【技术实现步骤摘要】
一种基于BP神经网络的发动机动态油耗预测方法、系统
[0001]本专利技术涉及汽车发动机
，具体涉及一种基于BP神经网络的发动机动态油耗预测方法、系统。
技术介绍
[0002]车辆的燃油经济性受到多方面因素的影响，而各方面因素对车辆燃油经济性的影响程度也是不同的，对燃油经济性影响因素的分析，有助于分清各因素之间的主次关系，并针对主要影响着重做出优化。车辆燃油消耗模型在预测燃油消耗方面扮演着重要作用，燃油消耗模型的准确性是车辆经济性驾驶研究的重要基础。
[0003]大多数混合动力车辆能量管理等车辆经济性研究使用的油耗模型都是基于发动机油耗MAP图，它结构简单且可以较为准确的反映车辆的稳态行驶油耗特征。然而，在日常运行中，车辆往往处于不稳定状态，工作状态频繁变化。此时，基于发动机油耗图的稳态模型偏差很大，实用性差，难以准确估算车辆的油耗，更难以准确评价各种新颖的燃油经济性的控制策略。现有的瞬态油耗模型或是结构复杂，或是精度不高，难以广泛应用。在这种情况下，有必要建立一个精度高、计算速度快的瞬态油耗模型。
[...
【技术保护点】
【技术特征摘要】
1.一种基于BP神经网络的发动机动态油耗预测方法，其特征在于，包括：步骤一、获取原始油耗数据；所述原始油耗数据包括汽车的燃油消耗率、汽车的速度、汽车的加速度、发动机转矩和发动机转速；步骤二、构建发动机动态油耗模型，包括采用多项式构建的稳态燃油消耗模型和采用BP神经网络构建的瞬态修正模型；将发动机转矩和发动机转速输入稳态燃油消耗模型，获得稳态燃油消耗率；将速度、加速度和发动机转速输入瞬态修正模型，获得实际燃油消耗率与所述稳态燃油消耗率的差值；步骤三、利用所述差值对所述稳态燃油消耗率进行修正，得到修正后的燃油消耗率的预测值。2.如权利要求1所述的发动机动态油耗预测方法，其特征在于，步骤二中，所述采用多项式构建的稳态燃油消耗模型为：其中，m
s
是稳态燃油消耗率的对数，采用多项式拟合的方法将m
s
拟合为发动机转矩T
e
和发动机转速n
e
的函数，γ0、γ1、γ2、γ3、γ4、γ5、γ6为拟合参数。3.如权利要求1所述的发动机动态油耗预测方法，其特征在于，步骤二中，所述采用BP神经网络构建的瞬态修正模型为：设置两个结构相同的BP神经网络，根据车辆比功率VSP的取值，将VSP的取值区间划分为大于0、小于0的两个区间；VSP取值大于0的区间对应的燃油消耗数据使用一个BP神经网络进行拟合，VSP取值小于0的区间对应的燃油消耗数据使用另一个BP神经网络进行拟合。4.如权利要求1所述的发动机动态油耗预测方法，其特征在于，在步骤二中所述训练获得发动机动态油耗模型之前，对步骤一中的所述原始油耗数据先采用平均值滤波法对原始油耗数据进行预处理，再采用VSP
‑
3σ法对原始油耗数据进行预处理；所述采用VSP
‑
3σ法对原始油耗数据进行预处理为：首先根据速度、加速度和坡度计算车辆比功率VSP：其中，VSP为车辆比功率，v
a
为车辆速度，a为加速度，i
r
为道路坡度，i
r
＝0；将VSP的区间长度以2为单位划分为多个小区间，每个取值区间的VSP服从正态分布，将每个小区间内落于
±
3σ区间之外的采样点对应的原始油耗数据视为异常的油耗数据予以剔除，其中σ为正态分布的标准差。5.如权利要求3或4所述的发动机动态油耗预测方法，其特征在于，所述BP神经网络包括输入层、隐含层和输出层；所述输入层包括三个神经元，分别用于输入速度、加速度和发动机转速；所述隐含层包括三个神经元；所述输出层包括一个神经元；所述速度、加速度和发动机转速分别输入到所述输入层的三个神经元，之后所述速度、加速度和发动机转速通过第一连接权重的加权运算获得三个加权和，三个所述加权和分别输入至隐含层的三个神经元；所述隐含层的三个神经元分别通过双曲正切函数运算获得三
个双曲正切函数值，三个所述双曲正切函数值通过第二连接权重的加权运算输入至输出层的神经元，所述输出层的神经元输出实际燃油消耗率与所述稳态燃油消耗率的差值；所述输出层输出所述差值后与预先设定的允许值比较，如果所述差值大于所述允许值，则对所述第一连接权重和第二连接权重进行调整，直至输出的所述差值小于或者等于所述允许值。6.一种基于BP神经网络的发动机动态油耗预测系统，其特征在于，包括稳态模块、瞬态修正模块和求和预测模块；系统采用的原始油耗数据包括汽车的燃油消耗率、汽车的速度、汽车的加速度、发动机转矩和发动机转速；所述稳态模块以发动机转矩和发动机转速为输...
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。