[發明專利]一種基于智能預測的插電式混合動力車輛的能量管理方法

有效

• 申請號: 201810003711.2
• 申請日: 2018-01-02
• 公開（公告）號: CN108177648B
• 公開（公告）日: 2019-09-17
• 發明（設計）人: 何洪文;譚華春;彭劍坤;李夢林;李岳騁
• 申請（專利權）人: 北京理工大學
• 主分類號: B60W20/11
• 分類號: B60W20/11;G06N3/08;G06N3/04
• 代理公司: 北京市誠輝律師事務所 11430
• 代理人: 范盈

1.一種基于智能預測的插電式混合動力車輛的能量管理方法，其特征在于：具體包括以下步驟：

步驟1、在線提取對應于目標行駛路線的多維行駛工況信息，基于深度學習算法對所述目標行駛路線建立全局行駛工況的重構模型；

步驟2、基于所述步驟中1所建立的全局行駛工況的重構模型，建立強化學習網絡模型，獲得所述插電式混合動力車輛的動力電池最優能量軌跡；

步驟3、根據所述車輛的自身狀態信息以及交通信息分別構建駕駛員風格深層卷積神經網絡模型和交通信息的深層卷積神經網絡模型，提取相應的駕駛員風格特征和交通信息特征，基于深度學習算法建立所述車輛的未來短期工況實時預測模型；

步驟4、根據所述動力電池的壽命模型，以所述步驟2中的所述動力電池最優能量軌跡作為滾動時的終值約束，結合所述步驟3中建立的所述未來短期工況實時預測模型，建立所述動力電池的控制策略。

2.如權利要求1所述的方法，其特征在于：所述步驟中1在線提取的多維行駛工況信息包括車流信息、信號燈信息、行人信息和天氣信息，所述多維行駛工況信息提取自開源地圖服務商，交通監控平臺或車載視覺系統。

3.如權利要求1所述的方法，其特征在于：所述步驟2中的所述建立強化學習網絡模型，獲得所述插電式混合動力車輛的動力電池最優能量軌跡，具體包括：以全局能量消耗最少作為所述強化學習網絡模型的強化獎勵。

4.如權利要求1所述的方法，其特征在于：所述步驟3中的車輛的自身狀態信息包括與轉向、油門踏板或制動踏板相關的信息；所述交通信息包括與環境車輛速度、信號燈轉換以及路上行人隨機走動相關的信息；對所述車輛的自身狀態信息和交通信息分別建立數據庫，利用所述數據庫中的樣本分別構建所述駕駛員風格深層卷積神經網絡模型和交通信息的深層卷積神經網絡模型。

5.如權利要求4所述的方法，其特征在于：所述駕駛員風格深層卷積神經網絡模型和交通信息的深層卷積神經網絡模型的神經網絡的各網絡層是在由多個高斯—伯努利受限玻爾茲曼機疊加組成的深度信念網絡末端加入所述神經網絡；訓練過程主要由兩部分組成，一部分是逐層訓練多個高斯—伯努利受限玻爾茲曼機；另一部分是有監督訓練下的參數微調。

6.如權利要求5所述的方法，其特征在于：所述高斯—伯努利受限玻爾茲曼機中，每一個高斯—伯努利受限玻爾茲曼機模型利用基于能量的聯合概率表達；所述微調過程中的參數更新公式如下：

其中J(W,b；x,y)是模型的損失函數，由參數W,b和輸入x與輸出y決定，δ是殘差，l代表層數，w^(l)是權值參數，b^(l)是偏置參數，a^(l)是激活值，m是樣本值數量，α是學習率，w^(l)是正則項，λ是正則項系數。

7.如權利要求6所述的方法，其特征在于：基于所述所述駕駛員風格深層卷積神經網絡模型和交通信息的深層卷積神經網絡模型實現對所述車輛的未來短期工況實時預測的過程可用以下映射關系和前向傳播公式表示：

f(交通信息,駕駛風格信息；W,b)＝v

z^(l+1)＝W^(l)a^(l)+b^(l)

a^(l+1)＝f(z^(l+1))

其中v是車輛行駛速度，l代表層數，w^(l)是權值參數，b^(l)是偏置參數，a^(l)是激活值,z^(l+1)是單元輸入加權和。