一种混合动力汽车能量管理方法及系统技术方案

本发明专利技术公开一种混合动力汽车能量管理方法及系统。该方法包括：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；根据预测车速和预测道路坡度计算需求功率；根据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。本发明专利技术的混合动力汽车能量管理方法及系统，能够提高燃油经济性。

【技术实现步骤摘要】
一种混合动力汽车能量管理方法及系统
本专利技术涉及汽车控制
，特别是涉及一种混合动力汽车能量管理方法及系统。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术提供了如下方案：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。本专利技术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。根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：本专利技术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专利技术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专利技术的一些实施例，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为本专利技术混合动力汽车能量管理方法实施例的方法流程图；图2为本专利技术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专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本专利技术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。为使本专利技术的上述目的、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专利技术作进一步详细的说明。图1为本专利技术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本文档来自技高网...

【技术保护点】
1.一种混合动力汽车能量管理方法，其特征在于，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。

【技术特征摘要】
1.一种混合动力汽车能量管理方法，其特征在于，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。2.根据权利要求1所述的一种混合动力汽车能量管理方法，其特征在于，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。3.根据权利要求2所述的一种混合动力汽车能量管理方法，其特征在于，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。4.根据权利要求1所述的一种混合动力汽车能量管理方法，其特征在于，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。5.根据权利要求4所述一种混合动力汽车能量管理方法，其特征在于，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。6.一种混合动力汽车能量管理系统，其特征在于，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...

【专利技术属性】
技术研发人员：孙超，李军求，孙海迪，闵青云，孙逢春，郭婷婷，杨巧燕，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11