趙天欣

駕駛風(fēng)格對純電動公交車行駛能耗的影響

趙天欣

（長安大學(xué) 汽車學(xué)院，陜西 西安 710064）

對駕駛員的駕駛風(fēng)格進(jìn)行分類，衡量不同駕駛風(fēng)格對純電動車能耗的影響。運用主成分分析和K-means劃分駕駛風(fēng)格類型，利用支持向量機(jī)（SVM）建立模型進(jìn)行訓(xùn)練；然后基于AVL Cruise仿真模型輸出公交車運行能耗數(shù)據(jù)，比較不同駕駛風(fēng)格駕駛員的能耗差異。結(jié)果表明，模型對測試集進(jìn)行標(biāo)簽預(yù)測后，分類準(zhǔn)確率在93%；同一線路下，激進(jìn)駕駛員能量回收較多，對比正常型駕駛員，激進(jìn)型和謹(jǐn)慎型駕駛員單位里程油耗分別增加了2.81%、4.44%。利用影響程度，相應(yīng)采取對駕駛員進(jìn)行篩選培訓(xùn)等措施，進(jìn)而降低純電動公交車運行能耗。

駕駛風(fēng)格；純電動公交車；行駛能耗；主成分分析；支持向量機(jī)；AVL Cruise仿真模型

影響純電動汽車能耗的因素非常多，主要有車輛使用因素、車輛技術(shù)狀況、道路條件、車輛負(fù)荷以及駕駛風(fēng)格等。駕駛風(fēng)格通常指駕駛員選擇開車的方式或習(xí)慣性的方式，體現(xiàn)在駕駛員開車過程中對車的輸入及整車響應(yīng)。有學(xué)者將駕駛風(fēng)格分為適應(yīng)性和非適應(yīng)性兩類。適應(yīng)性駕駛風(fēng)格指駕駛員的駕駛行為比較安全謹(jǐn)慎。非適應(yīng)性駕駛風(fēng)格即指不安全駕駛風(fēng)格，分為焦慮型、憤怒型和冒險型三種[1]。研究大多先對駕駛風(fēng)格影響因素評價指標(biāo)進(jìn)行降維，采用K-means、模糊均值、層次聚類等客觀分類方法對駕駛員駕駛風(fēng)格分為謹(jǐn)慎型、正常型、激進(jìn)型三類[2-4]。有學(xué)者表明駕駛風(fēng)格識別算法將駕駛員分為三類較為精確[5]。前期對駕駛風(fēng)格的探索主要集中于問卷調(diào)查，如駕駛?cè)诵袨閱柧恚―river Behavior Questionnaire, DBQ）、防御方式問卷（Defense Style Questionnaire, DSQ）、多維度駕駛風(fēng)格量表（Multi-dimensional Driving Style Inventory, MDSI）等；現(xiàn)階段使用智能算法劃分駕駛風(fēng)格較多，如自組織映射（Self-Organizing Map, SOM）、半監(jiān)督學(xué)習(xí)三協(xié)同訓(xùn)練等。劃分不同駕駛風(fēng)格后，發(fā)現(xiàn)激進(jìn)型駕駛員往往更容易引發(fā)交通事故，汽車磨損大，油耗及排放大。由駕駛水平引起的油耗變化范圍可達(dá)8%～15%。國外學(xué)者對新歐洲駕駛循環(huán)周期（New- European-Driving-Cycle, NEDC）、全球統(tǒng)一輕型車輛測試循環(huán)（Worldwide Harmonized Light Vehicles Test Cycle, WLTC）等循環(huán)工況下加減速過程中能源消耗進(jìn)行了對比，給出了不同工況下能耗最低的汽車行駛速度范圍，提出了純電動公交車的能耗預(yù)測系統(tǒng)以及能耗計算模型[6-7]。駕駛員的駕駛風(fēng)格對電動汽車節(jié)能效果有顯著影響，先前研究加速度標(biāo)準(zhǔn)差與行駛能耗關(guān)系時未明確指出駕駛員的駕駛風(fēng)格，未將兩者同時涵蓋。本文旨在實車實驗的基礎(chǔ)上，利用速度標(biāo)準(zhǔn)差、加速度標(biāo)準(zhǔn)差對駕駛風(fēng)格進(jìn)行分類，指出相同路線與不同路線下駕駛風(fēng)格對能耗的影響大小，進(jìn)而在選用純電動公交車駕駛員時進(jìn)行主動管理，減小行駛能耗，延長純電動公交車的續(xù)駛里程。

1 實驗數(shù)據(jù)采集

2020年9月，交通部將西安命名為國家公交都市建設(shè)示范城市。截止2018年底，西安新能源公交車占比78%，純電動公交車占比總車數(shù)的62%。截止2020年12月31日，西安公交總公司營運線路有338條，營運線路總長度5 708.5 km。調(diào)研所有線路工作量較大，現(xiàn)有人力、物力、時間等條件無法滿足，故在調(diào)研之前應(yīng)明確調(diào)研線路。線路選取、規(guī)劃依據(jù)三原則：一定的路網(wǎng)覆蓋率（空間）、時間安排正交組合（時間）和等概率抽樣[8]。本文選擇線路依據(jù)：線路所運行車輛為純電動公交車；線路客流量較大。主要選取了5路、26路、214路、271路、713區(qū)間的25位駕駛員作為研究對象。

在公交車上安置與筆記本電腦相連接的全球定位系統(tǒng)Global Positioning System,車速計，提供車輛實時三維坐標(biāo)、速度等空間信息，并在筆記本電腦上形成Excel文件。GPS在城市道路上進(jìn)行數(shù)據(jù)采集精度高、速度快，可獲取車輛連續(xù)的速度。

2 AVL Cruise搭建模型仿真

AVL Cruise是車輛動力學(xué)仿真分析平臺，可實現(xiàn)復(fù)雜車輛動力傳動系統(tǒng)的仿真分析，可以用于車輛的動力性、燃油經(jīng)濟(jì)性仿真。本文運用循環(huán)行駛工況任務(wù)模塊完成多工況燃料消耗量仿真試驗。

參照純電動小轎車模型搭建純電動公交車的整車模型，利用純電動汽車系數(shù)修改部分參數(shù)，需要輸入的主要參數(shù)有車輛長寬高、軸距、整備質(zhì)量、滿載質(zhì)量、迎風(fēng)面積和風(fēng)阻系數(shù)等。建立的車輛仿真模型參數(shù)主要參照BYD6122LGEV1型號車輛，該公交車外形尺寸為12 000×2 500×33，總質(zhì)量為18 000 kg，整備質(zhì)量為12 500 kg。其迎風(fēng)面積由車輛寬度乘以高度計算得到，風(fēng)阻系數(shù)的大小由汽車的外形決定，兩者呈正相關(guān)，風(fēng)阻系數(shù)小，汽車的空氣阻力就小，汽車油耗降低，最高車速會增大。

在中國典型城市道路工況下，輸入采集到的速度等數(shù)據(jù)，運行仿真模型輸出模擬的運行能耗數(shù)據(jù)。

3 駕駛風(fēng)格分類

駕駛風(fēng)格劃分方法分為無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)方法，區(qū)別為是否提前對數(shù)據(jù)中的駕駛風(fēng)格進(jìn)行預(yù)定義。我們主要是基于試驗數(shù)據(jù)利用無監(jiān)督學(xué)習(xí)算法K-means對駕駛風(fēng)格進(jìn)行分類。

3.1 K-means概述

K-means也是一種常見的聚類算法。其基本思想是給定一個數(shù)據(jù)集，根據(jù)數(shù)據(jù)集與樣本之間的距離進(jìn)行迭代分裂，劃分為類，其中每類至少包含一條數(shù)據(jù)。工作原理如下：（1）從數(shù)據(jù)集中隨機(jī)選擇個數(shù)據(jù)中心點，每個點代表初始聚類中心。（2）計算剩余各個樣本到每個聚類中心的距離，將與第個聚類中心較近的樣本賦給聚類中心。（3）重新計算每個聚類中心的值，對個聚類中心的每個值進(jìn)行均值劃分，更新個聚類中心的坐標(biāo)位置。（4）直至個聚類中心不再變化。算法輸入即聚類的個數(shù)，數(shù)據(jù)集，樣本距離計算依據(jù)，輸出為個聚類結(jié)果。

3.2 駕駛風(fēng)格劃分

以速度標(biāo)準(zhǔn)差S和加速度標(biāo)準(zhǔn)差S為劃分基準(zhǔn)，計算公式如下：

式中，為行駛片段總數(shù)。速度標(biāo)準(zhǔn)差反映車速的變化幅度，車速變化越劇烈，則駕駛風(fēng)格越激進(jìn)，駕駛行為趨向不穩(wěn)定。加速度標(biāo)準(zhǔn)差可以反映駕駛?cè)瞬葔杭铀偬ぐ宓男袨橐?guī)律，踩壓踏板越迅猛，駕駛員駕駛風(fēng)格越接近激進(jìn)型。

數(shù)據(jù)來源于采集到的5個路別的25位駕駛員，部分?jǐn)?shù)據(jù)如表1所示。運用主成分分析法，對駕駛風(fēng)格評價指標(biāo)（主要是速度、加速度，速度標(biāo)準(zhǔn)差、加速度標(biāo)準(zhǔn)差等6項指標(biāo)）降維分析，最后選用駕駛員的速度標(biāo)準(zhǔn)差和加速度標(biāo)準(zhǔn)差作為分類基準(zhǔn)，使用K-means聚類方法將駕駛員的駕駛風(fēng)格劃分為謹(jǐn)慎型、正常型、激進(jìn)型三類。

表1 駕駛員行駛數(shù)據(jù)分析

駕駛員加速度標(biāo)準(zhǔn)差速度標(biāo)準(zhǔn)差最大車速/(km/h)平均車速/(km/h)最大加速度/(m/s2)平均加速度/(m/s2) 5-10.65211.7541.3612.654.1790.013 7 …… …… …… 26-10.61612.6753.0414.811.7830.007 0 …… …… …… 713-50.60512.6549.9813.761.7830.008 6

3.3 駕駛風(fēng)格分類結(jié)果

多次聚類后，對初始聚類中心和最終聚類中心以及到聚類中心的距離進(jìn)行對比分析，發(fā)現(xiàn)將駕駛風(fēng)格分為三類較為精準(zhǔn)，最終聚類過程如表2所示。

表2 最終聚類中心

聚類123 速度標(biāo)準(zhǔn)差14.1013.5612.09 加速度標(biāo)準(zhǔn)差0.665 40.645 40.599 6

最終聚類中心之間的距離分別為5.989，6.153，10.627。聚類結(jié)果如表3所示，一類的4位駕駛員為激進(jìn)型駕駛員，加速度標(biāo)準(zhǔn)差和速度標(biāo)準(zhǔn)差均較高；二類的10位駕駛員被劃分為正常性駕駛員；三類的11位駕駛員被劃分為謹(jǐn)慎型駕駛員。

表3 駕駛員駕駛風(fēng)格分類結(jié)果

駕駛風(fēng)格類型成員編號 1-激進(jìn)型26（4）、214（3）、214（4）、271（2） 2-正常型26（1）、26（2）、214（1）、214（2）、214（5）、713（1）、713（2）、713（3）、713（4）、713（5） 3-謹(jǐn)慎型5（1）、5（2）、5（3）、5（4）、5（5）、26（3）、26（5）、271（1）、271（3）、271（4）、271（5）

3.4 基于SVM模型對駕駛員駕駛風(fēng)格分類識別

模型建立首先需要從原始數(shù)據(jù)里把訓(xùn)練集和測試集提取出來，接著對數(shù)據(jù)進(jìn)行預(yù)處理，之后用訓(xùn)練集對支持向量機(jī)SVM進(jìn)行訓(xùn)練，最后用得到的模型來預(yù)測測試集的標(biāo)簽，得到分類準(zhǔn)確率。

將采集到的30個樣本前50%作為訓(xùn)練集（train_driver），后50%作為測試集（test_driver）。

首先，對訓(xùn)練集和測試集進(jìn)行歸一化處理，采用的歸一化映射如下：

接著，用訓(xùn)練集train_driver對SVM分類器進(jìn)行訓(xùn)練，用得到的模型對測試集進(jìn)行標(biāo)簽預(yù)測，最后得到分類的準(zhǔn)確率為93.3%。

4 駕駛風(fēng)格對純電動公交車行駛能耗的影響

分析AVL Cruise仿真圖的變化趨勢可得，當(dāng)速度、加速度劇烈波動時，駕駛員每秒內(nèi)能耗波動也較大，該片段內(nèi)的平均能耗也相對較高。

相同路線下同駕駛風(fēng)格的駕駛員最終能耗數(shù)值均較為接近，如5號線路的5位謹(jǐn)慎型駕駛員，總能耗在13.5～14.5 kWh之間波動，713區(qū)間的5位正常型駕駛員，總能耗在12.5～13.3 kWh之間波動。相同路線下激進(jìn)型駕駛員最終能耗都高于正常型和謹(jǐn)慎性駕駛員的最終能耗。

26路5位駕駛員涉及到三類駕駛風(fēng)格。選取30 s行駛片段，行駛過程5位駕駛員的能耗變化如圖1所示。在整個過程中，駕駛員的速度變化會實時影響著其能耗變化，速度開始下降時，其累計能耗會有所下降。累計能耗減少部分即電動公交車能量回收部分。能量回收原理電動汽車減速時，車輪帶動驅(qū)動電機(jī)旋轉(zhuǎn)，電機(jī)成為交流發(fā)電而產(chǎn)生電流，通過電機(jī)控制器將交流電整流為直流電給動力電池組充電，產(chǎn)生再生能量。

圖1 26路公交車不同駕駛風(fēng)格駕駛員能耗變化圖

26路5位駕駛員分別為正常型、正常型、謹(jǐn)慎型、激進(jìn)型、謹(jǐn)慎型。如圖1所示，4號能耗變化程度最為劇烈，3號和5號能耗變化幅度較小。經(jīng)過計算，4號能量回收達(dá)到了41.5%，1號和2號能量回收百分比為12.25%，3號和5號能量回收百分比為6.91%。激進(jìn)型能量回收顯著高于正常型和謹(jǐn)慎型。但由于激進(jìn)型在行駛過程中操作較多，累計能耗依然較高。

214路駕駛員選取的30 s片段內(nèi)，正常型5號累計能耗為0.272 2 kWh，最大能耗為0.321 1 kWh，能量回收占比9.6%，激進(jìn)型4號累計能耗0.312 6 kWh，最大能耗0.457 3 kWh，能量回收占比31.6%。加速度標(biāo)準(zhǔn)差從正常型的0.64增加到激進(jìn)型的0.79時，能耗增多了14.8%。271路駕駛員30 s行駛片段內(nèi)，激進(jìn)型駕駛員各項指標(biāo)顯著高于謹(jǐn)慎型駕駛員。當(dāng)加速度標(biāo)準(zhǔn)差從0.58增加到0.66時，能耗增加20.1%。

在控制環(huán)境變量的前提下，選取相同道路的駕駛員進(jìn)行分析，對26路公交車五位駕駛員的整個行駛過程進(jìn)行分析，正常型駕駛員的單位里程油耗為0.990 95 kWh/km，激進(jìn)型駕駛員的單位里程油耗為1.018 83 kWh/km，謹(jǐn)慎型駕駛員的單位里程油耗為1.034 98 kWh/km。正常型的能耗最低。

5號線路均為謹(jǐn)慎型駕駛員，整個行駛過程的平均單位里程能耗為1.117 85 kWh/km。713區(qū)間均為正常型駕駛員，行駛過程的平均單位里程能耗為0.970 04 kWh/km。對這兩條線路進(jìn)行分析，發(fā)現(xiàn)相對于正常型，謹(jǐn)慎型駕駛員單位里程能耗增長了15.2%。

5 結(jié)論

將理論分析、實驗數(shù)據(jù)、模型仿真相結(jié)合，對駕駛風(fēng)格進(jìn)行分類，并研究影響能耗規(guī)律，得出以下結(jié)論，希望對公交公司選取合適的駕駛員起到相應(yīng)的作用。

（1）將采集的駕駛數(shù)據(jù)進(jìn)行處理，利用K- means初對駕駛風(fēng)格進(jìn)行分類，輸入SVM進(jìn)行訓(xùn)練和測試，檢測出先前分類的準(zhǔn)確度達(dá)到93%。

（2）相同路線下激進(jìn)型駕駛員最終能耗顯著高于正常型和謹(jǐn)慎型駕駛員的最終能耗。相同路線下同駕駛風(fēng)格的駕駛員最終能耗接近。同時，相同線路下，對比正常型駕駛員，激進(jìn)型和謹(jǐn)慎型駕駛員單位里程油耗分別增加了2.81%、4.44%，說明正常型駕駛風(fēng)格更能節(jié)省油耗，魯莽駕駛和謹(jǐn)慎駕駛都會加大駕駛能耗。

（3）不同線路下，謹(jǐn)慎型駕駛員的能耗比正常型駕駛員的能耗增長了15.2%。

雖然勻速行駛時能耗變化較小，消耗少，但由于公交車在城市道路上行駛，由于信號燈路口以及進(jìn)出站點，很難始終保持勻速行駛，故而建議在選用純電動公交車駕駛員之前，先對其駕駛風(fēng)格進(jìn)行判定，盡量選用正常型駕駛員，并對其進(jìn)行培訓(xùn)，日常駕駛過程中，盡量對速度進(jìn)行控制，達(dá)到勻速行駛，盡量避免急加速、急減速等行為。

[1] 竇廣波,孫龍.營運駕駛員情緒狀態(tài)對駕駛風(fēng)格的影響[J].人類功效學(xué),2015,21(2):4-6.

[2] 李立治,楊建軍,劉雙喜,等.國內(nèi)人群的駕駛風(fēng)格分類及識別方法研究[J].重慶理工大學(xué)學(xué)報(自然科學(xué)),2019,33(11):33-40.

[3] 侯海晶,金立生,關(guān)志偉,等.駕駛風(fēng)格對駕駛行為的影響[J].中國公路學(xué)報,2018,31(4):18-27.

[4] 郝景賢,余卓平,趙治國,等.混合動力汽車駕駛風(fēng)格識別的研究[J].汽車工程,2017,39(12):1444-1450.

[5] 李經(jīng)緯,趙治國,沈沛鴻,等.駕駛風(fēng)格K-means聚類與識別方法研究[J].汽車技術(shù),2018(12):8-12.

[6] RUANGJIRAKIT K,LAOONUAL Y.A Study of Grid- to-wheel Energy Consumption of Electric[C]//IEEE Transportation Electrification Conference and Expo,Asia-Pacific,Piscataway:IEEE,2018:1-5.

[7] GOLEBIEWSKI W,LISOWSKI M.Theoretical Analysis of Electric Vehicle Energy Consumption According to Different Driving Cycles[C]//IOP Conference Series: Materials Science and Engineering,England:IOP Pub- lishing,2018:746.

[8] 杜愛民,步曦,陳禮璠,等.上海市公交車行駛工況的調(diào)查和研究[J].同濟(jì)大學(xué)學(xué)報(自然科學(xué)版),2006,34 (7): 943-947.

The Effect of Driving Style on Driving Energy Consumption of Pure Electric Bus

ZHAO Tianxin

( School of Automibile, Chang’an University, Xi’an 710064, China )

To Classify drivers' driving styles to measure the impact of different driving styles on the energy consumption of pure electric vehicles. Using principal component analysis and K-means to divide driving style types, and using support vector machine(SVM) to build models for training. Then, based on the AVL Cruise simulation model, the bus running energy consumption data is output, and the energy consumption differences of drivers with different driving styles are compared. The results show that after the model labeled prediction of the test set, the classification accuracy rate was 93%, Under the same route, the aggressive driver has more energy recovery. Compared with the normal driver, the fuel consumption per mileage of the aggressive driver and the cautious driver increased by 2.81% and 4.44% respectively. Taking advantage of the degree of influence, measures such as screening and training of drivers are taken accordingly, thereby reducing the energy consumption of pure electric bus operation.

Driving style; Pure electric bus; Driving energy consumption;Principal component analysis; SVM; AVL Cruise simulation model

U471

A

1671-7988(2022)21-207-05

U471

A

1671-7988(2022)21-207-05

10.16638/j.cnki.1671-7988.2022.021.039

趙天欣（1998—），女，碩士研究生，研究方向為駕駛行為及汽車安全，E-mail:2961628935@qq.com。