一种车辆工况实时预测的方法与流程

本发明涉及一种车辆工况实时预测的方法。

背景技术：

如今，混合动力电动汽车(HEV)因具有改善汽车燃油经济性及减少排放的潜力而被广泛应用，混合动力电动汽车(HEV)及插电式混合动力电动汽车(PHEV)中能量优化管理的性能，无论是在准确性方面还是在计算效率方面，都高度依赖于对未来车辆工况的预测。

目前学术界已经提出了多种不同的车辆工况的预测方法，根据是否使用遥感或车载传感器信息等不同情况，这些车辆工况的预测方法可被分为两类。

使用遥感或车载传感器信息的工况预测方法具有不同的方法和算法，然而，使用遥感或车载传感器信息的车辆工况预测方法会产生更高的成本，而且车辆整车控制单元(VCU)将更为复杂且计算复杂度更高。

为解决此问题，不使用遥感或车载传感器信息的车辆工况预测方法将更为适用。我们分别提出了建立随机马尔可夫链及神经网络的方法，以用于速度预测，实际上，这些车辆工况的预测方法是基于所记录的车辆工况数据而建立的状态转变矩阵来预测车辆工况的，对于车辆不需要额外增加硬件成本，并且具有不同循环工况的自适应性。

技术实现要素：

本发明提出了一种新型车辆工况实时预测方法，此方法无需额外的硬件或传感器，同时保证了计算效率，其特征在于，用具有优化预测条件的公式(1)马尔可夫模型进行速度预测：

P{X(t_m+1)＝j|X(t₁)＝x₁,X(t₂)＝x₂,...,X(t_m)＝x_m}

＝P{X(t_m+1)＝j|X(t_m)＝x_m},j∈I

(1)

经过训练的BP神经网络对速度预测的误差进行补偿。

具体车辆工况实时预测的方法步骤如下：

在二维图形上记录车辆工况的速度和加速度，并将其网格化。

删除没有状态的网格，并将工况状态编码为一个维度。

利用公式(2)计算相邻时刻的状态转移概率：

P_ij＝N_ij/N_i (2)

式中：

N_ij＝从状态i到状态j的转换次数；

N_i＝从状态i到所有状态的总转换次数；

P_ij＝从状态i到状态j的转换概率。

将当前状态确定为k₀，然后建立一组随机数{r₁,r₂,r₃,...}。

根据公式(3)，将下一时刻的状态预测为k₁，

与此类似，根据k_i，将下一状态预测为k_i+1。

在原始网格中确定预测状态，然后在表格中查找并获得预测速度。

使用输入的实际速度和输出的预测速度误差来训练BP神经网络，然后再使用经过训练的BP神经网络并根据实际速度来维持补偿速度。

最终的预测速度等于由最优马尔可夫模型所预测的速度减去使用受训BP神经网络的补偿速度。

选择中国典型城市工况测试来验证所提出的工况预测方法的准确性，并采用公式(4)中均方根误差(RMSE)来评估工况预测的准确性：

附图说明

图1是中国典型城市工况测试中工况状态的网格示意图。

图2是由实际速度及预测速度误差训练的BP神经网络示意图。

图3是使用原始马尔可夫模型的中国典型城市工况测试的预测结果示意图。

图4是使用最优马尔可夫模型的中国典型城市工况测试的预测结果示意图。

图5是使用最优马尔可夫模型及BP神经网络的中国典型城市工况测试的预测结果示意图。

图6是本发明专利的整体方法示意图。

图7是混合动力汽车的能量管理系统示意图。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

本发明的技术方案如图6所示。

本发明提出了一种新型车辆工况实时预测方法，此方法无需额外的硬件或传感器，同时保证了计算效率，其特征在于，用具有优化预测条件的公式(1)马尔可夫模型进行速度预测：

P{X(t_m+1)＝j|X(t₁)＝x₁,X(t₂)＝x₂,...,X(t_m)＝x_m}

＝P{X(t_m+1)＝j|X(t_m)＝x_m},j∈I

(1)

经过训练的BP神经网络对速度预测的误差进行补偿。

在二维图形上记录车辆工况的速度和加速度，并将其网格化，图1是中国典型城市工况测试中工况状态的网格示意图。

删除没有状态的网格，并将工况状态编码为一个维度。

利用公式(2)计算相邻时刻的状态转移概率：

P_ij＝N_ij/N_i (2)

式中：

N_ij＝从状态i到状态j的转换次数；

N_i＝从状态i到所有状态的总转换次数；

P_ij＝从状态i到状态j的转换概率。

将当前状态确定为k₀，然后建立一组随机数{r₁,r₂,r₃,...}。

根据公式(3)，将下一时刻的状态预测为k₁，

与此类似，根据k_i，将下一状态预测为k_i+1。

在原始网格中确定预测状态，然后在表格中查找并获得预测速度。

使用输入的实际速度和输出的预测速度误差来训练BP神经网络，然后再使用经过训练的BP神经网络并根据实际速度来维持补偿速度，图2所示的由实际速度及预测速度误差训练的BP神经网络。

最终的预测速度等于由最优马尔可夫模型所预测的速度减去使用受训BP神经网络的补偿速度。

选择中国典型城市工况测试来验证所提出的工况预测方法的准确性，并采用公式(4)中均方根误差(RMSE)来评估工况预测的准确性：

为了证明所提出的工况预测方法的有效性，我们对比了使用原始马尔可夫模型的工况预测方法，原始的马尔可夫预测条件旨在找到与状态转换的最大概率相对应的状态，预测结果如图3中所示，预测速度的RMSE为1.1298米/秒。

在中国典型城市工况测试中，使用最优预测条件的马尔可夫模型的预测结果如图4中所示，预测速度的RMSE为0.7592米/秒。

基于上述利用最优马尔可夫模型的车辆工况预测，我们增加了由BP神经网络提供维护的补偿速度误差，最终的预测结果如图5中所示，预测速度的RMSE为0.6700米/秒。

相比之下，所提出的车辆工况预测方法更具有准确性和有效性，由于马尔可夫链及BP神经网络均为离线建立，但工况预测却是在线实施的，因此车载控制器可接受计算复杂度，此外，这种最优的车辆工况预测方法并不使用遥测或车载传感器信息，从这些方面来看，所提出的车辆工况预测方法具有较好的可行性。

工况预测算法为基于工况预测的能量管理策略提供了必要的信息输入，如图7中所示的混合动力汽车中的能量管理系统为例，工况预测模块提供未来某一时间段内的速度预测，基于该预测的速度可以转换为车辆的功率需求，基于工况预测的能量管理策略比如全局规划就能够在该预测时间段内优化混合动力系统对于发动机以及驱动电机扭矩的分配和最佳档位的选择，路试实验表明，基于工况预测的能量管理策略比现有的基于规则的能量管理策略在混合动力系统的节油率上可以提高10～15％左右。

本发明提出了一种基于最优马尔可夫模型及BP神经网络的新型车辆工况预测方法，且具有良好的准确性及实施的可行性，该方法可从根本上改变动力系统的最优控制策略，尤其是对混合动力电动汽车及纯电动汽车而言，所提出的车辆工况预测方法将可根据对混合动力电动汽车的车辆工况预测来制定能量管理策略，从而有助于实现节能。