CN103745111A

CN103745111A - 纯电动乘用车续驶里程预测方法

Info

Publication number: CN103745111A
Application number: CN201410019021.8A
Authority: CN
Inventors: 薛月菊; 杨敬锋; 张南峰; 李勇; 黄晓琳; 李鸿生
Original assignee: South China Agricultural University
Current assignee: South China Agricultural University
Priority date: 2014-01-15
Filing date: 2014-01-15
Publication date: 2014-04-23
Anticipated expiration: 2034-01-15
Also published as: CN103745111B

Abstract

本发明公开了一种纯电动乘用车续驶里程预测方法，包括下述步骤：S1、采用模糊聚类的方式进行建模；S2、通过模糊时间序列分析算法对纯电动乘用车能耗状况进行建模；S3、建立模糊时间序列模型；S4、将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；S5、结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与路段能耗权值运算最终得到加权能耗预测值；S6、用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成续驶里程；S7、直至路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。本发明通过准确预测续驶里程，可解决目前纯电动乘用车难以实现里程预测的问题。

Description

纯电动乘用车续驶里程预测方法

技术领域

本发明涉及电动乘用车的技术领域，特别涉及一种纯电动乘用车续驶里程预测方法。

背景技术

纯电动乘用车虽然目前在国家节能减排政策下得到较快发展，但由于受其续驶里程的制约，目前仍难以大规模推广，仍处于试点运营状况，尤其是目前充电站规划和实施仍然难以符合实际推广要求的情况下。续驶里程主要受电池容量和运营状况限制，在目前电池技术储能和可靠性仍难以取得突破的情况下，研究者们提出了各种分析与评估续驶里程的方法。在目前阶段，对续驶里程的估算方法大多依赖于对SOC的更准确估算，从而转换成相对准确的续驶里程，因而目前的研究热点集中在如何准确预测SOC上。比较具有代表性的算法，如针对电动汽车用锂离子电池组的能修正初始误差的荷电状态估算方法；针对磷酸铁锂电池给出了其改进的PNGV模型，采用扩展卡尔曼滤波算法完成了SOC的准确估计；对于磷酸铁锂电池，安时积分SOC估算方法中初始SOC的影响最大，应该建立初始SOC的修正算法,对电池的SOC累积误差进行清除以提高精度；采用电化学阻抗谱来分析等效电路模型参数，以研究电池的电压特性和动态功率特性，通过综合分析实际充放电条件的主要特征来提取电池典型的参数辨识工况，并利用粒子群优化算法分析模型参数；此外，修订的伏安法、Kalman算法、神经网络等算法的应用也比较广泛。在进一步提高SOC估算精度情况下，基于锂离子电池电化学模型提出电动公交车续驶里程预测方法、纯电动汽车续驶里程RBF神经网络预测算法、通过分析纯电动汽车行驶中主电路负载电流变化建立其续驶里程计算模型、利用BP神经网络预测电动汽车续驶里程的方法等。就研究者在公开发表信息内容上看，续驶里程的预测的依据主要采用SOC参数作为主要参考，大多采用等速法以及工况法进行预测，所得到延长续驶里程的结论大多倾向于选用低阻力轮胎、进行车身的流线型改进、减轻空车重量、选用高能量电池、动力传动系合理匹配等从电动汽车本身架构以及零配件选用上。然而，影响纯电动乘用车续驶里程的因素，即能耗影响因素还包括时段（早晚高峰）、路况、驾驶员驾驶习惯等因素，为此，本发明利用在已经正常营运的纯电动乘用车行车过程中所产生的数据，结合交通运行指标体系，基于模糊聚类算法和模糊时间序列算法建立纯电动乘用车续驶里程预测模型，为纯电动乘用车充电站规划等提供决策支持。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种一种纯电动乘用车续驶里程预测方法。

本发明的目的通过下述技术方案实现：

纯电动乘用车续驶里程预测方法，包括下述步骤：

S1、以路段能耗为基础，纯电动乘用车营运过程中所有影响因素作为聚类的维度，采用模糊聚类的方式进行建模；

S2、通过模糊聚类中心对路段之间的能耗及影响因素的能耗情况进行描述以及标识后，通过模糊时间序列分析算法对纯电动乘用车能耗状况进行建模；

S3、引进隶属度权值矩阵，将观测值在各模糊集上的隶属度的值作为用模糊矩阵进行预测的权值，建立模糊时间序列模型，反映观测值与各模糊子区间之间的联系的同时，进行预测时候不再需要附加预测规则，从而实现预测的准确率的提升；

S4、对于路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述；

S5、路段能耗及其影响因素经过模糊聚类后，得到能耗聚类中心及其对应路段的实际行驶长度，结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与路段能耗权值运算最终得到加权能耗预测值；

S6、纯电动乘用车营运续驶里程预测的方法是，在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成续驶里程；

S7、在第n+1个路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个路段进行能耗预测，得到其加权能耗预测值后，以第n+1个路段的预测剩余能耗值减去第n+2个路段的预测剩余能耗值，后再次与最低能耗要求值进行比较，直至路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。

优选的，步骤S1之前，还包括步骤S0：建立能耗模型以及等级划分，以已经规划好的行驶线路为基础，将线路按照路段进行划分，每一个路段的线路长度、驾驶员驾驶模型、电流、电压、路况均为影响路段能耗的因素；根据交通运行规律，以每周相同时间的行驶工况和影响能耗的因素为基础、路段平均的能耗平均值为能耗参考，对纯电动乘用车的能耗情况进行划分。

优选的，以纯电动乘用车能耗数据为对象的模糊聚类算法具体步骤如下：

选取随机值ε>0，选定并初始化聚类中心V⁽⁰⁾，使之具有能耗标识，令s=0；

第一步：确定参数b以及初始化模糊分类矩阵U⁽⁰⁾；

第二步：更新U^(s)为U^(s+1)；i=1,…,c;j=1,…,N，并按

进行迭代，并计算U^(s)时的

：

v_{i}^{(s)} = \frac{Σ_{j = 1}^{N} {[\hat{P} (ω_{i} | x_{j}, \hat{θ})]}^{b} x_{j}}{Σ_{j = 1}^{N} {[\hat{P} (ω_{i} | x_{j}, \hat{θ})]}^{b}},

i=1,2,…,c；

第三步：以矩阵范数比较U^(s)和U^(s+1)，如果||U^(s)-U^(s+1)||<ε，迭代停止；否则，s=s+1，返回第二步。

优选的，步骤S2中，路段能耗样本中，标识属性能耗数据、路网运行指标的影响因素、聚类中心样本之间具有时间序列的特征，影响因素的时间序列特征直接影响了路段能耗值，进而对规划线路的能耗分配构成直接影响，为此，建立基于路段样本的时间序列模型，适合于建立续驶里程预测模型。

优选的，步骤S4具体为：

设能耗论域U={u₁,u₂,…,u_n},n=5，论域U的模糊集A_i可以表示为

A_{i} = \frac{f_{A_{i}} (u_{1})}{u_{1}} + \frac{f_{A_{i}} (u_{2})}{u_{2}} + \cdot \cdot \cdot + \frac{f_{A_{i}} (u_{n})}{u_{n}} = \underset{U}{&Integral;} \frac{f_{A_{i}} (u_{k})}{u_{k}}, &ForAll; u_{k} &Element; U, n = 5, k = 1,2, \cdot \cdot \cdot, 5,

其中

是模糊集A_i的隶属函数（可选择三角形、梯形等，根据纯电动乘用车的特性，本文选择等腰梯形作为模糊函数），符号“+”表示连接符

且

u_k为模糊集A_i的一个元素，是元素u_k属于模糊集A_i的隶属度，且隶属函数满足

f_{A_{i}} (u_{k}) &Element; [0,1],

1≤k≤n。

优选的，存在一种模糊关系集R(t-1,t)，并且满足

则F(t)可由F(t-1)推导得出；其中，

为一种关系运算算子，若F(t-1)=A_i，F(t)=A_i，则两个连续数据F(t-1)与F(t)之间的模糊逻辑关系（FLR）可表示为F(t-1)→F(t)，F(t-1)被称为模糊逻辑关系的左边关系，F(t)则为模糊逻辑关系的右边关系；根据纯电动乘用车的实际情况，所有路段能耗的模糊逻辑关系均为唯一对应，可定义模糊逻辑组（FLG），并表示为：F(t-1)→F(t),t=1,2,…,17；对于唯一顺序的模糊时间序列，每个路段的能耗权值表示如下：

W (t) = [w_{1} (t), w_{2} (t), \cdot \cdot \cdot w_{n} (t)]

= [\frac{c_{1} E_{1} (t)}{c_{1} E_{1} (t) + c_{2} E_{2} (t) + \cdot \cdot \cdot + c_{n} E_{n} (t)}, \frac{c_{2} E_{2} (t)}{c_{1} E_{1} (t) + c_{2} E_{2} (t) + \cdot \cdot \cdot + c_{n} E_{n} (t)}, \cdot \cdot \cdot, \frac{c_{n} E_{n} (t)}{c_{1} E_{1} (t) + c_{2} E_{2} (t) + \cdot \cdot \cdot + {c_{n} E_{n} (t)}}]

= [\frac{c_{1} E_{1} (t)}{Σ_{n = 1}^{n} c_{n} E_{n} (t)}, \frac{c_{2} E_{2} (t)}{Σ_{n = 1}^{n} c_{n} E_{n} (t)}, \cdot \cdot \cdot \frac{c_{n} E_{n} (t)}{Σ_{n = 1}^{n} c_{n} E_{n} (t)}]

其中w_n(t)是其中一个路段能耗的权值；c_n为该路段所对应能耗等级模糊隶属度

所对应的去模糊化正态分布值；E_n(t)是该路段对应的聚类中心所对应的能耗值。

优选的，步骤S7的过程中，续驶里程可根据预测剩余能耗值满足最低能耗要求值的情况进行累加，直到算法结束，其累计续驶里程总和即为纯电动乘用车的最大营运续驶里程，即：

L = Σ_{n = 1}^{k} w_{n} (t) L_{n} (t), E_{n} (t) - E_{n - 1} (t) &GreaterEqual; 0 .

本发明相对于现有技术具有如下的优点及效果：

1、充分考虑影响影响纯电动乘用车能耗的各类因素，并且将各类因素进行量化计算，跳出目前以电池剩余能量为核心的预测算法，提出了综合考虑各种因素的数学模型。

2、将驾驶员的驾驶行为转变车辆状态行为予以量化描述，即以加减速、滑行、制动、匀速行驶等进行量化描述。

3、根据纯电动乘用车驾驶情况，必须先定义好目的地，然后根据可选择路径中的路段交通情况等进行能耗预测，从而实现续驶里程的预测。

4、由于纯电动乘用车运行里程影响因素较多，利用交通运行指标预测能耗的时间序列方法并不合适，特别是行驶路段中不断区域之间的交通运行指标差别较大的情况下。本发明提供的方法从研究各种影响因素的模糊聚类方法出发，预测各种影响因素与路段交通工况，结合模糊聚类中心与路段的加权能耗系数，可克服目前模糊时间序列在瞬间突变区域的预测不准确问题。

5、通过规划好的行驶线路，并进行路段长度累加续驶里程的方法可以将续驶里程准确定位到具体路段上。在驾驶过程中若遇到线路调整等，其能耗等也可以随之进行重新计算，这对促进PND、CPND、车载信息服务等行业其较大作用，特别是纯电动乘用车车载信息服务方面，提供简单、快捷、稳定的位置服务。

6、通过准确预测续驶里程，可解决目前纯电动乘用车难以实现里程预测的问题。由于纯电动乘用车续驶里程预测的不准确性，充电站等分布比较单一，直接影响了购车者对纯电动乘用车的购买欲望。根据实际情况建立预测模型，准确预测各种交通工况下的续驶里程，可为充电站规划和推动纯电动乘用车发展提供决策支持。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

如图1所示，本法发明纯电动乘用车续驶里程预测方法，包括下述步骤：

1.1能耗模型及等级划分

不同的路段能耗的差异性导致了纯电动乘用车的能耗必须进行细分并建立不同的模型方可准确对续驶里程进行预测。城市区域行驶路段的工况受路网影响较大，因此纯电动乘用车在不同工况下驾驶其续驶里程必须根据具体的能耗影响因素的具体情况进行预测。传统的根据剩余能量的简单预测方式在实际应用中其准确性难以达到实际使用要求。

纯电动乘用车的能耗模型是根据城市每一个路段的能耗情况进行续驶里程计算，并累加需要行驶的不同路段总和进行计算，因此，纯电动乘用车续驶里程的预测在实际使用中，必须首先输入目的地，规划线路，方可进行预测。

以已经规划好的行驶线路为基础，将线路按照路段进行划分，每一个路段的线路长度、驾驶员驾驶模型、电流、电压、路况（交通运行指标）等均为影响路段能耗的因素。根据交通运行规律，以每周相同时间的行驶工况和影响能耗的因素为基础、路段平均的能耗平均值为能耗参考，对纯电动乘用车的能耗情况进行划分。表1至表5为能耗划分的情况，其数据为城市中心区某工作日的能耗划分情况。能耗划分的具体边界值可根据实际情况进行调整。

表1影响因素能耗分级（电池部分）

Table1The Grading of Energy Consumption Influence Factors（Battery）

表2影响因素能耗分级（交通运行指标部分）

Table2The Grading of Energy Consumption Influence Factors（Traffic Performance Index）

表3影响因素能耗分级（驾驶员行为参数部分）

Table3The Grading of Energy Consumption Influence Factors（Driving Characters）

表4影响因素能耗分级（驾驶员里程参数部分）

Table4The Grading of Energy Consumption Influence Factors（Driving Actual Service Life Characters）

表5影响因素能耗分级（其他部分）

Table5The Grading of Energy Consumption Influence Factors（Other）

1.2续驶里程预测算法

在已经对纯电动乘用车能耗的主要影响因素进行量化后，可建立基于路段的线路能耗模型。

以路段能耗为基础，纯电动乘用车营运过程中所有影响因素作为聚类的维度，采用模糊聚类的方式进行建模。为更好地对能耗进行定性描述，能耗等级以及影响因素等级已经按照实际情况根据专家意见以及实际营运均值数据等进行划分，而模糊聚类中心的数据具有不确定性，同时聚类中心所表达的模型不一定能够准确表达典型能耗状况，因此本文选取典型能耗样本进行标识，使其成为初始化的带标识的聚类中心，并对其他样本数据完成聚类运算，达到更好地完成能耗数据划分的目的，从而建立基于模糊聚类的时间序列能耗分析模型。

聚类算法的每一步迭代中，每一个样本点都被认为是完全属于某一类别。模糊聚类算法放松这一条件，假设是模糊隶属（Fuzzy Membership）于某一类。从根本上说，这种隶属度函数等价于式

中的

其中，

是隶属函数的参数向量。

对于纯电动乘用车能耗影响因素数据集X={x₁,x₂,…,x_N}，N为数据集中元素的个数，c是聚类中心数，最小化全局代价函数为：

J_{fuz} (U, V) = Σ_{i = 1}^{c} Σ_{j = 1}^{n} {[\hat{P} (ω_{i} | x_{j}, \hat{θ})]}^{b} {| | x_{j} - μ_{i} | |}^{2}

s . t . \{\begin{matrix} Σ_{i = 1}^{c} \hat{P} (ω_{i} | x_{j}, \hat{θ}) = 1, &ForAll; j \\ \hat{P} (ω_{i} | x_{j}, \hat{θ}) &Element; [0,1], &ForAll; i, j \\ Σ_{j = 1}^{N} \hat{P} (ω_{i} | x_{j}, \hat{θ}) > 1, &ForAll; i \end{matrix}

其中，V={v₁,v₂,…,v_c}，v_i为ω_i类的中心矢量，μ_i是正态分布的均值，即聚类中心，b是一个用来控制不同类别的混合程度的自由参数，即权值b∈(1,∞)。每个样本点的聚类隶属度函数是归一化的，即

Σ_{i = 0}^{c} \hat{P} (ω_{i} | x_{j}) = 1, i = 1, \cdot \cdot \cdot, c; j = 1, \cdot \cdot \cdot, N

令

表示先验类别概率

求解

和

即可推出

μ_{i} = \frac{Σ_{j = 1}^{n} {[\hat{P} (ω_{i} | x_{j})]}^{b} x_{j}}{Σ_{j = 1}^{n} {[\hat{P} (ω_{i} | x_{j})]}^{b}},

\hat{P} (ω_{i} | x_{j}) = \frac{{(1 / {| | x_{j} - μ_{i} | |}^{2})}^{1 / (1 - b)}}{Σ_{r = 1}^{c} {(1 / {| | x_{j} - μ_{i} | |}^{2})}^{1 / (1 - b)}}

使J_fuz(U,V)达到最小的解。

以纯电动乘用车能耗数据为对象的模糊聚类算法具体步骤如下：

选取随机值ε>0，选定并初始化聚类中心V⁽⁰⁾，使之具有能耗标识，令s=0。

第一步：确定参数b以及初始化模糊分类矩阵U⁽⁰⁾；

第二步：更新U^(s)为U^(s+1)。i=1,…,c;j=1,…,N，并按

进行迭代，并计算U^(s)时的

：

v_{i}^{(s)} = \frac{Σ_{j = 1}^{N} {[\hat{P} (ω_{i} | x_{j}, \hat{θ})]}^{b} x_{j}}{Σ_{j = 1}^{N} {[\hat{P} (ω_{i} | x_{j}, \hat{θ})]}^{b}},

i=1,2,…,c；

通过模糊聚类中心对路段之间的能耗及影响因素的能耗情况进行描述以及标识后，可通过模糊时间序列分析算法对纯电动乘用车能耗状况进行建模。路段能耗样本中，标识属性能耗数据、路网运行指标等影响因素、聚类中心样本之间具有时间序列的特征，影响因素的时间序列特征直接影响了路段能耗值，进而对规划线路的能耗分配构成直接影响，为此，建立基于路段样本的时间序列模型，适合于建立续驶里程预测模型。

引进隶属度权值矩阵，将观测值在各模糊集上的隶属度的值作为用模糊矩阵进行预测的权值，建立模糊时间序列模型，反映观测值与各模糊子区间之间的联系的同时，进行预测时候不再需要附加预测规则，从而实现预测的准确率的提升。需要说明的是，影响因素的权值矩阵反映影响因素的关联性和影响程度，而总体能耗的权值矩阵反映的则是相邻路段的能耗效率状况。

对于路段能耗，根据实际观测值与聚类中心的实际情况，按照正态分布算法，将能耗划分为超高、较高、正常、较低、超低五个能耗状态描述。设能耗论域U={u₁,u₂,…,u_n},n=5，论域U的模糊集A_i可以表示为

A_{i} = \frac{f_{A_{i}} (u_{1})}{u_{1}} + \frac{f_{A_{i}} (u_{2})}{u_{2}} + \cdot \cdot \cdot + \frac{f_{A_{i}} (u_{n})}{u_{n}} = \underset{U}{&Integral;} \frac{f_{A_{i}} (u_{k})}{u_{k}}, &ForAll; u_{k} &Element; U, n = 5, k = 1,2, \cdot \cdot \cdot, 5,

其中是模糊集A_i的隶属函数（可选择三角形、梯形等，根据纯电动乘用车的特性，本文选择等腰梯形作为模糊函数），符号“+”表示连接符

且

u_k为模糊集A_i的一个元素，

是元素u_k属于模糊集A_i的隶属度，且隶属函数满足

f_{A_{i}} (u_{k}) &Element; [0,1],

1≤k≤n。

存在一种模糊关系集R(t-1,t)，并且满足

则F(t)可由F(t-1)推导得出。其中，为一种关系运算算子，若F(t-1)=A_i，F(t)=A_i，则两个连续数据F(t-1)与F(t)之间的模糊逻辑关系（FLR）可表示为F(t-1)→F(t)，F(t-1)被称为模糊逻辑关系的左边关系，F(t)则为模糊逻辑关系的右边关系。根据纯电动乘用车的实际情况，所有路段能耗的模糊逻辑关系均为唯一对应，可定义模糊逻辑组（FLG），并表示为：F(t-1)→F(t),t=1,2,…,17。对于唯一顺序的模糊时间序列，每个路段的能耗权值表示如下：

W (t) = [w_{1} (t), w_{2} (t), \cdot \cdot \cdot w_{n} (t)]

= [\frac{c_{1} E_{1} (t)}{c_{1} E_{1} (t) + c_{2} E_{2} (t) + \cdot \cdot \cdot + c_{n} E_{n} (t)}, \frac{c_{2} E_{2} (t)}{c_{1} E_{1} (t) + c_{2} E_{2} (t) + \cdot \cdot \cdot + c_{n} E_{n} (t)}, \cdot \cdot \cdot, \frac{c_{n} E_{n} (t)}{c_{1} E_{1} (t) + c_{2} E_{2} (t) + \cdot \cdot \cdot + {c_{n} E_{n} (t)}}]

= [\frac{c_{1} E_{1} (t)}{Σ_{n = 1}^{n} c_{n} E_{n} (t)}, \frac{c_{2} E_{2} (t)}{Σ_{n = 1}^{n} c_{n} E_{n} (t)}, \cdot \cdot \cdot \frac{c_{n} E_{n} (t)}{Σ_{n = 1}^{n} c_{n} E_{n} (t)}]

纯电动乘用车营运续驶里程预测的关键部分在于如何确定路段能耗及其影响因素对能耗的影响。续驶里程预测算法流程。路段能耗及其影响因素经过模糊聚类后，得到能耗聚类中心及其对应路段的实际行驶长度，结合经过模糊时间序列所推算的影响因素预测值，经过加权相似性匹配后，得到能耗匹配值，能耗匹配值与路段能耗权值运算最终得到加权能耗预测值，即完成了上文所表述的全部过程。

纯电动乘用车营运续驶里程预测的方法是，在得到加权能耗预测值后，用剩余能耗值减去加权能耗预测值，得到预测剩余能耗值，再换算成续驶里程。

在第n+1个路段中，如果预测剩余能耗值满足最低能耗要求值的情况下，再对n+2个路段进行能耗预测，得到其加权能耗预测值后，以第n+1个路段的预测剩余能耗值减去第n+2个路段的预测剩余能耗值，后再次与最低能耗要求值进行比较，直至路段的预测剩余能耗值少于或者等于最低能耗要求值结束算法。在该过程中，续驶里程可根据预测剩余能耗值满足最低能耗要求值的情况进行累加，直到算法结束，其累计续驶里程总和即为纯电动乘用车的最大营运续驶里程，即：

L = Σ_{n = 1}^{k} w_{n} (t) L_{n} (t), E_{n} (t) - E_{n - 1} (t) &GreaterEqual; 0

需要说明的是，续驶里程是模糊聚类中心对应行驶路段的里程长度累加结果。由于纯电动乘用车的目的地和行驶路段具有不确定性，因此在累加续驶里程时候不同线路对应的能耗和续驶里程有所不同。如果已经完成相同里程的行驶，则其差别体现在不同的剩余能耗值上。若在实际行驶过程中能够获取实际路段能耗值及实际行驶里程，可用实际值替代预测剩余能耗值进行预测运算。该方式既可以实际行驶中提升预测的准确性，又可以在不对续驶里程运算构成任何影响的情况对路段能耗权值的进行动态调整。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims

1.纯电动乘用车续驶里程预测方法，其特征在于，包括下述步骤：

2.根据权利要求1所述的纯电动乘用车续驶里程预测方法，其特征在于，步骤S1之前，还包括步骤S0：建立能耗模型以及等级划分，以已经规划好的行驶线路为基础，将线路按照路段进行划分，每一个路段的线路长度、驾驶员驾驶模型、电流、电压、路况均为影响路段能耗的因素；根据交通运行规律，以每周相同时间的行驶工况和影响能耗的因素为基础、路段平均的能耗平均值为能耗参考，对纯电动乘用车的能耗情况进行划分。

3.根据权利要求1所述的纯电动乘用车续驶里程预测方法，其特征在于，以纯电动乘用车能耗数据为对象的模糊聚类算法具体步骤如下：

第一步：确定参数b以及初始化模糊分类矩阵U⁽⁰⁾；

第二步：更新U^(s)为U^(s+1)；i=1,…,c;j=1,…,N，并按

进行迭代，并计算U^(s)时的

：

v_{i}^{(s)} = \frac{Σ_{j = 1}^{N} {[\hat{P} (ω_{i} | x_{j}, \hat{θ})]}^{b} x_{j}}{Σ_{j = 1}^{N} {[\hat{P} (ω_{i} | x_{j}, \hat{θ})]}^{b}},

i=1,2,…,c；

4.根据权利要求1所述的纯电动乘用车续驶里程预测方法，其特征在于，步骤S2中，路段能耗样本中，标识属性能耗数据、路网运行指标的影响因素、聚类中心样本之间具有时间序列的特征，影响因素的时间序列特征直接影响了路段能耗值，进而对规划线路的能耗分配构成直接影响，为此，建立基于路段样本的时间序列模型，适合于建立续驶里程预测模型。

5.根据权利要求1所述的纯电动乘用车续驶里程预测方法，其特征在于，步骤S4具体为：