基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法与流程

文档序号:15936259发布日期:2018-11-14 02:26阅读:160来源:国知局

本发明属于电动汽车技术领域,涉及一种基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法。

背景技术

为减小汽车带来的污染,电动汽车的发展是大势所趋,然而,由于电动汽车续航里程普遍较短,电动汽车的推广和使用受到严重制约。因此,出行的路线规划为驾驶员提供最优节能路线、准确估计续驶里程,对于促进电动汽车推广具有重要意义。而随着社会对高效能耗的要求的不断增加,用于提醒驾驶员对潜在的节能选择的新方法显得愈加重要。

现有的能耗预测在瞬时能耗测算上多采用物理的方法,然而物理建模进行能耗测算依赖于整车参数、环境因素以及驾驶员驾驶习惯等,难有普遍应用价值;而在能耗预测上,现有方法多是基于当前工况,难以对任意目标路段进行有效的总能耗估计。



技术实现要素:

有鉴于此,本发明的目的在于提供一种于物理模型和道路特征参数的电动汽车目标路段能耗预测方法,综合考虑固定道路信息和实时交通状况,实现对任意目标路段进行能耗预测的目的。

为达到上述目的,本发明提供如下技术方案:

基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法,该方法包含如下步骤:

s1:记录电动汽车正常行驶过程中的历史行驶状态参数;

s2:对电动汽车的能耗因子进行物理建模,获得车辆瞬时能耗的物理模型;

s3:基于所述历史行驶状态参数,对道路特征参数进行模糊c均值聚类,获取多个聚类中心,选取任意目标路段,获取目标路段的道路信息,按长度将目标路段划分为多个片段,对每一个片段提取道路特征参数,并基于所述聚类中心对每一个片段进行分类;

s4:基于所述历史行驶状态参数,生成目标路段初速度,并建立各个聚类类别对应的速度-加速度概率转移矩阵;

s5:对所述目标路段的片段,基于所述速度-加速度概率转移矩阵构建驾驶行为特征矩阵,利用隐马尔科夫链构建预测的加速度值,进而得到各个目标路段片段的速度-时间曲线

s6:基于所述速度-时间曲线,利用所述物理模型估计各个行驶工况块的能耗。

进一步,所述历史行驶状态参数具体包含:逐秒速度,道路信息,电池的端电压、端电流,电机输出功率,各个附件输出功率以及当前环境温度。

进一步,步骤s2所述能耗因子包含行驶能耗,电池内损耗,机械损耗,附件能耗和驾驶习惯附加能耗。

进一步,步骤s2的能耗因子中行驶能耗的建模满足:

式中,p为行驶阻力功率,ρ为空气密度,a为空气迎风面积,m为车辆质量,g为重力加速度,v为车辆瞬时速度,a为车辆瞬时加速度,εi为质量因子,表示传动系中转动部分的当量质量,θ是路面倾角,cr为滚动阻力系数,cd为风阻系数;

利用移动最小二乘法对各个参数进行估计,先改写上式为:

p=k1v3+k2vcosθ+k3vsinθ+k4vmax{a,0}

式中,其中k1,k2,k3,k4分别表示待估计参数值,建立输出函数表达式:

式中,yk是历史行驶状态参数中的电机输出功率,mk=[v3,vcosα,vsinα,vmax{a,0}]t,由历史行驶状态参数中的逐秒速度和道路信息决定,θk=[k1,k2,k3,k4]t,ek为误差,利用移动最小二乘法使误差达到最小,得到待估计参数值;

能耗因子中电池内损耗利用一阶rc模型进行物理建模,并基于电池的端电压、端电流采用遗传算法对一阶rc模型的参数进行拟合。

进一步,步骤s3中,目标路段按照长度划分为多个片段,提取的所述道路特征参数包含交通状况等级,道路等级,最高限速,平均速度以及路段海拔方差。

进一步,所述交通状况等级分为畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵五个等级,道路等级分为高速公路,一级公路,二级公路,三级公路,四级公路五个等级。

进一步,步骤s3具体包含如下步骤:

s31:假定历史状态参数中的道路信息共有n'个道路样本,每个样本道路片段长度为100m,利用模糊c均值聚类方法进行聚类,并建立目标函数和约束条件,满足:

式中,uij为样本属于聚类中心的程度,u为uij构成的隶属度矩阵,v是j个聚类中心构成的聚类中心矩阵,q为加权模糊指数,q的经验范围为1.1≤q≤5,一般认为q取2为通常条件;eij为样本到聚类中心的欧氏距离,c为聚类数,本发明中经测试取为7类;

s32:对目标函数和约束条件利用拉格朗日乘数法迭代求解;

s33:基于聚类中心和聚类数,分别计算所述目标路段的片段的道路特征参数向量与各聚类中心向量的欧氏距离,根据最小距离对应的聚类中心对目标路段的片段进行分类。

进一步,步骤s4具体包含如下步骤:

s41:在起始片段范围内,根据道路特征参数,按照历史行驶状态参数中该类别道路特征下行驶的速度取值统计分布,根据速度概率矩阵,按概率生成目标路段初速度:

式中,ni表示当前类别下历史行驶状态参数的逐秒速度中速度vi出现的次数;

s42:对步骤s31中各个类别的道路片段,基于历史形式状态参数统计获取其速度-加速度概率转移矩阵p,满足:

式中,n'ij表示当前类别下历史行驶状态参数中,速度区间i中加速度aj出现的次数;n'i表示速度区间i中样本总数。

进一步,步骤s5具体为:构建驾驶员行为特征矩阵,所述行为特征矩阵为描述驾驶员改变车速的行为倾向,其中,对当前车速v,车辆加速、减速的概率满足:

式中,pi表示车辆加速、减速的概率,λ为驾驶习惯因子,vmax表示此路段的最高限速,vave表示此路段的平均速度,当-0.03<pi<0.03,认为维持匀速,并根据道路情况加入概率扰动;

利用隐马尔科夫链构建预测的当前加速度的值满足:

ai=pi·a'i

式中,pi为车辆加速、减速的概率,a'i为当前速度下利用速度-加速度概率转移矩阵所选择的加速度值。

本发明的有益效果在于:本发明预测方法通过物理能耗建模和道路参数提取,基于历史行驶数据实现对目标路段的能耗估计。物理建模综合考虑各项能耗因素,利用易获取的历史行驶状态参数对其中参数进行识别,避开了大量使用传感器,使得能耗计算的成本更低。在目标道路行驶工况预测上,使用了基于道路信息特征参数聚类,驾驶行为特征和隐马尔科夫链预测的新方法,且综合考虑了固定道路信息和实时交通状况,可以对任意目标路段进行能耗预测,成本低,可靠性高,可广泛使用。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:

图1为本发明流程图;

图2为本发明物理能耗模型中电池内部结构示意图;

图3为物理能耗建模中的驾驶员模型

图4为本发明方法对某一目标路段实施本发明得到的道路工况聚类结果;

图5为本发明方法隐马尔科夫链构造示意图。

具体实施方式

下面将结合附图,对本发明的优选实施例进行详细的描述。

如图1所示,本发明为一种于物理模型和道路特征参数的电动汽车目标路段能耗预测方法,该方法具体包含如下步骤:

步骤1:在电动汽车正常行驶过程中记录其行驶状态参数。行驶状态参数为逐秒记录,建立固定大小的数据存储区,当记录数据超出该大小即覆盖最早时刻的数据。行驶状态参数包括:逐秒速度,道路信息,电池端电压和端电流,电机输出功率,各个附件输出功率,当前环境温度。

步骤2:对电动汽车的能耗因子进行物理建模。能耗因子包括:行驶能耗,电池内损耗,机械损耗,附件能耗,驾驶习惯附加能耗。利用历史行驶数据对各个能耗因子的物理模型中涉及的参数进行拟合,得出车辆瞬时能耗的完整物理模型。

该步骤具体分为行驶能耗建模,电池内损耗建模,机械损耗建模,附件能耗建模,驾驶习惯建模。

行驶阻力能耗建模基于比功率,行驶阻力包括风阻,滚动阻力,重力分量以及加速惯性力,行驶阻力功率为

其中,m为车辆质量,v为车辆瞬时加速度,a为车辆瞬时加速度,εi为质量因子,表示传动系中转动部分的当量质量,θ是路面倾角,cr为滚动阻力系数,cd为风阻系数,这些参数的选择基于采集的道路信息。利用移动最小二乘法对各个参数进行估计,参照(2)式,建立输出函数表达式:

式中,yk是历史行驶状态参数中的电机输出功率,mk=[v3,vcosα,vsinα,vmax{a,0}]t,由历史行驶状态参数中的逐秒速度和道路信息决定,作为方程输入,θk=[k1,k2,k3,k4]t,是待估计参数值,ek是误差,利用移动最小二乘法使误差达到最小值。

电池内损耗建模采用一阶rc模型,如图2所示,满足:

利用历史行驶状态参数中的电池端电压和端电流,利用遗传算法对各个参数进行拟合可得到电池的内部建模。

机械损耗建模,本发明实施例中,对机械损耗的建模采用了固定的能量效率值η,电池输出功率与该效率的乘积即为电机功率,采用历史行驶状态参数中的电池端和端电流,电机输出功率对该参数进行识别。

附件能耗建模,本发明实施例中,对附件能耗建模主要考虑空调能耗,在恒定环境温度下以恒定功率表征空调能耗,利用历史行驶状态参数中的空调功率和当前环境温度得到不同温度下空调功率的平均值。

步骤3:对历史行驶道路片段的道路特征参数进行聚类,得到聚类中心,对目标路段分片段提取道路特征参数,并基于所述聚类中心对目标路段片段的道路特征参数进行分类。对步骤3的执行分以下几个子步骤:

步骤31:对历史行驶状态参数中的道路信息,设其共有n'个道路样本,每个样本道路片段的长度为100m,样本具有五个道路特征参数,分别为:交通状况等级,道路等级,最高限速,平均速度以及路段海拔方差。其中,交通状况等级分为五个级别,分别为:畅通、基本畅通、轻度拥堵、中度拥堵、严重拥堵,道路等级分为五个级别,分别为:高速公路,一级公路,二级公路,三级公路,四级公路。

利用模糊c均值聚类方法进行聚类,按式(4)建立目标函数和约束条件,并利用拉格朗日乘数法迭代求解。

式中,uij为样本属于聚类中心的程度,u为uij构成的隶属度矩阵,v是j个聚类中心构成的聚类中心矩阵,q为加权模糊指数,q的经验范围为1.1≤q≤5,一般认为q取2为通常条件,eij为样本到聚类中心的欧氏距离,c为聚类数,本发明中经测试取为7类。利用聚类可以得到每个类别对应的聚类中心vj。

步骤32:对目标路段进行片段划分,先假设当前片段隶属与聚类中心vj,取当前片段长度为聚类中心vj的平均速度乘以60s。

步骤33:提取当前片段的道路特征参数,每个片段均有如步骤31所述的五个道路特征参数,计算当前片段的道路特征参数向量与聚类中心vj的欧式距离。

步骤34:改变当前片段所属聚类中心j,重复执行步骤32、33,直到获得七个距离值,取最小值作为当前片段实际所属类别,片段长度由步骤32得到。

步骤35:对目标路段中的余下部分重复执行步骤32、33、34,直到完成目标路段的分类。本发明实施例的聚类结果如图4所示。

步骤4:基于所述历史行驶状态参数,生成目标路段初速度,并建立各个聚类类别对应的速度-加速度概率转移矩阵以及驾驶行为特征矩阵。对步骤4的执行分以下几个子步骤:

步骤41:在起始片段范围内,根据道路特征参数,按照历史行驶状态参数中该类别道路特征下行驶的速度取值统计分布,根据速度概率矩阵,按概率生成目标路段初速度:

式中,ni表示当前类别下历史行驶状态参数的逐秒速度中速度vi出现的次数;

步骤42:对步骤31中根据历史行驶数据得到的各个类别道路片,基于历史形式状态参数统计获取其速度-加速度概率转移矩阵p,满足:

式中,n'ij表示当前类别下历史行驶状态参数中,速度区间i中加速度aj出现的次数;n'i表示速度区间i中样本总数。速度区间长度取为10km/h,从速度为零开始依次得到的速度区间为(0~10)、(11~20)、(21~30)……直到包含历史数据中的最大速度为止。加速度为离散值,其取值以零为基准,步长为0.1m/s2,对历史形式状态参数中的每个加速度取与真实值最接近的离散值。

步骤5:对选取的目标道路片段,基于所述速度-加速度概率转移矩阵以及所述驾驶行为特征矩阵,利用隐马尔科夫链构建预测的加速度值,进而得到各个目标路段片段的速度-时间曲线,利用步骤2构建的瞬时能耗的物理模型估计各个行驶工况块的能耗。对步骤5的执行分以下几个子步骤:

步骤51:构建驾驶员行为特征矩阵,所述行为特征矩阵为描述驾驶员改变车速的行为倾向,其中,对当前车速v,车辆加速、减速的概率满足:

式中,pi表示车辆加速、减速的概率,λ为驾驶习惯因子,vmax表示此路段的最高限速,vave表示此路段的平均速度。当-0.03<pi<0.03,认为维持匀速,并根据道路情况加入一定的概率扰动。

如图3所示,一般来说,当前速度与最高限速相差越大,越倾向于加速,低于平均速度也表明倾向加速,当速度高于平均速度,低于最高限速,可根据司机驾驶因子λ来确定权重。

取vave/vmax=0.6~0.8,有λ∈(-1,1)。设定值为0时司机类型为稳健型,1为激进型,-1为谨慎型。λ的计算可由历史数据拟合从而计算得出,本发明实施例中司机行为预测如图5所示。

步骤52:根据步骤42得到的速度-加速度概率转移矩阵以及步骤43得到的驾驶行为特征矩阵,利用隐马尔科夫链预测当前加速度,满足:

ai=pia'i(8)

式中,pi为步骤s43车辆加速、减速的概率;a'i为当前速度下,利用步骤42中得到的速度-加速度概率转移矩阵所选择的加速度值。

步骤53:利用当前速度和当前加速度值得到下一时刻速度,时间步长取为1s。

步骤54:累计已计算的距离值,当一个道路片段结束时,以当前道路片段的末速度作为下一个片段的初始速度,执行步骤52,最终得到目标路段的速度-时间曲线。

步骤55:根据速度-时间曲线,利用步骤2中建立的瞬时能耗物理模型得到目标路段预测能耗。

最后说明的是,以上优选实施例仅用以说明发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1