[發明專利]一種基于在線變步長的車輛狀態預測方法

有效

• 申請號: 202011158741.4
• 申請日: 2020-10-26
• 公開（公告）號: CN112330843B
• 公開（公告）日: 2021-12-31
• 發明（設計）人: 高澤鵬;任宏斌;陳思忠;陳勇;趙玉壯;吳志成;劉寶庫
• 申請（專利權）人: 北京理工大學
• 主分類號: G07C5/08
• 分類號: G07C5/08;G06Q10/04;B60W40/00
• 代理公司: 北京理工大學專利中心 11120
• 代理人: 田亞琪

1.一種基于在線變步長的車輛狀態預測方法，其特征在于，包括以下步驟：

步驟一、選定車輛狀態變量；

步驟二、對車輛狀態及其熵值的預測計算；

步驟三、對未來T+1時刻車輛預測參數的誤差值矩陣計算；

步驟四、利用車輛狀態變量所對應的波動范圍矩陣H，對車輛狀態的預測進行校正；

步驟一具體包括：

1.1、選擇側向加速度a_y、縱向滑移率s、懸架速度v、懸架相對位移L_s、車身側傾角橫擺角速度ω_γ和載荷轉移率LTR這7種車輛狀態變量組成狀態矩陣X，并計算其所對應的熵值矩陣E；

1.2、計算車輛狀態矩陣X所對應的波動范圍矩陣H；

步驟二具體包括：

2.1、計算得到當前時刻T下，車輛狀態的實際測量值矩陣為X_a|T＝[(x_1a,x_2a,x_3a,x_4a,x_5a,x_6a,x_7a)_|T]^T，和T-1時刻對T時刻的預測值矩陣為X_p|T＝[(x_1p,x_2p,x_3p,x_4p,x_5p,x_6p,x_7p)_|T]^T之間的誤差值矩陣為M_r|T；

2.2、根據2.1中實際測量值矩陣X_a|T和預測值矩陣X_p|T，得到矩陣X_a|T對應的熵值矩陣E_a|T＝[(e_1a,e_2a,e_3a,e_4a,e_5a,e_6a,e_7a)_|T]^T，矩陣X_p|T對應的預測熵值矩陣E_p|T＝[(e_1p,e_2p,e_3p,e_4p,e_5p,e_6p,e_7p)_|T]^T，得到T時刻車輛狀態熵值誤差值矩陣為M_nr|T；

2.3、基于2.1中的實際測量值矩陣X_a|T和誤差值矩陣M_r|T，以及2.2中的熵值矩陣E_a|T和誤差值矩陣M_nr|T，則得到T+1時刻系統狀態和熵值預測方程為：

式中，和分別為T時刻系統狀態及其熵值的變化率矩陣，w_x和w_e分別為T時刻的系統誤差誤差所對應的非線性修正系數矩陣；

T時刻系統狀態及其熵值所對應預測步長T_s|T和T_ns|T的計算方程分別為：

其中，T_s|Tmax、T_s|Tmin、T_ns|Tmax和T_ns|Tmin分別為誤差極值對應的時間；

而損失函數g(M_r|T)和g(M_nr|T)對應的計算方程分別為：

式中，為T-1時刻的系統實際測量值矩陣X_a|T-1對T時刻的系統實際測量值矩陣X_a|T的到達代價修正值，為T時刻的系統實際測量值矩陣X_a|T對T時刻的預測值矩陣X_a|T的到達代價修正值，為T-1時刻熵值矩陣E_a|T-1對T時刻熵值矩陣E_a|T的到達代價修正值，為T時刻熵值矩陣E_p|T對T時刻熵值矩陣E_a|T的到達代價修正值；

2.4、設定車輛狀態預測步長T_s|T大小占當前時刻T的容差比例范圍為[0.5‰,1‰]，由此得到在0.5‰T、0.6‰T、0.7‰T、0.8‰T、0.9‰T和1‰T這6種不同時間步長下的系統預測增廣矩陣為X_ps|T+1＝[(X_p1,X_p2,X_p3,X_p4,X_p5,X_p6)_|T+1]，進而得到不同預測步長下的車輛狀態誤差極值矩陣分別為：

M_max＝[max(X_p1-X_a) max(X_p3-X_a) max(X_p3-X_a) max(X_p4-X_a) max(X_p5-X_a) max(X_p6-X_a)]^T

M_min＝[min(X_p1-X_a) min(X_p3-X_a) min(X_p3-X_a) min(X_p4-X_a) min(X_p5-X_a) min(X_p6-X_a)]^T

X_a為某一時刻系統的實際測量值矩陣，進而確定車輛狀態誤差極值矩陣中的極值M_rmax和M_rmin分別為：

根據極值M_rmax和M_rmin則可以找到所對應的時間步長為T_smax和T_smin；未來時刻T_f所對應的參數序列的維度為n_f，由此可以得到車輛狀態參數所對應的時間延伸指數r_x的計算方式如下所示為：

n表示車輛參數序列的維度，此時，預測步長T_s|T取值范圍則變為由此可以進行往復迭代和滾動優化計算，從而確定最新時間范圍下的T_s|T+1預測步長值；

2.5、設定熵值預測步長T_ns|T大小占當前時刻T的容差比例范圍為[0.1％,0.6％]，由此可以得到0.1％T、0.2％T、0.3％T、0.4％T、0.5％T和0.6％T這6種不同時間步長下的系統預測增廣矩陣為E_pn|T+1＝[(E_p1,E_p2,E_p3,E_p4,E_p5,E_p6)_|T+1]，進而得到不同的預測步長下的車輛狀態熵值誤差極值矩陣分別為：

M_nmax＝[max(E_p1-E_a) max(E_p3-E_a) max(E_p3-E_a) max(E_p4-E_a) max(E_p5-E_a) max(E_p6-E_a)]^T

M_nmin＝[min(E_p1-E_a) min(E_p3-E_a) min(E_p3-E_a) min(E_p4-E_a) min(E_p5-E_a) min(E_p6-E_a)]^T

E_a為X_a對應的熵值矩陣，進而確定車輛狀態熵值誤差極值矩陣中的極值M_nrmax和M_nrmin分別為：

根據極值M_nrmax和M_nrmin則可以找到所對應的時間步長為T_ns|Tmax和T_ns|Tmin；未來時刻T_f所對應的參數序列的維度為n_f，由此可以得到熵值預測所對應的時間延伸指數r_nx的計算方式如下所示為：

此時，預測步長T_ns|T取值范圍則變為[0.1％r_nxT_f,0.6％r_nxT_f]，由此可以進行往復迭代和滾動優化計算，從而確定最新時間范圍下的T_ns|T+1預測步長值。