[发明专利]一种基于机器学习和优化算法的新能源公交工况构建方法

说明书

本发明提供了一种基于机器学习和优化算法的新能源公交工况构建方法，其采用了多种方法联合，对采集到的数据进行预处理，降低了外界因素对采集的数据质量的负面影响。方法中所采用的主成分分析法对运动学片段的特征参数降维，在尽可能多地保留原始行驶数据信息的基础上，降低了计算的复杂度，消除了各特征参数之间的相关性，保证了分析结果的可靠性。通过改进的粒子群优化算法计算得到k‑means聚类算法的初始聚类中心，降低了k‑means算法对初始聚类中心的敏感性，提高了聚类结果的准确性。该方法最终构建的公交工况与原始行驶数据的统计特征差异很小，说明构建的公交工况能够很好地反映实际新能源公交线路的真实交通状况和驾驶特征。

技术领域

本发明属于新能源汽车工况构建技术领域，尤其涉及一种基于机器学习和优化算法实现并适用于新能源公交车辆的工况构建方法。

背景技术

现阶段，针对新能源汽车的行驶特征分析与测试中均需要借助相应的标准工况数据，目前针对国内新能源公交汽车所主要应用的工况数据为“中国典型城市公交工况(Chinese Typical City Bus Driving Cycle,CCBC)”。然而，由于我国城市化水平的不断提高以及城市交通路网体系的逐渐完善，城市道路交通场景的多样性特征越来越明显，不同城市乃至不同线路的交通环境和驾驶特征均不尽相同，导致公交车的实际运行结果与以CCBC工况为基准认证的结果存在愈加明显的差异，因此有必要针对我国新能源公交的实际情况，构建能够反映本地区特定新能源公交路线交通状况和行驶特征的公交工况，为新能源公交车的燃油经济性和排放性提供更为精确的评价基准。

现有的工况构建方法主要分为两类：基于聚类算法的短行程构建方法和基于马尔科夫的构建方法，譬如现有技术：①.“基于K-均值聚类算法的行驶工况构建方法”(秦大同、詹森、漆正刚、陈淑江；《吉林大学学报(工学版)》，2016,46(02):383-389)；②.“基于LLEKM和马尔科夫链的城市轻型车行驶工况构建”(张惠玲、孔德学、余涛、敖谷昌、邵毅明；《长安大学学报(自然科学版)》，2021,41(05):118-126)。其中，基于聚类算法的短行程构建方法原理简单、易于实现，因此应用更加广泛，但由于聚类结果受初始聚类中心的影响较大，而通常情况下的聚类中心都是随机选取的，因而对所构建的公交工况精确程度易产生负面影响，使其不能很好地反映真实的交通场景和行驶特征；基于马尔科夫的构建方法实现难度较大，所构建工况的准确度在很大程度上依赖于所建立的马尔科夫状态转移矩阵的精确性，同时，马尔科夫状态转移矩阵的精确程度与计算成本之间存在矛盾，这也限制了基于马尔科夫的构建方法的广泛应用。此外，由于城市公交线路的各个站点都是固定的，每两个相邻公交站点之间的区间距离也都是一定的，这也对基于马尔科夫的构建方法造成了巨大的挑战。

发明内容

针对上述本领域中存在的技术问题，本发明提供了一种基于机器学习和优化算法的新能源公交工况构建方法，具体包括以下步骤：

步骤1、针对特定公交路线上行驶的新能源公交车辆，利用工况数据采集设备获取其原始行驶数据，并对所述原始行驶数据执行必要的预处理；

步骤2、将所述路线上每两个相邻公交站点之间的车速数据片段视为一个运动学片段，根据每个所述运动学片段的起点与终点时刻将预处理后的所述数据划分为多个运动学片段；

步骤3、从各运动学片段中提取与所述路线上的交通状况以及驾驶行为相关的特征参数，由提取的全部运动学片段的特征参数组成样本观测矩阵，并对所述样本观测矩阵执行标准化处理；

步骤4、利用主成分分析法对标准化处理后的所述样本观测矩阵执行降维，得到消除了所述特征参数之间相关性的若干主成分，用于描述不同运动学片段对应的交通状况以及驾驶行为；

步骤5、利用k-means聚类算法对所述主成分进行聚类，将各运动学片段分别划分为对应于不同交通场景的多个工况类型，完成该特定公交路线的完整工况构建；