【作者】

于照田; 李雁飞; 马骁

【单位】

清华大学车辆与运载学院

【摘要】

针对现有驾驶循环难以精确表征特定车型真实驾驶场景的局限性，提出基于长短时记忆网络-深度嵌入聚类(LSTM-DEC)和动态时间规整(DTW)的驾驶循环构建方法。研究采集了50台重型燃油车累计超1500万公里的车联网数据。通过LSTM-DEC混合模型对原始数据进行95%比例精简，获得与原始数据速度-加速度联合分布(SAFD)差异度仅为0.978%的高质量数据集。对该数据集进一步采用DTW算法提取高阶特征信息，结合k-Means聚类构建驾驶循环。结果表明，该方法较提取低阶特征信息的方法使SAFD差异度降低45.75%。在混合动力汽车能量管理策略(EMS)优化应用中，基于该驾驶循环训练的EMS使等效油耗较WLTC降低0.683%，电池荷电状态(SOC)波动幅度控制在0.08以内，显著优于传统方法。

【关键词】

驾驶循环构建;大规模数据;特征提取;混合动力汽车

【论文集名称】

零碳发动机与燃料电池

【会议名称】

2025交通能源与零碳动力大会

【会议时间】

2025-8-28至2025-8-31

【下载次数】

0

返回