基于等效能耗的汽車行駛工況重構算法研究

龔春忠 張洪雷

摘? 要：汽車行駛工況對汽車的動力性經濟性參數的設計開發有重要的參考意義。不同工況對電動汽車的續駛里程有非常顯著的影響。本文通過研究汽車實際道路行駛工況，依據等效能耗的原則，通過工況重構算法快速精確地生成等效工況。該技術可應用于智能網聯汽車中的個性化動力系統設計與個性化續駛里程預測功能中。

關鍵詞：汽車行駛工況;等效能耗;工況重構算法

中圖分類號：U461.1? ? ? 文獻標識碼：J? ? ?文章編號：1005-2550（2018）06-0031-04

Research on reconstruction algorithm of vehicle driving condition based on equivalent energy consumption

GONG Chun-zhong， ZHANG Hong-lei

（ Zhejiang Hozon New Energy Automobile Co.， Ltd. trial

production test department， Jiaxing， Zhejiang 314000， China ）

Abstract： The driving condition of the car has important reference significance for the design and development of the dynamic economic parameters of the automobile. Different working conditions have a very significant impact on the driving mileage of electric vehicles. In this paper， by studying the actual driving conditions of the vehicle， the equivalent energy consumption and principle are used to generate the equivalent working condition quickly and accurately through the working condition reconstruction algorithm. This technique can be applied to the intelligent network in automobile power system design personalized and personalized mileage prediction function.

汽車動力系統設計的過程中，需要給定用戶的典型工況，作為設計的輸入[1]。但是，世界各地區在選擇何種工況作為標準時有一定的差異。我國采用與歐標相同的NEDC工況[2]。而動力系統的匹配效率、汽車能耗的設計，均與工況有關。如果工況選擇不合理，將會造成匹配工作與實際情況存在較大偏差。在互聯網與大數據時代，客戶駕駛工況的提取數據量將變得巨大而全面，如何使用一種有效的算法將實際行駛路況數據重構成典型工況，是一個具有深刻意義的研究課題。

為了研究不同城市的工況特點，文獻[3]使用極大似然估計法與馬爾可夫鏈相結合的方法構建工況，文獻[4]采用離散小波變換的多分辨信號分解算法對汽車行駛工況進行構建，文獻[5]采用主成分分析法對運動學片段進行降維處理，接著利用K 均值聚類技術對其進行分類，是一種典型的統計構建道路工況的方法。

隨著智能網聯汽車技術的發展，收集與統計大量汽車的實際行駛工況變為簡單易行的工作[6]，基于大數據的分析可以快速逆向生成工況[7]。本文通過汽車路試采集路況數據，使用等效能耗的方法，構建與實際工況近似的等效工況。

1? ? 汽車實路工況獲取

汽車實路工況是指在實際道路上行駛的t-v曲線。通常，不同的城市，不同的路段，甚至不同的駕駛員，都有各自獨特的實路工況。汽車制造商獲取實路工況的方法通常有試驗法和用戶數據采集方法。隨著智能網聯汽車技術的發展，結合大數據與人工智能技術，汽車制造商將以試驗為主要途徑的工況逐漸轉向為從用戶處獲取信息為主要途徑。

本文主要研究的工況構建算法，在應用上與大數據技術一起完成，但開發與測試時，數據的獲取是通過試驗獲得。浙江合眾新能源汽車有限公司EP10車型，在浙江省桐鄉市二環路做耐久試驗的過程中，使用V-Box采集了t-v數據。如圖1所示：

2? ? 概率密度普與工況構建

不同的行駛工況對應汽車不同的能量消耗率，電動汽車通常用百公里耗電量來描述。電動汽車的續駛里程及能量消耗率是制約電動汽車發展最關鍵的參數。本文提出的汽車工況重構法，是以汽車行駛實際工況為原始數據，首先，根據v-a概率密度譜，獲取汽車實際工況下在不同的車速、加速度性能下的工況分布情況;其次，將工況密度網格化，近似成勻加速、勻減速、勻速等方格區域;接著，使用勻加速、勻減速原理，獲取汽車在車速不為0，加速度不為0的情況下各工況的加減速時間矩陣;然后，將概率密度矩陣與減速時間矩陣相除，通過修整與補正原理，獲取加減速段的段數;最后，通過修整后的段數矩陣，逆向構建出適合于試驗使用的NEDC工況循環。

2.1? ?v-a概率密度譜

如果車上有加速度傳感器，則直接讀取加速度傳感器的值，可以獲得更精確結果。如果沒有加速度傳感器，則將采集到的t-v曲線做濾波處理，濾波處理后再通過數值微分獲得加速度a。（v，a）點對的分布，將直接影響電機的工作區域。因此，將該采樣中的（v，a）點對做統計分析，得到如圖2所示的v-a概率密度譜。

圖中 ，將（v-a）分割為一個矩陣，加速度范圍為-6.5m/s2～6.5m/s2，速度范圍為0～125km/h。速度統計分組間隔10km/h，加速度統計分組間隔1m/s2，獲得矩陣Z。

2.2? ?v-a概率密度譜

矩陣Z中的各網格v-a區間數量即為汽車在該區域的工作時長。如果將汽車的工作狀態從網格的左端勻加速運動到右端，則計算出經過一次該區域的時間。其中，加速度為0時，其通過時間不

使用該方法計算。

對于勻速段間隔時間均為10km/h，則該時間僅與加速度相關。各加速度對應的通過時間如表1所示：

2.3? ?v-a段數矩陣構建

當v≠0且a≠0時，汽車通過某段區間的總時間除以通過一次該區段所需要的時間，即可獲得該區域段數。當v=0或a=0時，不可通過分段法獲得。計算的段數通過四舍五入，可以獲得段數矩陣Zn。

通過矩陣Zn構建工況，需要Zn矩陣具備如下特點：在每個車速下，均滿足a>0時的段數與a<0時的段數相等。這樣才能構建一起一落的車輛狀態。而因為Zn是通過四舍五入獲取的整數值，因此存在不對稱的可能。為了令其對稱，需要將其人為補對稱。通過分布特點可知，人為靠近a=0處的加速度密度最高，最易被忽略歸入勻速段，因此補線段的原則是，在靠近a=0處補齊。配平后對稱的矩陣如下。

2.4? ?基于v-a概率密度矩陣的t-v曲線重構

一個標準的NEDC工況循環是20min，一個循環是10.9km，對于續駛能力限值達到150km的汽車來說，執行13個完整循環和一個不完整循環，就

可以通過測試。而最后一個循環是否能順利通過最高車速的點上，工程師想盡辦法在這個問題點上優化設計汽車，因為其影響續駛能力的7.7%。但如果每個循環重構選擇時間15min，里程為8.2km，則續駛里程為150km的汽車，將執行18個完整循環和1個不完整循環，此時影響續駛里程的情況為5.6%，較之前提高27.2%.

將矩陣Zn重新構造后，得到如圖3所示的t-v曲線。

3? ? 等效分析

重構的工況與原來的工況對比，是基于概率密度趨于近似而定的。理論上來說，等效工況與重構工況有很多參數是相等的。例如：全程平均車速、停車時間占比等。但最直接描述等效工況能耗與實測工況的接近程度，是其能耗指標，這將作為重構工況質量判定最重要的指標。

3.1? ?重構工況與實測工況v-a軌跡對比

實測工況的t-v曲線可以構建v-a軌跡圖，重構工況的軌跡應接近于實測軌跡，如圖4所示：

3.2? ?重構工況與實測工況能耗對比

根據GB/T18352-2013，汽車的道路阻力載荷可以使用查表法。這種方法規定了汽車在轉轂上測試NEDC工況的輪邊能耗。重構工況與實測工況相比，并與實際的NEDC工況相比，其能耗對比數據如表2所示：

表2可知，重構工況與實測工況相比，重構工況能耗偏高3～4%;實測工況與標準NEDC工況相比，標準NEDC工況能耗偏低13%～15%。

因此，選用重構工況比選用標準NEDC工況更接近。進一步優化重構工況，令其能耗接近實測工況，是下一步的工作目標。

4? ? 結 論

目前，中國純電動乘用車采用NEDC綜合工況作為工信部公布的各電動汽車車型的續駛里程參考工況。其意義是：選定一種公認的方法讓所有電動汽車企業可以橫向比較。但是隨著地域，駕駛員路線，甚至駕駛員習慣的差異，該工況與大多數精細化需求有較大的脫節。而迎合補貼政策，開發設計階段并沒有依據更詳細的分析參考。選擇一種更為合理的工況工作迫在眉睫。

統一一種典型中國工況標準，并不是最好的選擇。汽車供應商在應對動力系統能耗最優匹配方案的時候，總會面臨一個選擇：更好地符合標準工況還是更好地適應客戶實際工況。我建議使用雙標準制度，如同汽車道路阻力，可以選擇標準規定的當量慣量及阻力，亦可選擇汽車制造商自己滑行實測。工況可以選擇國家標準工況，亦可選擇汽車制造商通過大數據收集而等效能耗法重構的工況。

等效能耗工況重構算法的優點有：1、以等效能耗為目標，針對新能源汽車目的性強;2、使用工況重構，周期選擇更為合理;3、借助互聯網大數據技術，可逐步實現為客戶定制化最優能耗匹配方案;4、所重構的工況更利于試驗開展。該方法局限于當前技術依然有如下缺點：1、該構建法是近似等效法，與實際情況差距有待驗證;2、沒有考慮換擋規律，對換擋工況影響有待做進一步分析優化，但對單速比情況無此影響;3、沒有考慮坡度譜，實測中獲取道路坡度技術尚不成熟。這將是未來改進的方向。

參考文獻：

[1]阮廷勇，張開斌. 北京工況、重慶工況及歐洲工況特征參數比較與分析[J].重慶工學院學報（自然科學版），2007，（10）：18-22.

[2]GB 18352.5-2013 輕型汽車污染物排放限值及測量方法（中國第五階段）.

[3]張銳.城市道路汽車行駛工況的構建與研究[D].合肥工業大學，2009.

[4]姜平，石琴，陳無畏，黃志鵬.基于小波分析的城市道路行駛工況構建的研究[J].汽車工程，2011，33（01）：70-73+51.

[5]石琴，鄭與波，姜平.基于運動學片段的城市道路行駛工況的研究[J].汽車工程，2011，33（03）：256-261.

[6]劉天洋，余卓平，熊璐，張培志.智能網聯汽車試驗場發展現狀與建設建議[J].汽車技術，2017，（01）：7-11+32.

[7]楊靜，李文平，張健沛.大數據典型相關分析的云模型方法[J].通信學報，2013，34（10）：121-134.