一种E-Power架构商用车车速预测方法及系统与流程

本发明涉及商用车测速，尤其涉及一种e-power架构商用车车速预测方法及系统。

背景技术：

1、商用车作为国民经济中重要一环，在交通运输，经济建设肩负重责。混合动力汽车拥有良好的动力性能，成为目前最受欢迎的新能源汽车。其中，e-power架构车发动机仅用于驱动发电机发电，不直接参与驱动车辆，用户不需要去找充电桩充电，避免了里程焦虑。更重要的是，该架构汽车最大限度将发动机工作点控制在燃烧效率较高的区域，实现车辆的节能减排。

2、现有技术cn201710595427.4公开了一种基于自适应神经模糊模型的车速预测方法，该方法通过获取训练样本集,包括驾驶员意图数据和对应的车速数据；对训练样本集进行数据训练建立自适应神经模糊车速预测模型；获取实时车数数据以及驾驶员意图数据并输入至自适应神经模糊车速预测模型进行车速预测得到下一时间段的车速数据。可以看出该方案是采用ts模糊推理模型对采集的踏板开度和踏板开度变化率的数据得到相应的加速意图数据或制动意图数据，实现车速预测。这种预测方式未考虑车辆的轮速、行车模式、档位状态、离合状态、电池剩余电量、电池温度、电池电流、电池电压、发动机转速、发动机水温、发电机转速以及发电机扭矩等等相关参数来综合预测车速，将会导致预测准确度低，无法满足预测要求，造成影响车辆的燃油经济性和舒适性。

技术实现思路

1、本发明提供一种e-power架构商用车车速预测方法，方法可以结合多种车辆运行数据进行综合分析并计算得到准确的车速预测，满足车辆的燃油经济性和舒适性。

2、方法包括：

3、s101、采集车辆运行数据；

4、s102、对采集的车辆运行数据进行预处理，并采用pca方法进行特征提取；

5、s103、建立车速预测模型，并基于递归模糊神经网络的多步预测获得车速信息。

6、进一步需要说明的是，步骤s102中，建立pca方法模型，将获得的16个影响因素作为自变量x，x＝[x1,x2,…，x16]，车速为因变量y；

7、其中，x1,x2,…，x16分别表示为油门踏板开度、制动踏板开度、油门踏板开度变化率、制动踏板开度变化率、轮速、行车模式、档位状态、离合状态、电池剩余电量、电池温度、电池电流、电池电压、发动机转速、发动机水温、发电机转速以及发电机扭矩。

8、采用pca方法的如下公式进行特征提取：

9、fau＝ua

10、

11、其中，fa是协方差矩阵，λ是相关特征值矩阵的对角线上值，u是β维特征向量的主元矩阵，xi代表第i个输入变量，μ是输入变量的均值，n是变量的个数；

12、

13、其中，ρi是第i个变量的贡献率，λi是第i个变量的特征值。

14、进一步需要说明的是，步骤s103中，车速由递归模糊神经网络的多步预测获得，其中，递归模糊神经网络的结构分为四层：输入层、隶属函数层、规则层、输出层；

15、结构为7-m-m-1的连接方式，其中m是正整数，且2<m<30，输入层与隶属函数层之间的连接权值为1，递归模糊神经网络的实际输出表示为y(t)；基于递归模糊神经网络的车速预测方法计算为：

16、

17、其中x(t)＝[x1(t)，x2(t)，x3(t)，x4(t)，x5(t)，x6(t)，x7(t)]表示t时刻输入层的输出，x1(t)表示t时刻油门踏板开度的值、x2(t)表示t时刻制动踏板开度的值、x3(t)表示t时刻油门踏板开度变化率的值、x4(t)表示t时刻制动踏板开度变化率的值、x5(t)表示t时刻电池剩余电量的值、x6(t)表示t时刻发电机转速的值、x7(t)表示t时刻发电机扭矩的值，f表示x(t)和y(t)间对应的函数关系，wj(t)表示t时刻规则层第j个神经元与输出神经元之间的权值，βij(t)表示t时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，βij(t)＝1，mij(t)表示隶属函数层t时刻第j个神经元中心值的第i个元素，σij(t)表示隶属函数层t时刻第j个神经元宽度值的第i个元素，递归模糊神经网络在隶属函数层加入了自反馈连接，θij(t)是隶属函数层的自反馈连接的反馈权重。

18、o2ij(t-1)是隶属函数层的自反馈连接的反馈值，其中：

19、

20、其中，βij(t-1)表示t-1时刻输入层第i个神经元与隶属函数层第j个神经元之间的权值，βij(t-1)＝1，mij(t-1)表示隶属函数层t-1时刻第j个神经元中心值的第i个元素，σij(t-1)表示隶属函数层t-1时刻第j个神经元宽度值的第i个元素，θij(t-1)是隶属函数层的自反馈连接的反馈权重，o2ij(t-2)是隶属函数层的自反馈连接的反馈值；定义递归模糊神经网络的误差为：

21、

22、其中，m是样本数，yd(t)是t时刻递归模糊神经网络的期望输出，y(t)是t时刻递归模糊神经网络的实际输出。

23、进一步需要说明的是，模型校正过程具体如下：

24、①给定递归模糊神经网络的初始隐含层神经元个数为m，m为大于2的正整数，递归模糊神经网络的输入为x(1)，x(2)，…，x(t)，，…，x(m)，对应的期望输出为yd(1)，yd(2)，…，yd(t)，…，yd(m)，m组数据作为递归模糊神经网络模型的训练样本，期望误差值设为ed，ed∈(0,0.01)，初始中心值mj(1)中每个变量的赋值区间为[-2,2]，mj(1)＝(m1j(1)，m2j(1)，…，mij(1))，mij(1)表示初始时刻隶属函数层第j个神经元中心向量的第i个元素；；；

25、初始中心宽度σj(1)的赋值区间为[0,1]，σj(1)＝(σ1j(1)，σ2j(1)，…，σij(1))，σij(1)表示初始时刻隶属函数层第j个神经元宽度值向量的第i个元素；

26、初始反馈连接权值θij(t)的赋值区间为[0,1]，j＝1，2，…，m；

27、初始权值w(1)中每个变量的赋值区间为[-1，1]，w(1)＝(w1(1)，w2(1)，…，wj(1))，wj(1)表示初始时刻规则层第j个神经元与输出层之间的连接权值；

28、②设置学习步数s＝1；

29、③t＝s，根据公式(1)计算递归模糊神经网络的输出y(t)，，运用梯度下降算法调整递归模糊神经网络的参数为：

30、

31、

32、θij(t+1)＝θij(t)-ηθ(yd(t)-y(t))wj(t)oij(t)y(t-1)

33、wj(t+1)＝wj(t)-ηw(yd(t)-y(t))oij(t)

34、其中，ηm为中心向量mij的学习率，ηm∈(0，0.01]；ησ为宽度σj的学习率，ησ∈(0，0.01]，ηθ为反馈连接权值θij的学习率，ηθ∈(0，0.02]，ηw为连接权值wj的学习率，ηw∈(0，0.01]，mij(t+1)为t+1时刻隶属函数层第j个神经元中心向量的第i个元素，σij(t+1)为t+1时刻第j个隶属函数层神经元的宽度向量的第i个元素，θij(t+1)为t+1时刻第j个规则层神经元第i个元素的反馈连接权值，wj(t+1)为t+1时刻第j个规则层神经元与输出神经元的连接权值；

35、④学习步数s增加1，如果步数s<n，则转向步骤③进行继续训练，如果s＝n转向步骤⑤；

36、⑤根据误差公式计算递归模糊神经网络的性能，设ed为理想误差，如果e(t)≥ed，则转向步骤③进行继续训练，如果e(t)<ed，则停止调整；

37、车速多步预测公式如下：

38、

39、其中，h∈(1,…,h)是多步预测的预测步数，d是输入变量的维度，也叫时延的步数，是未来h步后输出神经元的输出，h值为5。

40、本发明还提供一种e-power架构商用车车速预测系统，，系统包括：数据采集模块、数据预处理模块以及车速预测模块；

41、数据采集模块通过信号硬线和can线与车辆的整车控制器连接，获取车辆运行数据；

42、数据预处理模块用于对采集的车辆运行数据进行预处理，并采用pca方法进行特征提取；

43、车速预测模块用于建立车速预测模型，并基于递归模糊神经网络的多步预测获得车速信息。

44、从以上技术方案可以看出，本发明具有以下优点：

45、本发明提供的e-power架构商用车车速预测方法利用pca方法技术，通过建立预测模型，利用传感器监控、数据传输等技术，获悉到油门踏板开度、制动踏板开度、油门踏板开度变化率、制动踏板开度变化率、轮速、行车模式、档位状态、离合状态、电池剩余电量、电池温度、电池电流、电池电压、发动机转速、发动机水温、发电机转速以及发电机扭矩，进而建立主成分分析(pca)模型，对商用车的车速进行预测。进一步有效解决了传统预测车速数据考虑因素单一，无法满足预测要求，造成影响车辆的燃油经济性和舒适性的问题。

46、本发明能够采集车辆运行数据并进行汇总，还可以基于预测需要由用户自行设定采集参数，满足预测要求，有效的提升预测准确性。本发明还能够对预测过程数据和结果数据高效率地收集、存储，并进行处理，也可以基于车辆行驶的状态实现全程监控，使用多维空间描述整个预测过程。提高预测的精度和效能，控制车辆的燃油性，从而实现车辆车速预测的准确性和科学性。