[发明专利]一种基于改进K-means的城市电动客车行驶工况构建方法

说明书

本发明公开一种基于改进K‑means的城市电动客车行驶工况构建方法，包括以下步骤：步骤A，对城市中公交车路线进行调研，筛选出若干条典型的公交路线；步骤B，在选取的公交车上添加传感器来获取所需的数据：时间信息‑车辆行驶速度；步骤C，对采集的数据进行预处理；步骤D，划分短行程并进行特征值计算；步骤E，通过主成分析进行数据降维；步骤F，改进二分K‑means聚类分析；步骤G，类工况选取并合成行驶工况。分析结果表明，基于改进二分K‑means算法建立的某市电动客车行驶工况更能准确反应城市道路交通的特征。

技术领域

本发明属于电动客车行驶工况领域，尤其涉及一种基于改进K-means的城市电动客车行驶工况构建方法。

背景技术

近年来，随着人们对能源危机、环保问题的重视，新能源汽车的发展已成为行业研究的一大热点。与此同时，新能源客车数目也在不断的增长，建立新能源客车的专属行驶工况的重要性愈加凸显。

目前国内外的客车行驶工况多以燃油车的行驶数据为基础建立出行驶工况，而燃油客车和电动客车在动力性有着显著的不同，因此建立电动客车的专属行驶工况很有必要。另外，就建立的方法来说，目前大多数的学者都采用主成分分析法和K-Means算法相结合的研究方法，但传统的K-means算法存在需要人工指定K值(分类数)和初始聚类中心点的问题，这会导致聚类的结果常常陷入局部的最优，二分K-means算法解决聚类中心点选择问题，但依旧需要用户指定K值。实际上K值的选取具有典型的肘部特征，“肘部法则”使用各个簇内的样本点到所在簇质心的距离平方和(SSE)作为性能度量，在类簇数量与SSE之间寻求一个平衡点。

发明内容

本发明针对现有技术中存在的问题，提供一种基于改进K-means的城市电动客车行驶工况构建方法，选取了典型城市的电动公交车进行数据采集，基于短行程划分、主成分分析、改进的K-means算法进行行驶工况构建。同时解决了K-means算法结果容易陷入局部最优的问题。

为实现上述目的，本发明提供的技术方案如下：

提供一种基于改进K-means的城市电动客车行驶工况构建方法，包括以下步骤：

步骤A，对城市中公交车路线进行调研，筛选出若干条典型的公交路线；

步骤B，在选取的公交车上添加传感器来获取所需的数据：时间信息-车辆行驶速度；

步骤C，对采集的数据进行预处理；

步骤D，划分短行程并进行特征值计算；

步骤E，通过主成分析进行数据降维；

步骤F，改进二分K-means聚类分析；

步骤G，类工况选取并合成行驶工况。

进一步的，所述步骤A中包括以下步骤：

步骤A1，通过手机网络资料信息、查阅资料、实地考察、读取道路监控视频等方法获取不同公交车路线在不同时段的交通流量；

步骤A2，进行路线筛选，原则是尽可能覆盖所有的典型路段的基础上选取分布最广、最热门的路线，涵盖繁华的拥堵市中心、火车站，交通顺畅的郊区，城市高架、快速路等等。

进一步的，所述步骤B中传感器添加包括以下步骤：

步骤B1，现有的公交车已有车辆数据采集装置和云端的实时监控和储存，每隔10s输出一次状态信息，但是云端数据采集频率太低必须添加额外的传感器来获取所需的数据，考虑到城市公交的特殊性和公交公司的运行要求，添加的设备不能对原有的系统造成影响，通过布置高精度差分GPS设备的方法获取汽车行驶速度和定位信息；

步骤B2，为了提高定位精度，布置了定位基站，用DTU基于4G通信将定位信息发送到移动端，移动端接收到基准站的定位信息，将GPS的输出频率设置为1HZ。