CN115935672A - 一种融合工况预测信息的燃料电池汽车能耗计算方法 - Google Patents

Abstract

本发明属于燃料电池汽车技术领域，具体为一种融合工况预测信息的燃料电池汽车能耗计算方法，包括步骤一：完成驾驶员出行工况分类；步骤二：预测驾驶员未来出行工况；步骤三：对样本数据进行训练并获得工况的在线识别结果；步骤四：对车辆能耗与工况特征参数进行相关性和回归分析，生成燃料电池汽车能耗曲线，其结构合理，通过对燃料电池汽车的历史出行工况分类和未来出行工况预测，而后对于历史出行工况数据进行离线训练获得带工况类型的样本数据，并基于学习向量量化算法完成当前出行工况的在线识别，最后对燃料电池汽车能耗与工况特征参数进行相关性及回归分析，生成燃料电池汽车能耗曲线，获得燃料电池汽车能耗。

Description

一种融合工况预测信息的燃料电池汽车能耗计算方法

技术领域

本发明涉及燃料电池汽车技术领域，具体为一种融合工况预测信息的燃料电池汽车能耗计算方法。

背景技术

燃料电池汽车在行驶过程无污染、零排放、低噪音，是一种发展前景优良的新能源汽车。在智能交通***技术的进步下，可以获取未来一段时间的出行轨迹和出行工况信息，驾驶员出行信息对燃料电池汽车的能耗具有一定影响。融合工况预测信息，确定燃料电池汽车的能耗，对于后续预测燃料电池汽车的经济性能与制定燃料电池汽车能量管理策略具有重要价值。

目前国内尚无计算燃料电池汽车能耗的标准方法，有一种方法是获得燃料电池***和动力电池的贡献能量及贡献里程占比，进而计算燃料电池***和动力电池的百公里氢耗和百公里电耗，但计算方法未考虑具体驾驶工况对能耗的实际影响，计算得到的燃料电池汽车能耗与实际能耗相差较大，难以有效预测燃料电池汽车的经济性能且难以为燃料电池汽车能量管理策略的制定提供参考。

基于上述问题，我们提出一种新型的融合工况预测信息的燃料电池汽车能耗计算方法解决上述问题。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于现有技术中存在的问题，提出了本发明。

因此，本发明的目的是提供一种融合工况预测信息的燃料电池汽车能耗计算方法，能够实现融合未来一段出行时间内的工况预测信息，计算燃料电池汽车的能量消耗，有效预测燃料电池汽车的经济性能。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种融合工况预测信息的燃料电池汽车能耗计算方法，其包括如下步骤：

步骤一：完成驾驶员出行工况分类；

驾驶员采用自然驾驶法驾驶车辆完成进行驾驶数据采集，采集设备采取GPS导航仪器，可以得到车辆的经度、维度、海拔、速度信息；由于GPS采集的原始驾驶数据会包含部分不良数据，需要对原始驾驶数据进行预处理，即对于缺失、长期停车、加减速度异常的数据片段进行数据剔除或插值补充；同时还考虑到原始驾驶数据存在一定的随机噪声，采用小波降噪的方法对数据完成降噪处理；对预处理结束的出行数据按照停车、加速、减速和匀速进行划分，共得到m个工况片段，同时提取出表征工况特征的n个特征参数，出行工况便可用矩阵A＝(a_ij)_m×n表示，{a_i1,a_i2,L,a_in}即为第i段工况片段；采用主成分分析的方法对n个特征参数进行降维，降维结果显示前p个主成分的累积方差贡献率超过85％；结合出行工况主成分分析结果，并采用模糊K均值聚类方法对出行工况聚类，得到k类典型工况聚类结果，根据中国实际道路出行情况可得k＝{3,4}，完成驾驶员出行工况分类；

步骤二：预测驾驶员未来出行工况；

在驾驶员实际行驶过程中，可以借助智能交通***获得当前行驶路线上的实时交通状况、交通流拥堵情况、交通信号信息；采用平均车速计算法来定义当前路段的车辆行驶车速，即选取一定时间内该路段中全部行驶车辆的平均车速作为该路段的平均车速，可得路段内平均车速的表达式：

式中，v_K为通过该路段的第K辆车的车速，N该时间段中通过该路段的车辆总数；设置车辆出行的起点和终点经纬度信息，借助智能交通***完成行驶路径规划，将规划行驶路径分割成行驶路段，同时存储各行驶路段的经纬度信息；结合上式(1)、智能交通***环境下的车辆实时经纬度信息以及未来一段时间内的车辆出行路线规划信息，获得车辆的里程-车速信息，经转换处理后获得车辆的时间-车速信息，完成驾驶员未来出行工况预测；

步骤三：对样本数据进行训练并获得工况的在线识别结果；

前期对原始驾驶数据进行预处理、特征参数提取、主成分分析以及K均值聚类分析，获得带工况类型的训练样本数据，依照基于欧几里得贴近度的工况识别模型对样本数据进行识别训练，当识别模型的实际误差不大于设置误差且基本保持稳定时，即可认为基于欧几里得贴近度的工况识别模型训练完毕，可以使用该工况识别模型来进行在线工况识别。采用滑动时间窗口的方法获取当前时刻所处的工况片段，提取过去一段识别周期ΔT内的工况数据并计算其特征参数，为了避免特征参数量级不同带来的影响，还需要采用归一化处理，而后分别计算这段工况与工况分类结果的聚类中心之间的欧几里得贴近度，将当前工况归类到贴近度最小值所对应的工况类型中，即完成工况的在线识别；

步骤四：对车辆能耗与工况特征参数进行相关性和回归分析，生成燃料电池汽车能耗曲线；

工况的变化会明显影响到整车的能耗变化，工况特征参数可较为细致地表征出各类型工况的特点，通常选定平均车速v_ave、车速标准差v_std、平均加速度a_ave、平均减速度a_dave、最大加速度a_max及停车时间比ST_i六个待选特征参数表征工况；对工况特征参数采用控制变量的方法，用散点图表示出和车辆能耗的关系，即在具体操作时以选取的各类典型工况片段为目标工况进行仿真获得对应的能耗结果，然后在MATLAB软件中绘制散点图及相关性曲线，获取k类典型工况的相关性程度较高的特征参数。

作为本发明所述的一种融合工况预测信息的燃料电池汽车能耗计算方法的一种优选方案，其中：所述步骤四中，典型工况特征参数和燃料电池汽车能耗可以通过多元线性回归方程加以描述，如下：

E_ave＝β₀+β₁x_i1+β₂x_i2+L+β_nx_in                            (2)

式中E_ave是各类典型工况片段的每百公里平均能耗，β₀,β₁,L,β_n表示待定参数，x_i1,x_i2,L,x_in是各类典型工况片段与能耗具备相关性的特征参数，待定参数可以借助最小二乘估计法加以确定；可以获得各类典型出行工况下的燃料电池汽车能耗方程，如下：

E_{ave_typei}＝β_{0_typei}+β_{1_typei}gv_ave+β_{2_typei}gv_std+β_{3_typei}ga_ave+β_{4_typei}ga_dave+β_{5_typei}ga_max++β_{6_typei}gST_typei

                         (3)

式中i＝1,2,L,k；

令燃料电池汽车的每百公里平均能耗与实际行驶里程相乘，便可得到燃料电池汽车的实际能耗；获取未来一段时间内的工况预测信息并基于学习向量量化算法在线识别出行工况类型，便可利用下式获得燃料电池汽车的实际

能耗：

E_{FCV_typei}＝E_{ave_typei}×S_typei

＝(β_{0_typei}+β_{1_typei}gv_ave+β_{2_typei}gv_std+β_{3_typei}ga_ave+β_{4_typei}ga_dave+β_{5_typei}ga_max++β_{6_typei}gST_typei)×S_typei

                         (4)

与现有技术相比，本发明的有益效果是：

1.综合考虑了历史出行数据以及未来出行信息对燃料电池汽车能耗的影响，根据所获取的历史出行工况分类和未来出行信息预测结果，完成离线训练和在线识别，充分考虑了中国道路环境下的行驶工况对燃料汽车能耗的影响，在汽车行驶过程中可较为准确且实时地计算燃料电池汽车能耗。

2.基于理论计算模型获得了典型行驶工况特征参数与燃料电池汽车能耗的相关性，并进行回归分析，可以有效预测燃料电池汽车的经济性能且能为燃料电池汽车能量管理策略的制定提供参考。

附图说明

为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明工况预测信息获取的流程示意图；

图2为本发明所述的一种融合工况预测信息的燃料电池汽车能耗计算方法的总体示意图；

图3为本发明提出方法的燃料电池汽车实际能耗计算流程图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。

本发明提供如下技术方案：一种融合工况预测信息的燃料电池汽车能耗计算方法，能够实现融合未来一段出行时间内的工况预测信息，计算燃料电池汽车的能量消耗，有效预测燃料电池汽车的经济性能；

实施例1

参考附图1，工况预测信息获取的主要流程如下：首先，驾驶员设置出行路段的起点/终点并获得经纬度信息；其次，驾驶员根据红绿灯少、距离最短、速度最快、高速优先等出行需求确定个人出行策略，开源智能交通平台将根据起点/终点信息进行路径规划；而后，驾驶员根据出行策略和路径规划得到具体的出行路线，获得出行路线经纬度序列；而后按照交通出行标识物以及道路名称等为分割点，将出行路线分割成多段微小路段，并将分割所得到的每段路线的起点/终点经纬度信息记录在数据库表中；同时，由于交通状况瞬息万变，为保证工况预测信息的精准性，本发明采用车辆在行驶过程中的全球定位***信息来持续更新车辆位置；而后，借助智能交通***实时路径规划获取当前位置经纬度至终点的交通状况信息，以对当前得到的短期工况信息进行修正和补充，实时获取各路段长度以及预计通行时间，即获取出行工况预测信息。

参阅附图2和附图3，根据本发明所述的一种融合工况预测信息的燃料电池汽车能耗计算方法，对步骤细节进行详细描述如下：

步骤一，完成驾驶员出行工况分类：

驾驶员采用自然驾驶法驾驶车辆完成进行驾驶数据采集，采集设备采取GPS导航仪器，可以得到车辆的经度、维度、海拔、速度等信息；由于GPS采集的原始驾驶数据会包含部分不良数据，需要对原始驾驶数据进行预处理，即对于缺失、长期停车、加减速度异常的数据片段进行数据剔除或插值补充；同时还考虑到原始驾驶数据存在一定的随机噪声，采用小波降噪的方法对数据完成降噪处理；对预处理结束的出行数据按照停车、加速、减速和匀速进行划分，共得到m个工况片段，同时提取出表征工况特征的n个特征参数，出行工况便可用矩阵A＝(a_ij)_m×n表示，{a_i1,a_i2,L,a_in}即为第i段工况片段；采用主成分分析的方法对n个特征参数进行降维，降维结果显示前p个主成分的累积方差贡献率超过85％；结合出行工况主成分分析结果，并采用模糊K均值聚类方法对出行工况聚类，得到k类典型工况聚类结果，根据中国实际道路出行情况可得k＝{3,4,5,6}，完成驾驶员出行工况分类；

步骤二，预测驾驶员未来出行工况：

在驾驶员实际行驶过程中，可以借助智能交通***获得当前行驶路线上的实时交通状况、交通流拥堵情况、交通信号等信息；采用平均车速计算法来定义当前路段的车辆行驶车速，即选取一定时间内该路段中全部行驶车辆的平均车速作为该路段的平均车速，可得路段内平均车速的表达式：

式中，v_K为通过该路段的第K辆车的车速，N该时间段中通过该路段的车辆总数；设置车辆出行的起点和终点经纬度信息，借助智能交通***完成行驶路径规划，将规划行驶路径分割成行驶路段，同时存储各行驶路段的经纬度信息；结合上式(1)、智能交通***环境下的车辆实时经纬度信息以及未来一段时间内的车辆出行路线规划信息，获得车辆的里程-车速信息，经转换处理后获得车辆的时间-车速信息，完成驾驶员未来出行工况预测；

步骤三，对样本数据进行训练并获得工况的在线识别结果：

前期对原始驾驶数据进行预处理、特征参数提取、主成分分析以及K均值聚类分析，获得带工况类型的训练样本数据，依照基于欧几里得贴近度的工况识别模型对样本数据进行识别训练，当识别模型的实际误差不大于设置误差且基本保持稳定时，即可认为基于欧几里得贴近度的工况识别模型训练完毕，可以使用该工况识别模型来进行在线工况识别。采用滑动时间窗口的方法获取当前时刻所处的工况片段，提取过去一段识别周期ΔT内的工况数据并计算其特征参数，为了避免特征参数量级不同带来的影响，还需要采用归一化处理，而后分别计算这段工况与工况分类结果的聚类中心之间的欧几里得贴近度，将当前工况归类到贴近度最小值所对应的工况类型中，即完成工况的在线识别；

步骤四，对车辆能耗与工况特征参数进行相关性和回归分析，生成燃料电池汽车能耗曲线：

工况的变化会明显影响到整车的能耗变化，工况特征参数可较为细致地表征出各类型工况的特点，通常选定平均车速v_ave、车速标准差v_std、平均加速度a_ave、平均减速度a_dave、最大加速度a_max及停车时间比ST_i六个待选特征参数表征工况；对工况特征参数采用控制变量的方法，用散点图表示出和车辆能耗的关系，即在具体操作时以选取的各类典型工况片段为目标工况进行仿真获得对应的能耗结果，然后在MATLAB软件中绘制散点图及相关性曲线，获取k类典型工况的相关性程度较高的特征参数。

典型工况特征参数和燃料电池汽车平均能耗可以通过多元线性回归方程加以描述，如下：

E_ave＝β₀+β₁x_i1+β₂x_i2+L+β_nx_in                            (2)

式中E_ave是各类典型工况片段的每百公里平均能耗，β₀,β₁,L,β_n表示待定参数，x_i1,x_i2,L,x_in是各类典型工况片段与能耗具备相关性的特征参数，待定参数可以借助最小二乘估计法加以确定；可以获得各类典型出行工况下的燃料电池汽车能耗方程，如下：

E_{ave_typei}＝β_{0_typei}+β_{1_typei}gv_ave+β_{2_typei}gv_std+β_{3_typei}ga_ave+β_{4_typei}ga_dave+β_{5_typei}ga_max++β_{6_typei}gST_typei

                        (3)

式中i＝1,2,L,k；

令燃料电池汽车的每百公里平均能耗与实际行驶里程相乘，便可得到燃料电池汽车的实际能耗；获取未来一段时间内的工况预测信息并基于学习向量量化算法在线识别出行工况类型，便可利用下式获得燃料电池汽车的实际

能耗：

E_{FCV_typei}＝E_{ave_typei}×S_typei

＝(β_{0_typei}+β_{1_typei}gv_ave+β_{2_typei}gv_std+β_{3_typei}ga_ave+β_{4_typei}ga_dave+β_{5_typei}ga_max++β_{6_typei}gST_typei)×S_typei

                          (4)

虽然在上文中已经参考实施方式对本发明进行了描述，本技术领域中的普通技术人员应当意识到，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (2)

1.一种融合工况预测信息的燃料电池汽车能耗计算方法，其特征在于：包括如下步骤：

步骤一：完成驾驶员出行工况分类；

驾驶员采用自然驾驶法驾驶车辆完成进行驾驶数据采集，采集设备采取GPS导航仪器，可以得到车辆的经度、维度、海拔、速度信息；由于GPS采集的原始驾驶数据会包含部分不良数据，需要对原始驾驶数据进行预处理，即对于缺失、长期停车、加减速度异常的数据片段进行数据剔除或插值补充；同时还考虑到原始驾驶数据存在一定的随机噪声，采用小波降噪的方法对数据完成降噪处理；对预处理结束的出行数据按照停车、加速、减速和匀速进行划分，共得到m个工况片段，同时提取出表征工况特征的n个特征参数，出行工况便可用矩阵A＝(a_ij)_m×n表示，{a_i1,a_i2,L,a_in}即为第i段工况片段；采用主成分分析的方法对n个特征参数进行降维，降维结果显示前p个主成分的累积方差贡献率超过85％；结合出行工况主成分分析结果，并采用模糊K均值聚类方法对出行工况聚类，得到k类典型工况聚类结果，根据中国实际道路出行情况可得k＝{3,4,5,6}，完成驾驶员出行工况分类；

步骤二：预测驾驶员未来出行工况；

在驾驶员实际行驶过程中，可以借助智能交通***获得当前行驶路线上的实时交通状况、交通流拥堵情况、交通信号信息；采用平均车速计算法来定义当前路段的车辆行驶车速，即选取一定时间内该路段中全部行驶车辆的平均车速作为该路段的平均车速，可得路段内平均车速的表达式：

式中，v_K为通过该路段的第K辆车的车速，N该时间段中通过该路段的车辆总数；设置车辆出行的起点和终点经纬度信息，借助智能交通***完成行驶路径规划，将规划行驶路径分割成行驶路段，同时存储各行驶路段的经纬度信息；结合上式(1)、智能交通***环境下的车辆实时经纬度信息以及未来一段时间内的车辆出行路线规划信息，获得车辆的里程-车速信息，经转换处理后获得车辆的时间-车速信息，完成驾驶员未来出行工况预测；

步骤三：对样本数据进行训练并获得工况的在线识别结果；

前期对原始驾驶数据进行预处理、特征参数提取、主成分分析以及K均值聚类分析，获得带工况类型的训练样本数据，依照基于欧几里得贴近度的工况识别模型对样本数据进行识别训练，当识别模型的实际误差不大于设置误差且基本保持稳定时，即可认为基于欧几里得贴近度的工况识别模型训练完毕，可以使用该工况识别模型来进行在线工况识别。采用滑动时间窗口的方法获取当前时刻所处的工况片段，提取过去一段识别周期ΔT内的工况数据并计算其特征参数，为了避免特征参数量级不同带来的影响，还需要采用归一化处理，而后分别计算这段工况与工况分类结果的聚类中心之间的欧几里得贴近度，将当前工况归类到贴近度最小值所对应的工况类型中，即完成工况的在线识别。

步骤四：对车辆能耗与工况特征参数进行相关性和回归分析，生成燃料电池汽车能耗曲线；

工况的变化会明显影响到整车的能耗变化，工况特征参数可较为细致地表征出各类型工况的特点，通常选定平均车速v_ave、车速标准差v_std、平均加速度a_ave、平均减速度a_dave、最大加速度a_max及停车时间比ST_i六个待选特征参数表征工况；对工况特征参数采用控制变量的方法，用散点图表示出和车辆能耗的关系，即在具体操作时以选取的各类典型工况片段为目标工况进行仿真获得对应的能耗结果，然后在MATLAB软件中绘制散点图及相关性曲线，获取k类典型工况的相关性程度较高的特征参数。

2.根据权利要求1所述的一种融合工况预测信息的燃料电池汽车能耗计算方法，其特征在于：所述步骤四中，典型工况特征参数和燃料电池汽车能耗可以通过多元线性回归方程加以描述，如下：

E_ave＝β₀+β₁x_i1+β₂x_i2+L+β_nx_in    (2)

式中E_ave是各类典型工况片段的每百公里平均能耗，β₀,β₁,L,β_n表示待定参数，x_i1,x_i2,L,x_in是各类典型工况片段与能耗具备相关性的特征参数，待定参数可以借助最小二乘估计法加以确定；可以获得各类典型出行工况下的燃料电池汽车能耗方程，如下：

E_{ave_typei}＝β_{0_typei}+β_{1_typei}gv_ave+β_{2_typei}gv_std+β_{3_typei}ga_ave+β_{4_typei}ga_dave+β_{5_typei}ga_max++β_{6_typei}gST_typei

(3)

式中i＝1,2,L,k；

令燃料电池汽车的每百公里平均能耗与实际行驶里程相乘，便可得到燃料电池汽车的实际能耗；获取未来一段时间内的工况预测信息并基于学习向量量化算法在线识别出行工况类型，便可利用下式获得燃料电池汽车的实际能耗：

E_{FCV_typei}＝E_{ave_typei}×S_typei

＝(β_{0_typei}+β_{1_typei}gv_ave+β_{2_typei}gv_std+β_{3_typei}ga_ave+β_{4_typei}ga_dave+β_{5_typei}ga_max++β_{6_ typei}gST_typei)×S_typei

(4)

Images