基于上海市某型插电式混合动力汽车的行驶工况和电流工况研究

郑路路 黄宏成 朱海健 谢先宇

(1.上海交通大学 汽车电子控制技术国家工程实验室，2．上海机动车检测认证技术研究中心有限公司 上海 2002040)



基于上海市某型插电式混合动力汽车的行驶工况和电流工况研究

郑路路1黄宏成1朱海健1谢先宇2

(1.上海交通大学 汽车电子控制技术国家工程实验室，2．上海机动车检测认证技术研究中心有限公司 上海 2002040)

本文分析了上海市某型插电式混合动力汽车半年内实时记录的行驶数据，包括总里程、速度、荷电状态、电池电流等信息。首先将总的行驶数据划分为很多实际道路行驶的运动学片段，通过主成分分析和聚类分析将这些片段分别按照行驶特征和电流特征进行了分类，再将每个分类中距离中心最近的片段组合起来，得到了针对插电式混合动力车的典型行驶工况以及电流工况。

插电式混合动力车 数据处理 行驶工况 电流工况

0 前言

插电式混合动力汽车作为一种新能源车型，兼具了传统燃油车和纯电动车的优势，既可以通过电池来获取电网的电能进行续航，又可以在电池电量不足时通过燃油来续航，成为当前一种易于接受且市场前景相当乐观的混合动力汽车驱动模式[1]。在插电式混合动力汽车的设计开发过程中，对车辆行驶工况的分析是其设计的基础，决定着控制策略的优劣，经过充分的工况分析才能对部件提出合理的参数要求，设计出适合使用条件的车辆[2]。

目前针对不同城市的路况有很多机构和学者都进行了相应的行驶工况研究，其中同济大学的胡志远等[3]通过对上海市10辆车12个月的连续道路行驶数据的采集，得到了上海市的乘用车行驶工况，并与新欧洲测试循环(NEDC)进行了对比。而关于插电式混合动力乘用车行驶工况的研究目前还比较少见到，主要针对插电式混合动力商用车如城市公交等进行了相应的研究，如昆明理工大学的张家顺[4]建立了昆明市的混合动力公交客车的行驶工况，北京理工大学的潘登[5]在建立了郑州市插电式混合动力公交的循环工况的基础上，还对其运行工况的预测进行了研究。

本文以某型插电式混合动力汽车为载体，通过对其实际行驶状况进行研究，并对试验数据进行分析，运用多元统计理论建立符合插电式混合动力汽车特性的车辆行驶工况和电流工况。

1 前期数据处理

本文所用的数据为上海市新能源汽车数据中心提供的50辆某型插电式混合动力汽车2014年各半年左右的行驶数据，数据格式符合上海市地方标准《新能源汽车及充电设施公共数据采集技术规范》，包含车辆的VIN码、数据采集时间、速度、累计行驶里程等32种数据，采样周期为10s，共包含数据1748131条。本文的行驶工况和放电工况研究用到了其中的数据采集时间、速度、累计行驶里程和高压电池电流4种信号。

1.1 数据处理流程

本文建立行驶工况和电流工况的流程图如图1所示，首先对采集到的数据进行预处理，去除其中有采集缺失的数据以及明显采集有误的数据，将处理后的数据划分为很多个微行程片段，再分别对行驶特征和电流特征进行参数提取，依次通过主成分分析和聚类分析后得到行驶工况和电流工况，同时因为实时采集的电流数据往往在精确度上有所欠缺，最后还要通过行驶工况与其进行对比，得到修正后的电流工况。

图1 行驶工况和电流工况建立流程图Fig.1 Flow diagram of building driving cycle and current cycle

1.2 数据预处理

如下表1列出了本文所用的混合动力汽车的基本参数值：

由电池的电压和电流参数，可以认为所采数据中电池电压在300V以下和电池电流在10C以上的部分为采集错误，考虑从整体数据中去除，这样还剩下1737174条数据。另外，由于采集的数据中没有停车充电的数据，但有长期处于静止状态而非怠速状态的数据段，考虑将这种片段也去除，最终得到1687277条数据点，以待后续的微行程片段的划分。

表1 某型混合动力汽车电池主要参数[6]Table 1 Main parameters of this PHEV

1.3 微行程片段的划分

如图2给出了一段典型的运动学微行程片段的示意图，从一个怠速0点开始，一般会依次经过怠速段、加速段和减速段到速度再次为0。

图2 典型的微行程片段示意图Fig.2 Figure of a typical kinematics part

按照这种微行程片段的划分方式，可以将上述1687277条数据划分为33845个微行程片段。

2 特征参数选取

针对行驶特征和电流特征分别选取以下特征参数，如表2所示：

3 主成分分析和聚类分析

3.1 主成分分析

主成分分析是用来处理和分析高维数据的一类多元统计分析方法，其基本思想是将高维数据投影到低维空间上，提取的主成分能够反映原始变量的大部分信息，通常表示为原始变量的线性组合，使主成分所包含的信息减少重叠[7]。研究表2和表3中的多维变量的主要特征和相关性的时候，可以通过主成分分析的方法来简化行驶工况和电流工况的提取，分析结果如下图4和图5所示。

表2 行驶特征和电流特征的特征参数Table 2 Characteristic parameters for driving cycle and current cycle

图4 行驶特征主成分分析结果Fig.4 Principal component analysis result of driving cycle feature

由图4可以看出，对于行驶工况，前五个主成分的累计频率已经达到93%，可以代表绝大部分信息；而在图5中，对于电流工况，前七个主成分的累计频率才可以达到93%，说明所选电流工况的特征参数之间的相关性更大，不如行驶工况。

图5 电流特征主成分分析结果Fig.5 Principal component analysis result of current cycle feature

3.2 聚类分析

聚类分析是指将数据分类到不同的类或者簇的过程，同一个簇的对象有很大的相似性，而不同簇间的对象有很大的相异性[8]。

本文选用K-means聚类分析法，其基本原理如下所述：

(1)从n个数据对象中任意选择K个对象作为初始聚类中心；

(2)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；

(3)重新计算每个(有变化聚类)的均值(中心对象)；

(4)循环(2)到(3)直到每个聚类不再发生变化为止。

由前一节的主成分分析结果，分别根据行驶工况的前五个主成分和电流工况的前七个主成分利用K-means聚类分析法进行分类，都分类为低速、中速和高速段3类，以包含信息量较多的Comp1和Comp2分别画出行驶工况和电流工况的聚类结果如图6和图7所示：

图6 行驶工况聚类分析结果Fig.6 Cluster analysis result of driving cycle feature

图7 电流工况聚类分析结果Fig.7 Cluster analysis result of current cycle feature

对比图6和图7不难看出，电流工况的聚类结果更差，这也与前面主成分分析的结果相对应，需要考虑更加适合的电流工况特征参数。

4 行驶工况和放电工况的建立

由前一节的聚类分析结果，可以选取每个聚类的中心点代替该聚类，从而获得最后的行驶工况和放电工况。

图8 行驶工况的聚类代表片段Fig.8 Representative cluster parts of driving cycle

图9 电流工况的聚类代表片段Fig.9Representative cluster parts of current cycle

根据国内外构建行驶工况的经验，一段标准工况的总时间一般为900-1200s，工况中某类运动学片段的个数由此类运动学片段在总工况中所占时间除以这一类运动学片段的平均时间取整后得到，计算得到行驶工况和电流工况均由3段低速、3段中速和1段高速组成，组合后得到的典型行驶工况和典型电流工况分别如下图10和图11所示，其中典型行驶工况长1240s，典型电流工况长1260s。

图10 典型行驶工况Fig.10 Typical driving cycle figure

图11 典型电流工况Fig.11 Typical current cycle figure

4.1 行驶工况对比

将所得的基于插电式混合动力汽车的典型行驶工况与同济大学胡志远[3]等建立的上海市乘用车行驶工况以及欧洲NEDC工况进行对比，结果如下表3所示：

由表3不难看出，本文基于上海市插电式混合动力汽车数据建立的行驶工况与上海市普通乘用车工况的加速、减速、匀速和怠速工况所占比例基本一致，与NEDC工况差距较大；而在平均速度、运行速度、加速度和减速度上都要略微超过上海普通乘用车工况，这可能与该型插电式混合动力汽车加速性能强有关，具体结论的可靠性还有待更多不同型号的插电式混合动力汽车的行驶数据来进行验证。

4.2 电流工况修正

由前一章的聚类分析结果可知，电流特性的聚类精确度有所欠缺，因此得到的电流工况的精确度可能也有所欠，考虑对其进行修正。

考虑到行驶工况的精度较好，而行驶工况每一段也有与之对应的电流工况，同样由3段低速、3段中速和1段高速组合起来，得到如图12的基于行驶工况的长度为1240s的电流工况。

表3 基于插电式混合动力汽车的行驶工况与另外两种工况对比Table 3 Comparison among driving cycle based on PHEV and other two driving cycles

图12 基于行驶工况的典型电流工况Fig.12 Typical current cycle figure based on driving cycle

图12相比于图11，在聚类的精确度上更高，而在特征参数的选取上因为选的是行驶工况的特征参数，构建出的电流工况也有一定误差。可以综合两种方法得到的电流工况来构建典型电流工况，具体方法是通过求每点两种方法的电流平方和的均值后开方，再根据电流之和的符号来确定开方之后的符号，这样就可以一定程度上综合考虑了两种建立工况的方式，减小误差，最后得到修正后的典型电流工况如图13所示。修正后低速、中速和高速片段的分界变得模糊，和实际行驶情况也更加接近。

5 总结

本文以某型插电式混合动力汽车的行驶数据为基础，选取一定的特征参数利用主成分分析和聚类分析的方法建立了典型的行驶工况和电流工况。通过对比所建立的插电式混合动力汽车的行驶工况和现有的上海市行驶工况，得到了符合插电式混合动力汽车特性的结论；与此同时，通过行驶工况来修正电流特征参数建立的电流工况，达到了一定的效果，后续可以考虑在数据采样频率更高、精度更好的情况下进一步完善本文的工作。

[1] 徐艳民. 插电式混合动力汽车相关技术与前景展望[J]. 机电工程技术, 2011(12):116-118.

[2] 张家顺. 高原地区混合动力公交客车城市道路行驶工况研究[D]. 昆明理工大学, 2013.

[3] 胡志远, 秦 艳, 谭丕强,等. 基于大样本的上海市乘用车行驶工况构建[J]. 同济大学学报(自然科学版), 2015, 43(10):1523-1527.

[4] 张家顺, 颜文胜, 申江卫,等. 高原地区混合动力公交客车城市道路行驶工况的研究[J]. 汽车工业研究, 2013(7):55-56.

[5] 潘 登. 混合动力汽车城市循环工况构建及运行工况多尺度预测[D]. 北京理工大学, 2015.

[6] 岳 谭. 比亚迪秦:双模动力开启新时代[J]. 时代汽车, 2014(2):62-67.

[7] Wold S, Esbensen K, Geladi P. Principal component analysis[J]. Chemometrics & Intelligent Laboratory Systems, 1987, 2(1-3):37-52.

[8] Hartigan J A, Wong M A. A K-means clustering algorithm[J]. Applied Statistics, 2013, 28(1):100-108.

Driving cycle and current cycle research based on a kind of PHEV running data in Shanghai

ZhengLulu1HuangHongcheng1ZhuHaijian1XieXianyu2

(1.NationalEngineeringLaboratoryforAutomotiveElectronicControlTechnology,ShanghaiJiaoTongUniversity, 2.ShanghaiMotorVehicleInspectionCertification&TechInnovationCenterCo.,LTDShanghai200240)

The paper analyzes a kind of plug-in hybrid electric vehicle real-time recorded running data in Shanghai, including total mileage, vehicle speed, state of charge, battery current and so on. Firstly, all the running data was divided into lots of real road kinematics parts, then the kinematics parts were classified by driving features and current features using principal component analysis and cluster analysis method, after that the parts which were closest to the classification centers were combined, and finally a driving cycle and a current cycle were put forward.

PHEV Data Processing Driving cycle Current cycle

1006-8244(2016)03-003-05

U461.1

B