多源信息融合的插電式混合動力公交車行駛工況構建

孟 垚, 高建平, 吳 瓊， 郗建國

(河南科技大學 車輛與交通工程學院,河南 洛陽 471003)

0 引言

能源短缺和環(huán)境污染是全球面臨的巨大挑戰(zhàn)，發(fā)展新能源汽車已成為全球共識[1]。插電式混合動力公交車(plug-in hybrid electric bus，PHEB)作為新能源汽車中的典型代表，具有比傳統(tǒng)混合動力汽車更好的經濟性和排放性，已成為極具發(fā)展?jié)摿Φ男履茉雌嘯2]。在PHEB的設計和開發(fā)過程中，行駛工況對PHEB最優(yōu)的能量分配起著至關重要的作用[3]。目前，大多數(shù)PHEB的能量管理都是基于標準工況，并不能很好地反映整車在實際道路上行駛時的工況。因此，構建能夠表征實際道路狀況的行駛工況，對進一步挖掘PHEB節(jié)能的潛力具有重要的意義。

目前，最常使用的構建行駛工況的方法包括短行程法、聚類分析方法、小波變換方法和馬爾可夫方法[4-7]。文獻[8]利用短行程法構建了行駛工況，建立了組合優(yōu)化算法對初始聚類中心進行優(yōu)化，使構建的行駛工況更加精確。 文獻[9]使用聚類方法，將原始的行駛數(shù)據(jù)分成代表公交車不同時間、不同路段上的若干類行駛特征，通過構建類內馬爾可夫模型，生成類內行駛工況。文獻[10]將自組織映射(self-organizing maps，SOM)網絡得到的權值作為模糊C均值(fuzzy C means，F(xiàn)CM)的初始聚類中心，基于改進的FCM聚類法構建了合肥市道路行駛工況。文獻[11]通過小波變換對原始行駛數(shù)據(jù)進行預處理，利用運動片段+主成分分析+聚類分析+離差平方和+速度閾值的方法，構建了長春市輕型車城市道路行駛工況。文獻[12]提出了一種基于馬爾可夫鏈的城市道路行駛工況的構建方法，與傳統(tǒng)的短行程法相比，構建精度提高了2.4%。但由于實際的道路行駛工況受諸多因素的影響，其中實時的道路交通信息是影響道路行駛工況的重要因素之一。上述研究中所構建的工況都是基于原始行駛數(shù)據(jù)，均未考慮實時的道路交通信息對行駛工況構建的影響，因此，構建的行駛工況不能較好地反映實際道路的行駛工況。隨著智能網聯(lián)汽車和智能交通的發(fā)展，將實時交通信息考慮到工況構建中已成為一個亟需解決的問題。

為了使構建的工況能夠更加符合實際的交通狀況，本文通過車載終端采集實車的原始行駛數(shù)據(jù)，在利用馬爾可夫理論構建全局行駛工況的同時，結合毫米波雷達和視覺傳感器獲取道路交通信息，對構建的全局行駛工況每300 s進行一次更新，從而構建出能夠表征實際道路狀況的行駛工況，反映出整車更加真實的油耗。

1 實時交通信息的獲取與處理

1.1 實時交通信息的獲取

汽車在實際道路上行駛時，由于道路交通環(huán)境復雜，不可控因素過多，獲取有效數(shù)據(jù)較為困難。因此，本文通過仿真軟件Prescan建立虛擬的駕駛場景，進行模擬駕駛操作，利用Prescan內置的毫米波雷達和視覺傳感器獲取前方道路實時交通信息，表1為所選用的傳感器及其基本參數(shù)。

表1 傳感器及其基本參數(shù)

1.2 實時交通信息的多源信息融合

D-S證據(jù)理論具有較強的處理不確定性信息的能力[13]。本文利用毫米波雷達可以獲取與前方車輛的相對車速和相對距離。視覺傳感器可以獲取車輛周圍的交通環(huán)境，并準確識別目標車輛。通過D-S證據(jù)理論將傳感器獲取的信息進行融合，融合算法的步驟如下：

步驟1 對毫米波雷達和視覺傳感器獲取的速度數(shù)據(jù)和交通流量數(shù)據(jù)進行離散化處理，并將它們分成Nf和Nv個區(qū)間，即F1，F(xiàn)2，…，F(xiàn)Nf和V1，V2，…，VNv。因此，可以得到Nf×Nv形式的關聯(lián)規(guī)則[14]：

Fa?Vb，a=1,…,Nf;b=1,…,Nv，

(1)

其中：Fa為采集的流量值；Vb為采集的速度值。

通過上述關聯(lián)規(guī)則，可以得到關聯(lián)規(guī)則的支持度矩陣Sup和可信度矩陣Con。

(2)

(3)

其中：nab是當交通流量在區(qū)間Fa且速度在區(qū)間Vb時出現(xiàn)的頻率。

步驟2 設識別框架U={Va},a=1,…,Nv，對傳感器獲取的每個待融合的數(shù)據(jù)值(速度值和交通流量值)，按照一定的規(guī)則分別轉換到U上的基本概率函數(shù)。

傳感器獲取的速度的基本概率函數(shù)與速度值的可信度α以及速度值所在的速度區(qū)間的位置有關。根據(jù)速度值判斷它所在的速度區(qū)間Va[15]。

(4)

(5)

其中：m1(Va)為速度值的基本概率函數(shù)；Vb0是速度區(qū)間Vb的平均值；LV是速度區(qū)間大小；m(A)為A的基本概率賦值；A為識別框架U的一個子集；α為傳感器采集的速度信息的準確度。

交通流量的基本概率函數(shù)是根據(jù)速度值和臨界速度值對道路的交通狀態(tài)進行判斷。交通流量的基本概率函數(shù)可以表示為：

(6)

其中：m2(Fa)為交通流量值在區(qū)間Fa時，速度值在每個速度區(qū)間的可信度；n為臨界速度值所在的速度區(qū)間的標號；Coec、Coef分別為道路交通流量處于擁堵狀態(tài)和暢通狀態(tài)的概率。

步驟3 速度值的基本概率函數(shù)m1(Va)和交通流量值的基本概率函數(shù)m2(Fa)的合成規(guī)則為[16]：

(7)

(8)

步驟4 本文選擇每個待融合數(shù)據(jù)中具有最大可信度函數(shù)的子集Vb作為證據(jù)理論的決策[17]，即：

(9)

Bel(Vb)=max(Bel(Va))。

(10)

2 實時全局工況構建

2.1 車速片段的劃分

車速片段是將原始行駛數(shù)據(jù)按照特定的規(guī)則進行劃分。本文選用采樣頻率為1 Hz的車載數(shù)據(jù)終端，利用車載數(shù)據(jù)終端與整車控制器進行通信，通過控制器局域網(controller area network，CAN)總線獲取車輛原始數(shù)據(jù)，其主要包括車速、瞬時加速度和時間。采樣時間為1個月，有效數(shù)據(jù)共603 000條。將車輛從一個怠速開始到下一次怠速開始之間的運動定義為車速片段，圖1為車速片段示意圖。采集的原始行駛數(shù)據(jù)可以劃分為5 668個類似的車速片段。

通過計算車速片段的平均速度，將其代表的車速片段分為6個狀態(tài)簇，詳細分類規(guī)則如表2所示。

表2 車速狀態(tài)簇分類規(guī)則

2.2 工況構建

與短行程方法相比，馬爾可夫法利用狀態(tài)轉移矩陣進行車速片段的選擇，并不是隨機選擇[18]，本文選擇基于馬爾可夫鏈的工況構建方法。但是，所有的工況構建方法無法反映實時的路況。為了實時構建工況，通過多傳感器信息融合，獲得同一路段、同一時間段車速和交通流量。將獲取的數(shù)據(jù)發(fā)送到交通監(jiān)測系統(tǒng)，由交通監(jiān)測系統(tǒng)對獲取的數(shù)據(jù)進行整合，再將這些交通數(shù)據(jù)發(fā)送給目標車輛，從而為實時工況構建提供有用的信息。

根據(jù)獲取的實時交通信息和狀態(tài)轉移矩陣構建實時的全局工況，流程如下：

首先，在構造全局工況之前，將全局工況初始化Cycleg=0，并將選取的公交路線劃分為14個路段，從交通監(jiān)測平臺獲取每個路段的實時交通信息，發(fā)送到目標車輛。

其次，路段的工況是由車速片段組成，根據(jù)當前路段平均車速所對應的車速狀態(tài)簇隨機選擇一個車速片段作為第一個路段。通過蒙特卡洛方法確定下一個路段的狀態(tài)q[19]，選擇狀態(tài)為q且初始速度與上一路段的末速度值相差小于1 km/h的車速片段作為第2個路段。如果當前路段小于總的路段數(shù)，則算法將重復上述步驟構建下一個路段，直到其等于總的路段，將停止構建。此外，應將已使用的車速片段從車速候選集中刪除，避免重復使用。

最后，考慮到實際應用中信息傳輸?shù)木窒扌裕僭O獲得的交通信息每300 s進行一次更新[20]。根據(jù)實時更新的交通數(shù)據(jù)，從車輛當前位置到終點站每300 s對工況進行重構，重構的過程與前兩步相同。

3 結果與分析

基于實車的原始行駛數(shù)據(jù)構建的全局工況和相應的實際全局工況，如圖2a和圖2b所示。由圖2可知：實際的全局工況的平均速度大于構建的全局工況的平均速度，所以行駛相同的距離，實際工況所用的時間小于構建的工況所用的時間。由圖2a可知：構建全局工況的最大車速和平均車速分別為43.62 km/h和18.05 km/h；由圖2b可知：實際全局工況的最大車速和平均車速分別為44.37 km/h和19.68 km/h，兩種工況主要特征參數(shù)的相對誤差均未超過10%，基本滿足精度的要求。

為了驗證構建工況的合理性，分別對比構建的工況與實際工況的速度和加速度的概率分布，并利用速度-加速度聯(lián)合概率分布對構建的工況進行綜合分析。圖3分別為兩種工況的速度、加速度概率分布。由圖3可以看出：構建的全局工況和實際的全局工況的速度和加速度概率分布較為吻合。圖4a和圖4b為實際全局工況和構建全局工況的速度-加速度聯(lián)合概率分布。從圖4a可以看出：構建的全局工況速度分布主要集中在0 km/h與25～35 km/h；加速度較為平緩，主要分布在-1.5～1.5 m/s2，與圖4b的狀態(tài)分布十分相似。因此，所構建的工況具有一定的合理性，在一定程度上能夠表征實際道路的行駛工況。

基于實時更新的交通信息，將構建的全局工況每300 s進行一次重構，從而可以更好地反映真實的道路狀況。重構后全局工況的對比如圖5所示，圖5a中從301 s開始的紅線為第1次重構的全局工況，與圖2a構建的全局工況相比，其具有更高的平均速度，但是總體的趨勢相似，因此重構的工況與構建的工況之間具有略微的差異。圖5b中從601 s開始的黃線和圖5c中從901 s開始的紫線分別為第2次和第3次重構工況，由于道路交通信息沒有太大的變化，所以后兩次重構工況與第1次重構工況的總體趨勢相同，但在第2次和第3次重構工況中停車時間相較于第1次有所減少，因此，第2次和第3次重構工況的時間要少于第1次重構工況的時間。

(a) 第1次工況重構

實際的全局工況與基于實時交通信息構建的全局工況的比較如圖6所示。由圖6可知：與基于原始行駛數(shù)據(jù)構建的全局工況的行駛時間相比，基于實時交通信息構建的全局工況的行駛時間與實際全局工況的行駛時間相近，且這兩個全局工況在加速與減速區(qū)間都具有相同的趨勢。兩種工況具體的特征參數(shù)對比見表3。從表3中可以看出：基于實時交通信息構建的工況與實際工況的特征參數(shù)的相對誤差均在5%以內，相較于基于原始行駛數(shù)據(jù)構建的全局工況，基于實時交通信息構建的全局工況精度更高，因此，基于實時交通信息構建的全局工況可以更好地反映實際的道路情況。

圖6 實際的全局工況與基于實時交通信息構建的全局工況對比

車輛在實際行駛過程中駕駛員無法嚴格按照所構建的工況行駛，因此利用AVL-Cruise建立整車的仿真模型，本文選用一款12 m的PHEB為研究對象，其整車主要技術參數(shù)見表4，并聯(lián)合MATLAB/Simulink軟件進行仿真，得到不同行駛工況下的燃油消耗量。原始數(shù)據(jù)構建的全局工況、基于實時交通信息構建的全局工況以及實際全局工況的百公里燃油消耗量，分別為17.84 L、17.28 L和16.97 L, 基于實時交通信息構建的全局工況的百公里燃油消耗量與實際全局工況更為接近，誤差為1.8%，表明基于實時交通信息構建的全局工況可以更好地反映實際道路的行駛狀況。

表3 基于交通信息構建的全局工況與實際全局工況特征參數(shù)對比

表4 整車主要技術參數(shù)表

4 結論

(1)通過車載數(shù)據(jù)終端采集的原始行駛數(shù)據(jù)，利用馬爾可夫理論構建了PHEB的行駛工況，同時利用車載傳感器獲取實時道路信息對構建的行駛工況進行重構。

(2)通過分析工況的特征參數(shù)和速度-加速度概率分布，與基于原始行駛數(shù)據(jù)構建的全局工況相比，基于實時交通信息構建的全局工況與實際全局工況更加吻合。通過仿真分析，在3種不同行駛工況下，基于實時交通信息構建全局工況的百公里燃油消耗量與實際全局工況更為接近，相對誤差僅為1.8%。因此，基于實時交通信息構建的全局工況可以很好地表征實際道路行駛狀況，從而更好地反映整車真實的燃油消耗量。