基于新能源高頻大數(shù)據(jù)的駕駛行為與能耗分析

夏麗娜　何紹清　康澤軍　王建斌　賈國瑞

摘 要：近年來，在新能源汽車示范推廣和財政補貼的大背景下，我國新能源汽車產(chǎn)業(yè)快速發(fā)展。但與傳統(tǒng)燃油車相比，新能源汽車的技術(shù)成熟度尚且不足，在研發(fā)、運行階段仍存在諸多問題等待解決，其中能耗和續(xù)航問題的關(guān)注度尤為突出。本文基于車載終端采集到的新能源高頻大數(shù)據(jù)，提取能夠反映駕駛行為精細時空變化特征的特征參數(shù)集，采用主成分分析方法將特征參數(shù)集進行優(yōu)化，利用K-means算法實現(xiàn)駕駛行為的自動分級，并分析了不同級別駕駛行為的能耗分布情況。分析結(jié)果表明，駕駛行為影響新能源汽車能耗水平，其中平穩(wěn)駕駛對應(yīng)的能耗較低，對新能源汽車產(chǎn)品升級和用戶駕駛習慣優(yōu)化具有一定的參考價值。

關(guān)鍵詞：新能源高頻大數(shù)據(jù) 駕駛行為 能耗 主成分分析 聚類算法

1 前言

在汽車產(chǎn)業(yè)“電動化、網(wǎng)絡(luò)化、智能化、共享化”的趨勢背景下，近年來新能源汽車產(chǎn)業(yè)快速發(fā)展。據(jù)統(tǒng)計顯示，截止2020年6月，全國新能源汽車保有量已達417萬。與傳統(tǒng)燃油車不同，新能源汽車在運行過程中采集了大量運營數(shù)據(jù)，可一定程度上反映用戶的使用習慣和新能源汽車的產(chǎn)品性能。利用新能源運營大數(shù)據(jù)進行挖掘分析，提升新能源汽車產(chǎn)品研發(fā)效率，針對性地優(yōu)化產(chǎn)品性能，加快產(chǎn)品更新迭代節(jié)奏將是新能源汽車產(chǎn)業(yè)未來發(fā)展的大趨勢。

目前，新能源汽車的技術(shù)成熟度尚不如傳統(tǒng)燃油車，在研發(fā)及運行階段還有諸多問題亟待深入研究，其中續(xù)航和能耗是車企和消費者最為關(guān)注的問題之一。新能源汽車能耗的高低，與用戶駕駛行為密切相關(guān)。目前行業(yè)內(nèi)對于駕駛行為的研究多基于低頻數(shù)據(jù)提取車速、加速度、方向盤轉(zhuǎn)角的統(tǒng)計學參數(shù)，用于評價駕駛行為的平穩(wěn)性和安全性，不足以對駕駛行為的時空變化特性進行精細刻畫，也無法為企業(yè)在研發(fā)端為產(chǎn)品優(yōu)化提供參考價值。

本文基于新能源高頻大數(shù)據(jù)，提取駕駛過程中的不同數(shù)據(jù)字段聯(lián)合分布特征參數(shù)，以反映駕駛行為的時空變化特征，構(gòu)建新能源汽車駕駛風格分類模型，研究不同駕駛風格的能耗分布，將有助于優(yōu)化新能源汽車產(chǎn)品開發(fā)策略，促進新能源汽車正向發(fā)展。

2 新能源高頻大數(shù)據(jù)及其分類

新能源高頻大數(shù)據(jù)是通過車載終端設(shè)備采集得來，主要包括駕駛行為數(shù)據(jù)、充電數(shù)據(jù)、電池數(shù)據(jù)、電機數(shù)據(jù)、DCDC數(shù)據(jù)等，目前最高采集頻率可到100Hz。

2.1 駕駛行為數(shù)據(jù)

駕駛行為數(shù)據(jù)主要包括加速踏板開度、制動踏板開度、方向盤轉(zhuǎn)角、車速、行駛里程等。

2.2 充電數(shù)據(jù)

充電數(shù)據(jù)主要包括充電方式、充電狀態(tài)、充電電流、SOC等。

2.3 電池數(shù)據(jù)

電池數(shù)據(jù)主要包括總電壓、總電流、SOC、絕緣電阻、最高單體電壓、最低單體電壓、最高溫度、最低溫度等。

2.4 電機數(shù)據(jù)

電機數(shù)據(jù)主要包括電機控制器電流、驅(qū)動電機轉(zhuǎn)速、驅(qū)動電機扭矩等。

2.5 DCDC數(shù)據(jù)

電機數(shù)據(jù)主要包括DCDC電壓、DCDC電流、DCDC溫度等。

3 駕駛行為分析

3.1 駕駛行為特征參數(shù)提取

通常，評價用戶的駕駛行為可采用的數(shù)據(jù)主要為車速、方向盤轉(zhuǎn)角、縱向加速度、制動減速度等，可提取的參數(shù)則包括最大值、最小值、均值、中值、眾數(shù)、標準差以及不同區(qū)間占比等。

3.1.1 車速

車速不僅與道路安全密切相關(guān)，更是影響新能源汽車能耗的重要參數(shù)，無疑是評價用戶駕駛行為必不可少的指標。除最大值、最小值、中值、均值、標準差等常規(guī)統(tǒng)計學參數(shù)外，不同車速區(qū)間的占比能夠細化車速離散性，可反映出用戶駕駛行為的平穩(wěn)性。

3.1.2 方向盤轉(zhuǎn)角

方向盤轉(zhuǎn)角反映了用戶對車輛的橫向控制作用，而方向盤轉(zhuǎn)速則能夠表現(xiàn)出用戶在駕駛過程中的操作行為。方向盤轉(zhuǎn)速是指用戶在單位時間內(nèi)轉(zhuǎn)動方向盤的角度，即

（1）

式中：為相鄰兩幀數(shù)據(jù)的方向盤轉(zhuǎn)角變化量;t為相鄰兩幀數(shù)據(jù)的時間變化量。

3.1.3 縱向加速度和制動減速度

用戶對于加速踏板和制動踏板的操作是駕駛行為的重要環(huán)節(jié)，具體表現(xiàn)在車輛的縱向加速度和制動減速度數(shù)據(jù)上。采集到的新能源高頻大數(shù)據(jù)中，不包含縱向加速度和制動減速度數(shù)據(jù)字段，需通過車速和時間計算得來，即

（2）

式中：v為相鄰兩幀數(shù)據(jù)的車速變化量;t為相鄰兩幀數(shù)據(jù)的時間變化量。若加速度a計算值為正，則為縱向加速度，記為a+;若加速度a計算值為負，則為制動減速度，記為a-。

3.1.4 聯(lián)合分布特征參數(shù)

與車速相同，縱向加速度、制動減速度和方向盤轉(zhuǎn)速都可采用最大值、最小值、均值、標準差等統(tǒng)計學參數(shù)以及在不同區(qū)間的占比來反映其變化特征。但上述特征參數(shù)都只能基于時序信號對駕駛行為從整體進行表達，而忽略了車速與縱向加速度、制動減速度或方向盤轉(zhuǎn)速的同時性，故無法刻畫出用戶的急加速、急減速、急轉(zhuǎn)彎等重要細節(jié)。

為精細刻畫用戶駕駛行為，尤其是急加速、急減速、急轉(zhuǎn)彎等不良操作，本文提出利用車速-縱向加速度、車速-制動減速度和車速-方向盤轉(zhuǎn)速聯(lián)合分布作為評價用戶駕駛行為的指標。聯(lián)合分布特征參數(shù)可從時序角度整體把控駕駛行為，也可反映出車速與縱向加速度、制動減速度或方向盤轉(zhuǎn)速的空間關(guān)系，能夠綜合評價駕駛行為的時空變化特征。

3.2 駕駛行為特征參數(shù)優(yōu)化

在用戶的實際駕駛行程中，不能完全覆蓋聯(lián)合分布的每個區(qū)間范圍，故駕駛行為的聯(lián)合分布特征參數(shù)存在一定的冗余性。為最大限度降低計算所需的資源，同時最大化保留駕駛行為聯(lián)合分布特征參數(shù)所蘊含的信息，需對特征參數(shù)進行降維優(yōu)化。

主成分分析算法是目前成熟且常用的復雜數(shù)據(jù)矩陣降維方法之一，由Pearson在1901年首次提出。利用主成分分析算法，可對駕駛行為的聯(lián)合分布特征參數(shù)進行正交變換，將相互之間可能存在一定關(guān)聯(lián)性的駕駛行為聯(lián)合分布特征參數(shù)矩陣，正交化成為一個線性化且互不相關(guān)的參數(shù)矩陣，其中每個參數(shù)即為一個主成分。通過對所有主成分的貢獻率和累計貢獻率進行分析，選取其中前若干個主成分，以反映原駕駛行為聯(lián)合分布特征參數(shù)的80%以上的信息量。經(jīng)過主成分分析，可大大減小原駕駛行為聯(lián)合分布特征參數(shù)矩陣的維度，提高計算效率。

3.3 駕駛行為自動分類

目前行業(yè)內(nèi)通常根據(jù)駕駛激烈程度，將駕駛行為分為激進型、普通型和溫和型。本文將采用大數(shù)據(jù)挖掘技術(shù)中的聚類算法，基于駕駛行為的特征參數(shù)集，實現(xiàn)駕駛行為的智能化、客觀化自動分類。

聚類算法根據(jù)數(shù)據(jù)特征參數(shù)集中各點相對聚類中心點的距離大小，確定特征參數(shù)的類別，是一種無監(jiān)督學習算法，不需要在分類前對數(shù)據(jù)進行標簽化處理。K-means算法原理簡潔、計算高效，是目前應(yīng)用最為廣泛的聚類算法。

K-means算法根據(jù)用戶給定的K值，從數(shù)據(jù)集中隨機抽取K個點為聚類中心，計算數(shù)據(jù)集中其余數(shù)據(jù)點與K個聚類中心點的歐式距離，按照距離大小將其分配到與之歐式距離最小的聚類中心點，構(gòu)成一類數(shù)據(jù)。利用K簇數(shù)據(jù)中各數(shù)據(jù)點的均值代替原聚類中心，重新進行數(shù)據(jù)點分類，迭代至不再重新分配數(shù)據(jù)點所屬類別或聚類中心點不變或誤差平方和達到局部最小。其中，歐式距離計算公式為

（3）

式中：d為數(shù)據(jù)點到聚類中心點的歐式距離;n為數(shù)據(jù)點的維度;xi為數(shù)據(jù)點特征參數(shù);ki為聚類中心點特征參數(shù)。

其中，誤差平方和是指數(shù)據(jù)集中所有數(shù)據(jù)點的聚類誤差總和，可一定程度上反映出聚類效果，其計算公式為

（4）

式中：SSE為誤差平方和;Ci為第i類數(shù)據(jù);ki為Ci的聚類中心點;x為第i類數(shù)據(jù)集中的任意點。

4 駕駛行為能耗計算

能耗是反映新能源汽車能源消耗量的直接數(shù)據(jù)指標，是評價新能源汽車性能的重要參數(shù)。通過車載終端設(shè)備采集來的高頻大數(shù)據(jù)中，不含有能耗字段，因此需要利用其他數(shù)據(jù)字段計算能耗。常用的能耗特征參數(shù)包括總能耗和百公里能耗，其中總能耗是指一段駕駛行程所消耗的總電量，而百公里能耗是結(jié)合行駛里程將總能耗歸一化為每百公里消耗的電量。

總能耗的計算公式為

（5）

式中：Etotal為一段駕駛行程的總能耗;n為該段駕駛行程數(shù)據(jù)的總幀數(shù);Ui為第i幀數(shù)據(jù)總電壓;Ii為第i幀數(shù)據(jù)總電流;t為第i幀數(shù)據(jù)時間戳與第i-1幀數(shù)據(jù)時間戳之差。

百公里能耗的計算公式為

（6）

式中：E100為一段駕駛行程的百公里能耗;Etotal為該段駕駛行程的總能耗;d為該段駕駛的行程里程數(shù)。

5 案例研究

本文利用運營在天津的某品牌某款純電動汽車采集新能源高頻大數(shù)據(jù)，所選車輛上線日期接近，且運營在同一地域，降低了地域、電池壽命等因素對能耗的影響。

5.1 數(shù)據(jù)預處理

原始采集新能源高頻大數(shù)據(jù)中存在部分空值、缺省值等無效數(shù)據(jù)片段，影響后續(xù)駕駛行為分析和能耗計算的精確度，需進行數(shù)據(jù)清洗處理。本文采用的處理方法是利用有效數(shù)據(jù)片段進行線性插值，替換無效數(shù)據(jù)片段。

原始數(shù)據(jù)按照時間戳先后順序存儲，其中包含充電工況數(shù)據(jù)和行駛工況數(shù)據(jù)，需從中篩選出行駛工況片段，用于駕駛行為分析。本文根據(jù)代表鑰匙狀態(tài)的數(shù)據(jù)字段Key_State來劃分行駛工況，Key_State為“ON”，表示行駛工況開始;Key_State為“OFF”，表示行駛工況結(jié)束。

5.2 特征參數(shù)分析

注：車速單位（km/h）

注：方向盤轉(zhuǎn)速單位（°/s）

注：縱向加速度單位（m/s2）

以駕駛員A的一次行駛和駕駛員B的一次行駛為例，分別提取其車速、方向盤轉(zhuǎn)速、縱向加速度和制動減速度的各項統(tǒng)計學參數(shù)和不同區(qū)間占比，如表1～表4所示。

由表1可知，駕駛員A本次行駛除怠速外，車速在45～55km/h范圍內(nèi)分布占比較高，車速較為穩(wěn)定;而駕駛員B本次行駛車速在10～70km/h范圍內(nèi)接近均勻分布，車速穩(wěn)定性差。表2結(jié)果顯示，駕駛過程中，小幅度方向盤轉(zhuǎn)動占比達80%以上，駕駛員A方向盤轉(zhuǎn)速大于10°/秒共占比14.85%，駕駛員B方向盤轉(zhuǎn)速大于10°/秒占比18.3%，駕駛員B方向盤轉(zhuǎn)速相對較快。利用表3分析可知，無論是縱向加速度高于0.75m/s2占比還是高于2m/s2的占比，駕駛員B都高于駕駛員A，故駕駛員A相對駕駛員B加速行為較為溫和。同樣，表4則反映出駕駛員A減速行為也相對溫和。

為了更精細反映用戶在駕駛過程中的行為特征，本文提取了車速-方向盤轉(zhuǎn)速、車速-縱向加速度、車速-制動減速度聯(lián)合分布特征，以上述駕駛員A和駕駛員B的兩次行駛事件為例，其聯(lián)合分布特征參數(shù)分別如圖1～圖3所示。

注：制動減速度單位（m/s2）

從圖1可以看出，駕駛員A方向盤轉(zhuǎn)速高于20°/s對應(yīng)的車速多集中分布在30km/h以下，而駕駛員B對應(yīng)的車速則集中在10～50km/h范圍內(nèi)，說明駕駛員B轉(zhuǎn)彎時車速高于駕駛員A。由圖2和圖3可知，駕駛員B的車速-縱向加速度以及車速-制動減速度聯(lián)合分布都較為分散，車速、縱向加速度和制動減速度都高于駕駛員A，駕駛較為激烈。

綜上所述，用戶的駕駛行為特征參數(shù)包括車速、方向盤轉(zhuǎn)速、縱向加速度、制動減速度的各項統(tǒng)計學參數(shù)和區(qū)間占比以及三種不同聯(lián)合分布特征，共383維。利用主成分算法對特征參數(shù)集進行分析，如圖4所示，從中發(fā)現(xiàn)，前35個主成分的累計貢獻率達到85%以上，可用于原特征參數(shù)集，實現(xiàn)特征參數(shù)集的優(yōu)化降維，降低數(shù)據(jù)集的復雜度，提高計算效率。

5.3 駕駛行為分類

理論上講，聚類數(shù)K值越大，分類更精確，然而在實際中，K值過大并不利于用戶對真實數(shù)據(jù)的分類分析，因此需要首先確定最優(yōu)聚類數(shù)K值。本文基于降維后的駕駛行為特征參數(shù)集，利用K-means聚類算法測試不同聚類數(shù)K值對于的聚類效果，如圖5所示。當聚類數(shù)K值小于5時，誤差平方和SSE急劇下降，說明隨著K值的增大，聚類效果顯著提高;當K值大于5時，誤差平方和SSE下降趨勢逐漸緩和，說明K值的增大對于聚類效果的提高效果不明顯。因此，本文以5為最優(yōu)聚類數(shù)，將駕駛行為劃分為5類，如圖6所示。

根據(jù)駕駛行為分類結(jié)果，分析圖6中不同類別中行駛事件的特征參數(shù)發(fā)現(xiàn)，不同類別對應(yīng)的車速-縱向加速度和車速-制動減速度有明顯差異，能夠反映駕駛行為的激烈程度，可將5類駕駛行為按照激烈程度由低至高進行排序，如圖7所示。圖7中，駕駛行為級別越高，其對應(yīng)的車速、縱向加速度和制動減速度所能覆蓋的區(qū)域越廣，駕駛行為越激烈。

5.4 不同級別駕駛行為能耗分析

根據(jù)駕駛行為分級情況，對不同級別駕駛行為中所有行駛事件，利用式（6）計算百公里能耗，不同級別駕駛行為的能耗分布情況如圖8所示。1級駕駛行為樣本數(shù)為1708，百公里能耗眾數(shù)為18.5度;2級駕駛行為樣本數(shù)為1649，百公里能耗眾數(shù)為15.7度;3級駕駛行為樣本數(shù)為600，百公里能耗眾數(shù)為16.6度;4級駕駛行為樣本數(shù)為30，百公里能耗眾數(shù)為22.8度;5級駕駛行為樣本數(shù)為34，百公里能耗眾數(shù)為21.4度。其中，4級和5級駕駛行為由于樣本數(shù)較少，百公里能耗分析結(jié)果可信度降低。駕駛行為2級、3級車速穩(wěn)定，駕駛較為溫和，能耗相對較低;駕駛行為4級、5級車速較大且車速變化劇烈，能耗較高;駕駛行為1級，車速低，多為怠速事件，能耗居中。

6 結(jié)論

本文利用新能源高頻大數(shù)據(jù)，基于車速、方向盤轉(zhuǎn)速、縱向加速度和制動減速度提取了駕駛行為的常規(guī)統(tǒng)計學參數(shù)、不同區(qū)間占比以及不同數(shù)據(jù)聯(lián)合分布等特征參數(shù)，采用主成分分析方法對特征參數(shù)集進行降維優(yōu)化，利用K-means算法將駕駛行為從溫和至激烈劃分為5個級別，并探討了不同駕駛行為級別對應(yīng)的百公里能耗分布情況。結(jié)果表明，駕駛行為的激烈程度嚴重影響新能源汽車能耗，平穩(wěn)駕駛相對節(jié)能，可為產(chǎn)品升級和用戶駕駛提供一定指導建議。

課題1：廣東省重點領(lǐng)域研發(fā)計劃項目“燃料電池乘用車整車集成及動力系統(tǒng)平臺開發(fā)”課題課題編號2019B090909001

課題2：中汽中心重點課題“基于大數(shù)據(jù)分析的動力電池安全預警模型與平臺開發(fā)”

課題3：中汽中心青年基金課題“基于純電動汽車高頻大數(shù)據(jù)的能耗研究”

參考文獻：

[1]孫川，吳超仲，褚端峰等. 基于車聯(lián)網(wǎng)數(shù)據(jù)挖掘的營運車輛駕駛速度行為聚類研究[J]. 交通運輸系統(tǒng)工程與信息，2015，15（6）：82-87.

[2]文江輝，楊先敏，吳超仲. 大數(shù)據(jù)環(huán)境下營運車輛駕駛行為特征分析[J]. 交通信息與安全，2018，36（4）：42-50.

[3]李巖，石柏軍，張兆元等.基于行車數(shù)據(jù)的長途客車駕駛員駕駛行為識別方法研究[J].機械設(shè)計與制造工程，2017，46（12）： 105-108.

[4]孫川.基于自然駕駛數(shù)據(jù)的車輛駕駛風險辨識及控制研究[D]. 武漢理工大學，2011.

[5]趙曉華，陳晨，伍毅平等. 出租車駕駛員駕駛行為對油耗的影響及潛力分析[J]. 交通運輸系統(tǒng)工程與信息，2015，15（4）：85-91.

[6]Zejian Deng，Duanfeng Chu，Chaozhong Wu，et al. Curve safe speed model considering driving behaviour questionnaire[J]. Transportation Research Part F： Psychology and Behaviou，2019，65：536-547.

[7]Faria MV，Baptista PC，F(xiàn)ariias TL. Identifying driving behaviour patterns and their impacts on fuel use[C]. 20th EURO-Working-Group-on-Transportation Meeting（EWGT）：Budapest Univ Technol & Econ，2017（27）：953-96.

[8]李平凡. 駕駛行為表征指標及分析方法研究[D]. 吉林大學，2010.

[9]Ying Yao，Xiaohua Zhoa，Chang Liu，et al. Fuel Consumption Prediction Method Based on Driving Behaviour Collected from Smartphones[J]. Journal of Transportation， 2020（11）：1-11.