一种混合动力汽车能量管理方法及系统与流程

本发明涉及汽车控制技术领域，特别是涉及一种混合动力汽车能量管理方法及系统。

背景技术：

改变能源结构，开发利用新型能源及节能技术以减少对不可再生能源的依赖，减少大气污染已成为各国发展的共识。近年来，我国迅速增长的汽车需求带来了对石油消耗的急剧增长，同时也使我国所面临的能源安全问题更加突出。然而现在提高燃油经济性的方法仅仅局限于改善汽车的硬件技术从而提高石油的利用率，然而通过改善硬件提高石油利用率的方法的效果并不明显。

技术实现要素：

本发明的目的是提供一种混合动力汽车能量管理方法及系统，提高燃油经济性。

为实现上述目的，本发明提供了如下方案：

一种混合动力汽车能量管理方法，包括：

利用基于历史车速和驾驶员行为训练的神经网络对未来车速进行预测，得到预测车速；

利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度；

根据所述预测车速和所述预测道路坡度计算需求功率；

根据所述需求功率利用动态规划算法计算各个动力部件的扭矩和转速。

可选的，基于历史车速和驾驶员行为训练的神经网络的训练过程包括：

获取各个汽车数据采集装置所采集的汽车在各个道路工况下行驶时的历史车速和驾驶员行为；

将所述历史车速和所述驾驶员行为按预设时间段长度进行划分，得到输入样本和输出样本；

利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络。

可选的，在所述利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络之后，还包括：

实时对所述历史车速和所述驾驶员行为进行更新；

利用更新后的历史车速和驾驶员行为对所述训练好的神经网络的参数进行调整。

可选的，通过采集的道路坡度数据的建立基于自回归积分移动平均模型的坡度预测模型的具体过程包括：

将道路坡度数据中任意一个采样点与该采样点之前的采样点序列之间线性关系建立为自回归积分移动平均模型的p阶自回归部分；

将道路坡度数据种的白噪声的线性加权关系建立为自回归积分移动平均模型的q阶移动平均部分；

将所述自回归部分与所述移动平均部分整合为自回归积分移动平均模型的自回归移动平均部分；

对所述自回归积分移动平均模型进行参数计算，确定自回归积分移动平均模型的p值、d值和q值，得到坡度预测模型；其中p为自回归部分的阶数，q为移动平均部分的阶数，d为非平稳坡度值序列转化为平稳序列所需要的差分次数。

可选的，所述利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度，具体包括：

将所述预测车速乘以所述预测车速对应的时间，得到预测距离；

利用所述坡度预测模型按照所述预测距离进行坡度预测，得到预测道路坡度。

本发明还公开一种混合动力汽车能量管理系统，包括：

车速预测模块，用于利用基于历史车速和驾驶员行为训练的神经网络对未来车速进行预测，得到预测车速；

坡度预测模块，用于利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度；

功率计算模块，用于根据所述预测车速和所述预测道路坡度计算需求功率；

功率分配模块，用于根据所述需求功率利用动态规划算法计算各个动力部件的扭矩和转速。

可选的，该混合动力汽车能量管理系统还包括神经网络训练模块，用于基于历史车速和驾驶员行为训练神经网络；所述神经网络训练模块包括：

数据获取单元，用于获取各个汽车数据采集装置所采集的汽车在各个道路工况下行驶时的历史车速和驾驶员行为；

样本划分单元，用于将所述历史车速和所述驾驶员行为按预设时间段长度进行划分，得到输入样本和输出样本；

训练单元，用于利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络。

可选的，所述神经网络训练模块还包括：

数据更新单元，用于实时对所述历史车速和所述驾驶员行为进行更新；

参数调整单元，用于利用更新后的历史车速和驾驶员行为对所述训练好的神经网络的参数进行调整。

可选的，该混合动力汽车能量管理系统还包括坡度预测模型建立模块，用于通过采集的道路坡度数据的建立基于自回归积分移动平均模型的坡度预测模型；

所述坡度预测模型建立模块包括：

自回归部分建立单元，用于将道路坡度数据中任意一个采样点与该采样点之前的采样点序列之间线性关系建立为自回归积分移动平均模型的p阶自回归部分；

移动平均部分建立单元，用于将道路坡度数据种的白噪声的线性加权关系建立为自回归积分移动平均模型的q阶移动平均部分；

整合单元，用于将所述自回归部分与所述移动平均部分整合为自回归积分移动平均模型的自回归移动平均部分；

模型参数计算单元，用于对所述自回归积分移动平均模型进行参数计算，确定自回归积分移动平均模型的p值、d值和q值，得到坡度预测模型；其中p为自回归部分的阶数，q为移动平均部分的阶数，d为非平稳坡度值序列转化为平稳序列所需要的差分次数。

可选的，所述坡度预测模块，具体包括：

距离预测单元，用于将所述预测车速乘以所述预测车速对应的时间，得到预测距离；

坡度预测单元，用于利用所述坡度预测模型按照所述预测距离进行坡度预测，得到预测道路坡度。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明基于神经网络在线学习，从人-车-环境系统的角度对汽车车速实时预测，综合考虑车辆状态参数、驾驶员驾驶风格以及前方道路环境与交通状态参数，提高了车速预测的准确度。并基于此运用自回归积分移动平均模型，对坡度进行预测，运用神经网络预测出的车速得到距离s使得坡度预测更加方便准确，然后基于坡度和车速信息对各个动力部件的扭矩和转速进行分配，从而获得更佳的燃油经济性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明混合动力汽车能量管理方法实施例的方法流程图；

图2为本发明混合动力汽车能量管理系统实施例的系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种混合动力汽车能量管理方法及系统，基于径向基函数rbf人工神经网络方法对短期车速进行预测，并结合预测出的短期车速，运用arima模型对道路坡度进行预测，提高车速预测的准确度和燃油经济性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明混合动力汽车能量管理方法实施例的方法流程图。

参见图1，该混合动力汽车能量管理方法，包括：

步骤101：利用基于历史车速和驾驶员行为训练的神经网络对未来车速进行预测，得到预测车速。具体方式为：运用上一时刻30s内的历史车速和驾驶员行为对下一时刻30s内的未来车速进行预测；在实车行驶过程中，基于车载数据采集系统不断获取上一时刻30s内的实时车速数据和驾驶员行为形成神经网络输入矢量，实现车速预测。

步骤102：利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度；

步骤103：根据所述预测车速和所述预测道路坡度计算需求功率；

步骤104：根据所述需求功率利用动态规划算法计算各个动力部件的扭矩和转速。

作为一种可选的实施方式，基于历史车速和驾驶员行为训练的神经网络的训练过程包括：

获取各个汽车数据采集装置所采集的汽车在各个道路工况下行驶时的历史车速和驾驶员行为。具体方式为：基于车载数据采集系统或无线数据采集系统获取不同驾驶员在不同道路工况上行驶时的历史车速信息，基于车载数据采集系统采集不同驾驶员在不同道路工况上行驶时的驾驶员行为，存储于车速数据库中形成样本工况。驾驶员行为包括：加油或收油、踩刹车或松刹车、换挡、转向等。

将所述历史车速和所述驾驶员行为按预设时间段长度进行划分，得到输入样本和输出样本。具体方式为：从车速数据库中提取汽车运行与各样本工况各时刻点t的有效实测数据车辆瞬时速度v(t)。对驾驶员行为进行聚类分析，选取上一时间段30s内的历史车速和驾驶员行为q作为神经网络车速预测模型的输入，定义为式中nin为预测模型的输入，vk为当前时刻车速，vk-1为下一时刻的车速；k为当前时刻；下一未来30s时间段的车速作为输出,式中hh是历史车速向量长度，亦即神经网络模型输入向量的长度。假设fn是神经网络预测的非线性函数，则有

利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络。选取径向基函数(radialbasisfunction，rbf)人工神经网络作为非线性预测函数对汽车未来车速进行预测，构建基于径向基函数人工神经网络的未来车速预测模型，rbf神经元数目取为100，激活函数为a¹＝exp(-||n-c||²/2b²)，n＝wa⁰+b，式中a¹和a⁰分别是当前层上上一层的神经元输出，n是累计输出，w是权重值，c是神经元节点中心，b是神经元径向基函数扩散宽度。

训练步骤具体为：

将历史车速和驾驶员行为按照神经网络输入输出进行整理，然后将输入参数矢量和输出参数矢量输入到径向基函数人工神经网络模型中形成训练样本进行离线训练，建立稳定的径向基函数人工神经网络结构；

确定径向基函数人工神经网络为n-h-m的连接方式，即有n个输入，h个隐含层和m个输出；

对权值ωij赋初值为0到1之间的随机数，隐含层神经元的数目为h，初始网络误差e置0，最大误差ε设为一正的小数；

基于模糊k均值聚类算法确定基函数的中心ci及方差σi，i＝1,2,…,h；

采用梯度下降法调整网络隐含层到输出层的权值ωij直到网络误差e<ε,结束；其中网络误差采用均方误差来表示，表达式如下：

式中，e表示网络误差，为对应于输入x1的实际输出，y(x1)表为对应于输入的期望输出，1为样本总数。

选用自组织选取中线的rbf神经网络学习方法，核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值，由此得rbf神经网络中第j个输出表示为：

式中，为第1个输入样本，l＝1,2,…,l，以ci作为网络隐含层节点的中心，以i作为隐含层的节点数，||xl-ci||²为欧式范数，σi为基函数的宽度，ωij为隐含层到输出层的连接权值，j＝1,2,…,m为输出层的节点数，yi为与输入样本对应的神经网络的第j个输出节点的实际输出。

作为一种可选的实施方式，在所述利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络之后，还包括：

实时对所述历史车速和所述驾驶员行为进行更新；具体方式为：采集上一周期内(一周期可为一周、一月或一年)车速数据和驾驶员行为数据，更新样本数据库；

利用更新后的历史车速和驾驶员行为对所述训练好的神经网络的参数进行调整。具体方式为：在车辆非行驶任务情况下，对神经网络预测模型进行再学习。

作为一种可选的实施方式，采集道路坡度数据的具体过程为：

利用传感器采集道路坡度数据，或基于地理信息系统获取道路坡度信息，存储于数据库中形成道路坡度样本g；

将提取的坡度值进行平稳化检验，计算自相关函数(autocorrelationfunction，acf)：

式中，μ为坡度g的期望，σ为坡度g的标准差，gt和gt+τ分别为t和t+τ时刻的样本坡度值；

计算偏自相关函数(partialautocorrelationfunction，pacf)：

αp，p＝1，2，…

αp为p阶自回归模型的最后一个系数；

若采样坡度数据的acf和pacf满足平稳性边界条件，该数据是平稳的；

若采样坡度数据的acf和pacf不满足平稳性边界条件，该数据是不平稳的，对样本数据进行一阶差分，重新进行平稳性检验，直至数据满足平稳性要求，重复次数记为d；

基于平稳化的道路坡度数据构建自回归积分移动平均模型(autoregressiveintegratedmovingaveragemodel，arima)，坡度序列数据为:

g＝{g1，g2，…，gn}

式中g1，g2，…，gn表示第1,2，...，n个采样点处的坡度值。

arima模型是指将非平稳时间序列转化为平稳时间序列，然后对因变量的滞后值以及随机误差的现值、滞后值进行回归，进而建立对应预测模型。arima模型依据原序列是否平稳、模型所含的自回归项和移动平均项的不同，可划分为自回归模型(ar)、移动平均模型(ma)、自回归移动平均模型(arma)以及自回归积分移动平均模型(arima)四个类型。

作为一种可选的实施方式，通过采集的道路坡度数据的建立基于自回归积分移动平均模型的坡度预测模型的具体过程包括：

将道路坡度数据中任意一个采样点与该采样点之前的采样点序列之间线性关系建立为自回归积分移动平均模型的p阶自回归部分(ar)；采样点z的坡度gz在与前p个采样点序列之间的线性关系如下：

gz＝α1gz-1+α2gz-2+…+αpgz-p+δz

随机序列{δz}为与{gz}不相关的白噪声。

将道路坡度数据种的白噪声的线性加权关系建立为自回归积分移动平均模型的q阶移动平均部分；移动平均模型描述序列{gz}中，坡度gz表示为若干个白噪声的线性加权和。自回归积分移动平均模型的q阶移动平均部分的表达式如下：

gz＝ε1δz-1+ε2δz-2+…+εqxz-q+δz

将所述自回归部分与所述移动平均部分整合为自回归积分移动平均模型的自回归移动平均部分；该模型兼顾前面两个模型的特点，以尽可能少的参数描述平稳时间序列数据的变化过程，其表达式如下：

gz＝α1gz-1+α2gz-2+…+αpgz-p+ε1δz-1+ε2δz-2+…+εqδz-q

式中，p表示自回归部分阶数，q表示移动平均阶数，ε和α表示相应的权重系数，据此该模型记为arma(p,q)。

对所述自回归积分移动平均模型进行参数计算，确定自回归积分移动平均模型的p值、d值和q值，得到坡度预测模型；其中p为自回归部分的阶数，q为移动平均部分的阶数，d为非平稳坡度值序列转化为平稳序列所需要的差分次数。具体方式为：计算非平稳坡度值序列转化为平稳序列所需要的差分次数得到d值；由自回归移动平均模型(arma)自相关函数衰减趋于零(拖尾)时的函数执行步数确定p值；由自回归移动平均模型(arma)偏相关函数衰减趋于零(拖尾)时的函数执行步数确定q值。

作为一种可选的实施方式，所述利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度，具体包括：

将所述预测车速乘以所述预测车速对应的时间，得到预测距离；

利用所述坡度预测模型按照所述预测距离进行坡度预测，得到预测道路坡度。

作为一种可选的实施方式，步骤103所采用的扭矩计算公式为：

式中，m为汽车质量，tout为输出扭矩，tbreak制动扭矩，rwheel为车轮半径，f为路面阻力系数，cd为风阻系数，a为车辆迎风面积。

作为一种可选的实施方式，步骤104的过程具体为：

划分阶段及选择阶段变量k；

选择状态变量λk；

选择决策变量及确定各级允许决策集合；

确定状态转移方程，如下：

λk+1＝t(λk，vk)

确定阶段目标函数的形式，目标函数必须具有可分性，并满足递推关系；

以r函数为代价函数，建立基本方程即最优值函数满足的递推方程及端点条件：

r^*(λk)＝min[r(λk，vk)+r^*(λk+1)]

终端条件：r^*(λn+1)＝0，vk为第k时刻的车速。

逆序计算状态空间内最优价值函数和对应的最优解；

根据最优价值函数和最优解，顺序计算给定初始状态下的最优控制策略，即最优发动机转矩、电机转矩等控制变量。

图2为本发明混合动力汽车能量管理系统实施例的系统结构图。

参见图2，该混合动力汽车能量管理系统，包括：

车速预测模块201，用于利用基于历史车速和驾驶员行为训练的神经网络对未来车速进行预测，得到预测车速；

坡度预测模块202，用于利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度；

功率计算模块203，用于根据所述预测车速和所述预测道路坡度计算需求功率；

功率分配模块204，用于根据所述需求功率利用动态规划算法计算各个动力部件的扭矩和转速。

作为一种可选的实施方式，该混合动力汽车能量管理系统还包括神经网络训练模块，用于基于历史车速和驾驶员行为训练神经网络；所述神经网络训练模块包括：

数据获取单元，用于获取各个汽车数据采集装置所采集的汽车在各个道路工况下行驶时的历史车速和驾驶员行为；

样本划分单元，用于将所述历史车速和所述驾驶员行为按预设时间段长度进行划分，得到输入样本和输出样本；

训练单元，用于利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络。

作为一种可选的实施方式，所述神经网络训练模块还包括：

数据更新单元，用于实时对所述历史车速和所述驾驶员行为进行更新；

参数调整单元，用于利用更新后的历史车速和驾驶员行为对所述训练好的神经网络的参数进行调整。

作为一种可选的实施方式，该混合动力汽车能量管理系统还包括坡度预测模型建立模块，用于通过采集的道路坡度数据的建立基于自回归积分移动平均模型的坡度预测模型；

所述坡度预测模型建立模块包括：

自回归部分建立单元，用于将道路坡度数据中任意一个采样点与该采样点之前的采样点序列之间线性关系建立为自回归积分移动平均模型的p阶自回归部分；

移动平均部分建立单元，用于将道路坡度数据种的白噪声的线性加权关系建立为自回归积分移动平均模型的q阶移动平均部分；

整合单元，用于将所述自回归部分与所述移动平均部分整合为自回归积分移动平均模型的自回归移动平均部分；

模型参数计算单元，用于对所述自回归积分移动平均模型进行参数计算，确定自回归积分移动平均模型的p值、d值和q值，得到坡度预测模型；其中p为自回归部分的阶数，q为移动平均部分的阶数，d为非平稳坡度值序列转化为平稳序列所需要的差分次数。

作为一种可选的实施方式，所述坡度预测模块202，具体包括：

距离预测单元，用于将所述预测车速乘以所述预测车速对应的时间，得到预测距离；

坡度预测单元，用于利用所述坡度预测模型按照所述预测距离进行坡度预测，得到预测道路坡度。

本发明的技术效果如下：

1.本发明基于rbf神经网络在线学习，从人-车-环境系统的角度对实现汽车短期车速实时预测进行研究，提出了一种综合考虑车辆状态参数、驾驶员驾驶风格以及前方道路环境与交通状态参数的车辆未来短期车速预测方法，提高了车速预测的准确度。

2.运用arima模型，提出一种基于短期预测车速的坡度预测方法，运用神经网络预测出的短期车速得到距离使得坡度预测更加方便准确，运用到燃油消耗控制策略获得更佳的燃油经济性。

对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。