基于云端大數(shù)據(jù)的電動汽車低溫續(xù)駛里程工況構(gòu)建

【歡迎引用】 梁禹迪， 董立甲， 劉占國， 等. 基于云端大數(shù)據(jù)的電動汽車低溫續(xù)駛里程工況構(gòu)建[J]. 汽車文摘，2024（XX）： X-XX.

【Cite this paper】 LIANG Y D， DONG L J， LIU Z G， et al. Construction of Low Temperature Driving Range of Electric Vehicles Based on Cloud Big Data[J]. Automotive Digest （Chinese）， 2024（XX）： X-XX.

【摘要】為了構(gòu)建電動汽車的低溫續(xù)駛里程工況，利用用戶自然場景中電動汽車的T-BOX云端大數(shù)據(jù)平臺，應(yīng)用主成分分析選取了速度相關(guān)參數(shù)，通過聚類分析方法獲取了低速、中速和高速的運(yùn)動學(xué)片段，對比了電動汽車在常溫和低溫下的行駛速度差異，根據(jù)概率密度計算結(jié)果建立了適用于低溫試驗(yàn)的速度曲線，同時提取環(huán)境溫度、空調(diào)等級與空調(diào)溫度等維度的信息，分析了環(huán)境溫度與空調(diào)設(shè)置的關(guān)系，得到適用于低溫試驗(yàn)的環(huán)境溫度和空調(diào)設(shè)置信息。結(jié)果表明，低溫與常溫相比，電動汽車低速行駛時間延長了3%，中速和高速的行駛時間分別降低了2%和1%，并且環(huán)境溫度截止至-22 ℃，空調(diào)等級設(shè)置為3級，空調(diào)溫度設(shè)置為26 ℃可以代表大多數(shù)用戶的使用場景，最終構(gòu)建了更加貼近用戶實(shí)際的電動汽車低溫續(xù)駛里程工況。

關(guān)鍵詞：電動汽車；大數(shù)據(jù)；低溫續(xù)駛里程；自然場景

中圖分類號：U467.1" "文獻(xiàn)標(biāo)志碼：A" DOI： 10.19822/j.cnki.1671-6329.20230162

Construction of Low Temperature Driving Range of Electric Vehicles Based on Cloud Big Data

Liang Yudi1，2， Dong Lijia1，2， LiuZhanguo1，2， Zhang Yuanqin1，2， Wang Shiying1，2， Zhu Wei1，2

（1. General Research and Development Institute， China FAW Corporation Limited， Changchun 130013; 2. National Key Laboratory of Advanced Vehicle Integration and Control， Changchun 130013）

【Abstract】 In order to build low-temperature driving range conditions for electric vehicles， this paper utilizes the T-BOX cloud based big data platform for electric vehicles in natural user scenarios， selects speed-related parameters by application principal component analysis， obtaining kinematic fragments of low-speed， medium-speed and high-speed through cluster analysis methods， compares the difference in travel speed of trams at normal temperature and low temperature， establishes a speed curve suitable for low temperature test according to the probability density calculation results， and simultaneously extracts the information of ambient temperature， air conditioning grade and air conditioning temperature. The relationship between ambient temperature and air conditioning setting is analyzed， the ambient temperature and air conditioning setting information suitable for low temperature test are obtained. The results show that compared with normal temperature， the low-speed driving time is extended by 3%， the medium-speed and high-speed driving time are reduced by 2% and 1% respectively， and the ambient temperature setting to -22 ℃， the air conditioning level setting to 3， and the air conditioning temperature setting to 26 ℃ can represent the using scenarios of most users， finally building a low temperature driving rangeworking condition of electric vehicles which is closer to the user’s actual situation.

Key words： Electric vehicle，Big data， Low temperature driving range， Natural scenarios

0 引言

現(xiàn)階段我國燃油車能耗、排放和續(xù)駛里程采用歐洲續(xù)航標(biāo)準(zhǔn)測試工況（New European Driving Cycle， NEDC），該工況主要適用于歐洲國家。為建立更加符合本國道路特征的行駛工況，中汽技術(shù)中心通過大量汽車道路試驗(yàn)，自主建立了基于大量城市和車輛數(shù)據(jù)定義的中國乘用車行駛工況（China Light-duty vehicle Test Cycle-Passenger， CLTC-P）工況。相比于NEDC工況，CLTC-P工況包含的路況信息更能夠代表中國工況特點(diǎn)，涵蓋了城市工況、郊區(qū)工況與高速工況，目前已經(jīng)逐漸應(yīng)用于純電動汽車的續(xù)駛里程測試。然而試驗(yàn)過程中發(fā)現(xiàn)，CLTC-P工況下，環(huán)境溫度為-7 ℃時，電動汽車?yán)m(xù)駛里程衰減了近40%[1]。我國東北地區(qū)冬季十分寒冷，電動汽車在低溫環(huán)境下的續(xù)駛里程縮減問題成為了用戶的關(guān)注焦點(diǎn)，建立一種貼近用戶駕駛習(xí)慣的電動汽車低溫續(xù)駛里程工況成為學(xué)者們重點(diǎn)研究的對象。目前已有學(xué)者開展了電動車輛在低溫時的續(xù)駛里程試驗(yàn)，試驗(yàn)工況除了參考現(xiàn)有標(biāo)準(zhǔn)外，還對空調(diào)進(jìn)行了一些主觀設(shè)定，但低溫續(xù)駛里程測試結(jié)果差異較大，環(huán)境溫度僅考慮-7 ℃不足以反映東北地區(qū)的真實(shí)溫度情況，因此不能作為客觀的續(xù)駛里程標(biāo)準(zhǔn)體系[2-3]。

常規(guī)汽車行駛工況的建立大多是基于城市路況特征，許多國外學(xué)者結(jié)合所在城市交通情況，在私家車上安裝設(shè)備采集真實(shí)的交通特征，從而建立汽車行駛工況[4-5]。而國內(nèi)學(xué)者通常根據(jù)當(dāng)前城市交通流，選取乘用車進(jìn)行大數(shù)據(jù)采集，建立城市駕駛數(shù)據(jù)樣本庫，通過K-means聚類分析和馬爾科夫鏈構(gòu)建具有代表性的行駛工況[6-7]。此方法通常需要提前規(guī)劃行駛路線，且只體現(xiàn)了城市交通情況，缺乏對車輛自然場景的考慮，無法獲取環(huán)境溫度與車內(nèi)電氣設(shè)備的使用狀況。

相比于常規(guī)汽車行駛工況的建立，CLTC-P工況的建立綜合考慮了多種因素，如人口、汽車保有量以及城市交通、地理特點(diǎn)。本文旨在CLTC-P工況速度曲線的基礎(chǔ)上，針對某在售商品車輛用戶的自然駕駛場景，通過對我國冬季東北地區(qū)電動汽車車載T-BOX開展云端大數(shù)據(jù)分析，尋找常溫和低溫條件下用戶行駛速度差異，建立適用于低溫續(xù)駛里程試驗(yàn)的速度曲線，同時提取用戶在行車時低溫環(huán)境溫度與空調(diào)設(shè)置，結(jié)合低溫時車輛多維度特征，構(gòu)建能夠代表用戶駕駛行為的電動汽車低溫續(xù)駛里程工況，為電動汽車低溫續(xù)駛里程測試提供新思路。

1 云端大數(shù)據(jù)平臺與工況參數(shù)

1.1 云端大數(shù)據(jù)平臺

選取市場某在售商品車為研究對象，該型號車輛載有高精度車載終端與云端網(wǎng)絡(luò)通信矩陣，能夠深度讀取車輛定位信息和控制器局域網(wǎng)總線（Controller Area Network， CAN）數(shù)據(jù)并實(shí)時上傳至云端大數(shù)據(jù)平臺。通過經(jīng)緯度定位篩選出行駛區(qū)域在黑龍江、吉林、遼寧以及內(nèi)蒙古部分地區(qū)車輛。在選定時間維度上，車輛所處環(huán)境溫度低于GB/T 18386.1—2021《電動汽車能量消耗量和續(xù)駛里程試驗(yàn)方法第1部分：輕型汽車》要求的（-7±3）℃[8]，大數(shù)據(jù)中車輛具體信息如表1所示。

此云端大數(shù)據(jù)平臺采集的數(shù)據(jù)點(diǎn)數(shù)量過億，涵蓋范圍足夠廣泛，行駛里程和時間充足，數(shù)據(jù)隨機(jī)性較強(qiáng)，路況信息充分，駕駛行為特征存在較大差異，數(shù)據(jù)代表意義較強(qiáng)，可以滿足工況構(gòu)建需求。

1.2 主要參數(shù)選取

1.2.1 速度相關(guān)參數(shù)

冬季東北地區(qū)道路上存在積雪和冰面，路面附著系數(shù)極低，為保證行車安全，車輛的整體行駛速度會有所下降，低速行駛的時間占比相對會更高，加減速的數(shù)值相對較小，因此在建立電動汽車低溫續(xù)駛里程工況時應(yīng)該充分考慮車速相關(guān)參數(shù)的變化。

1.2.2 環(huán)境溫度

低溫環(huán)境下，電池內(nèi)阻增加，放電量下降[9]，環(huán)境溫度降低使電池容量保持率也降低[10-11]，電池續(xù)航能力變差，電池相對容量與環(huán)境溫度關(guān)系如圖1所示。電池的衰減最終會導(dǎo)致電動汽車低溫續(xù)駛里程能力大幅減弱，環(huán)境溫度數(shù)值和續(xù)駛里程測試結(jié)果緊密相關(guān)。

1.2.3 空調(diào)使用信息

作為電動汽車中能量消耗最大的輔助設(shè)備，空調(diào)受到使用環(huán)境的影響較大[13]。不同于傳統(tǒng)燃油車，電動汽車的暖風(fēng)系統(tǒng)通過消耗電能來實(shí)現(xiàn)，根據(jù)GB/T 18386.1—2021《電動汽車能量消耗量和續(xù)駛里程試驗(yàn)方法》，環(huán)境溫度為-7 ℃時，車內(nèi)溫度盡量保持在20～22 ℃[8]。標(biāo)準(zhǔn)中未給出空調(diào)檔位與吹風(fēng)等級，而不同的空調(diào)調(diào)節(jié)方式必然會產(chǎn)生不同的續(xù)駛里程結(jié)果。因此有必要采用大數(shù)據(jù)分析方法，獲取能夠代表大多數(shù)用戶的空調(diào)設(shè)置信息，建立統(tǒng)一的試驗(yàn)標(biāo)準(zhǔn)。

從上述大數(shù)據(jù)平臺中開展數(shù)據(jù)提取工作，獲得滿足條件的信息，如車輛的車速、運(yùn)行時間、加減速度、環(huán)境溫度、空調(diào)溫度和空調(diào)吹風(fēng)等級。原始數(shù)據(jù)采集結(jié)果可夠轉(zhuǎn)化為“4×107行×20列”的大型矩陣，以便進(jìn)一步開展低溫續(xù)駛里程分析。

2 構(gòu)建低溫續(xù)駛里程工況速度曲線

2.1 速度相關(guān)參數(shù)主成分分析

CLTC-P速度曲線涵蓋多種指標(biāo)，如加減速、勻速、怠速和所占的時間比例、最大速度、平均速度、平均加速度以及相對正加速度，這些指標(biāo)通常是構(gòu)建工況的主要研究對象。指標(biāo)中如速度與加速度之間會存在信息交叉，過度選取指標(biāo)會將工況復(fù)雜化，不利于工況的構(gòu)建。采用主成分分析法可以實(shí)現(xiàn)指標(biāo)降維，降低計算與分析難度。

一般情況下，原始輸入數(shù)據(jù)矩陣的大小為i×j，i為原始樣本量，j為指標(biāo)數(shù)量，得到的矩陣用M表示：

[Mx×y=M11…M1j???Mi1…Mij] （1）

式中：[Mx×y]（x=1，2，3…，i；y=1，2，3…，j）為第x個行駛片段中的第y個指標(biāo)。

將指標(biāo)參數(shù)進(jìn)行標(biāo)準(zhǔn)化處理，通過迭代算法就能夠得到主成分的特征值與貢獻(xiàn)率，最終確定速度相關(guān)參數(shù)的主成分。研究指出[14-16]，經(jīng)主成分分析后，行駛車輛的平均速度、平均行駛速度、最大速度和運(yùn)行時間等指標(biāo)的累計貢獻(xiàn)率約80%，足夠表征速度的大部分信息。電動汽車不存在怠速工況，車輛行駛速度v小于0.5 km/h且加速度a小于0.15 m/s2即判定車輛近似停車狀態(tài)。在原始大數(shù)據(jù)庫中不予分析該狀態(tài)，忽略平均速度，只考慮平均行駛速度。將上述指標(biāo)作為大數(shù)據(jù)分析中速度部分的主要參考依據(jù)，實(shí)現(xiàn)原始大數(shù)據(jù)矩陣的降維處理。

2.2 聚類分析與運(yùn)動學(xué)片段

低溫續(xù)駛里程工況速度曲線依托CLTC-P的曲線基本特征進(jìn)行建立，包含低速、中速和高速3種路況類型，其主要特征見表2。

基于前文主成分分析選取的速度相關(guān)指標(biāo)，采用聚類分析算法對運(yùn)動學(xué)片段進(jìn)行分類。將云端大數(shù)據(jù)中的速度相關(guān)參數(shù)按照低速、中速和高速將具有相同速度特征的運(yùn)動學(xué)片段分為3個聚類，工況集合為X=[x1，x2，x3…，xm]，根據(jù)標(biāo)準(zhǔn)確定3個聚類中心Cn（n=1，2，3），通過迭代算法使每個聚類到各自聚類中心的歐式距離平方和D最小：

[D=i=1m（xi-Cn）2] （2）

式中：m為提取工況片段數(shù)量。

通過聚類分析，提取出3類運(yùn)動學(xué)片段的工況數(shù)量如表3所示。從表3中可以看出，低溫環(huán)境下電動汽車低速行駛片段數(shù)占比最高，占總行駛數(shù)的62.3%；中速行駛片段次之，占比為25.9%；高速行駛片段最少，占比為11.8%。

從云端大數(shù)據(jù)庫中經(jīng)聚類分析獲取的運(yùn)動學(xué)片段存在毛刺，車輛速度不能直接使用，經(jīng)B樣條平滑處理以后形成連續(xù)可導(dǎo)的規(guī)則速度曲線，得出的3類運(yùn)動學(xué)片段示例如圖2所示。

2.3 建立低溫續(xù)駛里程速度曲線

電動汽車在低溫與常溫下的速度特征是否存在差異需要進(jìn)一步驗(yàn)證。從云端大數(shù)據(jù)中提取速度指標(biāo)，為控制變量，在大數(shù)據(jù)提取東北地區(qū)中的常溫車輛時，盡量包含前文分析的低溫車輛，避免用戶駕駛行為差異。車速總體范圍控制在0～150 km/h，以1 km/h為間隔細(xì)致劃分速度區(qū)間，共劃分150個速度區(qū)間，提取的速度數(shù)據(jù)點(diǎn)超過1 000萬個。通過累積概率密度計算二者之間的速度差異，得出統(tǒng)計概率特征如圖3、圖4所示。

如圖3所示，當(dāng)行駛車速低于30 km/h時，低溫分布概率要高于常溫分布概率；當(dāng)行駛車速處于30～80 km/h時，低溫與常溫相比概率略有下降；當(dāng)行駛車速超過80 km/h，低溫分布概率要明顯低于常溫分布概率。如圖4所示，低溫與常溫的間距先緩慢增大，后減小直至密度為1。低溫與常溫條件下，電動汽車行駛速度分布的整體區(qū)間相同。詳細(xì)速度劃分后發(fā)現(xiàn)二者存在著明顯差異，與常溫條件下相比，電動汽車低溫條件下低速行駛時間明顯偏多，而中速與高速行駛時間明顯減少。因此在開展電動汽車低溫續(xù)駛里程試驗(yàn)時，應(yīng)該增加低速段試驗(yàn)時間，減少中速段與高速段試驗(yàn)時間。

云端大數(shù)據(jù)提取中剔除了速度近似為0的數(shù)據(jù)，只考慮用戶車輛的車速gt;0 km/h的行駛狀態(tài)，因此在低溫續(xù)駛里程工況的構(gòu)建過程中，保持原有CLTC-P車速為0 km/h的運(yùn)動學(xué)片段的分布情況與持續(xù)時間，只改變行駛速度的分布。低溫續(xù)駛里程工況的速度曲線構(gòu)建過程如圖5所示。

低溫速度曲線的構(gòu)建以CLTC-P曲線為基礎(chǔ)，先將CLTC-P速度曲線切片，暫時移除車速為0 km/h的運(yùn)動學(xué)片段，接著計算低速、中速與高速行駛片段的權(quán)重分布和持續(xù)時間，隨后利用低溫與常溫速度分布的概率差異，重塑低速、中速與高速工況的持續(xù)時間，重新計算出新的低速、中速與高速三種速度段曲線分布，再重新將車速為0 km/h的運(yùn)動學(xué)片段添加進(jìn)去，最終建立電動汽車在低溫下的速度曲線。計算后的低速、中速與高速的時間占比分布如表4所示，構(gòu)建的電動汽車低溫續(xù)駛里程速度曲線如圖6所示。

在原始的CLTC-P速度曲線中，中速行駛部分持續(xù)時間最長、占比最高，為39%。經(jīng)云端大數(shù)據(jù)計算速度概率分布后，電動汽車在低溫時的速度曲線當(dāng)中的低速行駛部分持續(xù)時間最長為40%。相比CLTC-P而言，低溫速度曲線的低速持續(xù)時間提高了3%，中速持續(xù)時間降低了2%，高速持續(xù)時間降低了1%，平均行駛速度下降了1.7%，總行駛時間保持不變。

3 構(gòu)建環(huán)境溫度與空調(diào)設(shè)置參數(shù)

目前低溫續(xù)駛里程試驗(yàn)溫度標(biāo)準(zhǔn)規(guī)定為（-7±3）℃，考慮到東北地區(qū)冬季的實(shí)際溫度特征，標(biāo)準(zhǔn)規(guī)定溫度無法滿足用戶的實(shí)際需求，同時標(biāo)準(zhǔn)中給出的空調(diào)設(shè)置較為籠統(tǒng)，不能作為具體的試驗(yàn)方法。云端大數(shù)據(jù)庫中，每一時刻的采點(diǎn)是多維度的，能夠同時記錄速度、環(huán)境溫度與空調(diào)設(shè)置參數(shù)。本章依據(jù)前文云端大數(shù)據(jù)獲取的運(yùn)動學(xué)片段，開展低溫條件下環(huán)境溫度與空調(diào)設(shè)置參數(shù)等維度的分析。

3.1 環(huán)境溫度

云端大數(shù)據(jù)分析的車輛環(huán)境溫度基本處于-15 ℃及以下，經(jīng)統(tǒng)計分析后得出的環(huán)境溫度分布如圖7所示。運(yùn)動學(xué)片段的整體環(huán)境溫度分布在[-33，-15]℃之間。整體趨勢而言，環(huán)境溫度越低、其占比也越低。根據(jù)統(tǒng)計分析的結(jié)果，當(dāng)環(huán)境溫度為-15 ℃時占比最高為19.13%，當(dāng)環(huán)境溫度為-32 ℃時占比最低為0.17%。當(dāng)環(huán)境溫度≥-22 ℃時，占整體的百分比為95%；當(dāng)環(huán)境溫度處于-24 ℃及以上時，占整體的百分比為98%。根據(jù)本文的工況建立標(biāo)準(zhǔn)，當(dāng)環(huán)境溫度截止至-22 ℃時即可代表95%用戶的低溫駕駛環(huán)境，該溫度遠(yuǎn)低于現(xiàn)有標(biāo)準(zhǔn)設(shè)置的低溫試驗(yàn)環(huán)境溫度。

3.2 空調(diào)參數(shù)設(shè)置

受限于云端大數(shù)據(jù)埋點(diǎn)位置，大數(shù)據(jù)中暫時能夠提供用于低溫續(xù)駛里程試驗(yàn)工況建立的空調(diào)設(shè)置參數(shù)主要有2種，分別是空調(diào)等級與空調(diào)溫度。空調(diào)等級體現(xiàn)了空調(diào)系統(tǒng)吹風(fēng)的檔位高低，數(shù)值越大代表吹風(fēng)量越高，空調(diào)溫度則代表了空調(diào)系統(tǒng)的設(shè)置溫度，不能代表車內(nèi)的實(shí)際溫度。根據(jù)運(yùn)動學(xué)片段的多維度信息，建立環(huán)境溫度-空調(diào)等級-空調(diào)溫度三維關(guān)系，分別計算3者間的相關(guān)性系數(shù)，判斷空調(diào)設(shè)置參數(shù)是否與環(huán)境溫度有關(guān)。

如圖8所示，不同環(huán)境溫度下的空調(diào)等級與空調(diào)溫度分布帶較寬。當(dāng)環(huán)境溫度為-15 ℃時，空調(diào)溫度處于22～32 ℃時，空調(diào)等級范圍為0～7；當(dāng)環(huán)境溫度為-33 ℃時，空調(diào)溫度處于26～32 ℃時空調(diào)等級范圍為3～7。雖然從整體趨勢而言，當(dāng)用戶所處的環(huán)境溫度較低時，空調(diào)等級和空調(diào)溫度設(shè)置趨于高能耗，但分布圖中的關(guān)系曲線波動十分強(qiáng)烈，同一環(huán)境溫度下的空調(diào)設(shè)置幾乎涉及全部空調(diào)等級范圍與空調(diào)溫度范圍，關(guān)系圖中的環(huán)境溫度與空調(diào)設(shè)置相關(guān)性較弱。

相關(guān)系數(shù)計算結(jié)果如表5所示，環(huán)境溫度與空調(diào)等級的相關(guān)系數(shù)為-0.218，相關(guān)性極弱；而環(huán)境溫度與空調(diào)溫度的相關(guān)系數(shù)僅為0.002，二者幾乎不存在相關(guān)性；同時空調(diào)等級與空調(diào)溫度之間的相關(guān)性也微乎其微。

因此可以給出結(jié)論，環(huán)境溫度與空調(diào)設(shè)置之間不存在關(guān)聯(lián)性，在分析空調(diào)設(shè)置時不需要考慮當(dāng)前環(huán)境溫度的具體數(shù)值，低溫條件下空調(diào)設(shè)置參數(shù)與環(huán)境溫度無關(guān)。據(jù)此，根據(jù)運(yùn)動學(xué)片段統(tǒng)計分析車輛行駛過程中空調(diào)等級與空調(diào)溫度的分布情況。

如圖9所示，根據(jù)統(tǒng)計結(jié)果，空調(diào)吹風(fēng)等級的分布等級處于0～7之間，0等級的占比最低，即低溫狀態(tài)下幾乎沒有不開空調(diào)的用戶。隨著空調(diào)等級的增長，其等級占比先增大，用戶采用吹風(fēng)等級為3的占比最高為34%，隨后空調(diào)等級的占比隨空調(diào)等級的增長而下降。

為了統(tǒng)一試驗(yàn)標(biāo)準(zhǔn)，按照各個等級的比例分布進(jìn)行加權(quán)求和，得到低溫工況空調(diào)等級L：

[L=i=17liCii=17Ci] （3）

式中：li、Ci為大數(shù)據(jù)中的空調(diào)等級及對應(yīng)比例，求得空調(diào)等級L為3.28，即低溫續(xù)駛里程試驗(yàn)中空調(diào)設(shè)置等級為3，不管在用戶比例還是在標(biāo)準(zhǔn)統(tǒng)一性，在低溫續(xù)駛里程試驗(yàn)中都更具有代表性。

如圖10所示，空調(diào)溫度分布較為分散，隨機(jī)性較強(qiáng)，用戶采用32 ℃的情況最多，占比24.7%，空調(diào)溫度為22 ℃、26～29 ℃、31～32 ℃之和占整體的95.0%，由于數(shù)據(jù)分散性較強(qiáng)無法直接建立空調(diào)設(shè)置溫度，因此仍需要通過加權(quán)計算來統(tǒng)一規(guī)范空調(diào)溫度標(biāo)準(zhǔn)，獲取空調(diào)設(shè)置溫度T：

[T=i=111tiDii=111Di] （4）

式中：ti為大數(shù)據(jù)中的空調(diào)溫度，Di為其對應(yīng)比例，求得空調(diào)設(shè)置溫度T為26 ℃，即開展低溫續(xù)駛里程試驗(yàn)時，車內(nèi)空調(diào)溫度統(tǒng)一設(shè)置為26 ℃可以代表用戶空調(diào)溫度的平均設(shè)置情況。

4 結(jié)束語

本文根據(jù)電動汽車用戶云端大數(shù)據(jù)信息，應(yīng)用主成分分析和聚類分析方法獲取了低速、中速和高速的運(yùn)動學(xué)片段，通過大數(shù)據(jù)計算電車在常溫與低溫下的速度差異，建立了適用于低溫續(xù)駛里程試驗(yàn)的速度曲線。針對現(xiàn)有低溫續(xù)駛里程試驗(yàn)條件不足的問題，在大數(shù)據(jù)中提取了環(huán)境溫度、空調(diào)等級與空調(diào)溫度等維度信息，分析出環(huán)境溫度與空調(diào)設(shè)置不存在關(guān)聯(lián)性，計算出適用于低溫試驗(yàn)的環(huán)境溫度和空調(diào)設(shè)置信息，確立了低溫試驗(yàn)工況的基本條件，構(gòu)建了較為完整的電動汽車低溫續(xù)駛里程工況。

與傳統(tǒng)的工況建立方法不同，此次工況建立使用的車輛數(shù)據(jù)全部來自于用戶大數(shù)據(jù)，維度信息齊全，路況信息廣泛，駕駛行為特征充分，形成數(shù)據(jù)點(diǎn)過億的原始超大型矩陣，應(yīng)用降維手段將樣本量精簡，提取到工況建立所需的維度信息。通過大數(shù)據(jù)的清洗、計算與分析，大幅縮短了工況建立周期，提升了工況的準(zhǔn)確度性與代表性，能夠高度還原大部分用戶駕駛場景，首次將大數(shù)據(jù)分析方法應(yīng)用到試驗(yàn)工況當(dāng)中，為試驗(yàn)工況建立提供新思路。

研究后續(xù)開展了基于本文大數(shù)據(jù)分析的低溫續(xù)駛里程工況對照試驗(yàn)，包含環(huán)境倉臺架試驗(yàn)與冬季低溫道路實(shí)測2部分，并通過云端數(shù)據(jù)計算出了用戶低溫續(xù)駛里程與車輛電耗，比較后發(fā)現(xiàn)，大數(shù)據(jù)計算結(jié)果與試驗(yàn)結(jié)果高度吻合，成功驗(yàn)證了云端大數(shù)據(jù)分析的可行性以及工況建立的準(zhǔn)確性。該工況逐步應(yīng)用到后續(xù)電動汽車開發(fā)的續(xù)駛里程測試當(dāng)中，形成低溫續(xù)駛里程試驗(yàn)標(biāo)準(zhǔn)。

參 考 文 獻(xiàn)

[1] 劉鵬， 王儒梟， 周博雅， 等. 中國工況在電動汽車?yán)m(xù)航測試中的應(yīng)用[J].汽車實(shí)用技術(shù)， 2022（17）：7-13.

[2] 戴天祿， 隋航， 周博雅， 等.不同環(huán)境溫度下純電動汽車?yán)m(xù)航里程測評方法研究[C]//2019中國汽車工程學(xué)會年會論文集（4）， 2019.

[3] 解難， 胡月昆， 楊帆， 等. 環(huán)境溫度對電動汽車?yán)m(xù)駛里程影響的試驗(yàn)研究[J].重慶理工大學(xué)學(xué)報：自然科學(xué)， 2018， 32（6）：21-24.

[4] HO S H， WONG Y D， CHANG V W C. Developing Singapore Driving Cycle for Passenger Cars to Estimate Fuel Consumption and Vehicular Emissions[J]. Atmospheric Environment， 2014（97）： 353-362.

[5] FOTOUHI A， MONTAZERI-GH M. Tehran Driving Cycle Development Using the K-Means Clustering Method[J]. ScientiaIranica， 2013， 20（2）： 286-293.

[6] 楊忱， 劉淋磊. 基于運(yùn)行大數(shù)據(jù)的重型卡車行駛工況研究[J].汽車實(shí)用技術(shù)， 2019（20）： 61-63.

[7] 曹騫， 李君， 劉宇， 等. 基于大數(shù)據(jù)和馬爾科夫鏈的行駛工況構(gòu)建[J]. 東北大學(xué)學(xué)報：自然科學(xué)版， 2019， 40（1）：77-81.

[8] 國家標(biāo)準(zhǔn)化管理委員會.電動汽車能量消耗量和續(xù)駛里程試驗(yàn)方法第1部分：輕型汽車：GB/T 18386.1—2021[S]. 中國標(biāo)準(zhǔn)出版社， 2021.

[9] 劉冬生， 陳寶林. 磷酸鐵鋰電池特性的研究[J]. 河南科技學(xué)院學(xué)報：自然科學(xué)版， 2012， 40（1）： 65-68.

[10] LIU K， WANG J， YAMAMOTO T， et al. Exploring The Interactive Effects of Ambient Temperature and Vehicle Auxiliary Loads on Electric Vehicle Energy Consumption[J]. Applied Energy， 2018， 227： 324-331.

[11] PANCHAL S， MATHEW M， DINCER I， et al. Thermal and Electrical Performance Assessments of Lithium-ion Battery Modules for An Electric Vehicle Under Actual Drive Cycles[J]. Electric Power Systems Research， 2018， 163： 18-27.

[12] 趙相澤. 鋰離子電池容量與環(huán)境溫度的關(guān)系[J].電子測試， 2020（11）： 110-112.

[13] 王真， 陳健龍. 電動汽車低溫續(xù)航里程研究[J]. 汽車實(shí)用技術(shù)， 2020（14）：1-4+7.

[14] 張林平， 李風(fēng)軍. 基于運(yùn)行大數(shù)據(jù)的汽車行駛工況構(gòu)建與分析[J]. 寧夏師范學(xué)院學(xué)報， 2020， 41（10）： 86-89.

[15] 王沛， 陳勁杰. 基于PCA主成分分析和K-means算法的汽車行駛工況數(shù)據(jù)量化研究[J]. 軟件工程， 2020， 23（3）： 17-21.

[16] 徐宗煌， 林瑤. 基于主成分和聚類分析的汽車行駛工況構(gòu)建[J]. 寧夏大學(xué)學(xué)報（自然科學(xué)版）， 2021， 42（3）： 270-276.

（責(zé)任編輯 梵玲）