基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法

摘要

本发明公开了一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，利用车载传感器、地理信息软件、电子地图以及天气预报系统获取车辆状态参数、道路信息参数、环境信息参数；根据获取的参数，对滚阻系数、空气密度和道路坡度参数进行参数估计；并通过建立基于道路信息和驾驶风格优化的工况预测模型进行工况预测，使预测工况的能耗可以准确近似实际工况的能耗。建立纯电动车能耗预测模型进行能耗预测：基于纯电动车性能试验，建立纯电动车能耗计算模型，以参数估计结果和工况预测结果作为纯电动车能耗计算模型的输入，形成纯电动车能耗预测模型，纯电动车能耗预测模型输出预测能耗，对未来路径信息的能耗进行预测。

说明书

技术领域

本发明涉及一种基于道路信息和驾驶风格的电动汽车能耗模型预测方法，属于新能源汽车技术领域。

背景技术

纯电动汽车(Battery Electric Vehicle，BEV)在能耗和排放方面对比传统的内燃机汽车有明显的优势，如动力性好，行驶噪声小，节能和零排放等。但是，由于受到电池技术发展的限制，电动汽车的续驶里程还较短并且充电时间较长。纯电动汽车驾驶员会担心他们在当前剩余能量下是否能抵达目的地，这被称为“里程焦虑”，里程焦虑是目前限制电动汽车接受程度的主要因素之一。显然，安装大容量电池，快速充电和建立更多的充电站是有效缓解和解决“里程焦虑”的有效手段，但是，由于受到目前技术水平和资金条件的限制，这些方法仍需要较长的时间才能实现。另外一种有效的手段是“精确的能耗和剩余行驶里程预测”，驾驶员可以通过预测的“剩余行驶里程”(Remaining Driving Range，RDR)判断车辆是否能抵达目的地，并提前对行程和充电地点进行规划。此外，准确的能耗和里程预测也是电动汽车能量管理的基础，依据预测的能量消耗值，BEV能量管理系统可以合理优化电能的使用，提高电动汽车的行驶里程，这也会缓解驾驶员的“里程焦虑”。

目前，许多研究者提出了多种BEV能耗预测方法，这些方法基本上可以分成两类：基于历史数据的能耗预测和基于模型的能耗预测。由于影响BEV能耗的因素很多，主要有道路类型、坡度、车速、交通状况、环境温度、电附件能耗以及驾驶员行为等。传统的基于历史数据的能耗预测方法，基于驾驶员的历史能耗数据预测未来路径的能耗，这种方法能够较好的反映车辆的真实能耗水平以及驾驶员的行为特征。但是，当未来路径类型、交通状况和驾驶环境变化时，会出现较大的预测误差。基于模型的能耗预测方法通过建立BEV能耗模型和影响因素的预测模型对电动汽车未来能耗进行预测。这种方法的基本原理是：首先，从车载GPS导航系统中获取驾驶员的行驶路径，从智能交通系统获取路径信息、从地理信息系统获取路面坡度，以及从天气预报系统获取温度、湿度、气压、风速和风向等，上述信息统称为“道路信息”。然后，建立“工况(车速)预测模型”对未来路径上的车速进行预测；基于汽车系统动力学建立“电动汽车能耗模型”对未来能耗进行估算。显然，由于该方法是基于未来道路信息进行预测，因此能够反映工况的变化。但是，传统的模型预测法没有考虑驾驶风格对能耗的影响。实车试验表明，驾驶风格对能耗的影响较大，“经济型”驾驶员要比“动力型”驾驶员节能15％～20％，因此，有必要在模型预测法中引入驾驶风格识别和修正模型，以提高预测的准确性和适应性。

综上，本发明提出一种基于道路信息和驾驶风格的BEV能耗模型预测方法，在模型能耗预测方法基础上，引入了驾驶风格识别和修正方法，实现对电动车能耗的精确预测，以缓解驾驶员的“里程焦虑”问题，对BEV剩余行驶里程预测、路径规划、能量管理与优化提供有效技术支撑。

发明内容

本发明提供一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，对采集的实车试验数据进行分析，结合相关道路法规，生成不同道路类型的车速范围；然后基于未来路径的道路信息(包括道路类型、交通信号灯、道路转角等信息)和相应的车速范围，结合车辆自身性能，生成一种考虑未来道路信息的直线型预测工况。接下来，基于不同驾驶员的实车试验数据利用遗传算法(GA)，以优化驾驶风格修正系数，建立典型驾驶风格修正系数表。利用驾驶风格识别参数通过查表法获取驾驶风格修正系数，对直线型预测工况进行优化，最终生成考虑道路信息和驾驶风格优化的预测工况。基于实验数据，建立一种半经验半理论BEV能耗模型，结合上述BEV能耗模型，形成BEV能耗预测模型，对未来路径信息的能耗进行准确的预测。

本发明的目的是通过以下技术方案实现的：

一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，包括以下步骤：

步骤一、信息获取：利用车载传感器、地理信息软件、电子地图以及天气预报系统获取车辆状态参数、道路信息参数、环境信息参数；

步骤二、根据步骤一获取的参数，对滚阻系数、空气密度和道路坡度参数进行参数估计；并通过建立基于道路信息和驾驶风格优化的工况预测模型进行工况预测；

步骤三、建立纯电动车能耗预测模型进行能耗预测：基于纯电动车性能试验，建立纯电动车能耗计算模型，以步骤二的参数估计结果和工况预测结果作为纯电动车能耗计算模型的输入，形成纯电动车能耗预测模型，纯电动车能耗预测模型输出预测能耗，对未来路径信息的能耗进行预测。

本发明具有以下有益效果：

本发明提供了一种基于道路信息和驾驶风格优化的纯电动车能耗模型预测方法，基于实验数据建立了BEV能耗计算模型，以预测的工况作为能耗计算模型的输入，输出预测能耗，即为能耗预测模型，对纯电动出能耗进行预测。在进行工况预测时，提出了一种基于道路信息和驾驶风格的工况预测模型，利用道路信息和工况信息，实现直线型预测工况。提出了基于遗传算法利用离线查表法求解驾驶风格修正系数的方法。根据道路信息和驾驶风格识别参数辨识驾驶风格修正系数，对直线型预测工况进行优化，使预测工况的能耗可以准确近似实际工况的能耗。该方法准确度高，对于驾驶风格的适应性好。

附图说明

本发明的具体实施方式将在下文通过结合应用示例进行详细阐述。

图1为BEV及能量管理系统硬件结构；

图2为剩余行驶里程预测算法架构；

图3为汽车受力平衡图；

图4为工况预测算法框架图；

图5为不同道路类型对应车速分布；

图6为加速度、减速度实测值与最大加速度、减速度曲线；

图7为直线型工况预测原理示意图；

图8为驾驶风格优化算法流程图；

图9为经过驾驶风格优化的直线型工况预测示意图；

图10为工况预测优化系数辨识原理图；

图11为遗传算法参数辨识流程图；

图12为某城市道路驾驶试验实测与直线型预测工况；

图13为遗传算法优化过程；

图14为遗传算法优化前后预测工况曲线；

图15为遗传算法优化前后预测能耗曲线对比；

图16为某城郊道路试验优化工况；

图17为某城郊道路试验优化工况能耗对比。

具体实施方式

下面结合附图对本发明做进一步说明。以下实例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。

如图1所示，为BEV能耗预测系统硬件结构，本实施例中的BEV动力系统由电机、电机控制系统(Motor Control System，MCS)、电池、电池管理系统(BMS)和减速器等组成。为了实现能耗预测功能，在该车上装有车载GPS导航系统(GVNS)、地理信息系统(GIS)，以及天气预报系统(Weather Report System，WRS)等。通过信息融合处理器将从上述系统中获取所需的道路信息，并对这些信息进行数据采集、存储、清洗和格式对齐等，将不同格式不同类型的路径信息融合成能够被能量管理系统(Energy Management System，EMS)识别的数据。在该实例中，本发明提出的能耗预测算法在能量管理系统中(EMS)运行，该系统的作用是对BEV能耗进行估算，以实现BEV能量管理。EMS通过CAN总线与BMS和MCS通信，协调和优化BEV能量使用。

如图2所示，为能耗预测算法架构，该架构包含三个层次：信息获取层、参数估计层和核心计算层。

在信息获取层，利用车载传感器、地理信息软件、电子地图以及天气预报系统获取车辆状态参数、道路信息、环境信息等参数。

在参数估计层，根据获取的参数对滚阻系数、空气密度和道路坡度等参数通过经验公式、建模或查表的方式进行估计；工况(车速)则通过建立基于道路信息和驾驶风格优化的工况预测模型进行预测。

在核心计算层，建立纯电动车能耗预测模型。基于纯电动车性能试验，建立纯电动车能耗计算模型，将参数估计子模型输出的参数估计结果和工况预测子模型输出的工况预测结果作为纯电动车能耗计算子模型的输入，即形成纯电动车能耗预测模型，最终输出预测能耗。

下面以实施例的方式依次介绍三个子模型。

(一)能耗计算子模型

本实施例中的目标车辆是一款小型纯电动轿车。该车结构如附图1所示，在车辆行驶过程中，能量消耗可分为三个部分：第一部分是动力系统的能耗损失；第二部分为克服行驶阻力消耗的能量；第三部分为电气辅助系统能耗。本发明采用逆向能耗计算模型，即模型输入为车速，输出为电池输出功率P_bat(W)，即

其中，F_w(N)为汽车驱动力，如图3中的汽车受力平衡图所示，其与汽车行驶阻力相等；v(m/s)为车辆行驶速度；P_{pt_loss}(W)为BEV动力系统损失功率；P_aux(W)是电气辅助系统消耗功率。

滚动阻力F_r、空气阻力F_aero、坡度阻力F_g、加速阻力F_m，(N)，分别为：

F_r＝f_rmg>slop)>

F_g＝mg>slop)>

表1公式参数表

参数符号参数名称数值单位m整备质量1160kgg重力加速度9.81m/s²C_d风阻系数0.3-A_f迎风面积1.97m2J_w车轮转动惯量0.75kgm²J_m电机转动惯量0.0384kgm²i_g减速器速比8.654-r车轮半径0.278mF_fric车轮处摩擦力15Nv_win行驶方向风速获取m/sf_r滚动阻力系数估计—α_slop路面坡度估计radρ空气密度估计kg/m³

系统损失功率P_{pt_loss}(W)可由测功机实验测得，其值为电机输出功率P_elec(W)和转鼓机械功率P_mec(W)之差

P_{pt_loss}＝P_elec-P_mec(6)

采用经验公式分别对驱动模式和再生制动模式进行拟合，即

其中，电机转矩T_m(N·m)、电机转速分别为

T_m＝F_wr/i_g>

P_c(W)为电机空转损失功率，经验公式为

P_c＝0.06v³-4.85v²+116.93v+170>

电气辅助系统能耗P_aux(W)采用在多种循环工况下电附件平均能耗，即

P_aux＝P_{aux_avg}>

其中，P_{aux_avg}(W)为在多种循环工况下电附件系统平均能耗，取为210W。

最后得到BEV能耗(kWh)，即

其中S_r(m)为路径长度，从导航系统中获取。

(二)参数估计子模型

为了预测纯电动车能耗，需要对一些无法直接测量的参数进行估计，如空气密度、滚动阻力系数和道路坡度等。

(1)空气密度估计模型

在本实施例中通过式(13)对空气密度ρ进行估算，

式中，p为空气静压，Pa；T为空气热力学温度，K；R为摩尔气体常数，J/mol·K；M_v为水蒸气摩尔质量，kg/mol；M_a为干空气摩尔质量，kg/mol；x_v为水蒸气摩尔分数，％；Z为空气压缩因子，％。

(2)滚动阻力系数估计模型

在本实施例中通过经验公式对滚动阻力系数f_r进行估算，

其中，k_i为路面类型修正系数，高速道路k₁＝1；光滑城市道路k₂＝1.05；光滑乡村道路k₃＝1.15；粗糙乡村道路k₄＝1.35；比利时(路面)道路k₅＝1.40。

(3)道路坡度估计模型

通过地理信息系统和GPS路径经纬度可以得到道路坡度a_slop(rad)，即：

其中，Δh为两个连续测量点之间的高度差，m，未来路径的高度数据由GIS系统获得。

(三)工况预测子模型

车速-时间历程曲线又称为行驶循环工况，简称工况。它是能耗预测模型的输入，也是纯电动车能耗最主要的影响因素之一。因此，需要在行程开始前预测出未来工况以预测未来能耗。由于工况是随机变化的，很难准确预测。由于工况主要受道路信息和驾驶风格影响，因此本发明提出一种基于道路信息和驾驶风格优化的工况预测模型。基于GPS、GIS获取的未来道路信息，运用直线型工况预测方法，根据历史数据对驾驶风格进行识别，生成驾驶风格修正系数，量化驾驶风格对工况的影响，进而对直线型预测工况进行优化。其优点是，生成的预测工况曲线可以同时考虑道路与驾驶风格的影响，与实测车速下的能耗值非常接近，保证了能耗预测的准确性。

图4为工况预测算法框架。工况生成算法包括“生成直线型预测工况”和“优化直线型预测工况”两部分。第一部分主要是基于未来的道路信息和收集的历史数据，生成驾驶员在未来路线上的直线型预测工况。第二部分是基于驾驶风格识别对直线型预测工况进行优化，生成最终的预测工况。

3.1直线型工况预测

3.1.1道路信息与历史数据

道路信息主要包括道路类型、交通信号灯、交通指示标志、道路曲率半径和道路坡度。这些道路信息可以从电子地图和地理信息系统中获得，行驶路径以一条实线的形式显示出来，并包含上述道路信息节点的位置和信息。

通过不同驾驶员驾驶目标车辆在不同类型道路上进行多次实车道路试验，获取车速时间(v-t)历程数据、车辆行驶轨迹(GPS坐标)、道路信息(路径长度，道路类型，信号灯位置及红绿灯变换时间，转角位置及转角半径，减速带位置，交通流量数据等)，驾驶员驾驶数据(方向盘转角，踏板开度，档位等)，以及车辆行驶数据(电池SOC、电池温度、电机转矩、电池端电压，电池端电流、电附件状态及消耗功率等)。

A.车速

按照道路类型将数据进行分类，对相同道路类型的车速数据进行分析，根据车速频次分布进行数据拟合，获得该类型道路的“最大”车速v_max(包含80％车速数据处的车速值)，“最小”车速v_min(包含20％车速数据的车速值)以及“平均”车速v_nom(包含50％车速数据的车速值)。

本发明的试验道路总长度为600千米，采样目标为平均速度，采样间隔为一米。图5为各道路类型车速的分布直方图，图中的实线为拟合的车速分布曲线，它是在Matlab中由核密度法得到的，代表最可能的车速分布。本发明将某国道路类型分成“城市”、“城郊”和“高速”三类，又将“城市”道路细分为“住宅区”、“三级”、“二级”和“主干路”。结合各道路类型的测量车速统计结果和法定限速，将最大、最小和标称车速列于表2。

表2不同道路类型对应的车速范围

B.加速度

图6为在驾驶试验中测得的加速度和减速度与车速之间的关系以及最大加速度和最大减速度曲线。由于实例中采用的纯电动车的最大加速度和减速度受到电机功率的限制。电机最大牵引功率设为50kW，再生制动时为-24kW，电机效率设定为80％。因此，考虑电机效率时，电机最大牵引功率为40kw，再生制动为-30kw。高速行驶时，加速度和减速度由设定的电机功率限制，而低速行驶时，受轮胎与路面的摩擦限制。在低速行驶时，理论最大加速度受电机功率限制最大可达约4.6m/s²，理论最大减速度约为2m/s²。但根据测量结果，低速行驶时的最大加速度小于3m/s²。因此，设定纯电动车的最大加速度限值为3m/s²，最大减速度限值为2m/s。

3.1.2直线型工况预测原理

直线型工况预测方法是一种类似于NEDC工况的基于模态循环的速度预测方法，如图7所示。当驾驶员在导航系统中输入目的地时，导航系统将计算出预测的行驶路径。通过地理信息系统，预测模型将得到由多个路段组成的行驶路线的相关信息。每个路段由交通信号灯、道路交叉口、道路转角或道路类型突变点划分，划分点的位置信息可从地图中获取。

如图7所示，该循环由4个片段组成：片段一、片段二、片段三和片段四，A～M点均为模态特征点。片段一和片段二为不同道路类型，由交通信号灯隔开；片段二和片段三为相同道路类型，由道路转角隔开；片段三和片段四为不同道路类型，由道路类型突变点隔开。如上所述，每个片段的路线信息通过电子地图和GPS系统获得，包括路段长度S_i和道路类型。一般的，每个片段的模态循环均由加速阶段、匀速阶段和减速阶段组成，应确定加速阶段的加速度a_a、各模态特征点的车速v_s以及减速阶段的减速度a_b等工况特征参数。其中，v_s包含匀速阶段的目标车速v_p和转弯时的转弯速度v_t。

值得注意的是，当两个片段由交通信号灯连接时，若为红灯，驾驶员需要降低车速至0；当两个片段由道路转角连接时，驾驶员在转弯时降低车速；当两个片段由道路类型突变点连接时，两个片段的目标车速发生变化，驾驶员需要在突变点进行相应的加速或减速，以达到下一道路片段的目标车速。

在选取目标车速v_p时，结合道路类型和限速标志，可以获取特定道路片段的目标速度v_p，令目标车速v_p等于此时对应道路类型的标称车速v_nom。

在选取加速度a_a和减速度a_b时，需要同时考虑最大限值和当前车速与下一模态特征点的速度差。纯电动车的最大加速度限值为3m/s²，最大减速度限值为2m/s。但是值得注意的是，加速度与减速度还与当前车速和模态特征点之间的速度差有关。为了使预测的速度曲线平滑且真实，考虑到实际驾驶时的操作习惯，对于加速度和减速度的取值做出以下假设。以当前车速与模态特征点的差值作为评判标准，若速度差大于10km/h，则采用最大加速度或减速度；若速度差小于10km/h，则加速度或减速度均设置为1m/s²。

3.1.3直线型工况预测生成流程

步骤1工况数据采集与路径信息获取

当驾驶员在车载导航系统中输入目的地后，系统从GPS和电子地图中获取路径与道路信息。对上述数据进行处理，剔除异点，并依据行驶路径长度进行重采样。

步骤2生成直线型工况段

根据路径和道路信息生成直线型工况段。路径由节点分割成多个道路片段。一般的，两个节点之间包含一个加速、一个匀速和一个减速阶段，即为一个直线型工况段。

道路类型、节点的纬度lat和经度lon可从地理信息系统上获取。

A、B两节点间的距离L_AB可由节点坐标计算得到，即

式中，R(m)为地球半径，lat_A和lat_B分别为A点和B点的纬度值，lon_A和lon_B分别为A点和B点的经度值。

当路径上的转角半径较大时，或者在十字路口上存在交通灯时，该处会存在多个节点。此时，应将多个节点合并成一个融合节点。

当节点仅为交通信号灯时(假设车辆直行)，由于有一定的概率显示为绿灯，驾驶员将直接通过该节点。绿灯出现概率为50％，即

p_lg(i)＝50％>

由Matalb随机函数生成一个0～1的随机数n_lg，若n_lg＜p_lg，则认为该交通信号灯为为绿灯，此节点将被取消；否则，此时为红灯，保留该交通信号灯节点。

将相邻两个节点由加速阶段、匀速阶段和减速阶段连接起来，即为该道路片段的直线型工况段。直线型工况段显示了道路片段的道路类型、长度、各模态特征点车速、加速度、减速度以及节点位置等。

步骤3工况段整合

重复步骤2，依次生成路线中所有道路片段的直线型工况段，直到满足完整路径长度为止。

步骤4生成直线型预测工况

将步骤3中生成的所有直线型工况段按照路线信息中的节点位置依次进行拼接整合，得出完整的直线型预测工况。

3.2直线型预测工况优化算法

图8为本发明提出的驾驶风格优化算法流程。首先建立驾驶风格识别参数；采用遗传算法辨识驾驶风格修正系数；通过插值法根据不同驾驶风格识别参数获取驾驶风格修正系数，进而对直线型预测工况进行优化。

3.2.1驾驶风格识别

为了识别驾驶风格，将驾驶风格分为普通型、节能型、耗能型。以比能耗、平均车速、最大车速、平均加速度、平均减速度等特征参数对这三种驾驶风格进行表征，并建立驾驶风格识别参数J_d，

其中，J_d(i)为驾驶员在某道路类型驾驶的驾驶风格识别参数；分别为该驾驶员实际行驶过程中的平均能耗率e_ave、平均车速v_m、最大车速v_max、平均加速度a_am和平均减速度a_bm的标准化结果，均为无量纲数；w_1～5为权系数，则的计算方法如下，

式中，e_ave为当前道路上的平均能耗率，kW/km；v_m为平均车速，km/h；v_max为最大车速，km/h；a_am为平均加速度，m/s²；；a_bm为平均减速度(绝对值)，m/s²；e_max为车辆行驶可达到的最大能耗率，kW/km；V_mi为当前道路的标称车速，km/h；V_maxi为当前道路上允许的最大速度，km/h；a_amax为车辆允许的最大加速度，m/s²；a_bmax为最大减速度(绝对值)，m/s²。a_amax＝3m/s²，a_bmax＝2m/s²。

采集三名驾驶员的道路试验数据，由式(19)计算各驾驶员在各类型道路上的J_d(i)并进行聚类分析。同一类型的道路试验数据将合并在一起，作为该类驾驶员的实车道路试验数据。聚类中心处的J_d(i)即为该类典型驾驶风格参数J_dnor(i)。不同驾驶员在不同路面上的驾驶风格识别参数如表3所示。

表3不同驾驶员在不同路面类型的驾驶风格指标J_dnor

3.2.2驾驶风格优化算法原理

本优化算法建立加速度优化系数k₁、平均车速优化系数k₂和减速度优化系数k₃，对直线型工况预测结果进行优化，如图9所示。三种优化系数分别作用于直线型工况预测中的加速度、目标车速和减速度，如式(20)所示。

图9中实线为直线型工况预测模型得出的预测工况，点划线和虚线分别代表根据两种不同驾驶风格进行优化后的预测工况，根据驾驶风格识别参数通过优化算法分别对三种优化系数进行取值，两种驾驶风格的优化系数分别为k₁、k₂、k₃和k₁’、k₂’、k₃’。由于工况是同时受驾驶风格和道路类型的影响，因此在使用驾驶风格对预测工况进行优化时，需要同时考虑道路类型的影响。因此，需要针对不同类型的路面分别辨识优化系数。

考虑到车辆自身的加速性能和不同道路类型的限速要求，对k₁、k₂、k₃进行范围约束，即

本发明建立的驾驶风格优化算法通过道路信息和驾驶风格识别参数选取驾驶风格修正系数，对预测工况进行优化。优化原理为：假定以预测工况驾驶的能耗E_p与实际能耗E_r相同，以此优化预测工况。

E_p＝E_r(22)

3.2.3基于遗传算法进行修正系数辨识

利用遗传算法，选取三名驾驶风格不同的驾驶员，分别在多种道路类型下进行驾驶风格修正系数的辨识。

驾驶风格修正系数的辨识思路是利用模型仿真结果与实测值的误差不断优化系数，使得总误差最小的参数集合为辨识出的最终结果。因此，本发明驾驶风格修正系数的辨识问题可以转化为最优问题，优化目标是查找一组参数(k₁、k₂、k₃)，使得在同种路面上，预测工况产生的能耗与实际测量的能耗误差最小。因此将实测工况的能耗值与预测工况的能耗值的误差作为目标函数，如式(23)所示，式(24)为算法的约束条件，

式中，E_p,i为代入优化系数后的预测工况在模型仿真中产生的能耗；为实际测得的能耗数据，N为测量数据的次数。如图10所示，为应用遗传算法进行驾驶风格修正系数辨识的原理。遗传算法参数辨识流程如图11所示，具体辨识流程如下：

第一步：读取实测数据，设置遗传算法进化代数t＝T。

第二步：根据优化系数上下界生成初始种群X(0)，包含N个个体，每个个体为X(0)_i＝(x(0)_i,1,x(0)_i,2,x(0)_i,3)，(i＝1,2,…,N)。

第三步：将实测数据及个体参数集分别代入模型，计算个体的目标函数F(X)。

第四步：计算种群X(t)中每一个个体的适应度f_i，目标函数值越低的个体，适应度越高。采用与适应度成比例的概率方法，按照概率pi＝f_i/∑f_i，选取适应度较高的个体作为群体中繁殖后代的双亲。

第五步：设置交叉概率p_c，父代按照交叉概率进行基因交叉操作；然后按照变异概率p_m进行基因变异操作，得到新的子代个体X(t+1)_i及子代种群X(t+1)。

第六步：终止条件：若t<T，则t＝t+1，重新执行第三步至第五步；若t≥T，则第T代中适应度最大的个体X(T)_m为最终辨识结果并输出，终止计算。

考虑到运行时间与辨识效果，按照研究经验，进行遗传算法参数的选取，如表4所示。

表4遗传算法参数设置

算法参数遗传代数T种群规模N交叉概率P_c变异概率P_m数值1001000.60.1

使用遗传算法，按照不同路面类型，分别对本发明实测数据中的三位驾驶员进行驾驶风格修正系数的辨识。需要注意的是，由于遗传算法结果的随机性和全局性，在用进行不同驾驶员以及不同道路类型的参数辨识时，需要对系数的范围进行准确的约束，否则容易出现多个最优系数组或导致结果超出合理驾驶区间。以一条工况数据为例，按照以下流程进行分析，首先分析该驾驶员在此条路线下的直线型预测工况与实测工况的特征值差异，包括加速度、平均车速及减速度。若直线型预测工况的加速度大于实测工况的加速度，则0＜k₁＜1；若直线型预测工况的平均车速大于实测工况的平均车速，则0＜k₂＜1；若直线型预测工况的减速度大于实测工况的减速度，则0＜k₃＜1；反之，则k₁,k₂,k₃＞1。由于在本发明中，车速受到道路限速的影响，故对于所有驾驶员及所有道路，平均车速优化系数k₂的范围限制在[0.8,1.2]；而加速度和减速度则受到电机性能的限制，因此，a₁＜3m/s²，a₃＜2m/s²。

以一条城市道路驾驶数据为例，如图12，从图中可以看出，直线型预测工况中的加速度和减速度都大于实测工况中的加速度和减速度，而平均车速则小于实测工况中的平均车速，因此对于本实施例，0＜k₁＜1，1＜k₂＜1.2，0＜k₃＜1。下面给出遗传算法优化过程，如图13所示。迭代次数64代时，满足终止条件，得到优化结果为：k₁＝0.719035004341453；k₂＝1.0866860161964；k₃＝0.300525407510734。通过所得优化系数k_i优化前后的工况和能耗对比如图14和图15所示。

根据辨识的不同路面类型的三种驾驶风格对应的驾驶风格修正系数，建立典型驾驶风格修正系数表，如表5所示，表中U(J_dnori,δ)为J_dnori的邻域，意味着驾驶风格识别参数J_d落在典型驾驶风格参数J_dnori的邻域内，则认为此时的驾驶风格为第i种驾驶风格。

表5典型驾驶风格修正系数表

在辨识过程中，根据当前行驶的驾驶风格识别参数J_d，按照驾驶风格分类方式，分别在表中查找当前类型驾驶风格在当前道路上对应的优化系数k₁、k₂、k₃，将三种优化系数分别按照式(24)应用于直线型预测工况中，进而完成对整个预测工况的优化。

3.2.4直线型工况优化结果

基于实车驾驶数据进行工况预测，给出优化后的工况曲线，如图16和图17分别为工况预测和能耗预测曲线。可以看出经过驾驶风格优化的预测工况所产生的能耗与实测能耗拟合程度优于直线型预测工况。部分实车数据验证的能耗误差如表6所示。可以看出，本发明建立的基于驾驶风格优化的工况预测对于能耗的计算具有较高的精度。

表6优化工况能耗对比