CN108510737B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN108510737B
CN108510737B CN201810327802.1A CN201810327802A CN108510737B CN 108510737 B CN108510737 B CN 108510737B CN 201810327802 A CN201810327802 A CN 201810327802A CN 108510737 B CN108510737 B CN 108510737B
Authority
CN
China
Prior art keywords
value
vehicle
wolf
unmanned vehicle
power consumption
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.)
Active
Application number
CN201810327802.1A
Other languages
English (en)
Other versions
CN108510737A (zh
Inventor
刘辉
李燕飞
尹恒鑫
陈浩林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN201810327802.1A priority Critical patent/CN108510737B/zh
Publication of CN108510737A publication Critical patent/CN108510737A/zh
Application granted granted Critical
Publication of CN108510737B publication Critical patent/CN108510737B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了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，该方法针对车辆行驶路径中复杂的道路环境尤其是风环境，考虑不同车速对耗电量影响的不同，建立耗电量预测模型，该模型预测电量与电池本身无关，利用大量历史数据与实时数据训练模型，能辨识不同路况环境上车辆以不同车速作为知道车速的电量的使用情况。该模型对云端其他车辆车速进行中值法、均值法、众数法三种不同的方式进行处理，依据不同云端车速对车辆耗电量进行预测，选择出最低耗电量的数据，获取对应的行驶车速作为未来设定时间内的车速，能降低车辆行驶能耗，实现经济车速行驶目标，符合低碳出行的要求。

Description

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
技术领域
本发明属于人工智能领域，特别涉及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。
背景技术
无人驾驶车辆正在迅速兴起，无人驾驶车辆电量消耗的快慢成为评价无人驾驶车辆性能优良的指标之一，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。无人驾驶车辆不同的行驶状态对耗电量有着很重要的影响。
影响车辆能耗的主要原因有车辆各附件能耗和车辆发动机牵引力克服外部阻力的能耗。在车辆各附件能耗中空调能耗是最大最显著的一项，无人驾驶车辆空调视为智能自动调节，无需人工干涉，其空调的使用情况可根据车内外温度差来体现。车辆需要克服外部的阻力主要包括车轮与地面的摩擦阻力和车辆行驶中的空气阻力，当一辆车辆以80km/h的速度行驶时，60％的能耗用来克服空气阻力，空气阻力可用风速的大小来体现。无人驾驶车辆行驶在平路上的摩擦阻力可视为恒定值，其与车载重有关，当无人驾驶车辆行驶在有坡度的路面上时，其摩擦阻力将会改变，并附有重力沿路面方向的分力，因此可用路面的坡度角和长度来体现。
在一段路程里，车速的大小影响车辆耗电量的大小，车速越快，风阻能耗越大，耗电量越大。因此考虑复杂路况环境的影响，融合风环境给无人驾驶车辆行驶在未来某一段路程中匹配其车辆行驶速度，实现无人驾驶车辆电源的实时监控对无人驾车车辆发展具有指导意义。
发明内容
本发明提供了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，依融合车内外温度数据、车外车正前方风速数据、车速数据和道路坡度角对无人驾驶车辆耗电量进行实时预测监控，并通过耗电量预测模型输出不同车速下耗电量值，选择在未来某一段路程中耗电量最低对应的行驶距离，计算未来设定时间内与道路情况最佳的匹配车速，作为指导车速。
一种融合风环境的无人驾驶车辆电源实时监控方法，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设定间隔时间T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设定间隔时间T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设定间隔时间T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设定间隔时间T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设定间隔时间T内的车速对时间进行积分获得；
步骤2：构建基于Elman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n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的相对风速预测模型；
步骤3：基于能耗值和行驶距离构建基于灰色神经网络的耗电量预测模型；
以无人驾驶车辆在设定间隔时间内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据，以无人驾驶车辆在设定间隔时间内的耗电量作为输出数据，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，依次以同一参考经纬度上的所有车辆车速中值、均值以及众数值和坡度角的均值，分别作为参考经纬度上的云端车速的三种取值和坡度角，并分别按照前一参考经纬度上的各种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各种行驶时间；
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：基于无人驾驶车辆实时数据，利用三种云端车速，获取未来设定间隔时间T内三种风阻能耗值、行驶距离和坡度能耗值，以及在未来设定间隔时间T内的温度能耗值；
利用无人驾驶车辆实时采集的外部风速和车速，利用基于Elman神经网络的相对风速预测模型，获得未来设定间隔时间内的相对风速，并计算未来设定间隔时间内的三种风阻能耗值；
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三种行驶时间数据，确定无人驾驶车辆在经过未来设定时间后所处的三种经纬度位置，并从云端获取在未来路径上在未来设定时间内的经过各经纬度时的三种云端车速和云端坡度角，计算未来设定间隔时间内三种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设定间隔时间内的累加值作为未来设定间隔时间内的温度能耗值；
步骤6：利用步骤5获得的在未来设定间隔时间内的温度能耗值以及三种风阻能耗值、行驶距离、坡度能耗值，分三次输入基于灰色神经网络的耗电量预测模型，获得在未来设定间隔时间内的三种耗电量值；
步骤7：从步骤6获取的三种耗电量值中选出最大耗电量，作为未来设定间隔时间内无人驾驶车辆最终的耗电量预测值，并以三种耗电量值中的最小耗电量对应输入的行驶距离，获取未来设定间隔时间内平均车速，作为无人驾驶车辆指导车速。
通过采集的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，通过选取最小耗电量对应的车速作为无人驾驶车辆的指导车速，实现低碳行驶。
进一步地，所述基于Elman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7，输出层节点个数为1，承接层节点个数为7；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，且所述基于Elman神经网络的相对风速预测模型的权值和阈值采用水循环算法进行优化选择获得。
进一步地，所述基于Elman神经网络的相对风速预测模型的权值和阈值采用水循环算法进行优化选择获得的过程如下：
步骤A1：将降雨层作为基于Elman神经网络的相对风速预测模型的权值和阈值，初始化降雨层种群，并设置降雨层初始化参数；
降雨层种群规模的取值范围为[30,200]，河流和海洋的取值范围为[5,15]，海洋个数1，极小值的取值范围为[0.01,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.001,0.1]；
步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的权值和阈值代入基于Elman神经网络的相对风速预测模型中，并利用降雨层确定基于Elman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个降雨层的适应度，以最大适应度对应的降雨层作为大海，以第二大适应度的降雨层作为河流，其余的降雨层作为流入大海或者河流的溪流；
步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们相互交换位置；
步骤A4：使河流流入大海，若河流的解比大海的解更好，则他们相互交换位置，以最终大海作为最优解；
步骤A5：检查是否满足蒸发条件；判断河流和大海的适应度值之差的绝对值是否小于极小值；
如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群各降雨层的适应度，返回步骤A3，否则，进入步骤A6；
步骤A6：判断是否达到最大迭代次数或者满足搜索精度要求，若达到，则输出最优大海对应的基于Elman神经网络的相对风速预测模型的权值和阈值，若未达到，则令t＝t+1，返回步骤A3，继续下一次迭代。
进一步地，所述基于灰色神经网络的耗电量预测模型设置输入层节点个数为4，隐含层节点个数为8，输出层节点个数为1；训练过程中的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，所使用的基于灰色神经网络的耗电量预测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，所述基于灰色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[10,150]，步长因子的取值范围为[1000,3000]，探狼比例因子的取值范围为[4,10]，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[5,20]，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；
依次将个体狼位置对应的参数值带入基于灰色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灰色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)，f2(x)＝1/MSE；
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
Figure GDA0002381159290000051
对应的个体狼位置作为初始最优头狼位置
Figure GDA0002381159290000052
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，排名靠后的个体狼被淘汰，并重新随机生成新的个体狼；
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灰色神经网络的耗电量预测模型的最优权值和阈值，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1000，训练学习率为0.01，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；
进一步地，当需要预测耗电量的未来设定时间超过设定的间隔时间T时，将需要预测耗电量的未来设定时间按照设定的间隔时间T进行等分划分，对划分后每个未来间隔时间单元T内的行驶距离和能耗值进行预测和计算，并输入基于灰色神经网络的耗电量预测模型，获得每个的未来间隔时间单元T内的耗电量，将所有的未来间隔时间单元T内的耗电量按时序进行叠加，得到所需预测的未来时间内的耗电量。
一种融合风环境的无人驾驶车辆电源实时监控装置，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未来设定时间内无人驾驶车辆的耗电量预测。
有益效果
本发明提供了一种融合风环境的无人驾驶车辆电源实时监控方法及装置，该方法针对车辆行驶复杂的道路环境尤其是风环境，建立耗电量预测模型，对车辆耗电量进行实时预测；该模型预测耗电量与车辆硬件性能好坏无关，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。
该方法建立的耗电量预测模型对云端所有车辆车速进行中值法、均值法、众数法三种不同的方式进行处理，依据不同云端车速对车辆耗电量进行预测，选择最高耗电量作为预测值，对电源实时监控，并留有余量选择出最低耗电量的数据，获取对应的行驶车速作为未来设定间隔时间内的平均车速，能降低车辆行驶能耗，实现经济车速行驶目标，符合低碳出行的要求。
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，一种融合风环境的无人驾驶车辆电源实时监控方法，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设定间隔时间T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设定间隔时间T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设定间隔时间T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设定间隔时间T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设定间隔时间T内的车速对时间进行积分获得；
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20Kg。
步骤2：构建基于Elman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n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的相对风速预测模型；
所述基于Elman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7，输出层节点个数为1，承接层节点个数为7；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，且所述基于Elman神经网络的相对风速预测模型的权值和阈值采用水循环算法进行优化选择获得，过程如下：
步骤A1：将降雨层作为基于Elman神经网络的相对风速预测模型的权值和阈值，初始化降雨层种群，并设置降雨层初始化参数；
降雨层种群规模的取值范围为[30,200]，河流和海洋的取值范围为[5,15]，海洋个数1，极小值的取值范围为[0.01,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.001,0.1]；
步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的权值和阈值代入基于Elman神经网络的相对风速预测模型中，并利用降雨层确定基于Elman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个降雨层的适应度，以最大适应度对应的降雨层作为大海，以第二大适应度的降雨层作为河流，其余的降雨层作为流入大海或者河流的溪流；
步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们相互交换位置；
步骤A4：使河流流入大海，若河流的解比大海的解更好，则他们相互交换位置，以最终大海作为最优解；
步骤A5：检查是否满足蒸发条件；判断河流和大海的适应度值之差的绝对值是否小于极小值；
如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群各降雨层的适应度，返回步骤A3，否则，进入步骤A6；
步骤A6：判断是否达到最大迭代次数或者满足搜索精度要求，若达到，则输出最优大海对应的基于Elman神经网络的相对风速预测模型的权值和阈值，若未达到，则令t＝t+1，返回步骤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1000，训练学习率为0.01，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灰色神经网络的耗电量预测模型；
以无人驾驶车辆在间隔时间内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据，以无人驾驶车辆在间隔时间内的耗电量作为输出数据，对灰色神经网络模型进行训练，构建基于灰色神经网络的耗电量预测模型；
所述基于灰色神经网络的耗电量预测模型设置输入层节点个数为4，隐含层节点个数为8，输出层节点个数为1；训练过程中的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，所使用的基于灰色神经网络的耗电量预测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[10,150]，步长因子的取值范围为[1000,3000]，探狼比例因子的取值范围为[4,10]，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[5,20]，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；
依次将个体狼位置对应的参数值带入基于灰色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灰色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)，f2(x)＝1/MSE；
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
Figure GDA0002381159290000101
对应的个体狼位置作为初始最优头狼位置
Figure GDA0002381159290000102
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，排名靠后的个体狼被淘汰，并重新随机生成新的个体狼；
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灰色神经网络的耗电量预测模型的最优权值和阈值，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，依次以同一参考经纬度上的所有车辆车速中值、均值以及众数值和坡度角的均值，分别作为参考经纬度上的云端车速的三种取值和坡度角，并分别按照前一参考经纬度上的各种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各种行驶时间；
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：基于无人驾驶车辆实时数据，利用三种云端车速，获取未来设定间隔时间内三种风阻能耗值、行驶距离和坡度能耗值，以及在未来设定间隔时间内的温度能耗值；
利用无人驾驶车辆实时采集的外部风速和车速，利用基于Elman神经网络的相对风速预测模型，获得未来设定间隔时间内的相对风速，并计算未来设定间隔时间内的三种风阻能耗值；
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三种行驶时间数据，确定无人驾驶车辆在经过未来设定间隔时间后所处的三种经纬度位置，并从云端获取在未来路径上在未来设定间隔时间内的经过各经纬度时的三种云端车速和云端坡度角，计算未来设定间隔时间内三种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设定间隔时间内的累加值作为未来设定间隔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设定的间隔时间T时，以累加过程中最后一个经纬度位置确定为在设定间隔时间T后所处的经纬度位置；
步骤6：利用步骤5获得的在未来设定时间内的温度能耗值以及三种风阻能耗值、行驶距离、坡度能耗值，分三次输入基于灰色神经网络的耗电量预测模型，获得在未来设定时间内的三种耗电量值；
步骤7：从步骤6获取的三种耗电量值中选出最大耗电量，作为未来设定时间内无人驾驶车辆最终的耗电量预测值，并以三种耗电量值中的最小耗电量对应输入的行驶距离，获取未来设定时间内平均车速，作为无人驾驶车辆指导车速。
通过采集的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，通过选取最小耗电量对应的车速作为无人驾驶车辆的指导车速，实现低碳行驶。
当需要预测耗电量的未来设定时间超过设定的间隔时间T时，将需要预测耗电量的未来设定时间按照设定的间隔时间T进行等分划分，对划分后每个未来间隔时间单元T内的行驶距离和能耗值进行预测和计算，并输入基于灰色神经网络的耗电量预测模型，获得每个的未来间隔时间单元T内的耗电量，将所有的未来间隔时间单元T内的耗电量按时序进行叠加，得到所需预测的未来时间内的耗电量。
将每个划分的间隔时间T的结束时间所对应的经纬度作为其下一个间隔时间T的起始时间所对应的经纬度；
将设定的间隔时间T定为5分钟，对未来时间按照5分钟的长度进行等分划分，定义第n个5分钟时用于输入预测模型所需的三种数据分别为[l1(t,n) a1(t,n) b1(t,n) k(t,n)]，[l2(t,n) a2(t,n) b2(t,n) k(t,n)]和[l3(t,n) a3(t,n) b3(t,n) k(t,n)]，其中n＝(1,2,3,…)；
其中，上述输入数据意义如下：
(1)l1(t,n)，l2(t,n)，l3(t,n)分别代表利用中值法，均值法和众数法获取的无人驾驶车辆第n个5分钟的行驶距离；其数据处理方法如下：
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
Figure GDA0002381159290000121
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
a)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，相邻两个参考经纬度相距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
Figure GDA0002381159290000122
对于共有i辆车，可表示为
Figure GDA0002381159290000123
c)分别采用中值法、均值法、众数法选择三种速度值作为同一经纬度坐标的不同车辆速度值的代表值，即求取上述矩阵每一行的第二列到最后一列的速度中值、均值、众数作为三种速度代表值，得：；
Figure GDA0002381159290000131
即在未来行驶的时间中，不同经纬度对应三种云端速度，中值法云端速度vzk′(longitude(k),latitude(k))，1≤k≤N，均值法云端速度vjk′(latitude(k),latitude(k))，1≤k≤N和众数法云端速度vsk′(longitude(k),latitude(k))，1≤k≤N；
d)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，以中值法云端速度为例，其计算方法如下：
Figure GDA0002381159290000132
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，分别定义为k(1)、k(2)、…、k(n)，即无人驾驶车辆在第n个5分钟时预测的起始经纬度位置为(longitude(k(n)),latitude(k(n)))；
e)计算中值法无人驾驶车辆第n个5分钟的行驶距离
Figure GDA0002381159290000133
同理可计算出l2(t,n)和l3(t,n)；
(2)a1(t,n)，a2(t,n)，a3(t,n)分别代表利用中值法，均值法和众数法获取无人驾驶车辆第n个5分钟的风阻能耗值；其数据处理方法如下：
a)耗电量预测系统将相对风速时间序列输入至相对风速预测模型，超前一步预测风速，并将预测风速加入相对风速时间序列矩阵，输入相对风速预测模型进行超前两步预测风速，不断迭代，预测出无人驾车辆在之后一段时间每个时刻的预测风速值vff(t)；
b)以中值法计算的风阻能耗预测值为例，
Figure GDA0002381159290000134
τ为用中值法获取的未来第n个5分钟的起始时间；当主风速计损坏或无法获取主风速时，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；同理可计算出a2(t,n)和a3(t,n)；
(3)b1(t,n)，b2(t,n)，b3(t,n)分别代表利用中值法，均值法和众数法获取无人驾驶车辆第n个5分钟的坡度能耗值；其数据处理方法如下：
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：
Figure GDA0002381159290000141
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
Figure GDA0002381159290000142
对于共有i辆车，可表示为
Figure GDA0002381159290000143
d)采用平均算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′ … aik′]共i个元素的平均数作为代表值αk′，得：
Figure GDA0002381159290000144
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ak′(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，以中值法建议速度值为例，其计算方法如下：
Figure GDA0002381159290000151
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，分别定义为k(1)、k(2)、…、k(n)，即无人驾驶车辆在第n个5分钟时预测的起始经纬度位置为(longitude(k(n)),latitude(k(n)))；
g)计算利用中值法获取无人驾驶车辆在第n个5分钟内的坡度能耗预测值，计算方法如下：
Figure GDA0002381159290000152
h)同理可计算出b2(t,n)和b3(t,n)；
(4)k(t,n)代表无人驾驶车辆第n个5分钟的温度能耗预测值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)；
分别将[l1(t,n) a1(t,n) b1(t,n) k(t,n)]，[l2(t,n) a2(t,n) b2(t,n) k(t,n)]和[l3(t,n) a3(t,n) b3(t,n) k(t,n)]，其中n＝(1,2,3,…)作为输入数据，分三次输入到基于灰色神经网络的耗电量预测模型输出无人驾驶车辆在第n个5分钟内的三种耗电量p1(t,n)，p2(t,n)，p3(t,n)；
选择三种耗电量p1(t,n)，p2(t,n)，p3(t,n)中的最大耗电量作为最终预测的无人驾驶车辆在未来第n个5分钟的耗电量值，并以三种耗电量值中的最小耗电量对应输入的行驶距离，获取未来设定时间内平均车速，作为无人驾驶车辆指导车速；
将基于灰色神经网络的耗电量预测模型输出的最大耗电量按照n的取值依次从小到大的顺序进行累加，计算积累耗电量准确预测出无人驾驶车辆到终点这段时间内每5分钟、10分钟、15分钟直到目的地的耗电量值；
如图2所示，一种融合风环境的无人驾驶车辆电源实时监控装置，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未来设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 (8)

1.一种融合风环境的无人驾驶车辆电源实时监控方法，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间隔时间T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间隔时间T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间隔时间T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间隔时间T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间隔时间T内的车速对时间进行积分获得；
步骤2：构建基于Elman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n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的相对风速预测模型；
步骤3：基于能耗值和行驶距离构建基于灰色神经网络的耗电量预测模型；
以无人驾驶车辆在间隔时间内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据，以无人驾驶车辆在间隔时间内的耗电量作为输出数据，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，依次以同一参考经纬度上的所有车辆车速中值、均值以及众数值和坡度角的均值，分别作为参考经纬度上的云端车速的三种取值和坡度角，并分别按照前一参考经纬度上的各种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各种行驶时间；
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：基于无人驾驶车辆实时数据，利用三种云端车速，获取未来设定间隔时间内三种风阻能耗值、行驶距离和坡度能耗值，以及在未来设定间隔时间内的温度能耗值；
利用无人驾驶车辆实时采集的外部风速和车速，利用基于Elman神经网络的相对风速预测模型，获得未来设定间隔时间内的相对风速，并计算未来设定间隔时间内的三种风阻能耗值；
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三种行驶时间数据，确定无人驾驶车辆在经过未来设定间隔时间后所处的三种经纬度位置，并从云端获取在未来路径上在未来设定间隔时间内的经过各经纬度时的三种云端车速和云端坡度角，计算未来设定间隔时间内三种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设定间隔时间内的累加值作为未来设定时间内的温度能耗值；
步骤6：利用步骤5获得的在未来设定间隔时间内的温度能耗值以及三种风阻能耗值、行驶距离、坡度能耗值，分三次输入基于灰色神经网络的耗电量预测模型，获得在未来设定间隔时间内的三种耗电量值；
步骤7：从步骤6获取的三种耗电量值中选出最大耗电量，作为未来设定间隔时间内无人驾驶车辆最终的耗电量预测值，并以三种耗电量值中的最小耗电量对应输入的行驶距离，获取未来设定时间内平均车速，作为无人驾驶车辆指导车速。
2.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7，输出层节点个数为1，承接层节点个数为7；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，且所述基于Elman神经网络的相对风速预测模型的权值和阈值采用水循环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Elman神经网络的相对风速预测模型的权值和阈值采用水循环算法进行优化选择获得的过程如下：
步骤A1：将降雨层作为基于Elman神经网络的相对风速预测模型的权值和阈值，初始化降雨层种群，并设置降雨层初始化参数；
降雨层种群规模的取值范围为[30,200]，河流和海洋的取值范围为[5,15]，海洋个数1，极小值的取值范围为[0.01,0.1]，最大迭代次数的取值范围为[300,1000]，最大搜索精度的取值范围为[0.001,0.1]；
步骤A2：设定适应度函数，并确定初始最优降雨层和迭代次数t，t＝1；
将降雨层对应的权值和阈值代入基于Elman神经网络的相对风速预测模型中，并利用降雨层确定基于Elman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个降雨层的适应度，以最大适应度对应的降雨层作为大海，以第二大适应度的降雨层作为河流，其余的降雨层作为流入大海或者河流的溪流；
步骤A3：使溪流汇入河流，如果发现溪流的解比河流的解更好，则它们相互交换位置；
步骤A4：使河流流入大海，若河流的解比大海的解更好，则他们相互交换位置，以最终大海作为最优解；
步骤A5：检查是否满足蒸发条件；判断河流和大海的适应度值之差的绝对值是否小于极小值；
如果小于，则认为满足降雨条件，去掉该河流，并重新进行降雨过程，随机生成新的降雨层，重新计算降雨层种群各降雨层的适应度，返回步骤A3，否则，进入步骤A6；
步骤A6：判断是否达到最大迭代次数或者满足搜索精度要求，若达到，则输出最优大海对应的基于Elman神经网络的相对风速预测模型的权值和阈值，若未达到，则令t＝t+1，返回步骤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，所述基于灰色神经网络的耗电量预测模型设置输入层节点个数为4，隐含层节点个数为8，输出层节点个数为1；训练过程中的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，所使用的基于灰色神经网络的耗电量预测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，所述基于灰色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[10,150]，步长因子的取值范围为[1000,3000]，探狼比例因子的取值范围为[4,10]，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[5,20]，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；
依次将个体狼位置对应的参数值带入基于灰色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灰色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)，f2(x)＝1/MSE；
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
Figure FDA0002381159280000031
对应的个体狼位置作为初始最优头狼位置
Figure FDA0002381159280000041
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，排名靠后的个体狼被淘汰，并重新随机生成新的个体狼；
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灰色神经网络的耗电量预测模型的最优权值和阈值，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1000，训练学习率为0.01，阈值为0.0004。
7.根据权利要求6所述的方法，其特征在于，当需要预测耗电量的未来设定时间超过设定的间隔时间T时，将需要预测耗电量的未来设定时间按照设定的间隔时间T进行等分划分，对划分后每个未来间隔时间单元T内的行驶距离和能耗值进行预测和计算，并输入基于灰色神经网络的耗电量预测模型，获得每个的未来间隔时间单元T内的耗电量，将所有的未来间隔时间单元T内的耗电量按时序进行叠加，得到所需预测的未来时间内的耗电量。
8.一种融合风环境的无人驾驶车辆电源实时监控装置，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1-7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未来设定时间内无人驾驶车辆的耗电量预测。
CN201810327802.1A 2018-04-12 2018-04-12 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 Active CN108510737B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810327802.1A CN108510737B (zh) 2018-04-12 2018-04-12 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810327802.1A CN108510737B (zh) 2018-04-12 2018-04-12 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

Publications (2)

Publication Number Publication Date
CN108510737A CN108510737A (zh) 2018-09-07
CN108510737B true CN108510737B (zh) 2020-04-10

Family

ID=63381657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810327802.1A Active CN108510737B (zh) 2018-04-12 2018-04-12 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

Country Status (1)

Country Link
CN (1) CN108510737B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109466375B (zh) * 2018-12-05 2020-12-25 北京车和家信息技术有限公司 增程器控制方法及设备、计算机可读存储介质、车辆
CN110286677B (zh) * 2019-06-13 2021-03-16 北京理工大学 一种用于数据采集的无人车控制方法和系统
CN110414728A (zh) * 2019-07-19 2019-11-05 上海博泰悦臻网络技术服务有限公司 新能源车辆的电量消耗预测方法、系统、及电子设备
CN112444258A (zh) * 2019-09-05 2021-03-05 华为技术有限公司 可行驶区域判定的方法、智能驾驶系统和智能汽车
CN111409418B (zh) * 2020-04-10 2022-04-01 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
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
CN113240821B (zh) * 2021-04-12 2022-08-26 西安科技大学 基于多信息融合的动态称重货车不停车计费系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006113890A (ja) * 2004-10-15 2006-04-27 Fuji Heavy Ind Ltd 電気自動車管理システム
CN103299340A (zh) * 2011-07-25 2013-09-11 Sk普兰尼特有限公司 用于管理车辆能量的系统及其方法和设备
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法
CN107024601A (zh) * 2017-04-30 2017-08-08 中南大学 一种基于无人机群智能续航控制的铁路沿线风速测量方法与控制系统
CN107618512A (zh) * 2017-08-23 2018-01-23 清华大学 基于人‑车‑环境多数据源的驾驶行为安全评价方法
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110320112A1 (en) * 2009-08-05 2011-12-29 Lawrence Anderson Solar or wind powered traffic monitoring device and method

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006113890A (ja) * 2004-10-15 2006-04-27 Fuji Heavy Ind Ltd 電気自動車管理システム
CN103299340A (zh) * 2011-07-25 2013-09-11 Sk普兰尼特有限公司 用于管理车辆能量的系统及其方法和设备
CN106779148A (zh) * 2016-11-14 2017-05-31 中南大学 一种多模型多特征融合的高速铁路沿线风速预测方法
CN107024601A (zh) * 2017-04-30 2017-08-08 中南大学 一种基于无人机群智能续航控制的铁路沿线风速测量方法与控制系统
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
CN107618512A (zh) * 2017-08-23 2018-01-23 清华大学 基于人‑车‑环境多数据源的驾驶行为安全评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于神经网络模型的动力电池SOC估计研究;蔡信 等;《机电工程》;20150131;第32卷(第1期);128-132 *
面向电动汽车续驶里程估计的电池剩余放电能量预测研究;刘光明;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20160715(第7期);C035-16 *

Also Published As

Publication number Publication date
CN108510737A (zh) 2018-09-07

Similar Documents

Publication Publication Date Title
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
CN108510129B (zh) 一种无人驾驶车辆实时电量智慧预测方法及装置
CN108510130B (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
CN112734097B (zh) 无人驾驶列车能耗预测方法、系统及存储介质
CN108072381B (zh) 一种路径规划的方法及装置
CN102722989B (zh) 基于模糊神经网络的高速公路微气象交通预警方法
CN111882869B (zh) 一种考虑不良天气的深度学习交通流预测方法
CN108960426A (zh) 基于bp神经网络的道路坡度综合估计系统
CN104008266B (zh) 道路坡度自动映射的方法及装置
CN104200687B (zh) 一种驾驶员速度控制行为监测装置及监测方法
CN110910531B (zh) 一种基于车载obd信息的路面摩擦系数快速检测方法
CN108621844B (zh) 一种暴雨道路无人驾驶车辆电量预测方法及预警系统
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
CN116206440A (zh) 一种基于智慧高速的交通流采集、预测、管控及信息化推送系统及方法
CN108508372A (zh) 一种基于环境视觉融合的无人驾驶电量计算和预警方法与系统
CN115907076A (zh) 一种山地城市充电负荷概率预测系统及方法
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
CN113642768A (zh) 一种基于工况重构的车辆行驶能耗预测方法
Palconit et al. Comparative ANFIS Models for Stochastic On-road Vehicle CO 2 Emission using Grid Partitioning, Subtractive, and Fuzzy C-means Clustering
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
Zhang et al. Neural network based vehicle speed prediction for specific urban driving
CN108594799A (zh) 无人驾驶汽车路况信息实时获取装置与系统
CN115903585A (zh) 新能源运载工具充电可视数字孪生优化控制方法
CN113743767B (zh) 基于时间和安全性的车辆派单方法、系统、计算机及介质

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