石 琴 仇多洋 吳 冰 李一鳴 劉炳姣

合肥工業(yè)大學(xué)汽車(chē)與交通工程學(xué)院，合肥，230009

0 引言

在新能源汽車(chē)的研發(fā)過(guò)程中，行駛工況識(shí)別得到越來(lái)越廣泛的應(yīng)用。對(duì)于混合動(dòng)力汽車(chē)，在制定的能量管理策略中，如果能夠識(shí)別當(dāng)前行駛工況的特點(diǎn)，實(shí)時(shí)調(diào)整能量控制參數(shù)值，實(shí)現(xiàn)不同動(dòng)力源之間功率分配最優(yōu)，則可進(jìn)一步提高整車(chē)燃油經(jīng)濟(jì)性［1-7］。而對(duì)于純電動(dòng)汽車(chē)，準(zhǔn)確識(shí)別出實(shí)時(shí)行駛工況類(lèi)型，獲得相應(yīng)類(lèi)型工況下電耗水平，有助于提高純電動(dòng)汽車(chē)剩余續(xù)駛里程估算的準(zhǔn)確性［8-9］。

當(dāng)前行駛工況識(shí)別方法大致可分為三類(lèi)：①采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行識(shí)別。WANG等［10］利用數(shù)理統(tǒng)計(jì)方法篩選出識(shí)別參數(shù)，并用學(xué)習(xí)向量量化（learning vector quantization，LVQ）神經(jīng)網(wǎng)絡(luò)算法進(jìn)行行駛工況識(shí)別；JEON等［11］定義一系列特征參數(shù)來(lái)描述行駛工況，采用Hamming網(wǎng)絡(luò)進(jìn)行行駛工況識(shí)別；周楠等［12］應(yīng)用競(jìng)爭(zhēng)型神經(jīng)網(wǎng)絡(luò)算法確定實(shí)時(shí)行駛工況隸屬的標(biāo)準(zhǔn)工況類(lèi)型。②采用模糊控制器進(jìn)行識(shí)別。田毅等［13］采用遺傳算法優(yōu)化的模糊控制器對(duì)廣州和上海主干道行駛工況進(jìn)行識(shí)別。③利用聚類(lèi)理論進(jìn)行識(shí)別。RAVEY等［14］將平均車(chē)速、停車(chē)次數(shù)、停車(chē)時(shí)間、加速度和減速度5個(gè)參數(shù)及其權(quán)重的乘積作為聚類(lèi)參數(shù)，利用動(dòng)態(tài)聚類(lèi)理論判斷實(shí)際行駛工況所屬的標(biāo)準(zhǔn)工況類(lèi)別；秦大同等［7］通過(guò)計(jì)算待識(shí)別工況與標(biāo)準(zhǔn)工況特征參數(shù)的歐幾里得距離確認(rèn)行駛工況所屬類(lèi)型；詹森等［3］利用遺傳算法優(yōu)化的K均值聚類(lèi)算法進(jìn)行行駛工況識(shí)別。

上述研究中，采用神經(jīng)網(wǎng)絡(luò)算法識(shí)別行駛工況時(shí)，訓(xùn)練過(guò)程中隱含層神經(jīng)元個(gè)數(shù)存在不確定性，導(dǎo)致識(shí)別結(jié)果存在較大差異，很難得到最優(yōu)識(shí)別模型；采用模糊控制器進(jìn)行行駛工況識(shí)別時(shí)，隸屬度函數(shù)大多根據(jù)經(jīng)驗(yàn)選擇，只有反復(fù)調(diào)試才可以提高識(shí)別精度；采用聚類(lèi)理論進(jìn)行行駛工況識(shí)別時(shí)，聚類(lèi)中心初始值對(duì)識(shí)別結(jié)果影響較大，容易陷入局部最優(yōu)解的情況，同時(shí)對(duì)輸入?yún)?shù)的個(gè)數(shù)比較敏感。

支持向量機(jī)（support vector machine，SVM）是根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論的VC理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則提出的一種針對(duì)有限樣本情況的機(jī)器學(xué)習(xí)方法［15］，大大簡(jiǎn)化了通常的分類(lèi)和回歸問(wèn)題，且具有較好的魯棒性。SVM作為有監(jiān)督的學(xué)習(xí)理論，沒(méi)有聚類(lèi)理論中初始聚類(lèi)中心的設(shè)置問(wèn)題，同時(shí)避免了人工神經(jīng)網(wǎng)絡(luò)等理論的網(wǎng)絡(luò)結(jié)構(gòu)選擇、過(guò)學(xué)習(xí)和欠學(xué)習(xí)等問(wèn)題，可廣泛用于模式識(shí)別。

為了提高SVM算法識(shí)別精度，本文將粒子群優(yōu)化（particle swarm optimization，PSO）算法和SVM算法相結(jié)合，建立最優(yōu)的行駛工況識(shí)別模型，分析了識(shí)別周期和更新周期對(duì)實(shí)時(shí)在線識(shí)別精度的影響；將行駛工況識(shí)別技術(shù)應(yīng)用在插電式混合動(dòng)力汽車(chē)的能量管理策略中，驗(yàn)證了行駛工況識(shí)別有助于整車(chē)實(shí)時(shí)最優(yōu)控制，并提高了混合動(dòng)力的汽車(chē)燃油經(jīng)濟(jì)性。

1 理論基礎(chǔ)

1.1 支持向量機(jī)識(shí)別算法

SVM算法基本思想是：通過(guò)非線性映射將低維空間的輸入數(shù)據(jù)映射到高維的特征空間，使其成為線性可分，在高維空間求解最優(yōu)判別函數(shù)，確定分類(lèi)邊界。

已知線性可分情況下訓(xùn)練樣本集：{（xi，yi）}其中，xi∈Rn，yi∈{-1，+1}（i=1，2，…，l）。利用最優(yōu)分類(lèi)超平面ωxi+b=0對(duì)樣本進(jìn)行分類(lèi)，離最優(yōu)分類(lèi)超平面最近的兩類(lèi)樣本稱(chēng)之為支持向量。支持向量與最優(yōu)超平面之間的距離之和為根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，應(yīng)使該距離之和最大，因此求解最優(yōu)超平面的問(wèn)題轉(zhuǎn)化為下述優(yōu)化問(wèn)題：

式中，ω為最優(yōu)分類(lèi)超平面的法向量；b為閾值，b∈R。

針對(duì)訓(xùn)練樣本集大多數(shù)情況是線性不可分的，SVM引入非負(fù)松弛因子ξi，同時(shí)加入懲罰系數(shù)C。通過(guò)核函數(shù)進(jìn)行非線性映射后，將上述目標(biāo)函數(shù)變化為

使用Lagrange乘子法求解上述最小值問(wèn)題。建立Lagrange函數(shù)如下：

式中，αi為L(zhǎng)agrange乘子，是輔助非負(fù)變量。

分別對(duì)式（3）中的ω和b求偏導(dǎo)并置零，將結(jié)果代入式（3）可得到原問(wèn)題的對(duì)偶問(wèn)題：

式中，x為測(cè)試樣本。

定義K（xi，x）=(φ(xi))Tφ(x)為核函數(shù)，應(yīng)用最廣泛的核函數(shù)即高斯徑向基函數(shù)：

式中，g為核函數(shù)寬度。

上述推導(dǎo)過(guò)程可以看出，懲罰系數(shù)C與核函數(shù)寬度g的取值是影響SVM識(shí)別性能的主要因素，因此，若要提高識(shí)別精度，需確定最優(yōu)懲罰系數(shù)C與核函數(shù)寬度g的取值，通常是利用k-cv交叉驗(yàn)證法選擇最優(yōu)的C與g。本文將C與g作為優(yōu)化對(duì)象，以識(shí)別精度為適應(yīng)度函數(shù)，利用粒子群優(yōu)化算法尋找最優(yōu)的C與g，建立最優(yōu)的行駛工況識(shí)別模型。

1.2 基于粒子群優(yōu)化的SVM識(shí)別算法

粒子群優(yōu)化（PSO）算法具有搜索機(jī)制簡(jiǎn)單，收斂速度快，運(yùn)算量小等優(yōu)點(diǎn)，且能夠減少和避免陷入局部最優(yōu)解的情況。利用基于PSO優(yōu)化的SVM算法（簡(jiǎn)稱(chēng)PSO-SVM算法）尋找最優(yōu)的C和g，可避免k-cv交叉驗(yàn)證法計(jì)算量大、精度不高等問(wèn)題，PSO-SVM算法流程見(jiàn)圖1。

圖1PSO-SVM算法流程Fig.1 PSO-SVM algorithm flow

PSO-SVM算法的基本步驟如下。

（1）設(shè)置種群粒子個(gè)數(shù)為m。

（2）初始化種群中各粒子的速度和位置，得到第1代種群u（1）=［u(1)1，u(1)2，…，u(1)j，…，u(1)m］。本文的搜索空間為2維，則每個(gè)粒子包含2個(gè)變量。并將各粒子的歷史最優(yōu)位置pbest設(shè)為初始位置，取粒子群全局最優(yōu)位置gbest中的最優(yōu)值。

（3）根據(jù)得到的種群，更新SVM算法中的懲罰系數(shù)C和核函數(shù)寬度g。

（4）利用訓(xùn)練樣本訓(xùn)練SVM算法模型。

（5）利用測(cè)試樣本測(cè)試SVM算法精度，即適應(yīng)度函數(shù)值。適應(yīng)度函數(shù)值計(jì)算表示式如下：

式中，Zrec為識(shí)別的工況類(lèi)型；Zact為實(shí)際的工況類(lèi)型；n為測(cè)試樣本數(shù)量。

（6）更新粒子速度和位置，表達(dá)式分別如下：

式中，w為慣性權(quán)重；r1和r2為分布于區(qū)間［0，1］內(nèi)的隨機(jī)數(shù)；k為當(dāng)前迭代次數(shù)，初始值為1；p(k)best為第k代個(gè)體最優(yōu)粒子位置；g(k)best為第k代全局最優(yōu)粒子位置；c1、c2為常數(shù)；v為粒子速度；u為粒子位置。

進(jìn)而得到k+1代種群的位置：

（7）計(jì)算更新后的每個(gè)粒子的適應(yīng)度，并與之前經(jīng)歷過(guò)的最優(yōu)位置pbest所對(duì)應(yīng)的適應(yīng)度比較，若當(dāng)前位置更好，則將其當(dāng)前位置作為該粒子的pbest。

（8）將每一個(gè)粒子的適應(yīng)度與全體粒子所經(jīng)歷過(guò)的最優(yōu)位置gbest比較，若當(dāng)前位置更好，則更新gbest的值。

（9）檢查終值條件，若精度滿足預(yù)設(shè)條件，則停止迭代；若精度未滿足預(yù)設(shè)條件，則返回步驟（3）；若超出最大迭代次數(shù)，同樣停止迭代。

（10）輸出最優(yōu)解。

2 算法實(shí)例分析

2.1 數(shù)據(jù)采集

在行駛工況識(shí)別的研究中，諸多文獻(xiàn)都定義了3類(lèi)典型行駛工況［4，14，16］，即市區(qū)工況、郊區(qū)工況和高速公路工況。但隨著城市立體交通網(wǎng)絡(luò)逐漸形成，高架橋數(shù)量逐漸增多。而高架橋道路的行駛工況特點(diǎn)又有別于以上3類(lèi)行駛工況，因此本文定義4類(lèi)典型行駛工況，每種工況特點(diǎn)如下：

（1）市區(qū)工況。主要集中在城市中心地帶，十字路口多，紅綠燈多，車(chē)輛數(shù)目多，交通流量大，道路經(jīng)常擁堵，車(chē)輛頻繁啟動(dòng)，車(chē)速較低且停車(chē)間隙長(zhǎng)，工況類(lèi)型編號(hào)為1。

（2）郊區(qū)工況。車(chē)輛常以中速行駛，停車(chē)次數(shù)較少且停車(chē)時(shí)間較短，由于限速，車(chē)速不會(huì)超過(guò)60 km/h，工況類(lèi)型編號(hào)為2。

（3）高架橋工況。車(chē)輛常以較高速行駛，雙向分割行駛，在無(wú)行人或非機(jī)動(dòng)車(chē)輛的工況下行駛，無(wú)交通信號(hào)燈，限速80 km/h，工況類(lèi)型編號(hào)為3。

（4）高速公路工況。與高架橋工況類(lèi)似，區(qū)別在于出入口完全被控制，限制時(shí)速比高架橋工況的限速高，通常為120 km/h，工況類(lèi)型編號(hào)為4。

為建立工況數(shù)據(jù)庫(kù)，需大量采集符合以上4種工況特征的行駛工況數(shù)據(jù)。本文以典型中等城市合肥市為例，進(jìn)行實(shí)車(chē)道路實(shí)驗(yàn)，采集4類(lèi)典型行駛工況數(shù)據(jù)。通過(guò)整車(chē)CAN信號(hào)采集設(shè)備讀取CAN信號(hào)中的車(chē)輛速度、運(yùn)行時(shí)間、行駛里程等信號(hào)，利用車(chē)輛綜合性能記錄儀將信號(hào)實(shí)時(shí)保存在車(chē)載電腦中，形成行駛工況數(shù)據(jù)庫(kù)。

每類(lèi)行駛工況的道路實(shí)驗(yàn)分別采集6 000組數(shù)據(jù)，每組數(shù)據(jù)時(shí)長(zhǎng)為1 s。對(duì)采集的數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)于個(gè)別缺失的數(shù)據(jù)利用插值方法補(bǔ)全，對(duì)于產(chǎn)生的奇異值作刪除處理，處理后的各典型行駛工況數(shù)據(jù)見(jiàn)圖2。

圖2 典型行駛工況實(shí)驗(yàn)數(shù)據(jù)Fig.2 Experimental data of typical driving cycle

2.2 樣本抽取

為使樣本數(shù)量充足，保證識(shí)別精度，采用隨機(jī)數(shù)法抽取工況樣本，具體方法見(jiàn)圖3。抽取的樣本數(shù)據(jù)80組，每組數(shù)據(jù)時(shí)長(zhǎng)為1 s，即識(shí)別周期為80 s。

圖3 樣本抽取Fig.3 Sample extraction

圖3中，ΔT為識(shí)別周期；Δω為更新周期；T為該類(lèi)行駛工況數(shù)據(jù)總量；t0為樣本抽取的起始時(shí)刻。每類(lèi)行駛工況抽取400個(gè)樣本，共計(jì)1 600個(gè)樣本，抽取的樣本起始時(shí)刻的表達(dá)式如下：

式中，α為產(chǎn)生的隨機(jī)數(shù)，α∈（0，1）。

2.3 樣本特征分析

若要保證行駛工況識(shí)別的準(zhǔn)確性，需確定足夠且有效的工況識(shí)別輸入?yún)?shù)，全面統(tǒng)計(jì)和分析工況特征，尤其市區(qū)工況行駛速度波動(dòng)大，經(jīng)常出現(xiàn)走走停停的狀況，因此特征參數(shù)既要反映車(chē)輛運(yùn)行快慢特性，又要反映速度波動(dòng)特性。根據(jù)文獻(xiàn)［1，17］，本文定義14個(gè)特征參數(shù)描述各工況樣本，見(jiàn)表1。

利用MATLAB編程分別求出各典型工況樣本的特征參數(shù)值，得到樣本數(shù)量n（行）×特征參數(shù)m（列）的矩陣，并按下式進(jìn)行歸一化處理：

式中，Xmax、Xmin分別為樣本數(shù)據(jù)X的最大值和最小值。

表1 行駛工況特征參數(shù)Tab.1 Characteristic parameters of driving cycle

定義的14個(gè)特征參數(shù)之間存在相關(guān)性，會(huì)對(duì)識(shí)別模型造成負(fù)面干擾，降低識(shí)別精度。而主成分分析能夠很好地克服參數(shù)間的相關(guān)性，把多個(gè)指標(biāo)轉(zhuǎn)化為幾個(gè)綜合指標(biāo)，因此對(duì)典型工況樣本的特征參數(shù)應(yīng)用主成分分析，得到14個(gè)主成分（用Mn表示，n=1，2，…，14）。各主成分的貢獻(xiàn)率和累積貢獻(xiàn)率見(jiàn)表2。通常選取累計(jì)貢獻(xiàn)率達(dá)到80%以上時(shí)所對(duì)應(yīng)的主成分代表所有原始變量進(jìn)行分析。同時(shí)若主成分的特征值小于或等于1，說(shuō)明該主成分包含的信息量少于或等于直接引入1個(gè)原變量的信息量，故選用主成分時(shí)，一般要求特征值大于1。由表2可以看出，前3個(gè)主成分的特征值均大于1且累積貢獻(xiàn)率達(dá)到了84.772%，因此選取前3個(gè)主成分作為PSO-SVM識(shí)別算法的輸入?yún)?shù)。各典型工況樣本前3個(gè)主成分得分見(jiàn)圖4。

表2 各主成分貢獻(xiàn)率和累積貢獻(xiàn)率Tab.2 The contribution rate and cumulative contribution rate of principal component

2.4 基于PSO-SVM算法的行駛工況識(shí)別模型

圖4 各典型工況樣本主成分得分Fig.4 The principal component scores of typical driving cycle sample

上述3個(gè)主成分作為PSO-SVM算法的輸入?yún)?shù)。從1 600個(gè)主成分得分樣本中隨機(jī)抽取80%作為訓(xùn)練樣本，建立識(shí)別模型；剩下20%作為測(cè)試樣本，驗(yàn)證識(shí)別模型的精度。粒子群算法種群規(guī)模設(shè)置為20，最大迭代次數(shù)為100。將基于PSO-SVM算法和基于k-cv交叉驗(yàn)證法建立的SVM識(shí)別算法進(jìn)行比較，以評(píng)價(jià)PSO優(yōu)化后的識(shí)別效果。k-cv交叉驗(yàn)證法中將C、g分別取以2為底的指數(shù)離散值，即 C∈{2-10，2-9，…，29，210}，g∈{2-10，2-9，…，29，210}，進(jìn)行網(wǎng)格尋優(yōu)，分別取識(shí)別精度最高時(shí)所對(duì)應(yīng)的C、g值作為最優(yōu)值。PSOSVM算法的迭代過(guò)程和k-cv交叉驗(yàn)證法尋優(yōu)過(guò)程分別見(jiàn)圖5和圖6。

圖5 PSO-SVM算法的迭代過(guò)程Fig.5 The iteration process of PSO-SVM algorithm

圖6 k-cv交叉驗(yàn)證法尋優(yōu)過(guò)程Fig.6 The optimization process of cross validation based on k-cv

由圖5可以看出，經(jīng)過(guò)100次迭代，PSO-SVM算法尋得最優(yōu)粒子時(shí)的識(shí)別精度為93.125%，對(duì)應(yīng)的最優(yōu)粒子C=4.433，g=7.126。而k-cv交叉驗(yàn)證法識(shí)別精度最高為88.994%，對(duì)應(yīng)的最優(yōu)粒子C=0.25，g=16。由此可見(jiàn)，基于PSO-SVM算法的行駛工況識(shí)別精度提高了4.131%。兩種算法的320個(gè)測(cè)試樣本的識(shí)別結(jié)果見(jiàn)圖7，可以看出，兩種情形下，高速公路工況的識(shí)別錯(cuò)誤率最低，郊區(qū)工況的識(shí)別錯(cuò)誤率最高。而基于PSOSVM算法建立的識(shí)別模型在市區(qū)、郊區(qū)和高架橋工況的識(shí)別精度均高于k-cv交叉驗(yàn)證法的識(shí)別精度，而在高速公路工況下，2種算法的識(shí)別精度接近。

圖7 測(cè)試樣本識(shí)別結(jié)果Fig.7 Test sample recognition results

3 識(shí)別周期及更新周期對(duì)行駛工況識(shí)別精度的影響分析

在識(shí)別模型的建立過(guò)程和在線應(yīng)用中，識(shí)別周期ΔT和更新周期Δω存在不確定性。ΔT的大小決定樣本數(shù)據(jù)時(shí)長(zhǎng)，進(jìn)而決定樣本所含信息量，ΔT過(guò)小，獲得的工況信息量較少，可信度降低；ΔT過(guò)大，無(wú)用的信息增多，不利于反映參數(shù)特征。而Δω的大小決定工況信息更新的快慢，Δω過(guò)小，則計(jì)算量增加，對(duì)處理器要求提高，且可能導(dǎo)致識(shí)別的工況頻繁切換；Δω過(guò)大，則工況識(shí)別的靈敏度降低，不利于實(shí)時(shí)最優(yōu)控制。由此可知，選取合適的識(shí)別周期和更新周期是準(zhǔn)確識(shí)別工況的保證。本文分別選取ΔT=30 s、80 s、130 s、180 s抽取樣本，應(yīng)用PSO-SVM識(shí)別算法和基于k-cv交叉驗(yàn)證法的SVM識(shí)別算法建立識(shí)別模型，并以一段隨機(jī)組合行駛工況為例，分別考慮Δω=5 s、10 s、20 s時(shí)，對(duì)隨機(jī)工況進(jìn)行實(shí)時(shí)在線識(shí)別，比較識(shí)別結(jié)果，并確定最優(yōu)ΔT和Δω，隨機(jī)行駛工況見(jiàn)圖8。篇幅限制，只列舉了ΔT=80 s、Δω=10 s時(shí)的情況，2種算法在線識(shí)別結(jié)果見(jiàn)圖9。根據(jù)式（7）對(duì)識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)，其中PSO-SVM算法的識(shí)別精度達(dá)到了91.089%，而基于k-cv的SVM算法的識(shí)別精度為83.168%，PSO-SVM算法的精度提高了7.921%。

圖8 隨機(jī)行駛工況Fig.8 Random driving cycle

圖9 在Δ T=80 s、Δ ω=10 s時(shí)的在線識(shí)別結(jié)果Fig.9 Online recognition results when ΔT=80 s，Δ ω=10 s

通過(guò)一系列重復(fù)交叉試驗(yàn)來(lái)獲取最優(yōu)ΔT和Δω，2種算法下所有組合在線識(shí)別結(jié)果見(jiàn)圖10和圖11，可以看出，PSO-SVM識(shí)別算法的精度普遍高于基于k-cv的SVM識(shí)別算法的精度。ΔT增大時(shí)，PSO-SVM算法的識(shí)別精度均有所提高，但當(dāng)ΔT進(jìn)一步增大時(shí)，PSO-SVM算法的識(shí)別精度有下降的趨勢(shì)，這也符合前文提及的識(shí)別周期過(guò)小或過(guò)大均不利于實(shí)時(shí)在線識(shí)別的分析。當(dāng)ΔT=30 s和180 s時(shí)，2種算法的識(shí)別精度均隨Δω的增大而降低；當(dāng)ΔT=80 s和130 s時(shí)，PSO-SVM算法的Δω取中間值10 s時(shí)，識(shí)別精度最高。綜合以上分析，在ΔT=80 s、Δω=10 s時(shí)，PSO-SVM算法的識(shí)別精度達(dá)到90%以上，可依據(jù)此確定ΔT和Δω?cái)?shù)值。

圖10 PSO-SVM算法在線識(shí)別精度Fig.10 PSO-SVM algorithm online recognition results

圖11 基于k-cv的SVM算法在線識(shí)別精度Fig.11 SVM algorithm online recognition results based on k-cv

4 行駛工況識(shí)別在混合動(dòng)力汽車(chē)能量管理策略的應(yīng)用分析

4.1 基于行駛工況識(shí)別的能量管理策略

行駛工況對(duì)混合動(dòng)力汽車(chē)的燃油經(jīng)濟(jì)性有較大的影響［1］，因此為進(jìn)一步提高整車(chē)燃油經(jīng)濟(jì)性，能量管理策略應(yīng)根據(jù)當(dāng)前行駛工況的特點(diǎn)，實(shí)時(shí)調(diào)整策略控制參數(shù)值，以實(shí)現(xiàn)不同動(dòng)力源功率分配的實(shí)時(shí)最優(yōu)。等效燃油消耗最小策略（equivalent fuel consumption minimization strategy，ECMS）具有結(jié)構(gòu)簡(jiǎn)單、運(yùn)算量小、無(wú)需先驗(yàn)知識(shí)的優(yōu)點(diǎn)，且通過(guò)引入懲罰函數(shù)，使得該策略具有良好的電量保持特性，可較好地適用于插電式混合動(dòng)力汽車(chē)的電量保持階段的能量管理，因此被廣泛研究［18-19］。

ECMS控制思想是：根據(jù)整車(chē)的實(shí)際駕駛員需求功率，在發(fā)動(dòng)機(jī)和電機(jī)的功率范圍內(nèi)合理分配發(fā)動(dòng)機(jī)和電機(jī)的實(shí)際輸出功率，使得發(fā)動(dòng)機(jī)瞬時(shí)燃油消耗率和電機(jī)消耗電量的等效燃油消耗率的總和最小，即

綜上所述，若要將行駛工況識(shí)別應(yīng)用到ECMS中，需提前獲得各典型工況下ECMS最優(yōu)充電等效因子和放電等效因子。針對(duì)以上問(wèn)題，以降低燃油消耗量為優(yōu)化目標(biāo)，建立基于P2構(gòu)型的某插電式混合動(dòng)力汽車(chē)Simulink模型，整車(chē)構(gòu)型見(jiàn)圖12，整車(chē)及能量管理策略頂層Simulink模塊見(jiàn)圖13，動(dòng)力及傳動(dòng)系統(tǒng)參數(shù)見(jiàn)表3。

圖12 某插電式混合動(dòng)力汽車(chē)整車(chē)構(gòu)型Fig.12 Configuration of a plug-in hybrid electric vehicle

圖13 整車(chē)及能量管理策略頂層模塊Fig.13 Top-level module of vehicle and energy management strategy

利用Simulink模型描述充放電等效因子與目標(biāo)參數(shù)之間的非線性關(guān)系，并采用智能優(yōu)化算法獲得各典型工況及綜合工況下ECMS最優(yōu)充電等效因子和放電等效因子，見(jiàn)表4。

表3 動(dòng)力及傳動(dòng)系統(tǒng)參數(shù)Tab.3 Power and transmission system parameters

表4 各典型工況最佳充放電等效因子Tab.4 The optimal charge and discharge equivalent factor in the typical driving cycle

4.2 基于行駛工況識(shí)別的ECMS仿真分析

為了對(duì)比分析，考慮3種情形，即未采用行駛工況識(shí)別的ECMS、基于k-cv的SVM行駛工況識(shí)別的ECMS及基于PSO-SVM算法行駛工況識(shí)別的ECMS（簡(jiǎn)稱(chēng)為模式一、模式二和模式三）。將隨機(jī)行駛工況在ΔT=80 s、Δω=10 s時(shí)的各識(shí)別結(jié)果序列導(dǎo)入Simulink整車(chē)模型中的能量管理策略模塊內(nèi)，利用Switch模塊切換充放電等效因子數(shù)值。仿真整車(chē)在電量保持階段的性能，初始SOC值設(shè)定為0.63，電池SOC值上下限分別為0.7和0.6。仿真過(guò)程車(chē)速跟隨情況見(jiàn)圖14，可以看出，3種模式下的ECMS均滿足車(chē)輛需求功率，實(shí)際車(chē)速與目標(biāo)車(chē)速基本吻合，車(chē)速跟隨誤差較小。

圖14 車(chē)速跟隨情況Fig.14 Velocity following condition

圖15 累積燃油消耗量Fig.15 Cumulative fuel consumption

圖16 SOC變化曲線Fig.16 The curves of SOC

模式一～模式三時(shí)的累積燃油消耗量和SOC變化曲線分別見(jiàn)圖15和圖16。分析圖15可知，模式一時(shí)策略累積燃油消耗量為732 g，百公里油耗為5.343 L；模式二時(shí)策略累積燃油消耗量為690 g，百公里油耗為5.042 L，相對(duì)于模式一，燃油經(jīng)濟(jì)性提高了5.634%；模式三時(shí)策略累積燃油消耗量為660 g，百公里油耗為4.817 L，相對(duì)于模式一，燃油經(jīng)濟(jì)性提高了9.836%，而相對(duì)于模式二亦提高了4.348%。電池荷電狀態(tài)（SOC）用參數(shù)Ssoc表示，其數(shù)值表示剩余電量占比，1表示電池充滿電，0表示電池放完電。由圖16可知，3種模式下的SOC保持性能均較好，與目標(biāo)SOC值偏差均在5%以內(nèi)，但模式一時(shí)的電池SOC波動(dòng)較大，充放電次數(shù)較多。模式二與模式三時(shí)的SOC變化相對(duì)平穩(wěn)，且電池充放電次數(shù)減少，有利于提高系統(tǒng)效率和延長(zhǎng)電池壽命。

5 結(jié)論

（1）分析了合肥市交通特征與道路特征，分別在代表市區(qū)工況、郊區(qū)工況、高架橋工況和高速公路工況的道路進(jìn)行實(shí)車(chē)實(shí)驗(yàn)，采集大量行駛工況數(shù)據(jù)。定義了描述行駛工況特性的特征參數(shù)，利用多元統(tǒng)計(jì)理論對(duì)數(shù)據(jù)進(jìn)行了處理，提取出可用于行駛工況識(shí)別的參數(shù)。

（2）建立基于粒子群優(yōu)化的SVM識(shí)別算法，并通過(guò)實(shí)例分析可知，PSO-SVM算法識(shí)別精度比基于k-cv交叉驗(yàn)證法的SVM算法的識(shí)別精度高。討論了行駛工況識(shí)別過(guò)程中，識(shí)別周期和更新周期對(duì)識(shí)別精度的影響，結(jié)果表明在識(shí)別周期為80 s、更新周期為10 s時(shí)，識(shí)別精度最高，但仍需進(jìn)一步提高。

（3）將行駛工況識(shí)別技術(shù)應(yīng)用到插電式混合動(dòng)力汽車(chē)的能量管理策略中。仿真結(jié)果表明，相對(duì)于未采用行駛工況識(shí)別及基于k-cv交叉驗(yàn)證法的SVM識(shí)別，PSO-SVM算法可有效提高整車(chē)燃油經(jīng)濟(jì)性，且電池SOC的波動(dòng)相對(duì)平穩(wěn)，可提高系統(tǒng)效率。