CN117727111A - 一种车辆行驶工况合理性评价方法 - Google Patents
一种车辆行驶工况合理性评价方法 Download PDFInfo
- Publication number
- CN117727111A CN117727111A CN202311730525.6A CN202311730525A CN117727111A CN 117727111 A CN117727111 A CN 117727111A CN 202311730525 A CN202311730525 A CN 202311730525A CN 117727111 A CN117727111 A CN 117727111A
- Authority
- CN
- China
- Prior art keywords
- acceleration
- factor
- parameters
- characteristic
- vehicle speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000005265 energy consumption Methods 0.000 claims abstract description 43
- 238000000556 factor analysis Methods 0.000 claims abstract description 41
- 238000011156 evaluation Methods 0.000 claims abstract description 21
- 238000012216 screening Methods 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims description 87
- 239000011159 matrix material Substances 0.000 claims description 48
- 239000000446 fuel Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 33
- 238000012360 testing method Methods 0.000 claims description 24
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 7
- 230000001419 dependent effect Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000011869 Shapiro-Wilk test Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明公开了一种车辆行驶工况合理性评价方法,包括以下步骤:获取预设参数;筛选预设参数,选取特征参数;计算特征参数的权重,获取特征参数权重系数;根据特征参数权重系数评价行驶工况,获取评价工况合理性指标值。本发明在保证行驶工况充分反映车辆能耗特征的前提下,采用逐步回归方法剔除某些和能耗相关性较弱或者和其他参数相关性较弱的参数,有效保证了构建的工况的代表性,避免了无关参数的负面影响;提出的基于因子分析的加权均方根综合评价指标使得工况构建过程中某些关键参数值和对应的样本数据参数值之间偏差较小,而某些不太重要的参数允许保留较大偏差,在计算资源有限的前提下,充分保障了工况代表性。
Description
技术领域
本发明属于汽车技术领域,尤其涉及一种车辆行驶工况合理性评价方法。
背景技术
目前,车辆行驶工况在构建过程中通常以统计学特征参数作为工况合理性评价指标。通过对比工况和样本数据之间特征参数值的差异,可判断构建的工况能否反映某类型车辆在特定区域行驶的能耗、排放等特点。其中,平均车速、车速分布、加速度分布是构建工况时不可或缺的特征参数;同时,几何平均误差和算术平均误差常用于评价工况和样本数据之间的综合差异。
为保证行驶工况的代表性,构建工况时应尽可能充分地选取与能耗或排放等特征密切相关的参数,并采用合适的多指标综合评价方法建立相应的评价体系。现有工况构建相关专利普遍存在工况特征参数选取不合理、参数偏少的问题。
如发明专利CN113222385A,该专利以12个特征参数为工况评价指标构建行驶工况,但是缺乏功率和速度分布等和车辆综合能耗高度相关的参数;另外,选取的参数包括最大减速度、最大加速度、最高车速等表征车辆极限特征的参数,而此类参数不能反映样本数据的平均特征,使得构建的工况缺乏综合代表性。
除参数选取外,选择合适的多指标综合评价方法也是决定工况代表性的关键因素之一。针对行驶工况多评价指标的特点,相关研究通常采用几何平均法和算术平均法评价行驶工况和样本数据之间的综合偏差。
如发明专利CN111008505A将特征参数相对偏差的算数均值作为综合评价指标,然而不同特征参数和车辆能耗之间的相关性存在显著差异,为充分保证工况合理性,有必要根据参数和能耗之间相关性强弱设置不同的权重系数,使相关性较强的参数偏差较小。
所以,当前工况合理性评价体系存在两个主要问题:(1)参数选取缺乏充分依据;(2)评价方法未充分考虑不同参数和能耗的相关性强弱。
发明内容
为解决上述技术问题,本发明提供了一种车辆行驶工况合理性评价方法。
本发明通过以下技术方案得以实现。
本发明提供的一种车辆行驶工况合理性评价方法,包括以下步骤:
获取预设参数;
筛选预设参数,选取特征参数;
计算特征参数的权重,获取特征参数权重系数;
根据特征参数权重系数评价行驶工况,获取评价工况合理性指标值。
优选地,所述预设参数包括速度类别、加速度类别和功率特点类别;
所述速度类别包括平均车速Vm、平均运行车速Vmr、车速标准差Vsd、停车时间比例PTi、不同车速段时间比例;
所述加速度类别包括加速时间比例PTa、减速时间比例PTd、加速度标准差asd、加速段平均加速度减速段平均加速度/>加速段对应加速度标准差/>减速段对应加速度标准差/>平均相对加速度/>平均相对减速度/>
所述功率特点类别包括平均驱动功率平均制动功率/>
所述平均车速Vm为行程片段总里程和总时间的比值;
所述平均运行车速Vmr为车速值大于0.1km/h的行程片段总行驶里程和行驶时间的比值;
所述车速标准差Vsd为大于0.1km/h的车速值标准差;
所述停车时间比例PTi为小于0.1km/h的车速值时间占比;
所述不同车速段时间比例包括PT0_10、PT10_20、PT20_30、PT30_40、PT40_50、PT50_60、PT60_70、PT70_80、PT80_90、PT90_100、PT100_110、PT120+,分别为车速在(0.1,10]、(10,20]、(20,30]、(30,40]、(40,50]、(50,60]、(60,70]、(70,80]、(80,90]、(90,100]、(100,110]、(110,120]、(120,+∞]区间内的时间占比;
所述加速时间比例PTa为加速度大于0.01m/s2的行程片段对应时间占比;
所述减速时间比例PTd为加速度小于-0.01m/s2的行程片段对应时间占比;
所述加速度标准差asd为大于0.01m/s2、小于-0.01m/s2的加速度值标准差;
所述加速段平均加速度为连续的加速数据段中加速度大于0.01m/s2的加速度值均值;
所述减速段平均加速度为连续的减速数据段中加速度小于-0.01m/s2的加速度值均值;
所述加速段对应加速度标准差为连续的加速数据段中加速度大于0.01m/s2的加速度标准差;
所述减速段对应加速度标准差为连续的减速数据段中加速度小于-0.01m/s2的加速度标准差;
所述平均相对加速度的计算公式为:/>其中/>为加速度,单位为m/s2、A+为所有加速度序列号集合;
所述平均相对减速度的计算公式为:/>其中/>表示减速度,单位为m/s2、A-表示所有减速度序列号集合;
所述平均驱动功率的计算公式为/>其中/>为平均驱动需求功率,单位为kW、Ft_i表示i时刻车轮处驱动需求转矩,单位为Nm、F+为车辆驱动转矩集合、NF+为集合中下标值数量;
所述平均制动功率的计算公式为/>其中/>为平均制动需求功率,单位为kW、Ft_i表示i时刻车轮处驱动需求转矩,单位为Nm、F-为制动转矩下标值集合、NF-为集合中下标值数量;
其中,所述加速度由采集的车速值计算得到,计算过程如下:
其中,V为离散车速值、i为车速值序号、Td为车速采样时间步长。
优选地,所述筛选初始特征参数,选取特征参数具体步骤包括:
根据样本数据、SOC数据和油耗数据划分短行程,根据预设参数建立特征参数集;
计算短行程能耗;
基于线性回归方法验证特征参数充分性;
基于方差扩大因子法验证特征参数多重共线性;
根据短行程能耗、特征参数的充分性及多重共线性在特征参数集中剔除冗余特征参数;
其中,所述样本数据为反映车速和能耗的数据,对于纯电动车辆,样本数据包括同步采集的车速和实时SOC数据;对于传统燃油车,样本数据包括同步采集的车速和实时油耗数据;对于混合动力车辆,样本数据包括同步采集的车速、实时SOC和实时油耗数据。
优选地,所述根据样本数据、SOC数据和油耗数据划分短行程的划分规则为:
如果数据采集对象车辆为纯电动汽车或传统燃油车,对一条样本数据划分短行程的操作包括:以第一个车速为0的值为短行程起点,对应时刻为t0,等待达到搜索时间标准阈值后向后搜索,当再次出现0车速值后停止搜索,该车速值为短行程终点,对应时刻为tf,以tf为时间切割点,得到短行程;对剩余样本数据重复此步骤,将样本工况数据全部划分为m个短行程,同时得到相应的SOC或油耗片段;
如果数据采集对象车辆为混合动力车辆,对一条样本数据划分短行程的操作包括:一条样本数据从0车速值开始,对应时刻为t0,等待达到搜索时间标准阈值后向后搜索,当tf时刻出现满足车速为0且|SOC(tf)-SOC(t0)|<2%时,以tf为时间切割点,得到短行程;对剩余样本数据重复此步骤,将样本工况数据全部划分为m个短行程,同时得到相应的SOC或油耗片段。
优选地,所述计算短行程能耗的计算方法包括:
对于传统燃油车辆,直接根据采集的油耗片段计算每个短行程百公里油耗,油耗单位为L/100km;对于纯电动车辆,根据SOC片段中首末SOC偏差和电池容量计算电耗,电耗单位为kWh/100km;
对于混合动力车辆,根据重型混合动力电动汽车能量消耗量试验方法中综合燃料消耗的计算方法计算得到短行程对应综合油耗。
优选地,所述基于线性回归方法验证特征参数充分性具体步骤包括计算每个短行程特征参数值、建立所有特征参数关于短行程油耗或电耗的回归模型、采用R平方检验回归模型拟合优度、采用F检验验证回归模型显著性和分析回归残差分布特点;
所述根据短行程能耗、特征参数的充分性及多重共线性在特征参数集中剔除冗余特征参数采用逐步回归法剔除冗余特征参数。
优选地,所述计算特征参数的权重,获取特征参数权重系数具体步骤包括:
检验特征参数集中的特征参数采用因子分析法进行分析的可行性;
短行程数据标准化并建立因子分析一般形式;
根据因子分析一般形式确定因子个数并计算因子载荷矩阵,获取公因子数;
根据因子载荷矩阵和公因子数计算标准化后的特征参数的权重,获取标准化后的特征参数权重系数;
选取得到的特征参数集定义为Xs=[x1,x2,…,xs];
Xs标准化后参数序列记为对应数据标准差为σ=[σ1,σ2,…,σs]。
优选地,所述检验特征参数集中的特征参数采用因子分析法进行分析的可行性具体为:设置检验标准值,使用KMO检验分析特征参数集Xs中的特征参数是否适用于因子分析,如果KMO值小于检验标准值则特征参数集Xs中的特征参数不适用于因子分析,各特征参数权重系数相同,否则特征参数集Xs中的特征参数适用于因子分析,各特征参数权重系数不同;
所述数据标准化并建立因子分析一般形式具体为:将各短行程对应特征参数值和对应能耗值标准化,得到新的特征参数值矩阵和能耗值序列,建立因子分析一般形式;
所述特征参数值矩阵和能耗值序列表达式如下:
其中,X*中每一列数据为 满足/>
所述因子分析一般形式为X*=AF+ε,其中A=(aij)s×p为因子载荷矩阵、F=[f1,f1,…,fP]为公因子、ε为特殊因子;
所述公因子和所述特殊因子的关系为:cov(F,ε)=0,即公因子和特殊因子不相关;D(F)=Ip,即各公因子不相关且方差为1;即各因子不相关。
优选地,所述根据因子分析一般形式确定因子个数并计算因子载荷矩阵,获取公因子数具体为:定义参数序列对应共同度/>设置公因子数初步数目为s,使用主成分分析法计算得到因子载荷矩阵并确定因子个数,根据因子载荷矩阵获取各因子的方差贡献值,根据方差贡献值获取方差贡献率,根据方差贡献率获取目标公因子数;
所述根据方差贡献率获取目标公因子数具体为:将因子根据方差贡献率从大到小排列,得到F1,F2,…,Fs,共s个公因子,此时特殊因子ε为0,设置累计贡献率标准阈值,以累计贡献率标准阈值为因子筛选条件,当s个公因子中前p个公因子对应方差贡献率之和大于等于累计贡献率标准阈值时,取p为目标公因子数;
所述所述根据因子载荷矩阵和公因子数计算标准化后的特征参数的权重,获取标准化后的特征参数权重系数具体为:使用主因子法根据公因子数计算获取载荷矩阵As×p,使用巴特莱特法根据载荷矩阵As×p计算获取因子得分矩阵Bp×s,根据得分矩阵Bp×s计算获取中各特征参数权重系数;
所述计算获取中各特征参数权重系数表达式如下:
其中,λ为特征参数权重系数序列,λ=[λ1,λ2,…,λs]、Pc为因子贡献率序列,Pc=[Pc1,Pc2,…,Pcp]、(Bp×s)T为因子得分矩阵Bp×s。
优选地,所述根据特征参数权重系数评价行驶工况具体为:以加权均方根偏差L作为评价工况合理性指标,L越小工况代表性越好;
所述均方根偏差L表达式如下:
其中,L为均方根偏差、λ1,λ2,…,λs为特征参数权重系数、 为总体样本数据s个特征参数值;如果特征参数不满足因子分析,各特征参数权重系数相等,均为1/s。
本发明的有益效果在于:
1、在保证行驶工况充分反映车辆能耗特征的前提下,采用逐步回归方法剔除某些和能耗相关性较弱或者和其他参数相关性较弱的参数,有效保证了构建的工况的代表性,避免了无关参数的负面影响;
2、提出的基于因子分析的加权均方根综合评价指标使得工况构建过程中某些关键参数值和对应的样本数据参数值之间偏差较小,而某些不太重要的参数允许保留较大偏差,在计算资源有限的前提下,充分保障了工况代表性。
附图说明
图1是本发明实施例的方法流程图;
图2是本发明实施例的筛选初始特征参数步骤流程图;
图3是本发明实施例的计算特征参数的权重步骤流程图;
图4是本发明实施例的逐步回归分析流程图。
具体实施方式
下面进一步描述本发明的技术方案,但要求保护的范围并不局限于所述。
如图1所示,一种车辆行驶工况合理性评价方法,包括以下步骤:
获取预设参数;
所述预设参数共有K个;
本实施例中,K=35,如下表所示:
所述预设参数包括速度类别、加速度类别和功率特点类别;尽管部分衍生参数之间有一定的相似性,但可以从多个角度反映能耗与工况之间的联系,有利于提高工况的合理性。
所述速度类别包括平均车速Vm、平均运行车速Vmr、车速标准差Vsd、停车时间比例PTi、不同车速段时间比例;
所述加速度类别包括加速时间比例PTa、减速时间比例PTd、加速度标准差asd、加速段平均加速度减速段平均加速度/>加速段对应加速度标准差/>减速段对应加速度标准差/>平均相对加速度/>平均相对减速度/>
所述功率特点类别包括平均驱动功率平均制动功率/>
所述平均车速Vm为行程片段总里程和总时间的比值;
所述平均运行车速Vmr为车速值大于0.1km/h的行程片段总行驶里程和行驶时间的比值;
所述车速标准差Vsd为大于0.1km/h的车速值标准差;
所述停车时间比例PTi为小于0.1km/h的车速值时间占比;
所述不同车速段时间比例包括PT0_10、PT10_20、PT20_30、PT30_40、PT40_50、PT50_60、PT60_70、PT70_80、PT80_90、PT90_100、PT100_110、PT120+,分别为车速在(0.1,10]、(10,20]、(20,30]、(30,40]、(40,50]、(50,60]、(60,70]、(70,80]、(80,90]、(90,100]、(100,110]、(110,120]、(120,+∞]区间内的时间占比;
所述加速时间比例PTa为加速度大于0.01m/s2的行程片段对应时间占比;
所述减速时间比例PTd为加速度小于-0.01m/s2的行程片段对应时间占比;
所述加速度标准差asd为大于0.01m/s2、小于-0.01m/s2的加速度值标准差;
所述加速段平均加速度为连续的加速数据段中加速度大于0.01m/s2的加速度值均值;
所述减速段平均加速度为连续的减速数据段中加速度小于-0.01m/s2的加速度值均值;
所述加速段对应加速度标准差为连续的加速数据段中加速度大于0.01m/s2的加速度标准差;
所述减速段对应加速度标准差为连续的减速数据段中加速度小于-0.01m/s2的加速度标准差;
所述平均相对加速度的计算公式为:/>其中/>为加速度,单位为m/s2、A+为所有加速度序列号集合;
所述平均相对减速度的计算公式为:/>其中/>表示减速度,单位为m/s2、A-表示所有减速度序列号集合;
所述平均驱动功率的计算公式为/>其中/>为平均驱动需求功率,单位为kW、Ft_i表示i时刻车轮处驱动需求转矩,单位为Nm、F+为车辆驱动转矩集合、NF+为集合中下标值数量;
所述平均制动功率的计算公式为/>其中/>为平均制动需求功率,单位为kW、Ft_i表示i时刻车轮处驱动需求转矩,单位为Nm、F-为制动转矩下标值集合、NF-为集合中下标值数量;
其中,所述加速度由采集的车速值计算得到,计算过程如下:
其中,V为离散车速值、i为车速值序号、Td为车速采样时间步长。
筛选初始特征参数,选取特征参数;
如图2所示,所述筛选初始特征参数,选取特征参数具体步骤包括:
根据样本数据、SOC数据和油耗数据划分短行程,根据预设参数建立特征参数集;
其中,所述样本数据为反映车速和能耗的数据,对于纯电动车辆,样本数据包括同步采集的车速和实时SOC数据;对于传统燃油车,样本数据包括同步采集的车速和实时油耗数据;对于混合动力车辆,样本数据包括同步采集的车速、实时SOC和实时油耗数据。
所述根据样本数据、SOC数据和油耗数据划分短行程的划分规则为:
如果数据采集对象车辆为纯电动汽车或传统燃油车,对一条样本数据划分短行程的操作包括:以第一个车速为0的值为短行程起点,对应时刻为t0,等待达到搜索时间标准阈值后向后搜索,当再次出现0车速值后停止搜索,该车速值为短行程终点,对应时刻为tf,以tf为时间切割点,得到短行程;对剩余样本数据重复此步骤,将样本工况数据全部划分为m个短行程,同时得到相应的SOC或油耗片段;
如果数据采集对象车辆为混合动力车辆,对一条样本数据划分短行程的操作包括:一条样本数据从0车速值开始,对应时刻为t0,等待达到搜索时间标准阈值后向后搜索,当tf时刻出现满足车速为0且|SOC(tf)-SOC(t0)|<2%时,以tf为时间切割点,得到短行程;对剩余样本数据重复此步骤,将样本工况数据全部划分为m个短行程,同时得到相应的SOC或油耗片段。
当SOC偏差大于2%时可能导致综合油耗计算结果存在较大偏差。
本实施例中,搜索时间标准阈值设置为500s;
计算短行程能耗;
所述计算短行程能耗的计算方法包括:
对于传统燃油车辆,直接根据采集的油耗片段计算每个短行程百公里油耗,油耗单位为L/100km;对于纯电动车辆,根据SOC片段中首末SOC偏差和电池容量计算电耗,电耗单位为kWh/100km;
对于混合动力车辆,根据重型混合动力电动汽车能量消耗量试验方法(GB/T19754-2021)中综合燃料消耗的计算方法计算得到短行程对应综合油耗。
基于线性回归方法验证特征参数充分性;
车辆油耗和车速分布、加速度特征、加速度变化率、功率特征、怠速时长等特征密切相关,且呈现出一定的线性相关性,因此本发明以线性回归的方式验证选取的特征参数是否足够用于评价车辆油耗特征。
所述基于线性回归方法验证特征参数充分性具体步骤包括计算每个短行程特征参数值、建立所有特征参数关于短行程油耗或电耗的回归模型、采用R平方检验回归方程拟合优度、采用F检验验证回归模型显著性和分析回归残差分布特点;
所述回归模型具体表达式为 其中,/>为油耗或电耗回归值、β0为回归常值、x1,x2…xK为特征参数、β1,β2…βK为回归系数;
所述采用R平方检验回归方程拟合优度具体为:设置R平方标准阈值,当R平方值大于R平方标准阈值时,认为回归模型具有较好的拟合优度;
本实施例中,R平方标准阈值为0.9;
所述采用F检验验证回归模型显著性具体为构造F统计量,设置显著性水平值,得到F检验临界值FC,比较F和FC大小,当FC<<F时,拒绝原假设,线性关系显著成立;所述构造F统计量具体表达式为 其中,F为构造的统计量、SSE表示残差平方和、SSR表示回归平方和、m为短行程数量、k为特征参数数量;
所述分析回归残差分布特点具体为:设置正态分布标准阈值,计算回归残差均值,若残差均值大于10-7,则认为残差均值近似为0;进一步检验残差分布的正态性,当m≤正态分布样本数阈值时,采用Shapiro-Wilk检验,当m>正态分布样本数阈值时,采用Kolmogorov–Smirnov检验;检验过程中以显著性水平值检验分布的正态性,若显著性大于显著性水平值,接受原假设,认为残差分布满足正态分布;
本实施例中,正态分布样本数阈值为5000,显著性水平值为0.05;
基于方差扩大因子法(VIF)验证特征参数多重共线性;
所述基于方差扩大因子法验证特征参数多重共线性的目的在于确定是否需要剔除冗余变量;
所述方差扩大因子法VIF定义式为:其中,/>为第i个变量xi与其他全部Xj(i=1,2,…,i≠j)的复相关系数;当某个参数VIF值大于VIF标准阈值时,回归模型存在显著的多重共线性,需要剔除多余的特征参数。
本实施例中,VIF标准阈值为30;
根据短行程能耗、特征参数的充分性及多重共线性在特征参数集中剔除冗余特征参数;
传统的变量筛选方法有前进选择法、后退剔除法、逐步回归法。前向筛选法计算量少,但是最终筛选的特征参数可能包含一些对能耗影响较小的变量,容易导致保留得参数过多;后退法则相反,变量一旦被剔除后就不会再加入,容易导致保留得参数过少;逐步回归法是将前述两种方法结合的一种双向筛选方法,能够避免陷入局部最优的困境,得到了广泛应用。
如图4所示,所述剔除冗余特征参数具体步骤为:
定义显著性水平:定义变量引入和剔除时的显著性水平αin和αout,其中αin≤αout;
本实施例中αin和αout分别为0.05和0.1;
计算偏F统计量:从剩余变量集合Xr中逐一选择变量与已筛选变量集合Xs建立关于因变量y的回归方程,计算各回归方程的偏F统计量,进入前向选择环节;所述偏F统计量表达式为 其中,/>表示包含k个特征参数的回归方程在引入第j个参数后,SSR(βj|β0,β1,…,βj-1,βj+1,…,βk)表示包含系数β0,β1,…,βj-1,βj+1,…,βk的回归方程引入βj后导致的回归平方和(SSR)变化量;
前向选择环节:得到回归方程引入不同参数后的F值,令最大F值为Fmax,同时查表得到临界F值F(αin,m-k-2),,其中,参数m为短行程个数,n为特征参数数量,k表示已筛选变量个数;如果Fmax≥F(αin,m-k-2),则认为Fmax对应自变量对因变量y的回归效果显著,将该自变量引入Xs,完成一次前向选择,重复上述步骤,直到某一组待入选参数对应的F统计量均小于F(αin,m-k-2)或没有剩余参数可入选时进入后向剔除环节;
后向剔除环节:建立已筛选变量Xs关于因变量y的回归方程,对回归系数进行F检验,取最小F检验值Fmin和F(αout,m-k-2)比较;如果Fmin≤F(αout,m-k-2),则认为Fmin对应自变量对因变量y回归效果不显著,将该自变量从Xs中剔除,完成一次后向剔除,进行下一次变量剔除;否则认为Fmin对应自变量对因变量y有显著影响,停止剔除变量,再次进入前向选择环节;
当Xs变为空集且各变量均不满足剔除条件时,变量筛选过程结束;
选取得到的特征参数集定义为Xs=[x1,x2,…,xs];
Xs标准化后参数序列记为对应数据标准差为σ=[σ1,σ2,…,σs]。/>
计算特征参数的权重,获取特征参数权重系数;
如图3所示,所述计算特征参数的权重,获取特征参数权重系数具体步骤包括:
检验特征参数集中的特征参数采用因子分析法进行分析的可行性;
所述检验特征参数集中的特征参数采用因子分析法进行分析的可行性具体为:设置检验标准值,使用KMO检验分析特征参数集Xs中的特征参数是否适用于因子分析,如果KMO值小于检验标准值则特征参数集Xs中的特征参数不适用于因子分析,各特征参数权重系数相同,否则特征参数集Xs中的特征参数适用于因子分析,各特征参数权重系数不同;
短行程数据标准化并建立因子分析一般形式;
所述数据标准化并建立因子分析一般形式具体为:将各短行程对应特征参数值和对应能耗值标准化,得到新的特征参数值矩阵和能耗值序列,建立因子分析一般形式;
所述特征参数值矩阵和能耗值序列表达式如下:
其中,X*中每一列数据为 满足/>
所述因子分析一般形式为X*=AF+ε,其中A=(aij)s×p为因子载荷矩阵、F=[f1,f1,…,fP]为公因子、ε为特殊因子;
所述公因子和所述特殊因子的关系为:cov(F,ε)=0,即公因子和特殊因子不相关;D(F)=Ip,即各公因子不相关且方差为1;即各因子不相关。
根据因子分析一般形式确定因子个数并计算因子载荷矩阵,获取公因子数;
因子数可根据经验、因子特征值、碎石图、因子能解释的累计方差和特征值统计显著性检验确定。本发明根据解释方差比例确定因子数。
载荷矩阵有多种计算方法,包括用主成分分析法、主因子分析法、最小二乘法、极大似然法等多种方法。其中使用较普遍的是主成分分析法和主因子分析法。主成分分析法较为简单,但是该方法得到的特殊因子之间并不独立,因此采用主成分分析法确定因子载荷可能会有较大误差。
所述根据因子分析一般形式确定因子个数并计算因子载荷矩阵,获取公因子数具体为:定义参数序列对应共同度/>设置公因子数初步数目为s,使用主成分分析法计算得到因子载荷矩阵并确定因子个数,根据因子载荷矩阵获取各因子的方差贡献值,根据方差贡献值获取方差贡献率,根据方差贡献率获取目标公因子数;
所述定义参数序列对应共同度/>中参数/>对应共同度/>表达式如下:
其中,指变量方差中由公因子决定的比例,代表了变量/>对公因子依赖程度、aij为因子载荷,是/>与第j个公共因子的相关系数;/>越接近1,公因子对变量解释性越好。/>
对于主成分分析法,只有当较大时,因子载荷误差较小。这是因为此时特殊因子作用小,其相关性对因子载荷影响较小。
基于上述分析,本发明采用主成分分析法求解因子载荷矩阵并确定因子个数;计算得到载荷矩阵后,进一步计算各因子的方差贡献率。
所述方差贡献表达式如下:
其中,表示第j个因子的方差贡献;
所述方差贡献率表达式如下:
其中,Pc,j表示第j个因子的方差贡献率;
所述根据方差贡献率获取目标公因子数具体为:将因子根据方差贡献率从大到小排列,得到F1,F2,…,Fs,共s个公因子,此时特殊因子ε为0,设置累计贡献率标准阈值,以累计贡献率标准阈值为因子筛选条件,当s个公因子中前p个公因子对应方差贡献率之和大于等于累计贡献率标准阈值时,取p为目标公因子数;
本实施例中,累计贡献率标准阈值为80%;
所述所述根据因子载荷矩阵和公因子数计算标准化后的特征参数的权重,获取标准化后的特征参数权重系数具体为:根据公因子数使用主因子法计算获取载荷矩阵As×p,基于载荷矩阵As×p使用巴特莱特法计算获取因子得分矩阵Bp×s,根据得分矩阵Bp×s计算获取中各特征参数权重系数;
所述得分矩阵Bp×s表达式如下:
其中,b为得分系数;
所述根据得分矩阵Bp×s计算获取中各特征参数权重系数具体为计算因子F1,F2,…,Fp分别对方差贡献率和各因子累计贡献率,进而计算获取各特征参数权重系数;
根据因子载荷矩阵和公因子数计算标准化后的特征参数的权重,获取标准化后的特征参数权重系数;
所述计算获取中各特征参数权重系数表达式如下:
其中,λ为特征参数权重系数序列,λ=[λ1,λ2,…,λs]、Pc为因子贡献率序列,Pc=[Pc1,Pc2,…,Pcp]、(Bp×s)T为因子得分矩阵Bp×s。
根据特征参数权重系数评价行驶工况。
所述根据特征参数权重系数评价行驶工况具体为:以加权均方根偏差L作为评价工况合理性指标,L越小工况代表性越好;
所述均方根偏差L表达式如下:
其中,L为均方根偏差、λ1,λ2,…,λs为特征参数权重系数、 为总体样本数据s个特征参数值;如果特征参数不满足因子分析,各特征参数权重系数相等,均为1/s。
本发明基于样本数据短行程能耗和特征参数值,结合逐步回归方法提出一种特征参数筛选方法,为构建面向能耗特征的行驶工况提供了参数筛选依据;
采用因子分析法从特征参数中提取影响能耗的因子,进而根据因子得分矩阵量化得到各特征参数和短行程能耗之间的相关性,进而建立基于加权均方根的行驶工况合理性综合评价指标,有效提升了行驶工况的能耗的代表性。
Claims (10)
1.一种车辆行驶工况合理性评价方法,其特征在于,包括以下步骤:
获取预设参数;
筛选预设参数,选取特征参数;
计算特征参数的权重,获取特征参数权重系数;
根据特征参数权重系数评价行驶工况,获取评价工况合理性指标值。
2.如权利要求1所述的评价方法,其特征在于,所述预设参数包括速度类别、加速度类别和功率特点类别;
所述速度类别包括平均车速Vm、平均运行车速Vmr、车速标准差Vsd、停车时间比例PTi、不同车速段时间比例;
所述加速度类别包括加速时间比例PTa、减速时间比例PTd、加速度标准差asd、加速段平均加速度减速段平均加速度/>加速段对应加速度标准差/>减速段对应加速度标准差平均相对加速度/>平均相对减速度/>
所述功率特点类别包括平均驱动功率平均制动功率/>
所述平均车速Vm为行程片段总里程和总时间的比值;
所述平均运行车速Vmr为车速值大于0.1km/h的行程片段总行驶里程和行驶时间的比值;
所述车速标准差Vsd为大于0.1km/h的车速值标准差;
所述停车时间比例PTi为小于0.1km/h的车速值时间占比;
所述不同车速段时间比例包括PT0_10、PT10_20、PT20_30、PT30_40、PT40_50、PT50_60、PT60_70、PT70_80、PT80_90、PT90_100、PT100_110、PT120+,分别为车速在(0.1,10]、(10,20]、(20,30]、(30,40]、(40,50]、(50,60]、(60,70]、(70,80]、(80,90]、(90,100]、(100,110]、(110,120]、(120,+∞]区间内的时间占比;
所述加速时间比例PTa为加速度大于0.01m/s2的行程片段对应时间占比;
所述减速时间比例PTd为加速度小于-0.01m/s2的行程片段对应时间占比;
所述加速度标准差asd为大于0.01m/s2、小于-0.01m/s2的加速度值标准差;
所述加速段平均加速度为连续的加速数据段中加速度大于0.01m/s2的加速度值均值;
所述减速段平均加速度为连续的减速数据段中加速度小于-0.01m/s2的加速度值均值;
所述加速段对应加速度标准差为连续的加速数据段中加速度大于0.01m/s2的加速度标准差;
所述减速段对应加速度标准差为连续的减速数据段中加速度小于-0.01m/s2的加速度标准差;
所述平均相对加速度的计算公式为:/>其中/>为加速度,单位为m/s2、A+为所有加速度序列号集合;
所述平均相对减速度的计算公式为:/>其中/>表示减速度,单位为m/s2、A-表示所有减速度序列号集合;
所述平均驱动功率的计算公式为/>其中/>为平均驱动需求功率,单位为kW、Ft_i表示i时刻车轮处驱动需求转矩,单位为Nm、F+为车辆驱动转矩集合、NF+为集合中下标值数量;
所述平均制动功率的计算公式为/>其中/>为平均制动需求功率,单位为kW、Ft_i表示i时刻车轮处驱动需求转矩,单位为Nm、F-为制动转矩下标值集合、NF-为集合中下标值数量;
其中,所述加速度由采集的车速值计算得到,计算过程如下:
其中,V为离散车速值、i为车速值序号、Td为车速采样时间步长。
3.如权利要求1所述的评价方法,其特征在于,所述筛选初始特征参数,选取特征参数具体步骤包括:
根据样本数据、SOC数据和油耗数据划分短行程,根据预设参数建立特征参数集;
计算短行程能耗;
基于线性回归方法验证特征参数充分性;
基于方差扩大因子法验证特征参数多重共线性;
根据短行程能耗、特征参数的充分性及多重共线性在特征参数集中剔除冗余特征参数;
其中,所述样本数据为反映车速和能耗的数据,对于纯电动车辆,样本数据包括同步采集的车速和实时SOC数据;对于传统燃油车,样本数据包括同步采集的车速和实时油耗数据;对于混合动力车辆,样本数据包括同步采集的车速、实时SOC和实时油耗数据。
4.如权利要求3所述的评价方法,其特征在于,所述根据样本数据、SOC数据和油耗数据划分短行程的划分规则为:
如果数据采集对象车辆为纯电动汽车或传统燃油车,对一条样本数据划分短行程的操作包括:以第一个车速为0的值为短行程起点,对应时刻为t0,等待达到搜索时间标准阈值后向后搜索,当再次出现0车速值后停止搜索,该车速值为短行程终点,对应时刻为tf,以tf为时间切割点,得到短行程;对剩余样本数据重复此步骤,将样本工况数据全部划分为m个短行程,同时得到相应的SOC或油耗片段;
如果数据采集对象车辆为混合动力车辆,对一条样本数据划分短行程的操作包括:一条样本数据从0车速值开始,对应时刻为t0,等待达到搜索时间标准阈值后向后搜索,当tf时刻出现满足车速为0且|SOC(tf)-SOC(t0)|<2%时,以tf为时间切割点,得到短行程;对剩余样本数据重复此步骤,将样本工况数据全部划分为m个短行程,同时得到相应的SOC或油耗片段。
5.如权利要求4所述的评价方法,其特征在于,所述计算短行程能耗的计算方法包括:
对于传统燃油车辆,直接根据采集的油耗片段计算每个短行程百公里油耗,油耗单位为L/100km;对于纯电动车辆,根据SOC片段中首末SOC偏差和电池容量计算电耗,电耗单位为kWh/100km;
对于混合动力车辆,根据重型混合动力电动汽车能量消耗量试验方法中综合燃料消耗的计算方法计算得到短行程对应综合油耗。
6.如权利要求3所述的评价方法,其特征在于,所述基于线性回归方法验证特征参数充分性具体步骤包括计算每个短行程特征参数值、建立所有特征参数关于短行程油耗或电耗的回归模型、采用R平方检验回归模型拟合优度、采用F检验验证回归模型显著性和分析回归残差分布特点;
所述根据短行程能耗、特征参数的充分性及多重共线性在特征参数集中剔除冗余特征参数采用逐步回归法剔除冗余特征参数。
7.如权利要求1所述的评价方法,其特征在于,所述计算特征参数的权重,获取特征参数权重系数具体步骤包括:
检验特征参数集中的特征参数采用因子分析法进行分析的可行性;
短行程数据标准化并建立因子分析一般形式;
根据因子分析一般形式确定因子个数并计算因子载荷矩阵,获取公因子数;
根据因子载荷矩阵和公因子数计算标准化后的特征参数的权重,获取标准化后的特征参数权重系数;
选取得到的特征参数集定义为Xs=[x1,x2,…,xs];
Xs标准化后参数序列记为对应数据标准差为σ=[σ1,σ2,…,σs]。
8.如权利要求7所述的评价方法,其特征在于,所述检验特征参数集中的特征参数采用因子分析法进行分析的可行性具体为:设置检验标准值,使用KMO检验分析特征参数集Xs中的特征参数是否适用于因子分析,如果KMO值小于检验标准值则特征参数集Xs中的特征参数不适用于因子分析,各特征参数权重系数相同,否则特征参数集Xs中的特征参数适用于因子分析,各特征参数权重系数不同;
所述数据标准化并建立因子分析一般形式具体为:将各短行程对应特征参数值和对应能耗值标准化,得到新的特征参数值矩阵和能耗值序列,建立因子分析一般形式;
所述特征参数值矩阵和能耗值序列表达式如下:
其中,X*中每一列数据为 满足/>
所述因子分析一般形式为X*=AF+ε,其中A=(aij)s×p为因子载荷矩阵、F=[f1,f1,…,fP]为公因子、ε为特殊因子;
所述公因子和所述特殊因子的关系为:cov(F,ε)=0,即公因子和特殊因子不相关;D(F)=Ip,即各公因子不相关且方差为1;
即各因子不相关。
9.如权利要求7所述的评价方法,其特征在于,所述根据因子分析一般形式确定因子个数并计算因子载荷矩阵,获取公因子数具体为:定义参数序列对应共同度/>设置公因子数初步数目为s,使用主成分分析法计算得到因子载荷矩阵并确定因子个数,根据因子载荷矩阵获取各因子的方差贡献值,根据方差贡献值获取方差贡献率,根据方差贡献率获取目标公因子数;
所述根据方差贡献率获取目标公因子数具体为:将因子根据方差贡献率从大到小排列,得到F1,F2,…,Fs,共s个公因子,此时特殊因子ε为0,设置累计贡献率标准阈值,以累计贡献率标准阈值为因子筛选条件,当s个公因子中前p个公因子对应方差贡献率之和大于等于累计贡献率标准阈值时,取p为目标公因子数;
所述所述根据因子载荷矩阵和公因子数计算标准化后的特征参数的权重,获取标准化后的特征参数权重系数具体为:使用主因子法根据公因子数计算获取载荷矩阵As×p,使用巴特莱特法根据载荷矩阵As×p计算获取因子得分矩阵Bp×s,根据得分矩阵Bp×s计算获取中各特征参数权重系数;
所述计算获取中各特征参数权重系数表达式如下:
其中,λ为特征参数权重系数序列,λ=[λ1,λ2,…,λs]、Pc为因子贡献率序列,Pc=[Pc1,Pc2,…,Pcp]、(Bp×s)T为因子得分矩阵Bp×s。
10.如权利要求1所述的评价方法,其特征在于,所述根据特征参数权重系数评价行驶工况具体为:以加权均方根偏差L作为评价工况合理性指标,L越小工况代表性越好;
所述均方根偏差L表达式如下:
其中,L为均方根偏差、λ1,λ2,…,λs为特征参数权重系数、 为总体样本数据s个特征参数值;如果特征参数不满足因子分析,各特征参数权重系数相等,均为1/s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311730525.6A CN117727111A (zh) | 2023-12-15 | 2023-12-15 | 一种车辆行驶工况合理性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311730525.6A CN117727111A (zh) | 2023-12-15 | 2023-12-15 | 一种车辆行驶工况合理性评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117727111A true CN117727111A (zh) | 2024-03-19 |
Family
ID=90199376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311730525.6A Pending CN117727111A (zh) | 2023-12-15 | 2023-12-15 | 一种车辆行驶工况合理性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117727111A (zh) |
-
2023
- 2023-12-15 CN CN202311730525.6A patent/CN117727111A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107085768B (zh) | 一种用于评价汽车使用可靠性的方法 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
CN110609233A (zh) | 一种基于大数据进行储能电池soh预测的方法 | |
CN109635852B (zh) | 一种基于多维属性的用户画像构建与聚类方法 | |
CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
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 | |
CN110728421A (zh) | 一种基于充电需求大数据的路网充电优化方法 | |
CN114821854B (zh) | 一种工况切换对车辆油耗影响评估方法 | |
CN116150572A (zh) | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 | |
Li et al. | A novel method for lithium-ion battery fault diagnosis of electric vehicle based on real-time voltage | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN112836967B (zh) | 新能源汽车电池安全风险评估系统 | |
CN112622914B (zh) | 新能源汽车行车安全状态辨识系统 | |
CN113918890A (zh) | 一种基于移动窗口库的低负荷工况构建方法 | |
CN113128120A (zh) | 一种汽车起重机典型行驶工况构建方法 | |
CN117727111A (zh) | 一种车辆行驶工况合理性评价方法 | |
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 | |
CN117147166A (zh) | 一种发动机标定方法、装置、电子设备及存储介质 | |
CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
Zhou et al. | Objective evaluation of drivability in passenger cars with dual-clutch transmission: a case study of static gearshift condition | |
CN115718886A (zh) | 纯电动汽车行驶工况的构建方法及装置 | |
CN114545276A (zh) | 基于容量测试与车联网大数据的动力电池寿命预测方法 |
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 |