CN108510129A - 一种无人驾驶车辆实时电量智慧预测方法及装置 - Google Patents
一种无人驾驶车辆实时电量智慧预测方法及装置 Download PDFInfo
- Publication number
- CN108510129A CN108510129A CN201810327226.0A CN201810327226A CN108510129A CN 108510129 A CN108510129 A CN 108510129A CN 201810327226 A CN201810327226 A CN 201810327226A CN 108510129 A CN108510129 A CN 108510129A
- Authority
- CN
- China
- Prior art keywords
- wolf
- power consumption
- value
- automatic driving
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种无人驾驶车辆实时电量智慧预测方法及装置,该方法针对车辆行驶的主要耗电方面如空调、风阻等方面进行研究,并结合复杂的道路环境,建立耗电量预测模型,所选用的模型基于神经网络训练获得,自主学习性强,准确度好;该模型预测电量与电池本身无关,模型实时进行训练,能辨识不同路况环境上电量的使用情况,预测结果准确性高、时效性好,较好的避免了现有技术中只针对电池的基本工作原理和充放电特性来计算耗电量引起的不准确的问题。
Description
技术领域
本发明属于人工智能领域,特别涉及一种无人驾驶车辆实时电量智慧预测方法及装置。
背景技术
人工智能在近期迅速发展,其中无人驾驶车辆是人们的热门关注点之一。对于无人驾驶车辆的发展,储电电能装置是其发展的重点,储电电能装置利用电能的性能好坏将影响无人驾驶车辆的行驶速度决策和路径规划决策,车辆电量的高精度预测在一定程度上能为储电电能装置发挥出其最大功效提供决策和建议。
无人驾驶车辆电量是无人驾驶车辆在行驶过程中需要实时获取的一个数据。无人驾驶车辆电量反映了无人驾驶车辆在接下来一段时间里能够行驶某一定距离的时间和速度的匹配关系,决定了无人驾驶车辆的续航里程。目前,无人驾驶车辆的储电设备的储电能力较低,车主常常忘记充电以及充电不便的问题将导致无人驾驶车辆的实用性处在一个尴尬的境地。因此无人驾驶车辆的实时、准确、融合多方面因素的电量预测能够让无人驾驶车辆时刻保持清醒,在达到最低电量之前搜寻最优化的充电路径,对无人驾驶车辆的发展及普及具有重要的作用。
目前的无人驾驶车辆电量仅仅通过车速、历程和电池容量等车辆自身因素来考虑,没有充分考虑无人驾驶车辆在不同环境下的路况对电量的非线性动态影响,因此无法做到实时准确地预测出电池的实际耗电量。因此在自动驾驶领域迫切需要一种新技术来实现上述目标。
发明内容
本发明提供了一种无人驾驶车辆实时电量智慧预测方法及装置,依融合车内外温度数据、车外车正前方风速数据、指定时间内车辆行驶距离和道路坡度角及其长度的数据对无人驾驶车辆耗电量进行实时更新和预测。
一种无人驾驶车辆实时电量智慧预测方法,包括以下步骤:
步骤1:获取训练数据;
所述训练数据包括无人驾驶车辆在行驶过程中的指定时间nT内的能耗值、行驶距离和耗电量,所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值;
所述风阻能耗值由无人驾驶车辆在指定时间nT内的相对风速累加获得,所述相对风速大小是指车辆外部风速与车速的差值;
所述坡度能耗值由无人驾驶车辆在指定时间nT内的爬坡因子对时间进行积分获得,爬坡因子为β,β=0.02*cos(α)+sin(α),α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角;
所述温度能耗值由无人驾驶车辆在指定时间nT内的车内温度与车外温度的差值累加获得;
所述行驶距离由无人驾驶车辆在指定时间nT内的车速对时间进行积分获得;
其中,T为设定的单元间隔时间,所述指定时间为设定的单元间隔时间的整数倍,n为整数,从1开始依次取值;T为设定的单元间隔时间;
通过n的不同取值,获取多个无人驾驶车辆在未来各种时长的耗电量预测模型;nT最大值通常不低于5小时;
步骤2:构建基于灰色神经网络的相对风速预测模型;
利用训练数据中的无人驾驶车辆相对风速时间序列中的连续m个时刻的相对风速作为输入数据,第m+1个时刻的相对风速作为输出数据,对灰色神经网络模型进行训练,构建基于灰色神经网络的相对风速预测模型,m为整数;
步骤3:基于能耗值和行驶距离构建基于Elman神经网络的耗电量预测模型;
以无人驾驶车辆在指定时间nT内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据,以无人驾驶车辆在指定时间nT内的耗电量作为输出数据,对Elman神经网络模型进行训练,针对n从1开始依次取值,构建多种时长的基于Elman神经网络的耗电量预测模型;
步骤4:构建云端路径上各经纬度行车数据库;
所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间;
对路径上的经纬度进行等间距划分,获得参考经纬度,相邻参考经纬度之间间距为2米,将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则,划分到与该路径上最近的参考经纬度,以同一参考经纬度上的所有车辆车速和坡度角均值,作为参考经纬度上的云端车速和坡度角,并按照前一参考经纬度上的云端车速行驶至下一参考经纬度,获取相邻参考经纬度之间的行驶时间
所述车辆采集的车速、坡度角以及对应的经纬度和行驶方向数据信息会实时上传到云端共享服务器;
若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致,则提取对应坡度角数据;若行驶方向相反,则提取对应坡度角数据的负值数据;若存在某路段空缺数据,则位于该路段上的坡度角为零;
在云端路径上各经纬度行车数据库中保存的车辆车速和坡度角均为所有车辆在同一方向行驶获得;
步骤5:采集实时无人驾驶车辆数据,利用基于灰色神经网络的相对风速预测模型和云端路径数据,计算无人驾驶车辆从当前位置到达终点过程中,在未来路径的指定时间内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值;所述指定时间的时长为单元间隔时间的倍数;
利用无人驾驶车辆实时采集的外部风速和车速,利用基于灰色神经网络的相对风速预测模型,获得指定时间内的相对风速,并计算指定时间内的风阻能耗值;
同时利用无人驾驶车辆所在的经纬度,依据云端路径上的相邻参考经纬度之间的行驶时间数据,确定无人驾驶车辆在经过指定时间后所处的经纬度位置,并从云端获取在未来路径上在指定时间内的经过各经纬度时的云端车速和云端坡度角,计算指定时间内行驶距离和坡度能耗值;
利用无人驾驶车辆实时采集的车内外温度的差值在未来指定时间内的累加值作为未来指定时间内的温度能耗值;
从云端路径上寻找与无人驾驶车辆当前所在经纬度最近的经纬度位置,以找到的经纬度为起点,依次将相邻两个经纬度行驶时间进行累加,直到累加时间刚好大于或等于指定时间nT时,以累加过程中最后一个经纬度位置确定为在指定时间nT后所处的经纬度位置;
步骤6:利用未来路径的指定时间内的行驶距离和能耗值,输入对应时长的基于Elman神经网络的耗电量预测模型,获取未来路径在指定时间内的耗电量;
所述基于Elman神经网络的耗电量预测模型在训练时所使用的数据对应的时长与指定时间相同。
通过采集的无人驾驶车辆运行数据对耗电量进行预测,无需考虑电池型号以及使用情况,利用大量的运行数据训练好预测模型,同时实时更新云端路径数据,将实际运行情况与耗电量关联,以构建的预测模型对耗电量进行实时且准确的预测,利用各种时间长度内的数据对耗电量预测模型进行训练,得到多种时长的耗电量预测模型,可以实现对多种时长的耗电量预测。
进一步地,所述基于灰色神经网络的相对风速预测模型在训练时设置输入层节点个数为3,隐含层节点个数为6,输出层节点个数为1;训练过程中的最大迭代次数设置为500,训练学习率为0.1,阈值为0.05,且所述基于灰色神经网络的相对风速预测模型的权值和阈值采用混沌蝙蝠算法进行优化选择获得。
进一步地,所述基于灰色神经网络的相对风速预测模型的权值和阈值采用混沌蝙蝠算法进行优化选择获得的过程如下:
步骤A1:以蝙蝠个体位置作为基于灰色神经网络的相对风速预测模型的权值和阈值,初始化蝙蝠种群,并设置蝙蝠种群参数;
蝙蝠种群规模的取值范围为[200,500],蝙蝠个体最大脉冲频度r0的取值范围为[0.25,0.5],最大脉冲声音强度A0的取值范围为[0.25,0.5],最大迭代次数的取值范围为[150,300],搜索精度的取值范围为[0.001,0.1],脉冲频率的取值范围为[0,1.5],蝙蝠搜索频度增加系数的取值范围为[0.02,0.08],声音强度衰减系数的取值范围为[0.8,0.96],最大迭代次数的取值范围为[100,500],最大搜索精度的取值范围为[0.01,0.1];
步骤A2:设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t,t=1;
将蝙蝠个体位置对应的权值和阈值代入基于灰色神经网络的相对风速预测模型中,并利用蝙蝠个体位置确定的基于灰色神经网络的相对风速预测模型计算下一时刻的风速预测值,将风速预测值和实际值的差值E构建第一适应度函数f1(x),f1(x)=1/(E+1);
利用第一适应度函数计算每只蝙蝠个体位置的适应度,以最大适应度对应的蝙蝠个体位置作为初始最优蝙蝠个体位置;
步骤A3:利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新;
步骤A4:若Rand1>ri,则对处于个体最优位置的蝙蝠进行随机扰动,生成蝙蝠个体的扰动位置;
其中,Rand1为在[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频度;
步骤A5:若Rand2>Ai,蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度,则将蝙蝠个体移动到扰动位置,否则保持原位;
其中,Rand2为在[0,1]上均匀分布的随机数,Ai为第i只蝙蝠的声音强度;
步骤A6:如果步骤A5条件得到满足,则利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲脉冲声音强度,并跳转步骤A4,否则跳转到步骤A7;
步骤A7:计算当前蝙蝠种群中每个蝙蝠个体位置的适应度,按照由大到小的顺序选出前m%个蝙蝠个体进行位置和速度的混沌优化,得到更新后的前m%个蝙蝠个体,m的取值范围为[5,20];
步骤A8:判断是否达到最大迭代次数或者达到最大搜索精度,若是,则从更新后的前m%个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体,输出全局最优蝙蝠个体对应的基于灰色神经网络的相对风速预测模型的最佳权值和阈值,否则,令t=t+1,转到步骤A3继续下一次迭代。
进一步地,所述基于Elman神经网络的耗电量预测模型输入层节点个数为4,隐含层节点个数为8,输出层节点个数为1,承接层节点个数为8;隐含层函数采用Sigmoid函数,网络的训练采用BP算法,最大迭代次数设置为1000,训练学习率为0.1,阈值为0.001;
其中,所使用的Elman神经网络模型的权值和阈值采用狼群算法进行优化选择获得。
进一步地,所述基于Elman神经网络的耗电量预测模型中的权值和阈值采用狼群算法进行优化选择获得,具体过程如下:
步骤B1:初始化狼群并设置狼群参数;
狼群规模的取值范围为[10,100],步长因子的取值范围为[1000,2500],探狼比例因子的取值范围为[2,10],最大游走次数的取值范围为[5,20],距离判定因子的取值范围为[100,500],最大奔袭次数的取值范围为[5,15],更新比例因子的取值范围为[2,20],最大迭代次数的取值范围为[200,2000],最大搜索精度的取值范围为[0.01,0.1];
步骤B2:设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
依次个体狼位置体对应的参数值带入基于Elman神经网络的耗电量预测模型中,并利用个体狼位置确定的基于Elman神经网络的耗电量预测模型的计算结果,将计算结果和实际值的均方差MSE的倒数作为第二适应度函数f2(x);
利用第二适应度函数计算每个个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置
步骤B3:探狼游走;
从狼群中选取适应度最大的狼作为头狼,并随机选取探狼;计算探狼在各方向的适应度,并使探狼向适应度最大的方向探索,当某只探狼适应度大于头狼或者达到最大游走次数时,游走结束,进入步骤B4;
步骤B4:猛狼奔袭;
除头狼与探狼之外的个体狼均为猛狼,猛狼向头狼所在方向奔袭,并不断计算猛狼位置的适应度;
若某猛狼位置适应度高于头狼位置适应度,则更新头狼,且其余猛狼改为向当前头狼奔袭,当猛狼与当前头狼距离小于判定距离时,该猛狼奔袭停止,当所有猛狼奔袭停止或达到最大奔袭次数时,奔袭结束,狼群进入围攻状态,进入步骤B5;
步骤B5:除当前头狼以外所有个体狼均向头狼方向前进一步,依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度,若是,则将向前进一步的位置作为个体狼的新的位置,否则,若适应度降低,则个体狼保持原位置不变;
步骤B6:完成围攻行为后,狼群中所有个体狼按照当前适应度由高到低排序,适应度最高的个体狼设为头狼,排名靠后的人工狼被淘汰,并重新随机生成新的人工狼;
步骤B7:当达到最大搜索精度或最大迭代次数时,输出最新的头狼对应的基于Elman神经网络的耗电量预测模型的最优参数,否则,令t=t+1,返回步骤B3,继续下一次迭代。
进一步地,通过在无人驾驶车辆两侧设置辅助风速计,顶部设置主风速计,采集辅助风速和主风速数据,以两个同时采集的辅助风速作为输入数据,对应时刻采集的主风速数据作为输出数据,训练小波神经网络模型,得到基于小波神经网络的风速融合模型;
基于小波神经网络模型的风速融合模型输入层节点个数为2,隐含层小波元个数为4,输出层节点个数为1;隐层小波神经元采用Mexican Hat小波函数,输出层节点采用Sigmoid函数,训练过程中的最大迭代次数设置为500,训练学习率为0.1,阈值为0.0004。
风速融合模型的设置,为了避免主风速计损坏后,能够利用辅助风速计获取的数据来进行融合,获取融合风速,替代主风速;
一种无人驾驶车辆实时电量智慧预测装置,包括:
GPRS无线通信系统,用于从云端共享服务器获取云端路径数据;
云端共享服务器,用于获取和储存所有无人驾驶车辆在相同道路上行驶时各经纬度处的坡度角、车速以及行驶方向;
车载GPS导航系统,用于获取无人驾驶车辆行驶时的当前经纬度,并计算路径长度和预测行驶时间;
路况检测系统,包括设置在无人驾驶车辆上的陀螺仪和车速检测器,其中,所述陀螺仪实时记录无人驾驶车辆在行驶过程中的仰俯角,且以所述仰俯角作为路面的坡度角,仰角为正值代表上坡,俯角为负值代表下坡;所述车速检测器实时检测无人驾驶车辆的车速;
风速检测系统,包括设置在车顶中间的主风速计和两个分别设置在车辆两侧的辅助风速计,用于测量车辆外部风速;
重力感应设备,包括三个重力感应器,分别安装在主驾驶座下,副驾驶座下,后排座位中间位置下方,用于检测各个座位重量大小判断是否有人坐下;
温度检测系统,包括一个车外温度检测器和三个车内温度传感器;车外温度传感器安装在车前保险杠上,用于检测车外温度;三个车内温度传感器分别安装在主驾驶座前,副驾驶座前,后排座位中间,用于检测车内三处位置的温度;车内温度根据所得座位重量数据是否超过设定重量阈值来选取对应座位处采集的车内温度数据,以所选座位处采集的温度取平均值作为车内温度;
电量检测设备,用于实时检测当前剩余电量信息;
耗电量预测系统,采用上述的方法,对车载GPS导航系统,路况检测系统,风速检测系统,重力感应设备,温度检测系统以及电量检测设备获取的数据进行指定时间内无人驾驶车辆的耗电量预测。
有益效果
本发明提供了一种无人驾驶车辆实时电量智慧预测方法及装置,该方法针对车辆行驶的主要耗电方面如空调、风阻等方面进行研究,并结合复杂的道路环境,建立耗电量预测模型,所选用的模型基于神经网络训练获得,自主学习性强,准确度好;
该方法利用各种时间长度内的数据对耗电量预测模型进行训练,得到多种时长的耗电量预测模型,可以实现对多种时长的耗电量预测;该模型预测电量与电池本身无关,模型实时进行训练,能辨识不同路况环境上电量的使用情况,预测结果准确性高、时效性好;较好的避免了现有技术中只针对电池的基本工作原理和充放电特性来计算耗电量引起的不准确的问题。
附图说明
图1为本发明所述方法的流程示意图;
图2为本发明所述装置的结构示意图。
具体实施方式
下面将结合附图和实例对本发明做进一步的说明。
如图1所示,一种无人驾驶车辆实时电量智慧预测方法,包括以下步骤:
步骤1:获取训练数据;
所述训练数据包括无人驾驶车辆在行驶过程中的指定时间nT内的能耗值、行驶距离和耗电量,所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值;
所述风阻能耗值由无人驾驶车辆在指定时间nT内的相对风速累加获得,所述相对风速大小是指车辆外部风速与车速的差值;
所述坡度能耗值由无人驾驶车辆在指定时间nT内的爬坡因子对时间进行积分获得,爬坡因子为β,β=0.02*cos(α)+sin(α),α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角;
所述温度能耗值由无人驾驶车辆在指定时间nT内的车内温度与车外温度的差值累加获得;
所述行驶距离由无人驾驶车辆在指定时间nT内的车速对时间进行积分获得;
其中,T为设定的单元间隔时间,所述指定时间为设定的单元间隔时间的整数倍,n为整数,从1开始依次取值;
通过n的不同取值,获取多个无人驾驶车辆在未来各种时长的耗电量预测模型;
每隔1分钟采集一次所述无人驾驶车辆实时主风速Vf(t)和辅助风速Vf1(t)、Vf2(t);
每隔1分钟采集一次所述无人驾驶车辆实时车速v(t);每隔2秒获取一次坡度角数据α(longitude(t),latitude(t));
每隔1分钟采集一次所述无人驾驶车辆车内外温度数据kn1(t)、kn2(t)、kn3(t)、kw(t);
重力感应设备采集主驾驶座位重量m1,副驾驶座位重量m2,后排座位重量m3;
每隔5分钟采集一次所述无人驾驶车辆剩余电量值P(t),(0≤P≤100);
计算相对风速vf(t)=Vf(t)-v(t);依据座位重量数据是否超过重量阈值选取对应座位处的车内温度数据,计算车内平均温度kn(t),计算车内外温度差ka(t)=|kn(t)-kw(t)|;计算每5分钟的耗电量p(t)=P(t-1)-P(t);
即座位重量超过重量阈值时,表示该座位有人坐下,不同位置有人坐下时会使得不同位置的空调出风口出风量有变化以满足人的需求,没人坐下的位置附近的温度对系统并不关心,因此只选取有人坐下的座位处的温度进行处理,设定重量阈值为20千克。
步骤2:构建基于灰色神经网络的相对风速预测模型;
利用训练数据中的无人驾驶车辆相对风速时间序列中的连续m个时刻的相对风速作为输入数据,第m+1个时刻的相对风速作为输出数据,对灰色神经网络模型进行训练,构建基于灰色神经网络的相对风速预测模型,m为整数;
所述基于灰色神经网络的相对风速预测模型在训练时设置输入层节点个数为3,隐含层节点个数为6,输出层节点个数为1;训练过程中的最大迭代次数设置为500,训练学习率为0.1,阈值为0.05,且所述基于灰色神经网络的相对风速预测模型的权值和阈值采用混沌蝙蝠算法进行优化选择获得,过程如下:
步骤A1:以蝙蝠个体位置作为基于灰色神经网络的相对风速预测模型的权值和阈值,初始化蝙蝠种群,并设置蝙蝠种群参数;
蝙蝠种群规模的取值范围为[200,500],蝙蝠个体最大脉冲频度r0的取值范围为[0.25,0.5],最大脉冲声音强度A0的取值范围为[0.25,0.5],最大迭代次数的取值范围为[150,300],搜索精度的取值范围为[0.001,0.1],脉冲频率的取值范围为[0,1.5],蝙蝠搜索频度增加系数的取值范围为[0.02,0.08],声音强度衰减系数的取值范围为[0.8,0.96],最大迭代次数的取值范围为[100,500],最大搜索精度的取值范围为[0.01,0.1];
步骤A2:设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t,t=1;
将蝙蝠个体位置对应的权值和阈值代入基于灰色神经网络的相对风速预测模型中,并利用蝙蝠个体位置确定的基于灰色神经网络的相对风速预测模型计算下一时刻的风速预测值,将风速预测值和实际值的差值E构建第一适应度函数f1(x),f1(x)=1/(E+1);
利用第一适应度函数计算每只蝙蝠个体位置的适应度,以最大适应度对应的蝙蝠个体位置作为初始最优蝙蝠个体位置;
步骤A3:利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新;
步骤A4:若Rand1>ri,则对处于个体最优位置的蝙蝠进行随机扰动,生成蝙蝠个体的扰动位置;
其中,Rand1为在[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频度;
步骤A5:若Rand2>Ai,蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度,则将蝙蝠个体移动到扰动位置,否则保持原位;
其中,Rand2为在[0,1]上均匀分布的随机数,Ai为第i只蝙蝠的声音强度;
步骤A6:如果步骤A5条件得到满足,则利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲脉冲声音强度,并跳转步骤A4,否则跳转到步骤A7;
步骤A7:计算当前蝙蝠种群中每个蝙蝠个体位置的适应度,按照由大到小的顺序选出前m%个蝙蝠个体进行位置和速度的混沌优化,得到更新后的前m%个蝙蝠个体,m的取值范围为[5,20];
步骤A8:判断是否达到最大迭代次数或者达到最大搜索精度,若是,则从更新后的前m%个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体,输出全局最优蝙蝠个体对应的基于灰色神经网络的相对风速预测模型的最佳权值和阈值,否则,令t=t+1,转到步骤A3继续下一次迭代。
此外,通过在无人驾驶车辆两侧设置辅助风速计,顶部设置主风速计,采集辅助风速和主风速数据,以两个同时采集的辅助风速作为输入数据,对应时刻采集的风速数据作为输出数据,训练小波神经网络模型,得到基于小波神经网络的风速融合模型;
基于小波神经网络模型的风速融合模型输入层节点个数为2,隐含层小波元个数为4,输出层节点个数为1;隐层小波神经元采用Mexican Hat小波函数,输出层节点采用Sigmoid函数,训练过程中的最大迭代次数设置为500,训练学习率为0.1,阈值为0.0004。
风速融合模型的设置,为了避免主风速计损坏后,能够利用辅助风速计获取的数据来进行融合,获取融合风速,替代主风速;
步骤3:基于能耗值和行驶距离构建基于Elman神经网络的耗电量预测模型;
以无人驾驶车辆在指定时间nT内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据,以无人驾驶车辆在指定时间nT内的耗电量作为输出数据,对Elman神经网络模型进行训练,针对n从1开始依次取值,构建多种时长的基于Elman神经网络的耗电量预测模型;
所述基于Elman神经网络的耗电量预测模型输入层节点个数为4,隐含层节点个数为8,输出层节点个数为1,承接层节点个数为8;隐含层函数采用Sigmoid函数,网络的训练采用BP算法,最大迭代次数设置为1000,训练学习率为0.1,阈值为0.001;
其中,所使用的Elman神经网络模型的权值和阈值采用狼群算法进行优化选择获得,具体过程如下:
步骤B1:初始化狼群并设置狼群参数;
狼群规模的取值范围为[10,100],步长因子的取值范围为[1000,2500],探狼比例因子的取值范围为[2,10],最大游走次数的取值范围为[5,20],距离判定因子的取值范围为[100,500],最大奔袭次数的取值范围为[5,15],更新比例因子的取值范围为[2,20],最大迭代次数的取值范围为[200,2000],最大搜索精度的取值范围为[0.01,0.1];
步骤B2:设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
依次个体狼位置体对应的参数值带入基于Elman神经网络的耗电量预测模型中,并利用个体狼位置确定的基于Elman神经网络的耗电量预测模型的计算结果,将计算结果和实际值的均方差MSE的倒数作为第二适应度函数f2(x);
利用第二适应度函数计算每个个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置
步骤B3:探狼游走;
从狼群中选取适应度最大的狼作为头狼,并随机选取探狼;计算探狼在各方向的适应度,并使探狼向适应度最大的方向探索:当某只探狼适应度大于头狼或者达到最大游走次数时,游走结束,进入步骤B4;
步骤B4:猛狼奔袭;
除头狼与探狼之外的个体狼均为猛狼,猛狼向头狼所在方向奔袭,并不断计算猛狼位置的适应度;
若某猛狼位置适应度高于头狼位置适应度,则更新头狼,且其余猛狼改为向当前头狼奔袭,当猛狼与当前头狼距离小于判定距离时,该猛狼奔袭停止,当所有猛狼奔袭停止或达到最大奔袭次数时,奔袭结束,狼群进入围攻状态,进入步骤B5;
步骤B5:除当前头狼以外所有个体狼均向头狼方向前进一步,依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度,若是,则将向前进一步的位置作为个体狼的新的位置,否则,若适应度降低,则个体狼保持原位置不变;
步骤B6:完成围攻行为后,狼群中所有个体狼按照当前适应度由高到低排序,适应度最高的个体狼设为头狼,排名靠后的人工狼被淘汰,并重新随机生成新的人工狼;
步骤B7:当达到最大搜索精度或最大迭代次数时,输出最新的头狼对应的基于Elman神经网络的耗电量预测模型的最优参数,否则,令t=t+1,返回步骤B3,继续下一次迭代。
步骤4:构建云端路径上各经纬度行车数据库;
所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间;
对路径上的经纬度进行等间距划分,获得参考经纬度,相邻参考经纬度之间间距为2米,将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则,划分到与该路径上最近的参考经纬度,以同一参考经纬度上的所有车辆车速和坡度角均值,作为参考经纬度上的云端车速和坡度角,并按照前一参考经纬度上的云端车速行驶至下一参考经纬度,获取相邻参考经纬度之间的行驶时间;
所述车辆采集的车速、坡度角以及对应的经纬度和行驶方向数据信息会实时上传到云端共享服务器;
其中,获取的坡度角数据需要对其符号进行修正,若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致,则提取对应坡度角数据;若行驶方向相反,则提取对应坡度角数据的负值数据;若存在某路段空缺数据,则位于该路段上的坡度角为零;在云端路径上各经纬度行车数据库中保存的车辆车速和坡度角均为所有车辆在同一方向行驶获得;
步骤5:采集实时无人驾驶车辆数据,利用基于灰色神经网络的相对风速预测模型和云端路径数据,计算无人驾驶车辆从当前位置到达终点过程中,在未来路径的指定时间内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值;所述指定时间的时长为单元间隔时间的倍数;
利用无人驾驶车辆实时采集的外部风速和车速,利用基于灰色神经网络的相对风速预测模型,获得指定时间内的相对风速,并计算在未来路径的指定时间内的风阻能耗值;
同时利用无人驾驶车辆所在的经纬度,依据云端路径上的相邻参考经纬度之间的行驶时间数据,确定无人驾驶车辆在经过指定时间后所处的经纬度位置,并从云端获取在未来路径上在指定时间内的经过各经纬度时的云端车速和云端坡度角,计算指定时间内行驶距离和坡度能耗值;
利用无人驾驶车辆实时采集的车内外温度的差值在未来指定时间内的累加值作为未来指定时间内的温度能耗值;
从云端路径上寻找与无人驾驶车辆当前所在经纬度最近的经纬度位置,以找到的经纬度为起点,依次将相邻两个经纬度行驶时间进行累加,直到累加时间刚好大于或等于指定时间,以累加过程中最后一个经纬度位置确定为在指定时间后所处的经纬度位置;
步骤6:利用未来路径的指定时间内的行驶距离和能耗值,输入基于Elman神经网络的耗电量预测模型,获取未来路径的指定时间内的耗电量;
所述基于Elman神经网络的耗电量预测模型在训练时所使用的数据对应的时长与指定时间相同。
将设定的单元间隔时间定为5分钟,对未来路径的指定时间为5*n,定义无人驾驶车辆在5*n之内用于输入耗电量预测模型所需的数据为a(t,n)、l(t,n)、b(t,n)、k(t,n),其中n=(1,2,3,…),即车辆在未来5分钟、10分钟、15分钟……之内的风阻能耗值、行驶距离、坡度能耗值、温度能耗值;
其中,上述4种预测数据含义及获取方法如下:
(1)无人驾驶车辆在未来路径的指定时间5*n之内的风阻能耗值a(t,n):
a)风速检测系统的一个主风速计和两个辅助风速计获取主风速Vf(t)和辅助风速Vf1(t)、Vf2(t)数据;路况检测系统的车速检测器获取车速v(t)数据;
b)耗电量预测系统获取数据,计算相对风速:
vf(t)=Vf(t)-v(t);
c)将实时相对风速值按时序组成输入矩阵,输入到相对风速预测模型,预测下一时刻相对风速值;当主风速计损坏或无法直接获取主风速时,将两个辅助风速值作为输入数据,输入至风速融合模型,将其输出值作为主风速;
d)将下一时刻相对风速值加入输入矩阵,输入到相对风速预测模型,预测下两个时刻的风速值;
e)不断滚动迭代,预测无人驾驶车辆在指定时间内的每个时刻的风速值;
f)计算无人驾驶车辆在指定时间5*n分钟内的风阻能耗值τ为车辆当前时间;
(2)无人驾驶车辆在未来路径的指定时间5*n之内的行驶距离l(t,n):
a)路况检测系统通过GPRS无线通信系统连接云端共享服务器;获取该条路径上所有车辆上传的速度值和速度采集时的经纬度坐标数据,设第一辆车在该条路径上共采集了j个经纬度对应的速度值,可表示为
b)车载GPS导航系统实时获取车辆当前位置,确定车辆当前位置到终点的路径长度L;将数据传输至路况检测系统;
c)路况检测系统将长度为L的路径分解为N个参考经纬度坐标,相邻的参考经纬度坐标的距离定为2米,由于从云端共享服务器获取每辆车的速度对应的经纬度与路况检测系统分解的N个参考经纬度坐标有偏差,即j≠N;因此根据距离最近的原则将从云端共享服务器获取的速度值赋予路况检测系统将路径分解的参考经纬度坐标,即得到:对于共有i辆车,可表示为
d)采用均值法计算所有车辆速度的均值作为同一经纬度坐标的不同车辆速度值的代表值,即计算上述矩阵每一行的第二列到最后一列的速度均值作为代表值,例如第k行,计算[v1k′ … vik′]共i个元素的均值作为代表值vk′,得:即在未来行驶的时间中,不同经纬度对应的云端速度值vk′(longitude(k),latitude(k)),1≤k≤N;
e)计算在无人驾驶车辆在行驶过程中在5*n之后时刻所在经纬度位置,计算方法如下:
逐步对上式进行累加,记录当累加值刚好大于或等于5*n时的k值,定为k(n)即无人驾驶车辆在指定时间5*n时预测的参考经纬度位置为(longitude(k(n)),latitude(k(n)));
f)计算无人驾驶车辆在指定时间5*n内的行驶距离k(0)为车辆当前所处经纬度坐标;
(3)无人驾驶车辆在未来路径的指定时间5*n之内的坡度能耗值b(t,n):
a)路况检测系统通过GPRS无线通信系统连接云端共享服务器;获取该条路径上每辆车辆采集的坡度角和坡度角采集时的经纬度坐标数据,设第一辆车在该条路径上共采集了j个经纬度对应的坡度角,可表示为:
其中,获取的坡度角数据需要对其符号进行修正,若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致,则提取对应坡度角数据;若行驶方向相反,则提取对应坡度角数据的负值数据;
若存在某路段空缺数据,则位于该路段上的坡度角为零;在云端路径上各经纬度行车数据库中保存的车辆车速和坡度角均为所有车辆在同一方向行驶获得;
b)车载GPS导航系统实时获取车辆当前位置,确定车辆当前位置到终点的路径长度L;将数据传输至路况检测系统;
c)路况检测系统将长度为L的路径分解为N个参考经纬度坐标,相邻的经纬度坐标的距离定为2米;由于从云端共享服务器获取每辆车采集的坡度角对应的经纬度与路况检测系统分解的N个参考经纬度坐标有偏差,即j≠N;因此根据距离最近的原则将从云端共享服务器获取的坡度角赋予路况检测系统分解的参考经纬度坐标,即
对于共有i辆车,可表示为
d)采用平均法求出同一经参考纬度坐标的不同车辆测得坡度角的代表值,例如第k行,计算[α1k′ ... αik′]共i个元素的平均数作为代表值αk′,得:
即在未来行驶的时间中,不同参考经纬度对应的云端坡度角为αk′(longitude(k),latitude(k)),1≤k≤N;
e)对坡度角进行变换,计算无人驾驶车辆行驶的爬坡因子β=0.02*cos(α)sin(α);得到β(longitude(k),latitude(k)),1≤k≤N;
f)计算在无人驾驶车辆在行驶过程中在5*n之后时刻所在参考经纬度位置其计算方法如下:
逐步对上式进行累加,记录当累加值刚好大于或等于5*n时的k值,定为k(n)即无人驾驶车辆在指定时间5*n时预测的参考经纬度位置为(longitude(k(n)),latitude(k(n)))
g)计算无人驾驶车辆在未来路径的指定时间5*n内的坡度能耗值,计算方法如下:
(4)无人驾驶车辆在未来路径的指定时间5*n之内的温度能耗值k(t,n):
由于车辆在行驶过程中,车内外温度差变化很小,因此将车辆当前最新所计算的温度能耗值作为未来每个5分钟内的温度能耗预测值k(t,n)。
将无人驾驶车辆在指定时间5*n之内处理的数据[a(t,n)、l(t,n)、b(t,n)、k(t,n)]其中n=(1,2,3,…)作为输入数据,输入到对应时长的基于Elman神经网络模型的耗电量预测模型,当n取从1开始依次取值时,能准确预测出车辆在5分钟、10分钟、15分钟……之内的耗电量,即可获取在5分钟、10分钟、15分钟……之后时预测电量;
如图2所示,一种无人驾驶车辆实时电量智慧预测装置,包括:
GPRS无线通信系统,用于从云端共享服务器获取云端路径数据;
云端共享服务器,用于获取和储存所有无人驾驶车辆在相同道路上行驶时各经纬度处的坡度角、车速以及行驶方向;
车载GPS导航系统,用于获取无人驾驶车辆行驶时的当前经纬度,并计算路径长度和预测行驶时间;
路况检测系统,包括设置在无人驾驶车辆上的陀螺仪和车速检测器,其中,所述陀螺仪实时记录无人驾驶车辆在行驶过程中的仰俯角,且以所述仰俯角作为路面的坡度角,仰角为正值代表上坡,俯角为负值代表下坡;所述车速检测器实时检测无人驾驶车辆的车速;
风速检测系统,包括设置在车顶中间的主风速计和两个分别设置在车辆两侧的辅助风速计,用于测量车辆外部风速;
重力感应设备,包括三个重力感应器,分别安装在主驾驶座下,副驾驶座下,后排座位中间位置下方,用于检测各个座位重量大小判断是否有人坐下;
温度检测系统,包括一个车外温度检测器和三个车内温度传感器;车外温度传感器安装在车前保险杠上,用于检测车外温度;三个车内温度传感器分别安装在主驾驶座前,副驾驶座前,后排座位中间,用于检测车内三处位置的温度;车内温度根据所得座位重量数据是否超过设定重量阈值来选取对应座位处采集的车内温度数据,以所选座位处采集的温度取平均值作为车内温度;
电量检测设备,用于实时检测当前剩余电量信息;
耗电量预测系统,采用上述的方法,对车载GPS导航系统,路况检测系统,风速检测系统,重力感应设备,温度检测系统以及电量检测设备获取的数据进行指定时间内无人驾驶车辆的耗电量预测。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种无人驾驶车辆实时电量智慧预测方法,其特征在于,包括以下步骤:
步骤1:获取训练数据;
所述训练数据包括无人驾驶车辆在行驶过程中的指定时间nT内的能耗值、行驶距离和耗电量,所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值;
所述风阻能耗值由无人驾驶车辆在指定时间nT内的相对风速累加获得,所述相对风速大小是指车辆外部风速与车速的差值;
所述坡度能耗值由无人驾驶车辆在指定nT内的爬坡因子对时间进行积分获得,爬坡因子为β,β=0.02*cos(α)+sin(α),α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角;
所述温度能耗值由无人驾驶车辆在指定时间nT内的车内温度与车外温度的差值累加获得;
所述行驶距离由无人驾驶车辆在指定时间nT内的车速对时间进行积分获得;
其中,T为设定的单元间隔时间,所述指定时间为设定的单元间隔时间的整数倍,n为整数,从1开始依次取值;从而获得多种对应不同指定时间的训练数据;
步骤2:构建基于灰色神经网络的相对风速预测模型;
利用训练数据中的无人驾驶车辆相对风速时间序列中的连续m个时刻的相对风速作为输入数据,第m+1个时刻的相对风速作为输出数据,对灰色神经网络模型进行训练,构建基于灰色神经网络的相对风速预测模型,m为整数;
步骤3:基于能耗值和行驶距离构建基于Elman神经网络的耗电量预测模型;
以无人驾驶车辆在指定时间nT内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据,以无人驾驶车辆在指定时间nT内的耗电量作为输出数据,对Elman神经网络模型进行训练,针对n从1开始依次取值,构建多种时长的基于Elman神经网络的耗电量预测模型;
步骤4:构建云端路径上各经纬度行车数据库;
所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间;
对路径上的经纬度进行等间距划分,获得参考经纬度,相邻参考经纬度之间间距为2米,将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则,划分到与该路径上最近的参考经纬度,以同一参考经纬度上的所有车辆车速和坡度角均值,作为参考经纬度上的云端车速和坡度角,并按照前一参考经纬度上的云端车速行驶至下一参考经纬度,获取相邻参考经纬度之间的行驶时间;
若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致,则提取对应坡度角数据;若行驶方向相反,则提取对应坡度角数据的负值数据;若存在某路段空缺数据,则位于该路段上的坡度角为零;
步骤5:采集实时无人驾驶车辆数据,利用基于灰色神经网络的相对风速预测模型和云端路径数据,计算无人驾驶车辆从当前位置到达终点过程中,在未来路径的指定时间内的风阻能耗值、行驶距离、坡度能耗值和温度能耗值;所述指定时间的时长为单元间隔时间的倍数;
利用无人驾驶车辆实时采集的外部风速和车速,利用基于灰色神经网络的相对风速预测模型,获得指定时间内的相对风速,并计算指定时间内的风阻能耗值;
同时利用无人驾驶车辆所在的经纬度,依据云端路径上的相邻参考经纬度之间的行驶时间数据,确定无人驾驶车辆在经过指定时间后所处的经纬度位置,并从云端获取在未来路径上在指定时间内的经过各经纬度时的云端车速和云端坡度角,计算指定时间内行驶距离和坡度能耗值;
利用无人驾驶车辆实时采集的车内外温度的差值在未来指定时间内的累加值作为未来指定时间内的温度能耗值;
步骤6:利用未来路径的指定时间内的行驶距离和能耗值,输入对应时长的基于Elman神经网络的耗电量预测模型,获取未来路径在指定时间内的耗电量;
所述基于Elman神经网络的耗电量预测模型在训练时所使用的数据对应的时长与指定时间相同。
2.根据权利要求1所述的方法,其特征在于,所述基于灰色神经网络的相对风速预测模型在训练时设置输入层节点个数为3,隐含层节点个数为6,输出层节点个数为1;训练过程中的最大迭代次数设置为500,训练学习率为0.1,阈值为0.05,且所述基于灰色神经网络的相对风速预测模型的权值和阈值采用混沌蝙蝠算法进行优化选择获得。
3.根据权利要求2所述的方法,其特征在于,所述基于灰色神经网络的相对风速预测模型的权值和阈值采用混沌蝙蝠算法进行优化选择获得的过程如下:
步骤A1:以蝙蝠个体位置作为基于灰色神经网络的相对风速预测模型的权值和阈值,初始化蝙蝠种群,并设置蝙蝠种群参数;
蝙蝠种群规模的取值范围为[200,500],蝙蝠个体最大脉冲频度r0的取值范围为[0.25,0.5],最大脉冲声音强度A0的取值范围为[0.25,0.5],最大迭代次数的取值范围为[150,300],搜索精度的取值范围为[0.001,0.1],脉冲频率的取值范围为[0,1.5],蝙蝠搜索频度增加系数的取值范围为[0.02,0.08],声音强度衰减系数的取值范围为[0.8,0.96],最大迭代次数的取值范围为[100,500],最大搜索精度的取值范围为[0.01,0.1];
步骤A2:设定适应度函数,并确定初始最优蝙蝠个体位置和迭代次数t,t=1;
将蝙蝠个体位置对应的权值和阈值代入基于灰色神经网络的相对风速预测模型中,并利用蝙蝠个体位置确定的基于灰色神经网络的相对风速预测模型计算下一时刻的风速预测值,将风速预测值和实际值的差值E构建第一适应度函数f1(x),f1(x)=1/(E+1);
利用第一适应度函数计算每只蝙蝠个体位置的适应度,以最大适应度对应的蝙蝠个体位置作为初始最优蝙蝠个体位置;
步骤A3:利用设定的脉冲频率对蝙蝠个体的速度以及位置进行更新;
步骤A4:若Rand1>ri,则对处于个体最优位置的蝙蝠进行随机扰动,生成蝙蝠个体的扰动位置;
其中,Rand1为在[0,1]上均匀分布的随机数,ri为第i只蝙蝠的脉冲频度;
步骤A5:若Rand2>Ai,蝙蝠个体的扰动位置的适应度优于扰动前的蝙蝠个体位置的适应度,则将蝙蝠个体移动到扰动位置,否则保持原位;
其中,Rand2为在[0,1]上均匀分布的随机数,Ai为第i只蝙蝠的声音强度;
步骤A6:如果步骤A5条件得到满足,则利用蝙蝠搜索频度增加系数和声音强度衰减系数更新蝙蝠个体的脉冲频度和脉冲脉冲声音强度,并跳转步骤A4,否则跳转到步骤A7;
步骤A7:计算当前蝙蝠种群中每个蝙蝠个体位置的适应度,按照由大到小的顺序选出前m%个蝙蝠个体进行位置和速度的混沌优化,得到更新后的前m%个蝙蝠个体,m的取值范围为[5,20];
步骤A8:判断是否达到最大迭代次数或者达到最大搜索精度,若是,则从更新后的前m个蝙蝠个体中依据适应度值选出全局最优蝙蝠个体,输出全局最优蝙蝠个体对应的基于灰色神经网络的相对风速预测模型的最佳权值和阈值,否则,令t=t+1,转到步骤A3继续下一次迭代。
4.根据权利要求1所述的方法,其特征在于,所述基于Elman神经网络的耗电量预测模型输入层节点个数为4,隐含层节点个数为8,输出层节点个数为1,承接层节点个数为8;隐含层函数采用Sigmoid函数,网络的训练采用BP算法,最大迭代次数设置为1000,训练学习率为0.1,阈值为0.001;
其中,所使用的Elman神经网络模型的权值和阈值采用狼群算法进行优化选择获得。
5.根据权利要求4所述的方法,其特征在于,所述基于Elman神经网络的耗电量预测模型中的权值和阈值采用狼群算法进行优化选择获得,具体过程如下:
步骤B1:初始化狼群并设置狼群参数;
狼群规模的取值范围为[10,100],步长因子的取值范围为[1000,2500],探狼比例因子的取值范围为[2,10],最大游走次数的取值范围为[5,20],距离判定因子的取值范围为[100,500],最大奔袭次数的取值范围为[5,15],更新比例因子的取值范围为[2,20],最大迭代次数的取值范围为[200,2000],最大搜索精度的取值范围为[0.01,0.1];
步骤B2:设定适应度函数,并确定初始最优头狼位置和迭代次数t,t=1;
依次个体狼位置体对应的参数值带入基于Elman神经网络的耗电量预测模型中,并利用个体狼位置确定的基于Elman神经网络的耗电量预测模型的计算结果,将计算结果和实际值的均方差MSE的倒数作为第二适应度函数f2(x);
利用第二适应度函数计算每个个体狼位置的适应度,以最大适应度对应的个体狼位置作为初始最优头狼位置
步骤B3:探狼游走;
从狼群中选取适应度最大的狼作为头狼,并随机选取探狼;计算探狼在各方向的适应度,并使探狼向适应度最大的方向探索,当某只探狼适应度大于头狼或者达到最大游走次数时,游走结束,进入步骤B4;
步骤B4:猛狼奔袭;
除头狼与探狼之外的个体狼均为猛狼,猛狼向头狼所在方向奔袭,并不断计算猛狼位置的适应度;
若某猛狼位置适应度高于头狼位置适应度,则更新头狼,且其余猛狼改为向当前头狼奔袭,当猛狼与当前头狼距离小于判定距离时,该猛狼奔袭停止,当所有猛狼奔袭停止或达到最大奔袭次数时,奔袭结束,狼群进入围攻状态,进入步骤B5;
步骤B5:除当前头狼以外所有个体狼均向头狼方向前进一步,依次判断向前进一步后的个体狼位置适应度是否优于未向前进一步的位置的适应度,若是,则将向前进一步的位置作为个体狼的新的位置,否则,若适应度降低,则个体狼保持原位置不变;
步骤B6:完成围攻行为后,狼群中所有个体狼按照当前适应度由高到低排序,适应度最高的个体狼设为头狼,排名靠后的人工狼被淘汰,并重新随机生成新的人工狼;
步骤B7:当达到最大搜索精度或最大迭代次数时,输出最新的头狼对应的基于Elman神经网络的耗电量预测模型的最优参数,否则,令t=t+1,返回步骤B3,继续下一次迭代。
6.根据权利要求1-5任一项所述的方法,其特征在于,通过在无人驾驶车辆两侧设置辅助风速计,顶部设置主风速计,采集辅助风速和主风速数据,以两个同时采集的辅助风速作为输入数据,对应时刻采集的主风速数据作为输出数据,训练小波神经网络模型,得到基于小波神经网络的风速融合模型;
基于小波神经网络模型的风速融合模型输入层节点个数为2,隐含层小波元个数为4,输出层节点个数为1;隐层小波神经元采用Mexican Hat小波函数,输出层节点采用Sigmoid函数,训练过程中的最大迭代次数设置为500,训练学习率为0.1,阈值为0.0004。
7.一种无人驾驶车辆实时电量智慧预测装置,其特征在于,包括:
GPRS无线通信系统,用于从云端共享服务器获取云端路径数据;
云端共享服务器,用于获取和储存所有无人驾驶车辆在相同道路上行驶时各经纬度处的坡度角、车速以及行驶方向;
车载GPS导航系统,用于获取无人驾驶车辆行驶时的当前经纬度,并计算路径长度和预测行驶时间;
路况检测系统,包括设置在无人驾驶车辆上的陀螺仪和车速检测器,其中,所述陀螺仪实时记录无人驾驶车辆在行驶过程中的仰俯角,且以所述仰俯角作为路面的坡度角,仰角为正值代表上坡,俯角为负值代表下坡;所述车速检测器实时检测无人驾驶车辆的车速;
风速检测系统,包括设置在车顶中间的主风速计和两个分别设置在车辆两侧的辅助风速计,用于测量车辆外部风速;
重力感应设备,包括三个重力感应器,分别安装在主驾驶座下,副驾驶座下,后排座位中间位置下方,用于检测各个座位重量大小判断是否有人坐下;
温度检测系统,包括一个车外温度检测器和三个车内温度传感器;车外温度传感器安装在车前保险杠上,用于检测车外温度;三个车内温度传感器分别安装在主驾驶座前,副驾驶座前,后排座位中间,用于检测车内三处位置的温度;车内温度根据所得座位重量数据是否超过设定重量阈值来选取对应座位处采集的车内温度数据,以所选座位处采集的温度取平均值作为车内温度;
电量检测设备,用于实时检测当前剩余电量信息;
耗电量预测系统,采用权利要求1-6任一项所述的方法,对车载GPS导航系统,路况检测系统,风速检测系统,重力感应设备,温度检测系统以及电量检测设备获取的数据进行指定时间内无人驾驶车辆的耗电量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810327226.0A CN108510129B (zh) | 2018-04-12 | 2018-04-12 | 一种无人驾驶车辆实时电量智慧预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810327226.0A CN108510129B (zh) | 2018-04-12 | 2018-04-12 | 一种无人驾驶车辆实时电量智慧预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108510129A true CN108510129A (zh) | 2018-09-07 |
CN108510129B CN108510129B (zh) | 2021-12-21 |
Family
ID=63382013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810327226.0A Active CN108510129B (zh) | 2018-04-12 | 2018-04-12 | 一种无人驾驶车辆实时电量智慧预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108510129B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109785611A (zh) * | 2019-01-24 | 2019-05-21 | 平安科技(深圳)有限公司 | 无人驾驶车辆控制方法、装置、服务器及存储介质 |
CN110361505A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 一种车外大气污染环境下列车乘员健康预警系统及其方法 |
CN110395286A (zh) * | 2019-08-02 | 2019-11-01 | 中南大学 | 一种列车车内空气品质监测与通风调控方法、系统 |
WO2020125470A1 (en) * | 2018-12-20 | 2020-06-25 | Ningbo Geely Automobile Research & Development Co., Ltd. | A system and method for controlling energy consumption in a vehicle |
CN111409418A (zh) * | 2020-04-10 | 2020-07-14 | 中国联合网络通信集团有限公司 | 调节车辆温度的方法和装置 |
CN112686453A (zh) * | 2020-12-31 | 2021-04-20 | 中南大学 | 机车能耗智能预测方法及系统 |
CN113128110A (zh) * | 2021-04-12 | 2021-07-16 | 吉林大学 | 智能网联电动汽车高寒地区动力电池热管理优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959358A (zh) * | 2010-07-30 | 2013-03-06 | 日产自动车株式会社 | 车辆的电力消耗量计算装置、信息提供装置及信息提供方法 |
CN104035037A (zh) * | 2014-05-12 | 2014-09-10 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN104260724A (zh) * | 2014-09-22 | 2015-01-07 | 李治良 | 一种车辆智能预测控制系统及其方法 |
CN106163862A (zh) * | 2014-04-04 | 2016-11-23 | 特斯拉汽车公司 | 具有能源约束的行程规划 |
CN107688343A (zh) * | 2017-08-01 | 2018-02-13 | 北京理工大学 | 一种混合动力车辆的能量控制方法 |
-
2018
- 2018-04-12 CN CN201810327226.0A patent/CN108510129B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102959358A (zh) * | 2010-07-30 | 2013-03-06 | 日产自动车株式会社 | 车辆的电力消耗量计算装置、信息提供装置及信息提供方法 |
CN106163862A (zh) * | 2014-04-04 | 2016-11-23 | 特斯拉汽车公司 | 具有能源约束的行程规划 |
CN104035037A (zh) * | 2014-05-12 | 2014-09-10 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN104260724A (zh) * | 2014-09-22 | 2015-01-07 | 李治良 | 一种车辆智能预测控制系统及其方法 |
CN107688343A (zh) * | 2017-08-01 | 2018-02-13 | 北京理工大学 | 一种混合动力车辆的能量控制方法 |
Non-Patent Citations (3)
Title |
---|
QINGSHENG SHI等: ""Battery State-Of-Charge estimation in Electric Vehicle using Elman neural network method"", 《PROCEEDINGS OF THE 29TH CHINESE CONTROL CONFERENCE》 * |
李林: ""电动汽车电池剩余电量估计的方法研究"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
焦慧敏: ""电动汽车动力电池剩余电量的预测方法及其实现"", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020125470A1 (en) * | 2018-12-20 | 2020-06-25 | Ningbo Geely Automobile Research & Development Co., Ltd. | A system and method for controlling energy consumption in a vehicle |
CN109785611A (zh) * | 2019-01-24 | 2019-05-21 | 平安科技(深圳)有限公司 | 无人驾驶车辆控制方法、装置、服务器及存储介质 |
CN109785611B (zh) * | 2019-01-24 | 2022-03-08 | 平安科技(深圳)有限公司 | 无人驾驶车辆控制方法、装置、服务器及存储介质 |
CN110361505A (zh) * | 2019-07-25 | 2019-10-22 | 中南大学 | 一种车外大气污染环境下列车乘员健康预警系统及其方法 |
CN110395286A (zh) * | 2019-08-02 | 2019-11-01 | 中南大学 | 一种列车车内空气品质监测与通风调控方法、系统 |
CN110395286B (zh) * | 2019-08-02 | 2020-08-07 | 中南大学 | 一种列车车内空气品质监测与通风调控方法、系统 |
US11999388B2 (en) | 2019-08-02 | 2024-06-04 | Central South University | Interior air quality monitoring and ventilation control method and system for train |
CN111409418A (zh) * | 2020-04-10 | 2020-07-14 | 中国联合网络通信集团有限公司 | 调节车辆温度的方法和装置 |
CN112686453A (zh) * | 2020-12-31 | 2021-04-20 | 中南大学 | 机车能耗智能预测方法及系统 |
CN112686453B (zh) * | 2020-12-31 | 2023-09-01 | 中南大学 | 机车能耗智能预测方法及系统 |
CN113128110A (zh) * | 2021-04-12 | 2021-07-16 | 吉林大学 | 智能网联电动汽车高寒地区动力电池热管理优化方法 |
CN113128110B (zh) * | 2021-04-12 | 2022-04-01 | 吉林大学 | 智能网联电动汽车高寒地区动力电池热管理优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108510129B (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510129A (zh) | 一种无人驾驶车辆实时电量智慧预测方法及装置 | |
CN108510737B (zh) | 一种融合风环境的无人驾驶车辆电源实时监控方法及装置 | |
US11794757B2 (en) | Systems and methods for prediction windows for optimal powertrain control | |
CN102189994B (zh) | 用于电动和混合动力车辆操作的系统和方法 | |
CN110009037B (zh) | 一种基于物理信息耦合的工程风速短时预测方法及系统 | |
CN108510130A (zh) | 一种智能无人驾驶车辆极限里程智能多源评估方法及装置 | |
CN107767659A (zh) | 基于arima模型的共享单车吸引量和发生量预测方法 | |
Schoen et al. | A machine learning model for average fuel consumption in heavy vehicles | |
CN106908075A (zh) | 大数据采集与处理系统及基于其电动汽车续航估计方法 | |
CN108177648A (zh) | 一种基于智能预测的插电式混合动力车辆的能量管理方法 | |
CN109978275B (zh) | 一种混合cfd和深度学习的极端大风风速预测方法及系统 | |
CN110414803B (zh) | 不同网联程度下自动驾驶系统智能水平的测评方法及装置 | |
CN112686453A (zh) | 机车能耗智能预测方法及系统 | |
CN108573545B (zh) | 一种冰雪环境无人驾驶车辆电源模型预测方法与系统 | |
CN114446049B (zh) | 基于社会价值取向的交通流预测方法、系统、终端及介质 | |
WO2021188647A1 (en) | Systems and methods for managing velocity profiles | |
CN108549037B (zh) | 一种基于并行神经网络的无人驾驶车辆电源预测方法及系统 | |
CN115344052B (zh) | 基于改进的群优化算法的车辆路径控制方法及控制系统 | |
CN110481534A (zh) | 车辆控制系统、车辆控制方法及存储介质 | |
CN113283460A (zh) | 机器学习系统和用于操作该系统以便确定时间序列的方法 | |
CN116627162A (zh) | 基于多智能体强化学习的多无人机数据采集位置优化方法 | |
CN116341706A (zh) | 基于综合能源感知的城市移动负荷概率预测系统与方法 | |
CN112098869B (zh) | 一种基于大数据的自适应电动汽车soc估计方法 | |
CN108656992A (zh) | 一种极端暴雨环境下无人驾驶车辆电源智慧预测方法及装置 | |
CN101868045A (zh) | 一种基于复合传感器自组网的运动目标分类识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |