摘要:為了反映插電式混合動力公交車(PHEB)在實際公交工況運行時的真實油耗，提出了一種基于實時交通信息的工況構建方法。首先，通過車載傳感器獲取實時交通信息，利用D-S證據理論對獲取的多種傳感器信息進行多源信息融合。其次，根據實車采集的原始行駛數據，對車速片段進行劃分。利用馬爾可夫轉移矩陣，結合蒙特卡洛方法構建了全局行駛工況。通過實時更新的交通信息對構建的全局行駛工況進行實時更新，從而進一步反映實時的道路行駛路況。最后，通過與實際工況數據的比較，驗證所提出方法的有效性。研究結果表明:基于實時交通信息構建的行駛工況與實際工況較為吻合，主要特征參數的相對誤差均在5%以內，百公里油耗與實際工況的百公里油耗相對誤差為1.8%。

　　關鍵詞:插電式混合動力公交車;多源信息融合;實時交通信息;工況構建

　　0引言

　　能源短缺和環境污染是全球面臨的巨大挑戰，發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-inhybridelectricbus，PHEB)作為新能源汽車中的典型代表，具有比傳統混合動力汽車更好的經濟性和排放性，已成為極具發展潛力的新能源汽車[2]。在PHEB的設計和開發過程中，行駛工況對PHEB最優的能量分配起著至關重要的作用[3]。目前，大多數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節能的潛力具有重要的意義。

　　公交車論文范例：純電動公交車交叉口節能駕駛策略

　　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，建立了組合優化算法對初始聚類中心進行優化，使構建的行駛工況更加精確。文獻[9]使用聚類方法，將原始的行駛數據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-organizingmaps，SOM)網絡得到的權值作為模糊C均值(fuzzyCmeans，FCM)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據進行預處理，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據，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。隨著智能網聯汽車和智能交通的發展，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據，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300s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，由于道路交通環境復雜，不可控因素過多，獲取有效數據較為困難。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。

　　1.2實時交通信息的多源信息融合

　　D-S證據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境，并準確識別目標車輛。通過D-S證據理論將傳感器獲取的信息進行融合。

　　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據按照特定的規則進行劃分。本文選用采樣頻率為1Hz的車載數據終 端，利用車載數據終端與整車控制器進行通信，通過控制器局域網(controllerareanetwork，CAN)總線獲取車輛原始數據，其主要包括車速、瞬時加速度和時間。采樣時間為1個月，有效數據共603000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。采集的原始行駛數據可以劃分為5668個類似的車速片段。

　　2.2工況構建

　　與短行程方法相比，馬爾可夫法利用狀態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。將獲取的數據發送到交通監測系統，由交通監測系統對獲取的數據進行整合，再將這些交通數據發送給目標車輛，從而為實時工況構建提供有用的信息。

　　根據獲取的實時交通信息和狀態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，從交通監測平臺獲取每個路段的實時交通信息，發送到目標車輛。

　　其次，路段的工況是由車速片段組成，根據當前路段平均車速所對應的車速狀態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q[19]，選擇狀態為q且初始速度與上一路段的末速度值相差小于1km/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，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的局限性，假設獲得的交通信息每300s進行一次更新[20]。根據實時更新的交通數據，從車輛當前位置到終點站每300s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據構建的全局工況和相應的實際全局工況。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。構建全局工況的最大車速和平均車速分別為43.62km/h和18.05km/h;實際全局工況的最大車速和平均車速分別為44.37km/h和19.68km/h，兩種工況主要特征參數的相對誤差均未超過10%，基本滿足精度的要求。

　　4結論

　　(1)通過車載數據終端采集的原始行駛數據，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和速度-加速度概率分布，與基于原始行駛數據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。

　　參考文獻：

　　[1]中國汽車工程學會.節能與新能源汽車技術路線圖2.0[M].北京:機械工業出版社，2020:104-123.

　　[2]高建平，郗建國.新能源汽車概論[M].北京:機械工業出版社，2018:27-31.

　　[3]ZHANGS，XIONGR.Adaptiveenergymanagementofaplug-inhybridelectricvehiclebasedondrivingpatternrecognitionanddynamicprogramming[J].Appliedenergy，2015，155:68-78.

　　[4]姜平.城市混合道路行駛工況的構建研究[D].合肥:合肥工業大學，2011.

　　[5]郭家琛，姜衡，雷世英，等.城市道路汽車行駛工況構建方法[J].交通運輸工程學報，2020，20(6):197-209.

　　[6]曹騫，李君，劉宇，等.基于大數據和馬爾科夫鏈的行駛工況構建[J].東北大學學報(自然科學版)，2019，40(1):77-81.

　　[7]高建平，高小杰.改進模糊C均值聚類法的車輛實際行駛工況構建[J].河南科技大學學報(自然科學版)，2017，38(6):21-27.

　　[8]高建平，孫中博，丁偉，等.車輛行駛工況的開發和精度研究[J].浙江大學學報(工學版)，2017，51(10):2046-2054.

　　[9]苗強，孫強，白書戰，等.基于聚類和馬爾可夫鏈的公交車典型行駛工況構建[J].中國公路學報，2016，29(11):161-169.

　　[10]石琴，馬洪龍，丁建勛，等.改進的FCM聚類法及其在行駛工況構建中的應用[J].中國機械工程，2014，25(10):1381-1387

　　作者：孟垚，高建平，吳瓊，郗建國