基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法和系统与流程

本发明涉及混动汽车能源分析领域，尤其涉及一种基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法和系统。

背景技术：

1、现有混合动力汽车能耗测试工况的生成方法主要依赖于静态的敏感度分析与常规的优化算法。一方面，传统sobol指数等全局敏感度分析方法仅能量化工况特征参数对能耗的静态贡献度，无法捕捉驾驶过程中各特征参数随时间演化的非线性耦合效应与动态敏感特性；另一方面，标准粒子群优化（pso）算法在处理高维、多模态的工况优化问题时，易陷入局部最优且收敛速度受限，缺乏对工况参数敏感度差异的自适应响应能力；此外，在台架验证环节，传统递归最小二乘（rls）方法采用固定遗忘因子，无法有效跟踪车辆动力学参数的时变特性，且对能耗模型的非线性量测缺乏精确处理能力。

2、因此，现有技术存在无法动态反映工况-能耗耦合关系、优化算法自适应性不足、在线参数估计精度有限等技术缺陷，亟需本领域技术人员解决相应的技术问题。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法和系统。

2、为了实现本发明的上述目的，本发明提供了一种基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，包括以下步骤：

3、s1，多源交通大数据采集与预处理，统一时间戳并计算窗口特征向量；

4、s2，采样工况聚类与代表性工况提取，采用两级聚类算法构建基础工况库；

5、s3，动态耦合时序敏感度分析，构建时变耦合敏感度函数与能耗熵敏感度指数，识别高敏感工况特征；

6、s4，工况自适应优化与生成，采用自适应混沌量子粒子群优化算法进行测试工况参数向量获取；

7、s5，台架映射执行与验证闭环，采用自适应遗忘因子容积卡尔曼滤波算法进行在线参数修正，实现敏感度分析、工况自适应优化、执行与验证和在线参数修正的闭环迭代。

8、上述技术方案优选的，所述s1包括：

9、采集车端can数据、gnss轨迹、obd日志及路侧交通感知数据，统一时间戳至utc标准，对数据进行清洗、补齐与低通滤波处理后，按路段或时间窗口切片，计算窗口特征向量，所述特征向量包括平均速度、速度方差、加速度均值、加速波动率、怠速时长占比、平均坡度、制动事件率、道路类型标签及流量密度。

10、上述技术方案优选的，所述s2包括：

11、构建包含s1所得特征的特征向量，首先利用dbscan算法去除噪声并划分异常点，随后采用k-means算法进行细化聚类，聚类数目依据轮廓系数或calinski-harabasz指数自适应确定；对每个簇选取中心样本或采用动态时间规整合成典型速度-时间曲线，输出基础工况库，每个工况包含速度-时间曲线模板、加速/减速段分布、坡度段及典型信号事件。

12、上述技术方案优选的，所述s3包括：

13、构建能耗模型并采用动态耦合时序敏感度分析方法对工况特征进行敏感度排序；通过构建时变耦合敏感度函数捕捉工况特征随时间演化的非线性耦合效应与动态敏感特性，通过构建能耗熵敏感度指数识别跨工况片段的能耗离散敏感特性，将时变敏感度在优化时间窗口内按时间加权平均得到特征敏感度标量。

14、上述技术方案优选的，所述s3包括：

15、所述时变耦合敏感度函数通过瞬时敏感核、耦合记忆衰减核与时序协同共振核的乘积关系，量化工况特征参数对能耗影响的瞬时强度、历史交互衰减效应与趋势同向协同放大效应；所述能耗熵敏感度指数融合信息熵理论与变异系数，通过归一化能耗贡献概率的熵值与片段内变异系数的加权，识别具有工况适应性敏感特性的参数。

16、上述技术方案优选的，所述s4包括：

17、采用自适应混沌量子粒子群优化算法对测试工况参数向量进行搜索，其中设计变量包括速度时间曲线形态、怠速分段配置及坡度段配置；构建综合评价函数以能耗敏感覆盖度与代表性误差的加权组合为优化目标；通过量子化位置更新方程引入量子行为轨迹与双指数分布概率特性，通过自适应惯性权重与种群多样性控制机制引入混沌映射扰动与敏感度驱动的自适应变异，实现高敏感维度的优先搜索与局部最优跳出。

18、上述技术方案优选的，所述s4包括：

19、所述量子化位置更新方程引入周期性混沌扰动模拟交通波传播特性，并基于维度自适应变异因子根据敏感度差异自动调整搜索步长；所述自适应惯性权重根据迭代进度与种群多样性指数双重调节，当多样性低于阈值时触发混沌重组机制重新初始化粒子位置。

20、上述技术方案优选的，所述s5包括：

21、将被测车辆置于转鼓试验台，将优化生成的速度-时间曲线映射为滚筒角速度与阻力曲线执行工况测试；采用自适应遗忘因子容积卡尔曼滤波算法进行在线参数估计，通过自适应遗忘因子动态调整律根据预测误差与参数梯度双重调节记忆长度，通过容积点非线性传播与状态更新处理能耗模型的非线性量测，实时修正车辆动力学参数；将在线估计更新的车辆动力学参数反馈至s3中的能耗模型，重新计算时变敏感度场并更新s4中评价函数的归一化基准，重新执行工况优化，形成敏感度分析-工况生成-物理验证-参数修正的全流程动态自适应闭环，直至预测误差小于阈值或达到最大迭代次数。

22、本发明还公开一种计算机系统，包括：

23、处理器；

24、用于存储处理器可执行指令的存储器；

25、其中，所述处理器被配置为执行所述可执行指令时实现以上所述的任一方法。

26、综上所述，由于采用了上述技术方案，本发明的有益效果是：

27、本发明通过构建动态耦合时序敏感度分析模型，引入时变耦合敏感度函数与能耗熵敏感度指数，能够精确捕捉工况特征随时间演化的非线性耦合效应与动态敏感特性，解决了传统静态敏感度分析无法反映驾驶过程瞬态特性的问题；通过设计自适应混沌量子粒子群优化算法，引入量子行为轨迹、混沌映射与自适应惯性权重机制，实现了对高敏感度维度的自适应变异与种群多样性控制，有效避免了局部最优，提高了工况优化的全局搜索能力与收敛精度；通过构建自适应遗忘因子容积卡尔曼滤波算法，结合自适应遗忘因子动态调整律与容积点非线性传播技术，实现了对车辆动力学参数时变特性的高精度在线估计与能耗模型非线性量测的精确处理，确保了台架验证与模型预测的一致性，形成了敏感度分析-工况生成-物理验证-参数修正的全流程动态自适应闭环。

28、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

1.一种基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，包括：

2.根据权利要求1所述的基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，所述s1包括：

3.根据权利要求1所述的基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，所述s2包括：

4.根据权利要求1所述的基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，所述s3包括：

5.根据权利要求4所述的基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，所述s3包括：

6.根据权利要求1所述的基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，所述s4包括：

7.根据权利要求6所述的基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，所述s4包括：

8.根据权利要求1所述的基于交通大数据与能耗敏感度的混动汽车能耗工况自适应生成方法，其特征在于，所述s5包括：

9.一种计算机系统，其特征在于，包括：