梯度增强神经网络辅助的多目标优化方法、系统及设备技术方案

本发明专利技术公开了一种梯度增强神经网络辅助的多目标优化方法、系统及设备，涉及目标优化技术领域，该方法包括通过试验设计获取混合动力电动汽车的能源控制管理系统的采样数据；根据梯度增强神经网络算法，确定能源控制管理系统的多目标优化问题的近似函数；采用多目标优化算法对近似函数求解，得到最优解。本发明专利技术能够解决存在函数评估耗时和无法获得问题最优方案等问题。方案等问题。方案等问题。

【技术实现步骤摘要】
梯度增强神经网络辅助的多目标优化方法、系统及设备


[0001]本专利技术涉及目标优化
，特别是涉及一种梯度增强神经网络辅助的多目标优化方法、系统及设备。

技术介绍

[0002]混合动力电动汽车的动力由内燃机和电机提供。在设计混合动力电动汽车中，能源控制管理器作为一个关键元素，在保证混合动力性能方面发挥着关键的作用。
[0003]一般地，混合动力电动汽车的能源控制管理系统如图1所示，主要由内燃机、动力控制系统、电池和电动机组成；其中，在混合动力电动汽车行驶之前，电池通过电网充电；在制动过程中，电机可以作为发电机将制动产生的能量回收到电池。同时，该能源控制管理系统将t时刻的电池状态，即为SOC(t)，作为能源控制管理系统的输入，来确定其具体控制。
[0004]考虑到车速以及扭矩由驾驶人或者外界设备控制，难以用具体参数和模型量化。在能源控制管理系统设计中，需要同时考虑不同目标优化问题，并且该类问题是一个黑盒优化问题，现有模态分析方法，例如有限元分析法、实验模态分析法等，虽然能够较好地逼近真实物理模型，但是往往建立的模型复杂，评估非常耗时。
[0005]为了解决该问题，工业界开始使用机器学习技术来拟合复杂物理模型，比如二项式逼近、支持向量机模型等代理模型对复杂函数进行拟合。虽然一定程度上解决了模态分析方法的缺点，但此类方法无法满足复杂多目标优化函数拟合要求，对复杂物理模型的拟合存在一定的局限性。

技术实现思路

[0006]本专利技术的目的是提供一种梯度增强神经网络辅助的多目标优化方法、系统及设备，解决存在函数评估耗时和无法获得问题最优方案等问题。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]第一方面，本专利技术提供了一种梯度增强神经网络辅助的多目标优化方法，包括：
[0009]通过试验设计获取混合动力电动汽车的能源控制管理系统的采样数据；
[0010]根据梯度增强神经网络算法，确定能源控制管理系统的多目标优化问题的近似函数；
[0011]采用多目标优化算法对近似函数求解，得到最优解。
[0012]可选地，所述采样数据至少包括关闭内燃机时电池荷电状态最大阈值范围、关闭内燃机时电池荷电状态最小阈值范围、操作内燃机的最小速度范围、操作内燃机的最大速度范围、内燃机扭矩值范围以及关闭内燃机的速度范围。
[0013]可选地，所述多目标优化问题中的目标为：电池电压、操作转换次数、排放、噪音以及电池荷电状态。
[0014]可选地，根据梯度增强神经网络算法，确定能源控制管理系统的多目标优化问题的近似函数，具体包括：
[0015]根据采样数据和克里金模型，训练梯度增强神经网络，得到多目标优化问题的近似函数。
[0016]可选地，采用多目标优化算法对近似函数求解，得到最优解，具体包括：
[0017]采用多目标优化算法NSGA
‑
II对近似函数求解，得到最优解。
[0018]第二方面，本专利技术提供了一种梯度增强神经网络辅助的多目标优化系统，包括：
[0019]数据获取模块，用于通过试验设计获取混合动力电动汽车的能源控制管理系统的采样数据；
[0020]近似函数确定模块，用于根据梯度增强神经网络算法，确定能源控制管理系统的多目标优化问题的近似函数；
[0021]优化求解模块，用于采用多目标优化算法对近似函数求解，得到最优解。
[0022]第三方面，本专利技术提供的一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行根据第一方面所述的一种梯度增强神经网络辅助的多目标优化方法。
[0023]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：
[0024]本专利技术通过梯度增强神经网络算法，将能源控制管理系统的多目标优化问题转换为近似函数，并通过多目标优化算法求解此近似函数，解决存在函数评估耗时和无法获得问题最优方案等问题。
附图说明
[0025]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。
[0026]图1为本专利技术实施例提供的混合动力电动汽车的能源控制管理系统的结构示意图；
[0027]图2为本专利技术实施例提供的梯度增强神经网络辅助的多目标优化方法的流程示意图；
[0028]图3为本专利技术实施例提供的梯度增强神经网络辅助的多目标优化方法的总体框图；
[0029]图4为本专利技术实施例提供的多目标优化算法实现流程图。
具体实施方式
[0030]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。
[0031]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。
[0032]实施例一
[0033]混合动力电动汽车的能源控制管理系统中存在复杂的昂贵多目标优化问题，现在方法求解往往代价非常大，尤其是函数评估非常耗时，这对使用一般的求解器求解此类问题带来了严峻的考验。本专利技术设计了一种梯度增强神经网络辅助的多目标优化方法，拟解决有限元分析等方法存在函数评估耗时和无法获得问题最优方案等问题。
[0034]本专利技术设计的方法只考虑对内燃机部分的控制管理优化。
[0035]本专利技术拟解决的多目标优化问题具体说明如表1、表2所示。
[0036]表1能源控制管理系统中部分参数具体定义
[0037][0038]混合动力电动汽车需要按照规定操作执行，具体规则如下所示：
[0039]规则1：如果速度低于Voff，则关掉内燃机。
[0040]规则2：如果电池荷电状态大于SOC
max
，则关掉内燃机。
[0041]SOC
max
不是电池荷电状态的最大值，这里只表示电池的荷电状态水平，其状态值表示电池不再充电。
[0042]规则3：如果电池荷电状态小于SOC
min
，则关掉内燃机。此规则优先级高于规则1。
[0043]规则4：如果内燃机是打开状态并且速度小于V1，则执行操作1。
[0044]规则5:如果内燃机是打开状态并且速度在V1和V2之间，则执行操作2。
[0045]规则6：如果内燃机是打开状态并且速度大于V2，则执行操作3。
[0046]操作1，2和3实际过程中对应表1定义的扭矩值和内燃机速度。
[0047]表2能源控制管理系统的多目标优化问题中目标具体定义
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种梯度增强神经网络辅助的多目标优化方法，其特征在于，包括：通过试验设计获取混合动力电动汽车的能源控制管理系统的采样数据；根据梯度增强神经网络算法，确定能源控制管理系统的多目标优化问题的近似函数；采用多目标优化算法对近似函数求解，得到最优解。2.根据权利要求1所述的一种梯度增强神经网络辅助的多目标优化方法，其特征在于，所述采样数据至少包括关闭内燃机时电池荷电状态最大阈值范围、关闭内燃机时电池荷电状态最小阈值范围、操作内燃机的最小速度范围、操作内燃机的最大速度范围、内燃机扭矩值范围以及关闭内燃机的速度范围。3.根据权利要求1所述的一种梯度增强神经网络辅助的多目标优化方法，其特征在于，所述多目标优化问题中的目标为：电池电压、操作转换次数、排放、噪音以及电池荷电状态。4.根据权利要求1所述的一种梯度增强神经网络辅助的多目标优化方法，其特征在于，根据梯度增强神经网络算法，确定能源控制管理系统的多目标优化问题的近似函数，具...

【专利技术属性】
技术研发人员：邹娟，侯章禄，刘元，夏翌彰，刘洋，
申请(专利权)人：湘潭大学，
类型：发明
国别省市：