基于城市物流的兩輪電動車續駛測試工況構建

摘要：為準確測試兩輪電動車真實行駛狀態下的實際續駛里程，使用全球定位系統（global positioning system，GPS）車速表和指南針應用軟件采集2位外賣配送員在合肥市城區和城郊一周的實際行駛數據，綜合考慮車速、路況等因素，采用主成分分析和K-means聚類分析方法，構建準確反映兩輪電動車實際行駛狀況的綜合測試工況。分析結果表明：采用主成分分析和K-means聚類分析方法構建的工況更貼近兩輪電動車日常使用場景，可以為其續駛能力評測提供更加科學的依據。

關鍵詞：測試工況；主成分分析；K-means聚類分析；兩輪電動車；續駛里程

中圖分類號：U492.22文獻標志碼：A文章編號：1673-6397（2024）06-0060-08

引用格式：張琪，王文彬，屈恒博，等.基于城市物流的兩輪電動車續駛測試工況構建［J］.內燃機與動力裝置，2024，41（6）：60-67.

ZHANG Qi，WANG Wenbin，QU Hengbo，et al. Construction of driving test conditions for a two-wheeled electric vehicle based on urban logistics［J］.Internal Combustion Engine amp; Powerplant， 2024，41（6）：60-67.

0 引言

隨著城市化進程的加快，兩輪電動車因環保、便捷和機動靈活的特點，在城市日常通勤和城市快速物流中發揮重要作用^[1-3]。相比城市通勤，用于城市快速物流的兩輪電動車的工作時間普遍較長（一般每天為8～10 h），對能量消耗與續駛里程的要求較高^[4-5]。

當前市場上兩輪電動車的續駛能力評測標準存在不足，多數車企仍然采用每100 km消耗的電量，通常采用等速法測試車輛的續駛里程，測試工況較簡單^[6-7]。兩輪電動車在實際行駛過程中，由于頻繁起停、行駛路況變化以及城市交通規劃等消耗的能量存在差異，等速測試工況很難準確反映兩輪電動車的真實使用狀況，導致兩輪電動車生產企業測試的標稱續駛里程與消費者的實際體驗存在較大差異。這種現象不僅導致兩輪電動車行業內續駛能力的夸大宣傳，也給消費者尤其是城市快速物流行業的兩輪電動車駕駛者帶來了困擾。

為保證兩輪電動車行駛工況更貼近用戶的日常使用場景，本文中利用全球定位系統（global positioning system，GPS）車速表和指南針應用軟件采集外賣員一周的行駛數據，運用主成分分析^[8-10]和K-means聚類分析^[11-12]統計學方法進行數據處理，在綜合考慮車速、路況和停車頻率等因素的基礎上，建立能夠準確反映兩輪電動車在城市快速物流行業實際行駛狀況的綜合測試工況，為兩輪電動車真實行駛下的續駛能力評測提供更加科學的依據。

1 數據來源及采集

邀請合肥市的2位外賣配送員參與試驗，一位為全職外賣員，主要負責城郊區域的配送任務；另一位為兼職外賣員，主要在城區內工作。測試車輛為行業內具有廣泛代表性且符合文獻[13]要求的型號為E10lite-D運動版兩輪電動車。

合肥市城區與城郊路段可以覆蓋兩輪電動車在城市快速物流領域中的典型使用場景，2名外賣員的駕駛信息分別代表城區和城郊2種不同的行駛環境，數據集能夠覆蓋兩輪電動車在城市快速物流領域中的典型使用場景，包括不同的交通密度、道路條件和行駛模式。為精確記錄外賣員在日常送餐過程中的行駛數據，采用GPS車速表和指南針應用軟件作為數據采集工具，安裝在外賣員的手機上，應用軟件運行示意圖如圖1所示。為了應對潛在的設備故障或數據丟失風險，本次測試中使用備用機和車速表應用軟件，外賣員將備用的GPS車速表放在車后座的座桶中正常送單，保障數據采集的連續性和完整性。

在數據采集期間，外賣員按照日常的工作流程進行配送，無需進行任何特殊操作，以保證數據的真實性和自然性，數據采樣周期為1 s，記錄頻率為每2～3 h一次，涵蓋兩輪電動車的運動速度與行駛距離等關鍵參數。數據采集結束后，對收集的數據進行系統整理與分析，評估兩輪電動車的實際性能。全職和兼職外賣員測試數據如表1、2所示。

由表1、2可知：全職外賣員測試時間為7 d，最高時速達到42 km/h，行駛里程為860.04 km，總行駛時間為83.88 h，平均速度為10.25 km/h；兼職外賣員測試時間為6 d，最高時速達到42 km/h，行駛里程為243.47 km，行駛時間為26.07 h，平均速度為9.34 km/h。

2 行駛工況構建

2.1 數據預處理及運動學片段劃分

由于數據采集過程中存在大量的環境噪聲，使用移動均值濾波算法對數據進行濾波處理。為了便于處理和分析較大規模的行駛工況數據，定義一個運動學片段為：從兩輪電動車處于怠速狀態開始，經歷加速、勻速、減速直至下一個怠速狀態的完整區間。整個數據集被劃分為多個運動學片段，其中怠速段為兩輪電動車速度低于2 km/h的連續過程。典型的運動學片段如圖2所示。定義運動學片段后，為保證后續分析的數據質量及有效性，需進行異常片段的識別與剔除工作。如果在一個片段中出現了異常的加減速數據（如加速度大于4 m/s²或減速度小于-8 m/s²），舍棄該片段；此外，為了確保測試工況能夠代表大多數日常駕駛情況，剔除那些極端的短時間或長時間片段（如片段的總時間少于40 s或超過500 s），提高數據集的代表性和實用性；如果每個片段中的怠速階段持續時間超過180 s，只保留前180 s的數據，超出部分將被剔除。采集的城市行駛工況原始數據時間總量為92 185 s，經過異常片段的剔除處理后，最終獲得的預處理完整數據集的時間為91 175 s，運動學片段為496個。

2.2 特征參數提取

特征參數對準確描述運動學片段至關重要。雖然更多的參數能提高描述的準確性，但也可能引入計算冗余^[14]。在本研究中，選擇15個關鍵特征參數詳細描述運動學片段的信息，如表3所示。

2.3 主成分分析

計算所有運動學片段的特征參數后，對15個特征參數進行分析處理。由于這些參數具有較高維度且相互間可能存在相關性，易導致信息冗余，增加計算需求，因此為簡化分析，采用主成分分析法進行降維處理^[15]。主成分分析法通過正交變換將可能存在相關性的變量轉換為一組線性不相關的變量，即主成分^[16]。主成分分析法分析步驟為：數據標準化、計算相關系數矩陣、求解相關系數矩陣和特征向量矩陣、求解主成分貢獻率、求解主成分得分。

2.3.1 數據標準化

由于運動學片段各特征參數的單位不一致，為了更好地進行統一分析，對參數進行標準化處理。

首先，構建表示運動學片段的特征參數的參數矩陣

X=x11x12…x1jx21x22…x2jxi1xi2…xij，（1）

式中：xab為第a個運動學片段的第b個特征值，a=1，2，…，i；b=1，2，…，j。

對X進行標準化處理，得到標準化矩陣

Z=z11z12…z1jz21z21…z2jzi1zi2…zij，（2）

式中：zab=xab－x-bσb，其中σ²b為X中第b個特征參數的方差，σ²b=1i∑ⁱa=1xab－x-b²，x-b為X中第b個特征參數的均值，x-b=1i∑ⁱa=1xab。

2.3.2 相關系數矩陣

根據X計算相關系數矩陣

R=r′11r′12…r′1jr′21r′22…r′2jr′j1r′j2…r′jj，（3）

式中：r′mn為經過標準化處理后相關系數的值，r′mn=rmn σ²mσ²n，其中，rmn為X中第m個特征參數與第n個特征參數之間的相關系數，σ2m和σ2n分別為X中第m個特征參數和第n個特征參數的方差，m=1，2，…，j， n=1，2，…，j；rmn=∑ia=1xam－x-mxan－x-n∑ia=1xam－x-m2∑ia=1xan－x-n2，xam和xan分別為X中第a個運動學片段的第m個特征參數和第n個特征參數；x-m和x-n分別為X中第m個特征參數和第n個特征參數的均值。

2.3.3 相關系數矩陣的特征值λ和特征向量矩陣P

根據式det （ λE-R ）=0，可求得相關系數矩陣R的特征值及其對應的正交特征向量。將λ從大到小排序，即λ1gt;λ2gt;……gt;λj≥0，特征向量矩陣P也按照特征值的降序排列。

2.3.4 求解主成分貢獻率

主成分貢獻率表示單個主成分方差占所有主成分方差的比，反映特征參數信息的聚合程度。第k個主成分的貢獻率

φk=λk∑jn=1λn。（4）

主成分累積貢獻率用來衡量前k個主成分共同對總方差的貢獻程度。主成分累積貢獻率

ψk=∑^kn=1λn∑^jn=1λn。（5）

主成分特征值、貢獻率及累積貢獻率計算結果如表4所示。

為了確保降維過程中保留足夠的工況特征信息，主成分的累積貢獻率需超過80%，并且每個主成分的特征值需大于1。由表4可知：前4個主成分的特征值均大于1，且累積貢獻率達到了86.46%。因此，在此項研究中，選取前4個主成分代表原有的15個特征參數。

2.3.5 主成分得分

將標準化的參數矩陣Z與特征向量矩陣P相乘，得到主成分得分矩陣

T=Z·P。（6）

在主成分得分矩陣中，前4個主成分的得分如表5所示。

由表5可知：前4個主成分得分可以反映各個運動學片段在這4個主成分上的表現，有效減少了數據維度，同時保留了主要信息，使數據處理更加高效，便于進行K-means聚類分析。

2.4 K-means聚類分析

在兩輪電動車行駛工況的數據處理中，聚類能夠對不同駕駛環境下收集的數據進行分類，生成多樣化的行駛模式，對建立精確的車輛行駛工況模型至關重要。K-means是一種基于距離的迭代算法，是最常見的聚類方法之一。該方法首先確定簇的數量p，隨后選擇p個初始聚類中心，并根據各數據點到這些中心的距離進行分類；之后，重新計算每個簇的中心，并重復這一過程直至達到穩定狀態^[17]。為了評估不同數量的聚類中心對運動學片段分類效果的影響，本文中采用輪廓系數s作為評價指標。輪廓系數通過對比樣本點與同簇內其他點及不同簇內點的相似性量化聚類質量，s∈[-1，1]，其中s接近1表明聚類效果良好，即同簇內樣本點相似度高而不同簇間樣本點差異顯著；若s接近-1，表明聚類效果不佳。

輪廓系數

s=（c-d）/max（c，d），（12）

式中：c為樣本點與其所在簇內其他點的平均距離，d為樣本點與最近鄰簇內點的平均距離。本文中使用歐式距離作為距離度量標準。

由式（12）結合本文中的聚類分析可知：當聚類中心數為2時，平均輪廓系數最接近1，即不同類別的分離度和同類內的緊密度均達到最優水平，實現最佳的聚類效果。此外，可根據數據來源的特點，將工況分為城區工況和城郊工況兩類。本文中將運動學片段的15個參數特征提取為前4個主成分，并對微行程片段執行K-means聚類分析，設定聚類數為2并進行100次迭代。聚類中心的計算結果如表6所示。

由于參數維度仍然較高，難以直接用圖形表示，主成分1、2的總貢獻率達到69.5%，可以代表大多數參數特征信息，因此，選擇主成分1、2展示聚類效果，結果如圖3所示。由圖3可知：通過K-means聚類分析將具有相似特征參數的運動學片段分為兩類，兩類之間有清晰的邊界，且分布較均勻；大部分樣本靠近各自的聚類中心，表明它們具有良好的代表性。

為了深入理解各類工況，本文中挑選了每類中與聚類中心點歐氏距離最近的樣本進行分析，這些樣本體現了各自工況的關鍵特性，有助于分析兩輪電動車在不同駕駛條件下的行駛特點。城市道路行駛工況車速-時間曲線圖如圖4所示，城市道路行駛工況相關參數如表7所示。

由圖4和表7可知：1）城區工況的平均速度和最大速度較低，這主要是由于城區內的交通限制較多，包括交通信號燈、行人過街、擁堵以及各種障礙物；城郊通常交通限制較少，道路狀況較好，因此，城郊工況的平均速度和最大速度均較高。2）城區和城郊工況速度變化的頻率和行駛的穩定性也不同，城區工況的平均加速度和平均減速度較大，意味著車輛頻繁地加速和減速，這是因為城區交通狀況復雜，兩輪電動車需要不斷地適應交通信號的變化和其他道路使用者的行為，此外，城區工況下怠速時間比較多，表明等待紅綠燈或交通擁堵次數較多；相比之下，城郊工況的平均加速度和平均減速度較小，勻速行駛時間多，這是因為城郊的交通流量較小，道路開闊，兩輪電動車可以長時間保持較為穩定的速度，減少了因交通信號或擁堵而停車的次數。

3 綜合行駛工況合成

將上述兩個行駛里程大致相等的工況進行整合，構建一個全面反映城市交通環境的綜合行駛工況，綜合行駛工況的相關參數如表8所示，車速-時間曲線圖如圖5所示。

為了驗證構建的城市工況的有效性，本研究選取了7個關鍵參數進行相對誤差分析，這些參數包括平均速度、平均加速度、平均減速度、怠速時間比、加速時間比、勻速時間比以及減速時間比。全面評估所構建工況與實際兩輪電動車行駛工況之間的相似度，結果如表9所示。由表9可知：相關參數的最大相對誤差為9.13%，均在10%以內，與兩輪電動車實際行駛工況相近，能夠比較準確地反映合肥市的實際兩輪電動車的行駛狀況，構建工況可用于準確評估兩輪電動車的實際續駛里程，反映兩輪電動車的真實行駛情況。

4 結論

分析了2位外賣配送員在合肥市城區和城郊的兩輪電動車行駛數據，構建了能夠準確反映兩輪電動車實際使用狀況的綜合測試工況，準確評估兩輪電動車的實際續駛里程，反映兩輪電動車的真實行駛情況。

1）利用GPS車速表和指南針應用軟件收集兩輪電動車的詳細行駛數據，結合主成分分析和K-means聚類分析，識別了影響兩輪電動車行駛的關鍵因素，建立綜合行駛測試工況模型，并進行了模型驗證。

2）本研究提出的綜合行駛工況模型對于兩輪電動車的續駛能力評測提供了重要的參考依據，有助于解決現有評測標準與用戶實際體驗之間的差距。

3）未來的研究可以進一步擴展數據集，涵蓋更多樣化的氣候條件和地理環境，以提高模型的普適性和可靠性。

參考文獻：

[1] 羅克研.奔跑的電動自行車 新國標下的兩輪電動車市場觀察[J].中國質量萬里行， 2022 （8）：4-5.

[2] 栗建昌，吳書光，賈云鵬. “以換代充”為電動自行車安全續航[J].瞭望， 2024（29）：57-58.

[3] 丁立民，王蒙.關注電動自行車[J].道路交通與安全， 2002（3）：9-13.

[4] 牛路明，張顯，靳超，等.電動摩托車和電動輕便摩托車能量消耗率試驗方法探討[J].摩托車技術， 2022（5）：53-56.

[5] 李加慶，崔宏飛，劉華民，等.電動摩托車續駛里程和能量消耗率試驗方法研究[J].小型內燃機與車輛技術，2016， 45（2）：58-62.

[6] 中華人民共和國工業和信息化部.電動摩托車和電動輕便摩托車續駛里程及殘電指示試驗方法：GB/T 24157—2017[S].北京：中國標準出版社，2017.

[7] WEI Y J，CHEN Z，YE Z S， et al.High-dimensional process monitoring under time-varying operating conditions via covariate-regulated principal component analysis[J].Reliability Engineering and System Safety， 2024， 252：110440.

[8] 鄧依，張靜，鐘日晨，等.基于機器學習的主成分分析方法在金礦類型判別中的應用：以黃鐵礦元素地球化學特征為例[J].巖石學報， 2024， 40（6）： 1801-1816.

[9] 廖瑩，劉巍，李軍國，等.基于主成分分析的飼料級磷酸鹽理化特性評價[J].農業工程學報， 2024，40（11）：299-306.

[10] KHAN K I， DAUD B H， ZAINUDDIN B N，et al.Determining the optimal number of clusters by enhanced gap statistic in K-mean algorithm[J].Egyptian Informatics Journal， 2024， 27：100504.

[11] DING Y Q，NIE M G，XU Y Z，et al.A classification method of earthquake ground motion records based on the results of K-Means clustering analysis[J].Buildings，2024，14 （6）：1831.

[12] 徐建閩，臧鵬，首艷芳.基于ARIMA模型和K-means聚類分析的動態規劃算法[J].重慶交通大學學報（自然科學版）， 2022， 41（7）：9-13.

[13] 中華人民共和國工業和信息化部.電動自行車安全技術規范：GB 17761—2018[S].北京：中國標準出版社，2018.

[14] 董軍，朱丹，許靜雯，等.基于速度特征參數的營運車輛樣本提取研究[J].交通節能與環保，2020，16（6）：39-41.

[15] 魏寧果， 范芳芳， 安瑜， 等.基于主成分和聚類分析的不同產地花椒脂肪酸組成的研究[J].中國調味品，2024，49（8）：170-174.

[16] SOUMITA M.Finding groups in data： an introduction to cluster analysis[J].Journal of Applied Statistics， 2024， 51（8）：1618-1620.

[17] 趙文涓，程雨涵，李梅.基于改進K-means算法的排水管網監測點位優化[J].環境監測管理與技術， 2024， 36（1）：79-83.

Construction of driving test conditions for a two-wheeled electric vehicle

based on urban logistics

ZHANG Qi， WANG Wenbin， QU Hengbo， LAN Song*

College of Automotive and Transportation Engineering， Hefei University of Technology， Hefei 230009， China

Abstract：To accurately test the actual range of two-wheeled electric vehicle and reflect their real-world driving conditions， GPS speedometers and compass application software are used to collect one week′s worth of actual driving data from two food delivery workers in both urban and suburban areas of Hefei city. Considering factors such as vehicle speed and road conditions comprehensively， principal component analysis （PCA） and K-means clustering methods are employed to construct a comprehensive testing scenario that can accurately reflect the actual operating conditions of two-wheeled electric vehicle. The analysis results show that the scenarios constructed using PCA and K-means clustering methods are closer to the daily usage scenarios of two-wheeled electric vehicle， which can provide a more scientific basis for evaluating their range capabilities.

Keywords：test condition; principal component analysis; K-means clustering analysis; two-wheeled electric vehicle; driving range

（責任編輯：劉麗君）