[發(fā)明專利]一種基于滾動預測的混合動力車輛行駛工況的工況預測方法

在審

• 申請?zhí)枺?/td>: 201710645963.0
• 申請日: 2017-08-01
• 公開（公告）號: CN107516146A
• 公開（公告）日: 2017-12-26
• 發(fā)明（設(shè)計）人: 項昌樂;王偉達;馬越;韓立金
• 申請（專利權(quán)）人: 北京理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/08
• 代理公司: 北京隆源天恒知識產(chǎn)權(quán)代理事務(wù)所(普通合伙)11473
• 代理人: 閆冬

技術(shù)領(lǐng)域

本發(fā)明涉及一種車輛行駛工況的工況預測方法，尤其是一種基于滾動預測的混合動力車輛行駛工況的工況預測方法。

背景技術(shù)

工況預測(一般指車速預測)是通過建立預測算法，在車輛實際行駛過程中利用歷史信息，預測未來短期內(nèi)的工況信息。預測算法代表了車輛歷史工況和未來工況的某種聯(lián)系，應(yīng)用這種聯(lián)系，可以得到未來的工況信息。工況預測的結(jié)果有多種形式，現(xiàn)有的預測形式主要包括基于SOC、基于需求功率、需求轉(zhuǎn)矩的預測，本發(fā)明直接對行駛工況進行預測，實現(xiàn)真正意義上的行駛工況預測，可直接提升汽車路徑導航、碰撞預警及節(jié)能輔助駕駛系統(tǒng)等系統(tǒng)性能。

發(fā)明內(nèi)容

本發(fā)明的主要目的是提供一種車輛行駛工況的工況預測方法，尤其是一種基于滾動預測的混合動力車輛行駛工況的工況預測方法，從而實現(xiàn)車速的信息準確預測。

本發(fā)明的目的可以通過以下途徑來實現(xiàn):

一種車輛行駛工況的工況預測方法，該方法包括：

將整個車輛行駛工況分成數(shù)個行駛工況片段的組合，其中一個行駛工況片段是指車輛從起動到第一次停車制動的過程，包括起動階段、行駛階段、制動階段三部分組成；

通過實時記載每一次車輛實際行駛的工況信息，然后提取歷史工況片段波形數(shù)據(jù)，利用歷史數(shù)據(jù)在線對神經(jīng)網(wǎng)絡(luò)進行訓練；

然后通過神經(jīng)網(wǎng)絡(luò)強大的擬合能力，對輸入的行駛工況歷史信息進行分析計算，將歷史信息與訓練行駛工況片段進行匹配；

在訓練行駛工況片段中找到與歷史信息最為相近的部分，將該部分接下來的工況信息作為預測行駛工況信息輸出。

本發(fā)明的工況預測方法，進一步地，其中可以將行駛工況片段轉(zhuǎn)換成加速度工況片段，以加速度工況片段訓練神經(jīng)網(wǎng)絡(luò)并得出預測的加速度工況信息，通過預測加速度工況信息和當前車速計算得到未來的速度工況信息。

本發(fā)明的工況預測方法，進一步地，其中通過聚類分析算法對實時記錄的歷史工況片段進行類別辨識，通過辨識的結(jié)果判斷出工況庫中已有的類別是否已經(jīng)包含此段工況的類別；如果此段工況的類別包含于之前已儲存的工況類別中，則設(shè)定當前行駛工況為工況庫中的相應(yīng)類別；如果此段工況是一種全新的類別，不包含于之前已儲存的工況類別，那么就為此類工況新成立一類，添加到現(xiàn)有的工況總類里，這樣，隨著車輛經(jīng)歷工況種類的增加，預測波形樣本的種類也不斷完善；然后針對每一種類別的樣本波形訓練相應(yīng)的神經(jīng)網(wǎng)絡(luò)，這樣在實際行駛過程中，基于工況識別的結(jié)果，選擇相應(yīng)的神經(jīng)網(wǎng)絡(luò)，就可以更準確的預測未來工況信息。

本發(fā)明的工況預測方法，進一步地，其中該方法還包括相應(yīng)的工況識別檢測流程，在發(fā)現(xiàn)當前行駛工況的類別發(fā)生改變時，重新選定用于預測的神經(jīng)網(wǎng)絡(luò)，以保證預測的準確性。

本發(fā)明的工況預測方法，進一步地，其中工況識別檢測流程的觸發(fā)節(jié)點為，當程序運行到指定的固定時間節(jié)點時，系統(tǒng)會自動進行工況識別，然后根據(jù)識別結(jié)果選擇預測模型。

本發(fā)明的工況預測方法，進一步地，其中工況識別檢測流程的觸發(fā)節(jié)點為，當預測結(jié)果與實際車速的偏差達到預設(shè)的閾值時，觸發(fā)系統(tǒng)的工況識別程序，然后根據(jù)識別結(jié)果重新選擇預測模型。

本發(fā)明的工況預測方法，進一步地，其中工況識別檢測流程的觸發(fā)節(jié)點分為兩種情況：第一種觸發(fā)節(jié)點為，當程序運行到指定的時間節(jié)點(由預設(shè)的固定時間間隔決定)時，系統(tǒng)會自動進行工況識別，然后根據(jù)識別結(jié)果選擇預測模型，如果不發(fā)生第二種觸發(fā)節(jié)點，該預測模型會一直工作到下一時間節(jié)點的到來；第二種觸發(fā)節(jié)點為，當程序沒有運行到指定的時間節(jié)點，但預測結(jié)果與實際車速的偏差達到預設(shè)的閾值時，也會觸發(fā)系統(tǒng)的工況識別程序，然后根據(jù)識別結(jié)果重新選擇預測模型。

本發(fā)明的工況預測方法，進一步地，其中該方法包括以下流程：

(1)將連續(xù)的行駛工況片段進行離散化，按照時間離散成若干個點；

(2)數(shù)據(jù)處理，根據(jù)神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個數(shù)n和輸出層神經(jīng)元個數(shù)l，將離散后的行駛工況片段按照從前到后的順序，n+l個相鄰的數(shù)據(jù)點組成一個訓練片段，將得到的訓練片段的前部n個數(shù)據(jù)作為訓練神經(jīng)網(wǎng)絡(luò)的輸入向量，后部l個數(shù)據(jù)作為訓練神經(jīng)網(wǎng)絡(luò)的期望輸出向量；

(3)訓練神經(jīng)網(wǎng)絡(luò)：在特定軟件環(huán)境下，利用神經(jīng)網(wǎng)絡(luò)工具箱和已經(jīng)得到的訓練樣本對神經(jīng)網(wǎng)絡(luò)進行訓練；

(4)在線預測未來工況信息：通過將最近的歷史工況信息輸入到神經(jīng)網(wǎng)絡(luò)中，得到網(wǎng)絡(luò)的輸出即為對未來工況的預測結(jié)果，兩次預測的時間間隔要小于預測時域長度；