基于图1所示的系统，图2是本发明实施例提供的一种车辆能耗台架测试方法的流程图。如图2所示，该方法具体包括如下步骤：
S110、所述上位机获取目标路段、风速和环境温度，并将所述环境温度设置为所述环境仓的温度。
在驾驶员驾驶所述测试车辆进行台架测试之前，上位机首先获取目标路段，以及由天气状态、环境温度、出行时间、规划路线类型等因素组成的测试矩阵。后续将对测试车辆在上述因素下在目标路段行驶的耗能情况进行台架测试。其中，目标路段可以根据驾驶员输入的预设起点和预设终点来获取，测试矩阵可以根据测试需要预先设定。
具体的，天气状态包含晴、阴、雨、雪、雾霾、沙尘、风速等，天气状态将影响车辆的行驶车速、轮胎附着系数、阻力系数等。环境温度包含常温、高温、低温等，环境温度将影响空调能耗，电机、发动机、电池等部件的效率。出行时间包含早高峰时间、平峰时间、晚高峰时间等时间，出行时间将影响行驶车速。规划路线类型包含城市路线、城郊路线、高速路线、综合路线等，规划路线将影响车速限值、行驶车速等。代表性测试矩阵如下：
因素 序号 天气状态 环境温度 出行时间 规划路线类型
1 雨 常温 早高峰 城市路线
2 雪 低温 平峰 城郊路线
3 晴 高温 平峰 高速路线
4 雾霾 常温 晚高峰 综合路线
上位机获取环境温度后，将环境温度输入到环境仓，使环境仓的温度设置为所述环境温度。
S120、所述上位机根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线，以供驾驶员根据所述行驶工况曲线驾驶所述台架上的测试车辆，其中，所述行驶工况曲线以车辆行驶距离为横坐标，分别以车停车时间和目标行驶车速为纵坐标。
上位机中安装有与互联网连接的地图应用，可以通过地图应用获取目标路段的规划路径，以及该路径上的目标信息，例如路径长度、拥堵系数、道路属性、交通信号灯情况等；并根据这些目标信息预测车辆按照该规划路径在目标路段上行驶时，需要在路段中哪个位置停车、停多久，在哪个位置行驶、行驶多久、行驶速度是多少等。由这些信息构成车辆在所述目标路段上的行驶工况曲线。确定行驶工况曲线的具体过程将在后续实施例中详细描述，此处不再赘述。
行驶工况曲线生成后，上位机将该曲线提供给车内驾驶员，以供驾驶员在台架测试过程中按照行驶工况曲线给出的停车位置、停车时间以及目标行驶车速驾测试车辆。可选的，所述系统还包括显示器，如图3所示，上位机通过显示器向驾驶员显示将所述行驶工况曲线和行驶中的路况信息。
S130、在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力。
车辆行驶阻力是车辆耗能的重要影响因素，行驶阻力由车辆的实际行驶车速、环境温度和风速共同决定。为了提高台架测试的准确性，本申请在测试过程中实时计算测试车辆的行驶阻力，测试车辆在该行驶阻力下的运行状态，实现对真实行驶场景的复现。
S140、所述台架测试结束后，所述碳排放仪计算本次测试的燃料消耗量；所述上位机根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。
台架测试结束后，至少提供以下测试结果：燃料消耗量和/或电量消耗量，以及车内能量流。燃料消耗量指燃油消耗，根据碳排放仪采集到的碳排放量计算。电能消耗量根据电压传感器采集到的电压和电流传感器采集到的电流计算。能量流指车内各个部件的输入能量、输出能量以及能量损耗情况，根据信号采集单元采集到的CAN信号计算。三种结果的计算过程将在后续实施例中详细说明，此处不再赘述。可选的，上述能耗测试结果也通过显示屏显示。
本实施例通过在线地图规划的行驶工况进行能耗测试，比标准循环工况更能代表车辆实际行驶特征，测试结果更符合实际；同时将实时的天气状况、道路状况等因素纳入到测试环境设置、台架设置，使测试环境更接近实际行驶环境，使测试结果更加准确。
可选的，所述测试车辆内的空调参数由所述驾驶员根据所述环境仓的温度设置，驾驶员基于环境温度设定空调开关、制热/制冷、空调设定温度、空调风速等，如低温环境应设置空调制热，设定温度为r摄氏度，r取值通常为22-25℃，风速为自动或其他适中风速。空调运行信号通过CAN总线传输至信号采集单元，进而传输至上位机；上位机通过空调运行信号可以计算空调的耗能情况。
可选的，所述上位机通过显示屏实时显示所述目标行驶车速，以及通过台架获取的实际行驶车速，以供所述驾驶员调整驾驶行为，使所述实际行驶车速与所述目标行驶车速的差值位于预设范围内。
在上述实施例和下述实施例的基础上，本实施例对行驶工况曲线的确定进行细化。可选的，所述根据预设路段的车辆规划路径，确定车辆行驶工况曲线，具体包括如下步骤包括：
S1、通过地图应用获取从预设起点到预设终点的规划路径以及与所述规划路径关联的目标信息。
具体的，通过地图应用的输入界面输入起点（该起点即为所述预设起点）和终点（该终点即为所述预设终点），地图应用根据当前的实时路况给出一条最优的规划路径，例如是花费时间最短的规划路径或者距离最短的规划路径等，用户可根据自己的实际需求从中选择一条。或者，地图应用只给出一条默认的最优规划路径。
除了能获得从预设起点到预设终点的规划路径，还能从地图应用的API（ApplicationProgramming Interface，应用程序接口）获取与规划路径关联的目标信息。
示例性的，所述目标信息包括：所述规划路径的总长度、通过所述规划路径所需要的总通过时间、所述规划路径所包括的各交通段的第一长度与对应的第一通过时间、所述规划路径所包括的各交通片段的第二长度、各交通片段对应的拥堵系数、各交通片段的道路属性、各交通片段对应的车辆行驶动作以及所述规划路径所包括的交通信号灯的数量中的一种或多种，其中，所述规划路径包括一个或者多个交通段，一个交通段包括一个或者多个交通片段。参考如图4所示的一种规划路径、交通段和交通片段之间关系的示意图，其中，规划路径A包括一个或多个交通段B，每个交通段B包括一个或者多个交通片段C。地图应用根据当前的交通路况预估的车辆通过交通段B所花费的时间为交通段B对应的第一通过时间，交通段B的总长度为对应的第一长度，地图应用根据当前的交通路况预估的车辆通过交通片段C所花费的时间为交通片段C对应的第二通过时间，交通片段C的总长度为对应的第二长度。
具体的，交通段的定义为：规划路径按照地图应用的内置规则被划分为多段（该内置规则，例如可以是将任意相邻的两个红绿灯之间的路径划分为一个交通段；当然，还可以是其它划分规则），每一段称为交通段，每一段的长度称为交通段的长度（即所述第一长度），每一段的通过时间为交通段通过时间（即所述第一通过时间），通过交通段的长度除以交通段通过时间，由此可以得出交通段的平均车速。
同理，交通片段的定义为：每个交通段按照地图应用内置规则被划分为多段（该内置规则，例如可以是将交通段内任意一个车辆的车头与车位尾之间的路径距离以及以交通信号灯为中点、交通信号灯所在位置前后方向预设长度所覆盖的一段路径划分为交通片段；当然，还可以是其它划分规则），每一段称为交通片段，每一段的长度称为交通片段的长度（即所述第二长度）。
此外，地图应用还会给出每一交通片段的拥堵系数，称为交通片段拥堵系数，地图应用基于交通段通过时间、交通片段的长度与交通段长度之比、拥堵系数，可以得出每一个交通片段的通过时间（也称为第二通过时间）。具体的，交通片段的通过时间是通过交通片段的长度和拥堵系数加权求得的，例如在长度为L1的交通段内，包含m个交通片段，每个交通片段的长度分别为l1、l2……lm，则有l1+l2+……lm=L1；交通段L1的通过时间为T1，每个交通片段的拥堵系数分别为k1，k2……km，则交通片段i的通过时间ti采用以下公式（1）求得：
Figure 172250DEST_PATH_IMAGE001
（1）
在获得交通片段的通过时间之后，通过交通片段的长度除以交通片段的通过时间，可以得出每一个交通片段的平均车速，如下公式（2）所示的交通片段i的平均车速vi的计算公式。需要说明的是交通片段的长度为大于0的自然数。
Figure 284562DEST_PATH_IMAGE002
（2）
道路属性用于定义道路的类型，包括城市主干道、辅路、省道、国道和高速路等类型。
车辆行驶动作用于描述车辆下一步的行驶方向，如直行、右转、左转等。
需要说明的是，在本发明实施例中，规划路径的总长度是指在地图应用的输入界面输入起、止点的位置后，地图应用根据当时的交通路况自动生成的规划路径的长度，是构建的车辆行驶工况总距离约束。
规划路径的总通过时间是指地图应用的输入界面输入起、止点的位置后，地图应用自动预估的通过时间，是构建的车辆行驶工况总时间约束。
S2、基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标。
具体的，以规划路径的起点为0点，以规划路径的终点为终点，以设定距离间隔（例如1m）分度，构建出从规划路径的起点到终点距离的坐标，将该坐标作为车辆的仿真行驶工况曲线的横坐标。在距离横坐标上表述出每个交通片段的位置，例如：规划路径的总长度是L，每个交通片段的长度分别是l1、l2、l3……ln，那么第一个交通片段的坐标位置为0到l1，第二个交通片段的坐标位置为l1到l2，以此类推，第n个交通片段在距离横坐标上的坐标位置为ln-1到ln。如图5所示。
S3、根据样本数据确定特征参数矩阵，其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段。
S4、对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵。
S5、基于所述标准化矩阵进行主成分分析，获得多个第一主成分。
S6、对所述多个第一主成分进行聚类运算，获得两个聚类中心。
S7、对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分。
S8、根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段。
S9、根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间。
预设车辆按照所述规划路径行驶时，可能会因为遇到交通信号灯需要停车，也可能是因为道路拥堵导致需要停车。因此，确定停车位置应首先确定交通信号灯灯的位置和拥堵路段位置。交通信号灯位置的确定方法可根据上述目标信息中的道路属性、交通段长度与通过时间、交通片段长度与拥堵系数、车辆行驶动作等数据，采用主成分分析法和聚类法，识别交通信号灯的位置，从而克服从地图应用的API不能获取交通信号灯位置的问题。拥堵路段位置根据交通片段的拥堵系数识别。所述停车时间的确定，可采用加权系数法求解车辆在停车点的停车时间。
具体的，根据所述样本数据中交通片段的长度以及对应的拥堵系数确定对应交通片段的第二通过时间；根据交通片段的长度以及对应的第二通过时间确定对应交通片段的平均车速；至少将交通片段的平均车速作为对应交通片段的特征参数；基于所述特征参数构建所述样本数据中所有交通片段的特征参数矩阵。
假设样本数据中包含有交通信号灯的交通片段的数量是N个，不包含交通信号灯的交通片段的数量是M个，每个交通片段均对应有交通片段的长度，即第二长度，平均车速（平均车速的确定方式可以参考上述公式（1）和公式（2））、第二通过时间、拥堵系数、道路属性和车辆行驶动作等特征参数。拥堵系数的通常取值为1，2，3，4，其中，1代表畅通，2代表缓行，3代表拥堵，4代表非常拥堵。
道路属性通常为主干道、辅路、省道、国道和高速路，在主成分分析时分别用1，2，3，4，5来表示。
车辆驾驶动作通常为直行、右转、左转，在主成分分析时分别用1，2，3来表示。
交通片段各个特征参数间具有一定的相关性，所反映的交通信息有所重叠，如果直接聚类会出现计算量大、聚类效果差的问题，因此需要将特征参数降维。
在样本数据中共有N+M个交通片段，将所有片段的特征参数记为特征参数矩阵X，如表达式（3）所示。采用公式（4）对矩阵X进行标准化处理，处理后的标准化矩阵S并不改变各参数之间的相关性。
Figure 213204DEST_PATH_IMAGE003
（3）
Figure 207705DEST_PATH_IMAGE004
（4）
式中xkj为第k个交通片段的第j个特征参数，k的取值范围是1……n，
Figure 755361DEST_PATH_IMAGE005
为第j列的平均值，j的取值范围是1……p，p表示每个交通片段的特征参数的总数量，Sij为标准化矩阵S的第i行第j列的元素。
具体的，根据矩阵S计算出相关系数矩阵及相关系数矩阵的特征值和特征参数，基于特征值计算出累计贡献率。选择特征值大于1，且累积贡献率在80%以上的主成分（即第一主成分）用于行驶工况构建。将以上数据主成分分析后，得出
Figure 846814DEST_PATH_IMAGE006
个主成分M1、M2……
Figure 87302DEST_PATH_IMAGE007
。然后采用聚类分析法将数据聚类分析。可采用k均值聚类法将数据聚类，分类数量有两类，分别代表包含交通信号灯和不包含交通信号灯；接着计算各个样本（即各交通片段）到聚类中心之间的距离，距离较近的归为一类，欧式距离的计算公式如下式（5）所示：
Figure 365837DEST_PATH_IMAGE008
（5）
其中，dij表示第i个样本到聚类中心j的距离，xik表示第i个样本的第k个主成分，xjk表示聚类中心j的第k个主成分，p表述主成分的数量，取值范围为1……m。
通过计算确定每一类的中心位置，并将该位置确定为新的聚类中心，按新的聚类中心重新进行分类，重复上述操作，随着重复次数的增多，聚类中心不再发生较大的偏移，聚类结果趋于稳定，由此得出聚类中心的最终位置，获得两个聚类中心，分别代表包含交通信号灯和不包含交通信号灯。
同样，按照上述方法，将规划路径中的交通片段进行主成分分析，同样得出
Figure 717184DEST_PATH_IMAGE006
个主成分（即第二主成分），然后计算每个交通片段的主成分与样本数据聚类中心的欧式距离，按由小到大排序，从而确定包含交通信号灯的目标交通片段。
在确定出包含交通信号灯的目标交通片段之后，还需进一步预测当预测车辆行驶至交通信号灯处时是绿灯还是红灯，如果是绿灯，则不需要停车，如果是红灯则需停车，并对应确定停车时间。
具体的，根据每个交通信号灯所在位置的交通片段的拥堵系数以及每个交通信号灯的周期，获得每个交通信号灯的红灯时间和绿灯时间。首先，对于每个交通信号灯，预先设置该交通信号灯所在位置的多个不同的交通片段拥堵系数与多个不同的绿灯时间计算系数k1以及多个不同的红灯时间计算系数k2之间的一一对应关系；然后，通过求交通信号灯的周期T与绿灯时间计算系数k1之积，获得交通信号灯的绿灯时间（即绿灯持续时间），以及通过求交通信号灯的周期T与红灯时间计算系数k2之积，获得交通信号灯的红灯时间（即红灯持续时间）。
例如：假定交通信号灯的周期均为T（T取值可以为60s、70s或者100s等）。根据交通信号灯所在位置的交通片段的拥堵系数，构建交通信号灯的绿灯时间和红灯时间表，绿灯时间为k1*T，红灯时间为k2*T，其中k1+k2=1，k1和k2是小于1且大于0的自然数。
将每个交通信号灯所在位置的交通片段的通过时间，与该交通信号灯的周期进行相除操作，获得余数；然后，将该余数与该交通信号灯的绿灯时间进行比较，如果余数大于交通信号灯的绿灯时间，则判断车辆行驶到交通信号灯时停车，并且将余数与绿灯时间之间的差值作为车辆在交通信号灯处的停车时间，否则，判断车辆行驶到交通信号灯时不停车（即不存在交通信号灯停车时间）。由此得出由于交通信号灯导致的停车时间。
当交通片段的拥堵状态出现严重拥堵的情况，则在严重拥堵的交通片段额外增加停车时间
Figure 663143DEST_PATH_IMAGE009
，
Figure 74533DEST_PATH_IMAGE009
的大小不得超过该交通片段的通过时间。若严重拥堵路段的位置有需要停车的交通信号灯，则该位置不再额外增加停车时间。综上，可得出所有需要停车的位置和停车时间。
概括性的，所述根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，包括：
若所述目标交通片段的拥堵系数小于设定阈值，根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期确定交通信号灯的红灯时间和绿灯时间；根据所述目标交通片段的第二通过时间以及所述设定周期确定所述预设车辆在对应交通信号灯处是否停车；若确定所述预设车辆在对应交通信号灯处停车，则根据对应交通信号灯的绿灯时间确定所述预设车辆在对应交通信号灯处的停车时间。
若所述目标交通片段的拥堵系数大于设定阈值，将与所述目标交通片段对应设置的时间确定为停车时间，将所述目标交通片段的位置确定为停车位置。
S10、结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度。
具体的，结合历史统计数据确定各交通片段的平均加速度的第一取值范围以及平均减速度的第二取值范围；将所述第一取值范围内的任意取值确定为所述第一平均加速度；将所述第二取值范围内的任意取值确定为所述第一平均减速度。
按照统计规律，所述第一取值范围和所述第二取值范围根据实际驾驶行为统计值确定，例如第一取值范围一般为a∈（0.5，2.5）m/s2，第二取值范围一般为d∈（-0.5，-2.5）m/s2。
S11、根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢。
若驾驶员的驾驶风格激进，即驾驶员驾驶车辆时的速度较快，或者加、减速较快，则取较大的加、减速度，若驾驶员的驾驶风格柔和，即驾驶员驾驶车辆时的速度较慢，或者加、减速较慢，则取较小的加、减速度，若驾驶员的驾驶风格标准，则取居中的加、减速度。
可选的，所述根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，包括：
根据驾驶员的驾驶风格特征确定激进等级；根据所述第一取值范围将所述第一平均加速度修正为与所述激进等级匹配的第二平均加速度；根据所述第二取值范围将所述第一平均减速度修正为与所述激进等级匹配的第二平均减速度。例如第一平均加速度为0.5m/s2，驾驶员驾驶风格的激进等级为高，则将第一平均加速度0.6 m/s2修正为第二平均加速度2.4 m/s2。再例如，第一平均加速度为2.3m/s2，驾驶员驾驶风格的激进等级为低，则将第一平均加速度2.3 m/s2修正为第二平均加速度0.6m/s2。即驾驶员驾驶风格的激进等级越高，修正后的第二平均加速度越大；驾驶员驾驶风格的激进等级越低，则修正后的第二平均加速度越小。同样的，对第一平均减速度进行修正的方式参考第一平均加速度的修正过程。
S12、至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速。
示例性的，所述至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速，包括：
将所述停车位置、所述停车时间、所述第二平均加速度、所述第二平均减速度、各交通片段的第二通过时间、各交通片段的第二长度、各交通片段的平均车速、各交通片段的道路属性以及各交通片段对应的车辆驾驶动作输入至所述神经网络模型，获得所述预设车辆在各交通片段行驶时的目标行驶车速。
具体的，建立多目标约束的神经网络模型。然后，将各交通片段的长度、平均车速、通过时间、交通片段停车位置与停车时间、交通片段道路属性、车辆驾驶动作、平均加速度、平均减速度等参数，输入到多目标约束的神经网络模型中，获得车辆在每个交通片段的目标行驶车速。即通过多目标约束的神经网络算法，获得每个交通片段的目标行驶车速。因此，本发明既可保证交通片段内总体通过时间不变，又可保证交通片段的行驶距离不变。
其中，建立多目标约束的神经网络模型，具体包括以下操作：
首先，利用MATLAB算法，建立三层或四层的BP神经网络模型并进行训练，可设置训练目标为0.01。BP神经网络模型，包括输入层、输出层和隐含层；隐含层位于输入层和输出层之间。
然后，选择正切S形TansIg函数作为输入层到隐含层的激励函数，用于加入输入层到隐含层的非线性因素，充分拟合输入信号，以及选择PurelIn函数作为隐含层到输出层的激励函数，用于隐含层到输出层数据的线性映射，对BP神经网络模型进行训练，其中，设定训练次数为100次，学习速率为0.01。其中，TansIg函数如下算式（6）所示：
Figure 105943DEST_PATH_IMAGE010
（6）
其中，PurelIn函数的一般表达式如下（7）所示：
Figure 995401DEST_PATH_IMAGE011
（7）
其中，k和b为常数。
然后，在经过训练后，BP神经网络模型成功收敛至所述训练目标（即0.01），此时BP神经网络模型训练完成，训练完成的BP神经网络模型即为多目标约束的神经网络模型。
其中，对于BP神经网络模型，输入层的节点数为
Figure 733550DEST_PATH_IMAGE012
，
Figure 440475DEST_PATH_IMAGE012
为交通片段车速相关因素的数量；交通片段车速相关因素可包括交通片段的长度、平均车速、通过时间、交通片段停车时间、交通片段道路属性、车辆驾驶动作；平均加速度、平均减速度和停车位置等。
输出层的节点数为L，L为交通片段车速相关控制因素的数量；相关控制因素具体可包括交通片段长度、交通片段通过时间和交通片段的目标行驶车速。隐含层的层数为N1，N1为1或2。每层隐含层的节点数为N2，N2为5或6。由此得出每个交通片段的目标行驶车速。
由于第n个交通片段结束时的目标行驶车速可能与第n+1个交通片段初始时的目标行驶车速存在不一致的现象，由此可能导致目标行驶车速存在阶跃的现象，此时则采用数据平滑算法进行处理，使得车速过度平稳。由此得出目标行驶车速。概括性的，若获得的第n个交通片段结束时的目标行驶车速与第n+1个交通片段初始时的目标行驶车速之差超过设定值，则采用数据平滑算法对所述目标行驶车速进行处理。
S13、以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
本实施例能够构建反应车辆实际行驶状态的仿真工况；能够在地图应用的API提供有限数据的情况下，还原交通场景，构建出反应实际交通的仿真工况，为汽车能耗优化与仿真测试提供依据。具体的，根据规划路径实时读取地图应用API的数据，采用聚类的方法识别交通信号灯的位置，采用多目标约束的神经网络算法计算识别目标行驶车速，进而基于目标行驶车速构建车辆行驶工况曲线。
在上述实施例和下述实施例的基础上，本实施例对行驶阻力的调整进行细化。可选的，所述根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力，具体包括如下步骤：
步骤一、根据所述环境温度，对所述测试车辆在默认温度下的第一行驶阻力曲线的系数进行调整，得到第二行驶阻力曲线。车辆行驶阻力曲线以车辆实际行驶速度为横坐标，以车辆行驶阻力为纵坐标。假设测试车辆在默认温度、默认风速条件下（如20℃、无风等条件）的阻力曲线为：
F=z1+z2×v+z3×v2（8）
其中，F表示行驶阻力，v表示实际行驶速度。那么，系数z1和z2的温度修正系数g1=1+0.0086×(G-20)，系数z3的温度修正系数g2=(100×G)/(293×R)，其中G表示所述环境温度，单位为热力学温标K，R表示环境温度对应的大气压，单位kPa。则经过温度修正后的第二行驶阻力曲线为：
F1=g1×z1+g1×z2×v+g2×z3×v2（9）
步骤二、根据所述风速对所述第二行驶阻力曲线的系数进行调整，得到第三行驶阻力曲线。进一步的，风速修正系数g3=3.62×z3×vw，其中vw为在线地图获取的风速，单位为m/s。由此，经过风速修正后的第三行驶阻力曲线为：
F2=g1×(z1-g3)+g1×z2×v+g2×z3×v2（10）
步骤三、根据所述第三行驶阻力曲线，实时计算所述测试车辆的行驶阻力。将台架反馈的实际行驶车速代入以上公式，得到行驶阻力。
本实施例结合环境温度和风速等因素修正行驶阻力曲线的各项系数，并根据修正后的行驶阻力曲线实时调整台架测试中的行驶阻力，使车辆行驶阻力更符合实际，测试结果更加准确。
在上述实施例和下述实施例的基础上，本实施例对三种测试结果的计算进行细化。所述台架测试结束后，所述碳排放仪计算本次测试的燃料消耗量；所述上位机根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。
进一步的，电量消耗量的计算公式如下：
Figure 834547DEST_PATH_IMAGE013
（11）
其中，Ubat表示动力电池的电压，Ibat表示动力电池的电流，Ebat表示消耗的电量，单位kWh。
对于车内能量流，以某款混合动力车辆为例，在某工况下燃油消耗量（即燃料消耗量）为P，电量消耗量为Ebat，结合采集到的CAN信号，可以分析当前行驶工况下的能量流。图6是本发明实施例提供的一种车内能量流的示意图。图中显示了车内主要部件的能量走向，通过计算各部件的输入能量、输出能量和能量损失情况，即可分析出车内能量流情况。下面以发动机为例，对发动机的能量流进行计算分析。
首先，根据所述燃料消耗量，计算所述发动机的输入能量；根据所述发动机转速和所述发动机扭矩，计算所述发动机的输出能量。具体的，假设输入燃料为P，单位为kg，输出的发动机扭矩和发动机转速分别是H1、J1，单位分别是N（牛）、rpm。由此可以得出发动机输入能量Q1和输出能量Q2如下：
Figure 652330DEST_PATH_IMAGE014
（12）
Figure 182669DEST_PATH_IMAGE015
（13）
其中，q表示燃油热值，单位为kJ/kg；W为工况时间。
然后，根据所述输入能量和所述输出能量，计算所述发动机的平均效率和能量损失，由所述输入能量、所述输出能量、所述平均效率和所述能量损失构成所述发动机的能量流。具体的，基于公式（12）和公式（13），发动机的平均效率n1和能量损失
Figure 60495DEST_PATH_IMAGE016
分别如下：
Figure 941863DEST_PATH_IMAGE017
如图6所示，发电机的输入能量等于发动机的输出能量，U2和I2分别表示发电机输出的电流和电压，发电机的输出能量
Figure 563338DEST_PATH_IMAGE018
，发电机的平均效率n2=发电机的输出能量除以发电机的输入能量。
发电机的输出能量等于动力电池的输入能量。U6和I6分别表示动力电池输出给空调系统的电流和电压，动力电池输出给空调系统的能量=
Figure 948183DEST_PATH_IMAGE019
。U3和I3分别表示动力电池输出给驱动电机的电流和电压，动力电池输出给驱动电机的能量=
Figure 731331DEST_PATH_IMAGE020
。动力电池的输出能量=动力电池输出给空调系统的能量+动力电池输出给驱动电机的能量。动力电池的平均效率n3=动力电池的输出能量除以动力电池的输入能量。
动力电池输出给驱动电机的能量等于驱动电机的输入能量，H4和J4分别表示驱动电机扭矩和驱动电机转速，驱动电机的输出能量=
Figure 99995DEST_PATH_IMAGE021
，驱动电机的平均效率n4=驱动电机的输出能量除以驱动电机的输入能量。
驱动电机的输出能量等于变速箱的输入能量，H5和J5分别表示变速箱输出的扭矩和转速，变速箱的输出能量=
Figure 259581DEST_PATH_IMAGE022
，变速箱的平均效率n5=变速箱的输出能量除以变速箱的输入能量。
各部件能量损失采用各部件的输入能量减去输出能量
由此得出测试车辆在当前在线地图规划工况下各个部件的输入能量、输出能量、损失能量、平均效率等，共同组成整车的能量流。
本发明实施例还提供一种车辆能耗台架测试系统，如图1所示。包括：上位机、台架、环境仓、碳排放仪、电流传感器、电压传感器和信号采集单元。
所述上位机用于获取目标路段、风速和环境温度，并将所述环境温度设置为所述环境仓的温度；根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线，以供驾驶员根据所述行驶工况曲线驾驶所述台架上的测试车辆，其中，所述行驶工况曲线以车辆行驶距离为横坐标，分别以车停车时间和目标行驶车速为纵坐标。
在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机用于根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力；
所述台架测试结束后，所述碳排放仪用于计算本次测试的燃料消耗量；所述上位机用于根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。
具体的，所述上位机可连接互联网，通过互联网获取在线地图并生成车辆行驶工况，并通过将所述行驶工况发送到显示屏进行显示。同时，所述上位机还与信号采集单元连接，用于显示和存储台架测试过程中的信号数据。此外，上位机还与台架连接，接收并显示台架反馈的实际行驶车速。可选的，行驶工况和实际行驶车速显示在同一画面中，供驾驶员使用。
所述台架是测试车辆的载体，包含但不限于底盘测功机、轴耦合测功机、五电机台架、四电机台架。
所述电流传感器用于测试车辆动力电池电流，该传感器仅在测试安装动力电池的车辆时使用，安装电流传感器的测试车辆包含混合动力汽车、纯电动汽车、燃料电池车等。
所述电压传感器用于测试车辆动力电池电压，该传感器仅在测试安装动力电池的车辆时使用，安装电流传感器的测试车辆包含混合动力汽车、纯电动汽车、燃料电池车等。
所述碳排放仪用于测试车辆燃料消耗量，该传感器仅在测试装备发动机的车辆时使用，安装碳排放仪的测试车辆包含混合动力汽车、传统燃油车等。
所述环境仓用于模拟车辆测试所需要的环境温度。
所述信号采集单元可以同步采集传感器信号和车内CAN信号，采集的数据传输到上位机中。所述CAN总线信号涵盖发动机转速扭矩、电机转速扭矩、电池SOC、加速踏板开度、制动踏板开度、挡位、空调功率等信号。
所述系统的使用方法如下：构建天气状态、环境温度、出行时间、规划路线等因素的测试矩阵；在动力电池（如有）安装电流传感器和电压传感器，并将输出信号线连接信号采集单元；在排气管（如有）上安装碳排放仪，碳排放仪安装后，校正清零，并接入信号采集单元；从整车控制器上引出CAN总线连接线，接入信号采集单元。由于信号采集单元连接上位机，可以通过上位机查看上述传感器信号和CAN信号是否正常显示，正常存储。如果信号正常，在上位机中输入目标路段的起点和终点，由上位机将工况和路况导入显示屏，并将环境温度输入到环境仓和台架。之后根据显示屏显示的行驶工况驾驶车辆，进行车辆能耗台架测试，由信号采集单元采集测试数据，上位机生成测试结果。
本实施例可以基于上述任一实施例提供的整车系统的模型实现，具备上述任一实施例的技术效果。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案。

Claims (9)

1.一种车辆能耗台架测试方法，其特征在于，应用于车辆能耗台架测试系统，所述系统包括：上位机、台架、环境仓、碳排放仪、电流传感器、电压传感器和信号采集单元；
所述方法包括：
所述上位机获取目标路段、风速和环境温度，并将所述环境温度设置为所述环境仓的温度；
所述上位机根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线，以供驾驶员根据所述行驶工况曲线驾驶所述台架上的测试车辆，其中，所述行驶工况曲线以车辆行驶距离为横坐标，分别以车停车时间和目标行驶车速为纵坐标；
在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力；
所述台架测试结束后，所述碳排放仪计算本次测试的燃料消耗量；所述上位机根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线，包括：
通过地图应用获取所述目标路段的规划路径以及与所述规划路径关联的目标信息；
基于设定距离间隔根据所述规划路径确定车辆行驶距离的坐标；
根据样本数据确定特征参数矩阵；其中，所述样本数据包括包含交通信号灯的交通片段和不包含交通信号灯的交通片段；
对所述特征参数矩阵中的特征参数进行降维处理，获得标准化矩阵；
基于所述标准化矩阵进行主成分分析，获得多个第一主成分；
对所述多个第一主成分进行聚类运算，获得两个聚类中心；
对所述目标信息中的交通片段进行主成分分析，获得多个第二主成分；
根据所述多个第二主成分和所述两个聚类中心确定所述目标信息中包含交通信号灯的目标交通片段；
根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间；
结合历史统计数据确定各交通片段的第一平均加速度和第一平均减速度；
根据驾驶员的驾驶风格特征对所述第一平均加速度和第一平均减速度进行修正，获得第二平均加速度和第二平均减速度，其中，所述驾驶风格特征用于表征驾驶员驾驶车辆时速度的快慢；
至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速；
以所述车辆行驶距离的坐标为横坐标，分别以停车时间和目标行驶车速为纵坐标确定车辆行驶工况曲线。
3.根据权利要求2所述的方法，其特征在于，所述至少基于所述停车位置、所述停车时间、所述第二平均加速度和所述第二平均减速度通过神经网络模型预测所述预设车辆在各交通片段行驶时的目标行驶车速，包括：
将所述停车位置、所述停车时间、所述第二平均加速度、所述第二平均减速度、各交通片段的第二通过时间、各交通片段的第二长度、各交通片段的平均车速、各交通片段的道路属性以及各交通片段对应的车辆驾驶动作输入至所述神经网络模型，获得所述预设车辆在各交通片段行驶时的目标行驶车速。
4.根据权利要求2所述的方法，其特征在于，所述根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期预测预设车辆按照所述规划路径行驶时的停车位置和停车时间，包括：
若所述目标交通片段的拥堵系数小于设定阈值，根据所述目标交通片段的拥堵系数以及交通信号灯的设定周期确定交通信号灯的红灯时间和绿灯时间；
根据所述目标交通片段的第二通过时间以及所述设定周期确定所述预设车辆在对应交通信号灯处是否停车；
若确定所述预设车辆在对应交通信号灯处停车，则根据对应交通信号灯的绿灯时间确定所述预设车辆在对应交通信号灯处的停车时间；
若所述目标交通片段的拥堵系数大于设定阈值，将与所述目标交通片段对应设置的时间确定为停车时间，将所述目标交通片段的位置确定为停车位置。
5.根据权利要求1所述的方法，其特征在于，所述根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力，包括：
根据所述环境温度，对所述测试车辆在默认温度下的第一行驶阻力曲线的系数进行调整，得到第二行驶阻力曲线；
根据所述风速对所述第二行驶阻力曲线的系数进行调整，得到第三行驶阻力曲线；
根据所述第三行驶阻力曲线，实时计算所述测试车辆的行驶阻力；
其中，所述行驶阻力曲线以车辆实际行驶速度为横坐标，以车辆行驶阻力为纵坐标。
6.根据权利要求1所述的方法，其特征在于，所述CAN信号包括发动机转速和发动机扭矩；
所述根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算，包括：
根据所述燃料消耗量，计算所述发动机的输入能量；
根据所述发动机转速和所述发动机扭矩，计算所述发动机的输出能量；
根据所述输入能量和所述输出能量，计算所述发动机的平均效率和能量损失，由所述输入能量、所述输出能量、所述平均效率和所述能量损失构成所述发动机的能量流。
7.根据权利要求1所述的方法，其特征在于，所述测试车辆内的空调参数由所述驾驶员根据所述环境仓的温度设置，所述CAN信号包括空调运行信号；
所述方法还包括：上位机通过所述信号采集单元采集到的所述空调运行信号，计算所述空调消耗的电能。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机实时显示所述目标行驶车速，以及通过台架获取的实际行驶车速，以供所述驾驶员调整驾驶行为，使所述实际行驶车速与所述目标行驶车速的差值位于预设范围内。
9.一种车辆能耗台架测试系统，其特征在于，包括：上位机、台架、环境仓、碳排放仪、电流传感器、电压传感器和信号采集单元；
所述上位机用于获取目标路段、风速和环境温度，并将所述环境温度设置为所述环境仓的温度；根据所述目标路段的车辆规划路径，确定车辆行驶工况曲线，以供驾驶员根据所述行驶工况曲线驾驶所述台架上的测试车辆，其中，所述行驶工况曲线以车辆行驶距离为横坐标，分别以车停车时间和目标行驶车速为纵坐标；
在所述驾驶员驾驶所述测试车辆进行台架测试的过程中，所述上位机用于根据所述环境温度和所述风速实时调整所述台架测试中的行驶阻力；
所述台架测试结束后，所述碳排放仪用于计算本次测试的燃料消耗量；所述上位机用于根据所述电流传感器和所述电压传感器的信号，计算本次测试的电能消耗量，并根据所述信号采集单元采集的车内CAN信号，对车内能量流进行分析计算。
CN202210683798.9A 2022-06-17 2022-06-17 车辆能耗台架测试方法和系统 Active CN114778140B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210683798.9A CN114778140B (zh) 2022-06-17 2022-06-17 车辆能耗台架测试方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210683798.9A CN114778140B (zh) 2022-06-17 2022-06-17 车辆能耗台架测试方法和系统

Publications (2)

Publication Number Publication Date
CN114778140A CN114778140A (zh) 2022-07-22
CN114778140B true CN114778140B (zh) 2022-08-23

Family

ID=82421157

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210683798.9A Active CN114778140B (zh) 2022-06-17 2022-06-17 车辆能耗台架测试方法和系统

Country Status (1)

Country Link
CN (1) CN114778140B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114771542B (zh) * 2022-06-17 2022-09-20 中汽研汽车检验中心（天津）有限公司 车辆行驶工况确定方法、设备和存储介质
CN115729810B (zh) * 2022-11-02 2024-01-02 北京华龙宏达科技有限公司 一种用于智能汽车道路测试的车载测试系统
CN116698445B (zh) * 2023-06-08 2024-01-30 北京速度时空信息有限公司 一种自动驾驶安全性检测方法及系统
CN116559576B (zh) * 2023-07-10 2023-09-15 中汽研新能源汽车检验中心(天津)有限公司 一种用于纯电汽车三电及热系统的能耗台架试验方法

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104251726A (zh) * 2014-07-29 2014-12-31 浙江吉利罗佑发动机有限公司 一种非插电式混合动力汽车能量消耗量测试方法
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 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
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
CN111652512A (zh) * 2020-06-05 2020-09-11 天津科技大学 一种用于节能减排的多性能评价平台与方法
WO2021114742A1 (zh) * 2019-12-10 2021-06-17 北京理工大学 一种混合动力电动汽车综合预测能量管理方法
CN113034210A (zh) * 2021-04-28 2021-06-25 重庆大学 一种基于数据驱动场景下车辆行驶成本评价方法
CN113074952A (zh) * 2021-03-08 2021-07-06 中国汽车技术研究中心有限公司 一种插电式混合动力车辆动力系统能耗测试台架、系统及测试方法
CN113642768A (zh) * 2021-07-12 2021-11-12 南京航空航天大学 一种基于工况重构的车辆行驶能耗预测方法
CN113820142A (zh) * 2021-09-24 2021-12-21 中汽研汽车检验中心（天津）有限公司 一种重型混合动力电动汽车能耗排放联合测试系统及方法
CN114435138A (zh) * 2022-01-25 2022-05-06 中国第一汽车股份有限公司 一种车辆能耗预测方法、装置、车辆及存储介质
CN114528646A (zh) * 2022-04-24 2022-05-24 中汽研汽车检验中心（天津）有限公司 一种基于在线地图数据的车辆行驶工况构建方法
CN114609459A (zh) * 2022-02-16 2022-06-10 东风柳州汽车有限公司 一种整车工况模拟能耗测试方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100305798A1 (en) * 2009-05-29 2010-12-02 Ford Global Technologies, Llc System And Method For Vehicle Drive Cycle Determination And Energy Management

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104251726A (zh) * 2014-07-29 2014-12-31 浙江吉利罗佑发动机有限公司 一种非插电式混合动力汽车能量消耗量测试方法
CN110126841A (zh) * 2019-05-09 2019-08-16 吉林大学 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
CN110610260A (zh) * 2019-08-21 2019-12-24 南京航空航天大学 行车能耗预测系统、方法、存储介质和设备
WO2021114742A1 (zh) * 2019-12-10 2021-06-17 北京理工大学 一种混合动力电动汽车综合预测能量管理方法
CN111652512A (zh) * 2020-06-05 2020-09-11 天津科技大学 一种用于节能减排的多性能评价平台与方法
CN113074952A (zh) * 2021-03-08 2021-07-06 中国汽车技术研究中心有限公司 一种插电式混合动力车辆动力系统能耗测试台架、系统及测试方法
CN113034210A (zh) * 2021-04-28 2021-06-25 重庆大学 一种基于数据驱动场景下车辆行驶成本评价方法
CN113642768A (zh) * 2021-07-12 2021-11-12 南京航空航天大学 一种基于工况重构的车辆行驶能耗预测方法
CN113820142A (zh) * 2021-09-24 2021-12-21 中汽研汽车检验中心（天津）有限公司 一种重型混合动力电动汽车能耗排放联合测试系统及方法
CN114435138A (zh) * 2022-01-25 2022-05-06 中国第一汽车股份有限公司 一种车辆能耗预测方法、装置、车辆及存储介质
CN114609459A (zh) * 2022-02-16 2022-06-10 东风柳州汽车有限公司 一种整车工况模拟能耗测试方法、装置、设备及存储介质
CN114528646A (zh) * 2022-04-24 2022-05-24 中汽研汽车检验中心（天津）有限公司 一种基于在线地图数据的车辆行驶工况构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Energy Management Strategy of Hybrid Electric Vehicle Based on ECMS in Intelligent Transportation Environment;ShengyanHou;《IFAC-PapersOnLine》;20211231;第54卷(第10期);157-162 *
基于台架模拟的纯电动汽车能耗经济性研究;刘忠途等;《中山大学学报(自然科学版)》;20110115(第01期);全文 *

Also Published As

Publication number Publication date
CN114778140A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114778140B (zh) 车辆能耗台架测试方法和系统
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
US11597296B2 (en) Systems and methods for optimizing travel time using route information
CN111806239B (zh) 电动车辆续航里程测量方法、电子设备及存储介质
CN111497679B (zh) 一种纯电动汽车能耗监测优化方法及系统
US10829065B1 (en) Vehicle power management system
CN111753377B (zh) 基于道路信息的纯电动汽车能耗最优路径规划方法
CN111452619B (zh) 电动车辆在线能耗预测方法及系统
KR101551028B1 (ko) 에너지 절약형 자동 공조 제어시스템 및 방법
CN106908075A (zh) 大数据采集与处理系统及基于其电动汽车续航估计方法
CN109733248A (zh) 基于路径信息的纯电动汽车剩余里程模型预测方法
US20070112475A1 (en) Power management systems and devices
US11390165B2 (en) Electric vehicle power management system
CN111806240B (zh) 一种基于中国工况的电动汽车续驶里程预测方法
WO2021218313A1 (zh) 车辆的剩余里程确定方法、装置及车辆
CN112406630B (zh) 一种基于工况识别的电动车续驶里程计算方法
CN110682905B (zh) 基于行驶里程的时域中电池荷电状态参考变化量获取方法
Guo et al. A novel energy consumption prediction model with combination of road information and driving style of BEVs
Mamarikas et al. Traffic impacts on energy consumption of electric and conventional vehicles
CN110243384A (zh) 实际行驶排放试验路线的确定方法、装置、设备和介质
JP7318076B1 (ja) 作業条件の切り替えの車両の燃料消費量に対する影響の評価方法
CN110303908A (zh) 一种充电电量的推荐方法及系统
CN116702096A (zh) 车辆高原环境道路滑行阻力测算方法及装置
SE538248C2 (sv) Fastställande av energiåtgång
CN113610298B (zh) 考虑用户出行行为的用户出行能耗预测及路径推荐方法

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