CN105301508A - 一种用于电动汽车续驶里程的径向基神经网络的预估方法 - Google Patents

Abstract

一种用于电动汽车续驶里程的径向基神经网络的预估方法，其技术要点是，通过采集动力电池及整车ABS控制单元的电压、电流、温度及速度信息，采用RBF(Redial？Basis？Function)径向基神经网络方法作为基本工具，实现了在车辆启动后，续驶里程的预估在整个时间阶段都保持很高的准确度。具体方法为通过归一化与标准化对数据进行处理，利用RBF神经网络进行结构设计，确定输入层，隐含层，输出层，以K均值聚类分析法作为RBF神经网络学习算法，最后对数据进行反归一化和反标准化处理，得到电动车续驶里程的预测值。并具有实时性等优点，预估精确度高等特点，适用于需要使用动力电池的纯电动车和混合动力电动车。

Description

一种用于电动汽车续驶里程的径向基神经网络的预估方法

技术领域

本发明属于电动机动车技术领域，具体地说是一种用于电动汽车续驶里程的径向基神经网络的预估方法。适用于所有需要使用动力电池的新能源车辆，尤其是需要实时预估具有动力电池的新能源车辆的续驶里程。

关键字：续驶里程电动车RBF(RedialBasisFunction)神经网络

背景技术

由于纯电动汽车的续驶里程直接受到道路状况，天气，出行者状况等因素的影响，防止纯电动汽车在运行过程中出现由于电力不足或者其他故障而导致汽车抛锚等异常情况的发生，及时预测纯电动汽车的续驶里程是十分重要的一项任务。但是由于影响纯电动汽车续驶里程的因素很多，除了道路的实际状况，驾驶员的行为习惯等因素，还包括每个电池的质量等，具体反映在放电电流，电池电压，电池温度等方面。所以纯电动汽车续驶里程与所有这些因素之间是存在着复杂的非线性关系的，想要对实际状况中的纯电动汽车的续驶里程建立精准数学模型很困难。这样一来，就需要采用其他方法，在保证所有这些实际因素都被考虑到的情况下，对实际中的纯电动汽车的续驶里程进行预测。

发明内容

本发明的目的是提供一种用于电动汽车续驶里程的径向基神经网络的预估方法。该方法采用RBF神经网络方法作为基本工具，实现了在车辆启动后，续驶里程的预估在整个时间阶段都保持很高的准确度，并具有实时性等优点。

本发明的目的是通过如下技术方案来实现的：

一种用于电动汽车续驶里程的径向基神经网络的预估方法，它包括有动力电池，整车ABS控制单元，其特征在于，动力电池输出端分别与高压采集单元、电流采集单元及温度采集单元的输入端连接，整车ABS控制单元输出端与速度采集单元的输入端连接；所述高压采集单元、电流采集单元、温度采集单元和速度采集单元的输出端同时与确定隐含层节点数的计算单元输入端相连接；隐含层节点数的计算单元输出端通过确定隐含层各节点的数据中心及数据中心对应的扩展常数的计算单元与应用最小二乘法计算输出权值的计算单元输入端相连接；应用最小二乘法计算输出权值的计算单元输出端与设置在车载仪表盘上的续航里程显示单元相连接。

本发明所述高压采集单元向确定隐含层节点数的计算单元输出的数据为：放电起始电量，放电终止电量，放电总电压均值，放电总电压标准差，放电过程中的最高电压和放电过程中的最低电压。

本发明所述电流采集单元向确定隐含层节点数的计算单元输出的数据为：放电总电流均值和放电总电流标准差。

本发明所述温度采集单元向确定隐含层节点数的计算单元输出的数据为：放电过程中的最高温度和放电过程中的最低温度。

本发明所述速度采集单元向确定隐含层节点数的计算单元输出的数据为：放电过程中的车辆速度均值和放电过程中的车辆速度方差。

本发明将使用神经网络，它有着很强的非线性特性，通过使用RBF神经网络，预测实际运营过程中的纯电动汽车的续驶里程。

本发明从训练级、节点级和网络级三个方面对RBF神经网络进行设计，从而建立纯电动汽车的续驶里程预测模型，主要包括设计神经网络学习算法和建立RBF神经网络结构两个主要方面。

RBF(RedialBasisFunction)神经网络即径向基神经网络，是由J.Moody和C.Darken在20世纪80年代末提出的一种模拟人脑中局部调整和相互覆盖接受域的神经网络，是一种局部逼近的神经网络，已经可以证明，RBF神经网络可以逼近任意函数，精度也可以任意确定，相对于通过BP算法训练的前馈神经网络，RBF神经网络有很强的逼近特性，并且具有训练速度快和收敛性好等优点，RBF神经网络的输出和节点权值具有线性关系，而且训练速度很快，可以找到全局最优解。

RBF具有其他神经网络所不具有的一些优点：首先RBF神经网络采用的是三层网络结构，在输入层与隐含层之间使用径向基函数，在隐含层与输出层之间采用线性函数，这样的网络结构简单，不仅提高了神经网络的训练速度，而且还避免了结果陷入局部最优的问题，其次RBF神经网络有着很强的非线性逼近能力和良好的泛化能力。

RBF神经网络学习算法主要包含以下几点：确定隐含层节点数、确定隐含层各径向基函数的中心以及中心的扩展常数和修正输出层的权值，常用的学习算法有以下几种：第一种是聚类算法，就是先用无导师的学习方法来确定RBF神经网络中隐含层各节点的中心，并根据每个节点中心之间的距离计算隐含层各节点的扩展常数，然后再使用有导师的学习方法计算每个隐含层节点到输出层的连接权值；第二种是梯度训练法，就是为了使目标函数最小化，以此来调节隐含层各节点的中心及其扩展常数，最后确定隐含层各节点与输出层之间的连接权值；第三种是正交最小二乘法，就是通过把所有样本输入作为隐含层各节点的中心，然后给其各扩展常数赋相同的值，根据Micchelli定理，目标输出与隐含层输出是线性关系，由于隐含层各节点对输出层的影响不同，按照其影响的大小重新构成新的隐含层，直到输出层输出的结果满足目标误差为止，最后这个最优的隐含层，就是RBF神经网络中的隐含层各节点的中心。

为了实现上述目的，本发明采用了归一化与标准化对数据进行处理，利用RBF神经网络进行结构设计，确定输入层，隐含层，输出层，以K均值聚类分析法作为RBF神经网络学习算法，最后对数据进行反归一化和反标准化处理，得到电动车续驶里程的预测值。

上述续驶里程估测方法采用归一化与标准化对数据进行处理。

上述续驶里程估测方法采用RBF神经网络进行结构设计，确定输入层，隐含层，输出层。

上述续驶里程估测方法以K均值聚类分析法作为RBF神经网络学习算法，对数据进行反归一化和反标准化处理，得到电动车续驶里程的预测值。

本发明具有以下特点：

1、本发明采用RBF神经网络方法作为基本工具，实现了在车辆启动后，续驶里程的预估在整个时间阶段都保持很高的准确度，并具有实时性等优点。

2、RBF具有其他神经网络所不具有的一些优点:首先RBF神经网络采用的是三层网络结构，在输入层与隐含层之间使用径向基函数，在隐含层与输出层之间采用线性函数，这样的网络结构简单，不仅提高了神经网络的训练速度，而且还避免了结果陷入局部最优的问题，其次RBF神经网络有着很强的非线性逼近能力和良好的泛化能力。

附图说明

图1是本发明的结构原理方框图；

图2是本发明所采用的算法流程图。

具体实施方式

实施例1

由图1、图2所示，本发明包括有动力电池，整车ABS控制单元，动力电池输出端分别与高压采集单元、电流采集单元及温度采集单元的输入端连接，整车ABS控制单元输出端与速度采集单元的输入端连接；所述高压采集单元、电流采集单元、温度采集单元和速度采集单元的输出端同时与确定隐含层节点数的计算单元输入端相连接；隐含层节点数的计算单元输出端通过确定隐含层各节点的数据中心及数据中心对应的扩展常数的计算单元与应用最小二乘法计算输出权值的计算单元输入端相连接；应用最小二乘法计算输出权值的计算单元输出端与设置在车载仪表盘上的续航里程显示单元相连接。

上述高压采集单元向确定隐含层节点数的计算单元输出的数据为：放电起始电量，放电终止电量，放电总电压均值，放电总电压标准差，放电过程中的最高电压和放电过程中的最低电压。

上述电流采集单元向确定隐含层节点数的计算单元输出的数据为：放电总电流均值和放电总电流标准差。

上述温度采集单元向确定隐含层节点数的计算单元输出的数据为：放电过程中的最高温度和放电过程中的最低温度。

上述速度采集单元向确定隐含层节点数的计算单元输出的数据为：放电过程中的车辆速度均值和放电过程中的车辆速度方差。

本发明将使用神经网络，它有着很强的非线性特性，通过使用RBF神经网络，预测实际运营过程中的纯电动汽车的续驶里程。

数据的变换处理：

对纯电动汽车运营数据进行变换处理，就是对每一维输入数据进行归一化与标准化，这样就使所有的输入变量拥有一致的基本度量单位，然后才能将这些数据应用于神经网络的训练。另外，经过归一化后的数据可以增加神经网络的收敛速度。比如电池的电压信息，采集时是以伏特为单位的，得到的数据也是多少伏特，电池的温度信息的单位是摄氏度，电流信息是安培，soc则没有单位，用0到1之间的百分数来表示。很明显，这些变量之间没有什么可比性，soc最大只有1,而电池电压最大可达到360多伏特，各不同信息之间的数量级也有很大的差别。所以对输入数据进行归一化和标准化处理是很必要的。首先，对纯电动车的运营数据进行归一化处理。归一化处理的作用是简化数据，就是将有量纲的数据简化为没有量纲的数据，并且使每一维输入变量的均值等于0，标准差等于1，从而消除不同变量之间的单位和数量级不同而引发的种种不良影响。其数学表达公式如下:

$Y_i=X_i-{\mathrm{\μ}}_i,(\∀i=1,2,\mathrm{...}n)---\left(1\right)$

式中X＝[X₁,...,X_n]代表输入输出向量，Y＝[Y₁,...,Y_n]代表经第一次处理后的输入向量，此时，各维输入向量的平均值都等于0。μ_i表示X_i的均值。

$Z_i=Y_i/{\mathrm{\σ}}_i,(\∀i=1,2,\mathrm{...}n)---\left(2\right)$

式中σ_i是Y_i的标准差，Z_i代表经过第二次处理后得到的输入输出变量，此时各维输入向量的标准差都等于1。

然后是对纯电动车运营数据进行标准化处理。标准化处理就是把归一化得到的数据按比例进行缩放，从而使每一维数据的范围处于[0，1]之间或[-1，1]之间。本文是把归一化得到的数据标准化到[0，1]之间。标准化处理的数学表达公示如下:

$Z_i=\frac{Z_{\max }-Z_i}{Z_{\max }-Z_{\min }}---\left(3\right)$

最后，在得到实验输出的预测电动车续驶里程值后，还要对其进行反归一化和反标准化的数据处理。数据的反归一化和反标准化就是对上述归一化和标准化处理的逆过程。

2、神经网络结构设计：

输入数据在选择的时候，要选择那些对输出数据有直接或者间接影响的可以获得的数据，而且选择的输入数据对输出数据的影响越大，对网络的训练结果越有利。另外，各个输入数据之间的相关性不要太大，否则也会影响实验结果的精度。在所有与电动车续驶里程相关的因素中，如天气状况，道路状况，出行者状况，驾驶员的驾驶习惯等，找出可以直接被检测和得到的每次放电过程中的放电起始电量，放电终止电量，放电过程中的总电压均值，放电过程中的总电压标准差，放电过程中的总电流均值，放电过程中的总电流标准差，放电过程中的最高温度，放电过程中的最低温度，放电过程中的最高电压，放电过程中的最低电压，放电过程中的车辆速度均值，放电过程中的车辆速度方差这12个变量作为输入变量，从而得到网络的输入矩阵为:

X＝(x₁,x₂,x₃,x₄,x₅,x₆,x₇,x₈,x₉,x₁₀,x₁₁,x₁₂)

＝(SOCstart,SOCend,AllVavg,AllVstd,AllIavg,AllIstd,minT,maxT,minV,maxV,vavg,vstd)

输出矩阵为：Y＝(S)^T(5)

RBF神经网络的输出函数表示如下:

$f\left(x\right)=b+\underset{j=1}{\overset{m}{\Σ}}{w}_j{h}_j\left(x\right)---\left(6\right)$

m表示隐含层的节点数，也就是径向基函数中心的个数；{w_j:j＝1,2,…m}表示隐含层各节点与输出层之间的连接权重，b为输出层阂值；

式中为隐含层的一个径向基函数，|x-c_j|为欧几里德距离，c_j(c_j∈Rⁿ)则为隐含层节点的中心；r_j(r_j∈R)表示隐含层一个节点的宽度；将公式带入上式得:

公式的矩阵表示:y＝HW+e(9)

其中，y＝[y₁,…,y_p]^T为输出层的期望输出，e＝[e₁,…,e_p]^T为期望输出y与网络输出f(x)的误差，W＝[w₁，…，w_m]^T为隐含层与输出层之间的权重，H＝[h₁，…，h_m]^T则是回归矩阵，其中h₁＝[h₁(x₁),…，h₁(x_p)]^T(i＝1,…,m)。

在RBF神经网络的结构中，对于训练样本，通常将其性能指标定为:

$E=\frac{1}{2}\underset{i=1}{\overset{N}{\Σ}}{(y_i-f(x_i\left)\right)}^2---\left(10\right)$

E是径向基权值、中心和宽度的函数，RBF神经网络的训练就是指对训练样本进行训练，从而使E趋于最小。使用高斯函数为径向基函数，那么隐含层第i个神经元的输出可以表达为:

输出层的输出可以表达为:

径向基函数本身是非线性的，所以在RBF神经网络中，从输入层到隐含层之间的变换是非线性的，而从隐含层到输出层之间的变换则是线性的，即通过线性加权求值的方法来得到输出层的值。

3、RBF神经网络学习算法：

RBF神经网络的学习算法需要确定隐含层节点数、隐含层各节点的数据中心及其对应的扩展常数和隐含层与输出层之间的连接权值，同时还要确定初始条件、初始值、学习参数和神经网络的终止条件，当RBF神经网络的中心向量位置确定之后，也就是说当径向基函数及其参数确定之后，RBF网络的学习问题便成为了对隐含层到输出层权值的调节，可运用最小二乘法计算得到，下面采用K均值聚类算法来确定神经网络中径向基的中心值。

K均值聚类分析法是由MacQueen提出的一种实时的非监督聚类算法，在误差函数最小化的基础上将训练数据分为开始时设定的H个类，这H个类的中心就可以被用来当作RBF神经网络中隐含层的各个神经元的中心，其算法步骤为:

步骤1:设定输入输出样本及相关参数，设样本输入数量为InputNum输入样本的维数为InputNum，输入样本为InputDataij(i＝1,2,...,InputNum；j＝1,2,...,InputNum)，输出样本为Outputm(m＝1,2,...,InputNum)

步骤2:设置隐含层结点数为HiddenNum，即聚类样本数；

步骤3:将聚类中心Centersij(i＝1,2,...,HiddenNum；j＝1,2,...,InputNum)初始化,本发明是在输入样本中随机选取HiddenNum组数据的中心作为聚类中心的初始值；

步骤4:将各类中的样本数ClassNumi＝1,2,...,HiddenNum；j＝1初始化为0；然后将各类中所有样本的索引：

ClassNumij(i＝1,...,HiddenNum,j＝1,...,IputNum)也初始化为0；

步骤5:对所有样本数据按照最小距离原则进行分类，也就是将样本分为HiddenNum组，并记录每组中聚类样本的索引；

步骤6:将得到的所有样本中心保存到OldCenters；

步骤7:计算样本均值，并将计算出来的均值作为新的聚类中心Centers；

步骤8:判断新旧聚类中心是否相同，若相同，则聚类结束，往下进行步骤9；否则，转到步骤4；

步骤9:计算隐含各个层节点的扩展常数，也就是宽度。计算隐含层节点的数据中心之间的距离，并找出其中最大的距离；将隐含层节点间最小的那个距离作为扩展常数；

步骤10：使用最小二乘法计算隐含层各节点的输出权值。

当然，本发明还可能有其他多种实施实例，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (5)

1.一种用于电动汽车续驶里程的径向基神经网络的预估方法，它包括有动力电池，整车ABS控制单元，其特征在于，动力电池输出端分别与高压采集单元、电流采集单元及温度采集单元的输入端连接，整车ABS控制单元输出端与速度采集单元的输入端连接；所述高压采集单元、电流采集单元、温度采集单元和速度采集单元的输出端同时与确定隐含层节点数的计算单元输入端相连接；隐含层节点数的计算单元输出端通过确定隐含层各节点的数据中心及数据中心对应的扩展常数的计算单元与应用最小二乘法计算输出权值的计算单元输入端相连接；应用最小二乘法计算输出权值的计算单元输出端与设置在车载仪表盘上的续航里程显示单元相连接。

2.根据权利要求1所述的径向基神经网络的预估方法，其特征在于：所述高压采集单元向确定隐含层节点数的计算单元输出的数据为：放电起始电量，放电终止电量，放电总电压均值，放电总电压标准差，放电过程中的最高电压和放电过程中的最低电压。

3.根据权利要求1所述的径向基神经网络的预估方法，其特征在于：所述电流采集单元向确定隐含层节点数的计算单元输出的数据为：放电总电流均值和放电总电流标准差。

4.根据权利要求1所述的径向基神经网络的预估方法，其特征在于：所述温度采集单元向确定隐含层节点数的计算单元输出的数据为：放电过程中的最高温度和放电过程中的最低温度。

5.根据权利要求1所述的径向基神经网络的预估方法，其特征在于：所述速度采集单元向确定隐含层节点数的计算单元输出的数据为：放电过程中的车辆速度均值和放电过程中的车辆速度方差。