純電動(dòng)汽車城市循環(huán)工況構(gòu)建方法研究

葉毅銘，張大禹，衛(wèi)龍龍，魏洪貴

摘 要：文章提出了一種準(zhǔn)確有效的方法來構(gòu)建電動(dòng)汽車城市行駛工況，以西安市為研究對(duì)象構(gòu)建了西安市電動(dòng)汽車城市循環(huán)工況。該方法主要包括四個(gè)部分：制定測試路線，數(shù)據(jù)采集，數(shù)據(jù)處理和構(gòu)建工況。首先根據(jù)西安市道路的整體拓?fù)浣Y(jié)構(gòu)和交通流量調(diào)查結(jié)果，制定出測試路線，采集測試車輛在測試路線上的行駛數(shù)據(jù)。針對(duì)傳統(tǒng)片段劃分、降維及聚類處理數(shù)據(jù)方法中過程復(fù)雜且聚類精度不高的問題，提出用速度-加速度網(wǎng)格直接對(duì)原始數(shù)據(jù)劃分，并針對(duì)傳統(tǒng)馬爾科夫方法構(gòu)建工況其分類條件單一及小概率事件丟失的問題，提出一種利用蒙特卡洛模擬進(jìn)行優(yōu)化的方法。最終完成西安市乘用車行駛工況的構(gòu)建，與其它方法構(gòu)建的工況相比，使用本文方法建立的工況精度較高。

關(guān)鍵詞：速度加速度網(wǎng)格;馬爾科夫方法;蒙特卡洛模擬法;循環(huán)工況

中圖分類號(hào)：U491.1 ?文獻(xiàn)標(biāo)識(shí)碼：A ?文章編號(hào)：1671-7988（2019）23-08-05

Research on Urban Driving Cycle Construction Method of Electric Vehicles

Ye Yiming， Zhang Dayu， Wei Longlong， Wei Honggui

（ Chang'an University， Shaanxi Xi'an 710064 ）

Abstract： In this paper， an accurate and effective method is proposed to construct the driving cycle of electric vehicles in urban area. Taking Xi'an as the research object， the driving cycle of electric vehicles in Xi'an are constructed. The method mainly consists of four parts： developing test routes， data collection， data processing and driving cycle construction. Firstly， according to the overall road topology and traffic flow survey results of Xi'an， the test route is developed. Then， collecting the driving data. Aiming at the problem of complex process and low clustering accuracy in traditional fragment partitioning， dimension reduction and clustering data processing methods， the velocity-acceleration grid is proposed to divide the original data directly. Moreover， in view of the single classification condition and the loss of small probability events in the traditional Markov method， the Monte Carlo simulation optimization method is proposed. Finally， the construction of the driving cycle of passenger cars in Xi'an is completed. Compared with the driving cycles built by other methods， the driving cycle established by using the proposed method is relatively accurate.

Keywords： V-A grid; Markov; Monte Carlo; Driving cycle

CLC NO.： U491.1 ?Document Code： A ?Article ID： 1671-7988（2019）23-08-05

前言

當(dāng)前面臨的空氣污染及化石能源消耗等環(huán)境問題，電動(dòng)汽車作為解決方案之一，取得了較大的進(jìn)步。有部分學(xué)者使用國際通過循環(huán)工況去研究電動(dòng)汽車的能量消耗預(yù)測及能量管理優(yōu)化策略[1]。但是當(dāng)前使用的國際通用的循環(huán)工況基于內(nèi)燃機(jī)車構(gòu)建，由于電動(dòng)汽車與內(nèi)燃機(jī)車在功率特性，扭矩特性及剎車特性上存在較大差異，運(yùn)用基于內(nèi)燃機(jī)車構(gòu)建的循環(huán)工況對(duì)電動(dòng)汽車的續(xù)駛里程及SOC估計(jì)所得到的研究結(jié)果與真實(shí)情況存在較大差異。所以，有必要針對(duì)電動(dòng)汽車構(gòu)建循環(huán)工況。

循環(huán)工況是基于時(shí)間的車速序列，代表著在測試地區(qū)該類型車輛的行駛速度變化規(guī)律。另外，循環(huán)工況對(duì)于了解該地區(qū)的交通狀況也有著十分重要的參考價(jià)值。不同城市或地區(qū)，其駕駛模式是在不斷變化[2]。所以在一個(gè)具體城市或地區(qū)建立的可用工況往往不適用于其他城市或地區(qū)，因此，研發(fā)和制定符合具體城市或地區(qū)實(shí)際交通狀況的車循環(huán)工況，是目前主要的研究方向[3]。

萬霞等人選取深圳市代表性測試路線，采用平均車流法，對(duì)測試車輛車載GPS連續(xù)數(shù)據(jù)采集，在以短行程分析法進(jìn)行工況構(gòu)建，將數(shù)據(jù)劃分為短行程，計(jì)算特征參數(shù)并進(jìn)行主成分分析及聚類分析，最終合成工況[4]。

姜平等人利用短行程分析法但對(duì)數(shù)據(jù)利用小波分析進(jìn)行重構(gòu)后在進(jìn)行處理，保證了數(shù)據(jù)的平穩(wěn)性，剔除數(shù)據(jù)雜點(diǎn)[5]。其構(gòu)建的工況相比普通短行程法有更高精度。

Li選擇使用馬爾可夫隨機(jī)過程方法構(gòu)建行駛工況[6]。此方法將車輛在實(shí)際道路上的行駛情況認(rèn)作馬爾科夫隨機(jī)過程，以最大似然估計(jì)法將行駛的時(shí)間-速度關(guān)系分為片段，以獲得馬爾科夫轉(zhuǎn)移概率矩陣，并按轉(zhuǎn)移矩陣概率進(jìn)行工況合成。

構(gòu)建循環(huán)工況一般由以下過程：車輛行駛特性數(shù)據(jù)采集、數(shù)據(jù)處理、工況合成和工況驗(yàn)證。其中數(shù)據(jù)處理與合成工況是構(gòu)建車輛行駛工況的最為關(guān)鍵的部分。數(shù)據(jù)處理精度不同決定了工況合成過程能否有可靠的數(shù)據(jù)支撐，而采用不同的合成方法決定了該工況能否反映了該地區(qū)的交通特點(diǎn)和行駛特征。國內(nèi)外許多專家學(xué)者開發(fā)出了很多數(shù)據(jù)處理方法和工況合成方法。本文針對(duì)傳統(tǒng)數(shù)據(jù)處理方法精度不高的問題以及馬爾科夫方法構(gòu)建工況其分類條件單一及小概率事件丟失的問題，提出一種利用速度加速度網(wǎng)格對(duì)車輛行駛數(shù)據(jù)劃分和利用蒙特卡洛模擬法對(duì)工況構(gòu)建進(jìn)行優(yōu)化的方法，完成西安市乘用車行駛工況的構(gòu)建。與其它方法構(gòu)建的工況相比，使用本文方法建立的工況精度較高;與各類標(biāo)準(zhǔn)工況相比，使用本文方法建立的工況更符合西安市的實(shí)際情況。

1 實(shí)驗(yàn)設(shè)計(jì)

1.1 循環(huán)工況試驗(yàn)路線

首先要確定所設(shè)計(jì)的試驗(yàn)路線中各級(jí)道路所占的比例，需要與西安市各等級(jí)道路分配比例相吻合，利用ArcGIS軟件對(duì)西安市的整體道路網(wǎng)絡(luò)做矢量化處理，統(tǒng)計(jì)出西安市交通網(wǎng)絡(luò)中各等級(jí)道路各自的長度及所占的比例和不同等級(jí)道路的最高車速，得到西安市各級(jí)道路總長度為2562km，不同等級(jí)道路長度及所占比值統(tǒng)計(jì)結(jié)果如表1所示。

表1 ?西安市不同等級(jí)道路長度及比例

隨后要結(jié)合西安市各等級(jí)道路上的車流量信息進(jìn)行綜合考慮，為得到西安市各等級(jí)道路的交通流量情況，本文對(duì)西安市各等級(jí)道路進(jìn)行了交通流量檢測，交通流量受到道路類型，時(shí)間段，經(jīng)濟(jì)差異，商業(yè)化程度和人口密度等因素的影響。考慮到西安市道路網(wǎng)絡(luò)分布，東南西北四個(gè)方向上人口密度，經(jīng)濟(jì)狀況差異，中央商務(wù)區(qū)的位置，工作日與非工作日的差異，在西安市范圍內(nèi)設(shè)立了14個(gè)交通流量監(jiān)測點(diǎn)，包括2條快速路，5條主干道，4條次干道和3條支路，監(jiān)測時(shí)間范圍上午7點(diǎn)到晚上21點(diǎn)，總共進(jìn)行為期28天的交通流量監(jiān)測。最后將每天監(jiān)測所得的交通流量各個(gè)小時(shí)取平均數(shù)作為每個(gè)整點(diǎn)時(shí)刻的交通流量數(shù)據(jù)。各個(gè)監(jiān)測點(diǎn)分布圖如圖1所示，交通流量統(tǒng)計(jì)結(jié)果如表2所示。

圖1 ?交通流量觀察點(diǎn)分布圖

根據(jù)得到的14個(gè)觀察點(diǎn)共28天的監(jiān)控?cái)?shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析處理，獲得一周內(nèi)各種等級(jí)道路交通總流量平均值如表2所示。

表2 ?各等級(jí)道路交通總量平均值

統(tǒng)計(jì)得到交通流量監(jiān)測結(jié)果后，本文將西安市循環(huán)工況構(gòu)建實(shí)驗(yàn)過程作為一個(gè)大樣本抽樣實(shí)驗(yàn)過程，通過計(jì)算，為了體現(xiàn)出西安市整體交通特性的必要樣本容量為38.4km。

隨后進(jìn)行了市民出行道路選擇意愿調(diào)查。結(jié)合西安市各等級(jí)道路占比、各等級(jí)道路交通流量、汽車保有量及市民出行道路選擇意愿等因素進(jìn)行試驗(yàn)道路規(guī)劃的設(shè)計(jì)。計(jì)算出的試驗(yàn)樣本中各等級(jí)道路所占比例及對(duì)應(yīng)的長度如表3所示：

表3 ?試驗(yàn)樣本中各等級(jí)道路比例和長度

最終根據(jù)西安市得路網(wǎng)結(jié)構(gòu)，交通流量數(shù)據(jù)，不同等級(jí)道路得長度及所占的比例，設(shè)計(jì)了包括4類道路和不同城市區(qū)域的一條閉環(huán)試驗(yàn)路線，具體如圖2所示。

圖2 ?試驗(yàn)路線圖

1.2 循環(huán)工況試驗(yàn)數(shù)據(jù)采集

本文針對(duì)的目標(biāo)是純電動(dòng)汽車的循環(huán)工況構(gòu)建方法，選擇的試驗(yàn)對(duì)象必須是純電動(dòng)汽車。同時(shí)要滿足所構(gòu)建的循環(huán)工況具有明顯的代表性，能夠較好的體現(xiàn)西安市的交通特性。經(jīng)過綜合考慮，選擇西安純電動(dòng)汽車保有量較大的比亞迪E6作為本次試驗(yàn)車輛，采集的數(shù)據(jù)包括行駛時(shí)間，車輛速度，車輛加速度，行駛里程，海拔高度，車輛經(jīng)緯度。

為了采集到全面的車輛行駛數(shù)據(jù)，試驗(yàn)時(shí)間應(yīng)覆蓋各種交通狀況，本文選擇在早晚高峰階段及中午低谷階段經(jīng)行數(shù)據(jù)采集試驗(yàn)，保證采集的數(shù)據(jù)能夠全面反映西安市的交通特性。

2 數(shù)據(jù)處理

2.1 降噪處理

采集的原始數(shù)據(jù)存在噪聲和突變等異常數(shù)據(jù)，為了消除異常數(shù)據(jù)，首先采用中值濾波算法對(duì)原始數(shù)據(jù)進(jìn)行降噪和平滑處理，如式1。

（1）

選取500秒的數(shù)據(jù)作為示例，處理前后對(duì)比如圖3所示。

圖3 ?處理前后對(duì)比

2.2 網(wǎng)格劃分

數(shù)據(jù)進(jìn)行初步處理后，用速度加速度網(wǎng)格對(duì)原數(shù)據(jù)進(jìn)行狀態(tài)劃分。在運(yùn)用馬爾可夫方法構(gòu)建循環(huán)工況的過程中，將車輛行駛過程認(rèn)為一個(gè)馬爾可夫鏈，將車輛的行駛過程按時(shí)間順序分為不同的狀態(tài)。根據(jù)馬爾可夫鏈的性質(zhì)，車輛在下一時(shí)刻的運(yùn)行狀態(tài)只與當(dāng)前時(shí)刻的車輛運(yùn)行狀態(tài)相關(guān)，通過對(duì)車輛行駛狀態(tài)進(jìn)行劃分，統(tǒng)計(jì)出車輛不同行駛狀態(tài)之間互相轉(zhuǎn)換的關(guān)系，得到車輛行駛狀態(tài)的馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣。有學(xué)者引入主成分分析法對(duì)原數(shù)據(jù)降維與聚類分析的方法對(duì)車輛行駛狀態(tài)做劃分，在此過程中，丟失部分信息在循環(huán)工況的全面性上稍顯不足，而且聚類算法的分類結(jié)果在精確度上仍有欠缺。本文利用速度加速度網(wǎng)格直接將連續(xù)的的車輛行駛過程劃分為不同的行駛狀態(tài)，每個(gè)網(wǎng)格即代表一種行駛狀態(tài)，每個(gè)行駛狀態(tài)的特征參數(shù)為落在當(dāng)前網(wǎng)格中的所有數(shù)據(jù)點(diǎn)的平均值。

由于本文構(gòu)建循環(huán)工況的方法是基于馬爾可夫，網(wǎng)格密度對(duì)最終結(jié)果有較大影響。若網(wǎng)格密度較小，則網(wǎng)格數(shù)量不足以將車輛行駛數(shù)據(jù)劃分出足夠數(shù)量的狀態(tài)，最后構(gòu)建的循環(huán)工況在代表性上稍顯欠缺。若網(wǎng)格密度過大，網(wǎng)格數(shù)量過多，馬爾可夫狀態(tài)概率轉(zhuǎn)移矩陣階數(shù)過高，計(jì)算量過大給工況構(gòu)建帶來困難。經(jīng)過充分的比較和驗(yàn)證網(wǎng)格速度間隔設(shè)0.5km/h，加速度間隔設(shè)為0.15m/s2，所有的數(shù)據(jù)總共被劃分為4908個(gè)狀態(tài)，劃分結(jié)果如圖4所示。

3 工況合成

3.1 馬爾科夫狀態(tài)轉(zhuǎn)移概率矩陣獲取

圖4 ?速度加速度網(wǎng)格

車輛行駛狀態(tài)劃分之后，進(jìn)行循環(huán)工況合成，根據(jù)狀態(tài)劃分結(jié)果，所有狀態(tài)的特征值和在速度加速度網(wǎng)格上的位置都能得到，統(tǒng)計(jì)出當(dāng)前狀態(tài)與下一個(gè)狀態(tài)之間的轉(zhuǎn)移關(guān)系，然后得出馬爾可夫狀態(tài)轉(zhuǎn)移概率矩陣。

進(jìn)而通過式（2）得到k個(gè)狀態(tài)之間的轉(zhuǎn)移概率。式中Nij代表當(dāng)前狀態(tài)為i，下一狀態(tài)為j的頻數(shù)，pij代表當(dāng)前狀態(tài)為i，下一狀態(tài)為j的概率。

（2）

式（2）計(jì)算出各個(gè)狀態(tài)之間的轉(zhuǎn)移概率后構(gòu)建出馬爾可夫狀態(tài)概率矩陣，如式（3）所示。

（3）

3.2 工況合成

本文采用馬爾可夫方法合成工況，并用蒙特卡洛模擬法進(jìn)行優(yōu)化。常規(guī)馬爾可夫方法應(yīng)用于循環(huán)工況構(gòu)建時(shí)在選取下一狀態(tài)與當(dāng)前狀態(tài)連接一般采用最大似然估計(jì)法，此方法回照成小概率事件丟失的情況，降低所構(gòu)建的循環(huán)工況不能夠全面的體現(xiàn)出西安市的交通特性。本文用蒙特卡洛方法，根據(jù)隨機(jī)數(shù)的取值，選擇下一個(gè)行駛狀態(tài)，不會(huì)出現(xiàn)個(gè)別行駛狀態(tài)概率小而不被應(yīng)用于工況構(gòu)建中，提高了所構(gòu)建工況的代表性。

假設(shè)當(dāng)前狀態(tài)為i，下一狀態(tài)為j，則其狀態(tài)轉(zhuǎn)移概率矩陣如表4所示：

表4 ?轉(zhuǎn)移矩陣中第i行的概率

由狀態(tài)轉(zhuǎn)移矩陣的性質(zhì)可知其每一行的概率之和為1，即式（4），其中Pij為當(dāng)前狀態(tài)為i下一狀態(tài)為j的概率。

（4）

而利用MATLAB產(chǎn)生的[0，1]之間符合均勻分布的隨機(jī)數(shù)x，若此隨機(jī)數(shù)符合：

（5）

則下一狀態(tài)就為q，在q所屬的狀態(tài)類別中找到起始速度與上一行駛狀態(tài)結(jié)尾速度接近的行駛狀態(tài)進(jìn)行合成，若其速度差值在合理范圍內(nèi)，該行駛狀態(tài)就可確定為下一行駛狀態(tài)。合成完畢后將q賦值于i，重復(fù)之前的步驟進(jìn)行合成，直至達(dá)到理想的工況長度。

3.3 工況篩選

運(yùn)用蒙特卡洛法對(duì)馬爾可夫方法構(gòu)建循環(huán)工況優(yōu)化后一次合成的工況不能完全代表最終工況。通過此方法構(gòu)建出大量候選工況，最后通過候選工況與采集的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行對(duì)比。為了評(píng)估構(gòu)建的循環(huán)工況的代表性與全面性，本文引入特征值的相對(duì)誤差和平均相對(duì)誤差對(duì)候選工況經(jīng)行篩選，最后相對(duì)誤差和平均相對(duì)誤差最小的候選工況即為本文理想的循環(huán)工況。篩選出的循環(huán)工況如圖5所示，其特征值與實(shí)驗(yàn)數(shù)據(jù)特征值對(duì)比表5所示。

（6）

（7）

表5 ?特征值對(duì)比

圖5 ?西安市純電動(dòng)汽車城市循環(huán)工況

4 總結(jié)

本文通過設(shè)計(jì)行駛工況實(shí)驗(yàn)方案，采用速度加速度網(wǎng)格法對(duì)車輛行駛數(shù)據(jù)進(jìn)行劃分，引入蒙特卡洛模擬法對(duì)馬爾可夫法構(gòu)建工況的過程進(jìn)行優(yōu)化。提高了數(shù)據(jù)的全面性和精確性，同時(shí)解決了傳統(tǒng)馬爾可夫構(gòu)建法分類條件單一及小概率事件丟失的問題。最后通過對(duì)比該工況與原始數(shù)據(jù)及其他傳統(tǒng)方法合成工況的差異，證明了該方法構(gòu)建的工況具有更小的誤差率。

參考文獻(xiàn)

[1] Xie S， Li H， Xin Z， et al. A Pontryagin?Minimum Principle-Based Adaptive Equivalent Consumption Mini?-mum Strategy for a Plug-in Hybrid Electric Bus on a Fixed Route?[J]. Energies， 2017， 10（9）：?1379.

[2] Xie S， Li H， Xin Z， et al. A Pontryagin Minimum Principle-Based Adaptive Equivalent Consumption Minimum Strategy for a Plug-in Hybrid Electric Bus on a Fixed Route[J]. Energies， 2017， 10（9）：?1379.

[3] 張建偉，李孟良，艾國和，等.車輛行駛工況與特征的研究[J].汽車工程， 2005， 27（2）：220-224.

[4] 萬霞，黃文偉，強(qiáng)明明.深圳市乘用車道路行駛工況構(gòu)建[J].深圳大學(xué)學(xué)報(bào)（理工版），2016，33（03）：281-287.

[5] 姜平.城市混合道路行駛工況的構(gòu)建研究[D].合肥工業(yè)大學(xué)，2011.

[6] Li L， Yang C， Zhang Y， et al. Correctional DP-Based Energy Manage?-ment Strategy of Plug-In Hybrid Electric Bus for City-Bus Route[J]. IEEE Transactions on Vehicular Technology， 2015， 64（7）：2792-?2803.

[7] 邵偉.蒙特卡洛方法及其在一些統(tǒng)計(jì)模型中的應(yīng)用[D].山東大學(xué)， 2012.

[8] 鄭殿宇，吳曉剛，陳漢，等.哈爾濱城區(qū)乘用車行駛工況的構(gòu)建[J].公路交通科技，2017，34 （4）：101-107.

[9] 藺宏良.西安市交通環(huán)境轎車行駛工況與燃料消耗研究[D].長安大學(xué)，2013.