石 琴 仇多洋 吴 冰 李一鸣 刘炳姣

合肥工业大学汽车与交通工程学院，合肥，230009

0 引言

在新能源汽车的研发过程中，行驶工况识别得到越来越广泛的应用。对于混合动力汽车，在制定的能量管理策略中，如果能够识别当前行驶工况的特点，实时调整能量控制参数值，实现不同动力源之间功率分配最优，则可进一步提高整车燃油经济性［1-7］。而对于纯电动汽车，准确识别出实时行驶工况类型，获得相应类型工况下电耗水平，有助于提高纯电动汽车剩余续驶里程估算的准确性［8-9］。

当前行驶工况识别方法大致可分为三类：①采用神经网络算法进行识别。WANG等［10］利用数理统计方法筛选出识别参数，并用学习向量量化（learning vector quantization，LVQ）神经网络算法进行行驶工况识别；JEON等［11］定义一系列特征参数来描述行驶工况，采用Hamming网络进行行驶工况识别；周楠等［12］应用竞争型神经网络算法确定实时行驶工况隶属的标准工况类型。②采用模糊控制器进行识别。田毅等［13］采用遗传算法优化的模糊控制器对广州和上海主干道行驶工况进行识别。③利用聚类理论进行识别。RAVEY等［14］将平均车速、停车次数、停车时间、加速度和减速度5个参数及其权重的乘积作为聚类参数，利用动态聚类理论判断实际行驶工况所属的标准工况类别；秦大同等［7］通过计算待识别工况与标准工况特征参数的欧几里得距离确认行驶工况所属类型；詹森等［3］利用遗传算法优化的K均值聚类算法进行行驶工况识别。

上述研究中，采用神经网络算法识别行驶工况时，训练过程中隐含层神经元个数存在不确定性，导致识别结果存在较大差异，很难得到最优识别模型；……