2020年12月23日，中國汽研成功舉辦《2020第三屆新能源汽車測試評價技術國際論壇》。中國汽研將持續(xù)為大家推送精彩演講實錄，本文為英國貝爾法斯特女王大學威廉·懷特技術中心張元建博士帶來的《電動汽車測試評價應用研究：高精度模型搭建與驗證》。

01  電動汽車測試評價應用

電動汽車測試評價流程可歸納為：首先確立競品車型，對與之相關的專利、文獻以及技術報告進行分析，明確對標車型的技術特點，然后根據(jù)對標需求（一般性能測試/策略級別測試/部件級別測試）確立對標方案和對標試驗方法，并在此基礎上完成相關的對標試驗，最后根據(jù)所獲得的對標結果進行相關分析（如車輛的動力性、經(jīng)濟性、加速性、爬坡性能；車輛的驅動控制策略、制動控制策略、能量管理策略；電池部件特性、上下電策略等）。電動汽車測試評價不僅可以讓我們了解競品車型的基本性能，同時也可以指導產品的開發(fā)工作，對于正向開發(fā)有非常大的支持作用。

電動汽車測試評價結果應用場景可以歸納為：首先是模型的搭建，根據(jù)測試評價結果可以搭建用于這項開發(fā)的正向仿真模型，基于正向仿真模型可以完成多項工作（探討不同選型部件、不同供應商部件、不同參數(shù)部件對于車輛性能的影響；設計新的控制策略優(yōu)化競品車型或對標車型性能，指導已有車型性能的改進）；基于模型，進行能量流仿真分析，電動汽車對于能量的損耗是十分敏感的，通過能量流仿真分析可以明確能量損耗的主要路徑，從而進行相應的改進來提升電動汽車能量的使用效率；基于模型，快速開發(fā)新的策略，假如開發(fā)車型與競品車型的部件選型相接近，可基于模型快速的開發(fā)控制策略來完成所要開發(fā)車型的初步設計?？梢园l(fā)現(xiàn)，電動汽車測試評價結果應用場景大多都是基于模型的，那么一個高精度的正向仿真模型將會對正向開發(fā)有很大的支持作用，然而受制于測試評價結果以及測試方法的特點，很難直接得到高精度的正向仿真模型。

比如為一款PHEV車型搭建正向仿真模型，在設計電量模式劃分策略時希望得到一個準確的電量劃分邊界，具體就是CD-CS切換條件，通常做法就是對電動汽車測試評價標準工況的試驗結果進行分析，總結出CD-CS切換邊界，但發(fā)現(xiàn)當對不同工況或同一工況不同條件下CD-CS切換邊界進行分析的時候，很難得到一個具體數(shù)值，而有可能只是一個范圍，如下圖，在NEDC、WLTC、中國工況中得到的CD-CS邊界切換條件都是不一致的，可能是受到試驗條件、試驗環(huán)境以及試驗操作的影響，這樣就不能明確CD-CS切換邊界，使得模型搭建的精度受到影響。比如搭建正向仿真模型時，需要設定能量管理策略，希望通過對標分析結果得到競品車型的能量管理策略，但是因為電動汽車測試只能得到策略結果，很難直接分析導致這種結果的原因，也就是競品車型能量管理的一些邏輯，如下圖只能得到在CD串聯(lián)模式下電機的充電情況以及發(fā)動機工作點的一些分布情況，即使擴大試驗規(guī)模，做更多的試驗，也只能得到更多的工作點的分布，很難直接總結出能量管理策略的具體邏輯。



再比如搭建正向仿真模型時，希望借助電動汽車測試評價結果得到不同模式的切換邊界，常用的方法比如根據(jù)標準工況試驗（加速試驗、單次加速試驗、等速試驗）得到不同模式的工作點，根據(jù)這些工作點的邊界去勾勒出不同模式的工作區(qū)域，借此得到相應的模式切換條件。但是受制于試驗規(guī)模，得到的邊界和工作區(qū)域是不完整的，模式切換邊界條件也不完整?？傊斍半妱悠嚋y試評價就是完成試驗，對試驗進行分析，得出相應策略的解析結果，但是這種測試流程使得對標車輛能量使用模式邊界不清晰，對標車輛模式控制策略具體邏輯模糊，對標車輛能量管理規(guī)則不明確，從而影響搭建正向仿真模型的精度，使得在進行策略設計、部件選型、能量流仿真分析中不能很好的應用電動汽車測試評價結果。為了能夠改善這種現(xiàn)狀，提升搭建正向仿真模型的精度，進一步應用汽車測試評價結果，開發(fā)了一種新的高精度模型搭建與驗證方法。

02  基于測試評價的高精度模型搭建與驗證

模型搭建初期思路與之前基本一致，首先根據(jù)對標試驗結果一般性分析搭建一個一般意義的模型，比如整車模型搭建、駕駛員模型搭建、控制策略模型搭建。完成模型搭建后，同樣會基于測試評價結果構建一個虛擬控制器，使用機器學習方法，利用虛擬控制器去完成所搭建模型的標定以及驗證工作，通過這種驗證標定的反復相互配合來提升模型精度。

虛擬控制器的構建思路為：競品車中，控制策略是根據(jù)車輛狀態(tài)、部件狀態(tài)、駕駛員的輸入做出相應決策，并把決策分配給發(fā)動機控制器、電機控制器、電池管理系統(tǒng)，然后得到相應的結果。在構建基于機器學習的虛擬控制器時，也采用了類似控制策略輸入信號和輸出結果，用這些部分數(shù)據(jù)去訓練基于機器學習的虛擬控制器，這樣就可以還原競品車型的控制策略、能量管理策略，可為正向仿真模型去設計相應的模式切換規(guī)則、能量管理規(guī)則，使得能夠參考真實的競品車型去驗證以及重新標定正向仿真模型，從而提升正向仿真模型的精度。

構建虛擬控制器時，首先選擇了支持向量機這種機器學習方法，支持向量機對于小樣本的學習是非常合適的，基于支持向量機的虛擬控制器的輸入是與車輛狀態(tài)、駕駛員狀態(tài)以及部件狀態(tài)相關的信號，為了提升支持向量機的虛擬控制器的識別精度、分析能力，使用隨機森林機器學習方法對輸入信號進行篩選，篩選出與能量管理控制策略相關的信號，提升了基于機器學習的虛擬控制器的訓練效率以及繪圖分析能力。為了進一步改善基于支持向量機的虛擬控制器的回歸能力，使用優(yōu)化方法優(yōu)化支持向量機中的參數(shù)，因為在基于機器學習的虛擬控制器的訓練時，直接對對標測試所采數(shù)據(jù)進行選取，并直接應用到了訓練中，里面會存在很多噪聲，影響基于機器學習算法的訓練，使用小波理論，對所獲得的測試數(shù)據(jù)進行濾波，使得數(shù)據(jù)能夠更好的訓練基于機器學習的虛擬控制器。



完成了模型搭建以及虛擬控制器的構建之后，可以利用虛擬控制器去生成電機轉矩分布圖、發(fā)動機轉矩分布圖等，根據(jù)生成的轉矩分布圖就可以去總結驅動的控制策略、模式切換策略（如CD-CS切換條件；在不同模式下能量分配的簡單規(guī)則）；基于轉矩分布圖，總結出真實的競品車模式切換條件，CD-CS切換條件，基于此去對比分析基于對標結果的一般性分析所搭建的正向仿真模型中的相關控制策略模塊的準確性，如表中虛擬控制器邏輯門限其實就是競品車的真實表現(xiàn)，那么對標分析邏輯門限就是針對對標分析結果一般性的分析所得到的一些邏輯門限值，通過對比就可以發(fā)現(xiàn)之前所搭建模型的精度到底是否達到了競品車的狀態(tài)，也可以利用虛擬控制器邏輯門限去重新標定模型，來進一步提升正向仿真模型的精度。



之前提到了支持向量機學習法，同樣也利用了其他機器學習法來進行相關的測試，希望尋找到更合適的機器學習方法來構建虛擬控制器。嘗試了基于粒子群優(yōu)化算法的隨機森林方法，簡單的隨機森林方法，基于交叉驗證支持向量機方法以及常用的BP隨機網(wǎng)絡方法，通過對比發(fā)現(xiàn)粒子群優(yōu)化算法的隨機森林方法能夠取得更好的結果，它也成為了最終構建虛擬控制器的核心機器學習算法。在完成應用我們所構建的虛擬控制器完成模型的搭建驗證之后進行了相關測試，將所得到的結果與真實的對標測試結果進行對比，發(fā)現(xiàn)通過使用虛擬控制器驗證之后所搭建的模型具有非常高的精度。

如下圖可以看到試驗車速和仿真車速基本上是重合的，通過試驗得到的發(fā)電機轉矩、電機轉矩和發(fā)動機轉矩與通過仿真得到的是基本重合的，同樣可以看到，特別是在發(fā)電機與發(fā)動機轉矩部分存在一些差異，主要是由于本次搭建的是一個服務于測試開發(fā)的準靜態(tài)模型，一些部件的動態(tài)顯示特性，如電池、電機的熱效應，衰退效應是沒有考慮在內的。在未來的研究中，將會開展此類的工作，計劃借助深度學習的加入來考慮搭建基于測試評價結果的車輛“機-電-液-熱”性能的高精度仿真模型，希望能夠進一步為車輛的正向開發(fā)服務工作提供支持。