Driving Cycle Construction and Accuracy Analysis Based on Combined Clustering Technique

基于通过实车试验采集的城市典型道路行驶工况数据,首先用主成分分析法对选取的12个表征道路运行特性的特征参数进行减缩,接着利用SOFM神经网络算法和K均值聚类法相结合的组合聚类技术对所有运动学片段的前3个主成分得分进行分类,再根据各类别的时间比例从各类别中选取合适片段,最终拟合出代表性工况.通过对各工况加速度分布的K-S检验和采用ADVISOR软件进行的发动机载荷谱和燃油消耗量仿真分析,表明和K均值聚类法相比,组合聚类法的行驶工况拟合精度更高,更能综合反映城市交通真实状况.     

主成分分析在车辆行驶工况中的应用

在车辆行驶工况构建过程,提出了主成分分析与聚类分析的构建工况的方法,并利用该方法建立了昆明市道路代表性行驶工况。利用主成分分析对大量的运动学片段的特征参数进行压缩,选出能代表原始数据80%以上的3个主成分;其次用聚类分析提炼这些运动学片段;根据统计分析的概率随机并重组运动学片段,构建出能反映出昆明市典型公交车线路交通状况的工况。     

基于运动学片段的城市道路行驶工况的研究

以合肥市典型道路为例,将大量行驶工况的实验数据划分为运动学片段,并选出11个特征参数进行研究.首先用主成分分析法对运动学片段进行降维处理;接着利用K均值聚类技术对其进行分类.分析结果验证了在城市道路行驶工况研究中应用主成分分析法和K均值聚类法的町行性和有效性;最后拟合出合肥市典型道路的代表性行驶工况.与实验数据的对比结...     

哈尔滨城区乘用车行驶工况的构建

以哈尔滨市乘用车作为研究对象,利用GPS设备对哈尔滨主城区运行的乘用车工况数据进行了测试,将采集到的车速数据曲线分割为多个短行程片段,提取了片段中最具有代表性的11个工况特征参数,利用主成分分析法和聚类分析法对特征参数进行了降维和分类处理。利用相关系数提取了代表性行驶工况片段,进而构建了具有代表性的哈尔滨市主城区乘用车典型行驶工况,并与NEDC和Japan10-15乘用车道路工况进行了对比分析。分析结果表明:哈尔滨城区乘用车工况的平均车速为15 km/h,低于NEDC和Japan10-15乘用车行驶工况;加速、减速特征参数比例分别为33.57%和29.70%,高于NEDC和Japan10-15乘用车行驶工况的相关参数;现有的欧洲和日本道路工况参数与构建的哈尔滨市城区乘用车行驶工况具有较大的差异,利用基于运行数据构建的行驶工况可以更好地反映地方乘用车的运行特征。     

基于行驶工况识别的纯电动汽车续驶里程估算

本文中采用主成分分析和模糊聚类相结合的行驶工况识别方法进行纯电动汽车续驶里程的估算。首先选取20个具有代表性的循环工况数据,将其划分为215个工况片段,并选用12个特征参数对其进行主成分分析、模糊C聚类分析和行驶工况识别;然后在MATLAB/Simulink下建立纯电动汽车整车模型,进行行驶工况识别、整车能量消耗和续驶里程仿真估算;最后在转鼓试验台上进行ECE15工况下实车测试验证,结果表明:续驶里程仿真估算值与测试值的最大绝对误差为1.905km,平均绝对误差为0.742km,相对误差小于3%。     

基于聚类分析法的公交车行驶工况构建研究

针对昆明市公交车道路行驶状况,选取5条具有代表性的公交车线路并采集大量行驶数据,将数据划分为运动学片段,选用8个特征参数进行表征,使用主成分分析法进行降维处理,提取具有代表性的特征参数用作K均值聚类分析。依据分类结果,综合考虑各类别时间比例、欧式距离和相关系数选择合适的运动学片段,构建昆明市公交车行驶工况。与试验值对比,结果表明拟合工况平均相对误差为5.67%,能够代表昆明市公交车行驶工况,并将拟合工况与国内常用的四工况、ECE+EUCD工况进行对比,说明昆明市公交车行驶工况与两者存在较大差别。     

基于K-均值聚类分析的城市道路汽车行驶工况构建方法研究

以实时采集的乘用车行驶数据为数据源,进行了城市道路汽车行驶工况构建方法的研究。分别运用运动学片段分析法、主成分分析法和K均值聚类分析法对实测数据进行降维和分类,提出以Silhouette函数实现对聚类结果的筛选,以减少人为选择的误差,并根据聚类中心的大小筛选所需运动学片段构建候选工况。在目标代表工况的遴选方面,提出了综合6个特征参数和最大SAFD差异值的评价标准。最后通过试验验证了该行驶工况构建方法的有效性和精确性。     

重型柴油车实际道路行驶工况试验研究

本文针对现有行驶循环不能真实评价实际道路整车性能的问题,基于实际道路行驶数据,采用主成分分析与聚类分析和基于速度-加速度短片段寻优等多元统计方法构建重型柴油车实际道路行驶工况,分析了行驶工况多项特征参数。结果表明,构建的重型柴油车实际道路行驶工况能基本体现重型柴油车在实际道路上的行驶特征。构建的行驶工况与WHTC循环有较大差异,其平均运行车速为30.5km/h,行驶里程13.379km,怠速时间占比12.4%,加减速时间占比86.6%。在中低速和中高速区转速和转矩波动较大,反映了拥挤的交通状况和复杂的驾驶环境。在高速区转速和转矩较为平稳,说明车辆处于平顺的驾驶环境。怠速和极端驾驶产生的燃油消耗占比不大,高速区燃油消耗远高于其他速度区。     

低温城市行驶工况的构建与研究

通过大量低温城市地区的车辆道路行驶数据,统计出每个运动学片段的特征参数,应用主成分分析和聚类算法提炼出运动学片段的主要特征和类别,按相应类的比例选取运动学片段,根据统计分析的概率随机选择并重组选取的运动学片段,构建出相应的低温城市行驶工况。最终计算低温城市行驶工况与原始数据样本的相关系数,得出两者之间相关系数大于0.95的结论。     

基于行驶工况的单车燃油消耗微观模型

在分析汽车燃油消耗影响因素的基础上,研究了道路坡度、车辆载重量、加减速及车速对车辆燃油消耗的影响,分3种车型建立了基于车辆行驶工况的单车燃油消耗微观模型;以速度实验为基础,通过对不同车辆行驶工况影响因素处在非实验条件下的情况进行修正,建立基于行驶工况的单车燃油消耗微观模型.各车型在不同坡度、载重量、加减速时的燃油消耗通...     

基于BP神经网络的微观交通安全预测方法

将主成分分析及BP神经网络模型引入到道路交通安全性预测中,从微观层面分析影响交通事故的因素,重点分析道路参数,并形成文中的原始数据。对原始数据进行主成分分析,将结果作为神经网络模型的输入,建立BP神经网络模型,对道路交通安全性进行预测。结果表明,基于主成分分析的BP神经网络模型比一般BP神经网络模型精度更高,而且从微观的层面进行分析可以得到道路参数对交通事故的影响。     

BP神经网络主成分分析法在汽车保有量预测中的应用

针对影响汽车保有量预测的多个因素,采用主成分分析的方法提炼出较少的与线性无关的主要因素,并根据这些因素,利用BP神经网络方法对汽车保有量进行了预测,最后通过实例, 将BP神经网络主成分分析法计算结果和非线性模拟与全要素BP神经网络模拟结果进行比较,得知BP神经网络主成分分析法在运算效率、运算精度上较优.     

基于马尔可夫链的车辆规划行驶工况构建方法研究

为准确反映车辆在实际道路上的行驶运动特征，提出马尔可夫链融合在线地图信息的车辆行驶工况构建方法。对实际采集的车辆行驶数据进行清洗、分段，通过主成分分析（PCA）法和K均值（K-Means）聚类法对数据进行聚类分析，建立了基于马尔可夫链的典型工况片段库。将在线地图规划路径的道路信息融入片段库，构建了车辆行驶工况。以某款纯电动车为研究对象进行了仿真分析，仿真结果表明：与在线地图基础规划工况相比，采用基于马尔可夫链片段库构建的在线地图规划行驶工况，车辆能耗更接近实际道路工况，特征参数平均误差仅为4.29%，能耗误差仅为4.09%。     

基于深度学习的混合动力汽车预测能量管理

为了优化混合动力汽车的能量动态分配过程,提升混合动力汽车的燃油经济性和动力电池荷电状态（SOC）平衡性,提高混合动力汽车能量管理策略的鲁棒性,以等效燃油消耗最小化策略为基础,结合对车辆未来行驶工况的预测研究,分析车辆未来行驶需求能量的变化,制定相应的动态调整策略。基于车联网通信技术,实时采集车辆的运行状态信息和交通信息,作为车辆未来工况预测模型的输入变量。以数据驱动为特征,基于混合深度学习建立工况预测模型。利用STL分解算法对各输入变量进行周期性、趋势性等特征分解,并对各输入变量的特征分量,使用混合深度学习网络从数据局部特征及时间维度依赖特征来深度挖掘目标车辆车速与外部信息及历史数据的关系,进而对车辆未来的行驶工况进行预测。利用预测的工况信息,分析车辆未来行驶需求能量的变化,应用于自适应等效消耗最小化策略等效因子的实时动态调整,从而实现对车辆的优化控制,并通过与传统自适应等效消耗最小化策略进行对比,验证该方法的有效性。研究结果表明：基于混合深度学习的工况预测模型预测精度比BP网络预测模型高44.72%;利用精确的预测工况信息预测能量管理,可以实时动态调整发动机和电机的功率输出,降低油耗并维持电池SOC平衡。     

基于动态规划与神经网络的增程式电动汽车能量管理策略研究

设计了一种具有实时控制能力的增程式电动汽车混合型能量管理策略。首先建立了面向能量管理策略优化的增程式电动汽车整车模型。根据能量管理策略特点,将优化目标设置为增程器系统燃油消耗及动力电池当前SOC值与目标值之间差值的总和。再采用动态规划算法求解增程式电动汽车在给定行驶工况下的能量管理优化问题,从而获得了增程器开启时刻与输出功率优化结果。但由于动态规划算法需要已知详细的工况信息,很难应用于实车实时控制,而且从动态规划优化结果中不易提取控制规则,因此利用BP神经网络算法对优化结果进行离线训练,建立了增程器输出功率与车辆行驶状态参数间的非线性映射关系,得到了具有实时控制能力的神经网络控制模型。在采用BP神经网络训练时,根据车辆各个状态参数在CAN总线中的传输精度,对神经网络输入层、输出层参数的精度进行了修正。仿真结果表明:神经网络模型能够获得类似动态规划的最优控制效果,能够控制动力电池SOC在目标值的3%误差带以内。采用NEDC工况对混合型能量管理策略进行了硬件在环仿真试验,试验结果表明:与实车采用的电能消耗-电能维持型控制策略相比,所提出的混合型能量管理策略使汽车的燃油经济性提高了9.5%。     

汽车行驶工况特征参数优化研究

提出一种汽车工况特征参数优化方法,通过试验车采集某城市的行驶工况数据,将预处理后的工况数据划分为工况段并提取出14种特征参数,综合考虑各特征参数之间的相关性、各特征参数与油耗的相关性以及各参数的变化速率和变化程度进行特征参数的优化,最终提取出平均速度和巡航时间比两个代表性特征参数。采用MATLAB神经网络模式识别工具箱,分别运用7类特征参数的组合方式对一段行驶工况进行识别。对比分析结果表明,优化后的两个代表性特征参数能够很好地对行驶工况进行识别,识别精度高、速度快,具有实用价值。     

基于FCM聚类算法的电动车城市循环工况构建

针对传统循环工况难以表征电动汽车特性的问题,以典型大中型城市西安为研究对象,对电动汽车城市循环工况构建方法进行了研究。研究工作主要体现在试验路线构建、试验数据处理和循环工况合成。在试验路线构建过程中,首先以2016年西安市城市道路交通地图为参考,应用ArcGIS软件计算了西安市城市道路总长度及各种类型道路长度,然后采集了西安市各种类型道路进行交通流量,采用重复抽样假设检验法确定了试验路线长度,采用层次分析法获得了试验路线中各种类型道路的长度和比例,并且基于西安市城市道路整体综合特征构建了试验路线。在试验数据处理过程中,首先采用小波分解和重构法对原始数据进行去噪,然后基于主成分分析法确定了运动学片段特征参数,基于模糊C均值(FCM)聚类分析法将试验数据划分成稳定流动工况、拥堵工况、畅通工况3种运动学片段。在循环工况合成过程中,根据3种运动学片段类的比例,选取离聚类中心最近的运动学片段合成一个完整的行驶工况。最后将西安市城市循环工况与中国典型工况,NEDC,UDDS,ECE15,EUDC,FTP-15等行驶工况的特征参数进行了对比,并且进行了试验对比研究。试验结果表明:西安城市工况下的续驶里程与实际续驶里程相差11. 72 km,相对误差为3. 91%,说明所建立的电动汽车城市循环工况能够真实反映西安市交通总体特征,所构建的行驶工况具有较高的真实性。     

合肥市汽车行驶工况的研究

将主成分分析法应用于车辆实际行驶工况开发中的交通特征分析环节的研究结果表明,利用主成分分析法,将反映道路交通特征的短行程特征值压缩成代表原始数据80%以上信息的3个或4个主成分的方法是可行的.构建一系列的候选工况,以主成分参数为准则,从大量实际行驶速度中提炼出一段速度变化曲线作为代表性行驶工况,并以合肥市典型道路为研究对象进行分析,得出了一个基于实际汽车速度的行驶工况.建议合肥地区车辆排放检测法规中采用该行驶工况.     

一种城市典型道路工况研究

正工况循环是用来测量车辆污染物排放量、燃油消耗量等技术指标的重要手段,目前各国采用的排放标准主要是引用欧洲或美国的排放测试方法,然而车辆在实际道路行驶过程中,受到区域、时间等外部因素的影响,排放法规中所引用的测试工况循环往往不能很好的体现特定区域内的车辆行驶特征。"在构建工况时,通过在不同的道路上采集车辆的实际行驶状况数据,用一系列特征参数对车辆的运动学片段进行描述,在采用主成份分析和聚类分析的方法构建完成的工况循环。"     

基于马尔可夫链的混合动力汽车行驶工况预测研究

针对目前混合动力汽车行驶环境适应性的问题,提出一种适应于随机多变的交通状况和基于实时行驶工况预测的能量管理策略。该策略采用一阶齐次马尔可夫链状态转移概率矩阵,对主干道和快速路建立了行驶工况特征参数预测模型,并通过对预测准确度的对比分析,确定了滚动时间窗和预测视距的最佳值。研究结果表明,与传统基于既定循环工况的整车能量管理策略相比,基于工况预测的能量管理策略具有更好的燃油经济性,为新能源汽车能量管理实时控制提供了一种新方法。