2018, Vol. 35扩展功能
文章信息
- 余曼, 赵轩, 魏朗, 叶毅铭, 严慈磊
- YU Man, ZHAO Xuan, WEI Lang, YE Yi-ming, YAN Ci-lei
- 基于FCM聚类算法的电动车城市循环工况构建
- Construction of Electric Vehicle Urban Driving Cycle Based on FCM Clustering Algorithm
- 公路交通科技, 2018, 35(10): 140-149, 158
- Journal of Highway and Transportation Research and Denelopment, 2018, 35(10): 140-149, 158
- 10.3969/j.issn.1002-0268.2018.10.019
-
文章历史
- 收稿日期: 2017-12-22
2. 西安市汽车维修行业管理处, 陕西 西安 710054
2. Xi'an Automobile Maintenance Industry Management Office, Xi'an Shaanxi 710054, China
循环工况是针对特定地区的交通特征，利用道路试验的加速、减速、匀速、怠速等运动学片段建立车辆行驶时间-速度历程，以反映某地区整体交通特征的一种统计方法[1]。循环行驶试验工况能够有效模拟汽车实际运行状况，准确测量汽车燃油消耗量和污染物排放量[2]。现阶段具有代表性的循环工况包括：美国城市循环工况(UDDS)和公路循环工况(HWFET)，欧洲ECE-R.15和NEDC循环工况，我国乘用车4工况和商用车6工况[3]。考虑到循环工况受道路状况、城市规模、气候特点、驾驶习惯和环境因素的影响，很难用某个国家或地区的工况准确反映我国总体交通特征。因此许多城市开发了适合本地区的循环工况，同时国内外许多学者和研究机构也进行了循环工况构建研究工作。其中，姜平[4]基于小波变换方法对汽车行驶工况试验数据进行了压缩和重构；Lin[5]基于马尔科夫模型构建了行驶工况；Shi[6]基于SOFM神经网络和K-值聚类构建道路运行状况。目前国内外在行驶工况构建方法的研究方面主要集中于传统内燃机汽车行驶数据采集和工况块分类，对电动汽车循环工况构建和试验规划研究很少。考虑到电动汽车电机特性与内燃机汽车发动机特性的差异，使得行驶性能差别较大，因此在电动汽车研究过程中不能用内燃机汽车循环工况替代电动汽车循环工况。同时，现阶段循环工况研究过程中试验道路的选择一般采用随机选取、拼凑试验路线的方法。然而交通流量、道路等级和线型等因素均影响循环工况构建结果，因此，本研究以典型大中型城市西安为研究对象，基于重复抽样假设检验法和层次分析法构建试验路线；选取城市保有量较大的比亚迪e6纯电动汽车进行试验，基于主成分分析和模糊C均值(FCM)聚类分析方法构建电动汽车循环工况。
1 城市循环工况构建流程考虑到城市道路类型、长度、汽车保有量、出行时间、交通流量等均对城市工况试验结果影响较大，因此研究过程中首先对不同时段的快速路、主干道、次干道、支路4种典型道路交通流量进行采集，然后对西安市道路类型和里程数进行调研。根据交通流量和里程数设计试验路线，以此试验线路为基础进行试验研究。因此城市循环工况构建主要包括4步，即交通统计调查、道路试验、数据处理、工况合成，如图 1所示。
|
| 图 1 城市循环工况构建流程 Fig. 1 Construction process of urban driving cycles |
| |
交通统计调查主要用来统计所调查区域内的路网长度、不同类型道路的交通流量和不同等级道路的特征分布情况。这些数据对试验路线的确定和行驶车速影响较大。
城市道路试验是构建循环工况的一个重要环节，试验数据能够反映城市交通状况和车辆行驶状态特征。在道路试验中主要采集车辆的运行时间、行驶车速和道路的坡度等参数。
试验数据处理主要包含原始数据的滤波、运动学片段的划分、建立特征参数数学模型、主成分降维和FCM聚类。
工况合成主要是按照FCM聚类分析结果和车辆实际运行状态，找出每类代表性运动学片段并按照一定的比例将各个工况块合成起来，组合成一个完整的循环工况。
2 循环工况试验路线构建 2.1 西安市交通状况调查为了保证试验路线能够综合反映西安市道路交通状况，在构建试验路线前，首先对西安市路网结构、道路类型长度进行分析计算，然后对不同时间段、不同级别道路的交通流量进行调研，根据西安市整体道路特征和交通流状态综合考虑构建试验路线。
2.1.1 西安市路网长度计算为了准确计算西安市路网的结构分布及长度，以2016年西安市城市道路交通地图为参考[7]，应用ArcGIS软件进行矢量化处理，计算西安市城市道路长度为2 562 km，其中快速路141 km，主干道597 km，次干道1 001 km，支路823 km。
根据《城市道路工程设计规范》(CJJ37—2012)，西安市不同等级道路长度和行车速度等特征参数如表 1所示。
| 道路等级 | 快速路 | 主干道 | 次干道 | 支路 |
| 道路长度/km | 141 | 597 | 1 001 | 823 |
| 最高速度/(km·h-1) | 80 | 60 | 40 | 20 |
为了确定试验路线中各种道路的比例，除了考虑西安市路网结构分布和长度因素，还需要考虑不同类型道路的交通流量和样本数量规划试验路线。
2.1.2 城市循环工况交通流量调查分别对快速路、主干道、次干道、支路等不同类型道路上观察点的交通流量进行为期11 d的监控。考虑到西安市南北、东西交通状况的差异性及不同等级道路交通强度的差异性，选取11个监测点，包含2个快速路、5个主干道、4个次干道、1个支路，各监测点的分布情况如图 2所示。
|
| 图 2 交通流量监控点分布 Fig. 2 Distribution of traffic volume monitoring points |
| |
根据对交通流量监控数据分析处理，获得一周内各种类型道路交通总量的平均值，如表 2所示。
| 道路类型 | 快速路 | 主干道 | 次干道 | 支路 |
| 交通总量平均值/辆 | 47 065 | 24 414 | 14 928 | 5 588 |
2.2 城市循环工况试验样本容量确定
城市循环工况试验样本容量直接关系着西安循环工况的整体特征和循环工况试验结果的准确性。采用重复抽样假设检验法确定城市循环工况道路试验样本数量[8]，具体如下：
设西安市路网中以交叉口为起始点的道路长度X服从正态分布，即X~N(μ, σ2)，设(x1, x2，…xn)是路网总体中的一个简单随机试验样本，xi表示随机抽取的道路样本的长度，由统计学原理可知，抽取的样本服从正态分布
|
(1) |
式中，
设样本平均数估计或检验总体平均数μ时所允许的最大绝对误差为
|
(2) |
设抽样样本的有限概率空间为n，有限概率空间的计算公式为:
|
(3) |
式中N为西安市路网总长度。
在计算过程中，当总体方差σ2未知时，一般用S2代替σ2，样本标准差最大值为0.25。在抽样调查中希望能够找到样本量置信区间在95%，根据相关资料，西安市区道路总长度为2 562 km，根据式(3)可知抽样样本容量n为38.46 km。
2.3 基于层次分析法确定不同层次路网比例层次分析法(AHP)是将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础上进行定性和定量分析的决策方法[10]。层次分析法决策模型一般包含目标层、准则层和措施层，如图 3所示。
|
| 图 3 层次分析法决策模型 Fig. 3 Decision-making model based on Analytic Hierarchy Process |
| |
层次分析法在解决复杂决策问题时，可以分为以下3个步骤：
(1) 分析系统中各因素间的关系，对同一层次各元素关于上一层次中某一准则的重要性进行两两比较，构造两两比较的判断矩阵。
(2) 由判断矩阵计算被比较元素对于该准则的相对权重，并进行判断矩阵的一致性检验。
(3) 计算各层次对于系统的总排序权重，并进行排序。
驾驶人最佳出行方式模型如图 4所示。
|
| 图 4 驾驶人最佳出行方式模型 Fig. 4 Driver's optimal travel mode model |
| |
在确定样本容量为38.46 km的基础上，结合西安市不同类型道路比例、长度及交通流量分析数据，基于层次分析决策模型利用yaahp软件计算出试验样本路线道路类型比例和长度，如表 3所示。
| 道路等级 | 快速路 | 主干道 | 次干道 | 支路 |
| 比例/% | 29.96 | 24.80 | 26.85 | 18.39 |
| 长度/km | 11.52 | 9.54 | 10.33 | 7.07 |
2.4 试验路线及时间的确定
在选择试验路线时，必须能够综合反映西安市城市道路整体综合特征。整体路线需要覆盖主要的商业区、工业、文化和生活区等，并且应基本符合试验样本容量、各种道路类型比例和长度的要求。最终路线结果如图 5所示。
|
| 图 5 试验路线 Fig. 5 Test route |
| |
由于行车路线规划需要从实际情况出发，因此各种类型道路的实际长度可能和规划的长度存在偏差，试验时各种类型道路长度如表 4所示。可见，试验路线计算值与实际值存在一定的误差，这是由于在试验路线选择过程中不但要考虑商业区、工业区、人口聚集区分布等综合因素，而且要与实际道路规划建设情况为基础进行选择，因此存在一定的误差。
| 道路等级 | 快速路 | 主干道 | 次干道 | 支路 |
| 长度/km | 12.26 | 10.86 | 11.39 | 6.95 |
| 相对误差/% | 6 | 12.1 | 9.3 | 1.7 |
考虑到西安南北出行的差异性及早高峰和晚高峰与其他时间段交通状态的差异性，早晨7:30—10:00为早高峰，下午17:30—20:00为晚高峰，中午12:30—15:00为午低谷，因此根据交通流量，综合考虑各方面因素确定试验时间，如表 5所示。为了消除工作日与非工作日对试验结果的影响，连续进行了14 d试验，试验次数累计达到42次，行驶里程共计1 742 km。
2.5 循环工况试验数据采集方案
在循环工况试验过程中，为了防止车辆差异性对试验结果的影响，选取城市保有量较大的比亚迪e6纯电动轿车1辆进行试验，试验车辆选取过程中，充分考虑车辆年限、行驶里程、综合性能等因素，以防止车辆个体差异对试验结果的影响。试验车辆具体技术参数如表 6所示。试验过程中采用英国Racelogic公司生产的RLVB2SX型GPS车速传感器采集车速、时间、距离、经纬度、海拔等行驶参数。考虑到试验精度和数据容量，设定试验数据采集频率为1 Hz。考虑到试验成本、试验设备数量、预设道路的实施性，采用跟驰法采集试验数据。跟驰法是驾驶人驾驶试验车辆在预设道路环境中行驶，随机跟随交通流中的车辆，以模拟其驾驶特性。该方法具有试验成本低、样本数量大等优势，在循环工况研究中被广泛应用。
| 参数 | 符号 | 数值 |
| 整备质量/kg | me | 2 380 |
| 最高车速/(km·h-1) | uamax | 140 |
| 电机峰值功率/kW | Pemax | 120 |
| 电机峰值转矩/(N·m) | Temax | 450 |
| 蓄电池容量/(kW·h) | Q | 82 |
| 标称最大续驶里程/km | S | 400 |
| 单位耗电量/[kW·h(100 km)-1] | q | 20.5 |
3 循环工况试验数据处理 3.1 基于小波分解和重构法数据去噪处理
在试验过程中采集到的数据可能会出现毛刺或突变等情况，这些情况都会影响数据的真实性[11-12]。数据异常点的剔除或者修正可以提高数据的准确性。
利用小波分解和重构法对原始数据进行去噪。设一个噪声污染的信号模型描述为[13]:
|
(5) |
式中，S(x)为降质信号；f(x)为原信号；n1(x)为加性噪声；n2(x)为乘性噪声[14]。
小波分析运用在信号去噪处理，主要是针对信号经小波变换后在不同分辨率下呈现不同规律，在不同分辨率下设定不同闭值门限，调整小波系数，达到去除噪声的目的[15]，小波分解与重构去噪的具体过程如下：
(1) 首先对含有噪声信号f(x)进行小波分解，得到小波变换之后的逼近部分cj, k和细节部分dj, k。
(2) 然后取出第j层的细节部分dj，k，根据选定的闭值δj，用式(6)进行处理。
|
(6) |
(3) 最后利用逼近部分Cj, k和细节部分dj, k利用重构算法进行重构，得到滤波后的信号。
利用小波分解和重构法降噪前后的数据对比如图 6所示。
|
| 图 6 降噪前后的数据对比 Fig. 6 Comparison of data before and after denoising |
| |
通过去噪前后数据的对比看出，小波分解和重构法的去噪效果好，能够有效地提高噪声比。
3.2 运动学片段的阈值选择运动学片段是指汽车从一个怠速开始到下一个怠速所历经的状态变化过程。一个运动学片段一般包括加速状态、减速状态、匀速状态和怠速状态。这里主要研究对象为电动汽车，电动汽车无怠速状态，因此按照车速对运动学片段进行划分。考虑到停车状态的判断，因此需要设定合理的车速阈值，当车速小于阈值时，认为车辆处于停止状态；当车速高于阈值时，车辆处于运动状态。由图 7可知，阈值设定较小，速度波动将造成运动学片段的分割；阈值设定较大，将造成试验数据失真。
|
| 图 7 怠速阈值的选择 Fig. 7 Selection of idle speed threshold |
| |
通过对试验数据统计分析，在车速小于4 km/h的所有采样点中，87%的速度采样点集中在0~1.5 km/h范围内；92.04%的加速度落在-0.1~0.1 m/s2之间。同时，综合考虑西安市整体交通状态、GPS速度传感器精度及道路颠簸等情况，选取静止时刻速度阈值为2 km/h，加速度阈值为0.15 m/s2。运动学片段中车辆运动状态划分流程如图 8所示。
|
| 图 8 运动学片段中运动状态划分流程 Fig. 8 Motion state division process in kinematic segments |
| |
3.3 特征参数选择
一般采用运动特征参数对运动学状态进行描述，将具有相同特征值参数的运动学片段归为一类，而不考虑它的行驶状态(高速路、低速路、市区、郊区)[16]。然而描述车辆运动学的参数有很多，每个参数表征车辆不同的行驶信息，但是各个参数又并不是相互独立的，有些参数可以使用其他几个组合参数进行表达。在行驶工况的分类中，如果使用全部参数作为分类特征，虽然保留了车辆的全部信息，但是由于特征变量较多，使问题的分析过于复杂，影响试验结果的准确性。首先选取运行时间T、匀速时间Tc、加速时间Ta、减速时间Td、怠速时间Ti、运行距离S、最大速度Vmax、平均速度Vm、行驶速度Vmr、速度标准偏差Vsd、最大加速度amax、加速段平均加速度aa、最小减速度amin、减速段平均减速度ad、加速度标准偏差asd共15个特征参数进行分析，利用主成分分析法统计各成分贡献率，如表 7所示[17]。
| 序号 | 主成分方差 | 贡献率 | 累计贡献率 |
| 1 | 7.451 7 | 49.68 | 49.68 |
| 2 | 3.974 7 | 26.50 | 76.18 |
| 3 | 1.312 6 | 8.75 | 84.93 |
| 4 | 0.837 7 | 5.58 | 90.51 |
| 5 | 0.536 8 | 3.58 | 94.09 |
| 6 | 0.415 2 | 2.77 | 96.86 |
| 7 | 0.184 9 | 1.23 | 98.09 |
| 8 | 0.154 8 | 1.03 | 99.12 |
| 9 | 0.049 5 | 0.33 | 99.45 |
| 10 | 0.035 8 | 0.24 | 99.69 |
| 11 | 0.019 5 | 0.13 | 99.82 |
| 12 | 0.015 6 | 0.1 | 99.93 |
| 13 | 0 | 0.06 | 99.98 |
| 14 | 0.008 6 | 0.02 | 1 |
| 15 | 0.002 7 | 0 | 1 |
从表 7中可以看出，从第1主成分到第15主成分，它们的主成分方差和贡献率都依次减少，表明各个成分包含的信息量也是逐渐递减，并且前3个主成分的方差大于1且累计贡献率达到85%。在主成分分析过程中，累计贡献率越高，保留的原始数据信息就越多，为了不丢失主要信息，一般规定保留的主成分方差累计贡献率应超过80%，综合考虑，选取主成分方差大于1的前3个主成分进行FCM聚类分析。前3个主成分特征参数所包含的信息有运行距离、最大车速、行驶车速、速度标准差、行驶时间、加速时间、减速时间、怠速时间、匀速时间特征参数，这些参数能够反映车辆的总体运行特征[18]。
3.4 基于FCM的聚类分析FCM聚类是一种基于函数最优方法的聚类算法，它的核心思想是把数据划分成很多簇，同一簇的数据对象彼此相关性非常大，不同簇的数据对象相似性非常小。
设x={x1，x2，x3，x4, …, xn}为待分类的数据集，N为数据集中的样本数量，x1，x2, …，xn为n个样本，每个样本为n维向量，一般化表示为xj={xj1，xj2, …，xjn}，其中，xjk表示xj的第k个特征值。求解样本数据集x的隶属度矩阵为U=[uij]，U是一个C×N的矩阵，C表示样本数据集x被划分成C类，uij表示数据集x的第j个样本xj隶属于第i个分类的隶属度或概率。对于隶属度uij满足：
|
(7) |
式中c为样本的数量。
uij的求解公式为：
|
(8) |
式中，m为模糊指数或加权指数；dij为数据对象xj与聚类中心vi的欧氏距离；dkj为数据对象xj与临近类的聚类中心vk的欧式距离。
聚类中心集合v={v1, v2, …, vn}，其中vi表示第i个聚类中心，vi可按如下公式计算：
|
(9) |
FCM算法的迭代过程就是希望找到使目标函数达到最小的隶属度矩阵和聚类中心，对于目标函数值的求解，可按如下公式计算：
|
(10) |
式中d为xj与vi的欧式距离。
FCM模糊聚类算法求取聚类中心和隶属度的过程是一个迭代的过程，具体计算步骤如下。
(1) 给各项参数赋予合适的初始值。
(2) 随机选取1组初始聚类中心。
(3) 根据式(8)求取隶属度矩阵U。
(4) 根据式(9)计算聚类中心V。
(5) 首先按式(10)求解目标函数值，然后判断目标函数值是否小于阈值。如果小于，则停止迭代，输出聚类中心和隶属度矩阵，否则回到计算步骤(3)继续迭代计算。
对1 124个运动片段进行FCM聚类分析，把所有的运动学片段划分成3类，即稳定流动工况、拥堵工况、畅通工况，每类所代表的工况类型及运动学片段的数量如表 8所示。聚类结果如图 9所示，各个类的运动特征如图 10所示。各个类的速度特征如图 11所示[19]。
| 工况类型 | 数目 |
| 拥堵行驶工况 | 270 |
| 稳态流动行驶工况 | 287 |
| 畅通行驶工况 | 567 |
|
| 图 9 FCM聚类算法结果 Fig. 9 Result of FCM clustering algorithm |
| |
|
| 图 10 FCM聚类算法结果时间统计学特征 Fig. 10 Time statistic characteristics of FCM clustering algorithm results |
| |
|
| 图 11 FCM聚类算法结果速度统计特征 Fig. 11 Speed statistic characteristics of FCM clustering algorithm results |
| |
不同类型工况车辆行驶状态如下。
(1) 拥堵行驶工况：汽车主要行驶在城市中心地带，交通状况比较拥挤，平均行驶车速低，启停频繁，巡航时间比低，行驶缓慢。
(2) 稳态流动行驶工况：汽车主要行驶在城市的生活区，交通状况一般，汽车平均速度较低，启停较为频繁。
(3) 畅通行驶工况：汽车主要行驶在市郊，汽车行驶速度较高，启停次数较少，工况块的平均速度和巡航时间比较高。
通过分析图 9~图 11可知，利用FCM聚类能够很好地将3种不同类型的运动学特征区分开。图 10反映出畅通工况的怠速时间最短，拥堵工况下怠速时间最长，频繁加减速。图 11反映出在畅通工况下最高车速大，最高车速和平均车速高，拥堵工况下最高车速、平均车速都比较低。通过各个工况下运行时间、平均车速、最高车速等方面的对比，FCM聚类效果明显，能够很好地将不同运动状态下的运动学片段区分。
4 循环工况块合成及分析 4.1 西安市城市循环工况合成在工况合成时，按照FCM聚类结果中不同类型工况的运动学片段比例，选取离类中心最近的点所对应的片段进行合成。由表 8可知，构建西安市循环工况时最终按照拥堵行驶工况、稳态流动行驶工况、畅通行驶工况运动学片段的个数为1:1:2的比例拼接成一个完整的循环工况。
图 12~图 14分别给出了FCM聚类分析后的拥堵、稳定流动、畅通行驶工况的速度和时间的变化关系，图 15为各个循环工况块组合成的西安市整体循环工况图，运行时间共657 s。
|
| 图 12 西安市拥堵行驶工况 Fig. 12 Congestion driving condition in Xi'an |
| |
|
| 图 13 西安市稳定流动行驶工况 Fig. 13 Steady flow driving condition in Xi'an |
| |
|
| 图 14 西安市畅通行驶工况 Fig. 14 Smooth driving condition in Xi'an |
| |
|
| 图 15 西安市循环行驶工况 Fig. 15 Urban circulating driving cycle in Xi'an |
| |
4.2 西安市城市循环工况对比及分析
为了验证所建立的西安市城市循环工况(简称CYC-XA)的整体特征以及与其他循环工况的差异性，将西安市城市循环工况(CYC-XA)与我国典型工况，NED，UDDS，ECE15，EUDC，FTP-15等工况的特征参数进行对比，如表 9所示[20-23]。经过对比分析可知，西安市车辆运行车速的高频车速区间主要集中在0~30 km/h范围内，其中低于10 km/h的车速占整个循环工况车速区间的29.68%，车辆高速区间所占比例较低，车辆加减速频繁，最高车速仅为46.35 km/h。同时，最大加速度明显高于其他行驶工况。其原因为：(1)由于西安循环工况没有高速巡航部分，因此高速区间所占的频率较低；(2)西安市区城市规模不大，仅有3条绕城道路，道路规模有限；(3)西安市机动车保有量较大，城市面积有限，造成拥堵现象严重；(4)最大加速度明显高于其他行驶工况，其主要原因是电动汽车采用电机作为动力源，电机特性曲线相比于发动机特性曲线，表现出较硬的转矩特性，同时电机响应速度更快，因此电动汽车起步加速特性更好，加速度更大。
| 工况 | 总时间/s | 总距离/km | 最高车速/ (km·h-1) |
平均车速/ (km·h-1) |
最大加速度/ (m·s-2) |
最大减速度/ (m·s-2) |
平均加速度/ (m·s-2) |
平均减速度/ (m·s-2) |
| CYC-XA | 657 | 3.02 | 46.35 | 16.55 | 2.17 | -1.68 | 0.39 | -0.46 |
| 中国典型工况 | 1 314 | 5.83 | 60 | 16.10 | 1.25 | -2.47 | 0.3 | -0.42 |
| NEDC | 1 225 | 10.93 | 120 | 32.1 | 1.06 | -1.39 | 0.54 | -0.79 |
| UDDS | 1 369 | 11.99 | 91.25 | 31.51 | 1.48 | -1.48 | 0.5 | -0.58 |
| ECE 15 | 195 | 0.99 | 49.71 | 18.06 | 1.05 | -0.83 | 0.64 | -0.74 |
| EUDC | 400 | 4.95 | 91.25 | 62.44 | 0.83 | -1.39 | 0.38 | -0.93 |
| FTP-15 | 2477 | 17.67 | 90.72 | 25.67 | 1.47 | -1.47 | 0.51 | -0.57 |
为了验证所建立的西安市城市循环工况(CYC-XA)的合理性和真实性，依据《电动汽车能量消耗量和续驶里程试验方法》(GB/T18386—2005)在转鼓试验台上对比亚迪e6纯电动汽车进行了循环工况续驶里程试验，对比西安市城市循环工况(CYC-XA)下车辆续驶里程与实际续驶里程的差异性。为了消除试验过程中的偶然误差，每种试验进行了3次，3次试验结果取平均值，试验结果平均值如表 10所示。
| 试验项目 | 续驶里程 |
| CYC-XA台架试验 | 299.01 |
| NEDC台架试验 | 256.27 |
| 实车道路试验 | 287.29 |
通过对CYC-XA台架试验、NEDC台架试验以及实车道路试验的续驶里程对比发现，CYC-XA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%；NEDC工况下的续驶里程与实际续驶里程相差42.74 km，相对误差为14.29%。台架试验所测得电动车的续驶里程与实际道路行驶所测得的续驶里程差异很小，并且与NEDC循环工况相比，CYC-XA城市循环工况更接近西安市交通状况的真实水平。因此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。
5 结论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。首先根据西安市路网结构和交通流量调查结果，基于重复抽样假设检验法和层次分析法构建试验路线。然后选取城市保有量较大的比亚迪e6纯电动汽车进行试验，基于小波分解与重构法对原始数据进行去噪处理，基于主成分分析法确定运动学片段特征参数，基于模糊C均值(FCM)聚类分析法构建电动汽车循环工况。最后将西安市城市循环工况(CYC-XA)与其他典型工况的特征参数进行对比，并且进行了试验对比研究，研究结论如下。
(1) 将西安市城市循环工况(CYC-XA)与我国典型工况，NEDC，UDDS，ECE15，EUDC，FTP-15等工况的特征参数对比分析可知，西安市车辆运行车速的高频车速区间主要集中在0~30 km/h范围内，其中低于10 km/h的车速占整个循环工况车速区间的29.68%，车辆高速区间所占比例较低，车辆加减速频繁，最高车速仅为46.35 km/h。
(2) 通过对CYC-XA台架试验、NEDC台架试验及实车道路试验的续驶里程对比发现，CYC-XA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%；NEDC工况下的续驶里程与实际续驶里程相差42.74 km，相对误差为14.29%。试验结果表明，本研究建立的电动汽车城市循环工况能够真实反映西安市的交通总体特征，所构建的行驶工况具有较高的真实性。
| [1] |
NESAMANI K S, SUBRAMANIAN K P. Development of a Driving Cycle for Intra-city Buses in Chennai India[J]. Atmospheric Environment, 2011, 45(31): 5469-5476. |
| [2] |
LIU Li, HUANG Chao-sheng, LU Bing-wu, et al. Study on the Design Method of Time-variant Driving Cycles for EV Based on Markov Process[C]//2012 IEEE Vehicle Power and Propulsion Conference. Seoul: IEEE, 2012: 1277-1281.
|
| [3] |
ERGENEMAN M, SORUSBAY C, GOKTAN A. Development of a Driving Cycle for the Prediction of Pollutant Emissions and Fuel Consumption[J]. International Journal of Vehicle Design, 1997, 18(3/4): 391-399. |
| [4] |
姜平.城市混合道路行驶工况的构建研究[D].合肥工业大学, 2011. JIANG Ping. Investigation of Driving Cycle Construction on Urban Mixed Roads[D]. Hefei: Hefei University of Technology, 2011. http://cdmd.cnki.com.cn/Article/CDMD-10359-1011124246.htm |
| [5] |
LIN J. A Markov Process Approach to Driving Cycle Development[D]. Oakland: University of California, 2002.
|
| [6] |
SHI Qin, QIU Duo-yang, ZHOU Ji-yu. Driving Cycle Construction and Accuracy Analysis Based on Combined Clustering Technique[J]. Automotive Engineering, 2012, 34(2): 165-169. |
| [7] |
李乐乐, 白建军, 宋冰洁. 西安市交通网络综合通达性研究[J]. 人文地理, 2014(5): 88-93. LI Le-le, BAI Jian-jun, SONG Bing-jie. A Study of Comprehensive Accessibility of Xi'an Transport Networks[J]. Human Geography, 2014(5): 88-93. |
| [8] |
李鹏祥. 随机抽样中必要样本容量的确定[J]. 赤峰学院学报:自然科学, 2009, 25(9): 18-19. LI Peng-xiang. Determination of Necessary Sample Size in Random Sampling[J]. Journal of Chifeng Unimersity, 2009, 25(9): 18-19. |
| [9] |
郑庆玉. 参数估计与检验中样本容量的确定[J]. 临沂师范学院学报, 2001(6): 3-4. ZHENG Qin-yu. Parameter Estimation and Determination of Sample Size in Test[J]. Journal of Linyi Teachers' University, 2001(6): 3-4. |
| [10] |
孙树荣.限额设计在高校建设中的应用研究及评价[D].淮南: 安徽理工大学, 2015. SUN Shu-rong. Research and Evaluation of Application of Quota Design in Construction of Colleges and Universities[D]. Huainan: Anhui University of Science and Technology, 2015. http://cdmd.cnki.com.cn/Article/CDMD-10361-1015581816.htm |
| [11] |
陈封能, 斯坦巴赫M, 库玛尔V.数据挖掘导论[D].北京: 人民邮电出版社, 2011. CHEN Feng-neng, STEINBACH M, KUMAR V. Introduction to Data Mining[D]. Beijing: Post and Telecom Press, 2005. |
| [12] |
帅常娥, 彭鹏, 石成. 基于Kalman滤波融合算法的某坝基水平位移综合信息提取[J]. 盐城工学院学报:自然科学版, 2010, 23(2): 61-65. SHUAI Chang-e, PENG Peng, SHI Cheng. Extraction of Comprehensive Information of Dam Foundation Horizontal Displacement Based on Kalman Filter Fusion Algorithm[J]. Journal of Yancheng Institute of Technology:Natural Science Edition, 2010, 23(2): 61-65. |
| [13] |
杨亚菁, 钟丽萍. 非线性小波去噪技术在水声信号识别中的应用[J]. 微机发展, 2005, 15(4): 21-23. YANG Ya-jing, ZHONG Li-ping. Application Research of Nonlinear Wavelet Denoising Technique in Recognition of Underwater Acoustic Signal[J]. Microcomputer Development, 2005, 15(4): 21-23. |
| [14] |
朱来东, 廉小亲, 江远志. 小波变换在信号降噪中的应用及MATLAB实现[J]. 北京工商大学学报:自然科学版, 2009, 27(2): 46-49. ZHU Lai-dong, LIAN Xiao-qin, JIANG Yuan-zhi. Application of Wavelet Transform in Signal De-noising and Realization with MATLAB[J]. Journal of Beijing Technology and Business University:Natural Science Edition, 2009, 27(2): 46-49. |
| [15] |
易鸿. 基于小波分析对信号噪声的处理[J]. 四川文理学院学报, 2008, 18(2): 33-36. YI Hong. The Processing of Signal Noise Based on Wavelet Analysis[J]. Journal of Sichuan University of Arts and Sciences, 2008, 18(2): 33-36. |
| [16] |
蔺宏良.西安市交通环境轿车行驶工况与燃料消耗研究[D].西安: 长安大学, 2013. LIN Hong-liang. Study on the Driving Condition and Fuel Consumption of Transport Environment in Xi'an[D]. Xi'an: Chang'an University, 2013. http://cdmd.cnki.com.cn/Article/CDMD-11941-1014032442.htm |
| [17] |
蔺宏良, 余强, 张雪莉. 市区道路车辆行驶工况研究进展[J]. 机械科学与技术, 2014, 33(2): 282-288. LIN Hong-liang, YU Qiang, ZHANG Xue-li. A Review of Research on Vehicle's Driving Cycle in Urban Roads[J]. Mechanical Science and Technology for Aerospace Engineering, 2014, 33(2): 282-288. |
| [18] |
涂延军, 梁工谦. 基于主成分分析的飞控系统研制费用估算[J]. 机械科学与技术, 2003, 22(增1): 13-15. TU Yan-jun, LIANG Gong-qian. Evaluation of R&D Cost for an Aircraft Flight Control System Based on Main-factor Analysis[J]. Mechanical Science and Technology, 2003, 22(S1): 13-15. |
| [19] |
郝艳召, 张洁, 王生昌, 等. 武汉市公交车典型行驶工况的构建[J]. 交通信息与安全, 2014, 32(6): 139-145. HAO Yan-shao, ZHANG Jie, WANG Sheng-chang, et al. Construction of Typical Driving Cycle for Public Buses in Wuhan City[J]. Journal of Transport Information and Safety, 2014, 32(6): 139-145. |
| [20] |
ANDRE M. The ARTEMIS European Driving Cycles for Measuring Car Pollutant Emissions[J]. Science of the Total Environment, 2004, 334: 73-84. |
| [21] |
刘应吉, 夏鸿文, 姚羽, 等. 组合主成分分析和模糊C均值聚类的车辆行驶工况制定方法[J]. 公路交通科技, 2018, 35(3): 79-85. LIU Ying-ji, XIA Hong-wen, YAO Yu, et al. A Method of Vehicle Driving Cycle Development Based on Combined Principal Component Analysis and Fuzzy C Means Clustering[J]. journal of Highway and Transportation Research and Development, 2018, 35(3): 79-85. |
| [22] |
郑殿宇, 吴晓刚, 陈汉, 等. 哈尔滨城区乘用车行驶工况的构建[J]. 公路交通科技, 2017, 34(4): 101-107. ZHENG Dian-yu, WU Xiao-gang, CHEN Han, et al. Construction of Driving Conditions of Harbin Urban Passenger Cars[J]. Journal of Highway and Transportation Research and Development, 2017, 34(4): 101-107. |
| [23] |
张树培, 黄璇, 王国林. 城市再生制动标准循环工况制订方法研究[J]. 公路交通科技, 2014, 31(3): 153-158. ZHANG Shu-pei, HUANG Xuan, WANG Guo-lin. Research on Formulation Method of Standard Driving Cycles of Urban Regenerative Braking[J]. Journal of Highway and Transportation Research and Development, 2014, 31(3): 153-158. |