鄭路路 黃宏成 朱海健 謝先宇

(1.上海交通大學(xué) 汽車電子控制技術(shù)國家工程實驗室，2．上海機動車檢測認證技術(shù)研究中心有限公司 上海 2002040)

?

基于上海市某型插電式混合動力汽車的行駛工況和電流工況研究

鄭路路1黃宏成1朱海健1謝先宇2

(1.上海交通大學(xué) 汽車電子控制技術(shù)國家工程實驗室，2．上海機動車檢測認證技術(shù)研究中心有限公司 上海 2002040)

本文分析了上海市某型插電式混合動力汽車半年內(nèi)實時記錄的行駛數(shù)據(jù)，包括總里程、速度、荷電狀態(tài)、電池電流等信息。首先將總的行駛數(shù)據(jù)劃分為很多實際道路行駛的運動學(xué)片段，通過主成分分析和聚類分析將這些片段分別按照行駛特征和電流特征進行了分類，再將每個分類中距離中心最近的片段組合起來，得到了針對插電式混合動力車的典型行駛工況以及電流工況。

插電式混合動力車 數(shù)據(jù)處理 行駛工況 電流工況

0 前言

插電式混合動力汽車作為一種新能源車型，兼具了傳統(tǒng)燃油車和純電動車的優(yōu)勢，既可以通過電池來獲取電網(wǎng)的電能進行續(xù)航，又可以在電池電量不足時通過燃油來續(xù)航，成為當(dāng)前一種易于接受且市場前景相當(dāng)樂觀的混合動力汽車驅(qū)動模式[1]。在插電式混合動力汽車的設(shè)計開發(fā)過程中，對車輛行駛工況的分析是其設(shè)計的基礎(chǔ)，決定著控制策略的優(yōu)劣，經(jīng)過充分的工況分析才能對部件提出合理的參數(shù)要求，設(shè)計出適合使用條件的車輛[2]。

目前針對不同城市的路況有很多機構(gòu)和學(xué)者都進行了相應(yīng)的行駛工況研究，其中同濟大學(xué)的胡志遠等[3]通過對上海市10輛車12個月的連續(xù)道路行駛數(shù)據(jù)的采集，得到了上海市的乘用車行駛工況，并與新歐洲測試循環(huán)(NEDC)進行了對比。而關(guān)于插電式混合動力乘用車行駛工況的研究目前還比較少見到，主要針對插電式混合動力商用車如城市公交等進行了相應(yīng)的研究，如昆明理工大學(xué)的張家順[4]建立了昆明市的混合動力公交客車的行駛工況，北京理工大學(xué)的潘登[5]在建立了鄭州市插電式混合動力公交的循環(huán)工況的基礎(chǔ)上，還對其運行工況的預(yù)測進行了研究。

本文以某型插電式混合動力汽車為載體，通過對其實際行駛狀況進行研究，并對試驗數(shù)據(jù)進行分析，運用多元統(tǒng)計理論建立符合插電式混合動力汽車特性的車輛行駛工況和電流工況。

1 前期數(shù)據(jù)處理

本文所用的數(shù)據(jù)為上海市新能源汽車數(shù)據(jù)中心提供的50輛某型插電式混合動力汽車2014年各半年左右的行駛數(shù)據(jù)，數(shù)據(jù)格式符合上海市地方標準《新能源汽車及充電設(shè)施公共數(shù)據(jù)采集技術(shù)規(guī)范》，包含車輛的VIN碼、數(shù)據(jù)采集時間、速度、累計行駛里程等32種數(shù)據(jù)，采樣周期為10s，共包含數(shù)據(jù)1748131條。本文的行駛工況和放電工況研究用到了其中的數(shù)據(jù)采集時間、速度、累計行駛里程和高壓電池電流4種信號。

1.1 數(shù)據(jù)處理流程

本文建立行駛工況和電流工況的流程圖如圖1所示，首先對采集到的數(shù)據(jù)進行預(yù)處理，去除其中有采集缺失的數(shù)據(jù)以及明顯采集有誤的數(shù)據(jù)，將處理后的數(shù)據(jù)劃分為很多個微行程片段，再分別對行駛特征和電流特征進行參數(shù)提取，依次通過主成分分析和聚類分析后得到行駛工況和電流工況，同時因為實時采集的電流數(shù)據(jù)往往在精確度上有所欠缺，最后還要通過行駛工況與其進行對比，得到修正后的電流工況。

圖1 行駛工況和電流工況建立流程圖Fig.1 Flow diagram of building driving cycle and current cycle

1.2 數(shù)據(jù)預(yù)處理

如下表1列出了本文所用的混合動力汽車的基本參數(shù)值：

由電池的電壓和電流參數(shù)，可以認為所采數(shù)據(jù)中電池電壓在300V以下和電池電流在10C以上的部分為采集錯誤，考慮從整體數(shù)據(jù)中去除，這樣還剩下1737174條數(shù)據(jù)。另外，由于采集的數(shù)據(jù)中沒有停車充電的數(shù)據(jù)，但有長期處于靜止狀態(tài)而非怠速狀態(tài)的數(shù)據(jù)段，考慮將這種片段也去除，最終得到1687277條數(shù)據(jù)點，以待后續(xù)的微行程片段的劃分。

表1 某型混合動力汽車電池主要參數(shù)[6]Table 1 Main parameters of this PHEV

1.3 微行程片段的劃分

如圖2給出了一段典型的運動學(xué)微行程片段的示意圖，從一個怠速0點開始，一般會依次經(jīng)過怠速段、加速段和減速段到速度再次為0。

圖2 典型的微行程片段示意圖Fig.2 Figure of a typical kinematics part

按照這種微行程片段的劃分方式，可以將上述1687277條數(shù)據(jù)劃分為33845個微行程片段。

2 特征參數(shù)選取

針對行駛特征和電流特征分別選取以下特征參數(shù)，如表2所示：

3 主成分分析和聚類分析

3.1 主成分分析

主成分分析是用來處理和分析高維數(shù)據(jù)的一類多元統(tǒng)計分析方法，其基本思想是將高維數(shù)據(jù)投影到低維空間上，提取的主成分能夠反映原始變量的大部分信息，通常表示為原始變量的線性組合，使主成分所包含的信息減少重疊[7]。研究表2和表3中的多維變量的主要特征和相關(guān)性的時候，可以通過主成分分析的方法來簡化行駛工況和電流工況的提取，分析結(jié)果如下圖4和圖5所示。

表2 行駛特征和電流特征的特征參數(shù)Table 2 Characteristic parameters for driving cycle and current cycle

圖4 行駛特征主成分分析結(jié)果Fig.4 Principal component analysis result of driving cycle feature

由圖4可以看出，對于行駛工況，前五個主成分的累計頻率已經(jīng)達到93%，可以代表絕大部分信息；而在圖5中，對于電流工況，前七個主成分的累計頻率才可以達到93%，說明所選電流工況的特征參數(shù)之間的相關(guān)性更大，不如行駛工況。

圖5 電流特征主成分分析結(jié)果Fig.5 Principal component analysis result of current cycle feature

3.2 聚類分析

聚類分析是指將數(shù)據(jù)分類到不同的類或者簇的過程，同一個簇的對象有很大的相似性，而不同簇間的對象有很大的相異性[8]。

本文選用K-means聚類分析法，其基本原理如下所述：

(1)從n個數(shù)據(jù)對象中任意選擇K個對象作為初始聚類中心；

(2)根據(jù)每個聚類對象的均值(中心對象)，計算每個對象與這些中心對象的距離；并根據(jù)最小距離重新對相應(yīng)對象進行劃分；

(3)重新計算每個(有變化聚類)的均值(中心對象)；

(4)循環(huán)(2)到(3)直到每個聚類不再發(fā)生變化為止。

由前一節(jié)的主成分分析結(jié)果，分別根據(jù)行駛工況的前五個主成分和電流工況的前七個主成分利用K-means聚類分析法進行分類，都分類為低速、中速和高速段3類，以包含信息量較多的Comp1和Comp2分別畫出行駛工況和電流工況的聚類結(jié)果如圖6和圖7所示：

圖6 行駛工況聚類分析結(jié)果Fig.6 Cluster analysis result of driving cycle feature

圖7 電流工況聚類分析結(jié)果Fig.7 Cluster analysis result of current cycle feature

對比圖6和圖7不難看出，電流工況的聚類結(jié)果更差，這也與前面主成分分析的結(jié)果相對應(yīng)，需要考慮更加適合的電流工況特征參數(shù)。

4 行駛工況和放電工況的建立

由前一節(jié)的聚類分析結(jié)果，可以選取每個聚類的中心點代替該聚類，從而獲得最后的行駛工況和放電工況。

圖8 行駛工況的聚類代表片段Fig.8 Representative cluster parts of driving cycle

圖9 電流工況的聚類代表片段Fig.9Representative cluster parts of current cycle

根據(jù)國內(nèi)外構(gòu)建行駛工況的經(jīng)驗，一段標準工況的總時間一般為900-1200s，工況中某類運動學(xué)片段的個數(shù)由此類運動學(xué)片段在總工況中所占時間除以這一類運動學(xué)片段的平均時間取整后得到，計算得到行駛工況和電流工況均由3段低速、3段中速和1段高速組成，組合后得到的典型行駛工況和典型電流工況分別如下圖10和圖11所示，其中典型行駛工況長1240s，典型電流工況長1260s。

圖10 典型行駛工況Fig.10 Typical driving cycle figure

圖11 典型電流工況Fig.11 Typical current cycle figure

4.1 行駛工況對比

將所得的基于插電式混合動力汽車的典型行駛工況與同濟大學(xué)胡志遠[3]等建立的上海市乘用車行駛工況以及歐洲NEDC工況進行對比，結(jié)果如下表3所示：

由表3不難看出，本文基于上海市插電式混合動力汽車數(shù)據(jù)建立的行駛工況與上海市普通乘用車工況的加速、減速、勻速和怠速工況所占比例基本一致，與NEDC工況差距較大；而在平均速度、運行速度、加速度和減速度上都要略微超過上海普通乘用車工況，這可能與該型插電式混合動力汽車加速性能強有關(guān)，具體結(jié)論的可靠性還有待更多不同型號的插電式混合動力汽車的行駛數(shù)據(jù)來進行驗證。

4.2 電流工況修正

由前一章的聚類分析結(jié)果可知，電流特性的聚類精確度有所欠缺，因此得到的電流工況的精確度可能也有所欠，考慮對其進行修正。

考慮到行駛工況的精度較好，而行駛工況每一段也有與之對應(yīng)的電流工況，同樣由3段低速、3段中速和1段高速組合起來，得到如圖12的基于行駛工況的長度為1240s的電流工況。

表3 基于插電式混合動力汽車的行駛工況與另外兩種工況對比Table 3 Comparison among driving cycle based on PHEV and other two driving cycles

圖12 基于行駛工況的典型電流工況Fig.12 Typical current cycle figure based on driving cycle

圖12相比于圖11，在聚類的精確度上更高，而在特征參數(shù)的選取上因為選的是行駛工況的特征參數(shù)，構(gòu)建出的電流工況也有一定誤差。可以綜合兩種方法得到的電流工況來構(gòu)建典型電流工況，具體方法是通過求每點兩種方法的電流平方和的均值后開方，再根據(jù)電流之和的符號來確定開方之后的符號，這樣就可以一定程度上綜合考慮了兩種建立工況的方式，減小誤差，最后得到修正后的典型電流工況如圖13所示。修正后低速、中速和高速片段的分界變得模糊，和實際行駛情況也更加接近。

5 總結(jié)

本文以某型插電式混合動力汽車的行駛數(shù)據(jù)為基礎(chǔ)，選取一定的特征參數(shù)利用主成分分析和聚類分析的方法建立了典型的行駛工況和電流工況。通過對比所建立的插電式混合動力汽車的行駛工況和現(xiàn)有的上海市行駛工況，得到了符合插電式混合動力汽車特性的結(jié)論；與此同時，通過行駛工況來修正電流特征參數(shù)建立的電流工況，達到了一定的效果，后續(xù)可以考慮在數(shù)據(jù)采樣頻率更高、精度更好的情況下進一步完善本文的工作。

[1] 徐艷民. 插電式混合動力汽車相關(guān)技術(shù)與前景展望[J]. 機電工程技術(shù), 2011(12):116-118.

[2] 張家順. 高原地區(qū)混合動力公交客車城市道路行駛工況研究[D]. 昆明理工大學(xué), 2013.

[3] 胡志遠, 秦 艷, 譚丕強,等. 基于大樣本的上海市乘用車行駛工況構(gòu)建[J]. 同濟大學(xué)學(xué)報(自然科學(xué)版), 2015, 43(10):1523-1527.

[4] 張家順, 顏文勝, 申江衛(wèi),等. 高原地區(qū)混合動力公交客車城市道路行駛工況的研究[J]. 汽車工業(yè)研究, 2013(7):55-56.

[5] 潘 登. 混合動力汽車城市循環(huán)工況構(gòu)建及運行工況多尺度預(yù)測[D]. 北京理工大學(xué), 2015.

[6] 岳 譚. 比亞迪秦:雙模動力開啟新時代[J]. 時代汽車, 2014(2):62-67.

[7] Wold S, Esbensen K, Geladi P. Principal component analysis[J]. Chemometrics & Intelligent Laboratory Systems, 1987, 2(1-3):37-52.

[8] Hartigan J A, Wong M A. A K-means clustering algorithm[J]. Applied Statistics, 2013, 28(1):100-108.

Driving cycle and current cycle research based on a kind of PHEV running data in Shanghai

ZhengLulu1HuangHongcheng1ZhuHaijian1XieXianyu2

(1.NationalEngineeringLaboratoryforAutomotiveElectronicControlTechnology,ShanghaiJiaoTongUniversity, 2.ShanghaiMotorVehicleInspectionCertification&TechInnovationCenterCo.,LTDShanghai200240)

The paper analyzes a kind of plug-in hybrid electric vehicle real-time recorded running data in Shanghai, including total mileage, vehicle speed, state of charge, battery current and so on. Firstly, all the running data was divided into lots of real road kinematics parts, then the kinematics parts were classified by driving features and current features using principal component analysis and cluster analysis method, after that the parts which were closest to the classification centers were combined, and finally a driving cycle and a current cycle were put forward.

PHEV Data Processing Driving cycle Current cycle

1006-8244(2016)03-003-05

U461.1

B