李耀華，邵攀登，翟登旺，任田園，宋偉萍，劉 洋，趙承輝

（長安大學(xué) 汽車學(xué)院，西安 710064，中國）

汽車行駛工況是基于汽車實(shí)際行駛數(shù)據(jù)，并結(jié)合相關(guān)數(shù)理統(tǒng)計(jì)方法來定量描述典型道路車輛行駛狀況的速度—時(shí)間曲線。高精度的汽車行駛工況能夠真實(shí)反映在實(shí)際行駛過程中車輛狀態(tài)的變化規(guī)律和用戶的使用需求，是汽車行業(yè)中的一項(xiàng)極其重要的共性技術(shù)[1-3]。中國幅員遼闊，地區(qū)差異較大，各個(gè)城市間的道路和交通狀況和駕駛員駕駛習(xí)慣存在差異。劉希玲等曾對北京、天津、上海、大連和廣州5 個(gè)城市的汽車行駛工況做了對比，結(jié)果表明各城市間的車輛行駛狀況有很大差別。因此，針對特定區(qū)域構(gòu)建符合當(dāng)?shù)剀囕v行駛特征的行駛工況就有著較大的意義[4]。

目前，工況構(gòu)建方法大多基于短行程，采用V-A矩陣法、聚類分析法、Markov 鏈法等方法構(gòu)建工況。S. K. Mayakuntla 等[5]提出了一種基于行程段的汽車行駛工況構(gòu)建方法。王國林[6]等利用傳統(tǒng)的短行程法構(gòu)建了輕型乘用車的行駛工況。杜常清等[7]基于GPS/GIS 的短行程構(gòu)建方法，將交通領(lǐng)域的大數(shù)據(jù)應(yīng)用于城市工況構(gòu)建中。N. H. Arun 等[8]基于全球定位系統(tǒng)（global positioning system, GPS）數(shù)據(jù)構(gòu)建印度金奈地區(qū)乘用車和摩托車的行駛工況。G. Günther 等[9]利用短行程構(gòu)建德國漢堡公交車行駛工況。李耀華等[10]基于主成分分析與聚類分析法構(gòu)建了西安市電動(dòng)客車行駛工況，并與其他典型城市工況進(jìn)行了對比分析。C. Chandrashekar 等[11]探索了隨機(jī)選擇和k均值聚類2 種方法來構(gòu)建工況。董恩源等[12-13]通過聚類分析法構(gòu)建城市公交行駛工況。L. Berzi 等[14]擴(kuò)充了部分運(yùn)動(dòng)學(xué)特征參數(shù)，構(gòu)建意大利佛羅倫薩電動(dòng)汽車的行駛工況。李耀華等[15-17]基于Markov 鏈法構(gòu)建城市公交線路工況。P. G. Seers 等[18]考慮了郊區(qū)車輛和機(jī)場車輛的運(yùn)行特殊性，構(gòu)建有針對性的行駛工況。G.Amirjamshidi 等[19]利用多目標(biāo)遺傳算法校準(zhǔn)仿真模型，基于仿真數(shù)據(jù)構(gòu)建多倫多地區(qū)不同類型汽車的行駛工況。

本文結(jié)合聚類與Markov 鏈法構(gòu)建了西安市某線路城市客車的行駛工況，確定了聚類個(gè)數(shù)及特征參數(shù)組合，提出了Markov 鏈法構(gòu)建工況長度的確定方法，從能耗角度定義汽車行駛時(shí)的單位里程比能耗作為工況選取標(biāo)準(zhǔn)，從50 條候選工況中篩選出該線路的代表工況，并建立了基于Cruise 軟件的純電動(dòng)客車整車模型，從數(shù)據(jù)結(jié)構(gòu)和百千米能耗對比了聚類法工況、V-A矩陣法工況、基于聚類與馬爾科夫結(jié)合法工況與樣本數(shù)據(jù)的偏差情況。

1 數(shù)據(jù)采集及預(yù)處理

1.1 數(shù)據(jù)采集及片段劃分

車輛實(shí)際運(yùn)行數(shù)據(jù)是行駛工況構(gòu)建的基礎(chǔ)。本文采用車輛無線行駛記錄儀對車輛行駛數(shù)據(jù)采集，將其固定安裝在西安市某公交線路運(yùn)營車輛上，從而實(shí)現(xiàn)對構(gòu)建線路工況所需數(shù)據(jù)的不間斷采集。本文選取了西安市某公交線路，該線路由西安市西南至東北，貫穿西安市一環(huán)至三環(huán)區(qū)域，涵蓋了西安市主干道、次干道、城郊等典型的城市公交路線，線路路線長，運(yùn)營強(qiáng)度大，具有較好的代表性。針對特定公交線路構(gòu)建工況可為該線路公交車動(dòng)力系統(tǒng)匹配選型和混合動(dòng)力系統(tǒng)控制策略優(yōu)化標(biāo)定提供依據(jù)，實(shí)現(xiàn)精確的定制化服務(wù)和一線一標(biāo)，為公交線路的運(yùn)行能耗、排放及駕駛行為經(jīng)濟(jì)性評價(jià)提供依據(jù)，為特定公交線路運(yùn)營提供數(shù)據(jù)服務(wù)，并可結(jié)合整車建模建立關(guān)鍵零部件的耐久性極限測試工況[20-22]。

本文以所選線路上的若干正常運(yùn)營車輛作為試驗(yàn)車，進(jìn)行了為期16 天的無間斷數(shù)據(jù)采集，最終得到111組車輛從起點(diǎn)站到終點(diǎn)站的運(yùn)行數(shù)據(jù)，并進(jìn)行數(shù)據(jù)預(yù)處理，對不合理采樣數(shù)據(jù)進(jìn)行清洗。通過對采樣數(shù)據(jù)分析，發(fā)現(xiàn)GPS 和尖點(diǎn)數(shù)據(jù)。怠速異常點(diǎn)表現(xiàn)為當(dāng)車輛處于停止?fàn)顟B(tài)，由于GPS 存在擾動(dòng)，采集數(shù)據(jù)有時(shí)并不為零，保持為一個(gè)較低數(shù)值。經(jīng)分析，當(dāng)車速處于4 km/h 以上時(shí)，車輛明顯處于運(yùn)行狀態(tài)。車速數(shù)據(jù)處于4 km/h 以下時(shí)，速度處于0～1.5 km/h 的數(shù)據(jù)占比達(dá)到80%。因此，選取速度閾值為1.5 km/h。當(dāng)車速低于1.5 km/h，則將其設(shè)定為零。從而保證怠速片段的精確性和完整性。車速離群點(diǎn)表現(xiàn)為車速明顯高于序列一般水平。經(jīng)調(diào)研，該線路主要在西安市內(nèi)運(yùn)行，擁堵嚴(yán)重，公交車運(yùn)行車速一般低于40 km/h。因此，將高于40 km/h 的數(shù)據(jù)視為車速離群點(diǎn)。經(jīng)統(tǒng)計(jì)，該類異常值所占比重極小，對數(shù)據(jù)完整性影響也極小，故采用直接刪除處理方式。尖點(diǎn)數(shù)據(jù)表現(xiàn)為由于GPS 信號存在干擾，GPS 信號產(chǎn)生，使得加速度值出現(xiàn)過大的尖點(diǎn)。調(diào)研發(fā)現(xiàn)，該線路公交車實(shí)際運(yùn)行的最大加速度與最大減速度分別為2.5、-3.5 m/s2，因此，將加速度超過限值的數(shù)據(jù)視為尖點(diǎn)，采用線性插值法處理。

研究表明：當(dāng)樣本數(shù)據(jù)達(dá)到飽和后，數(shù)據(jù)量的增加已很難提高工況精度，反而會(huì)增加后續(xù)的工作量[13]。本文選擇加速比例、勻速比例、減速比例、怠速比例、平均車速和平均運(yùn)行車速這6 個(gè)參數(shù)作為穩(wěn)定性判定指標(biāo)。定義其平均值隨采樣數(shù)據(jù)組增大的變化率為穩(wěn)定度K，并將這6 個(gè)參數(shù)穩(wěn)定度的平均值定義為綜合穩(wěn)定度，分別如式(1)和式(2)所示，其中和ā6（j）分別為樣本數(shù)據(jù)增加到j(luò)組時(shí)的加速比例、勻速比例、減速比例、怠速比例、平均車速及平均運(yùn)行車速。

隨著采樣數(shù)據(jù)的增加，綜合穩(wěn)定度K的變化趨勢如圖1 所示。

圖1 綜合穩(wěn)定度K 的變化趨勢

由圖1 可知，綜合穩(wěn)定度K隨著數(shù)據(jù)量的增加逐漸收斂至0。從第41 次采樣開始，連續(xù)5 次K的絕對值均小于0.002，且收斂速度開始變緩。因此，可認(rèn)為樣本數(shù)據(jù)在采樣次數(shù)為45 時(shí)達(dá)到飽和?？紤]到一定的裕度，本文取50 組采樣數(shù)據(jù)作為構(gòu)建工況的樣本數(shù)據(jù)。

將車輛兩個(gè)怠速點(diǎn)之間的運(yùn)行片段定義為一個(gè)短行程，如圖2 所示。通過對50 組數(shù)據(jù)的處理，本文最終得到2 830 個(gè)短行程。

圖2 短行程示意圖

2.2 特征值組合及狀態(tài)個(gè)數(shù)確定

運(yùn)行片段可以由片段的特征參數(shù)描述。車輛工況構(gòu)建一般采用平均速度(vmean)、平均加速度(amean)、平均減速度(Dmean)、平均運(yùn)行速度(vmr)、運(yùn)行時(shí)間(t)、速度標(biāo)準(zhǔn)差(vsd)、加速度標(biāo)準(zhǔn)差(asd)、最大速度(vmax)、最大加速度(amax)、最大減速度(Dmax)；0～10 km/h 的時(shí)間比例為λ0-10、10～20 km/h 的時(shí)間比例為λ10-20，以此類推，20～30、30～40、40-50 km/h 的時(shí)間比例分別為λ20-30、λ30-40、λ40-50；加速時(shí)間比例(λa)、減速時(shí)間比例(λd)、勻速時(shí)間比例(λc)、怠速時(shí)間比例(λi)、加速時(shí)間(ta)、減速時(shí)間(td)、勻速時(shí)間(tc)、怠速時(shí)間(ti)、運(yùn)行距離(Lr)，共24 個(gè)特征參數(shù)。為了消除這些特征參數(shù)由于量綱和取值范圍不同而引起的差異，本文對這24 個(gè)特征參數(shù)進(jìn)行了z-score 標(biāo)準(zhǔn)化處理，如式(3)所示，

表1 特征參數(shù)標(biāo)準(zhǔn)化矩陣

聚類是構(gòu)建工況中的關(guān)鍵一步。通過聚類可將數(shù)據(jù)片段合理的劃分到不同的狀態(tài)，然后根據(jù)各片段隸屬狀態(tài)的結(jié)果求取狀態(tài)轉(zhuǎn)移概率矩陣，最后在片段拼接時(shí)從所跳轉(zhuǎn)的狀態(tài)中挑選合適的片段進(jìn)行工況長度的延伸。因此，聚類的結(jié)果好壞對工況構(gòu)建的精度有較大的影響。

聚類試驗(yàn)結(jié)果表明，選取不同特征值組合與類的個(gè)數(shù)進(jìn)行聚類，聚類的結(jié)果會(huì)有較大的差別[23-29]。為找出最佳特征值組合和類的個(gè)數(shù)，本文選取了30 組不同的特征值組合進(jìn)行了類個(gè)數(shù)為3 個(gè)、4 個(gè)和5 個(gè)共90 次聚類交叉試驗(yàn)。90 次聚類試驗(yàn)的各類短行程個(gè)數(shù)分布如表2 所示。

表2 不同類個(gè)數(shù)和不同特征參數(shù)組合的聚類分析結(jié)果

經(jīng)過交叉試驗(yàn)可知，絕大多數(shù)情況下，選擇的類的個(gè)數(shù)越多，聚類后在每一類中短行程個(gè)數(shù)的分布越不均衡，出現(xiàn)某一類中短行程個(gè)數(shù)過小情景的概率越大。對于本文的工況構(gòu)建，聚類得到的結(jié)果即為Markov 鏈的狀態(tài)空間。如果狀態(tài)空間中某一狀態(tài)的短行程個(gè)數(shù)過少，在進(jìn)行狀態(tài)跳轉(zhuǎn)時(shí)，從上一時(shí)刻的狀態(tài)跳轉(zhuǎn)到該狀態(tài)的概率幾乎可以忽略不計(jì)，即使跳轉(zhuǎn)到該狀態(tài)，對最終構(gòu)建出來工況的精度也有很大影響。因此，在選擇狀態(tài)空間時(shí)，應(yīng)極力避免這種狀況，結(jié)合表2，本文選擇的聚類個(gè)數(shù)為3 個(gè)。此時(shí)，不同特征值組合聚類后得到的狀態(tài)轉(zhuǎn)移概率矩陣(P)如圖3 所示。

車輛的行駛過程是一個(gè)連續(xù)且穩(wěn)定的過程，發(fā)生狀態(tài)躍遷的概率不大，反映到狀態(tài)轉(zhuǎn)移概率矩陣上即為對角線上的概率明顯大于其他區(qū)域。聚類試驗(yàn)所得的結(jié)果中，圖3d 所示的狀態(tài)轉(zhuǎn)移概率矩陣明顯符合此特征。該特征值組合聚類所得樣本數(shù)據(jù)的狀態(tài)轉(zhuǎn)移概率矩陣如式(4)所示。式(4)中對角線上數(shù)據(jù)最大，符合狀態(tài)轉(zhuǎn)移概率矩陣特征。

圖3 不同特征值組合聚類后樣本數(shù)據(jù)的狀態(tài)轉(zhuǎn)移概率矩陣

因此，本文選取的特征值組合為速度標(biāo)準(zhǔn)差vsd、最大速度(vmax)、最大加速度(amax)和最大減速度(Dmax)。

3 候選工況構(gòu)建

在進(jìn)行候選工況構(gòu)建時(shí)應(yīng)先選擇合適的初始片段，判斷初始片段的狀態(tài)后結(jié)合狀態(tài)轉(zhuǎn)移概率矩陣進(jìn)行狀態(tài)跳轉(zhuǎn)，而后從跳轉(zhuǎn)的狀態(tài)中選擇拼接后與樣本數(shù)據(jù)最相似的片段進(jìn)行拼接。在多次的狀態(tài)判定、狀態(tài)跳轉(zhuǎn)和片段選擇的循環(huán)后，若拼接片段達(dá)到穩(wěn)定即可結(jié)束工況構(gòu)建，候選工況構(gòu)建的主要流程如圖4 所示。

圖4 候選工況構(gòu)建流程

3.1 Markov 狀態(tài)轉(zhuǎn)移過程

Markov 過程是一個(gè)隨機(jī)過程，記為Zt(t= 1, 2,…,T)，狀態(tài)空間記為S={1, 2, …,K}。Zt為每個(gè)狀態(tài)t的模型事件，狀態(tài)空間S是收集了相似模型事件編入事件組對的集合。對于t和所有的狀態(tài)s1,s2, …,st，當(dāng)前狀態(tài)st的概率只與前一個(gè)狀態(tài)st-1有關(guān)，對于一個(gè)Markov 過程，根據(jù)最大似然函數(shù)，其狀態(tài)轉(zhuǎn)移概率方程如式(5)所示。

其中：prs為狀態(tài)轉(zhuǎn)移概率，Nrs表示時(shí)間為(t-1)時(shí)狀態(tài)r轉(zhuǎn)移到時(shí)間為t時(shí)狀態(tài)s的事件個(gè)數(shù)。

3.2 初始片段選取

初始片段的選取在Markov 法構(gòu)建工況過程中對后續(xù)片段的拼接和最終結(jié)果的偏差有著至關(guān)重要的作用。本文將每個(gè)長行程的第1 個(gè)短行程（即公交車起點(diǎn)起步過程）作為候選工況的初始片段。圖5 為某條候選工況初始片段。

圖5 某候選工況初始片段

3.3 工況構(gòu)建

在工況構(gòu)建時(shí)，每次狀態(tài)跳轉(zhuǎn)時(shí)都選擇在不重復(fù)的情況下該片段在當(dāng)前狀態(tài)中拼接后與樣本數(shù)據(jù)的V-A 矩陣相似度最高的片段進(jìn)行拼接。判斷片段與樣本數(shù)據(jù)V-A 矩陣相似度的方法是先將2 個(gè)矩陣按同一種方式轉(zhuǎn)化為一維數(shù)組，然后計(jì)算二者的Pearson 相關(guān)系數(shù)[r(x, y)]。Pearson 相關(guān)系數(shù)是將數(shù)據(jù)歸一化后進(jìn)行的余弦相似度計(jì)算，如式(6)所示，其中x和y為矩陣降維后的一維向量；為矩陣中所有元素的平均值；xi和yi為一維向量中的元素。該系數(shù)越接近于1，說明兩個(gè)矩陣的相似度越高。

合理的工況長度對構(gòu)建工況也很重要。工況長度如果過短，則無法反應(yīng)城市客車的實(shí)際運(yùn)行狀況，但如果長度過長，則會(huì)無謂地增加工況構(gòu)建及后期應(yīng)用的工作量。本文將進(jìn)行拼接后的片段與樣本數(shù)據(jù)的V-A矩陣歐氏距離作為判斷該矩陣是否穩(wěn)定的標(biāo)準(zhǔn)，通過判斷工況構(gòu)建過程中的V-A 矩陣是否穩(wěn)定來確定工況構(gòu)建的長度是否合適。

V-A 矩陣的歐氏距離(D)計(jì)算式如式(7)所示，其中uij為樣本數(shù)據(jù)V-A 矩陣元素；vij為拼接后片段V-A矩陣元素；m和n為V-A 矩陣行列數(shù)。

某工況構(gòu)建過程中歐氏距離D值的變化如圖6 所示。由圖6 可知：該工況在拼接14 次（D= 0.033 919）之后曲線已經(jīng)趨于穩(wěn)定，此時(shí)再增加長度，對工況的精度提升不大，故該工況在拼接次數(shù)達(dá)到14 次時(shí)可跳出循環(huán)，結(jié)束工況構(gòu)建。

圖6 某工況構(gòu)建過程中歐氏距離D 值的變化

4 代表工況選取

為了體現(xiàn)汽車行駛時(shí)的能耗狀況，本文從能耗角度定義汽車行駛時(shí)的單位里程比能耗作為工況選取參考，如式(8)所示。

其中：Ws為車輛行駛過程中的單位里程比能耗[J/(kg·km)]，γp為機(jī)動(dòng)車比功率(kW/kg)，L為車輛行駛里程（km）。根據(jù)比功率的定義，該采樣車型γp計(jì)算公式如式(9)所示[30-32]。

其中：v為車速，a為車輛加速度。

單位里程比能耗直接反映了車輛行駛過程中克服阻力做功的大小，其值越大表明做功越多。經(jīng)計(jì)算，50 條候選工況的單位里程比能耗計(jì)算如表3 所示。

經(jīng)計(jì)算，樣本數(shù)據(jù)的平均單位里程比能耗為168.04 J/(kg·km)。由表3 可知，第14 條候選工況與樣本數(shù)據(jù)的單位里程比能耗相差最小，為168.06 J/(kg·km)，相差0.02 J/(kg·km)，偏差率最小，僅為0.012%。因此，本文將其作為西安市該線路城市客車的代表工況，如圖7 所示，工況時(shí)長為1 419 s。

圖7 西安市某線路城市客車行駛工況

該代表工況的部分特征值如表4 所示。

表4 西安市某線路城市客車行駛工況特征值

本文從數(shù)據(jù)結(jié)構(gòu)相似度也對代表工況進(jìn)行驗(yàn)證。樣本數(shù)據(jù)和該代表工況的速度與加速度聯(lián)合概率分布如圖8 所示。圖8 表明本文構(gòu)建的工況與樣本數(shù)據(jù)的速度與加速度聯(lián)合概率分布基本一致。經(jīng)計(jì)算，二者V-A 矩陣的歐氏距離僅為0.036 742，具有很高的相似度。

圖8 速度與加速度聯(lián)合概率分布圖

同時(shí)，本文選取了平均速度(vmean)、平均加速度(amean)、平均減速度(Dmean)、平均運(yùn)行速度(vmr)、速度標(biāo)準(zhǔn)差(vsd)、加速度標(biāo)準(zhǔn)差(asd)、加速時(shí)間比例(λa)、減速時(shí)間比例(λd)、勻速時(shí)間比例(λc)、怠速時(shí)間比例(λi)等10 個(gè)在工況構(gòu)建中非常重要的統(tǒng)計(jì)量，分別計(jì)算了這50 條候選工況的10 個(gè)特征值，并將其分別與樣本數(shù)據(jù)做了平均偏差檢驗(yàn)。50 條候選工況與樣本數(shù)據(jù)這10 個(gè)特征值的偏差率的平均值定義為平均偏差率，經(jīng)計(jì)算結(jié)果如表5 所示。由表5 可知，本文構(gòu)建的行駛工況與樣本數(shù)據(jù)偏差較小，平均偏差率為1.17%。在數(shù)據(jù)結(jié)構(gòu)上與樣本數(shù)據(jù)相似度較高。

表5 50 條候選工況與樣本總數(shù)據(jù)平均偏差率

5 仿真驗(yàn)證

為了驗(yàn)證基于聚類與Markov 結(jié)合法構(gòu)建工況的精度，基于相同的樣本數(shù)據(jù)，本文分別使用聚類法和V-A 矩陣法構(gòu)建了2 條工況。采用聚類與Markov 鏈法 (簡稱B 法)、聚類法和V-A 矩陣法構(gòu)建得到的工況與采樣數(shù)據(jù)的數(shù)據(jù)特征如表6 所示，其誤差分別為1.17%、5.80%、9.37%。從數(shù)據(jù)特征角度表明采用聚類與Markov 鏈法構(gòu)建得到的工況與采樣數(shù)據(jù)的誤差更小。

表6 數(shù)據(jù)特征值

基于Cruise 軟件搭建了純電動(dòng)客車整車模型，對3 條工況及樣本數(shù)據(jù)進(jìn)行能耗仿真。純電動(dòng)客車整車參數(shù)如表7 所示。

表7 仿真建模所用整車參數(shù)

為了避免因工況長度不同帶來的影響，將仿真能耗結(jié)果換算成百千米電耗。使用樣本數(shù)據(jù)的百千米電耗為72.91 kWh。聚類與Markov 鏈法結(jié)合（B 法）、聚類法和V-A 矩陣法構(gòu)建工況百千米電耗及與樣本數(shù)據(jù)百千米電耗的偏差率如表8 所示。

表8 能耗仿真結(jié)果

由表8 可知，聚類與Markov 鏈法構(gòu)建得到的工況百千米電耗仿真結(jié)果為72.86 kWh，與樣本數(shù)據(jù)百千米電耗相差最小，偏差率僅為0.069%，說明利用該方法構(gòu)建的行駛工況精度更高，更能反映車輛的實(shí)際行駛狀況，百千米電耗仿真數(shù)據(jù)也可為該公交線路的運(yùn)行能耗和駕駛行為經(jīng)濟(jì)性評價(jià)提供依據(jù)。

6 結(jié) 論

本文基于聚類與Markov 鏈結(jié)合的方法構(gòu)建了西安市某線路城市客車的行駛工況，以單位里程比能耗為標(biāo)準(zhǔn)選取典型工況，并與聚類法和V-A 矩陣法構(gòu)建得到的工況進(jìn)行了數(shù)據(jù)特征誤差率和仿真百千米電耗對比，得出結(jié)論如下：

1） 聚類與Markov 鏈法中聚類個(gè)數(shù)和特征參數(shù)的選取應(yīng)以每類短行程個(gè)數(shù)和狀態(tài)轉(zhuǎn)移矩陣決定，并不是特征參數(shù)選取越多，聚類效果越好。

2） 聚類與Markov 鏈法工況構(gòu)建過程中，可根據(jù)片段拼接后的V-A 矩陣的歐式距離是否穩(wěn)定來決定構(gòu)建工況的長度，從而滿足工況構(gòu)建需求，并減小工況構(gòu)建及后期應(yīng)用的工作量。

3） 可定義汽車行駛時(shí)的單位里程比能耗作為代表工況選取標(biāo)準(zhǔn)，從能耗角度來篩選代表工況。由此得到的工況與樣本數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)相似度也很高。

4） 數(shù)據(jù)特征誤差率和仿真能耗對比表明：與聚類法和V-A 矩陣法相比，聚類與Markov 鏈法構(gòu)建得到的工況與樣本的數(shù)據(jù)特征和能耗結(jié)果最為接近。

5） 基于構(gòu)建得到的工況，后續(xù)可開展動(dòng)力系統(tǒng)匹配選型、混合動(dòng)力汽車最優(yōu)能耗及控制策略確定、公交線路的運(yùn)行能耗、排放及駕駛行為經(jīng)濟(jì)性評價(jià)研究，并可結(jié)合整車模型構(gòu)建關(guān)鍵零部件的耐久性極限測試工況。