一种基于BP神经网络的混合动力汽车能量管理方法技术

本发明专利技术涉及一种基于BP神经网络的混合动力系统能量管理方法，包括以下步骤：步骤一：获取BP神经网络的训练样本。随着网络输入层神经元的增加，所需的训练样本数目将迅速增加；步骤二：得到样本后，使用MATLAB软件建立BP神经网络模型并进行离线训练网络；步骤三：训练时使用随机值作为权值，输入学习样本得到网络的输出，然后根据输出值与目标输出计算误差，再由误差采用BP神经网络的学习算法——动量最速下降BP法和拟牛顿法的结合逐层修改权值；步骤四：将实时输入的数据通过BP神经网络模型来选择相应的隐层进行输出预测，结果作为能量管理方法的输出；步骤五：把预测输出结果的信号输送到人工智能记忆控制模块(AI‑MCM)。与现有技术相比，本发明专利技术具有动力性和经济性优化、较强的非线性问题处理能力等优点。

【技术实现步骤摘要】
一种基于BP神经网络的混合动力汽车能量管理方法
：本专利技术涉及混合动力汽车的能量管理领域，具体涉及一种基于BP神经网络的混合动力汽车能量管理方法。
技术介绍
：由于全球能源危机日益严重，世界各国对环境保护的要求越来越严格，目前替代燃油发动机汽车的混合动力汽车颇具实用价值并且已进入商业化运转模式。混合动力汽车的动力系统是由内燃机、电机等多个动力源组成，能量管理控制方法是混合动力汽车的关键所在。在保证汽车正常行驶的同时，如何控制电能与燃料内能实现互补，协调控制动力系统各部件以及对动力源的合理分配是发挥节能环保优势的关键，从而达到在保持良好动力性的前提下，获得最低燃油油耗、最佳经济性以及最低排放。目前国内外常见的研究混合动力汽车能量管理的四类策略主要有：全局优化控制策略、瞬时优化控制策略、基于规则的能量管理策略以及基于优化算法的自适应控制策略。全局优化控制策略，在预知汽车行驶的整个工况参数的情况下，可以进行真正意义上的全局最优，但是研究算法比较复杂，在实车的实际系统中难以直接应用，且具有很大的局限性。瞬时优化策略虽然可以在线本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的混合动力汽车能量管理方法，其特征在于，包括如下步骤：/n步骤一，获取BP神经网络的训练样本，以此来体现出神经网络所模拟的系统的特性，对于训练样本的选择要具有代表性，并且要具备样本的多样性和均匀性。/n步骤二，建立BP神经网络模型并进行离线训练网络。/n步骤三：在确定完神经网络的层数以及每层的神经元个数，并且由步骤一得到的一个学习样本集之后，训练时使用随机值作为权值，输入学习样本得到网络的输出，然后根据输出值与目标输出计算误差，再由误差采用BP神经网络的学习算法——动量最速下降BP法和拟牛顿法的结合逐层修改权值，反复进行使误差减小。/n步骤四：将实时输入的数据通过BP神...

【技术特征摘要】
1.一种基于BP神经网络的混合动力汽车能量管理方法，其特征在于，包括如下步骤：
步骤一，获取BP神经网络的训练样本，以此来体现出神经网络所模拟的系统的特性，对于训练样本的选择要具有代表性，并且要具备样本的多样性和均匀性。
步骤二，建立BP神经网络模型并进行离线训练网络。
步骤三：在确定完神经网络的层数以及每层的神经元个数，并且由步骤一得到的一个学习样本集之后，训练时使用随机值作为权值，输入学习样本得到网络的输出，然后根据输出值与目标输出计算误差，再由误差采用BP神经网络的学习算法——动量最速下降BP法和拟牛顿法的结合逐层修改权值，反复进行使误差减小。
步骤四：将实时输入的数据通过BP神经网络模型来选择相应的隐层进行输出预测，结果作为能量管理方法的输出。
步骤五：把预测输出结果的信号输送到人工智能记忆控制模块(AI-MCM)，通过该模块可以存储由BP神经网络训练泛化得出的输出结果；同时根据AI-MCM存储的驾驶员的个人习惯(包括摇杆的使用频率、踏板的力度、驾车时间段)通过AI人工智能算法分析后控制并优化整车能量流(包括何时换挡、何时制动行车的速度和加速度)。


2.根据权利要求1基于BP神经网络的混合动力汽车能量管理方法，其特征在于，所述获取BP神经网络的训练样本由具有代表性的输入和期望输出对组成，体现出神经网络所模拟的系统的特性。


3.根据权利要求1基于BP神经网络的混合动力汽车能量管理方法，其特征在于，所述建立的BP神经网络模型能模拟出任意复杂的多输入单输出的非线性...

【专利技术属性】
技术研发人员：徐元利，王秋童，张磊，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津;12