基于GPRS的電動(dòng)汽車(chē)道路行駛工況自學(xué)習(xí)

莊繼暉，謝 輝，嚴(yán) 英

(天津大學(xué)內(nèi)燃機(jī)燃燒學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300072)

汽車(chē)行駛工況是針對(duì)某一類(lèi)型的車(chē)輛(如轎車(chē)、輕型車(chē)、重型車(chē)等)指定用來(lái)代表在特定環(huán)境(如城區(qū)、郊區(qū))的車(chē)輛行駛車(chē)速-時(shí)間歷程[1]．受到道路特征、地理特征以及交通流量等因素的影響，使得不同地區(qū)和典型城市的行駛工況具有不同的特點(diǎn)．通過(guò)獲取和分析汽車(chē)的行駛工況能夠?yàn)榭疾燔?chē)輛在某一地區(qū)的排放水平和能量消耗分布提供數(shù)據(jù)依據(jù)；同時(shí)對(duì)車(chē)輛動(dòng)力系統(tǒng)匹配以及控制策略的優(yōu)化具有重要的指導(dǎo)作用．

電動(dòng)汽車(chē)作為新能源動(dòng)力車(chē)輛，具有高效、節(jié)能、零排放等特點(diǎn)，為環(huán)保和節(jié)能提供了全新的途徑．在研制符合環(huán)保法規(guī)要求的電動(dòng)汽車(chē)的過(guò)程中，對(duì)道路行駛工況的開(kāi)發(fā)研究是一個(gè)重要環(huán)節(jié)．目前我國(guó)輕型車(chē)采用的測(cè)試循環(huán)是歐洲的行駛工況 ECE15+EUDC[2]，但是我國(guó)各城市交通狀況以及道路狀況等與歐洲國(guó)家存在著不同的差異，因此研究符合我國(guó)交通特征的車(chē)輛實(shí)際行駛工況具有重要的意義．一般來(lái)說(shuō)，車(chē)輛道路行駛工況的開(kāi)發(fā)包括試驗(yàn)規(guī)劃、數(shù)據(jù)采集、數(shù)據(jù)分析和工況驗(yàn)證4個(gè)過(guò)程[3-4]．在數(shù)據(jù)采集過(guò)程中，通常采用車(chē)載數(shù)據(jù)記錄儀或者 GPS導(dǎo)航儀等設(shè)備來(lái)獲得車(chē)速等數(shù)據(jù)．車(chē)載數(shù)據(jù)記錄儀能夠獲得精度和準(zhǔn)確度較高的數(shù)據(jù)，但是受存儲(chǔ)空間的限制，不適合車(chē)輛數(shù)據(jù)的長(zhǎng)時(shí)間連續(xù)記錄；而 GPS導(dǎo)航儀由于 GPS信號(hào)漂移等原因會(huì)給車(chē)速的測(cè)量帶來(lái)一定的誤差．為此，筆者提出了一種基于 GPRS的遠(yuǎn)程采集道路行駛工況數(shù)據(jù)的方法；并利用自組織映射(self-organizing map，SOM)網(wǎng)絡(luò)對(duì)車(chē)輛的運(yùn)動(dòng)學(xué)片段進(jìn)行聚類(lèi)，獲得與實(shí)際運(yùn)行中交通狀況相對(duì)應(yīng)的類(lèi)集合；最后運(yùn)用主要特征參數(shù)構(gòu)造出適用的、時(shí)間序列較短的行駛工況，從而實(shí)現(xiàn)對(duì)電動(dòng)汽車(chē)道路行駛工況的自學(xué)習(xí)．

1 基于GPRS的遠(yuǎn)程數(shù)據(jù)采集

行駛工況自學(xué)習(xí)流程如圖1所示.

圖1 行駛工況自學(xué)習(xí)流程Fig.1 Process of self-learning of driving cycle

通用分組無(wú)線業(yè)務(wù)GPRS采用分組交換技術(shù)，特別適用于間斷的、突發(fā)性的和頻繁的、點(diǎn)多分散、中小流量的數(shù)據(jù)傳輸[5]，因此 GPRS能夠很好地滿(mǎn)足電動(dòng)汽車(chē)行駛工況數(shù)據(jù)遠(yuǎn)程采集的需要．整個(gè)系統(tǒng)結(jié)構(gòu)如圖2所示．

圖2 遠(yuǎn)程數(shù)據(jù)采集系統(tǒng)Fig.2 Structure of remote data collection system

遠(yuǎn)程數(shù)據(jù)采集原理如下：首先車(chē)載數(shù)據(jù)采集終端的CAN模塊通過(guò)CAN總線與電動(dòng)汽車(chē)主控制器進(jìn)行數(shù)據(jù)交換，獲得車(chē)速和車(chē)輛運(yùn)行狀態(tài)信息，并將獲得的數(shù)據(jù)按照通信協(xié)議進(jìn)行數(shù)據(jù)打包成PDU分組數(shù)據(jù)單元；接著 PDU被傳送到 GSM 網(wǎng)絡(luò)中車(chē)載數(shù)據(jù)采集終端所處的服務(wù)GSN(serving GSN，SGSN)[6-7]；最后 SGSN把數(shù)據(jù)傳送到網(wǎng)關(guān) GSN(gateway GSN，GGSN)，GGSN 將收到的數(shù)據(jù)進(jìn)行解封裝處理，轉(zhuǎn)換為可在 Internet中傳送的格式，最終采集數(shù)據(jù)被連接到 Internet上的中央數(shù)據(jù)庫(kù)服務(wù)器接收，完成整個(gè)基于 GPRS遠(yuǎn)程數(shù)據(jù)采集的過(guò)程．遠(yuǎn)程采集的數(shù)據(jù)存儲(chǔ)在中央數(shù)據(jù)庫(kù)服務(wù)器中，必須對(duì)原始數(shù)據(jù)進(jìn)行處理和解析，才能構(gòu)建出車(chē)輛的實(shí)際行駛工況．

2 SOM在行駛工況自學(xué)習(xí)中的應(yīng)用

2.1 SOM神經(jīng)網(wǎng)絡(luò)

SOM網(wǎng)絡(luò)是由Kohonen于1981年提出的，其基本結(jié)構(gòu)如圖3所示，網(wǎng)絡(luò)由輸入層(神經(jīng)元數(shù)為N)和競(jìng)爭(zhēng)層(神經(jīng)元數(shù)為M)構(gòu)成，輸入層和輸出層之間的神經(jīng)元形成全連接．SOM 網(wǎng)絡(luò)可以將任意維的輸入模式在輸出層上映射為一維、二維或更高維的離散圖形，并且保持網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)不變[8]．SOM 的聚類(lèi)功能主要是基于以下2個(gè)規(guī)則[9-10]實(shí)現(xiàn)的．

(1)對(duì)于提供給網(wǎng)絡(luò)的任意一個(gè)輸入向量 ξ，確定響應(yīng)的輸出層獲勝神經(jīng)元S，其中

(2)確定獲勝神經(jīng)元 S的一個(gè)領(lǐng)域范圍 Ns，并調(diào)整 Ns范 圍 內(nèi) 神 經(jīng) 元 的 權(quán) 向 量 Wc= Wc+ ε（ ξ ?Wc） ,?c∈ NS，這個(gè)調(diào)整過(guò)程將使 Ns內(nèi)神經(jīng)元的權(quán)向量朝著輸入向量 ξ的方向靠近．學(xué)習(xí)率ε和領(lǐng)域 Ns隨著學(xué)習(xí)時(shí)間不斷縮小，所有的權(quán)向量會(huì)在輸出向量空間中相互分離開(kāi)來(lái)，各自代表輸出空間的一類(lèi)模式，即SOM的聚類(lèi)功能．

圖3 SOM網(wǎng)絡(luò)的結(jié)構(gòu)Fig.3 Structure of SOM network

2.2 基于SOM網(wǎng)絡(luò)的行駛工況聚類(lèi)分析

研究表明，車(chē)輛在不同路段、不同時(shí)間的道路狀況會(huì)有很大的差異，在構(gòu)建行駛工況中將運(yùn)動(dòng)學(xué)片段總體樣本分成2類(lèi)比較合理[11]．為了反映車(chē)輛的運(yùn)動(dòng)學(xué)水平，本文定義了 15個(gè)特征值參數(shù)，如表 1所示，通過(guò)這些特征值可以了解其對(duì)應(yīng)的交通特性．首先對(duì)原始數(shù)據(jù)進(jìn)行運(yùn)動(dòng)學(xué)片段的分割處理；然后應(yīng)用SOM 網(wǎng)絡(luò)的聚類(lèi)分析技術(shù)，把電動(dòng)汽車(chē)的運(yùn)動(dòng)學(xué)片段分成 2類(lèi)，形成實(shí)際行駛中對(duì)應(yīng)的暢通流、擁擠流(包括堵塞流)行駛特征．

以訓(xùn)練庫(kù)中的80個(gè)樣本作為訓(xùn)練樣本，20個(gè)樣本作為測(cè)試樣本，使用 Matlab的神經(jīng)網(wǎng)絡(luò)工具箱進(jìn)行SOM網(wǎng)絡(luò)的構(gòu)建．通過(guò)SOM網(wǎng)絡(luò)，樣本被分為2類(lèi)，形成擁擠流(包括堵塞流)、暢通流行駛特征的片段數(shù)據(jù)庫(kù)——庫(kù)1和庫(kù)2．庫(kù)1的特征參數(shù)顯著反映了擁擠流(包括堵塞流)情況下運(yùn)動(dòng)學(xué)片段的特點(diǎn)．相比庫(kù) 1而言，庫(kù) 2的平均速度、平均運(yùn)行速度以及平均運(yùn)行距離均明顯增大，而平均加、減加速度和怠速時(shí)間明顯減少，這說(shuō)明經(jīng)過(guò) SOM 聚類(lèi)分析后的運(yùn)動(dòng)學(xué)片段是有效的，與電動(dòng)汽車(chē)實(shí)際行駛情況具有很好的對(duì)應(yīng)關(guān)系．

表1 運(yùn)動(dòng)學(xué)特征值表Tab.1 Characteristics of kinematics

2.3 行駛工況的在線構(gòu)建

經(jīng)過(guò) SOM 的聚類(lèi)分析后，得到了 3個(gè)片段庫(kù)，分別為原始數(shù)據(jù)片段庫(kù)(綜合行駛工況片段庫(kù))、擁擠道路行駛工況片段庫(kù)和暢通行駛工況片段庫(kù)．在這 3個(gè)片段庫(kù)的基礎(chǔ)上構(gòu)建反映擁擠道路、暢通道路和綜合道路行駛特征的 3種行駛工況．行駛工況的構(gòu)建過(guò)程如下：首先，從對(duì)應(yīng)的短行程樣本庫(kù)中隨機(jī)挑選n個(gè)短行程，組成一個(gè)約900～1 200 s[12]的工況，并計(jì)算其主要特征值；其次，進(jìn)行工況的有效性判斷，如果計(jì)算出的特征值與樣本中相應(yīng)特征值的誤差不超過(guò)10%，則認(rèn)為此工況滿(mǎn)足有效性判定條件，能夠成為反映對(duì)應(yīng)道路行駛特征的行駛工況；否則，再次隨機(jī)挑選 n個(gè)短行程組成新的工況，計(jì)算其特征值誤差，直到滿(mǎn)足誤差允許范圍內(nèi)的工況出現(xiàn)為止．

根據(jù)上述過(guò)程構(gòu)建出的 3種行駛工況見(jiàn)圖 4～圖6．圖4為擁擠道路行駛工況，工況時(shí)長(zhǎng)1,222,s，運(yùn)行距離2.66,km，平均速度7.8,km/h．圖5為暢通道路行駛工況，工況時(shí)長(zhǎng) 1,083,s，運(yùn)行距離 8.52,km，平均速度 28.3,km/h．圖 6為綜合行駛工況，工況時(shí)長(zhǎng)1,040,s，運(yùn)行距離6.25,km，平均速度21.6,km/h．

圖4 擁擠道路行駛工況Fig.4 Driving cycle of congested condition

圖5 暢通道路行駛工況Fig.5 Driving cycle of straightway condition

圖6 綜合道路行駛工況Fig.6 Driving cycle of general condition

為了驗(yàn)證構(gòu)建出來(lái)的工況的有效性，對(duì)構(gòu)建工況和實(shí)際工況進(jìn)行了相對(duì)誤差分析．獲得如下結(jié)果，與表1相對(duì)應(yīng)的各參數(shù)的平均相對(duì)誤差分別為 2.97%、5.18%、6.26%、7.37%、6.11%、4.33%、8.01%、7.55%、4.42%、7.23%、8.26%、6.35%、5.77%、7.28%、7.57%．分析結(jié)果表明構(gòu)建出的工況與實(shí)際工況的特征參數(shù)的相對(duì)誤差在 10%以?xún)?nèi)，說(shuō)明構(gòu)建出的行駛工況能夠比較真實(shí)地反映該地區(qū)車(chē)輛運(yùn)行的實(shí)際狀況．

本文構(gòu)建的汽車(chē)行駛工況與歐洲工況相比有自己的特點(diǎn)，見(jiàn)表 2．具體表現(xiàn)為綜合工況的平均速度比歐洲工況的略高 7.28%；綜合工況下的平均加速度相對(duì)較低，,比歐洲工況的低19.1%， 其平均減速度為-0.58 m/s2，也比歐洲工況的低了19.4%，這反映出歐洲國(guó)家的總體道路設(shè)施水平要高于天津市的水平．在加減速工況所占比例上，綜合工況值分別高于歐洲工況的 7.8%和 19.4%，勻速工況比例基本相當(dāng)．而在怠速所占比例上，綜合工況值略小于歐洲工況值，道路綜合通行能力處于中等情況；但是擁擠道路工況與暢通行駛工況在怠速工況比例上相差較大，說(shuō)明天津不同路段之間的道路工況相差比較大；近年來(lái)天津市快速道路網(wǎng)得到不斷的完善和發(fā)展，使得非繁華地段的道路通行能力較高，相應(yīng)地，其怠速比例也比較低．綜合而言，以天津市為代表的車(chē)輛行駛工況和歐洲的 ECE15工況存在較大差異，使用本文方法構(gòu)建出的工況更能代表我國(guó)車(chē)輛真實(shí)運(yùn)行狀況，能夠?yàn)殡妱?dòng)汽車(chē)基于道路行駛工況控制策略的自適應(yīng)優(yōu)化提供更為可靠和有效的基礎(chǔ)數(shù)據(jù)．

表2 天津與歐洲行駛工況的比較Tab.2 Comparison of driving cycle between in Europe and in Tianjin

3 結(jié) 語(yǔ)

本文提出了一種基于 GPRS的遠(yuǎn)程數(shù)據(jù)采集方法，并通過(guò)自行開(kāi)發(fā)的車(chē)載數(shù)據(jù)采集終端實(shí)現(xiàn)了電動(dòng)汽車(chē)道路行駛數(shù)據(jù)的遠(yuǎn)程采集，為電動(dòng)汽車(chē)的行駛工況開(kāi)發(fā)提供了基礎(chǔ)數(shù)據(jù)源．同時(shí)將 SOM網(wǎng)絡(luò)應(yīng)用于行駛工況的開(kāi)發(fā)，利用 SOM 的聚類(lèi)分析技術(shù)對(duì)輸入的運(yùn)動(dòng)學(xué)片段進(jìn)行分類(lèi)和行駛工況的自學(xué)習(xí)，構(gòu)建出擁擠、暢通和綜合行駛 3種行駛工況．所構(gòu)建的行駛工況與歐洲行駛工況的比較結(jié)果表明，SOM 自學(xué)習(xí)構(gòu)建的行駛工況滿(mǎn)足一般規(guī)律，能夠反映天津市道路交通的特征．

［1］ Dembski N，Guezennec Y，Soliman A. Analysis and experimental refinement of real-world driving cycles[C]// SAE Paper. Detroit，2002，2002-01-0069.

［2］ 國(guó)家環(huán)境保護(hù)總局. GB 18352.1—2001 輕型汽車(chē)排氣污染物排放限值及測(cè)量方法[S]. 2001.

Ministry of Environmental Protection of the People′s Republic of China. GB 18352.1—2001 Limits and Measurement Methods for Emissions of Pollutants from Light-Duty Vehicles[S]. 2001(in Chinese).

［3］ 楊延相，蔡曉林. 天津市道路汽車(chē)行駛工況的研究(B)[J]. 汽車(chē)工程，2002，24(2)：172-176.

Yang Yanxiang，Cai Xiaolin. Study on vehicle driving cycle on road in Tianjin(B)[J]. Automotive Engineering，2002，24(2)：172-176(in Chinese).

［4］ de Haan P，Mario K. Real-World Driving Cycles for Emission Measurements：ARTEM IS and Swiss Cycles(E)[R]. Swiss Agency for Environment，F(xiàn)orests and Landscape(SAEFL)，2001.

［5］ Meyer M. TCP performance over GPRS[C]//IEEE Wireless Communications and Networking Conference. New Orleans，USA，1999，3：1248-1252.

［6］ Tsao Shiao-Li. Scalable gateway GPRS support node for GPRS/UMTS networks[C]// Proceedings of 56th IEEE Vehicular Technology Conference. Vancouver，Canada，2002，4：2239-2243.

［7］ Mishra A. Performance and architecture of SGSN and GGSN of general packet radio service(GPRS)[C]//IEEE Global Telecommunications Conference，GLOBECOM '01. US，2001，6：3494-3498.

［8］ Koikkalainen P. Tree structured self-organizing maps[G]// Oja E，Kaski S. Kohonen Maps. Amsterdam：Elsevier，1999：121-130.

［9］ Kohonen T. Self-Organizing and Associative Memory[M]. Heidelberg：Springer，1984.

［10］ 張敏靈，陳兆乾，周志華. SOM 算法、LVQ 算法及其變體綜述[J]. 計(jì)算機(jī)科學(xué)，2002，29(7)：97-100.

Zhang Minling，Chen Zhaoqian，Zhou Zhihua. Survey on SOM algorithm，LVQ algorithm and their variants[J]. Computer Science，2002，29(7)：97-100(in Chinese).

［11］ Ronald E K，Thomas A H. Development of the federal urban driving schedule[C]// SAE Paper. 1975，730553.

［12］ 李孟良，李 洧，方茂東，等. 道路車(chē)輛實(shí)際行駛工況解析方法研究[J]. 武漢理工大學(xué)學(xué)報(bào)：交通科學(xué)與工程版，2003，27(1)：69-72.

Li Mengliang，Li Wei，F(xiàn)ang Maodong，et al. The parse method of actual running cycle of vehicle on road[J].Journal of Wuhan University of Technology：Transportation Science and Engineering，2003，27(1)：69-72(in Chinese).