駕駛風格對純電動公交車行駛能耗的影響

趙天欣

駕駛風格對純電動公交車行駛能耗的影響

趙天欣

（長安大學 汽車學院，陜西 西安 710064）

對駕駛員的駕駛風格進行分類，衡量不同駕駛風格對純電動車能耗的影響。運用主成分分析和K-means劃分駕駛風格類型，利用支持向量機（SVM）建立模型進行訓練；然后基于AVL Cruise仿真模型輸出公交車運行能耗數據，比較不同駕駛風格駕駛員的能耗差異。結果表明，模型對測試集進行標簽預測后，分類準確率在93%；同一線路下，激進駕駛員能量回收較多，對比正常型駕駛員，激進型和謹慎型駕駛員單位里程油耗分別增加了2.81%、4.44%。利用影響程度，相應采取對駕駛員進行篩選培訓等措施，進而降低純電動公交車運行能耗。

駕駛風格；純電動公交車；行駛能耗；主成分分析；支持向量機；AVL Cruise仿真模型

影響純電動汽車能耗的因素非常多，主要有車輛使用因素、車輛技術狀況、道路條件、車輛負荷以及駕駛風格等。駕駛風格通常指駕駛員選擇開車的方式或習慣性的方式，體現在駕駛員開車過程中對車的輸入及整車響應。有學者將駕駛風格分為適應性和非適應性兩類。適應性駕駛風格指駕駛員的駕駛行為比較安全謹慎。非適應性駕駛風格即指不安全駕駛風格，分為焦慮型、憤怒型和冒險型三種[1]。研究大多先對駕駛風格影響因素評價指標進行降維，采用K-means、模糊均值、層次聚類等客觀分類方法對駕駛員駕駛風格分為謹慎型、正常型、激進型三類[2-4]。有學者表明駕駛風格識別算法將駕駛員分為三類較為精確[5]。前期對駕駛風格的探索主要集中于問卷調查，如駕駛人行為問卷（Driver Behavior Questionnaire, DBQ）、防御方式問卷（Defense Style Questionnaire, DSQ）、多維度駕駛風格量表（Multi-dimensional Driving Style Inventory, MDSI）等；現階段使用智能算法劃分駕駛風格較多，如自組織映射（Self-Organizing Map, SOM）、半監督學習三協同訓練等。劃分不同駕駛風格后，發現激進型駕駛員往往更容易引發交通事故，汽車磨損大，油耗及排放大。由駕駛水平引起的油耗變化范圍可達8%～15%。國外學者對新歐洲駕駛循環周期（New- European-Driving-Cycle, NEDC）、全球統一輕型車輛測試循環（Worldwide Harmonized Light Vehicles Test Cycle, WLTC）等循環工況下加減速過程中能源消耗進行了對比，給出了不同工況下能耗最低的汽車行駛速度范圍，提出了純電動公交車的能耗預測系統以及能耗計算模型[6-7]。駕駛員的駕駛風格對電動汽車節能效果有顯著影響，先前研究加速度標準差與行駛能耗關系時未明確指出駕駛員的駕駛風格，未將兩者同時涵蓋。本文旨在實車實驗的基礎上，利用速度標準差、加速度標準差對駕駛風格進行分類，指出相同路線與不同路線下駕駛風格對能耗的影響大小，進而在選用純電動公交車駕駛員時進行主動管理，減小行駛能耗，延長純電動公交車的續駛里程。

1 實驗數據采集

2020年9月，交通部將西安命名為國家公交都市建設示范城市。截止2018年底，西安新能源公交車占比78%，純電動公交車占比總車數的62%。截止2020年12月31日，西安公交總公司營運線路有338條，營運線路總長度5 708.5 km。調研所有線路工作量較大，現有人力、物力、時間等條件無法滿足，故在調研之前應明確調研線路。線路選取、規劃依據三原則：一定的路網覆蓋率（空間）、時間安排正交組合（時間）和等概率抽樣[8]。本文選擇線路依據：線路所運行車輛為純電動公交車；線路客流量較大。主要選取了5路、26路、214路、271路、713區間的25位駕駛員作為研究對象。

在公交車上安置與筆記本電腦相連接的全球定位系統Global Positioning System,車速計，提供車輛實時三維坐標、速度等空間信息，并在筆記本電腦上形成Excel文件。GPS在城市道路上進行數據采集精度高、速度快，可獲取車輛連續的速度。

2 AVL Cruise搭建模型仿真

AVL Cruise是車輛動力學仿真分析平臺，可實現復雜車輛動力傳動系統的仿真分析，可以用于車輛的動力性、燃油經濟性仿真。本文運用循環行駛工況任務模塊完成多工況燃料消耗量仿真試驗。

參照純電動小轎車模型搭建純電動公交車的整車模型，利用純電動汽車系數修改部分參數，需要輸入的主要參數有車輛長寬高、軸距、整備質量、滿載質量、迎風面積和風阻系數等。建立的車輛仿真模型參數主要參照BYD6122LGEV1型號車輛，該公交車外形尺寸為12 000×2 500×33，總質量為18 000 kg，整備質量為12 500 kg。其迎風面積由車輛寬度乘以高度計算得到，風阻系數的大小由汽車的外形決定，兩者呈正相關，風阻系數小，汽車的空氣阻力就小，汽車油耗降低，最高車速會增大。

在中國典型城市道路工況下，輸入采集到的速度等數據，運行仿真模型輸出模擬的運行能耗數據。

3 駕駛風格分類

駕駛風格劃分方法分為無監督學習和監督學習方法，區別為是否提前對數據中的駕駛風格進行預定義。我們主要是基于試驗數據利用無監督學習算法K-means對駕駛風格進行分類。

3.1 K-means概述

K-means也是一種常見的聚類算法。其基本思想是給定一個數據集，根據數據集與樣本之間的距離進行迭代分裂，劃分為類，其中每類至少包含一條數據。工作原理如下：（1）從數據集中隨機選擇個數據中心點，每個點代表初始聚類中心。（2）計算剩余各個樣本到每個聚類中心的距離，將與第個聚類中心較近的樣本賦給聚類中心。（3）重新計算每個聚類中心的值，對個聚類中心的每個值進行均值劃分，更新個聚類中心的坐標位置。（4）直至個聚類中心不再變化。算法輸入即聚類的個數，數據集，樣本距離計算依據，輸出為個聚類結果。

3.2 駕駛風格劃分

以速度標準差S和加速度標準差S為劃分基準，計算公式如下：

式中，為行駛片段總數。速度標準差反映車速的變化幅度，車速變化越劇烈，則駕駛風格越激進，駕駛行為趨向不穩定。加速度標準差可以反映駕駛人踩壓加速踏板的行為規律，踩壓踏板越迅猛，駕駛員駕駛風格越接近激進型。

數據來源于采集到的5個路別的25位駕駛員，部分數據如表1所示。運用主成分分析法，對駕駛風格評價指標（主要是速度、加速度，速度標準差、加速度標準差等6項指標）降維分析，最后選用駕駛員的速度標準差和加速度標準差作為分類基準，使用K-means聚類方法將駕駛員的駕駛風格劃分為謹慎型、正常型、激進型三類。

表1 駕駛員行駛數據分析

駕駛員加速度標準差速度標準差最大車速/(km/h)平均車速/(km/h)最大加速度/(m/s2)平均加速度/(m/s2) 5-10.65211.7541.3612.654.1790.013 7 …… …… …… 26-10.61612.6753.0414.811.7830.007 0 …… …… …… 713-50.60512.6549.9813.761.7830.008 6

3.3 駕駛風格分類結果

多次聚類后，對初始聚類中心和最終聚類中心以及到聚類中心的距離進行對比分析，發現將駕駛風格分為三類較為精準，最終聚類過程如表2所示。

表2 最終聚類中心

聚類123 速度標準差14.1013.5612.09 加速度標準差0.665 40.645 40.599 6

最終聚類中心之間的距離分別為5.989，6.153，10.627。聚類結果如表3所示，一類的4位駕駛員為激進型駕駛員，加速度標準差和速度標準差均較高；二類的10位駕駛員被劃分為正常性駕駛員；三類的11位駕駛員被劃分為謹慎型駕駛員。

表3 駕駛員駕駛風格分類結果

駕駛風格類型成員編號 1-激進型26（4）、214（3）、214（4）、271（2） 2-正常型26（1）、26（2）、214（1）、214（2）、214（5）、713（1）、713（2）、713（3）、713（4）、713（5） 3-謹慎型5（1）、5（2）、5（3）、5（4）、5（5）、26（3）、26（5）、271（1）、271（3）、271（4）、271（5）

3.4 基于SVM模型對駕駛員駕駛風格分類識別

模型建立首先需要從原始數據里把訓練集和測試集提取出來，接著對數據進行預處理，之后用訓練集對支持向量機SVM進行訓練，最后用得到的模型來預測測試集的標簽，得到分類準確率。

將采集到的30個樣本前50%作為訓練集（train_driver），后50%作為測試集（test_driver）。

首先，對訓練集和測試集進行歸一化處理，采用的歸一化映射如下：

接著，用訓練集train_driver對SVM分類器進行訓練，用得到的模型對測試集進行標簽預測，最后得到分類的準確率為93.3%。

4 駕駛風格對純電動公交車行駛能耗的影響

分析AVL Cruise仿真圖的變化趨勢可得，當速度、加速度劇烈波動時，駕駛員每秒內能耗波動也較大，該片段內的平均能耗也相對較高。

相同路線下同駕駛風格的駕駛員最終能耗數值均較為接近，如5號線路的5位謹慎型駕駛員，總能耗在13.5～14.5 kWh之間波動，713區間的5位正常型駕駛員，總能耗在12.5～13.3 kWh之間波動。相同路線下激進型駕駛員最終能耗都高于正常型和謹慎性駕駛員的最終能耗。

26路5位駕駛員涉及到三類駕駛風格。選取30 s行駛片段，行駛過程5位駕駛員的能耗變化如圖1所示。在整個過程中，駕駛員的速度變化會實時影響著其能耗變化，速度開始下降時，其累計能耗會有所下降。累計能耗減少部分即電動公交車能量回收部分。能量回收原理電動汽車減速時，車輪帶動驅動電機旋轉，電機成為交流發電而產生電流，通過電機控制器將交流電整流為直流電給動力電池組充電，產生再生能量。

圖1 26路公交車不同駕駛風格駕駛員能耗變化圖

26路5位駕駛員分別為正常型、正常型、謹慎型、激進型、謹慎型。如圖1所示，4號能耗變化程度最為劇烈，3號和5號能耗變化幅度較小。經過計算，4號能量回收達到了41.5%，1號和2號能量回收百分比為12.25%，3號和5號能量回收百分比為6.91%。激進型能量回收顯著高于正常型和謹慎型。但由于激進型在行駛過程中操作較多，累計能耗依然較高。

214路駕駛員選取的30 s片段內，正常型5號累計能耗為0.272 2 kWh，最大能耗為0.321 1 kWh，能量回收占比9.6%，激進型4號累計能耗0.312 6 kWh，最大能耗0.457 3 kWh，能量回收占比31.6%。加速度標準差從正常型的0.64增加到激進型的0.79時，能耗增多了14.8%。271路駕駛員30 s行駛片段內，激進型駕駛員各項指標顯著高于謹慎型駕駛員。當加速度標準差從0.58增加到0.66時，能耗增加20.1%。

在控制環境變量的前提下，選取相同道路的駕駛員進行分析，對26路公交車五位駕駛員的整個行駛過程進行分析，正常型駕駛員的單位里程油耗為0.990 95 kWh/km，激進型駕駛員的單位里程油耗為1.018 83 kWh/km，謹慎型駕駛員的單位里程油耗為1.034 98 kWh/km。正常型的能耗最低。

5號線路均為謹慎型駕駛員，整個行駛過程的平均單位里程能耗為1.117 85 kWh/km。713區間均為正常型駕駛員，行駛過程的平均單位里程能耗為0.970 04 kWh/km。對這兩條線路進行分析，發現相對于正常型，謹慎型駕駛員單位里程能耗增長了15.2%。

5 結論

將理論分析、實驗數據、模型仿真相結合，對駕駛風格進行分類，并研究影響能耗規律，得出以下結論，希望對公交公司選取合適的駕駛員起到相應的作用。

（1）將采集的駕駛數據進行處理，利用K- means初對駕駛風格進行分類，輸入SVM進行訓練和測試，檢測出先前分類的準確度達到93%。

（2）相同路線下激進型駕駛員最終能耗顯著高于正常型和謹慎型駕駛員的最終能耗。相同路線下同駕駛風格的駕駛員最終能耗接近。同時，相同線路下，對比正常型駕駛員，激進型和謹慎型駕駛員單位里程油耗分別增加了2.81%、4.44%，說明正常型駕駛風格更能節省油耗，魯莽駕駛和謹慎駕駛都會加大駕駛能耗。

（3）不同線路下，謹慎型駕駛員的能耗比正常型駕駛員的能耗增長了15.2%。

雖然勻速行駛時能耗變化較小，消耗少，但由于公交車在城市道路上行駛，由于信號燈路口以及進出站點，很難始終保持勻速行駛，故而建議在選用純電動公交車駕駛員之前，先對其駕駛風格進行判定，盡量選用正常型駕駛員，并對其進行培訓，日常駕駛過程中，盡量對速度進行控制，達到勻速行駛，盡量避免急加速、急減速等行為。

[1] 竇廣波,孫龍.營運駕駛員情緒狀態對駕駛風格的影響[J].人類功效學,2015,21(2):4-6.

[2] 李立治,楊建軍,劉雙喜,等.國內人群的駕駛風格分類及識別方法研究[J].重慶理工大學學報(自然科學),2019,33(11):33-40.

[3] 侯海晶,金立生,關志偉,等.駕駛風格對駕駛行為的影響[J].中國公路學報,2018,31(4):18-27.

[4] 郝景賢,余卓平,趙治國,等.混合動力汽車駕駛風格識別的研究[J].汽車工程,2017,39(12):1444-1450.

[5] 李經緯,趙治國,沈沛鴻,等.駕駛風格K-means聚類與識別方法研究[J].汽車技術,2018(12):8-12.

[6] RUANGJIRAKIT K,LAOONUAL Y.A Study of Grid- to-wheel Energy Consumption of Electric[C]//IEEE Transportation Electrification Conference and Expo,Asia-Pacific,Piscataway:IEEE,2018:1-5.

[7] GOLEBIEWSKI W,LISOWSKI M.Theoretical Analysis of Electric Vehicle Energy Consumption According to Different Driving Cycles[C]//IOP Conference Series: Materials Science and Engineering,England:IOP Pub- lishing,2018:746.

[8] 杜愛民,步曦,陳禮璠,等.上海市公交車行駛工況的調查和研究[J].同濟大學學報(自然科學版),2006,34 (7): 943-947.

The Effect of Driving Style on Driving Energy Consumption of Pure Electric Bus

ZHAO Tianxin

( School of Automibile, Chang’an University, Xi’an 710064, China )

To Classify drivers' driving styles to measure the impact of different driving styles on the energy consumption of pure electric vehicles. Using principal component analysis and K-means to divide driving style types, and using support vector machine(SVM) to build models for training. Then, based on the AVL Cruise simulation model, the bus running energy consumption data is output, and the energy consumption differences of drivers with different driving styles are compared. The results show that after the model labeled prediction of the test set, the classification accuracy rate was 93%, Under the same route, the aggressive driver has more energy recovery. Compared with the normal driver, the fuel consumption per mileage of the aggressive driver and the cautious driver increased by 2.81% and 4.44% respectively. Taking advantage of the degree of influence, measures such as screening and training of drivers are taken accordingly, thereby reducing the energy consumption of pure electric bus operation.

Driving style; Pure electric bus; Driving energy consumption;Principal component analysis; SVM; AVL Cruise simulation model

U471

A

1671-7988(2022)21-207-05

U471

A

1671-7988(2022)21-207-05

10.16638/j.cnki.1671-7988.2022.021.039

趙天欣（1998—），女，碩士研究生，研究方向為駕駛行為及汽車安全，E-mail:2961628935@qq.com。