CN115718886A - 纯电动汽车行驶工况的构建方法及装置 - Google Patents
纯电动汽车行驶工况的构建方法及装置 Download PDFInfo
- Publication number
- CN115718886A CN115718886A CN202211456569.XA CN202211456569A CN115718886A CN 115718886 A CN115718886 A CN 115718886A CN 202211456569 A CN202211456569 A CN 202211456569A CN 115718886 A CN115718886 A CN 115718886A
- Authority
- CN
- China
- Prior art keywords
- driving
- kinematic
- category
- speed
- segments
- 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.)
- Pending
Links
Images
Landscapes
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本申请涉及一种纯电动汽车典型行驶工况的构建方法及装置,在构建电动汽车典型行驶工况的过程中所使用的数据量较少,仅仅需要汽车行驶的GPS速度数据就能够构建出与与实际行驶能耗相贴近的典型行驶工况;由于驾驶风格对于电动汽车的能耗影响较大,本申请在进行典型行驶工况的构建过程中,首先确定驾驶风格类别,再对行驶工况进行二次分类,确定驾驶速度类别,在最终所构建的行驶工况中能够包含原始驾驶数据的各个行驶类别,更能反映行驶工况的真实性;在运动学片段挑选的时候,对单位里程能耗进行了加权,可以让所挑选的运动学片段的单位里程能耗更加贴合所在类平均值。
Description
技术领域
本申请涉及汽车行驶工况技术领域,具体地,涉及一种纯电动汽车行驶工况的构建方法及装置。
背景技术
汽车行驶工况是描述某一地区某一类车辆在特定的交通环境下,车辆行驶特征的速度-时间曲线,时间步长为1s,汽车行驶工况的研究对于汽车工业来说非常重要,可用于车辆排放和油耗等性能评估,为汽车动力系统参数匹配、控制策略优化提供参考。尤其是在电动汽车已经成为汽车发展必不可挡的大趋势下,发布一份专门针对于电动汽车的行驶工况尤其重要,可以对电动汽车的续航里程的标定标准的制定提供必要的参考。
目前比较成熟的行驶工况主要有美国的FTP75、欧洲的NEDC、日本的JAPAN10-15。不同地区的交通状况、驾驶模式不尽相同,使得不同地区的汽车行驶工况存在差异,汽车能耗测试的结果与当地实际行驶工况存在较大偏差。
发明内容
为了克服现有技术中的至少一个不足,本申请实施例提供一种纯电动汽车行驶工况的构建方法及装置。
第一方面,提供一种纯电动汽车典型行驶工况的构建方法,包括:
获取汽车在一段时间内的行驶数据,行驶数据包括汽车在每个时刻的速度数据;
将行驶数据划分为多个运动学片段;
确定每个运动学片段的行驶特征参数;行驶特征参数包括单位里程能耗比;
基于行驶特征参数对多个运动学片段进行分类,确定每个运动学片段的行驶类别;每个运动学片段的行驶类别包括驾驶风格类别和驾驶速度类别;
确定单位里程能耗比的权重,基于单位里程能耗比的权重和行驶特征参数,在属于同一个行驶类别的运动学片段中选择用于组成典型工况的多个运动学片段;
将每个行驶类别对应的组成典型工况的多个运动学片段,拼接构成纯电动汽车典型行驶工况。
在一个实施例中,基于行驶特征参数对多个运动学片段进行分类,确定每个运动学片段的行驶类别,包括:
对多个运动学片段的行驶特征参数进行一次聚类,确定每个运动学片段的驾驶风格类别,驾驶风格类别包括激进型驾驶风格和保守型驾驶风格;
对多个运动学片段的行驶特征参数进行二次聚类,确定每个运动学片段的驾驶速度类别,驾驶速度类别包括低速、中速和高速。
在一个实施例中,一次聚类中的行驶特征参数包括:加速度绝对值均值、加速度绝对值标准差、冲击度绝对值均值和冲击度绝对值标准差。
在一个实施例中,二次聚类中的行驶特征参数包括:运动学片段时间、包含怠速的平均速度、不包含怠速的平均速度、运行距离、最大车速、最大加速度、最大减速度、平均加速度、平均减速度、怠速时间比例、加速时间比例、减速时间比例、匀速时间比例和单位里程比能耗。
在一个实施例中,对多个运动学片段的行驶特征参数进行一次聚类,确定每个运动学片段的驾驶风格类别,包括:
确定驾驶风格类别的个数;
采用基于种群的随机优化技术算法确定多个初始聚类中心,多个初始聚类中心的个数与驾驶风格类别的个数相同;基于种群的随机优化技术算法中采用交叉算子;
基于多个初始聚类中心,采用k-means聚类方法对多个运动学片段的行驶特征参数进行聚类,确定每个运动学片段的驾驶风格类别。
在一个实施例中,对多个运动学片段的行驶特征参数进行二次聚类,确定每个运动学片段的驾驶速度类别,包括:
确定驾驶速度类别的个数;
采用基于种群的随机优化技术算法确定多个初始聚类中心,多个初始聚类中心的个数与驾驶速度类别的个数相同;基于种群的随机优化技术算法采用交叉算子;
基于多个初始聚类中心,采用k-means聚类方法对多个运动学片段的行驶特征参数进行聚类,确定每个运动学片段的驾驶速度类别。
在一个实施例中,行驶特征参数包括:运动学片段时间、包含怠速的平均速度、不包含怠速的平均速度、运行距离、最大车速、最大加速度、最大减速度、平均加速度、平均减速度、怠速时间比例、加速时间比例、减速时间比例、匀速时间比例、单位里程比能耗、加速度绝对值均值、加速度绝对值标准差、冲击度绝对值均值和冲击度绝对值标准差。
在一个实施例中,基于单位里程能耗比的权重和行驶特征参数,在属于同一个行驶类别的运动学片段中选择用于组成典型工况的多个运动学片段,包括:
确定每个行驶类别中的运动学片段的时间之和在所有运动学片段的总时间中的占比;
根据占比和典型工况的总时间,确定每个行驶类别对应的典型工况子时间;
针对每个行驶类别,根据每个运动学片段的单位里程能耗比的权重和行驶特征参数,计算每个运动学片段的参数累加值;
计算每个运动学片段的参数累加值与行驶类别中所有运动学片段的参数累加值的均值之间的误差;
根据误差和典型工况子时间,在行驶类别中的运动学片段中选择用于组成典型工况的多个运动学片段。
第二方面,提供一种纯电动汽车典型行驶工况的构建装置,包括:
行驶数据获取模块,用于获取汽车在一段时间内的行驶数据,行驶数据包括汽车在每个时刻的速度数据;
运动学片段划分模块,用于将行驶数据划分为多个运动学片段;
行驶特征参数确定模块,用于确定每个运动学片段的行驶特征参数;行驶特征参数包括单位里程能耗比;
分类模块,用于基于行驶特征参数对多个运动学片段进行分类,确定每个运动学片段的行驶类别;每个运动学片段的行驶类别包括驾驶风格类别和驾驶速度类别;
典型工况片段选择模块,用于确定单位里程能耗比的权重,基于单位里程能耗比的权重和行驶特征参数,在属于同一个行驶类别的运动学片段中选择用于组成典型工况的多个运动学片段;
典型工况拼接模块,用于将每个行驶类别对应的组成典型工况的多个运动学片段,拼接构成纯电动汽车典型行驶工况。
在一个实施例中,分类模块,还用于:
对多个运动学片段的行驶特征参数进行一次聚类,确定每个运动学片段的驾驶风格类别,驾驶风格类别包括激进型驾驶风格和保守型驾驶风格;
对多个运动学片段的行驶特征参数进行二次聚类,确定每个运动学片段的驾驶速度类别,驾驶速度类别包括低速、中速和高速。
相对于现有技术而言,本申请具有以下有益效果:在构建电动汽车典型行驶工况的过程中所使用的数据量较少,仅仅需要汽车行驶的GPS速度数据就能够构建出与与实际行驶能耗相贴近的典型行驶工况;由于驾驶风格对于电动汽车的能耗影响较大,本申请在进行典型行驶工况的构建过程中,首先确定驾驶风格类别,再对行驶工况进行二次分类,确定驾驶速度类别,在最终所构建的行驶工况中能够包含原始驾驶数据的各个行驶类别,更能反映行驶工况的真实性;在运动学片段挑选的时候,对单位里程能耗进行了加权,可以让所挑选的运动学片段的单位里程能耗更加贴合所在类平均值。
附图说明
本申请可以通过参考下文中结合附图所给出的描述而得到更好的理解,附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分。在附图中:
图1示出了根据本申请实施例的纯电动汽车行驶工况的构建方法的流程框图;
图2示出了根据本申请实施例的纯电动汽车典型行驶工况的构建装置的结构框图;
图3示出了对运动学片段的驾驶风格进行分类的结果图;
图4示出了对运动学片段的驾驶速度进行分类的结果图;
图5示出了纯电动汽车典型行驶工况示意图。
具体实施方式
在下文中将结合附图对本申请的示例性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施例的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中可以做出很多特定于实施例的决定,以便实现开发人员的具体目标,并且这些决定可能会随着实施例的不同而有所改变。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本申请,在附图中仅仅示出了与根据本申请的方案密切相关的装置结构,而省略了与本申请关系不大的其他细节。
应理解的是,本申请并不会由于如下参照附图的描述而只限于所描述的实施形式。在本文中,在可行的情况下,实施例可以相互组合、不同实施例之间的特征替换或借用、在一个实施例中省略一个或多个特征。
基于城市自身的汽车行驶数据进行城市汽车行驶工况的构建研究也越来越迫切,希望所构建的汽车行驶工况与该市汽车的行驶情况尽量吻合,理想情况下是完全代表该市汽车的行驶情况。在电动汽车成为未来发展大趋势的条件下,构建一个合理可靠的典型行驶工况可以有效地指导电动汽车续航里程的标定,因此本申请在构建电动汽车典型行驶工况的时候,更加侧重于反映能耗的真实性。
图1示出了根据本申请实施例的纯电动汽车行驶工况的构建方法的流程框图,参见图1,方法包括:
步骤S110,获取汽车在一段时间内的行驶数据,行驶数据包括汽车在每个时刻的速度数据;
该步骤中,行驶数据为GPS数据,在获取到GPS原始数据后,针对数据中存在的数据缺失和数据异常等情况进行预处理,具体预处理过程可以包括:
针对GPS信号缺失的处理:对于在5s内缺失的数据,采用线性插值的方法补全,连续超过5s的数据采用剔除的方式进行处理。
针对最高速度以及加减速度异常的数据的处理:根据《中华人民共和国道路交通安全法实施条例》,车速大于120km/s的数据视为异常,应当予以剔除。一般情况下,设定电动汽车的最大加速度为6m/s2,紧急刹车最大减速度为7.5m/s2至8m/s2。计算每个时间的加减速度大小,对于不在范围内的加减速度值,可以直接进行剔除,提高原始数据的真实性。按照假定的标准,将异常加速度数据通过smooth函数进行平滑处理。
针对长时间停车的数据处理:一般认为怠速时间超过180s为异常情况,故将怠速时长大于180s的按180s处理。由于长时间堵车或停车,采集的数据并不满足要求。将汽车断断续续行驶,最高车速小于10km/h的状态,视为停车;
滤波处理:由于外界因素影响下,行驶数据存在异常噪声干扰现象,使得数据存在误差。采用滑动平均滤波算法对原始数据进行滤波处理。
步骤S120,将行驶数据划分为多个运动学片段;
该步骤中,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,一个典型的运动学片段包括四个运动状态,即:加速状态、减速状态、匀速状态和怠速状态,且一般不少于20s。车辆在不同的时段会有不同的运动学片段。车辆的速度—时间曲线一般可以看成是由若干个运动学片段组合而成,而车辆在不同交通状况下、不同路段、不同时段都会得到不同的运动学片段。
对于汽车行驶的各种状态的定义如下:
(1)怠速状态:速度等于零的过程;
(2)加速状态:速度不等于零并且加速度大于等于0.15m/s2的连续运转过程;
(3)减速状态:速度不等于零并且加速度小于等于-0.15m/s2的连续运转过程;
(4)匀速状态:速度不等于零并且加速度的绝对值小于等于0.15m/s2的连续运转过程。
步骤S130,确定每个运动学片段的行驶特征参数;
这里,具体地,行驶特征参数具体如表1所示:
表1行驶特征参数
序号 | 特征值符号 | 描述 | 单位 |
1 | T | 运动学片段时间 | s |
2 | V<sub>m</sub> | 平均速度(含怠速) | m/s |
3 | V<sub>mr</sub> | 平均速度(不含怠速) | m/s |
4 | S | 运行距离 | m |
5 | V<sub>max</sub> | 最大车速 | m/s |
6 | A<sub>max</sub> | 最大加速度 | m/s<sup>2</sup> |
7 | D<sub>max</sub> | 最大减速度 | m/s<sup>2</sup> |
8 | A<sub>m</sub> | 平均加速度 | m/s<sup>2</sup> |
9 | D<sub>m</sub> | 平均减速度 | m/s<sup>2</sup> |
10 | P<sub>i</sub> | 怠速时间比例 | % |
11 | P<sub>a</sub> | 加速时间比例 | % |
12 | P<sub>d</sub> | 减速时间比例 | % |
13 | P<sub>e</sub> | 匀速时间比例 | % |
14 | |J|<sub>m</sub> | 冲击度绝对值均值 | m/s<sup>3</sup> |
15 | S<sub>J</sub> | 冲击度绝对值标准差 | m/s<sup>2</sup> |
16 | W<sub>s</sub> | 单位里程比能耗 | J/(KG*KM) |
17 | |a|<sub>m</sub> | 加速度绝对值均值 | m/s<sup>2</sup> |
18 | S<sub>a</sub> | 加速度绝对值标准差 | m/s<sup>2</sup> |
步骤S140,基于行驶特征参数对多个运动学片段进行分类,确定每个运动学片段的行驶类别;每个运动学片段的行驶类别包括驾驶风格类别和驾驶速度类别,这里,每个运动学片段在进行分类后,对应一个驾驶风格类别,还对应一个驾驶速度类别。
步骤S150,确定单位里程能耗比的权重,基于单位里程能耗比的权重和行驶特征参数,在属于同一个行驶类别的运动学片段中选择用于组成典型工况的多个运动学片段;
步骤S160,将每个行驶类别对应的组成典型工况的多个运动学片段,拼接构成纯电动汽车典型行驶工况。
本申请的上述实施例,在构建电动汽车典型行驶工况的过程中所使用的数据量较少,仅仅需要汽车行驶的GPS速度数据就能够构建出与与实际行驶能耗相贴近的典型行驶工况;由于驾驶风格对于电动汽车的能耗影响较大,本申请在进行典型行驶工况的构建过程中,首先确定驾驶风格类别,再对行驶工况进行二次分类,确定驾驶速度类别,在最终所构建的行驶工况中能够包含原始驾驶数据的各个行驶类别,更能反映行驶工况的真实性;在运动学片段挑选的时候,对单位里程能耗进行了加权,可以让所挑选的运动学片段的单位里程能耗更加贴合所在类平均值。
在一个实施例中,由于驾驶风格对于电动汽车能耗有较大的影响,所以在分类的过程中把驾驶风格考虑在内,基于行驶特征参数对多个运动学片段进行分类,确定每个运动学片段的行驶类别,包括:
对多个运动学片段的行驶特征参数进行一次聚类,确定每个运动学片段的驾驶风格类别,驾驶风格类别包括激进型驾驶风格和保守型驾驶风格;
具体地,该步骤中,一次聚类中的行驶特征参数包括:加速度绝对值均值、加速度绝对值标准差、冲击度绝对值均值和冲击度绝对值标准差。
对多个运动学片段的行驶特征参数进行二次聚类,确定每个运动学片段的驾驶速度类别,驾驶速度类别包括低速、中速和高速。
具体地,二次聚类中的行驶特征参数为表1中的其中14个特征参数,包括:运动学片段时间、包含怠速的平均速度、不包含怠速的平均速度、运行距离、最大车速、最大加速度、最大减速度、平均加速度、平均减速度、怠速时间比例、加速时间比例、减速时间比例、匀速时间比例和单位里程比能耗。
本申请的上述实施例,首先对驾驶风格进行分类,在驾驶风格分类的基础上,再对行驶工况进行二次分类,可以充分地对原始数据进行分类,在最终所构建的行驶工况中能够包含原始驾驶数据的各个类别,更能反映行驶工况的真实性。
在一个实施例中,对多个运动学片段的行驶特征参数进行一次聚类,确定每个运动学片段的驾驶风格类别:包括:
步骤S210,确定驾驶风格类别的个数;该实施例中,驾驶风格类别包括激进型驾驶风格和保守型驾驶风格,驾驶风格类别的个数为2;
步骤S220,采用基于种群的随机优化技术算法(Particle Swarm Optimization,PSO)确定多个初始聚类中心,多个初始聚类中心的个数与驾驶风格类别的个数相同;基于种群的随机优化技术算法中采用交叉算子;
该步骤中,基于种群的随机优化技术算法在进行粒子群寻优(即确定多个初始聚类中心)的过程中,加入交叉算子,确定多个初始聚类中心;这里,在基于种群的随机优化技术算法中加入交叉算子以加快粒子群寻优的过程,属于现有方法。
基于种群的随机优化技术算法进行粒子群寻优的过程中,随机生成n个粒子,每一个粒子里面包含了k个聚类中心的多维坐标信息,需要注意的是:粒子群所生成的n个粒子的8维坐标和上述所划分的运动学片段的4维坐标不一样,在对驾驶风格进行聚类的过程中,每一个运动学片段里面包含了四个特征参数,也就是该运动学片段的坐标信息,是一个4维坐标,反映了该运动学片段的信息。而在粒子群寻优的过程中,所生成的粒子是一个8维坐标,前4个坐标表示第一个聚类中心,后4个坐标表示第二个聚类中心。粒子群寻优的目的也就是为了寻找出最优的两个聚类中心的位置信息,以供后续的k-means聚类方法使用。
该实施例,在粒子群寻优过程中,加入交叉算子,粒子i在当前位置Xi(t)的位置坐标与上一时刻的粒子i的个体最优位置pbesti(t-1)的坐标进行离散交叉,使得粒子能向最优的位置移动,即加快寻优过程,也就是加快了确定多个初始聚类中心的过程。
步骤S230,基于多个初始聚类中心,采用k-means聚类方法对多个运动学片段的行驶特征参数进行聚类,确定每个运动学片段的驾驶风格类别。
在一个实施例中,对多个运动学片段的行驶特征参数进行二次聚类,确定每个运动学片段的驾驶速度类别,包括:
步骤S310,确定驾驶速度类别的个数;这里,驾驶速度类别包括低速、中速和高速;该步骤中,基于现有技术的经验,在二次聚类时,将类别数设为3,分别代表低速、中速和高速。
步骤S320,采用基于种群的随机优化技术算法确定多个初始聚类中心,多个初始聚类中心的个数与驾驶速度类别的个数相同;基于种群的随机优化技术算法采用交叉算子;
该步骤中,确定多个初始聚类中心的方法与步骤S220中确定多个初始聚类中心相同,区别仅在于初始聚类中心的个数和聚类中心的维度不同,该步骤中,初始聚类中心的个数为3。
步骤S330,基于多个初始聚类中心,采用k-means聚类方法对多个运动学片段的行驶特征参数进行聚类,确定每个运动学片段的驾驶速度类别。
该步骤中,在采用k-means聚类方法对多个运动学片段的行驶特征参数进行聚类之前,可以采用主成分分析方法对多个运动学片段的行驶特征参数进行降维处理,以保证较佳的聚类效果。
在一个实施例中,基于单位里程能耗比的权重和行驶特征参数,在属于同一个行驶类别的运动学片段中选择用于组成典型工况的多个运动学片段,包括:
步骤S410,确定每个行驶类别中的运动学片段的时间之和在所有运动学片段的总时间中的占比;
步骤S420,根据占比和典型工况的总时间,确定每个行驶类别对应的典型工况子时间;
该步骤中,典型工况的总时间为预先设置好的,具体可以为3000秒,将每个行驶类别的时间占比与典型工况的总时间相乘,可以计算出每个行驶类别对应的典型工况子时间。
步骤S430,针对每个行驶类别,根据每个运动学片段的单位里程能耗比的权重和行驶特征参数,计算每个运动学片段的参数累加值;具体实现过程可以为:
首先,将行驶特征参数转化为无纲量常数:
zij,k=(xij,k-minxj,k)/(maxxj,k-minxj,k)
i=1,2,…mk;j=1,2,…p,k=1,2…n
其中,xij,k为第k个行驶类别中第i个运动学片段的第j个行驶特征参数,maxxj,k为第k个行驶类别中所有运动学片段的第j个行驶特征参数的最大值,minxj,k为第k个行驶类别中所有运动学片段的第j个行驶特征参数的最小值,zij,k为第k个行驶类别中第i个运动学片段的第j个行驶特征参数的无纲量常数,Ws(i,k)为第k个行驶类别中第i个运动学片段的单位里程能耗比,maxWs(k)为第k个行驶类别中所有运动学片段的单位里程能耗比的最大值,minWs(k)为第k个行驶类别中所有运动学片段的单位里程能耗比的最小值,为第k个行驶类别中第i个运动学片段的单位里程能耗比的无纲量常数;mk为第k个行驶类别中运动学片段的个数,p为每个运动学片段的行驶特征参数(不包括单位里程能耗比)的个数,n为行驶类别的个数。
然后,计算每个运动学片段的参数累加值zi,k,采用以下公式:
其中,zi,k为第k个行驶类别中第i个运动学片段的参数累加值,μ表示单位里程能耗比的权重(μ>1),例如μ可以为3;
步骤S440,计算每个运动学片段的参数累加值与行驶类别中所有运动学片段的参数累加值的均值之间的误差;
该步骤中,行驶类别中所有运动学片段的参数累加值的均值,采用以下公式计算:
其中,yk为第k个行驶类别中所有运动学片段的参数累加值的均值。
每个运动学片段的参数累加值与行驶类别中所有运动学片段的参数累加值的均值之间的误差为:
Ri,k=|zi,k-yk|。
其中,Ri,k为第k个行驶类别中第i个运动学片段的参数累加值与第k个行驶类别中所有运动学片段的参数累加值的均值之间的误差。
步骤S450,根据误差和典型工况子时间,在行驶类别中的运动学片段中选择用于组成典型工况的多个运动学片段。
该步骤中,针对每个行驶类别,按照误差由小到大对运动学片段进行排序,选取误差较小的前N个运动学片段作为组成典型工况的运动学片段,这里N根据典型工况子时间来确定,当选取的组成典型工况的运动学片段的时间之和大于等于典型工况子时间,则选取组成典型工况的运动学片段的个数即为N。
基于与本申请的纯电动汽车典型行驶工况的构建方法相同的发明构思,本申请还提供一种纯电动汽车典型行驶工况的构建装置,图2示出了根据本申请实施例的纯电动汽车典型行驶工况的构建装置的结构框图,装置包括:
行驶数据获取模块510,用于获取汽车在一段时间内的行驶数据,行驶数据包括汽车在每个时刻的速度数据;
运动学片段划分模块520,用于将行驶数据划分为多个运动学片段;行驶特征参数包括单位里程能耗比;
行驶特征参数确定模块530,用于确定每个运动学片段的行驶特征参数;
分类模块540,用于基于行驶特征参数对多个运动学片段进行分类,确定每个运动学片段的行驶类别;每个运动学片段的行驶类别包括驾驶风格类别和驾驶速度类别;
典型工况片段选择模块550,用于确定单位里程能耗比的权重,基于单位里程能耗比的权重和行驶特征参数,在属于同一个行驶类别的运动学片段中选择用于组成典型工况的多个运动学片段;
典型工况拼接模块560,用于将每个行驶类别对应的组成典型工况的多个运动学片段,拼接构成纯电动汽车典型行驶工况。
该实施例的纯电动汽车典型行驶工况的构建装置,其具体实现功能与纯电动汽车典型行驶工况的构建方法一致。
在一个实施例中,分类模块540,还用于:
对多个运动学片段的行驶特征参数进行一次聚类,确定每个运动学片段的驾驶风格类别,驾驶风格类别包括激进型驾驶风格和保守型驾驶风格;
具体地,该步骤中,一次聚类中的行驶特征参数包括:加速度绝对值均值、加速度绝对值标准差、冲击度绝对值均值和冲击度绝对值标准差。
对多个运动学片段的行驶特征参数进行二次聚类,确定每个运动学片段的驾驶速度类别,驾驶速度类别包括低速、中速和高速。
具体地,二次聚类中的行驶特征参数为表1中涉及的其中14个参数,包括:运动学片段时间、包含怠速的平均速度、不包含怠速的平均速度、运行距离、最大车速、最大加速度、最大减速度、平均加速度、平均减速度、怠速时间比例、加速时间比例、减速时间比例、匀速时间比例和单位里程比能耗。
本申请的上述实施例,首先对驾驶风格进行分类,在驾驶风格分类的基础上,再对驾驶工况进行二次分类,可以充分地对原始数据进行分类,在最终所构建的行驶工况中能够包含原始驾驶数据的各个类别,更能反映行驶工况的真实性。
综上,本申请具有以下技术效果:
(1)在构建电动汽车典型行驶工况的过程中所使用的数据量较少,仅仅需要汽车行驶的GPS速度数据就能够构建出与与实际行驶能耗相贴近的典型行驶工况。
(2)由于驾驶风格对于电动汽车的能耗影响较大,本申请在进行典型行驶工况的构建过程中,首先对驾驶风格进行分类,在最终所构建的行驶工况中能够包含原始驾驶数据的各个行驶类别,更能反映行驶工况的真实性。
(3)相对于传统的PSOK-means聚类方法,本申请采用基于改进的粒子群寻优聚类方法,在粒子群寻优的过程中引入交叉算子,从而加快了粒子群算法的技术收敛。
(4)为了最终构建的典型行驶工况能够更真实地反映电动汽车的能耗,在挑选短行程工况时,加入了权重因子提高了单位里程比能耗的比重,使得所挑选的运动学片段更能真实地反映原始数据的平均能耗。
为了对本申请实施例的纯电动汽车行驶工况的构建方法和装置的技术效果进行验证,本申请实施例以2019年华为杯数学建模所给的数据为例,所给数据中车辆的采样频率为1Hz,以此为原始数据,构建电动汽车典型行驶工况,本实施例的原始数据共包括496465个采样数据,在经过数据预处理之后,去除异常数据,共划分成为3181个运动学片段。
选取加速度绝对值均值、加速度绝对值标准差、冲击度绝对值均值和冲击度绝对值标准差对3181个运动学片段进行一次聚类,聚类结果如表2所示:
表2驾驶风格聚类结果
驾驶风格类别 | 聚类中心 | 运动学片段个数 |
保守型 | [0.236,1.213,0.290,1.339] | 2509 |
激进型 | [0.409,2.698,0.420,2.382] | 972 |
其中聚类后得到672个激进型驾驶风格的运动学片段和2509个保守型驾驶风格的运动学片段,激进型驾驶风格的运动学片段的特征指标均明显高于保守型驾驶风格。
分别对激进型运动学片段和保守型运动学片段进行二次聚类,分成低速、中速和高速三类。
工况求解结果为:
(1)主成分分析及累计贡献率,以保守型驾驶风格为例:
表3主成分分析结果
主成分分析结果表3所示,经PCA分析后,得到5个主成分,累积方差贡献率为87.6%。可以充分地代表原始特征参数中的绝大部分信息。
(2)对于保守型运动学片段进行速度划分,分类结果如表4所示:
表4保守型驾驶风格速度聚类结果
驾驶速度类别 | 平均速度(km/h) | 短行程个数 |
低速 | 16.0 | 736 |
中速 | 46.3 | 1110 |
高速 | 82.1 | 663 |
考虑到K-Means算法实现简单、计算速度快,在待分类点分类特征明显的时候效果较好,但当在聚类类别较多且类间聚类中心距离较近时聚类效果较差,不易达到全局最优,因此采用基于交叉算子和基于种群的随机优化技术算法先确定出较好的初始聚类中心,然后再基于该初始聚类中心利用K-means算法进行聚类分析,该方法可以提高分类边界的模糊性,图3示出了对运动学片段的驾驶风格进行分类的结果图,图4示出了对运动学片段的驾驶速度进行分类的结果图,从图3和图4可以看出,本申请的方法获得的分类效果较好。
分类精度评价结果如表5所示,表5是K-means和本申请提出的分类方法的分类有效性评价指标。与K-Means聚类相比,本申请分类方法的较小,表明类内距离越近;而SP和DVI值较大,表明类间距离越远。结果表明,本申请所提出的分类方法能够有效提高同类内的相似度,降低不同类间的相似度。
表5分类有效性评价结果
工况解析以后,则按照相对误差由小到大拼接工况,在进行误差计算时,本申请为了能够更好地体现出单位里程比能耗在挑选工况时的重要性,将单位里程比能耗的权重μ设为3;为了更能反应典型行驶工况的真实性,本申请将典型行驶工况的总长度设为3000s;则保守型驾驶风格和激进型驾驶风格分别占2400s和600s;保守型驾驶风格中,低速类工况占1130s,中速类工况占650s,高速类工况占600s;激进型驾驶风格中,低速类工况占150s,中速类工况占270s,高速类工况占180s;在激进型驾驶风格中共挑选出7个运动学片段,在保守型驾驶风格中共挑选出32个运动学片段,依次拼接得到电动汽车典型行驶工况,图5示出了纯电动汽车典型行驶工况示意图,如图5所示。
将本申请得到的典型行驶工况、传统运动学片段方法和原始数据进行对比,如表6所示:
表6工况特征对比
特征参数 | 原始数据 | 代表工况 | 传统方法 |
平均速度 | 22.92 | 21.94 | 19.54 |
平均行驶速度 | 34.58 | 35.20 | 32.63 |
平均加速度 | 0.385 | 0.406 | 0.365 |
平均减速度 | -0.438 | -0.453 | -0.503 |
速度标准差 | 20.7 | 23.6 | 19.7 |
加速度标准差 | 1.51 | 1.62 | 1.41 |
减速度标准差 | 2.11 | 2.18 | 2.26 |
怠速时间占比 | 0.27 | 0.25 | 0.30 |
匀速时间占比 | 0.45 | 0.42 | 0.39 |
加速时间占比 | 0.16 | 0.19 | 0.21 |
减速时间占比 | 0.12 | 0.14 | 0.10 |
最大车速 | 118.3 | 116.5 | 108.5 |
单位里程能耗 | 80.06 | 84.36 | 70.53 |
对工况构建结果分析可以得出,本申请所构建的代表性行驶工况曲线与传统运动学片段方法构建的工况数据特征相比,与原始数据的拟合性更强,尤其是电动汽车的单位里程能耗更加贴近原始数据,证明本申请所提出的工况构建方法精度更高,用本申请方法所构建的电动汽车典型行驶工况更能够指导电动汽车的续航里程的标定;且所构建工况能反映大数据系统统计下的汽车行驶特征,与实际行驶工况的一致性更好,证明了该方法的有效性与可靠性。
以上所述,仅为本申请的各种实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种纯电动汽车典型行驶工况的构建方法,其特征在于,包括:
获取汽车在一段时间内的行驶数据,所述行驶数据包括所述汽车在每个时刻的速度数据;
将所述行驶数据划分为多个运动学片段;
确定每个所述运动学片段的行驶特征参数;所述行驶特征参数包括单位里程能耗比;
基于所述行驶特征参数对所述多个运动学片段进行分类,确定每个所述运动学片段的行驶类别;每个所述运动学片段的行驶类别包括驾驶风格类别和驾驶速度类别;
确定所述单位里程能耗比的权重,基于所述单位里程能耗比的权重和所述行驶特征参数,在属于同一个行驶类别的所述运动学片段中选择用于组成典型工况的多个运动学片段;
将每个所述行驶类别对应的所述组成典型工况的多个运动学片段,拼接构成纯电动汽车典型行驶工况。
2.如权利要求1所述的方法,其特征在于,其中,基于所述行驶特征参数对所述多个运动学片段进行分类,确定每个所述运动学片段的行驶类别,包括:
对所述多个运动学片段的行驶特征参数进行一次聚类,确定每个所述运动学片段的驾驶风格类别,所述驾驶风格类别包括激进型驾驶风格和保守型驾驶风格;
对所述多个运动学片段的行驶特征参数进行二次聚类,确定每个所述运动学片段的驾驶速度类别,所述驾驶速度类别包括低速、中速和高速。
3.如权利要求2所述的方法,其特征在于,所述一次聚类中的行驶特征参数包括:加速度绝对值均值、加速度绝对值标准差、冲击度绝对值均值和冲击度绝对值标准差。
4.如权利要求2所述的方法,其特征在于,所述二次聚类中的行驶特征参数包括:运动学片段时间、包含怠速的平均速度、不包含怠速的平均速度、运行距离、最大车速、最大加速度、最大减速度、平均加速度、平均减速度、怠速时间比例、加速时间比例、减速时间比例、匀速时间比例和单位里程比能耗。
5.如权利要求2所述的方法,其特征在于,其中,对所述多个运动学片段的行驶特征参数进行一次聚类,确定每个所述运动学片段的驾驶风格类别,包括:
确定所述驾驶风格类别的个数;
采用基于种群的随机优化技术算法确定多个初始聚类中心,所述多个初始聚类中心的个数与所述驾驶风格类别的个数相同;所述基于种群的随机优化技术算法中采用交叉算子;
基于所述多个初始聚类中心,采用k-means聚类方法对所述多个运动学片段的行驶特征参数进行聚类,确定每个所述运动学片段的驾驶风格类别。
6.如权利要求2所述的方法,其特征在于,其中,对所述多个运动学片段的行驶特征参数进行二次聚类,确定每个所述运动学片段的驾驶速度类别,包括:
确定所述驾驶速度类别的个数;
采用基于种群的随机优化技术算法确定多个初始聚类中心,所述多个初始聚类中心的个数与所述驾驶速度类别的个数相同;所述基于种群的随机优化技术算法采用交叉算子;
基于所述多个初始聚类中心,采用k-means聚类方法对所述多个运动学片段的行驶特征参数进行聚类,确定每个所述运动学片段的驾驶速度类别。
7.如权利要求1所述的方法,其特征在于,其中,所述行驶特征参数包括:运动学片段时间、包含怠速的平均速度、不包含怠速的平均速度、运行距离、最大车速、最大加速度、最大减速度、平均加速度、平均减速度、怠速时间比例、加速时间比例、减速时间比例、匀速时间比例、单位里程比能耗、加速度绝对值均值、加速度绝对值标准差、冲击度绝对值均值和冲击度绝对值标准差。
8.如权利要求1所述的方法,其特征在于,其中,基于所述单位里程能耗比的权重和所述行驶特征参数,在属于同一个行驶类别的所述运动学片段中选择用于组成典型工况的多个运动学片段,包括:
确定每个行驶类别中的运动学片段的时间之和在所有运动学片段的总时间中的占比;
根据所述占比和典型工况的总时间,确定每个行驶类别对应的典型工况子时间;
针对每个行驶类别,根据每个运动学片段的单位里程能耗比的权重和行驶特征参数,计算每个运动学片段的参数累加值;
计算所述每个运动学片段的参数累加值与所述行驶类别中所有运动学片段的参数累加值的均值之间的误差;
根据所述误差和所述典型工况子时间,在所述行驶类别中的所述运动学片段中选择用于组成典型工况的多个运动学片段。
9.一种纯电动汽车典型行驶工况的构建装置,其特征在于,包括:
行驶数据获取模块,用于获取汽车在一段时间内的行驶数据,所述行驶数据包括所述汽车在每个时刻的速度数据;
运动学片段划分模块,用于将所述行驶数据划分为多个运动学片段;
行驶特征参数确定模块,用于确定每个所述运动学片段的行驶特征参数;所述行驶特征参数包括单位里程能耗比;
分类模块,用于基于所述行驶特征参数对所述多个运动学片段进行分类,确定每个所述运动学片段的行驶类别;每个所述运动学片段的行驶类别包括驾驶风格类别和驾驶速度类别;
典型工况片段选择模块,用于确定所述单位里程能耗比的权重,基于所述单位里程能耗比的权重和所述行驶特征参数,在属于同一个行驶类别的所述运动学片段中选择用于组成典型工况的多个运动学片段;
典型工况拼接模块,用于将每个所述行驶类别对应的所述组成典型工况的多个运动学片段,拼接构成纯电动汽车典型行驶工况。
10.如权利要求9所述的装置,其特征在于,所述分类模块,还用于:
对所述多个运动学片段的行驶特征参数进行一次聚类,确定每个所述运动学片段的驾驶风格类别,所述驾驶风格类别包括激进型驾驶风格和保守型驾驶风格;
对所述多个运动学片段的行驶特征参数进行二次聚类,确定每个所述运动学片段的驾驶速度类别,所述驾驶速度类别包括低速、中速和高速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211456569.XA CN115718886A (zh) | 2022-11-21 | 2022-11-21 | 纯电动汽车行驶工况的构建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211456569.XA CN115718886A (zh) | 2022-11-21 | 2022-11-21 | 纯电动汽车行驶工况的构建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115718886A true CN115718886A (zh) | 2023-02-28 |
Family
ID=85255757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211456569.XA Pending CN115718886A (zh) | 2022-11-21 | 2022-11-21 | 纯电动汽车行驶工况的构建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115718886A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859123A (zh) * | 2023-03-01 | 2023-03-28 | 太原理工大学 | 基于随机预测与机器学习的车辆行驶工况在线识别方法 |
-
2022
- 2022-11-21 CN CN202211456569.XA patent/CN115718886A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115859123A (zh) * | 2023-03-01 | 2023-03-28 | 太原理工大学 | 基于随机预测与机器学习的车辆行驶工况在线识别方法 |
CN115859123B (zh) * | 2023-03-01 | 2023-05-02 | 太原理工大学 | 基于随机预测与机器学习的车辆行驶工况在线识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107067722B (zh) | 一种车辆行驶工况构建方法 | |
CN109552338B (zh) | 一种纯电动汽车生态驾驶行为评估方法及系统 | |
CN110414584B (zh) | 汽车路谱聚类合成方法及系统 | |
CN111459995B (zh) | 一种基于驾驶数据的多模态车速预测方法 | |
CN110717147A (zh) | 一种构建汽车行驶工况的方法 | |
CN111126819B (zh) | 一种城市行驶工况智能分析方法 | |
CN107345860B (zh) | 基于时间序列数据挖掘的轨道车辆门亚健康状态识别方法 | |
CN113297795A (zh) | 一种纯电动汽车行驶工况构建方法 | |
CN113689594A (zh) | 一种新的汽车行驶工况构造方法 | |
CN109635852B (zh) | 一种基于多维属性的用户画像构建与聚类方法 | |
CN115718886A (zh) | 纯电动汽车行驶工况的构建方法及装置 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
CN113222385A (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN115935672A (zh) | 一种融合工况预测信息的燃料电池汽车能耗计算方法 | |
CN115186594A (zh) | 一种人-车-路耦合影响下的节能速度优化方法 | |
CN114817371A (zh) | 一种基于XGBoost的车辆行驶工况识别方法 | |
CN114526930A (zh) | 一种智能网联汽车故障检测方法及系统 | |
CN114048798A (zh) | 基于改进降噪自编码器的汽车行驶工况构建方法 | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN109408955A (zh) | 一种电动汽车的能耗分析方法及系统 | |
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 | |
Guo et al. | Application of PCA-K-means++ combination model to construction of light vehicle driving conditions in intelligent traffic | |
CN115688003A (zh) | 驾驶员识别方法、装置、计算机设备及可读存储介质 | |
Liang et al. | Application of SOM Neural Network in the Construction of Urban Ramp Driving Cycle | |
CN113610142A (zh) | 车辆行驶工况构建方法 |
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 |