一种基于典型工况识别的电动公交车辆能量预测方法技术

本发明专利技术属于交通运输及储能领域，公开了一种基于典型工况识别的电动公交车辆能量预测方法，包括采集历史行驶数据；通过插值法以及小波包函数分解对数据进行预处理，定义行驶过程中的工况块，并将历史行驶数据作工况块划分；提取并计算工况块中的特征参数；采用主成分分析与遗传优化的K均值聚类法，对划分的工况块进行聚类；精选出典型工况块构建车辆典型工况下的能量样本空间；采用RBF神经网络对样本空间进行学习、训练，最终构建电动公交车辆在不同工况下的加速/制动能量供需预测模型。本方法兼顾考虑了不同工况下电动公交车辆加速/制动时的能量需求与损耗规律，为电动公交车辆混合储能系统的控制策略提供了可靠的设计依据。计依据。计依据。

【技术实现步骤摘要】
一种基于典型工况识别的电动公交车辆能量预测方法


[0001]本专利技术属于交通运输及储能领域，具体的说是涉及一种基于典型工况构建的电动公交车辆能量预测方法。

技术介绍

[0002]随着人们的生活越来越离不开现代交通运输，交通运输业所造成的能源消耗与空气污染问题也越发加剧。世界各国政府积极采取一系列措施来减轻交通运输业对化石燃料的依赖，其中交通运输电气化成为了大众提倡且较为实用的一种方法，车辆电动化也成为了交通运输业发展的一种必然趋势。近二十年来电动汽车、地铁、高速铁路等都得到了快速发展，针对上述各类车辆的能源存储与运行性能都得到了重大突破。如今在日常生活中电动公交车辆凭借其优势已逐步取代了传统燃油式公交车辆，然而实际的复杂运行环境使得电动公交车辆的能源利用率较低，大功率充放电情况较多，不利于车辆动力电池的健康。以新型电动公交车辆为例，在实际工作行驶过程中，电动公交车辆不可避免地需要进行频繁加速、制动，这也造成车载动力电池也需要频繁地进行大功率充放电，导致车载动力电池容量与使用寿命受到危害。因此为提高电动公交车辆在面对复杂的实际工况条件工作时的使本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于典型工况识别的电动公交车辆能量预测方法，其特征在于：所述电动公交车辆能量预测方法包括如下步骤：步骤1、对目标电动公交车辆进行实车历史行驶数据采集；步骤2、对步骤1中所采集到数据中的不良数据进行预处理：去除步骤1中所采集到数据中繁琐与冗杂的部分，对数据信号实现降噪处理，在不丢失原本采集数据特征的基础上，提高了后续特征值分析与计算的精确性与效率；步骤3、划分车辆运行工况块：将一个怠速片段与一个运动片段组合定义为工况块，将划分的工况块构建为样本工况块数据库；步骤4、工况块特征参数选取与计算：根据步骤3中所划分的车辆运行工况块，选择合适的特征参数以描述工况块的速度特征以及反映车辆行驶时的加、减速信息，并对特征参数进行主成分分析；步骤5、工况块数据聚类分析：采用遗传优化的K均值聚类法将工况块按照车辆运行时段与车辆运行区域进行聚类，以此筛选出典型的工况块；步骤6、车辆典型工况下能量供需预测模型构建：利用所收集数据中车载锂电池输出端的电压与电流，计算每个工况块中车辆加速与制动时所消耗的实际能量，构造出车辆典型工况下能量供需样本空间，采用RBF网络对样本空间进行学习、训练，获取最终的能量供需预测模型。2.根据权利要求1所述一种基于典型工况识别的电动公交车辆能量预测方法，其特征在于：所述步骤1实车历史行驶数据采集具体为：采用车载实时参数获取设备，对目标公交车辆进行全天段持续1个月的数据采集，数据采集频率为1Hz，主要采集数据为实时车速、发动机转速、经纬度、海拔、车载锂电池电压及电流。3.根据权利要求2所述一种基于典型工况识别的电动公交车辆能量预测方法，其特征在于：对所述步骤1中所采集到数据中的不良数据进行预处理具体包括如下步骤：步骤2
‑
1：不良数据集分类：步骤1中采集到的数据中存在不良数据，将不良数据主要分为以下三类：第一类：由于车辆自身抖动造成的极短的运动学片段数据，第二类：由于高层建筑覆盖或信号丢失造成的个别采集点丢失的数据，第三类：由于人为、设备或者其他不可抗因素造成的含有毛刺、尖峰的噪声数据；步骤2
‑
2：针对步骤2
‑
1中分类的三种不良数据分别进行预处理：对第一类不良数据，将周期极短、低极差的数据视为由于车辆自身抖动造成的不良值，直接将其剔除；对第二类不良数据，通过插值法将个别丢失的采集点数据补全；对第三类不良数据通过基于小波包函数的数据去噪方法，去除所收集数据中繁琐与冗杂的部分，对数据信号实现降噪处理，经过对不良数据进行预处理，在不丢失原本采集数据特征的基础上，提高了后续特征值分析与计算的精确性与效率。4.根据权利要求3所述一种基于典型工况识别的电动公交车辆能量预测方法，其特征在于：所述步骤3划分车辆运行工况块具体为：将车辆从一次停车开始到下一次启动开始的运动定义为怠速片段，车辆从一次启动开始到下一次停车的运动定义为运动片段，将一个怠速片段与一个运动片段组合定义为工况块，所采集的完整车辆行驶数据即为由多个工况块衔接而成，将划分的工况块构建为样本工况块数据库。
5.根据权利要求4所述一种基于典型工况识别的电动公交车辆能量预测方法，其特征在于：所述步骤4工况块特征参数选取与计算具体包括如下步骤：步骤4
‑
1：选择总时间、怠速时间、加速时间、减速时间、匀速时间、运动时间、平均速度、最大速度、运动片段平均速度、行驶距离、运动片段速度标准差、运动片段加速度标准差、最大加速度、加速段平均加速度、最小减速度、减速段平均加速度16个值作为描述性特征参数，其计算方式如下：由于收集数据时的采样频率为1Hz，所以总时间t
all
为工况块样本中的数据点总数，同理怠速时间t
idl
、加速时间t
acc
、减速时间t
de
、匀速时间t
con
和运动时间t
dr
也分别为工况块中怠速片段、加速片段、减速片段、匀速片段以及运动片段内的数据点个数：t
all
＝t
idl
+t
dr
，t
dr
＝t
acc
+t
de
+t
con
，行驶距离d
dr
为这个工况块中车辆行驶的里程如下：其中k为所选工况块中的数据点总数即k＝t
all
，v
i
表示车辆在时刻i的行驶速度，单位为km/h；平均速度v
mean
是指车辆在整个工况块样本下的车速平均值，其计算公式如下：运动片段平均速度v
dr
是指在在整个工况块样本中运动片段的车速平均值，即工况块中去除怠速片段的车速平均值，其计算公式如下：最大速度v
max
是指整个工况块样本中的最大车速值，运动片段速度标准差计算公式如下：在i时刻的加速度值计算公式如下：其中Δt为相邻的采样点之间的时间间隔，由于本发明中所用采样频率为1Hz故Δt＝1s，计算完工况块中每时刻的加速度后即可从中得到最大加速度a
max
以及最小加速度a
min
，加速段平均加速度a
acc
和减速段平均加速度a
de
计算公式如下：
运动片段加速度标准差a
std
计算公式如下：步骤4
‑
2：根据步骤4
‑
1得到的描述性特征参数，进一步得到以下21个描述性特征参数：怠速比例、运动片段加速比例、运动片段减速比例、运动片段匀速比例、车速位于区间(0,10]km/h内的比例、车速位于区间(10,20]km/h内的比例、车速位于区间(20,30]km/h内的比例、车速位于区间(30,40]km/h内的比例、车速位于区间(40,50]km/h内的比例、车速位于区间(50,60]km/h内的比例、车速位于区间(60,70]km/h内的比例、车速大于70km/h的比例、加速度小于等于
‑
3.5m/s2比例、加速度位于区间(
‑
3.5,
‑
2.5]m/s2内的比例、加速度位于区间(
‑
2.5,
‑
1...

【专利技术属性】
技术研发人员：朱志莹，许健，綦光鑫，郝清泉，杨品海，仇兴华，贾永琪，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：