摘要
开展苛刻复杂道路工况下燃料电池汽车(FCV)的运行特征分析与性能衰减预测对于指导产品迭代升级具有重要意义. 本文基于40辆燃料电池重型货车的道路行驶数据, 首先, 提出了数据预处理、数据分析与挖掘以及数据后处理方法, 随后, 建立了涵盖车辆出行行为、加氢特性以及燃料电池系统性能的FCV关键特性体系, 进一步构建了基于实车运行数据的发动机性能衰减与预测方法, 满足不同时间跨度、不同车队规模的整车、发动机、辅助系统等不同对象的全方位性能分析需求. 研究发现, 车队中单次出行里程不超过50%纯氢续驶里程的总占比达到95%以上. 加氢行为最密集的区域是加氢间隔里程为180∼220 km、加氢间隔时间为24 h左右.
Abstract
Conducting the statistical characteristics analysis and performance degradation prediction of fuel cell vehicles (FCV) under complex road conditions is of great significance for product improvement. Based on the real operating data of 40 heavy-duty trucks, the paper firstly proposes the pre-processing, data analysis, and post-processing procedure. Subsequently, the FCV key performance index system were established, covering the vehicle travel behaviors, hydrogen refueling characteristics, and fuel cell system performances. Then, the engine performance degradation and prediction methods based on the FCV travelling data was established, satisfying the performance analysis of different time span, motorcade scale, and multi-objects of vehicle, engine as well as auxiliary systems. It was found that the total proportion of the single trip distance divided by pure hydrogen driving mileage of no more than 50% accounted for over 95%. The most frequent hydrogenation behavior happened in the section of 180∼220 km hydrogen refueling interval distance and around 24 h hydrogen refueling interval time.
1 引言
质子交换膜燃料电池（proton exchange membrane fuel cell，PEMFC）具有高功率密度、高能量转化效率、零排放等优点，被视为未来交通运输领域中具有广阔应用前景的清洁动力源之一 [1] . 为了推动产业发展，我国陆续出台了系列涵盖加氢站等基础设施建设、关键零部件自主研发和燃料电池汽车（fuel cell vehicle，FCV）示范运行的政策. 截至2022年年底，我国FCV保有量已超过10 000辆，且随着示范应用政策的实施，全国“3+2”应用示范城市群格局已经形成，预计到2025年我国FCV保有量将达到50 000辆 [2] . 与此同时，随着大数据技术的日益成熟，智能网联汽车成为汽车行业转型升级的重要战略方向 [3] . 因此，结合大数据平台资源，深入挖掘与剖析实际道路工况下FCV关键特征行为以及性能演变规律，对于把握行业技术现状与指导产品迭代优化具有重要意义.
围绕新能源汽车领域大数据平台的开发与利用，国内学者开展了一定的研究工作. 由于新能源汽车国家监测与管理平台建立时间较早而且接入车辆数量庞大 [4]，因此研究工作主要集中在纯电动汽车方面. 南金瑞等人 [5] 基于纯电动客车的车载终端数据，结合高斯过程回归与卡尔曼滤波算法建立了电池健康状态的估算方法，并且通过车辆充放电实验测试对于上述估算方法进行了可靠性验证. 梁海强等人 [6] 基于企业大数据平台，研究了某车型中动力电池运行温度、快充频率、用户驾驶模式对于电动汽车电池容量衰减情况的影响规律. Li等人 [7] 围绕提高汽车大数据平台中上传数据处理质量的需求，提出了数据清洗方法以及数据质量评估模型，能够识别93%受到随机噪声影响以及近乎所有数据缺失的数据源片段. 针对燃料电池汽车实车运行数据的开发利用，通常集中在单一特定车辆，聚焦于能量管理策略、故障识别诊断等方面. 付江涛等人 [8] 提出一种FCV最优等效氢燃料消耗控制策略，通过仿真与实验结果验证了该策略在提高电压稳定性与降低氢耗方面的有效性. 朱静等人 [9] 提出了基于数字孪生技术的燃料电池故障诊断方法，能够实现空气供给系统4种故障的快速准确诊断. Zhang等人 [10] 基于燃料电池有轨电车的实际运行数据，通过反向传播神经网络、卷积神经网络结合的方法，实现了车辆正常运行状态以及5种典型故障模式的快速有效识别. Zhang等人 [11] 通过整合问卷调查、销售数据等多重数据源以及层次分析法，研究了日本东京各区域的FCV市场前景. 针对面向FCV的大数据平台，中国汽车技术研究中心搭建了氢能及燃料电池汽车示范评价平台，以支撑示范城市群考核管理工作 [12] . 围绕 FCV的出行行为特征与加氢规律方面，目前暂无公开发表的文献资料. 围绕FCV的性能衰减分析方面，国内外学者基于台架测试数据开展了一定的研究，主要聚焦于性能预测算法，如深度机器学习算法DML [13]、贝叶斯优化与变分自动编码深度高斯过程的融合方法 [14]、混合人工蜂群差异性进化方法 [15]、秃鹰搜索算法 [16]、贝叶斯门控循环单元法 [17] 等. 然而，FCV在道路行驶时会受到实际道路交通的影响，导致其实际经历的运行工况与台架测试工况存在差异，因此基于台架测试的性能衰减情况与道路行驶过程中性能衰减情况存在一定偏差. 因此，基于氢能大数据平台开展苛刻实际道路工况下FCV关键特性分析以及性能变化规律研究，不仅能够大幅节约试验周期与人力成本，而且性能衰减预测能够随着车辆运行时间的增加而持续更新，对于实际产品开发与性能提升的指导意义更强.
本文基于两个燃料电池汽车车队在同一个季度的实车运行数据，首先，开展了数据清洗与预处理以提高源数据有效性; 随后，建立了基于规则的逻辑判定准则以实现车辆出行行为、加氢特性、燃料电池发动机关键特性的常态分析，对比评估了两个车队的技术先进性; 最后，基于发动机额定运行工况进行了整体性能衰减分析与预测，支撑后续FCV产品迭代优化与示范运行政策.
2 研究方法
本节首先介绍了FCV车队数据情况，随后介绍了数据处理与分析流程，建立了涵盖车辆出行行为、加氢特性以及FCV发动机关键指标的关键特性体系，最后介绍了FCV性能衰减与预测方法.
2.1 FCV车队数据情况
本文选择了同运行时间区间同省份属于两家企业的车队进行对比分析，A，B车队分别包括20辆同型号的重型货车，表1给出了FCV车队的主要信息情况.
表1FCV车队数据情况
Table1Detailed information of FCV motorcades
2.2 数据处理与分析流程
图1展示了数据处理与分析流程的整体框架. 由于 FCV在实际道路行驶时运行数据通过T-box上传到大数据平台，当车辆行驶通过隧道等GPS信号弱和无线信号弱的情景下，可能出现报文缺失、掉帧或者错误的情况，降低车辆报文的整体质量，甚至导致后续数据处理出现错误. 因此，首先需要对实车数据进行一定的清洗与预处理来提高源数据的有效性与可靠性，具体方法包括设定数据有效性阈值、数据合法性检查、数据缺省值清洗或填充等.
图1数据处理与分析流程图
Fig.1Diagram of data processing and analysis procedure
经过数据清洗与预处理后，按照设定的逻辑判定准则进一步提取FCV有效行驶区间所对应的数据段. 按照报文信息车辆状态为“启动”与“熄火”作为车辆行驶的主要判断依据，同时选择车辆运行时间、车辆行驶里程、燃料电池电压、燃料电池电压等数据作为辅助判断依据，通过多重判断依据的嵌套，确保FCV 有效行驶区间、燃料电池发动机有效运行区间所对应的数据段能够被准确识别.
进一步的，建立FCV关键特性指标的逻辑判定准则以及数值计算模型，如单次车辆出行里程的计算与累计出行里程的统计、加氢行为的识别以及基于温差法的加氢质量计算、发动机额定运行区间电压与功率指标的均值化处理等.
最后，建立FCV关键性能指标的可视化展示与自动存储模块，涵盖柱状图统计、散点密度谱、概率云图分布等，满足单日、月度、季度、年度等不同时间跨度，单车、车队、示范群等不同车辆规模，整车、燃料电池发动机、辅助系统等不同对象的数据分析与信息挖掘需求.
2.3 FCV关键特性体系
图2给出了FCV关键特性指标体系，主要分为整车指标与FCV发动机指标两部分.
车辆出行行为涵盖每日出行里程、出行里程概率分布、每日出行时间、出行时间概率分布、出行里程–出行时间密度谱分布、出行时刻分布等.
图2FCV 整车与发动机关键特性指标体系
Fig.2Key performance index for FCV and fuel cell system
车辆加氢特性涵盖加氢间隔里程分布、加氢间隔时间分布、加氢间隔里程–间隔时间密度谱、加氢前后氢气罐压强分布、加氢质量分布、平均氢耗分布等.
FCV发动机关键指标涵盖燃料电池单次运行过程中的平均电流–平均电压密度谱分布、燃料电池运行总时间–车辆行驶总时间分布、燃料电池单次运行过程中的平均温度–平均功率密度谱分布、辅助系统功率–燃料电池堆功率分布、燃料电池额定工况区间性能衰减情况等.
2.4 FCV性能衰减与预测方法
经过上述数据处理，以车辆报文中的发送时间日期作为判断依据，进一步得到日期为Day M−N中燃料电池处于额定工况区间的性能指标的平均值.
(1)
其中:分别表示日期为DayM−N 中燃料电池电流数值为Isp时对应的燃料电池电压、功率的平均值，mean表示取平均值的含义，DayM−N 表示日期， M表示月份，N表示日期.
同理，以车辆报文中发送时间日期作为判断依据，进一步得到日期为DayM−N中燃料电池工作时间的总和 . 基于燃料电池汽车在一段时间内行驶数据的处理，得到随着车辆运行时间增加时燃料电池性能指标的变化情况，即
(2)
其中: tDay表示车辆出行的日期集合，表示车辆在出行日期中每日的燃料电池工作时间总和，表示车辆在出行日期中对应的燃料电池电压值，表示车辆在出行日期中对应的燃料电池功率值.
进一步，以车辆出行的日期集合为横轴数据，以每日燃料电池工作时间总和的数值为纵轴数据，得到车辆在一段时间内每日燃料电池工作时间的变化情况. 对每日燃料电池工作时间求和，得到车辆在一段时间内累计燃料电池工作时间的变化情况，即
(3)
其中:表示截至车辆第k日出行时累计燃料电池工作时间，k表示车型累计出行日数，表示对 的第1个元素到第k 个元素进行求和.
基于燃料电池性能指标的变化情况以及累计燃料电池工作时间，按照最小二乘法曲线拟合方法，以一元线性方程建立燃料电池性能随着车辆运行时间增加时的衰减以及预测公式，即
(4)
(5)
其中:分别表示燃料电池电流数值为Isp时对应的燃料电池电压指标与燃料电池功率指标，aV，aP分别表示电压指标衰减系数与功率指标衰减系数，t表示累计燃料电池工作时间，bV，bP表示常数项.
通过上述式（1）–（5），得到了燃料电池汽车在一段时间区间内的实际道路行驶时燃料电池性能指标随着车辆运行时间增加而变化的情况，并且能够对未来一段行驶时间内燃料电池性能指标的变化趋势进行快速预测.
3 结果与讨论
3.1 车辆出行规律分析
本节首先针对A，B车队的车辆出行规律进行了对比，涵盖出行里程、出行时间、出行时刻等. 车辆每次有效出行会产生单次出行里程、出行时间等信息，通过A，B车队在同一个季度的全部运行数据，统计汇总并分析得出相应的出行规律.
图3给出了车辆单次出行里程概率分布情况. 针对A车队，单次出行里程小于 30 km 的占比为 40.8%，单次出行里程为30∼60 km 的占比为25.4%. 针对B车队，单次出行里程小于30 km的占比为57.7%，单次出行里程为30∼60 km的占比为20.1%，单次出行里程超过120 km的占比为2.6%. 由此可见，A，B车队中单次出行里程小于90 km的总占比均达到80%以上，说明车队均以短途出行为主. 由于A，B车队所对应车辆的纯氢续驶里程分别为340 km与234 km，因此A车队在单次出行里程超过120 km的占比要高于B车队. 与此同时，经过计算得出，A，B车队中单次出行里程不超过50%，纯氢续驶里程的总占比达到95%以上.
图3车辆单次出行里程概率分布情况
Fig.3Probability distribution of single trip distance
图4给出了A，B车队在同一个季度中车辆每日出行总时间的分布情况. 每日出行总时间通过车队中当日出行车辆所产生的出行时间求和得到. 由图可见，车队在每月的出行总时间存在一定的分布差异，单日出行总时间较高时达到160 h，而出行时间较少时则不足10 h. 如A车队在7月份月初出行时间较少，而在下半月出行时间较充足，B车队在7月份月初与月中出行时间较多. 相比而言，A车队整体总出行时间比B车队更长，这与其实际承担的运输任务相关. 关于车辆每日出行里程、每日出行次数、单次出行速度、出行时刻概率分布、出行里程–出行时间关联关系等指标，此处不再详细赘述.
3.2 车辆加氢规律分析
加氢特性对于燃料电池汽车而言尤为关键，包括加氢间隔里程、加氢间隔时间、加氢前后压强、加氢质量、平均氢耗等. 加氢间隔里程定义为车辆在两次加氢行为之间所产生的出行里程. 加氢间隔时间定义为两次加氢行为发生时刻之间相差的小时. 图5给出了车辆加氢间隔里程概率分布情况. 由于A，B车队所对应车辆的纯氢续驶里程差距较大，为了更准确的评估加氢规律，图5选择了加氢间隔里程与纯氢续驶里程的比值作为横坐标. 由图可见，A车队整体呈现正态分布规律，横坐标数值处于0.5∼0.6区间的占比最高，达到28.1%，横坐标数值超过0.8的占比约为 3.7%. B 车队中加氢间隔里程与纯氢续驶里程的比值超过0.8 的占比约为15.6%. 由于车辆加氢受到加氢站位置分布的影响，当前加氢站的基础设施未能很好实现示范应用城市群的全面覆盖，因此，车辆会较多地选择车载储氢瓶还有一定余量的时候进行加氢，确保车辆的持续运行.
图4车辆每日出行总时间分布情况
Fig.4Distribution of total daily trip duration from July to September
图6进一步给出了车辆加氢间隔里程–间隔时间分布情况，图中每个散点代表一次有效加氢行为，颜色表示所占比例. 针对A车队，加氢间隔里程主要覆盖 50∼300 km 的范围，加氢间隔时间大部分分布在96 h 以下. 加氢行为最密集的区域是加氢间隔里程为 180∼220 km、加氢间隔时间为24 h左右. 针对B车队，加氢行为最密集的区域是加氢间隔里程为 100∼ 140 km，加氢间隔时间为48 h左右. 由于B车队的纯氢续驶里程为234 km，而图中存在一些加氢间隔里程远超过该数值的散点，这表明车辆在行驶过程中动力电池系统提供了相当一部分的能量供给，这与图5中B车队加氢间隔里程与纯氢续驶里程的比值超过0.9的占比为9.8%是对应的，而A车队中该数值仅为1.3%，这也意味着A车队中氢气对车辆行驶所需能量的贡献比例相对更高. 此外，AB车队中都存在一些加氢间隔时间超过240 h的散点，这说明车辆可能停机了一段时间没有运行，导致两次加氢的间隔时间较长.
图5车辆加氢间隔里程概率分布情况
Fig.5Probability distribution of hydrogen refueling interval mileage
图6车辆加氢间隔里程–间隔时间分布情况
Fig.6Distribution of hydrogen refueling interval mileage and interval time
由于加氢前后压强的变化反映了加氢质量多少的情况，图7给出了加氢前后加氢罐压强的分布情况. 针对A，B车队，加氢前压强在5∼10 MPa且加氢后压强在30∼35 MPa所占的比例均超过 35%. 虽然加氢前压强从0∼20 MPa均有分布，但是加氢后压强集中在 30∼35 MPa，这表明车辆每次加氢基本都是加满氢的状态.
3.3 燃料电池系统性能分析
燃料电池汽车包括燃料电池系统与动力电池系统两种动力源，揭示车辆出行过程中燃料电池系统的性能表现对于车辆技术先进性评估非常关键. 图8给出了车辆在8月份所有出行行为中燃料电池系统工作时间与车辆行驶总时间的分布情况. 针对A，B车队，由于每天的运输任务存在差异，因此，8月份中每天的总出行时间不同. 值得注意的是，A车队中燃料电池系统运行总时间/车辆行驶总时间的比值维持在70%附近，而B车队中该数值维持在35%附近，这也体现了两个车队中车辆能量管理策略的不同. 由于该数值在一定程度上反映了车辆行驶过程中两种动力源的贡献比例多少，因此A车队中燃料电池系统的贡献比例要明显高于B车队.
图7车辆加氢前后压强分布情况
Fig.7Distribution of hydrogen tank pressure before and after refueling processes
图9给出了燃料电池堆平均功率与燃料电池辅助系统（balance of plant，BOP）平均功率分布情况，其中 BOP功率包括空气压缩机功率与氢气循环泵功率两部分. 由图可见，BOP平均功率随着燃料电池堆平均功率增加而上升，两者基本呈现线性相关关系. 此外，A，B车队中散点分布最集中的区域位于BOP平均功率为4∼6 kW、燃料电池堆平均功率为40 kW区间. 经过计算可以得出，两个车队中BOP功率/燃料电池堆功率的比值约为12%，这表明两者在系统净输出功率管理策略方面相近，但是B车队中散点分布的集中程度要优于A车队，这也表明了B车队在净输出功率调控时的鲁棒性更好.
图8车辆8月份出行行为中燃料电池系统工作时间与车辆行驶总时间的分布情况
Fig.8Distribution of fuel cell system operating duration and vehicle trip duration in August
图9燃料电池堆平均功率与燃料电池辅助系统平均功率分布情况
Fig.9Distribution of fuel cell stack power and auxiliary subsystem power
为了进一步分析苛刻实际道路工况下燃料电池系统的性能衰减情况，选择了燃料电池额定运行工况对应的输出电压作为性能指标进行了研究. 由于单车的每日出行规律不一致，图10首先给出了同一个季度燃料电池系统平均单车的每日运行时间以及累计运行总时间，随后通过计算给出了燃料电池堆在额定区间内输出电压随着累计运行时间的变化情况. 针对A，B 车队，从7月1日到9月30日平均单车的累计运行时间分别约为330 h，148 h，该结果与图9所展示的规律是一致的. 按照式（1）–（5）计算得出，额定运行区间的输出电压拟合公式为
(6)
(7)
由图10可见，拟合公式与实测数据散点之间的相对误差在5%以内，表明拟合精度良好. 经过对比可知，A车队的电压指标衰减系数大于B车队，这表明A车队在实际运行过程中燃料电池系统性能衰减可能比B车队更快. 需要注意的是，B车队同一个季度燃料电池系统平均单车累计运行时间要远低于A车队，而数据点越充分则拟合结果越可靠，后续也将基于时间跨度更长的实车数据以更加准确的进行对比.
图10燃料电池堆在额定区间内输出电压随着累计运行时间的变化情况
Fig.10Fuel cell stack cumulative operating duration and output voltage under rated conditions
4 结论
基于燃料电池汽车（FCV）的实际道路行驶数据，本文首先介绍了分别由20辆同型号的重型货车组成的A，B车队，随后开展了数据清洗与预处理以提高源数据有效性，进一步建立了涵盖车辆出行行为、加氢特性以及FCV发动机性能指标的关键特性体系，随后构建了随着车辆行驶时间增加时发动机性能指标衰减与预测方法，而且能够随着行驶数据增加而持续更新，对于指导产品性能优化与支撑示范运行政策具有重要意义.
研究发现: A，B车队中单次出行里程小于90 km 的总占比均达到80%以上，说明车队均以短途出行为主. A，B车队中单次出行里程不超过50%纯氢续驶里程的总占比达到95%以上，这可能是由于当前加氢站的基础设施未能很好实现城市群的全面覆盖，因此，车辆会较多地选择车载储氢瓶还有一定余量的时候进行加氢，确保车辆的持续运行. 加氢行为最密集的区域是加氢间隔里程为180∼220 km、加氢间隔时间为24 h左右. 燃料电池辅助系统平均功率随着燃料电池堆平均功率增加而上升，两者基本呈现线性相关关系. 经过拟合得出了燃料电池堆在额定区间内输出电压随着累计运行时间变化的预测公式，其与实测数据之间相对误差在5%以内.