高建平 高小杰 郗建國(guó)

1.河南科技大學(xué)車輛與交通工程學(xué)院，洛陽(yáng)，471003

2.河南科技大學(xué)機(jī)械裝備先進(jìn)制造河南省協(xié)同創(chuàng)新中心，洛陽(yáng)，471003

0 引言

續(xù)駛里程是人們購(gòu)買電動(dòng)汽車時(shí)重點(diǎn)考慮的問(wèn)題之一。續(xù)駛里程短及目前充電樁等基礎(chǔ)設(shè)施的不完善，嚴(yán)重影響了人們對(duì)電動(dòng)汽車的購(gòu)買動(dòng)力。針對(duì)這一問(wèn)題，除了發(fā)展動(dòng)力電池技術(shù)之外，還需要更加準(zhǔn)確實(shí)時(shí)地預(yù)測(cè)續(xù)駛里程等參數(shù)［1-2］，以提升用戶感受，加快電動(dòng)汽車的推廣應(yīng)用。目前針對(duì)實(shí)際不同行駛工況下電動(dòng)汽車剩余續(xù)駛里程及實(shí)時(shí)估計(jì)的研究較少，特別是關(guān)于駕駛風(fēng)格的不同對(duì)續(xù)駛里程估算的影響，以及對(duì)估算結(jié)果的進(jìn)一步優(yōu)化的研究文獻(xiàn)更是鮮見(jiàn)。尹安東等［3］通過(guò)工況識(shí)別，實(shí)現(xiàn)了對(duì)當(dāng)前車輛能耗的預(yù)測(cè)，完成車輛續(xù)駛里程估算，但其研究中未考慮駕駛員信息；劉光明等［4］在建立電池荷電狀態(tài)的實(shí)時(shí)估算模型及電池溫度預(yù)測(cè)模型的基礎(chǔ)上，進(jìn)一步建立了電池剩余可用能量預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)車輛續(xù)駛里程的預(yù)測(cè)，但其研究也未考慮駕駛員因素；ZHANG等［5］在里程估計(jì)算法中直接應(yīng)用剩余能量預(yù)測(cè)值，其方法基于Telematics System提供道路信息和汽車狀態(tài)信息，但未包含駕駛員信息；OLIVA［6］等應(yīng)用粒子濾波方法對(duì)SOC和續(xù)駛里程值進(jìn)行估計(jì)，未專門考慮行駛工況及駕駛員因素對(duì)續(xù)駛里程估算的影響；SIY等［7］和PANDIT等［8］通過(guò)計(jì)算當(dāng)前時(shí)間段的能耗來(lái)預(yù)測(cè)下一時(shí)間段能耗，再根據(jù)電池剩余能量來(lái)預(yù)測(cè)剩余續(xù)駛里程，此方法估算結(jié)果比較保守，未在能耗預(yù)測(cè)過(guò)程中考慮駕駛員因素，并且在工況急劇變化情況下存在估算不穩(wěn)定的問(wèn)題。

筆者通過(guò)采集大量的鄭州市純電動(dòng)公交車實(shí)際行駛工況數(shù)據(jù)，選出典型鄭州市行駛工況運(yùn)動(dòng)學(xué)片段作為學(xué)習(xí)矢量量化（learning vector quantization，LVQ）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的典型樣本，在此基礎(chǔ)上建立主成分分析（principal component analysis，PCA）與LVQ神經(jīng)網(wǎng)絡(luò)相結(jié)合的行駛工況識(shí)別模型，并在工況識(shí)別基礎(chǔ)上建立駕駛風(fēng)格識(shí)別模型，實(shí)現(xiàn)對(duì)車輛能耗的準(zhǔn)確預(yù)測(cè)，進(jìn)而實(shí)現(xiàn)對(duì)車輛剩余續(xù)駛里程的估算。針對(duì)由于工況及電池可用能量變化時(shí)估算結(jié)果頻繁波動(dòng)變化的情況，通過(guò)卡爾曼濾波（Kalman filter，KF）對(duì)輸出剩余續(xù)駛里程進(jìn)行了優(yōu)化，并通過(guò)實(shí)際工況進(jìn)行續(xù)駛里程仿真分析及半實(shí)物測(cè)試驗(yàn)證。

1 典型工況訓(xùn)練片段選取

1.1 汽車行駛工況數(shù)據(jù)采集

將車載終端設(shè)備（圖1）安裝于試驗(yàn)公交車輛，行駛數(shù)據(jù)由車載終端設(shè)備實(shí)時(shí)采集，采樣頻率為1 Hz［9］。通過(guò)通用分組無(wú)線服務(wù)技術(shù)網(wǎng)絡(luò)，將采集到的車輛運(yùn)行過(guò)程中的相關(guān)信息傳送到車輛遠(yuǎn)程管理服務(wù)平臺(tái)，從中國(guó)汽車工況信息化系統(tǒng)查詢并下載數(shù)據(jù)。

圖1 車載終端設(shè)備Fig.1 Vehicle terminal equipment

1.2 運(yùn)動(dòng)學(xué)片段特征參數(shù)提取

行駛工況可以看作是眾多運(yùn)動(dòng)學(xué)片段［6］的組成。參考文獻(xiàn)［10-13］，選取可以全面表征運(yùn)動(dòng)學(xué)片段的速度、加速度、時(shí)間、距離以及加減速等特征的12個(gè)特征參數(shù)對(duì)其進(jìn)行描述，12個(gè)特征參數(shù)分別為：平均運(yùn)行距離s，m；平均速度vavg，m/s；最大速度vmax，m/s；運(yùn)行時(shí)長(zhǎng)tall，s；怠速時(shí)間till，s；加速時(shí)間tacc，s；減速時(shí)間tdec，s；勻速時(shí)間tcon，s；最大加速度 amax，m/s2；最小加速度 amin，m/s2；減速段平均加速度aavg-，m/s2；加速段平均加速度aavg+，m/s2。

將實(shí)際采集的300多萬(wàn)組行駛工況數(shù)據(jù)通過(guò)MATLAB軟件編程進(jìn)行處理，得到20 182個(gè)有效運(yùn)動(dòng)學(xué)片段，進(jìn)而編程處理得到一個(gè)樣本數(shù)量（行）×特征值（列）矩陣，如表1所示。

表1 運(yùn)動(dòng)學(xué)片段特征參數(shù)Tab.1 Characteristic parameters of kinematic segments

1.3 主成分分析

主成分分析［10］可以通過(guò)消除變量之間的相關(guān)性，最終得到幾個(gè)綜合變量來(lái)反映所研究問(wèn)題的大部分信息，該分析方法不僅可以反映事物的本質(zhì)，而且可以簡(jiǎn)化后續(xù)的計(jì)算。

針對(duì)上述矩陣進(jìn)行主成分分析。得到的12個(gè)主成分的特征值、貢獻(xiàn)率和累積貢獻(xiàn)率見(jiàn)表2，各成分使用Mi（i=1，2，…，12）表示，前4個(gè)主成分的累計(jì)貢獻(xiàn)率已經(jīng)達(dá)到83.767%，所包含的特征參數(shù)信息能夠用于表征整個(gè)運(yùn)動(dòng)學(xué)片段，故前4個(gè)主成分用于聚類分析。

1.4 模糊C均值聚類

1.4.1 最佳聚類數(shù)的選取

利用模糊C均值聚類分析對(duì)20 182個(gè)運(yùn)動(dòng)學(xué)片段分別進(jìn)行2～20類聚類。通過(guò)描述類間離差矩陣分離度、類內(nèi)離差矩陣緊密度的CH（Calinski-Harabasz）指標(biāo)（CH值）對(duì)劃分為2～20類工況進(jìn)行評(píng)價(jià)，從而確定最佳聚類。CH值表達(dá)式如下：

表2 各個(gè)成分特征值、貢獻(xiàn)率、累積貢獻(xiàn)率Tab.2 Eigen values，contribution rates and cumulativecontribution rates of each component

式中，n為行駛工況聚類數(shù)目；k為當(dāng)前所處工況類型；trW（k）為相同類工況所有片段離差矩陣W（k）的跡；trB（k）為不同類行駛工況之間離差矩陣B（k）的跡。

圖2 不同聚類數(shù)CH指標(biāo)Fig.2 CH index of different cluster number

CH值越大表示聚類所得的相同類的行駛工況之間的距離和越小，不同類行駛工況之間的距離和越大，聚類數(shù)選取越佳，由圖2可知，將鄭州市行駛工況分成3類為最佳分類數(shù)。

1.4.2 模糊C均值聚類分析

表3所示為通過(guò)模糊C均值聚類（3類）后各類工況綜合特征值及全部數(shù)據(jù)綜合工況特征值，其中，Pi為怠速比例，Pa為加速比例，Pd為減速比例，Pc為勻速比例。第1類怠速比例高達(dá)53.201%，平均每個(gè)片段運(yùn)行時(shí)間26.450 s，平均速度僅為6.386 km/h，說(shuō)明車輛在此工況行駛時(shí)，車流量被嚴(yán)重限制，代表車輛處于城市鬧市區(qū)工況；第2類怠速比例30.400%，平均每個(gè)片段運(yùn)行時(shí)間42.673 s，平均速度15.941 km/h，代表車輛處于城市生活區(qū)工況；第3類怠速比例僅13.110%，平均每個(gè)片段運(yùn)行時(shí)間98.777 s，且平均速度20.542 km/h，說(shuō)明在該道路行駛時(shí)，車流量較小、較暢通，代表車輛在城市郊區(qū)工況。

1.5 典型工況片段選取

計(jì)算各類樣本中的各個(gè)片段與該類總樣本數(shù)據(jù)的相關(guān)系數(shù)ρXY，并從3類行駛工況中分別選取與該類所有數(shù)據(jù)相關(guān)系數(shù)大的片段，用于LVQ神經(jīng)網(wǎng)絡(luò)訓(xùn)練。ρXY的表達(dá)式為

表3 各類數(shù)據(jù)綜合特征值Tab.3 Overall characteristic parameters of each category

式中，X為各個(gè)工況片段特征參數(shù)數(shù)據(jù)；Y為總體樣本工況特征參數(shù)數(shù)據(jù)；Cov（X，Y）為X、Y的協(xié)方差；D（X）、D（Y）分別為X、Y的方差。

2 基于PCA-LVQ神經(jīng)網(wǎng)絡(luò)的汽車行駛工況識(shí)別

車輛在實(shí)際使用過(guò)程中，由于行駛工況經(jīng)常發(fā)生變化，而不同工況對(duì)應(yīng)的能耗有一定的差別，因此能夠?qū)崟r(shí)準(zhǔn)確地識(shí)別工況類別，對(duì)剩余續(xù)駛里程的更準(zhǔn)確估計(jì)起著重要作用。

為了更加準(zhǔn)確地識(shí)別汽車行駛過(guò)程中的工況類別，應(yīng)采用較多的行駛工況特征參數(shù)，但是由于工況特征參數(shù)之間有一定的相關(guān)性，且特征參數(shù)的量綱不盡相同，因此直接利用工況特征參數(shù)對(duì)車輛行駛工況進(jìn)行識(shí)別，會(huì)在很大程度上影響識(shí)別準(zhǔn)確性。通過(guò)對(duì)全面、系統(tǒng)反映運(yùn)動(dòng)學(xué)片段的眾多特征變量作主成分分析，并將其作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)識(shí)別模型輸入，不僅能大大縮短網(wǎng)絡(luò)訓(xùn)練時(shí)間，簡(jiǎn)化計(jì)算，而且可消除通過(guò)特定特征參數(shù)進(jìn)行工況識(shí)別時(shí)量綱的影響，提高了LVQ網(wǎng)絡(luò)模型識(shí)別的準(zhǔn)確率。

基于主成分分析（PCA）和LVQ神經(jīng)網(wǎng)絡(luò)的行駛工況識(shí)別流程圖見(jiàn)圖3，主要包括兩部分：①離線LVQ樣本訓(xùn)練部分。利用選取的代表性運(yùn)動(dòng)學(xué)片段對(duì)其主成分進(jìn)行提取，并進(jìn)行LVQ神經(jīng)網(wǎng)絡(luò)訓(xùn)練。②在線LVQ工況識(shí)別部分。對(duì)采集的汽車行駛過(guò)程中的工況數(shù)據(jù)進(jìn)行特征參數(shù)提取及主成分提取，將其作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)識(shí)別模型的輸入層，進(jìn)而輸出該片段所屬的行駛工況類型，并進(jìn)行實(shí)時(shí)識(shí)別及更新?？紤]到識(shí)別周期對(duì)識(shí)別效果的影響，結(jié)合實(shí)時(shí)處理能力及所采集實(shí)際行駛工況數(shù)據(jù)的片段長(zhǎng)度，選取120 s為識(shí)別周期［14］。

圖3 工況識(shí)別流程圖Fig.3 Flow chart of working condition identification

2.1 LVQ神經(jīng)網(wǎng)絡(luò)

LVQ神經(jīng)網(wǎng)絡(luò)［15］結(jié)構(gòu)如圖4所示，由輸入、競(jìng)爭(zhēng)和線性輸出3層神經(jīng)元組成。圖中，P為R維的輸入模式；S（1）為競(jìng)爭(zhēng)層神經(jīng)元個(gè)數(shù)；W(1.1)I為輸入層與競(jìng)爭(zhēng)層之間的連接權(quán)系數(shù)矩陣；n（1）為競(jìng)爭(zhēng)層神經(jīng)元的輸入；a（1）為競(jìng)爭(zhēng)層神經(jīng)元的輸出；W(2.1)L為競(jìng)爭(zhēng)層與線性輸出層之間的連接權(quán)系數(shù)矩陣；n（2）為線性輸出層神經(jīng)元的輸入；a（2）為線性輸出層神經(jīng)元的輸出；ndist為計(jì)算輸入層向量與競(jìng)爭(zhēng)層向量之間的歐氏距離；compet（·）為競(jìng)爭(zhēng)層傳遞函數(shù)；purelin（·）為線性函數(shù)。

圖4 LVQ神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Architecture of LVQ neural network

2.2 工況識(shí)別樣本訓(xùn)練

對(duì)選取的各類典型工況訓(xùn)練片段進(jìn)行特征參數(shù)提取，進(jìn)而提取主成分，作為L(zhǎng)VQ神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)，用于LVQ神經(jīng)網(wǎng)絡(luò)的行駛工況識(shí)別模型訓(xùn)練，訓(xùn)練過(guò)程如圖5所示。根據(jù)訓(xùn)練樣本的主成分及所屬類別不斷調(diào)整競(jìng)爭(zhēng)層權(quán)值，訓(xùn)練結(jié)束之后，將最終競(jìng)爭(zhēng)層權(quán)值應(yīng)用于行駛工況識(shí)別。

2.3 工況識(shí)別模型驗(yàn)證

圖5 樣本訓(xùn)練過(guò)程Fig.5 Sample training process

對(duì)采集的行駛工況數(shù)據(jù)的20 182個(gè)有效片段（包括6 294個(gè)第1類工況片段、8 325個(gè)第2類工況片段、5 563個(gè)第3類工況片段）進(jìn)行各個(gè)片段特征參數(shù)提取，進(jìn)而提取主成分并作為測(cè)試集，結(jié)果如表4所示。由表4知，第1類和第3類識(shí)別正確率較高，均超過(guò)90%；第2類相對(duì)較低，由于第2類工況處于第1、3類之間，有一部分工況片段與第1、3類相似度高，故綜合正確率為90.17%。由此可知，基于PCA-LVQ的行駛工況識(shí)別法可以更加準(zhǔn)確地實(shí)時(shí)識(shí)別出當(dāng)前所處行駛工況。

表4 不同工況類型識(shí)別結(jié)果Tab.4 Recognition accuracy of different driving cycle

3 駕駛員駕駛風(fēng)格識(shí)別

通常將駕駛員的駕駛風(fēng)格劃分為3類：經(jīng)濟(jì)型、一般型、動(dòng)力型，不同駕駛風(fēng)格的駕駛員踩加速踏板、制動(dòng)踏板的幅度及速度不同。但由于駕駛員對(duì)加速踏板、制動(dòng)踏板的使用會(huì)受到車輛實(shí)際行駛工況的影響，因此駕駛風(fēng)格的識(shí)別需要在工況識(shí)別的基礎(chǔ)上進(jìn)行才更加合理。

駕駛員是“車-路-人”系統(tǒng)中的重要環(huán)節(jié)，駕駛風(fēng)格又是駕駛員在道路上的動(dòng)態(tài)行為，相同的公交線路，相似的行駛工況下，同型號(hào)電動(dòng)汽車不同駕駛風(fēng)格的能耗差異往往較大［16］。因此通過(guò)識(shí)別當(dāng)前行駛工況，并在此基礎(chǔ)上對(duì)駕駛風(fēng)格進(jìn)行識(shí)別，才能更加準(zhǔn)確地得到純電動(dòng)汽車行駛過(guò)程中的能量消耗。

平均加速度和加速度標(biāo)準(zhǔn)差大小可以反映駕駛員在駕駛車輛過(guò)程中對(duì)動(dòng)力性的要求及加速度的分散程度，本研究聯(lián)合采用平均加速度和加速度標(biāo)準(zhǔn)差參數(shù)對(duì)駕駛風(fēng)格進(jìn)行模糊識(shí)別。

加速度平均值

式中，n為采樣次數(shù)；ai為加速度第i次采樣值，m/s2。標(biāo)準(zhǔn)差

采用K均值聚類的方法，聯(lián)合采用平均加速度與加速度標(biāo)準(zhǔn)差參數(shù)對(duì)20 182個(gè)運(yùn)動(dòng)學(xué)片段進(jìn)行3類聚類分析。聚類得到3類聚類中心以（aˉ，s（a））表示為（0.240，1.742）、（0.310，2.546）、（0.430，3.579），分別作為經(jīng)濟(jì)型、一般型、動(dòng)力型駕駛風(fēng)格工況片段的聚類中心。通過(guò)式（2）相關(guān)系數(shù)計(jì)算公式選取各類典型駕駛風(fēng)格片段用于模糊控制器參數(shù)的確定。

模糊控制主要借鑒專家的經(jīng)驗(yàn)來(lái)選擇控制器的結(jié)構(gòu)和參數(shù)，但僅僅靠專家的經(jīng)驗(yàn)很難得到滿意的效果。本文模糊控制器的模糊規(guī)則比較簡(jiǎn)單，因此需要對(duì)隸屬度函數(shù)進(jìn)行優(yōu)化。采用典型駕駛風(fēng)格片段利用遺傳算法優(yōu)化模糊控制器隸屬度函數(shù)，得到平均加速度、加速度標(biāo)準(zhǔn)差隸屬度函數(shù)（圖6）。駕駛風(fēng)格推理規(guī)則表見(jiàn)表5。

圖6 平均加速度及加速度標(biāo)準(zhǔn)差隸屬度函數(shù)Fig.6 Membership function of average acceleration and standard deviation of acceleration

表5 駕駛風(fēng)格推理規(guī)則表Tab.5 Inference rule table of driving style

4 動(dòng)力電池剩余可用能量估計(jì)

電池作為復(fù)雜的電化學(xué)系統(tǒng)，在不同狀態(tài)、不同工況下的可用能量均不相同［17］。本文選取的某公司8 m純電動(dòng)客車采用標(biāo)稱電壓為518.4 V的磷酸鐵鋰LiFePO4動(dòng)力電池組，其額定容量為172 A·h。根據(jù)鋰電池基本特性，在綜合考慮三種簡(jiǎn)化電化學(xué)模型基礎(chǔ)上，建立了鋰電池電化學(xué)復(fù)合模型［18］。該模型不僅考慮了溫度的影響，而且將充放電倍率及充放電方向考慮在內(nèi)，能準(zhǔn)確反映鋰電池的動(dòng)態(tài)特性。其數(shù)學(xué)表達(dá)式如下：

式中，yk為電池工作電壓；ik為k時(shí)刻電流值；R為電池內(nèi)阻，充電時(shí)R=RC（ik為負(fù)），放電時(shí)R=Rd（ik為正）；xk為k時(shí)刻的瞬時(shí)荷電狀態(tài)；K0、R、K1、K2、K3、K4為復(fù)合電化學(xué)模型匹配系數(shù)。

對(duì)電池荷電狀態(tài)（SOC）值作如下定義：

對(duì)式（3）進(jìn)行離散化處理得

式中，xk為k時(shí)刻SOC值；ik-1為k-1時(shí)刻電流值；Δt為時(shí)間間隔。

由此，得到鋰電池的狀態(tài)空間模型。狀態(tài)方程為

觀測(cè)方程為

式中，wk、vk分別為均值為0的高斯白噪聲。

利用磷酸鐵鋰離子動(dòng)力電池組試驗(yàn)獲得電流、電壓和真實(shí)SOC值，采用自適應(yīng)模擬退火（ASA）算法對(duì)電化學(xué)復(fù)合模型參數(shù)進(jìn)行辨識(shí)，得到最優(yōu)充放電內(nèi)阻及模型匹配參數(shù)。參數(shù)辨識(shí)結(jié)果如表6所示。

表6 參數(shù)辨識(shí)表Tab.6 Parameter identification table

對(duì)電動(dòng)汽車行駛過(guò)程來(lái)說(shuō)，電池的剩余放電能量ERDE是指以某一工況行駛時(shí)，從當(dāng)前時(shí)刻直至電池放電截止這一過(guò)程中，電池累計(jì)能提供的能量。電池剩余能量值

式中，ERDE（t）為當(dāng)前時(shí)刻電池剩余能量值；為允許的放電截止SOC值（本文取0）；Qst為電池標(biāo)準(zhǔn)容量；Ut為放電平均電壓。

5 融合車、路、人信息電動(dòng)汽車?yán)m(xù)駛里程估算

5.1 估算方法

本文在確定的汽車本身狀態(tài)下，通過(guò)實(shí)時(shí)識(shí)別純電動(dòng)汽車行駛過(guò)程中不同行駛工況、駕駛員駕駛風(fēng)格，從而更加準(zhǔn)確地得到行駛過(guò)程中的能耗，并結(jié)合磷酸鐵鋰LiFePO4電池剩余可用能量，進(jìn)而實(shí)現(xiàn)剩余續(xù)駛里程的實(shí)時(shí)預(yù)測(cè)。

為了更好地反映車輛行駛能耗的最新變化，采用調(diào)整當(dāng)前行駛工況的單位里程能耗與歷史單位里程能耗的權(quán)值的方法，即當(dāng)前時(shí)刻路段工況類型平均能耗采用較大的權(quán)重，而歷史單位里程能耗采用較小的權(quán)重，計(jì)算公式如下：

式中，lavg為平均單位里程能耗；whis為歷史單位里程能耗的權(quán)重；lhis為歷史單位里程能耗；wcur為當(dāng)前單位里程能耗的權(quán)重；lcur為當(dāng)前單位里程能耗。

融合車、路、人信息的電動(dòng)汽車剩余續(xù)駛里程估算方法如圖7所示。

圖7 融合車、路、人信息的電動(dòng)汽車?yán)m(xù)駛里程估算Fig.7 Driving range estimation for electric vehicles through vehicles，roads，and human information fusion

首先將采集的鄭州市工況數(shù)據(jù)聚類成3類工況，分別輸入整車模型，計(jì)算得到各類工況的單位里程能耗。通過(guò)獲取行駛過(guò)程中最近120 s的一個(gè)片段，并對(duì)該片段進(jìn)行工況識(shí)別、駕駛風(fēng)格識(shí)別，計(jì)算行駛過(guò)程所消耗的能耗，累加得出總能耗。通過(guò)速度積分得到車輛行駛里程數(shù)，進(jìn)而計(jì)算歷史單位里程能耗，并結(jié)合當(dāng)前工況單位里程能耗，計(jì)算能動(dòng)態(tài)反映車輛工況最新變化的單位里程能耗，并結(jié)合動(dòng)力電池剩余可用能量實(shí)時(shí)計(jì)算得到剩余續(xù)駛里程的實(shí)時(shí)預(yù)測(cè)。

5.2 估算實(shí)例

5.2.1 各類工況單位里程平均能耗

選取某公司8 m純電動(dòng)客車為研究對(duì)象，圖8為該電動(dòng)客車整車動(dòng)力系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖。表7為所示主要技術(shù)參數(shù)，整車模型在前向仿真軟件AVLCRUISE中搭建，并通過(guò)AVL-CRUISE里的外部電池接口將在MATLAB/Simulink里建立的動(dòng)力電池電化學(xué)復(fù)合模型鏈接到AVL-CRUISE中。通過(guò)將采集到的3類行駛工況分別輸入到整車模型，仿真計(jì)算出各類行駛工況的單位里程平均能耗。

圖8 系統(tǒng)結(jié)構(gòu)簡(jiǎn)圖Fig.8 Schematic diagram of system

表7 整車技術(shù)參數(shù)Tab.7 Vehicle technical parameters

數(shù)據(jù)采集過(guò)程中，會(huì)由于設(shè)備傳輸問(wèn)題及駕駛員操作失誤，導(dǎo)致所采集的實(shí)驗(yàn)車工況數(shù)據(jù)有噪點(diǎn)，從而影響到電機(jī)的工作狀態(tài)，導(dǎo)致仿真的電耗結(jié)果與實(shí)際值偏差較大，因此在仿真之前需對(duì)鄭州工況進(jìn)行平滑處理，所采用平滑曲線濾波器定義為［7］

式中，K（x）為t時(shí)刻前后速度的權(quán)值。

K（x）函數(shù)如下：

圖9為隨機(jī)選取的一段工況數(shù)據(jù)濾波前后的時(shí)間（t）-速度（v）曲線對(duì)比圖。

圖9 工況數(shù)據(jù)濾波前后對(duì)比圖Fig.9 Comparison chart of condition data before and after filtering

通過(guò)MATLAB/Simulink與AVL-CRUISE聯(lián)合仿真得出8 m純電動(dòng)客車在第1、2、3類車輛行駛工況單位里程平均能耗分別為5 076 W·h/km、6 025 W·h/km、4 620 W·h/km。

5.2.2 續(xù)駛里程估算

由式（4）可得動(dòng)態(tài)反映車輛工況最新變化的單位里程能耗lavg。

已消耗總能量

歷史單位里程能耗

lhis=Ecost/S

剩余續(xù)駛里程

Sres=ERDElavg

式中，Ecost為純電動(dòng)客車歷史工況總消耗；Et為當(dāng)前汽車單位里程能耗；ttotal為行駛總時(shí)間；S為純電動(dòng)客車已行駛里程；ERDE（t）為當(dāng)前時(shí)刻電池剩余能量值。

6 仿真分析及半實(shí)物測(cè)試驗(yàn)證

6.1 仿真分析

隨機(jī)選取一部分車載終端設(shè)備采集的實(shí)車行駛工況數(shù)據(jù)作為測(cè)試數(shù)據(jù)，利用MATLAB/Simulink與AVL-CRUISE聯(lián)合仿真，從而驗(yàn)證所采用的融合車、路、人信息的電動(dòng)汽車?yán)m(xù)駛里程估算方法的準(zhǔn)確性和可行性。

分別采用工況識(shí)別法和工況識(shí)別與駕駛風(fēng)格識(shí)別相結(jié)合的方法得到估算值，估算值與實(shí)際值的比較結(jié)果如圖10所示。由圖10可知兩種估算方法在估算初始階段波動(dòng)較大，由于歷史工況數(shù)據(jù)較少，且隨著工況的變化，單位里程能耗變化較大，導(dǎo)致估算結(jié)果隨之變化較大。但隨著歷史數(shù)據(jù)的逐漸積累，單位里程能耗逐漸收斂于一個(gè)值（圖11），從而使得兩種方法估計(jì)的剩余續(xù)駛里程波動(dòng)也隨之變小。兩種估算方法所得的剩余里程估算與實(shí)際值之間的誤差對(duì)比如表8所示。由表8比較可知，采用融合車、路、人信息的估算方法是可行的，且相比工況識(shí)別法精度更高。

圖10 兩種估算方法對(duì)比Fig.10 Comparison of two estimation methods

圖11 單位行駛里程能耗Fig.11 Energy consumption per unit mileage

表8 兩種估算方法誤差對(duì)比Tab.8 Error comparison of two estimation methods

均方根誤差（REMD）被廣泛應(yīng)用于不同數(shù)據(jù)之間偏差的對(duì)比，尤其是基于模型估計(jì)的預(yù)測(cè)值與真實(shí)值之間的對(duì)比。為了進(jìn)一步驗(yàn)證采用融合車、路、人信息的純電動(dòng)客車?yán)m(xù)駛里程估算方法的有效性，本文以均方根誤差作為評(píng)價(jià)指標(biāo)，其計(jì)算式如下：

式中，v（i）為第i個(gè)剩余續(xù)駛里程預(yù)測(cè)值；vz（i）為對(duì)應(yīng)時(shí)刻剩余里程真實(shí)值；n為總預(yù)測(cè)次數(shù)。

工況識(shí)別法和“工況識(shí)別+風(fēng)格識(shí)別”方法對(duì)剩余里程估算結(jié)果的均方根誤差分別為2.609 km和1.536 km。可以看出，采用的融合車、路、人信息的“工況識(shí)別+駕駛風(fēng)格識(shí)別”方法與工況識(shí)別法相比，均方根誤差降低了41.13%。

為避免由于工況及駕駛風(fēng)格改變時(shí)，儀表上實(shí)時(shí)顯示的剩余續(xù)駛里程頻繁跳變，對(duì)采用融合車、路、人信息的估算結(jié)果采用卡爾曼濾波（KF）方法再次優(yōu)化處理，優(yōu)化后剩余里程顯示過(guò)渡更加平滑，從而避免駕駛員產(chǎn)生焦慮情緒。圖12為KF優(yōu)化前后剩余續(xù)駛里程曲線對(duì)比及局部放大圖。經(jīng)過(guò)KF優(yōu)化后絕對(duì)誤差平均值為0.801 km，平均誤差為1.120%，均方根誤差為1.308 km，可知經(jīng)過(guò)KF優(yōu)化后各種誤差進(jìn)一步減小，估算精度得到提高。

圖12 KF優(yōu)化前后剩余續(xù)駛里程曲線對(duì)比Fig.12 Contrast before and after Kalman optimization

6.2 半實(shí)物測(cè)試驗(yàn)證

引入半實(shí)物仿真平臺(tái)進(jìn)行進(jìn)一步驗(yàn)證。平臺(tái)硬件系統(tǒng)主要由dSPACE、CANoe及駕駛員模擬器組成，軟件系統(tǒng)主要包括AVL-CRUISE、MATLAB及dSPACE自帶的數(shù)據(jù)監(jiān)控軟件ControlDesk?？刂茖?duì)象采用dSPACE的I/O接口連接，試驗(yàn)采用兩路ADC模數(shù)轉(zhuǎn)換通道分別采集真實(shí)駕駛員的油門踏板和制動(dòng)踏板信號(hào)，一路局域網(wǎng)通道實(shí)現(xiàn)數(shù)據(jù)的接收與發(fā)送。CANoe作為CAN通信控制器，可真實(shí)模擬實(shí)車數(shù)據(jù)間的信號(hào)傳輸，并且由真實(shí)駕駛員跟隨目標(biāo)車速踩下油門和制動(dòng)踏板，使該仿真試驗(yàn)更接近于真實(shí)實(shí)車試驗(yàn)，測(cè)試方案如圖13所示。

半實(shí)物測(cè)試表明：采用融合車、路、人信息的純電動(dòng)客車?yán)m(xù)駛里程的估算方法，平均誤差2.457%，絕對(duì)誤差平均值1.392 km，均方根誤差2.180 km，各類誤差較小，進(jìn)一步驗(yàn)證了融合車、路、人信息的電動(dòng)汽車剩余續(xù)駛里程方法的準(zhǔn)確性及可行性。

7 結(jié)論

圖13 半實(shí)物仿真試驗(yàn)方案Fig.13 Hardware in the loop simulation test scheme

（1）通過(guò)主成分分析和聚類分析法，并利用CH指標(biāo)，確定汽車行駛工況的最佳聚類數(shù)，并選出基于大數(shù)據(jù)的、符合鄭州市交通特點(diǎn)的公交車各類實(shí)際代表性行駛工況片段，用于工況識(shí)別模型的訓(xùn)練。

（2）建立基于主成分分析和LVQ神經(jīng)網(wǎng)絡(luò)的行駛工況識(shí)別模型，綜合識(shí)別正確率達(dá)90.17%，并在工況識(shí)別的基礎(chǔ)上，通過(guò)模糊控制的方法對(duì)駕駛風(fēng)格進(jìn)行識(shí)別，增加駕駛員信息，進(jìn)而進(jìn)行融合車、路、人信息的電動(dòng)汽車剩余續(xù)駛里程仿真估算，并利用卡爾曼濾波對(duì)續(xù)駛里程估算結(jié)果作進(jìn)一步優(yōu)化，提高了剩余里程估算精度。

（3）采用實(shí)車采集的工況數(shù)據(jù)對(duì)純電動(dòng)客車估算方法仿真分析對(duì)比驗(yàn)證，結(jié)果表明融合車、路、人信息的電動(dòng)汽車剩余續(xù)駛里程估算方法誤差較小，可有效提高估算精度；半實(shí)物測(cè)試結(jié)果表明，所采用的估算方法是可行的。