【技术实现步骤摘要】
基于Markov模型优化和工况识别的车速预测方法
[0001]本专利技术涉及混合动力汽车能量管理领域，尤其涉及一种基于Markov模型优化和工况识别的车速预测方法。
技术介绍
[0002]能量管理策略通过协调动力需求在多种能源之间的分配方式能在不牺牲动力需求的前提下提升整车的燃油经济性和排放性能，在混合动力汽车的控制中具有举足轻重的地位。现有能量管理策略一般分为基于规则和基于优化的策略。基于规则的策略控制时效性强，但对整车参数和工况的适用性差，且规则的制定需要丰富的工程经验。基于优化的策略分为全局优化策略和瞬时优化策略。全局优化策略能提供全局最优解，但需要预知完整的工况信息且计算量大，难以实现在线应用。瞬时优化策略针对当前时刻的工况信息寻求最优的动力需求分配方式，能实现在线的应用，但无法保证全局最优的控制效果。模型预测控制策略综合了全局优化策略和瞬时优化策略的优势，通过进行局部的车速预测及优化控制，既考虑了未来的行程信息，又极大地缩短了优化的时间，有助于实现策略的在线应用。
[0003]对未来工况的预测是模型预测控制...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.基于Markov模型优化和工况识别的车速预测方法，其特征在于，包括以下步骤：步骤1)，建立基于标准法规工况的基础Markov车速预测模型；所述标准法规工况包含高速工况、城郊工况、城市畅通工况和城市拥堵工况四种工况；所述基础Markov车速预测模型采用单阶多步车速预测模型，用于描述车辆在当前的加速度与车速状态下每个预测时刻车辆的加速度状态转移概率分布，包含加速度序列a
s0
、速度序列V
s0
、以及大小为L
a
*L
a
*L
v
*L
p
的概率矩阵，其中，a
s0
为长度为L
a
的a
min
到a
max
的等间距序列，V
s0
为长度为L
v
的0到V
max
的等间距序列，L
a
为离散加速度状态数，L
v
为离散速度状态数，L
p
为预测步长，a
min
为预设的最小加速度阈值，a
max
为预设的最大加速度阈值，V
max
为预设的最大速度阈值；步骤2)，分别在四种工况下借助模拟退火算法对基础Markov车速预测模型的加速度序列和速度序列进行优化，得到四种工况对应的优化Markov车速预测模型；步骤3)，建立基于支持向量机的工况识别模型，用于识别高速工况、城郊工况、城市畅通工况和城市拥堵工况，其输入为给定时间长度t
s
内的平均车速、最大加速度、最小加速度和停车时间比，输出为工况类别；步骤4)，基于工况识别模型对当前车辆的工况进行识别，并根据识别出的工况采用对应的优化Markov车速预测模型进行车速预测。2.根据权利要求1所述的基于Markov模型优化和工况识别的车速预测方法，其特征在于，步骤1)中基础Markov车速预测模型的训练过程如下：步骤1.1)，设置大小为L
a
*L
a
*L
v
*L
p
的频数矩阵T并将其零初始化，设置k＝1；步骤1.2)，令过程预测步长q＝1；步骤1.3)，获取标准法规工况的速度V(k)、加速度a(k)和a(k+q)，采用最邻近法则得到V(k)在速度序列中对应的离散值V
n
、a(k)在加速度序列中对应的离散值a
j
、a(k+q)在加速度序列中对应的离散值a
i
，n为离散值V
n
在速度序列中的位置编号、j为离散值a
j
在加速度序列中的位置编号、i为离散值a
i
在加速度序列中的位置编号，依据位置编号n、j、i、q对频数矩阵T的相应位置累积加1，即T(i，j，n，q)累积加1，i，j∈{1，2，3，...，La}，n∈{1，2，3，...，L
v
}；步骤1.4)，更新q＝q+1，比较q和L
p
之间的大小，如果q≤L
p
，跳转执行步骤1.3)；步骤1.5)，更新k＝k+1，并比较k和L
‑
L
p
之间的大小，L为标准法规工况的长度，如果k≤L
‑
L
p
，跳转执行步骤1.2)；步骤1.6)，依据频数矩阵完成概率矩阵，表示如下：3.根据权利要求2所述的基于Markov模型优化和工况识别的车速预测方法，其特征在于，步骤1)中所述基础Markov车速预测模型的预测过程如下：步骤1.a)，获取当前状态的车速V(t)与加速度a(t)，t是车辆的真实运行时间，采用最邻近法则得到V(t)在速度序列中对应的离散值V
n1
、a(t)在加速度序列中对应的离散值a
j1
；n1和为离散值V
n1
在速度序列中的位置编号、j1为离散值a
j1
在加速度序列中的位置编号，令q＝1；
步骤1.b)，将概率矩阵P(：，j1，n1，q)中最大值所在位置记为L1，则q步车速预测值为：V(t+q)＝V(t+q
技术研发人员：王蓉，提艳，宋廷伦，苏洋，石先让，戴振泳，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。