论文部分内容阅读
汽车保有量的快速增加方便了人们日常的工作和生活,也造成了巨大的能源压力。精准的汽车油耗预测模型和以节能为目标的速度优化控制是实现生态驾驶的重要基础。现有的研究未考虑更能表征驾驶行为的加速度一阶导数Jerk,存在油耗模型与驾驶行为关联较弱、模型预测精度较低等不足。本文在国内外研究的基础上,提出了融合车辆速度、加速度及Jerk的汽车油耗预测模型和速度优化方法。本文选择车辆驾驶行为为主要研究对象,从驾驶行为分类、驾驶行为对油耗影响的定性及定量分析、考虑驾驶行为的油耗预测模型、以节能为目标的速度优化方法等方面进行深入研究,取得了以下研究成果及技术创新:（1）在基于Jerk的驾驶行为分类的基础上,将驾驶行为细分为11类,采用统计分析和聚类分析法分析了每种驾驶行为对油耗的影响。为建立油耗与驾驶行为之间的联系、搭建考虑驾驶行为的精准油耗预测模型奠定了基础。（2）提出了一种非巡航状态下融合车辆速度、加速度及Jerk的车辆油耗预测模型。该模型基于物理驱动和数据驱动,首先建立车辆瞬时油耗、车辆速度与车辆加速度乘积之间的散点映射;在此基础上,以Jerk作为分类器,以二次多项式作为拟合函数,建立以车辆瞬时油耗、车辆速度与车辆加速度的乘积为变量的定量化映射;最后基于往返160km,覆盖了城市道路、高速公路和乡村道路的,近35000条数据集,对模型进行了标定和验证。实验结果表明:该模型的平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）、均方根误差（Root Mean Square Error,RMSE）、相关系数（Correlation Coefficient,R）和决定系数（Determinant Coefficient,R~2）这4项预测性能评价指标均显著优于经典的车辆比功率（Vehicle Specific Power,VSP）模型和VT-Micro（Virginia Tech Microscopic）模型,其中,MAPE指标比VSP模型和VT-Micro模型分别降低了39.5%和26.1%,RMSE指标比VSP模型和VT-Micro模型分别降低了42.6%和72.3%,R指标比VSP模型和VT-Micro模型分别提升了2.5%和2.4%,R~2接近95.8%,相较于VSP模型和VT-Micro模型,R~2分别提升了5.0%和9.7%。（3）提出了一种融合车辆速度、加速度及Jerk的车辆油耗通用预测模型。该模型基于曲面拟合思路,首先建立了2种瞬时油耗与速度、加速度及Jerk的关系模型;在此基础上,基于Pearson相关系数法定量计算了车辆油耗与车辆速度、加速度及Jerk不同幂乘积的相关系数,建立了一种一般形式的车辆油耗预测模型,经典的VSP模型及VT-Micro模型是该模型的特殊形式;最后基于往返160km,覆盖了城市道路、高速公路和乡村道路的,近35000条数据集,对模型进行了标定和验证。实验结果表明:该模型的MAPE、RMSE、R及R~2预测性能评价指标均显著优于经典的VSP模型和VT-Micro模型,其中,MAPE指标比VSP模型和VT-Micro模型分别降低了48.9%和9.8%,RMSE指标比VSP模型和VT-Micro模型分别降低了69.7%和18.1%,R指标比VSP模型和VT-Micro模型分别增加了4.2%和1.6%,R~2接近91%,相较于VSP模型和VT-Micro模型,R~2分别提升了23.5%和4.0%。（4）提出了一种融合车辆速度、加速度及Jerk的深度学习油耗预测模型。该模型分别选择长短期记忆网络（Long Short-term Memory,LSTM）、循环神经网络（Recurrent Neural Network,RNN）、带外源输入的非线性自回归神经网络（Nonlinear Auto-regressive Model with Exogenous Inputs,NARX）及广义回归神经网络（Generalized Regression Neural Network,GRNN）共4种神经网络,分别选取（速度）、（速度,加速度）、（速度,加速度和Jerk）、（转速）4种输入参数组合,分别选取0-40km/h的校园环境低速工况,0-70km/h的城市道路中低速工况及0-120km/h的高速公路低中高全速度域工况共3种速度工况,累计进行了4×4×3=48种实验。实验结果表明:在上述任一种输入参数下,任一种速度工况下,LSTM神经网络模型预测性能都明显优于其它神经网络预测模型;引入Jerk后,与不考虑Jerk的油耗预测算法相比,LSTM、RNN、NARX及GRNN这4种神经网络在3种不同速度工况下,油耗预测性能都得到显著提高,在高速环境下,LSTM算法的指标性能提升最高,RMSE指标降低了14.3%,RE指标降低了28.3%,R~2提升了9.7%;在低速环境下,NARX算法的指标性能提升最高,RMSE指标降低了34.3%,RE指标降低了43.0%,R~2提升了22.9%。（5）选择速度方差表征驾驶波动,从理论上证明了当均值速度一定时油耗与速度波动的大小呈正比关系。以均值滤波模拟不同波动的速度轨迹,以经典VSP油耗模型计算每一组速度运动轨迹的油耗,从仿真的角度验证了理论推导的正确性。在此基础上,提出了一种融合车辆速度、加速度及Jerk的轨迹生成及优化算法,该算法基于最优控制理论,采用哈密顿函数法求解泛函极小值,能够降低车辆的速度波动,进而实现能耗最优。该算法经过移植到智能车辆后,在自动驾驶封闭场地测试基地进行了同一辆车的无人驾驶模式及人工驾驶模式的油耗对比实验,实验数据显示:车辆油耗随着速度波动增加呈近似线性增加趋势,在20km/h和40km/h两种均速度下,相对无人驾驶模式,人工驾驶模式下的油耗分别增加了5.6%和14.7%,当人工驾驶行为更加鲁莽的情况下,油耗甚至增加至60%。