基于新能源高頻大數據的駕駛行為與能耗分析

夏麗娜　何紹清　康澤軍　王建斌　賈國瑞

摘 要：近年來，在新能源汽車示范推廣和財政補貼的大背景下，我國新能源汽車產業快速發展。但與傳統燃油車相比，新能源汽車的技術成熟度尚且不足，在研發、運行階段仍存在諸多問題等待解決，其中能耗和續航問題的關注度尤為突出。本文基于車載終端采集到的新能源高頻大數據，提取能夠反映駕駛行為精細時空變化特征的特征參數集，采用主成分分析方法將特征參數集進行優化，利用K-means算法實現駕駛行為的自動分級，并分析了不同級別駕駛行為的能耗分布情況。分析結果表明，駕駛行為影響新能源汽車能耗水平，其中平穩駕駛對應的能耗較低，對新能源汽車產品升級和用戶駕駛習慣優化具有一定的參考價值。

關鍵詞：新能源高頻大數據 駕駛行為 能耗 主成分分析 聚類算法

1 前言

在汽車產業“電動化、網絡化、智能化、共享化”的趨勢背景下，近年來新能源汽車產業快速發展。據統計顯示，截止2020年6月，全國新能源汽車保有量已達417萬。與傳統燃油車不同，新能源汽車在運行過程中采集了大量運營數據，可一定程度上反映用戶的使用習慣和新能源汽車的產品性能。利用新能源運營大數據進行挖掘分析，提升新能源汽車產品研發效率，針對性地優化產品性能，加快產品更新迭代節奏將是新能源汽車產業未來發展的大趨勢。

目前，新能源汽車的技術成熟度尚不如傳統燃油車，在研發及運行階段還有諸多問題亟待深入研究，其中續航和能耗是車企和消費者最為關注的問題之一。新能源汽車能耗的高低，與用戶駕駛行為密切相關。目前行業內對于駕駛行為的研究多基于低頻數據提取車速、加速度、方向盤轉角的統計學參數，用于評價駕駛行為的平穩性和安全性，不足以對駕駛行為的時空變化特性進行精細刻畫，也無法為企業在研發端為產品優化提供參考價值。

本文基于新能源高頻大數據，提取駕駛過程中的不同數據字段聯合分布特征參數，以反映駕駛行為的時空變化特征，構建新能源汽車駕駛風格分類模型，研究不同駕駛風格的能耗分布，將有助于優化新能源汽車產品開發策略，促進新能源汽車正向發展。

2 新能源高頻大數據及其分類

新能源高頻大數據是通過車載終端設備采集得來，主要包括駕駛行為數據、充電數據、電池數據、電機數據、DCDC數據等，目前最高采集頻率可到100Hz。

2.1 駕駛行為數據

駕駛行為數據主要包括加速踏板開度、制動踏板開度、方向盤轉角、車速、行駛里程等。

2.2 充電數據

充電數據主要包括充電方式、充電狀態、充電電流、SOC等。

2.3 電池數據

電池數據主要包括總電壓、總電流、SOC、絕緣電阻、最高單體電壓、最低單體電壓、最高溫度、最低溫度等。

2.4 電機數據

電機數據主要包括電機控制器電流、驅動電機轉速、驅動電機扭矩等。

2.5 DCDC數據

電機數據主要包括DCDC電壓、DCDC電流、DCDC溫度等。

3 駕駛行為分析

3.1 駕駛行為特征參數提取

通常，評價用戶的駕駛行為可采用的數據主要為車速、方向盤轉角、縱向加速度、制動減速度等，可提取的參數則包括最大值、最小值、均值、中值、眾數、標準差以及不同區間占比等。

3.1.1 車速

車速不僅與道路安全密切相關，更是影響新能源汽車能耗的重要參數，無疑是評價用戶駕駛行為必不可少的指標。除最大值、最小值、中值、均值、標準差等常規統計學參數外，不同車速區間的占比能夠細化車速離散性，可反映出用戶駕駛行為的平穩性。

3.1.2 方向盤轉角

方向盤轉角反映了用戶對車輛的橫向控制作用，而方向盤轉速則能夠表現出用戶在駕駛過程中的操作行為。方向盤轉速是指用戶在單位時間內轉動方向盤的角度，即

（1）

式中：為相鄰兩幀數據的方向盤轉角變化量;t為相鄰兩幀數據的時間變化量。

3.1.3 縱向加速度和制動減速度

用戶對于加速踏板和制動踏板的操作是駕駛行為的重要環節，具體表現在車輛的縱向加速度和制動減速度數據上。采集到的新能源高頻大數據中，不包含縱向加速度和制動減速度數據字段，需通過車速和時間計算得來，即

（2）

式中：v為相鄰兩幀數據的車速變化量;t為相鄰兩幀數據的時間變化量。若加速度a計算值為正，則為縱向加速度，記為a+;若加速度a計算值為負，則為制動減速度，記為a-。

3.1.4 聯合分布特征參數

與車速相同，縱向加速度、制動減速度和方向盤轉速都可采用最大值、最小值、均值、標準差等統計學參數以及在不同區間的占比來反映其變化特征。但上述特征參數都只能基于時序信號對駕駛行為從整體進行表達，而忽略了車速與縱向加速度、制動減速度或方向盤轉速的同時性，故無法刻畫出用戶的急加速、急減速、急轉彎等重要細節。

為精細刻畫用戶駕駛行為，尤其是急加速、急減速、急轉彎等不良操作，本文提出利用車速-縱向加速度、車速-制動減速度和車速-方向盤轉速聯合分布作為評價用戶駕駛行為的指標。聯合分布特征參數可從時序角度整體把控駕駛行為，也可反映出車速與縱向加速度、制動減速度或方向盤轉速的空間關系，能夠綜合評價駕駛行為的時空變化特征。

3.2 駕駛行為特征參數優化

在用戶的實際駕駛行程中，不能完全覆蓋聯合分布的每個區間范圍，故駕駛行為的聯合分布特征參數存在一定的冗余性。為最大限度降低計算所需的資源，同時最大化保留駕駛行為聯合分布特征參數所蘊含的信息，需對特征參數進行降維優化。

主成分分析算法是目前成熟且常用的復雜數據矩陣降維方法之一，由Pearson在1901年首次提出。利用主成分分析算法，可對駕駛行為的聯合分布特征參數進行正交變換，將相互之間可能存在一定關聯性的駕駛行為聯合分布特征參數矩陣，正交化成為一個線性化且互不相關的參數矩陣，其中每個參數即為一個主成分。通過對所有主成分的貢獻率和累計貢獻率進行分析，選取其中前若干個主成分，以反映原駕駛行為聯合分布特征參數的80%以上的信息量。經過主成分分析，可大大減小原駕駛行為聯合分布特征參數矩陣的維度，提高計算效率。

3.3 駕駛行為自動分類

目前行業內通常根據駕駛激烈程度，將駕駛行為分為激進型、普通型和溫和型。本文將采用大數據挖掘技術中的聚類算法，基于駕駛行為的特征參數集，實現駕駛行為的智能化、客觀化自動分類。

聚類算法根據數據特征參數集中各點相對聚類中心點的距離大小，確定特征參數的類別，是一種無監督學習算法，不需要在分類前對數據進行標簽化處理。K-means算法原理簡潔、計算高效，是目前應用最為廣泛的聚類算法。

K-means算法根據用戶給定的K值，從數據集中隨機抽取K個點為聚類中心，計算數據集中其余數據點與K個聚類中心點的歐式距離，按照距離大小將其分配到與之歐式距離最小的聚類中心點，構成一類數據。利用K簇數據中各數據點的均值代替原聚類中心，重新進行數據點分類，迭代至不再重新分配數據點所屬類別或聚類中心點不變或誤差平方和達到局部最小。其中，歐式距離計算公式為

（3）

式中：d為數據點到聚類中心點的歐式距離;n為數據點的維度;xi為數據點特征參數;ki為聚類中心點特征參數。

其中，誤差平方和是指數據集中所有數據點的聚類誤差總和，可一定程度上反映出聚類效果，其計算公式為

（4）

式中：SSE為誤差平方和;Ci為第i類數據;ki為Ci的聚類中心點;x為第i類數據集中的任意點。

4 駕駛行為能耗計算

能耗是反映新能源汽車能源消耗量的直接數據指標，是評價新能源汽車性能的重要參數。通過車載終端設備采集來的高頻大數據中，不含有能耗字段，因此需要利用其他數據字段計算能耗。常用的能耗特征參數包括總能耗和百公里能耗，其中總能耗是指一段駕駛行程所消耗的總電量，而百公里能耗是結合行駛里程將總能耗歸一化為每百公里消耗的電量。

總能耗的計算公式為

（5）

式中：Etotal為一段駕駛行程的總能耗;n為該段駕駛行程數據的總幀數;Ui為第i幀數據總電壓;Ii為第i幀數據總電流;t為第i幀數據時間戳與第i-1幀數據時間戳之差。

百公里能耗的計算公式為

（6）

式中：E100為一段駕駛行程的百公里能耗;Etotal為該段駕駛行程的總能耗;d為該段駕駛的行程里程數。

5 案例研究

本文利用運營在天津的某品牌某款純電動汽車采集新能源高頻大數據，所選車輛上線日期接近，且運營在同一地域，降低了地域、電池壽命等因素對能耗的影響。

5.1 數據預處理

原始采集新能源高頻大數據中存在部分空值、缺省值等無效數據片段，影響后續駕駛行為分析和能耗計算的精確度，需進行數據清洗處理。本文采用的處理方法是利用有效數據片段進行線性插值，替換無效數據片段。

原始數據按照時間戳先后順序存儲，其中包含充電工況數據和行駛工況數據，需從中篩選出行駛工況片段，用于駕駛行為分析。本文根據代表鑰匙狀態的數據字段Key_State來劃分行駛工況，Key_State為“ON”，表示行駛工況開始;Key_State為“OFF”，表示行駛工況結束。

5.2 特征參數分析

注：車速單位（km/h）

注：方向盤轉速單位（°/s）

注：縱向加速度單位（m/s2）

以駕駛員A的一次行駛和駕駛員B的一次行駛為例，分別提取其車速、方向盤轉速、縱向加速度和制動減速度的各項統計學參數和不同區間占比，如表1～表4所示。

由表1可知，駕駛員A本次行駛除怠速外，車速在45～55km/h范圍內分布占比較高，車速較為穩定;而駕駛員B本次行駛車速在10～70km/h范圍內接近均勻分布，車速穩定性差。表2結果顯示，駕駛過程中，小幅度方向盤轉動占比達80%以上，駕駛員A方向盤轉速大于10°/秒共占比14.85%，駕駛員B方向盤轉速大于10°/秒占比18.3%，駕駛員B方向盤轉速相對較快。利用表3分析可知，無論是縱向加速度高于0.75m/s2占比還是高于2m/s2的占比，駕駛員B都高于駕駛員A，故駕駛員A相對駕駛員B加速行為較為溫和。同樣，表4則反映出駕駛員A減速行為也相對溫和。

為了更精細反映用戶在駕駛過程中的行為特征，本文提取了車速-方向盤轉速、車速-縱向加速度、車速-制動減速度聯合分布特征，以上述駕駛員A和駕駛員B的兩次行駛事件為例，其聯合分布特征參數分別如圖1～圖3所示。

注：制動減速度單位（m/s2）

從圖1可以看出，駕駛員A方向盤轉速高于20°/s對應的車速多集中分布在30km/h以下，而駕駛員B對應的車速則集中在10～50km/h范圍內，說明駕駛員B轉彎時車速高于駕駛員A。由圖2和圖3可知，駕駛員B的車速-縱向加速度以及車速-制動減速度聯合分布都較為分散，車速、縱向加速度和制動減速度都高于駕駛員A，駕駛較為激烈。

綜上所述，用戶的駕駛行為特征參數包括車速、方向盤轉速、縱向加速度、制動減速度的各項統計學參數和區間占比以及三種不同聯合分布特征，共383維。利用主成分算法對特征參數集進行分析，如圖4所示，從中發現，前35個主成分的累計貢獻率達到85%以上，可用于原特征參數集，實現特征參數集的優化降維，降低數據集的復雜度，提高計算效率。

5.3 駕駛行為分類

理論上講，聚類數K值越大，分類更精確，然而在實際中，K值過大并不利于用戶對真實數據的分類分析，因此需要首先確定最優聚類數K值。本文基于降維后的駕駛行為特征參數集，利用K-means聚類算法測試不同聚類數K值對于的聚類效果，如圖5所示。當聚類數K值小于5時，誤差平方和SSE急劇下降，說明隨著K值的增大，聚類效果顯著提高;當K值大于5時，誤差平方和SSE下降趨勢逐漸緩和，說明K值的增大對于聚類效果的提高效果不明顯。因此，本文以5為最優聚類數，將駕駛行為劃分為5類，如圖6所示。

根據駕駛行為分類結果，分析圖6中不同類別中行駛事件的特征參數發現，不同類別對應的車速-縱向加速度和車速-制動減速度有明顯差異，能夠反映駕駛行為的激烈程度，可將5類駕駛行為按照激烈程度由低至高進行排序，如圖7所示。圖7中，駕駛行為級別越高，其對應的車速、縱向加速度和制動減速度所能覆蓋的區域越廣，駕駛行為越激烈。

5.4 不同級別駕駛行為能耗分析

根據駕駛行為分級情況，對不同級別駕駛行為中所有行駛事件，利用式（6）計算百公里能耗，不同級別駕駛行為的能耗分布情況如圖8所示。1級駕駛行為樣本數為1708，百公里能耗眾數為18.5度;2級駕駛行為樣本數為1649，百公里能耗眾數為15.7度;3級駕駛行為樣本數為600，百公里能耗眾數為16.6度;4級駕駛行為樣本數為30，百公里能耗眾數為22.8度;5級駕駛行為樣本數為34，百公里能耗眾數為21.4度。其中，4級和5級駕駛行為由于樣本數較少，百公里能耗分析結果可信度降低。駕駛行為2級、3級車速穩定，駕駛較為溫和，能耗相對較低;駕駛行為4級、5級車速較大且車速變化劇烈，能耗較高;駕駛行為1級，車速低，多為怠速事件，能耗居中。

6 結論

本文利用新能源高頻大數據，基于車速、方向盤轉速、縱向加速度和制動減速度提取了駕駛行為的常規統計學參數、不同區間占比以及不同數據聯合分布等特征參數，采用主成分分析方法對特征參數集進行降維優化，利用K-means算法將駕駛行為從溫和至激烈劃分為5個級別，并探討了不同駕駛行為級別對應的百公里能耗分布情況。結果表明，駕駛行為的激烈程度嚴重影響新能源汽車能耗，平穩駕駛相對節能，可為產品升級和用戶駕駛提供一定指導建議。

課題1：廣東省重點領域研發計劃項目“燃料電池乘用車整車集成及動力系統平臺開發”課題課題編號2019B090909001

課題2：中汽中心重點課題“基于大數據分析的動力電池安全預警模型與平臺開發”

課題3：中汽中心青年基金課題“基于純電動汽車高頻大數據的能耗研究”

參考文獻：

[1]孫川，吳超仲，褚端峰等. 基于車聯網數據挖掘的營運車輛駕駛速度行為聚類研究[J]. 交通運輸系統工程與信息，2015，15（6）：82-87.

[2]文江輝，楊先敏，吳超仲. 大數據環境下營運車輛駕駛行為特征分析[J]. 交通信息與安全，2018，36（4）：42-50.

[3]李巖，石柏軍，張兆元等.基于行車數據的長途客車駕駛員駕駛行為識別方法研究[J].機械設計與制造工程，2017，46（12）： 105-108.

[4]孫川.基于自然駕駛數據的車輛駕駛風險辨識及控制研究[D]. 武漢理工大學，2011.

[5]趙曉華，陳晨，伍毅平等. 出租車駕駛員駕駛行為對油耗的影響及潛力分析[J]. 交通運輸系統工程與信息，2015，15（4）：85-91.

[6]Zejian Deng，Duanfeng Chu，Chaozhong Wu，et al. Curve safe speed model considering driving behaviour questionnaire[J]. Transportation Research Part F： Psychology and Behaviou，2019，65：536-547.

[7]Faria MV，Baptista PC，Fariias TL. Identifying driving behaviour patterns and their impacts on fuel use[C]. 20th EURO-Working-Group-on-Transportation Meeting（EWGT）：Budapest Univ Technol & Econ，2017（27）：953-96.

[8]李平凡. 駕駛行為表征指標及分析方法研究[D]. 吉林大學，2010.

[9]Ying Yao，Xiaohua Zhoa，Chang Liu，et al. Fuel Consumption Prediction Method Based on Driving Behaviour Collected from Smartphones[J]. Journal of Transportation， 2020（11）：1-11.