董小瑞，武雅文，张志文，李晓杰

(中北大学能源动力工程学院，山西 太原 030051)

新能源汽车在实际工作中，复杂和多变的行驶工况会对汽车控制策略产生干扰，造成汽车的能耗经济性下降。如果可以根据工况实时调整汽车能量管理控制参数，那么就可以提高汽车对路况的适应能力，并使汽车的动力性能及节能效果达到最优[1-6]。因此准确地识别行驶工况变得至关重要，可为新能源汽车后续的能量管理策略制定打下坚实的基础。当前国内外针对工况识别进行了大量的研究。姜超等[7]依据混合动力地下铲运机的工作特点，采用可能性C均值聚类算法对铲运机的5种典型工况进行了识别，但是该算法容易受聚类中心初始值的影响，且该算法时间开销很大；孙蕾等[8]选取了3类标准循环工况，并提取了11个特征参数为训练数据，建立了学习向量量化(LVQ)神经网络工况识别模型，而神经网络对样本容量有依赖性；Chen等[9]基于模糊逻辑控制在线校正算法对短期未来行驶工况进行预测，但是模糊算法中的隶属度函数大多靠经验选择，需要反复调试。

针对上述问题，本研究选择支持向量机(SVM)算法对行驶工况进行识别，SVM在非线性分类、模式识别上有着广泛的应用，识别精度高，泛化能力强，但是识别效果上受SVM模型相关参数的影响。而遗传算法具有强大的全局搜索能力，可以在很短的时间搜索到全局最优点，所以为了提高支持向量机算法的识别精度，本研究将遗传算法优化和SVM算法相结合，优化模型参数，建立优良的行驶工况识别模型。……