多源信息融合的插電式混合動力公交車行駛工況構(gòu)建

孟 垚, 高建平, 吳 瓊， 郗建國

(河南科技大學(xué) 車輛與交通工程學(xué)院,河南 洛陽 471003)

0 引言

能源短缺和環(huán)境污染是全球面臨的巨大挑戰(zhàn)，發(fā)展新能源汽車已成為全球共識[1]。插電式混合動力公交車(plug-in hybrid electric bus，PHEB)作為新能源汽車中的典型代表，具有比傳統(tǒng)混合動力汽車更好的經(jīng)濟(jì)性和排放性，已成為極具發(fā)展?jié)摿Φ男履茉雌嘯2]。在PHEB的設(shè)計(jì)和開發(fā)過程中，行駛工況對PHEB最優(yōu)的能量分配起著至關(guān)重要的作用[3]。目前，大多數(shù)PHEB的能量管理都是基于標(biāo)準(zhǔn)工況，并不能很好地反映整車在實(shí)際道路上行駛時(shí)的工況。因此，構(gòu)建能夠表征實(shí)際道路狀況的行駛工況，對進(jìn)一步挖掘PHEB節(jié)能的潛力具有重要的意義。

目前，最常使用的構(gòu)建行駛工況的方法包括短行程法、聚類分析方法、小波變換方法和馬爾可夫方法[4-7]。文獻(xiàn)[8]利用短行程法構(gòu)建了行駛工況，建立了組合優(yōu)化算法對初始聚類中心進(jìn)行優(yōu)化，使構(gòu)建的行駛工況更加精確。 文獻(xiàn)[9]使用聚類方法，將原始的行駛數(shù)據(jù)分成代表公交車不同時(shí)間、不同路段上的若干類行駛特征，通過構(gòu)建類內(nèi)馬爾可夫模型，生成類內(nèi)行駛工況。文獻(xiàn)[10]將自組織映射(self-organizing maps，SOM)網(wǎng)絡(luò)得到的權(quán)值作為模糊C均值(fuzzy C means，F(xiàn)CM)的初始聚類中心，基于改進(jìn)的FCM聚類法構(gòu)建了合肥市道路行駛工況。文獻(xiàn)[11]通過小波變換對原始行駛數(shù)據(jù)進(jìn)行預(yù)處理，利用運(yùn)動片段+主成分分析+聚類分析+離差平方和+速度閾值的方法，構(gòu)建了長春市輕型車城市道路行駛工況。文獻(xiàn)[12]提出了一種基于馬爾可夫鏈的城市道路行駛工況的構(gòu)建方法，與傳統(tǒng)的短行程法相比，構(gòu)建精度提高了2.4%。但由于實(shí)際的道路行駛工況受諸多因素的影響，其中實(shí)時(shí)的道路交通信息是影響道路行駛工況的重要因素之一。上述研究中所構(gòu)建的工況都是基于原始行駛數(shù)據(jù)，均未考慮實(shí)時(shí)的道路交通信息對行駛工況構(gòu)建的影響，因此，構(gòu)建的行駛工況不能較好地反映實(shí)際道路的行駛工況。隨著智能網(wǎng)聯(lián)汽車和智能交通的發(fā)展，將實(shí)時(shí)交通信息考慮到工況構(gòu)建中已成為一個(gè)亟需解決的問題。

為了使構(gòu)建的工況能夠更加符合實(shí)際的交通狀況，本文通過車載終端采集實(shí)車的原始行駛數(shù)據(jù)，在利用馬爾可夫理論構(gòu)建全局行駛工況的同時(shí)，結(jié)合毫米波雷達(dá)和視覺傳感器獲取道路交通信息，對構(gòu)建的全局行駛工況每300 s進(jìn)行一次更新，從而構(gòu)建出能夠表征實(shí)際道路狀況的行駛工況，反映出整車更加真實(shí)的油耗。

1 實(shí)時(shí)交通信息的獲取與處理

1.1 實(shí)時(shí)交通信息的獲取

汽車在實(shí)際道路上行駛時(shí)，由于道路交通環(huán)境復(fù)雜，不可控因素過多，獲取有效數(shù)據(jù)較為困難。因此，本文通過仿真軟件Prescan建立虛擬的駕駛場景，進(jìn)行模擬駕駛操作，利用Prescan內(nèi)置的毫米波雷達(dá)和視覺傳感器獲取前方道路實(shí)時(shí)交通信息，表1為所選用的傳感器及其基本參數(shù)。

表1 傳感器及其基本參數(shù)

1.2 實(shí)時(shí)交通信息的多源信息融合

D-S證據(jù)理論具有較強(qiáng)的處理不確定性信息的能力[13]。本文利用毫米波雷達(dá)可以獲取與前方車輛的相對車速和相對距離。視覺傳感器可以獲取車輛周圍的交通環(huán)境，并準(zhǔn)確識別目標(biāo)車輛。通過D-S證據(jù)理論將傳感器獲取的信息進(jìn)行融合，融合算法的步驟如下：

步驟1 對毫米波雷達(dá)和視覺傳感器獲取的速度數(shù)據(jù)和交通流量數(shù)據(jù)進(jìn)行離散化處理，并將它們分成Nf和Nv個(gè)區(qū)間，即F1，F(xiàn)2，…，F(xiàn)Nf和V1，V2，…，VNv。因此，可以得到Nf×Nv形式的關(guān)聯(lián)規(guī)則[14]：

Fa?Vb，a=1,…,Nf;b=1,…,Nv，

(1)

其中：Fa為采集的流量值；Vb為采集的速度值。

通過上述關(guān)聯(lián)規(guī)則，可以得到關(guān)聯(lián)規(guī)則的支持度矩陣Sup和可信度矩陣Con。

(2)

(3)

其中：nab是當(dāng)交通流量在區(qū)間Fa且速度在區(qū)間Vb時(shí)出現(xiàn)的頻率。

步驟2 設(shè)識別框架U={Va},a=1,…,Nv，對傳感器獲取的每個(gè)待融合的數(shù)據(jù)值(速度值和交通流量值)，按照一定的規(guī)則分別轉(zhuǎn)換到U上的基本概率函數(shù)。

傳感器獲取的速度的基本概率函數(shù)與速度值的可信度α以及速度值所在的速度區(qū)間的位置有關(guān)。根據(jù)速度值判斷它所在的速度區(qū)間Va[15]。

(4)

(5)

其中：m1(Va)為速度值的基本概率函數(shù)；Vb0是速度區(qū)間Vb的平均值；LV是速度區(qū)間大小；m(A)為A的基本概率賦值；A為識別框架U的一個(gè)子集；α為傳感器采集的速度信息的準(zhǔn)確度。

交通流量的基本概率函數(shù)是根據(jù)速度值和臨界速度值對道路的交通狀態(tài)進(jìn)行判斷。交通流量的基本概率函數(shù)可以表示為：

(6)

其中：m2(Fa)為交通流量值在區(qū)間Fa時(shí)，速度值在每個(gè)速度區(qū)間的可信度；n為臨界速度值所在的速度區(qū)間的標(biāo)號；Coec、Coef分別為道路交通流量處于擁堵狀態(tài)和暢通狀態(tài)的概率。

步驟3 速度值的基本概率函數(shù)m1(Va)和交通流量值的基本概率函數(shù)m2(Fa)的合成規(guī)則為[16]：

(7)

(8)

步驟4 本文選擇每個(gè)待融合數(shù)據(jù)中具有最大可信度函數(shù)的子集Vb作為證據(jù)理論的決策[17]，即：

(9)

Bel(Vb)=max(Bel(Va))。

(10)

2 實(shí)時(shí)全局工況構(gòu)建

2.1 車速片段的劃分

車速片段是將原始行駛數(shù)據(jù)按照特定的規(guī)則進(jìn)行劃分。本文選用采樣頻率為1 Hz的車載數(shù)據(jù)終端，利用車載數(shù)據(jù)終端與整車控制器進(jìn)行通信，通過控制器局域網(wǎng)(controller area network，CAN)總線獲取車輛原始數(shù)據(jù)，其主要包括車速、瞬時(shí)加速度和時(shí)間。采樣時(shí)間為1個(gè)月，有效數(shù)據(jù)共603 000條。將車輛從一個(gè)怠速開始到下一次怠速開始之間的運(yùn)動定義為車速片段，圖1為車速片段示意圖。采集的原始行駛數(shù)據(jù)可以劃分為5 668個(gè)類似的車速片段。

通過計(jì)算車速片段的平均速度，將其代表的車速片段分為6個(gè)狀態(tài)簇，詳細(xì)分類規(guī)則如表2所示。

表2 車速狀態(tài)簇分類規(guī)則

2.2 工況構(gòu)建

與短行程方法相比，馬爾可夫法利用狀態(tài)轉(zhuǎn)移矩陣進(jìn)行車速片段的選擇，并不是隨機(jī)選擇[18]，本文選擇基于馬爾可夫鏈的工況構(gòu)建方法。但是，所有的工況構(gòu)建方法無法反映實(shí)時(shí)的路況。為了實(shí)時(shí)構(gòu)建工況，通過多傳感器信息融合，獲得同一路段、同一時(shí)間段車速和交通流量。將獲取的數(shù)據(jù)發(fā)送到交通監(jiān)測系統(tǒng)，由交通監(jiān)測系統(tǒng)對獲取的數(shù)據(jù)進(jìn)行整合，再將這些交通數(shù)據(jù)發(fā)送給目標(biāo)車輛，從而為實(shí)時(shí)工況構(gòu)建提供有用的信息。

根據(jù)獲取的實(shí)時(shí)交通信息和狀態(tài)轉(zhuǎn)移矩陣構(gòu)建實(shí)時(shí)的全局工況，流程如下：

首先，在構(gòu)造全局工況之前，將全局工況初始化Cycleg=0，并將選取的公交路線劃分為14個(gè)路段，從交通監(jiān)測平臺獲取每個(gè)路段的實(shí)時(shí)交通信息，發(fā)送到目標(biāo)車輛。

其次，路段的工況是由車速片段組成，根據(jù)當(dāng)前路段平均車速所對應(yīng)的車速狀態(tài)簇隨機(jī)選擇一個(gè)車速片段作為第一個(gè)路段。通過蒙特卡洛方法確定下一個(gè)路段的狀態(tài)q[19]，選擇狀態(tài)為q且初始速度與上一路段的末速度值相差小于1 km/h的車速片段作為第2個(gè)路段。如果當(dāng)前路段小于總的路段數(shù)，則算法將重復(fù)上述步驟構(gòu)建下一個(gè)路段，直到其等于總的路段，將停止構(gòu)建。此外，應(yīng)將已使用的車速片段從車速候選集中刪除，避免重復(fù)使用。

最后，考慮到實(shí)際應(yīng)用中信息傳輸?shù)木窒扌?，假設(shè)獲得的交通信息每300 s進(jìn)行一次更新[20]。根據(jù)實(shí)時(shí)更新的交通數(shù)據(jù)，從車輛當(dāng)前位置到終點(diǎn)站每300 s對工況進(jìn)行重構(gòu)，重構(gòu)的過程與前兩步相同。

3 結(jié)果與分析

基于實(shí)車的原始行駛數(shù)據(jù)構(gòu)建的全局工況和相應(yīng)的實(shí)際全局工況，如圖2a和圖2b所示。由圖2可知：實(shí)際的全局工況的平均速度大于構(gòu)建的全局工況的平均速度，所以行駛相同的距離，實(shí)際工況所用的時(shí)間小于構(gòu)建的工況所用的時(shí)間。由圖2a可知：構(gòu)建全局工況的最大車速和平均車速分別為43.62 km/h和18.05 km/h；由圖2b可知：實(shí)際全局工況的最大車速和平均車速分別為44.37 km/h和19.68 km/h，兩種工況主要特征參數(shù)的相對誤差均未超過10%，基本滿足精度的要求。

為了驗(yàn)證構(gòu)建工況的合理性，分別對比構(gòu)建的工況與實(shí)際工況的速度和加速度的概率分布，并利用速度-加速度聯(lián)合概率分布對構(gòu)建的工況進(jìn)行綜合分析。圖3分別為兩種工況的速度、加速度概率分布。由圖3可以看出：構(gòu)建的全局工況和實(shí)際的全局工況的速度和加速度概率分布較為吻合。圖4a和圖4b為實(shí)際全局工況和構(gòu)建全局工況的速度-加速度聯(lián)合概率分布。從圖4a可以看出：構(gòu)建的全局工況速度分布主要集中在0 km/h與25～35 km/h；加速度較為平緩，主要分布在-1.5～1.5 m/s2，與圖4b的狀態(tài)分布十分相似。因此，所構(gòu)建的工況具有一定的合理性，在一定程度上能夠表征實(shí)際道路的行駛工況。

基于實(shí)時(shí)更新的交通信息，將構(gòu)建的全局工況每300 s進(jìn)行一次重構(gòu)，從而可以更好地反映真實(shí)的道路狀況。重構(gòu)后全局工況的對比如圖5所示，圖5a中從301 s開始的紅線為第1次重構(gòu)的全局工況，與圖2a構(gòu)建的全局工況相比，其具有更高的平均速度，但是總體的趨勢相似，因此重構(gòu)的工況與構(gòu)建的工況之間具有略微的差異。圖5b中從601 s開始的黃線和圖5c中從901 s開始的紫線分別為第2次和第3次重構(gòu)工況，由于道路交通信息沒有太大的變化，所以后兩次重構(gòu)工況與第1次重構(gòu)工況的總體趨勢相同，但在第2次和第3次重構(gòu)工況中停車時(shí)間相較于第1次有所減少，因此，第2次和第3次重構(gòu)工況的時(shí)間要少于第1次重構(gòu)工況的時(shí)間。

(a) 第1次工況重構(gòu)

實(shí)際的全局工況與基于實(shí)時(shí)交通信息構(gòu)建的全局工況的比較如圖6所示。由圖6可知：與基于原始行駛數(shù)據(jù)構(gòu)建的全局工況的行駛時(shí)間相比，基于實(shí)時(shí)交通信息構(gòu)建的全局工況的行駛時(shí)間與實(shí)際全局工況的行駛時(shí)間相近，且這兩個(gè)全局工況在加速與減速區(qū)間都具有相同的趨勢。兩種工況具體的特征參數(shù)對比見表3。從表3中可以看出：基于實(shí)時(shí)交通信息構(gòu)建的工況與實(shí)際工況的特征參數(shù)的相對誤差均在5%以內(nèi)，相較于基于原始行駛數(shù)據(jù)構(gòu)建的全局工況，基于實(shí)時(shí)交通信息構(gòu)建的全局工況精度更高，因此，基于實(shí)時(shí)交通信息構(gòu)建的全局工況可以更好地反映實(shí)際的道路情況。

圖6 實(shí)際的全局工況與基于實(shí)時(shí)交通信息構(gòu)建的全局工況對比

車輛在實(shí)際行駛過程中駕駛員無法嚴(yán)格按照所構(gòu)建的工況行駛，因此利用AVL-Cruise建立整車的仿真模型，本文選用一款12 m的PHEB為研究對象，其整車主要技術(shù)參數(shù)見表4，并聯(lián)合MATLAB/Simulink軟件進(jìn)行仿真，得到不同行駛工況下的燃油消耗量。原始數(shù)據(jù)構(gòu)建的全局工況、基于實(shí)時(shí)交通信息構(gòu)建的全局工況以及實(shí)際全局工況的百公里燃油消耗量，分別為17.84 L、17.28 L和16.97 L, 基于實(shí)時(shí)交通信息構(gòu)建的全局工況的百公里燃油消耗量與實(shí)際全局工況更為接近，誤差為1.8%，表明基于實(shí)時(shí)交通信息構(gòu)建的全局工況可以更好地反映實(shí)際道路的行駛狀況。

表3 基于交通信息構(gòu)建的全局工況與實(shí)際全局工況特征參數(shù)對比

表4 整車主要技術(shù)參數(shù)表

4 結(jié)論

(1)通過車載數(shù)據(jù)終端采集的原始行駛數(shù)據(jù)，利用馬爾可夫理論構(gòu)建了PHEB的行駛工況，同時(shí)利用車載傳感器獲取實(shí)時(shí)道路信息對構(gòu)建的行駛工況進(jìn)行重構(gòu)。

(2)通過分析工況的特征參數(shù)和速度-加速度概率分布，與基于原始行駛數(shù)據(jù)構(gòu)建的全局工況相比，基于實(shí)時(shí)交通信息構(gòu)建的全局工況與實(shí)際全局工況更加吻合。通過仿真分析，在3種不同行駛工況下，基于實(shí)時(shí)交通信息構(gòu)建全局工況的百公里燃油消耗量與實(shí)際全局工況更為接近，相對誤差僅為1.8%。因此，基于實(shí)時(shí)交通信息構(gòu)建的全局工況可以很好地表征實(shí)際道路行駛狀況，從而更好地反映整車真實(shí)的燃油消耗量。