張思遠

（長安大學(xué)，陜西 西安 710064）

引言

循環(huán)工況是針對特定地區(qū)的交通特征，利用道路試驗建立車輛行駛時間——速度歷程，以反映某一地區(qū)整體交通特征的一種統(tǒng)計方法[1]。考慮到循環(huán)工況受地區(qū)影響較大，因此國內(nèi)許多城市開發(fā)了適合本地區(qū)的循環(huán)工況，同時國內(nèi)外許多學(xué)者和研究機構(gòu)也從事循環(huán)工況構(gòu)建研究工作。目前，循環(huán)工況的構(gòu)建主要依托于傳統(tǒng)內(nèi)燃機車輛及市公交車輛進行構(gòu)建，而在電動汽車方面應(yīng)用較少[2]，這類車輛具有固定的行車路線及停車地點，不能完全反應(yīng)乘用車輛行駛過程中的隨機性因素[3]。故而本文依托于西安市實際交通環(huán)境，利用BYD-E6純電動汽車進行循環(huán)工況的構(gòu)建研究，以期獲得合理的電動乘用車輛循環(huán)工況。

1 試驗方案設(shè)計

行駛工況的試驗設(shè)計對最終工況是否符合地區(qū)實際具有極大的影響。而行駛工況的試驗設(shè)計主要包含試驗路線設(shè)計、試驗時間設(shè)計及采樣頻率及采樣方法設(shè)計[4]。本文的試驗設(shè)計流程圖如圖1所示，通過統(tǒng)計西安市各等級道路的劃分、分布、長度比，并進行各道路交通流量的統(tǒng)計，進行了試驗方案及試驗路段長度的設(shè)計，試驗路線涵蓋了城郊、鬧市、普通區(qū)域等路段，保證合理性。試驗時間方面，為去除單天因天氣、周內(nèi)周日等因素對試驗的干擾，將采樣時間設(shè)計為連續(xù)多天采集，每天采集高峰期及低谷期的行車數(shù)據(jù)，保證全面采集各交通狀況。采樣頻率方面為保證數(shù)據(jù)的充足性及后續(xù)處理數(shù)據(jù)的方便性，在行車時采用1Hz的頻率進行數(shù)據(jù)采集，確保數(shù)據(jù)量合理。

圖1 試驗設(shè)計流程圖

2 數(shù)據(jù)處理

試驗數(shù)據(jù)的處理對最終工況的合成具有很大的影響，本文綜合考慮現(xiàn)有方法，設(shè)計試驗數(shù)據(jù)處理流程如圖2。

圖2 試驗數(shù)據(jù)處理流程圖

2.1 數(shù)據(jù)的去噪

由于試驗過程中受到的干擾因素較多，數(shù)據(jù)會出現(xiàn)毛刺、突變等各種問題，這些情況都會影響到最終工況合成的準確性[5]。因此需對數(shù)據(jù)進行去噪、平滑處理。本文利用脈沖噪聲濾波器對數(shù)據(jù)去除奇點，并利用式1、式2進行處理，式中vt代表當前時間點的車速代表處理后的當前時間點車速。

試驗數(shù)據(jù)處理前后對比結(jié)果如圖3。

圖3 試驗數(shù)據(jù)處理前后對比

2.2 短行程劃分及特征參數(shù)提取

為方便數(shù)據(jù)處理及工況合成，將車輛的運行狀態(tài)劃分為一個個怠速到另一個怠速的片段，以此作為一個個短行程6]。對數(shù)據(jù)劃分后，本文設(shè)置了14個特征參數(shù)作為主成分分析及聚類分析的數(shù)據(jù)，分別為最大速度vmax、最小速度vmin、平均速度vmean、速度標準差sv、最大加速度amax、最低加速度amin、平均加速度amean、加速度標準差sa、始末速度差vsd、片段時間長度t、加速時間ta、減速時間td、勻速時間ti、怠速時間tn。設(shè)置參數(shù)后，利用matlab編程進行總體數(shù)據(jù)及各短行程特征參數(shù)的計算。

2.3 主成分分析及聚類分析

利用主成分法對特征參數(shù)進行降維處理，獲得能表征車輛運行總體狀況的主成分，從而簡化聚類數(shù)據(jù)。

主成分分析中，首先對數(shù)據(jù)進行了標準化處理，再計算變量之間的相關(guān)系數(shù)矩陣R。其中rij為原變量xi與xj的相關(guān)系數(shù)，其計算公式如式4.之后求解相關(guān)矩陣的特征根與相應(yīng)的標準特征向量，并求出個主成分的貢獻率及累積貢獻率[7]。本文進行了數(shù)據(jù)的主成分分析，其提取主成分結(jié)果如表1：

表1 主成分分析結(jié)果

由結(jié)果可知，前三個主成分的特征值均大于 1，具有較高的符合度[8]，且其累積貢獻率達到79.648%，能夠滿足車輛運行的絕大多數(shù)行駛特征情況，故而選擇前三個成分作為聚類分析的數(shù)據(jù)源，以此進行聚類分析。聚類分析中，本文利用k-means聚類算法進行分析，將片段分為擁堵、暢通、一般等三種類型[7]。初始選擇聚類中心后，利用公式 5進行歐式距離計算.并將所有短行程片段分別分配給距離自己最近的類別之中。再重新計算每一類中變量的平均值，并以此作為新的聚類中心，重復(fù)這些步驟直至聚類中心不再發(fā)生變化為止。

本文利用SPSS軟件進行數(shù)據(jù)的聚類分析。分析結(jié)束后，1446個片段歸為3類，統(tǒng)計各類中的速度特征以及時間長度占比由表 3，將第一類定義為擁堵工況第二類定義為暢通工況，第三類定義為普通工況。

表2 聚類分析結(jié)果

3 工況合成

由表三得到的時間長度各類占比可以計算出各類再最終工況中的合成比例，并利用式4對比每一類中的各短行程與總體數(shù)據(jù)特征參數(shù)之間的相關(guān)性，選擇相關(guān)性最大的短行程片段合成備選工況。

備選工況合成完畢后，設(shè)計了總體特征參數(shù)加速比例、減速比例、勻速比例、怠速比例、P0-10、P10-20、P20-30、P30-40、P40-50、P＞50等 10個參數(shù)，并對比備選工礦與總體數(shù)據(jù)之間的差異，選擇最優(yōu)的實際工況。本文最終合成工況如圖4。

圖4 最終合成工況

4 工況驗證

本文為驗證合成工況與實際行駛工況的相似性，對合成工況與原始數(shù)據(jù)進行了總體特征參數(shù)的比對，將所合成的工況與原始試驗數(shù)據(jù)在總體參數(shù)情況上做了對比，表3為詳細數(shù)據(jù)對比。

由下述圖表可見合成的西安市純電動車輛行駛工況總體運行速度較低，在低速工況下所占的比例較大，其平均速度僅為20.62km/h，低于10km/h的運行概率達到34.63%，且在行駛過程中，其行駛狀況不穩(wěn)地，加減速情況較多，符合試驗過程觀測及典型城市運行狀況。

表3 數(shù)據(jù)對比表

5 總結(jié)

本文通過實際設(shè)計實施循環(huán)工況試驗，利用短行程劃分，并采用主成分分析法及聚類分析法進行工況的合成，最終工況在各指標上的誤差均較小，平均誤差僅為5.7%，可見，本文所建立的工況精度較高，符合地區(qū)車輛運行的實際狀況，準確反映了純電動乘用車輛的城市運行工況。

[1] 王矗,韓秀坤.北京市公交車典型行駛工況的構(gòu)建[J].汽車工程,2010, 32(8): 703-706.

[2] 李耀華,劉鵬.西安市純電動城市客車行駛工況研究[J].中國科技論文,2095-2783（2016）07-0745-06.

[3] 萬霞,黃文偉.深圳市乘用車道路行駛工況構(gòu)建

[4] Liu Li, Huang Chaosheng, Lu Bingwu} etc. Study on the Design Method of Time-variant Driving Cycles for EV Based on Markov Process Vehicle Power and Propulsion Conference 2012: 1277-1281

[5] 藺宏良.西安市交通環(huán)境轎車行駛工況與燃料消耗研究[D].長安大學(xué),2013.

[6] 石琴,仇多洋.基于組合聚類法的行駛工況構(gòu)建與精度分析[J].汽車工程,2012,34(2):164-169.

[5] 姜平,石琴.基于馬爾科夫的城市道路行駛工況構(gòu)建方法[J].農(nóng)業(yè)機械學(xué)報,2009,40(11):26-30.

[7] Nesamaniks, Subramanlan K P. Development of A Driving Cycle for Intra-city Buses in Chennai India[J]. Atmospheric Environment.2011, 45(31): 5469-5476.

[8] 涂延軍,梁工謙.基于主成分分析的飛控系統(tǒng)研制費用估算[J].機械科學(xué)與技術(shù),2003,(S2):13-15.