一种基于工况重构的车辆行驶能耗预测方法与流程

1.本发明涉及智能交通系统和智能网联环境下的车载智能能量管理技术领域，具体涉及一 种基于工况重构的车辆行驶能耗预测方法。


背景技术：

2.对于能量敏感的纯电汽车或混合动力汽车，提前获知规划路径未来能量需求等是准确估 计剩余里程、充电方案设置、混合系统功率及能量管理与优化控制等的主要依据。现在的智 能能量管理系统可利用智能学习算法，可实现对车辆未来一段时间或路程行驶工况或行驶功 耗需求的预测，基于此可进一步实现车载能量的自适应工况控制。目前，绝大多数方法尚不 具备预测车辆长时行驶能耗的能力，现有方法大多是对行驶工况的识别从而进行短时能量需 求预测，抑或是基于历史数据进行能耗预测。这些方法优点是计算量不大，适于工况相对稳 定场景下短时控制优化。然而这些方法存在着预测时间较短，不利于车载能量在规划行驶路 线上的全局规划，和实时性较差，无法实时反应道路交通变化对汽车能耗预测的影响，在工 况变化较大的场景下会造成了能量预测结果的滞后或误判的缺点。


技术实现要素：

3.本发明的目的是提供一种基于工况重构的车辆行驶能耗预测方法，能够根据车辆规划线 路的道路和交通特征进行工况特征参数预测，以预测的工况特征参数为基础进行未来工况预 测的模型，再以典型的工况类型片段重构未来一段时间的车速时间序列，从而以此计算未来 路段的车辆行驶能量消耗。本发明所建立的预测模型具有适应性强，普适性较好，预测结果 准确性高的特点。
4.为此，本发明采用的技术方案如下：
5.一种基于工况重构的车辆行驶能耗预测方法，包括以下步骤，s1、对车辆历史工况数据 进行特征参数提取和聚类分析，建立工况特征参数数据库，并选出典型工况片段；s2、采集 车辆工况数据，构建工况特征数据与道路和交通特征参数之间的映射关系，建立基于道路和 交通特征的车辆工况特征参数的预测模型；s3、根据规划的行车路线获取道路和交通的量化 特征参数，利用所述预测模型进行道路和交通工况特征参数预测；s4、将预测得到的车辆工 况特征参数与数据库进行比较，确定未来行驶路线的工况，并用典型工况曲线重构未来行驶 路线的车速
‑
时间曲线；s5、根据车速
‑
时间曲线估计未来行驶路程所需的能量。
6.进一步的，步骤s1中对车辆历史工况数据进行特征参数提取之前还包括，对所述车辆历 史工况数据进行汽车行驶片段划分，将片段时间长度划分为100
‑
200s。
7.进一步的，步骤s1中提取的特征参数为相对正加速度、振荡次数/100m、加速时间比、 减速时间比和时速低于15km/h的时间比。
8.更进一步的，步骤s1中所述聚类分析和所述建立工况特征参数数据库具体为，采
用高斯 混合模型的最大期望聚类分析方法对提取的特征参数进行聚类分析并建立数据库；所述数据 库包括四类典型工况，分别为拥堵工况、城市工况、郊区工况和高速工况。
9.更进一步的，步骤s1中所述典型工况片段为最靠近高斯分布的中心的片段。
10.进一步的，步骤s2中道路和交通特征参数包括道路类型、位置信息和交通状态，其中道 路类型包括高速道路、城市道路和郊区道路，位置信息为gps/gis提供的经纬坐标，交通状 态包括畅通、轻度拥堵、中度拥堵、严重拥堵四种状态，与所述道路类型共同表示交通量化 状态。
11.进一步的，所述预测模型为ga
‑
bp神经网络预测模型。
12.进一步的，步骤s3中所述根据规划的行车路线获取道路和交通的量化特征参数具体为， 在车辆出发前选择行车路线，通过云服务端gis/its模块来计算其所选择路线上的道路信息 和交通信息，将所述道路信息和所述交通信息传输给所述预测模型。
13.更进一步的，步骤s4中所述确定未来行驶路线的工况具体为，s41、将4种典型工况的 特征参数表达成一个矩阵；s42、采用最值归一化方法对s1中提取的车辆工况特征参数进行 去量纲处理；s43、基于预测得到的车辆工况特征参数进行工况模糊识别时，根据不同特征量 对工况应用指标影响程度的不同，以减少汽车能耗为目标对5个所述车辆工况特征参数设定 权重系数；s44、将待识别对象以矢量形式表示，识别原则采用遵循择近原则的间接法，贴进 度采用距离贴近度，根据距离的最小值，即可确定待识别对象的工况类型。
14.进一步的，步骤s5中所述车速
‑
时间曲线为采用典型工况类型序列重新构建的车速时间 序列，具体为，车辆在行驶过程中，利用式(1)和(2)对车辆行驶能量消耗进行计算，得 到预测能量消耗
[0015][0016][0017]
其中，p
d
为驱动需求功率；e为行车能量消耗；g为重力加速度；m为整车质量；u
a
为 车速；a为道路坡度；c
d
空气阻力系数；a为车辆迎风面积；f为滚动阻力系数；δ为旋转 惯量系数，du/dt为直线加速度，η
t
为传动系的机械效率，根据预测的工况类型采用相应的η
t
。
[0018]
本发明与现有技术相比，有益效果如下：
[0019]
(1)相比于依赖车辆自身运行一定周期的历史数据积累之后作出的能耗预测，本发明采 用的工况特征数据获取方法，能够根据本车规划路线上的道路和交通特征通过模型预测，保 证了预测模型的普适性和准确性，其具有很强的工况适应性和实用性。
[0020]
(2)本发明的能量预测方法基于道路与交通特征信息相融合的行驶工况特征数据获取方 法，保证预测准确度的同时能够反映道路和交通状况动态变化情况对车辆行驶能耗的影响。
[0021]
(3)本发明考虑了不同行驶工况时汽车机械传动效率的差异，针对不同的工况类型，采 用相应的传动系的机械效率来预测汽车的行驶能耗，极大的提高汽车行驶能耗的预测准确性。
析方法对根据采集的数据特征进行聚类分析，建立工况数据库；聚类个数通常取4～6类。若 聚类个数过多，则各个类别之间的差异性较小，不能很好地达到降维的作用；反之，则每个 类别内部样本差异性大，影响聚类分析的准确定。考虑到我国的城市道路交通情况、居住习 惯和已有研究进展，本文将工况分为了4类(拥堵工况、城市工况、郊区工况、高速工况)， 分别对应工况1～工况4，并建立相应典型工况特征参数矩阵。所述高斯混合模型(gmm)的 最大期望(em)聚类分析算法的计算步骤如下：
[0035]
(1)输入包含n个数据对象的车辆工况历史数据集x＝{x1,x2,
…
,xn}，选择簇的数量k 并随机初始化每个簇的高斯分布参数(均值和方差)。也可以先观察数据给出一个相对精确的 均值和方差
[0036]
(2)给定每个簇的高斯分布，计算每个数据点属于每个簇的概率。一个点越靠近高斯 分布的中心就越可能属于该簇；
[0037]
(3)基于这些概率计算高斯分布参数使得数据点的概率最大化，可以使用数据点概率 的加权来计算这些新的参数，权重就是数据点属于该簇的概率；
[0038]
(4)重复迭代2和3直到均值和方差在迭代中的收敛，
[0039]
(5)利用计算获得的高斯参数(均值和方差)，遍历所有的样本，将样本归于概率最大 的一类。
[0040]
需要说明的是，本实施例所选出典型工况片段应该具有广泛的代表性，且能很好反应工 况特点，因此所选出典型工况片段为最靠近高斯分布的中心的片段。
[0041]
s2、采集车辆工况数据，构建工况特征数据与道路和交通特征参数之间的映射关系，建 立基于道路和交通特征的车辆工况特征参数的预测模型。
[0042]
对道路和交通环境进行特征化处理时，主要是采用高速道路、城市道路和郊区道路来描 述道路类型，同时考虑道路限速情况，位置信息采用gps/gis提供的经纬坐标。交通状态根 据国标中的交通拥挤程度评价方法，采用量化的等级来表示，即用1、2、3、4来对应表示畅 通、轻度拥堵、中度拥堵、严重拥堵四个状态，配合道路类型体现平均车速等交通量化状态。
[0043]
在本实施例中，预测模型采用的是神经网络预测模型，具体的，所采用的神经网络为 ga
‑
bp神经网络。为了说明方便，本实施例所述ga
‑
bp神经网络的结构举例如下，实际上， 其中参数并不限于以下列举的数值。
[0044]
(1)ga
‑
bp神经网络拓扑模型为三层的前馈神经网络，根据隐含层节点经验公式确定隐含层节点数，其中a为0～10之间的常数，在此基础上进一步根据调 试经验确定隐含层节点个数，输入层节点对应输入量，输入层节点为4，输出层节点数为5； bp神经网络的训练函数为trainlm。
[0045]
(2)所述神经网络归一化采用默认处理方式，其处理方式如下所示：
[0046][0047]
式中，x
min
为数据系列中的最小数，x
max
为序列中的最大数，y
min
和y
max
为指定的归一化 范围。
[0048]
(3)所述神经网络是输入为五组关于距离序列的量，具体的为道路位置x＝ {x1,x2,
…
,xn}，道路类型n＝{n1，n2，
…
，nk}，道路限速limits＝{v1，v2，
…
，vk}，交通状 况s＝
{s1，s2，
…
，sk}；所述神经网络输出为相对正加速度、振荡次数/100m、加速时间比、 减速时间比、时速低于15km/h的时间比；
[0049]
(4)所述ga
‑
bp神经网络模型采用bp算法计算输入层、隐含层以及输出层的误差， 步长为0.1，并统计迭代次数；判断算法迭代是否结束，若迭代结束要满足以下条件之一，则 迭代结束：条件1，达到迭代次数100；条件2，预测的误差降到目标误差值10
‑
8以内；
[0050]
(5)所述ga
‑
bp神经网络模型进化代数为10，种群规模为30；交叉概率为0.3；变异 概率为0.1。
[0051]
s3、根据规划的行车路线获取道路和交通的量化特征参数，利用所述预测模型进行道路 和交通工况特征参数预测。
[0052]
通常的，在车辆出发前，驾驶员选择好行车路线，通过大数据云服务端gis/its模块来 计算其确定路线上的道路特征信息和交通信息，将相关信息传输给路况预测模型。
[0053]
s4、将预测得到的车辆工况特征参数与数据库进行比较，确定未来行驶路线的工况，并 用典型工况曲线重构未来行驶路线的车速
‑
时间曲线。
[0054]
具体的，根据步骤s03中预测出的工况特征参数，通过基于模糊识别工况的算法，将工 况归类工况数据库中的工况类型，如图4所示。具体算法步骤如下所示：
[0055]
s41、将4种典型工况的特征参数表达成一个阵列，可表示为：
[0056][0057]
s42、考虑到5个特征参数的量纲不一致，采用最值归一化方法(min
‑
max normalization) 对其进行去量纲处理。归一化转换函数如下：
[0058][0059]
其中max为样本数据的最大值,min为样本数据的最小值。
[0060]
归一化后的结果表示为
[0061][0062]
s43、基于预测的工况特征参量进行工况模糊识别时，考虑到不同特征量对工况应用指标 影响程度的不同，以减少汽车能耗为例对5个特征参数设定权重系数，分别对应相对正加速 度、振荡次数/100m、加速时间比、减速时间比、时速低于15km/h的时间比：
[0063]
w＝(w1,w2,w3,w4,w5)＝(0.40,0.30,0.10,0.10,0.10)
[0064]
s44、将待识别对象以矢量形式表示,识别原则采用遵循择近原则的间接法，贴进度采用 距离贴近度。设待识别对象为u0＝(x1,x2,
…
,x5)，它与典型工况聚类中心之间的距离为：
[0065][0066]
式中x
j
为待识别对象u0的特性指标，j＝1,2,
…
,5；x
ij
为典型工况聚类中心u
i
的特性 指标，i＝1,2,
…
,4，j＝1,2,
…
,5；w
j
为特征参数的权重，j＝1,2,
…
,5。根据d
i
(u0,u
i
) 的最小值，即可确定待识别对象的工况类型。
[0067]
s5、根据车速
‑
时间曲线估计未来行驶路程所需的能量。
[0068]
具体的，图5所示，所用车速
‑
时间序列为采用典型工况类型序列重新构建的车速时间序 列。车辆在行驶过程中，车辆消耗的功率利用公式(1)进行计算，得出实际功率和预测功率， 利用式(2)对车辆行驶能量消耗进行计算，得到预测能量消耗。
[0069][0070][0071]
式中，p
d
为驱动需求功率；e为行车能量消耗；g为重力加速度；m为整车质量；u
a
为 车速；a为道路坡度；c
d
空气阻力系数；a为车辆迎风面积；f为滚动阻力系数；δ为旋转 惯量系数，du/dt为直线加速度，η
t
为传动系的机械效率。其特征还在于，所述公式中η
t
为 变化的量，这是因为车辆在不同工况下的η
t
不同。η
t
值应提前根据不同工况类型进行测算， 此处工况分为4类，对应4个准确的η
t
。之后在预测时，根据预测的工况类型，计算时采用 相应的η
t
。其中忽略道路坡度对功率的影响，即取i＝0。
[0072]
本发明面向具体人
‑
车
‑
路系统，选取对车辆能耗影响较大的工况特征参数，构建车辆的 全路径工况预构模型，再基于预测的工况类型重构车速计算车辆行驶能耗。相比于依赖车辆 最新运行历史数据做出工况识别，该方法的工况特征预测是以规划路线上的道路特征和交通 状况序列为输入，在保证预测模型的普适性和准确性的同时，该方法可以实现交通道路状态 数据的滚动更新以及行驶能量消耗的长时间预测，保证预测车辆长时能耗准确度的同时能够 及时反映道路和交通动态变化状况对车辆行驶状态的影响，同时该方法考虑了不同工况的机 械传动效率差异对能耗预测的影响，从而极大提高汽车行驶能量消耗预测的准确性。
[0073]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员 来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等 同替换、改进等，均应包含在本技术的保护范围之内。