基于工況影響的插電式混合動力汽車控制策略優(yōu)化

高建平 張磊敏 孫中博 郗建國

1.河南科技大學(xué)車輛與交通工程學(xué)院，洛陽，4710032.鄭州意昂電控科技有限公司，鄭州，450000

基于工況影響的插電式混合動力汽車控制策略優(yōu)化

高建平1張磊敏1孫中博2郗建國1

1.河南科技大學(xué)車輛與交通工程學(xué)院，洛陽，4710032.鄭州意昂電控科技有限公司，鄭州，450000

根據(jù)其城市公交車的運(yùn)營線路、運(yùn)行類型及線路覆蓋區(qū)域，選取20條代表性公交線路上對應(yīng)的20輛公交車，采集一個月的行駛數(shù)據(jù)，利用短行程分析法結(jié)合主成分分析及優(yōu)化的K均值聚類算法實(shí)現(xiàn)各片段的合理分類，從而擬合出反映這一城市公交車運(yùn)行特點(diǎn)的行駛工況。利用AVL-Cruise整車仿真平臺驗(yàn)證該工況合成的有效性和必要性，同時引入Isight優(yōu)化平臺實(shí)現(xiàn)針對該城市公交車整車控制策略關(guān)鍵參數(shù)的優(yōu)化標(biāo)定。結(jié)果表明，控制參數(shù)優(yōu)化后整車綜合油耗降低8.7%，與RCP測試的仿真結(jié)果相對誤差僅為2%，驗(yàn)證了優(yōu)化后的控制策略的有效性。

主成分分析；組合優(yōu)化算法；K均值聚類算法；行駛工況；Isight優(yōu)化平臺

0 引言

新能源汽車通常以一個典型工況來優(yōu)化整車控制策略的關(guān)鍵參數(shù)，這會使整車在實(shí)際行駛過程中的綜合性能無法得到最大發(fā)揮。行駛工況是汽車節(jié)能和排放測試評價的重要依據(jù)，對汽車產(chǎn)品車輛的燃料經(jīng)濟(jì)性、排放、舒適性和可靠性具有決定性影響[1]。構(gòu)建某城市公交車的典型行駛工況對該城市公交車的整車參數(shù)匹配和控制策略優(yōu)化標(biāo)定具有實(shí)際的指導(dǎo)意義。FOTOUHI等[2]采用短行程分析法構(gòu)建了德黑蘭的乘用車行駛工況；NESAMANI等[3]選取6條代表性線路，構(gòu)建出金奈公交車的行駛工況；楊小娟等[4]利用小波變換法處理數(shù)據(jù)并進(jìn)行短行程劃分，進(jìn)而構(gòu)建了北京市重型客車的綜合工況；郝艷召等[5]基于武漢市公交車的實(shí)際運(yùn)行數(shù)據(jù)，采用“短行程劃分+速度/加速度+相關(guān)系數(shù)+相對誤差”的方法建立了公交車的綜合行駛工況。上述學(xué)者采用短行程、主成分分析和K均值聚類分析算法對行駛工況進(jìn)行相關(guān)研究，但并未對特征參數(shù)進(jìn)行優(yōu)選，且K均值聚類算法的初始聚類中心多為隨機(jī)選取，聚類中心容易陷入局部最優(yōu)，進(jìn)而影響工況合成的精度。王楠楠[6]利用粒子群算法對模糊C均值的初始聚類中心優(yōu)化，但仍存在陷入局部最優(yōu)的缺點(diǎn)；詹森等[7]用遺傳算法對初始聚類中心進(jìn)行優(yōu)化，利用當(dāng)前工況到各類中心的歐氏距離判別當(dāng)前工況所屬的類別，但該全局優(yōu)化算法容易造成過早收斂，尋優(yōu)效率不高；石琴等[8]利用SOFM神經(jīng)網(wǎng)絡(luò)算法和K均值聚類算法相結(jié)合的組合聚類算法來提高工況合成的精度，其中，SOFM神經(jīng)網(wǎng)絡(luò)能改進(jìn)初始聚類中心，但輸入節(jié)點(diǎn)通過權(quán)值與輸出層節(jié)點(diǎn)相連，初始權(quán)值的設(shè)置會影響學(xué)習(xí)的結(jié)果，同樣影響K均值聚類的效果。

基于上述研究，本文利用樣本數(shù)據(jù)以短行程分析法劃分片段后，提出基于主成分分析、模擬退火算法(simulated annealing, SA)和序列二次規(guī)劃法(sequential quadratic programming schittkowski 改良版, NLPQL)組合優(yōu)化算法來優(yōu)化K均值聚類算法對片段進(jìn)行分類，進(jìn)而構(gòu)建出代表該城市公交車的綜合工況，并引入Isight優(yōu)化平臺標(biāo)定該工況下的控制策略關(guān)鍵參數(shù)，實(shí)現(xiàn)該城市公交車日常運(yùn)行需求功率的合理分配。

1 汽車行駛工況的試驗(yàn)設(shè)計

國內(nèi)外各研究機(jī)構(gòu)和政府部門在對汽車行駛工況進(jìn)行相關(guān)研究時，盡管在數(shù)據(jù)采集方式、數(shù)據(jù)分析方法、工況解析及合成手段等方面形式多樣，但技術(shù)流程大多采用圖1所示的流程。

圖1 汽車行駛工況開發(fā)技術(shù)流程

Fig.1 Development process of vehicle driving cycle

1.1 試驗(yàn)線路規(guī)劃

針對公交車線路固定的特點(diǎn)，行駛工況的構(gòu)建需預(yù)先選取有代表性的試驗(yàn)路線。根據(jù)對該城市公共交通總公司官網(wǎng)的調(diào)查，367條公交線路中有79條線路停運(yùn)和未運(yùn)營，288條線路正常運(yùn)行。為使構(gòu)建的工況能真實(shí)反映該城市的交通狀況，根據(jù)公交車選取數(shù)量、公交線路強(qiáng)度、站點(diǎn)頻次、公交車運(yùn)行類型、公交車站點(diǎn)個數(shù)概率分布、公交車運(yùn)行區(qū)域分布，最終選取表1中的各條線路。從表1知，選取的試驗(yàn)線路兼顧公交線路強(qiáng)度及覆蓋區(qū)域，市區(qū)主干道、次干道、支路、環(huán)線及其外部區(qū)域均有所覆蓋且線路重復(fù)率低。

表1 選定的20條公交試驗(yàn)線路

1.2 試驗(yàn)數(shù)據(jù)采集

車輛數(shù)據(jù)采集一般有兩種方法[9]，本試驗(yàn)選取20條公交線路上分別與之對應(yīng)的20輛公交車，采用自主行駛法，安裝好車載終端設(shè)備后，駕駛員按照各自正常狀況駕駛車輛。行駛數(shù)據(jù)由車載終端設(shè)備實(shí)時采集，采樣頻率為1 Hz，在正常工作狀態(tài)下車載終端與整車的ECU進(jìn)行通信，采集CAN總線的信息，獲取車輛當(dāng)前狀態(tài)下的相關(guān)參數(shù)，同時通過外置的GPS天線接收時間、位置等信息，采用衛(wèi)星授時方式同步時鐘，同時連接GPRS網(wǎng)絡(luò)，將采集到的信息發(fā)送到遠(yuǎn)程服務(wù)器數(shù)據(jù)庫，實(shí)現(xiàn)對車輛數(shù)據(jù)的實(shí)時采集，車載終端硬件結(jié)構(gòu)如圖2所示。

圖2 車載終端硬件結(jié)構(gòu)Fig.2 Vehicle terminal hardware structure

1.3 數(shù)據(jù)分析

車輛從起步出發(fā)至目的地停車，受交通狀況的影響，期間會出現(xiàn)多次停車再起步。將車輛從一個怠速開始到下一個怠速開始的運(yùn)動定義為運(yùn)動學(xué)片段(簡稱片段)，見圖3。在每個運(yùn)動學(xué)片段中，設(shè)加速度為a，車速為v，定義以下4類工況：①怠速工況。發(fā)動機(jī)工作且v=0；②加速工況。a≥0.15 m/s2且v≠0；③減速工況。a≤-0.15 m/s2且v≠0；④勻速工況。|a|≤0.15 m/s2且v≠0。對采集到的數(shù)據(jù)進(jìn)行預(yù)處理后，利用MATLAB編寫程序，將數(shù)據(jù)劃分片段并提取出各個運(yùn)動學(xué)片段的15個特征參數(shù)，構(gòu)成相應(yīng)的特征參數(shù)樣本庫。提取的15個特征參數(shù)見表2。

圖3 運(yùn)動學(xué)片段示意圖Fig.3 Sketch map of kinematic segments

編號特征參數(shù)編號特征參數(shù)1運(yùn)行時間比9勻速時間比2怠速時間比10最大加速度3平均速度11最大減速度4平均運(yùn)行速度12速度標(biāo)準(zhǔn)差5運(yùn)行距離13加速度標(biāo)準(zhǔn)差6最大速度14加速段平均加速度7加速時間比15減速段平均加速度8減速時間比

2 行駛工況的構(gòu)建

2.1 主成分分析

各片段提取的15個特征參數(shù)之間存在一定的相關(guān)性，會造成信息之間的重疊，利用主成分分析可以用較少的變量表達(dá)較多的信息且各主成分之間均不相關(guān)。利用SPSS軟件對所有運(yùn)動學(xué)片段的15個特征參數(shù)進(jìn)行主成分分析，15個主成分Am(m=1,2,…,15)的特征值、貢獻(xiàn)率及累積貢獻(xiàn)率見表3。

累計貢獻(xiàn)率表征綜合所有原始變量的能力，通常取累計貢獻(xiàn)率80%左右的主成分代表所有原始變量進(jìn)行分析。特征值可以看成主成分影響力度大小的指標(biāo)，如果特征值小于1，說明該主成分的解釋力度還不如直接引入一個原變量的平均解釋力度大。因此，一般可以用特征值大于1作為選取標(biāo)準(zhǔn)，保留第一、第二和第三主成分，且前3個主成分與各特征參數(shù)之間的相關(guān)系數(shù)見表4。

表3 各主成分的特征值、貢獻(xiàn)率及累積貢獻(xiàn)率

表4 各主成分與特征參數(shù)的相關(guān)系數(shù)

2.2 組合優(yōu)化算法優(yōu)化的K均值聚類分析

利用K均值聚類算法對各片段進(jìn)行分類，初始聚類中心的隨機(jī)選取無法避免聚類陷入局部最優(yōu)這一缺點(diǎn)，因此，本文選取SA和NLPQL構(gòu)成組合優(yōu)化算法優(yōu)化初始聚類中心，優(yōu)化前期充分發(fā)揮SA的全局優(yōu)化能力，優(yōu)化后期借助NLPQL快速定位全局最優(yōu)區(qū)域，進(jìn)行局部快速尋優(yōu)，最終得到全局最優(yōu)解[10]。

2.2.1 算法基礎(chǔ)

SA來源于固體退火原理，用固體退火模擬組合優(yōu)化問題，將內(nèi)能E模擬為目標(biāo)函數(shù)值f，溫度T演化成控制參數(shù)t，即得到解組合優(yōu)化問題的模擬退火算法：由初始解i和控制參數(shù)初值t開始，對當(dāng)前解重復(fù)“產(chǎn)生新解→計算目標(biāo)函數(shù)差→接受或舍棄”的迭代，并逐步衰減t值，算法終止時的當(dāng)前解即所得近似最優(yōu)解，這是基于蒙特卡羅迭代求解法的一種啟發(fā)式隨機(jī)搜索過程。

NLPQL用來解決帶有約束的非線性數(shù)學(xué)規(guī)劃問題，基本思想是將目標(biāo)函數(shù)以二階拉氏方程展開，并把約束條件線性化，使其轉(zhuǎn)化為一個二次規(guī)劃問題。二階方程通過quasi-Newton公式得到了改進(jìn)，而且加入了直線搜索，提高了算法的穩(wěn)定性，該算法最主要的優(yōu)點(diǎn)是容易和一個非常健壯的算法一起使用。SA作為優(yōu)秀的全局優(yōu)化算法，在尋優(yōu)過程中，除了可以接受優(yōu)化解外，還基于隨機(jī)接收準(zhǔn)則,有限度地接受惡化解,并使接受惡化解的概率慢慢趨近于零，這使得SA可以從局部最優(yōu)解中跳出,盡可能地得到全局最優(yōu)解。但重復(fù)循環(huán)的退火計算使得SA的優(yōu)化過程較慢，計算效率非常低。NLPQL作為局部優(yōu)化的數(shù)值型優(yōu)化算法，能夠解決有約束的非線性優(yōu)化問題并很快地收斂到最優(yōu)解。因此，充分發(fā)揮這兩種優(yōu)化算法各自的優(yōu)點(diǎn)，可提高尋優(yōu)效率。

2.2.2 算法設(shè)計

利用Isight優(yōu)化軟件結(jié)合SA、NLPQL兩種算法構(gòu)成組合優(yōu)化算法，聯(lián)合MATLAB應(yīng)用于聚類中心的優(yōu)化，尋優(yōu)原理見圖4，具體優(yōu)化步驟如下。

圖4 組合優(yōu)化算法尋優(yōu)原理Fig.4 Principle of combination optimization algorithm

(1)設(shè)計參數(shù)，給定初始溫度t=t0，根據(jù)選定的初始參數(shù)值，計算產(chǎn)生一個目標(biāo)函數(shù)值，根據(jù)此值，再次隨機(jī)產(chǎn)生初始狀態(tài)的參數(shù)值，令k=0。

(2)重復(fù)以下部分操作：

① 產(chǎn)生新狀態(tài)sj=Gente(s)；

②if min(1,exp[-C(S′)-C(S)/tk])≥random[0,1]，s=sj；

③直到Metropolis抽樣穩(wěn)定準(zhǔn)則滿足。

(3)退火溫度tk+1=update(tk),并令k←k+1；在退火尋優(yōu)過程中伴隨溫度的下降，尋找到局部最優(yōu)解后，概率性地跳出，并尋找最優(yōu)解。

(4)直到滿足算法終止準(zhǔn)則。

(5)輸出全局搜索的最優(yōu)結(jié)果。

以綜合評價指標(biāo)F為優(yōu)化目標(biāo)，兼顧同類相似性和異類差異性的評價指標(biāo)，利用組合優(yōu)化算法優(yōu)化初始聚類C中心，優(yōu)化的數(shù)學(xué)模型如下：

(1)

優(yōu)化變量、約束條件等見表5，其中，c(j)表示第j類的初始聚類中心。具體優(yōu)化界面及流程如圖5所示。同時從圖6中發(fā)現(xiàn)迭代到423代時得到目標(biāo)函數(shù)最大值，而圖6中的離散趨勢為聚類結(jié)果局部最優(yōu)所造成。圖7為優(yōu)化初始聚類中心后各片段的聚類結(jié)果。

表5 優(yōu)化條件及內(nèi)容

圖5 具體優(yōu)化界面及流程Fig.5 Optimize interface and process

圖6 初始聚類中心迭代尋優(yōu)Fig.6 Initial clustering center iterative optimization

圖7 優(yōu)化初始聚類中心后各片段的聚類結(jié)果Fig.7 After optimizing the initial cluster center, the clustering results of each fragment are obtained

3 工況的合成與驗(yàn)證

3.1 工況的合成

據(jù)國外工況合成經(jīng)驗(yàn)，行駛工況時間長度一般為1200～1500 s，利用同一類中的歐氏距離大小來選擇備選片段，由各類在整體數(shù)據(jù)中所占的時間比例來確定各類片段在最終工況合成中所占的時間。第i類在工況合成中所占的時間

(2)

構(gòu)建出基于該城市公交車時間為1274 s、長度為5.28 km的行駛工況，如圖8所示。

圖8 某城市公交車的行駛工況Fig.8 Driving cycle of a city bus

3.2 工況的驗(yàn)證

速度-時間曲線不夠平滑使得一些曲線不能很好地被跟蹤復(fù)現(xiàn)，必須對原始數(shù)據(jù)進(jìn)行光滑處理，從而使瞬態(tài)工況的加速度變化更接近于實(shí)際情況。平滑處理前后的行駛工況如圖9所示。

圖9 平滑處理前后工況對比Fig.9 Comparison of driving cycle before and after smoothing

利用AVL-Cruise整車仿真平臺搭建一輛以單軸混聯(lián)為驅(qū)動系統(tǒng)的12 m插電式混合動力公交車，與MATLAB/Simulink基于中國典型城市公交工況優(yōu)化的規(guī)則控制策略進(jìn)行聯(lián)合仿真試驗(yàn)，該P(yáng)HEB的整車結(jié)構(gòu)模型和主要參數(shù)分別如圖10和表6所示。

圖10 單軸混聯(lián)系統(tǒng)結(jié)構(gòu)Fig.10 Structure of single axis hybrid system

整車整備質(zhì)量(kg)12500滿載質(zhì)量(kg)18000長,寬,高(mm)11900,2550,3150車輪靜態(tài)半徑(mm)452迎風(fēng)面積(m2)6.6空氣阻力系數(shù)0.55滾動阻力系數(shù)0.018發(fā)動機(jī)功率(kW)147ISG功率(kW)80主電機(jī)功率(kW)144主減速器速比6.17

為充分利用電網(wǎng)的電能，將整車的基本運(yùn)行模式分為PED+HDCD(電量消耗階段)和HDCS(電量維持階段)[11]，車輛工作過程中的轉(zhuǎn)矩分配方式見表7。

表7 整車轉(zhuǎn)矩分配方式

注：Sbat、SHDCD_in、SHDCS、Ssup均為電池荷電狀態(tài)。

將行駛里程均為200 km的中國典型城市公交工況、基于主成分分析和組合優(yōu)化算法優(yōu)化的K均值聚類合成的某城市公交工況及某城市隨機(jī)選取的一條未參與工況合成的公交線路(圖11)行駛數(shù)據(jù)分別加載到整車模型中，整車控制策略利用Interface接口調(diào)用Cruise進(jìn)行聯(lián)合仿真試驗(yàn)。車輛在三種工況下的整車功率分配如圖12所示，仿真結(jié)果見表8。

(a)中國典型城市公交工況

(b) 擬合的公交工況

(c)測試用實(shí)際工況圖11 整車模型加載用行駛工況Fig.11 Driving cycle of vehicle model loading

(a)中國典型城市公交工況功率分配

(b)擬合的公交工況功率分配

(c)測試用實(shí)際工況功率分配圖12 3種不同工況下的整車功率分配Fig.12 Vehicle power allocation under 3 different driving cycle

4 整車控制策略的優(yōu)化和驗(yàn)證

4.1 基于Isight平臺的整車控制策略優(yōu)化

利用Isight優(yōu)化平臺，選用組合優(yōu)化算法優(yōu)化PHEB，在擬合的該城市公交工況下優(yōu)化整車控制策略關(guān)鍵參數(shù)，優(yōu)化的數(shù)學(xué)模型如下：

表8 整車不同工況下的仿真結(jié)果

(3)

優(yōu)化變量、約束條件等內(nèi)容見表9，其中，優(yōu)化參數(shù)CD_clutch為CD階段離合器的接合轉(zhuǎn)速，CS_clutch為CS階段離合器的接合轉(zhuǎn)速，discharge為超級電容放電系數(shù)，e_high為發(fā)動機(jī)最優(yōu)工作區(qū)域上限，e_low為發(fā)動機(jī)最優(yōu)工作區(qū)域下限。集成到Isight優(yōu)化平臺的優(yōu)化流程如圖13所示。

表9 優(yōu)化參數(shù)及條件

圖13 Isight平臺優(yōu)化流程圖Fig.13 Isight Platform optimization flow chart

控制參數(shù)優(yōu)化前后見表10。尋優(yōu)迭代過程見圖14。整車基于擬合的工況優(yōu)化前后的仿真結(jié)果見表11。

表10 基于擬合的工況優(yōu)化前后控制參數(shù)變化

圖14 綜合油耗的尋優(yōu)迭代過程Fig.14 Iterative process of optimization of comprehensive fuel consumption

百公里油耗(L)百公里電耗(kW·h)百公里綜合油耗(L)差(%)優(yōu)化前23.72-2.1823.00優(yōu)化后20.650.9920.98RCP測試20.831.7221.40

4.2 基于RCP測試的半實(shí)物仿真驗(yàn)證

為驗(yàn)證控制策略的有效性，引入基于RCP的半實(shí)物仿真平臺進(jìn)行驗(yàn)證。該平臺硬件系統(tǒng)主要由dSPACE實(shí)時仿真系統(tǒng)、CANoe及駕駛員模擬裝置組成，軟件系統(tǒng)主要包括MATLAB、AVL-Cruise及dSPACE自帶的數(shù)據(jù)監(jiān)控軟件ControlDesk。通過dSPACE豐富的I/O接口連接控制對象，其中,Simulink模塊及S函數(shù)編寫的C代碼通過RTI與RTW協(xié)作自動將快速控制原型轉(zhuǎn)化為可執(zhí)行的C代碼，經(jīng)過編譯并下載到dSPACE實(shí)時處理器中。試驗(yàn)采用兩路模數(shù)轉(zhuǎn)換通道引入真實(shí)駕駛員的油門踏板和制動踏板信號，一路控制器局域網(wǎng)(CAN)通道實(shí)現(xiàn)整車控制策略關(guān)鍵參數(shù)與整車模型的通信。真實(shí)駕駛員跟隨目標(biāo)車速踩下油門和制動踏板，使該仿真試驗(yàn)更接近于實(shí)車，同時C代碼的高效性及高速USB的物理接口保證了該仿真的實(shí)時性。半實(shí)物仿真平臺硬件如圖15所示。

圖15 半實(shí)物仿真平臺硬件Fig.15 Hardware in the loop simulation platform

利用Interface接口實(shí)現(xiàn)整車加載擬合的行駛工況與基于MATLAB搭建的優(yōu)化后的整車控制策略聯(lián)合仿真，并利用半實(shí)物仿真平臺進(jìn)行實(shí)時仿真，仿真結(jié)果見表11。

5 結(jié)論

(1)針對某城市的公交車選取20條有代表性的公交線路，采集相關(guān)數(shù)據(jù)并利用主成分分析和組合優(yōu)化算法優(yōu)化后的K均值聚類算法擬合出基于該城市公交車的行駛工況。

(2)利用AVL-Cruise整車仿真平臺構(gòu)建的整車模型分別加載不同的行駛工況并與相同的整車控制策略進(jìn)行聯(lián)合仿真，驗(yàn)證了該城市公交車行駛工況構(gòu)建的有效性和必要性。針對該城市PHEB的整車控制策略優(yōu)化后，由聯(lián)合仿真結(jié)果知，百公里綜合油耗降低了8.7%，控制參數(shù)優(yōu)化后的聯(lián)合仿真結(jié)果與RCP測試的仿真結(jié)果相對誤差為2%，驗(yàn)證了優(yōu)化后的整車控制策略的有效性。

[1] 鄭天雷. 全球車輛循環(huán)工況調(diào)查與對比[R]. 天津：中國汽車技術(shù)研究中心，2011. ZHENG Tianlei. Research and Comparisons of Vehicle Driving Cycle in the World[R]. Tianjin: China Automotive Technology & Research Center,2011.

[2] FOTOUHI A, MONTAZERI-GH M. Tehran Driving Cycle Development Using the k-means Clustering Method[J]. Scientia Iranica,2013,20(2):286-293.

[3] NESAMANI K S, SUBRAMANIAN K P. Development of a Driving Cycle for Intra-city Buses in Chennai,India[J].Atmospheric Environment,2011,45(31):5469-5476.

[4] 楊小娟, 王建. 北京市重型客車行駛工況的構(gòu)建與研究[J]. 環(huán)境工程技術(shù)學(xué)報,2015,5(6):455-463. YANG Xiaojuan, WANG Jian. Construction and Research of Heavy-coach’s Driving Cycle in Beijing City[J]. Journal of Environmental Engineering Technology,2015,5(6):455-463.

[5] 郝艷召, 張潔, 王生昌，等. 武漢市公交車典型行駛工況的構(gòu)建[J].交通信息與安全，2014,32(6):139-144. HAO Yanzhao, ZHANG Jie, WANG Shengchang, et al. Construction of Typical Driving Cycle for Public Buses in Wuhan City[J].Journal of Transport Information and Safety,2014,32(6):139-144.

[6] 王楠楠. 城市道路行駛工況構(gòu)建及油耗研究[D]. 合肥：合肥工業(yè)大學(xué)，2012. WANG Nannan. Construction of the Urban Road Driving Cycle and Research of the Fuel Consumption[D]. Hefei: Hefei University of Technology,2012.

[7] 詹森，秦大同，曾育平. 基于遺傳優(yōu)化K均值聚類算法工況識別的混合動力汽車能量管理策略[J]. 中國公路學(xué)報,2016,29(4):130-137. ZHAN Sen,QIN Datong, ZENG Yuping. Energy Manangement Strategy of HEV Based on Driving Cycle Recognition Using Genetic Optimized K-means Clustering Algorithm[J]. China Journal of Highway and Transport,2016,29(4):130-137.

[8] 石琴，仇多洋，周潔瑜. 基于組合聚類法的行駛工況構(gòu)建與精度分析[J]. 汽車工程,2012,34(2):164-169. SHI Qin, QIU Duoyang, ZHOU Jieyu. Driving Cycle Constrution and Accuracy Analysis Based on Combined Clustering Technique[J]. Automotive Engineering,2012,34(2):164-169.

[9] 陳全世, 朱家璉, 田光宇. 先進(jìn)電動汽車技術(shù)[M].2版.北京: 化學(xué)工業(yè)出版社,2014:21-27. CHEN Quanshi, ZHU Jialian, TIAN Guangyu. Advanced Electric Vehicle Technology [M]. 2th ed.Beijing:Chemical Industry Press,2014:21-27.

[10] 賴宇陽. Isight參數(shù)優(yōu)化理論與實(shí)例詳解[M]. 北京：北京航空航天大學(xué)出版社, 2012. LAI Yuyang. Isight Parameter Optimization Theory and Examples[M]. Beijing: Beijing University of Aeronautics and Astronautics Press, 2012.

[11] WANG Ximing, HE Hongwen, Sun Fengchun. Comparative Study on Different Energy Management Strategies for Plug-in Hybrid Electric Vehicles[J].Energies,2013,6(11):5656-5675.

(編輯 陳 勇)

Control Strategy Optimization of Plug-in Hybrid Electric Vehicle Based on Driving Cycles

GAO Jianping1ZHANG Leimin1SUN Zhongbo2XI Jianguo1

1.Vehicle & Transportation Engineering Institute, Henan University of Science and Technology,Luoyang, Henan,471003 2.EonControls Co., Ltd., Zhengzhou,450000

According to the operation types and operation line, the city bus coverage area, 20 representative bus lines on the 20 bus driving data acquisition for a month were selected, a reasonable classification analysis method combined with theKmean clustering algorithm of principal component analysis and optimization of the implementation of each segment of the short stroke, thus the driving cycle that reflects the running characteristics of the city bus was fitted. The effectiveness and necessity of the Isight simulation platform was verified by the AVL-Cruise simulation platform, and the optimization of the key parameters of the vehicle control strategy for the city bus was introduced. The results show that the overall fuel consumptions of the vehicles are reduced by 8.7% and the relative errors of the simulation results with the RCP tests are only 2%, which verifies the effectiveness of the optimized control strategy.

principal component analysis; combinatorial optimization algorithm;Kmean clustering algorithm; driving cycle; Isight optimization platform

2016-11-14

國家自然科學(xué)基金資助項(xiàng)目(U1604147);河南省科技攻關(guān)計劃資助項(xiàng)目(152102210073);河南省高等學(xué)校青年骨干教師資助計劃資助項(xiàng)目(2015GGJS-046)

U469.7

10.3969/j.issn.1004-132X.2017.15.002

高建平，男，1976年生。河南科技大學(xué)車輛與交通工程學(xué)院副教授。主要研究方向?yàn)樾履茉雌囅到y(tǒng)匹配與控制策略。發(fā)表論文20余篇。E-mail:gjpcar@gmail.com。張磊敏，男，1990年生。河南科技大學(xué)車輛與交通工程學(xué)院碩士研究生。孫中博，男，1989年生。鄭州意昂電控科技有限公司工程師。郗建國，男，1978年生。河南科技大學(xué)車輛與交通工程學(xué)院講師。