为实现融合车辆运行状态的电池温度不一致性的精准评估诊断,设计并开展电动汽车自然驾驶试验,利用长周期、精细化的车辆运行数据,从微观运行片段的角度探究了电池温度一致性与驾驶行为的关联特性。通过驾驶人踩/松踏板的驾驶行为将车辆运行过程划分为A、B、C、D四类微观片段。分别针对4类片段,通过计算最大信息系数(Maximum Information Coefficient, MIC)得到了各驾驶行为参数与探针温度变异系数(Variation Coefficient of Probe Temperature, VCPT)的相关性,利用随机森林模型分析了驾驶行为参数对VCPT的重要性及影响机理,利用数据分组统计计算了驾驶行为参数对VCPT的量化影响效应。研究结果表明:驾驶行为参数与电池温度一致性具有弱相关性,且其对电池温度一致性的影响是非线性且非单调的;总体上车速类参数与电池温度一致性的相关性强于加速度和踏板类参数;对VCPT回归预测最重要的4项驾驶行为参数中,4类片段下均包含最大车速,B、C、D三类片段下均包含最大负向加速度;相比于高车速和高车速波动,高减速度驾驶行为引起的温度不一致性增幅是最显著的,4类片段下VCPT促进效应最显著的驾驶行为参数分别是最大负向加速度、平均负向加速度、最大负向加速度、车速标准差,其参数值85%分位点以上对应的VCPT均值比15%分位点以下的分别大9.44%、20.36%、13.05%、16.37%。研究结果可以支撑基于驾驶场景自适应阈值的电池温度不一致性评估诊断方法的提出,进而提高电动汽车电池安全预警准确率。
卡车与无人机配送的母船模式是指卡车搭载无人机至离客户较近的地点后,由无人机起飞配送多个客户点,再与卡车汇合的协同配送方法,是交通工程领域中具有潜力的重要发展方向之一。考虑到现实中存在部分客户点需求量超出无人机最大载重,或所处位置超过无人机最大航程覆盖范围的情况,在母船模式基础上,提出考虑超重超远客户的卡车与无人机协同配送模式(Truck-Drone Joint Delivery with Consideration of Customers with Great Demands and at Great Distances, TDJD-CGDGD)。该模式允许卡车服务超重超远客户,并允许无人机起降于不同地点。该模式下待求解的问题为含无人机的旅行商问题。以最小化总配送成本为目标,构建了混合整数线性规划模型。为高效求解大规模算例,提出了一种融合贪婪随机自适应搜索(GRASP)与自适应大邻域搜索(ALNS)的混合算法。算法首先在附加约束条件下,生成车机共同配送路径,该约束可简化车机路径优化过程。随后放松附加约束,针对性地调整一部分无人机路径,进一步降低总成本。试验结果表明:所提算法具有较好的计算性能;本协同配送模式与仅由卡车配送的传统模式相比可平均节约成本19%;允许无人机在超重客户点处起降与不允许情况相比可平均节约成本5%。