CN108621844A - 一种暴雨道路无人驾驶车辆电量预测方法及预警系统 - Google Patents
一种暴雨道路无人驾驶车辆电量预测方法及预警系统 Download PDFInfo
- Publication number
- CN108621844A CN108621844A CN201810444271.4A CN201810444271A CN108621844A CN 108621844 A CN108621844 A CN 108621844A CN 201810444271 A CN201810444271 A CN 201810444271A CN 108621844 A CN108621844 A CN 108621844A
- Authority
- CN
- China
- Prior art keywords
- road
- value
- ponding
- resistance
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/50—Control modes by future state prediction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Sustainable Development (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种暴雨道路无人驾驶车辆电量预测方法与预警系统,该方法采用多种传感器组成传感器网络,能够综合考虑暴雨道路下无人驾驶车辆的多种行驶环境因素,采用了力敏传感器测量车身的降雨阻力,并利用融合系数进行集中数据融合;利用遗传算法对采集到的数据信息进行权重系数优化,能够区分不同行驶环境因素对车辆电量的影响大小,得到的数据结构更有代表性;利用两层神经网络对无人驾驶车辆在极端暴雨环境下的电量进行实时预测,神经网络的使用充分考虑了这种非线性环境下的各种定量和定性的变量因子,得到的电量预测结果与一般的SOC电池电量预测方法相比,更加智能,预测结果也更加准确,能够起到很好的预警功能。
Description
技术领域
本发明涉及一种暴雨道路无人驾驶车辆电量预测方法及预警系统。
背景技术
近年来无人驾驶车辆技术的研发越来越受到各大公司的重视,谷歌、Uber等公司不断加大对无人驾驶车辆的研究力度,各国也一直在促进无人车辆上路的法律实行。但是现在的无人车辆还不能完全代替现有车辆,其原因有很多,其中比较重要的一点就是无人车辆电池电量的控制,如何保证无人驾驶车辆能够正确的掌控实时电量,是无人驾驶车辆能否投入实际使用的技术基础。
现在无人驾驶车辆的电池电量计算一般是采用简单的SOC预测方法等等,计算结果不够准确,实时性也不好。特别是对于无人驾驶车辆如何在极端环境下正确估算车辆电量情况,是现在的一个难题,迄今为止也没有公开的有效技术,这正是急需解决的核心技术问题,与正常天气下的行驶条件相比,暴雨天气无人驾驶车辆的行驶条件会有很大的不同,比如降雨阻力,道路积水等因素的变化都会使无人车辆的耗电情况更加复杂。
发明内容
本发明提供了一种暴雨道路无人驾驶车辆电量预测方法及预警系统,其目的在于,克服现有技术中无法在暴雨情况下对无人驾驶车辆的电量受到多因素影响,而无法进行准确预测的问题。
一种暴雨道路无人驾驶车辆电量预测方法,包括以下步骤:
步骤1:获取暴雨环境下的无人驾驶车辆历史行驶数据;
所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及耗电率、剩余电量;
步骤2:构建的基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度作为小波神经网络的输入数据,耗电率作为输出数据,对小波神经网络进行训练,获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
所述两个小波神经网络的输入层节点个数为4,隐含层小波元个数为8,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0.1,阈值为0.00004;
步骤3:构建基于BP神经网络的无人驾驶车辆剩余电量预测模型;
以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据,t+T时刻的剩余电量作为输出数据,对BP神经网络模型进行训练,获得基于BP神经网络的无人驾驶车辆剩余电量预测模型;
所述BP神经网络输入层包含3个节点,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0.2;
步骤4:利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,并基于获得的当前电池耗电率以及实时剩余电量,输入基于BP神经网络的剩余电量预测模型,获得经过指定时间间隔T时的剩余电量;
其中,所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量,将每个车身表面的每个力敏传感器的测量数据的均值利用融合系数矩阵进行集中融合,以所有表面的降雨阻力形成的降雨阻力向量,融合系数矩阵利用自适应花粉授粉算法计算得到;
所述道路积水阻力是利用图像采集装置获取路面图像,并对路面图像进行边缘处理以判断前方路面是否有积水,如果无积水则输出预设的道路积水阻力值;如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力;
所述道路坡道损耗功率是利用安装在车底的水平仪采集的无人车辆车身偏角信息、车辆行驶速度以及车重进行克服重力做功计算获得。
进一步地,每个车身表面设置至少两个力敏传感器,以每个车身表面上的每个力敏传感器在指定时间间隔T内采集各时刻的降雨阻力测量值的均值和对应均值的协方差值与每个车身表面的融合系数矩阵相乘,得到每个车身表面的降雨阻力融合值;
将每个表面的每个传感器的降雨阻力均值[X1,X2,…,Xm]和降雨阻力均值的协方差值[P1,P1,…,Pm]作为测量矩阵设定融合系数矩阵然后将两个矩阵相乘得到降雨力融合值和协方差融合值得到降雨阻力融合值X融合;
其中,每个车身表面的融合系数矩阵采用自适应花粉授粉算法进行计算得,具体过程如下:
步骤B1:以花粉位置作为融合系数矩阵α和β分别为降雨阻力系数和降雨阻力协方差系数,m表示每个车身表面设置的力敏传感器的总数;
设置种群数N∈[150,400],变异因子的初始值ε0∈[0.33,0.74],转换概率p∈[0.19,0.93],并设置最大迭代次数t=2000;
步骤B2:设置适应度函数,随机初始化每个花粉的位置,并计算每个花粉的适应度函数值,t=1;
将每个花粉位置对应的融合系数矩阵与测量矩阵相乘,得到融合数据将降雨阻力融合值X融合与每个力敏传感器降雨阻力均值Xi的差值的平方和,以及协方差融合值P融合与每个力敏传感器降雨阻力均值的协方差Pi的差值的平方和,进行求和得到的总和值作为第一适应度函数f1(x),其中m为每个车身表面设置的力敏传感器总数,Xi表示第i个传感器的降雨阻力均值,Pi表示第i个传感器的降雨阻力均值的协方差;
不同的车身表面设置的力敏传感器数量可以不同,因此,针对不同的车身表面时,m的取值可能是不同的;
即该表面传感器的降雨力融合值和每个传感器降雨力平均值的差值的平方和与协方差融合值与每个传感器各自的降雨力协方差值的差值的平方和的总和越小,该花粉个体越优秀;
步骤B3:生成随机数rand1∈[0,1],更新转换因子p,调节全局搜索和局部搜索的转换;
p=0.65+0.25*rand1
步骤B4:生成随机数rand2∈[0,1],若转换因子p>rand2,则进行全局搜索执行交叉授粉操作,在全局中产生新的花粉,否则进行局部搜索执行自花授粉操作,在局部位置产生新的花粉;
步骤B5:计算每个花粉的适应度函数值,并找出当前最优解;
步骤B6:判断是否满足达到最大迭代次数,若不满足,转步骤B3,t=t+1,若满足,转步骤B7;
步骤B7:输出最优位置花粉,得到融合系数矩阵
进一步地,对采集的道路积水阻力、降雨阻力、道路坡道损耗功率及电池温度利用遗传算法进行权重系数(γ1,γ2,γ3,γ4)进行优化的过程如下:
步骤C1:种群个体的基因作为的权值系数(γ1,γ2,γ3,γ4),,初始化种群;
种群规模的取值范围为[25,150],交叉概率的取值范围为[0.4,0.75],变异概率的取值范围为[0.025,0.06],最大迭代次数的取值范围为[150,450],最大搜索精度的取值范围为[0.01,0.09];
步骤C2:设定适应度函数,并获取种群中的最优个体;
将种群个体基因对应的权值系数带入基于BP神经网络的电量预测模型中,并利用种群个体基因确定权值系数调节的各自的数据来确定各自预测的电量,将现在的实际电量与预测电量的差值的倒数作为第二适应度函数f2(x);
步骤C3:计算每个个体的适应值,每个种群个体适应度最大者进去子种群;子种群中的个体不进行交叉变异操作,直接保留到下一代;
步骤C4:采用轮盘赌法选择交叉算子和变异算子;
步骤C5:利用交叉算子和变异算子对种群中除子种群外的个体进行更新;
步骤C6:计算更新后的所有个体的适应度值,判断是否达到最大迭代次数或者最大搜索精度,若达到,则以适应度最大的个体作为最优个体,输出最优个体对应的的权值系数(γ1,γ2,γ3,γ4),否则返回步骤C4;
(y1,y2,...,yj)分别表示各车身表面的降雨阻力值,j为设置了力敏传感的车身表面数量;F道路积水表示道路积水阻力值;(P1,P2,P3…Pn)是在指定时间间隔T内的各间隔时刻的道路坡道损耗功率,tmax是电池温度值;(γ1,γ2,γ3,γ4)分别为降雨阻力、道路积水阻力、道路坡道损耗功率以及车载电池温度的权重系数。
进一步地,所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型的中小波神经网络的权值、阈值和伸缩平移系数采用水循环算法WCA算法进行优化选择的过程如下:
步骤D1:每个降雨层作为小波神经网络模型的权值、阈值和伸缩平移系数,初始化降雨层种群;
设定降雨层种群数量的取值范围为[20,100],海洋数量为1,河流数量的取值范围为[5,30],最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1];
步骤D2:设定适应度函数;
将降雨层对应的权值、阈值和伸缩平移系数代入基于小波神经网络的耗电率预测模型中,并利用降雨层确定的基于小波神经网络的耗电率预测模型计算下一时刻的耗电率,将预测值和实际值的均方差MSE的倒数作为第一适应度函数;
步骤D3:以适应度大的降雨层作为大海,以适应度次小的降雨层作为河流,其余的降雨层作为流入河流或海洋的溪流;
步骤D4:如果溪流解优于河流解,则溪流与河流交换位置,如果河流解优于海洋解,则河流与海洋交换位置;然后使溪流流入河流,使河流汇入海洋;
步骤D5:判断河流解与海洋解之间的差值绝对值是否小于设定的极小值,如果小于,则认为满足降雨条件,从种群中去掉该河流,并重新进行降雨过程,随机生成新的降雨层加入种群,返回步骤D3继续一次迭代,否则,进入步骤D6;
步骤D6:判断是否到达最大迭代次数,若满足则输出最优的降雨层对应的参数,输出小波神经网络模型的权值、阈值和伸缩平移系数,若不满足则进入步骤D3继续下一次迭代。
进一步地,所述基于BP神经网络的剩余电量预测模型中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下:
步骤E1:以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值,将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数;
量子粒子群种群的个数的取值范围为[25,70],量子粒子群的粒子个数的取值范围为[5,50],最大迭代次数的取值范围为[400,1000],组建精英种群的迭代次数的取值范围为[60,180],早熟收敛判断阈值的取值范围为[0.01,0.45],种群最差粒子变异比例δ%的取值范围为[2%,7%];
步骤E2:设定适应度函数,确定初始最优量子粒子个体位置向量和迭代次数t,t=1;
将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的剩余电量预测模型中,并利用量子粒子个体位置向量确定的基于BP神经网络的剩余电量预测模型计算当前剩余电量,将预测的剩余电量和实际值的均方差的倒数作为第二适应度函数;
步骤E3:计算每个量子粒子群的群体适应度方差,进行早熟收敛判断;
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ,则对量子粒子群中δ%的适应度最差粒子和群体极值粒子进行变异,并以当前适应度最好的粒子作为全局最优量子粒子个体;
步骤E4:判断是否组建精英种群;
当迭代次数大于精英种群迭代次数时,则通过种群间的信息共享,提取各种群的极值组建精英种群,转入步骤E8,否则转入步骤E5;
步骤E5:更新各种群粒子参数;
步骤E6:重新计算并比较每个粒子的适应度值,如果优于当前的个体极值,则更新个体极值;比较全局极值粒子,如果存在粒子适应度值优于当前的群体极值,则更新全局极值粒子,令t=t+1,转入步骤E3;
步骤E7:精英种群继续进化;
步骤E8:判断是否满足最大迭代次数,若满足则退出,否则,令t=t+1,转入步骤E3,直到找到全局最优值,输出所述BP神经网络的权值和阈值。
进一步地,所述获取道路积水阻力的具体过程如下:
步骤A1:利用车载的Kinect摄像头获取的道路积水的连续帧数图像,在1s连续读取三帧图像,进行均值处理,然后利用Sobel微分算子对图像进行滤波处理,接着对滤波图像进行阈值处理得到水坑的边缘,阈值的设置方法是手动设置最佳阈值Th(利用双峰法计算得出),最后对水坑边缘图像进行膨胀处理,填充水坑内部空间,从而得到水坑的二值化图像。
步骤A2:根据步骤A1得到的二值化图像,对道路积水情况进行判断,若二值化图像的像素值为255,则判断前方道路有积水,否则,前方道路无积水;
步骤A3:如果无积水信号,则按照车辆在潮湿地面行驶的情况输出道路积水阻力F道路积水:F道路积水=k潮湿·F干燥;
如果有积水信号,则根据车载的GPS信息,搜索车辆坐标范围100~150米内的红外检测仪,利用4G网络调用附近的红外测量仪,利用车上的无线接收器收集前方100~150米距离的道路积水部分的积水信息,依据道路积水信息获取道路积水阻力F道路积水;
F道路积水=k平均·F干燥
其中,k潮湿取0.5,F干燥=G·(0.0116+0.000142v),G为车重,v为车速,这里L表示检测区域长度,L积水表示从云端获得的积水长度总和,表示将云端的积水信息带入穿水系数函数得到的对应的穿水系数平均值,L潮湿无积水的潮湿路段长度,由检测区域长度减去积水长度总和得到表示,k潮湿表示无积水路面的阻力系数,取0.5。
进一步地,利用无人驾驶车辆的电子水平仪,感知到车身方向和水平方向的夹角,计算指定间隔时间内无人驾驶车辆的道路坡道损耗功率,具体过程如下:
步骤F1:在指定间隔时间内,根据电子水平仪采集的车身偏角数据,拟合得到车身偏角在采集时间间隔T内的数据θ(θ1,θ2,…θn);
步骤F2:调用无人车辆上的车速记录仪,得到无人车辆在采集时间间隔T内的行驶速度V(V1,V2,…Vn),
步骤F3:在不同偏角下,车辆的行驶阻力为F=G·cosθ,G为车重,则对应的无人车辆克服阻力做功增加的功率为:P(t)=G·V·θT,得到无人驾驶车辆在指定时间间隔T内的的道路坡道损耗功率。
进一步地,利用均匀对称分布在电池表面的16个温度传感器实时采集无人驾驶车辆的电池温度,通过插值处理,拟合出电池表面的三维温度分布数据图,并从中取极大值作为电池温度。
一种暴雨道路无人驾驶车辆电量预警系统,包括:
车身降雨阻力计算模块,利用设置在车身表面的力敏传感器采集的数据基于融合系数融合获得各车身表面的降雨阻力;
车身电池温度拟合计算模块,利用设置在电池表面的温度传感器采集的电池温度数据进行插值处理后,再利用插值后的数据拟合出电池表面的三维温度分布数据图,并从中取极大值作为电池温度;
道路坡道损耗功率计算模块,利用安装在车底的水平仪集的车身偏角信息,结合车辆行驶速度计算获得;
道路积水阻力计算模块,利用车载的Kinect摄像头采集道路积水图像,并采用Sobel算子确定车辆穿水阻力,利用设置在道路侧边的红外检测仪采集道路上的积水数量、长度和深度信息结合车辆穿水阻力计算道路积水阻力;
电源预警模块,包括基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型和基于BP神经网络的无人驾驶车辆剩余电量预测模型,利用车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,并基于获得的当前电池耗电率以及实时剩余电量,输入基于BP神经网络的剩余电量预测模型,获得经过指定时间间隔T时的剩余电量,并依据设定的剩余电量阈值,对电量进行预警;
所述车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块以及电源预警模块的数据采用上述的一种暴雨道路无人驾驶车辆电量预测方法进行处理。
若获得的剩余电量低于设定的剩余电量阈值,则发出电量不足报警信息。
有益效果
1)该方法采用了多种传感器,能够综合考虑极端暴雨环境下无人驾驶车辆的多种环境信息,可以更加精准的得到无人驾驶车辆的实时电量,保证了无人驾驶车辆运行的可靠性和安全性,有助于减少无人驾驶车辆意外情况的发生,为无人驾驶汽车的推广提供了一定的帮助。
2)采用了力敏传感器测量车身的降雨阻力,并用以适应花粉算法计算融合系数进行数据融合。在降雨力的测量和数据处理方面都做出了极大的改变。该方法充分适应了降雨这种非线性环境,得到的降雨力值考虑到了车身表面的状态差异和受力等差异,得到的降雨力融合值更加智能和准确。
3)利用Kinect摄像头进行图像采集并用Sobel算子等方法对采集图像进行处理,得到的积水检测图像简洁明了,检测精度较高,处理过程快速,保证了无人驾驶车辆电量检测的实时性和准确性的要求。
4)利用遗传算法对输入神经网络的数据结构进行了优化,优点在于对于不同传感器采集到的环境数据,进行了各自对耗电率影响能力大小的评估,因此放大了重要因素,减小了非重点因素在数据结构中所占有的比重,这样能够加快神经网络的训练速度,使最终预测的电量值更加准确,减少了数据的失真。
5)利用两层神经网络对无人驾驶车辆在极端暴雨环境下的电量进行实时预测,神经网络的使用充分考虑了这种非线性环境下的各种定量和定性的变量因子,因此我们得到的电量预测结果与一般的SOC电池电量预测方法相比,更加智能,预测结果也更加准确。
附图说明
图1为本发明所述方法的流程示意图;
图2为本发明所述系统的结构示意图。
具体实施方式
下面将结合附图和实施例对本发明做进一步的说明。
如图1所示,一种暴雨道路无人驾驶车辆电量预测方法,包括以下步骤:
步骤1:获取暴雨环境下的无人驾驶车辆历史行驶数据;
所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及耗电率、剩余电量;
步骤2:构建的基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度作为小波神经网络的输入数据,耗电率作为输出数据,对小波神经网络进行训练,获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型;本实例中指定采集时间间隔T为30s;
所述两个小波神经网络的输入层节点个数为4,隐含层小波元个数为8,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0.1,阈值为0.00004;
所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型中的小波神经网络的权值、阈值和伸缩平移系数采用水循环算法WCA算法进行优化选择的过程如下:
步骤D1:每个降雨层作为小波神经网络模型的权值、阈值和伸缩平移系数,初始化降雨层种群;
设定降雨层种群数量的取值范围为[20,100],海洋数量为1,河流数量的取值范围为[5,30],最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1];
步骤D2:设定适应度函数;
将降雨层对应的权值、阈值和伸缩平移系数代入基于小波神经网络的耗电率预测模型中,并利用降雨层确定的基于小波神经网络的耗电率预测模型计算下一时刻的耗电率,将预测值和实际值的均方差MSE的倒数作为第一适应度函数;
步骤D3:以适应度大的降雨层作为大海,以适应度次小的降雨层作为河流,其余的降雨层作为流入河流或海洋的溪流;
步骤D4:如果溪流解优于河流解,则溪流与河流交换位置,如果河流解优于海洋解,则河流与海洋交换位置;然后使溪流流入河流,使河流汇入海洋;
步骤D5:判断河流解与海洋解之间的差值绝对值是否小于设定的极小值,如果小于,则认为满足降雨条件,从种群中去掉该河流,并重新进行降雨过程,随机生成新的降雨层加入种群,返回步骤D3继续一次迭代,否则,进入步骤D6;
步骤D6:判断是否到达最大迭代次数,若满足则输出最优的降雨层对应的参数,输出小波神经网络模型的权值、阈值和伸缩平移系数,若不满足则进入步骤D3继续下一次迭代。
步骤3:构建基于BP神经网络的无人驾驶车辆剩余电量预测模型;
以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据,t+T时刻的剩余电量作为输出数据,对BP神经网络模型进行训练,获得基于BP神经网络的无人驾驶车辆剩余电量预测模型;
所述BP神经网络输入层包含3个节点,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0.2;
所述基于BP神经网络的剩余电量预测模型中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下:
步骤E1:以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值,将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数;
量子粒子群种群的个数的取值范围为[25,70],量子粒子群的粒子个数的取值范围为[5,50],最大迭代次数的取值范围为[400,1000],组建精英种群的迭代次数的取值范围为[60,180],早熟收敛判断阈值的取值范围为[0.01,0.45],种群最差粒子变异比例δ%的取值范围为[2%,7%];
步骤E2:设定适应度函数,确定初始最优量子粒子个体位置向量和迭代次数t,t=1;
将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的剩余电量预测模型中,并利用量子粒子个体位置向量确定的基于BP神经网络的剩余电量预测模型计算当前剩余电量,将预测的剩余电量和实际值的均方差的倒数作为第二适应度函数;
步骤E3:计算每个量子粒子群的群体适应度方差,进行早熟收敛判断;
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ,则对量子粒子群中δ%的适应度最差粒子和群体极值粒子进行变异,并以当前适应度最好的粒子作为全局最优量子粒子个体;
步骤E4:判断是否组建精英种群;
当迭代次数大于精英种群迭代次数时,则通过种群间的信息共享,提取各种群的极值组建精英种群,转入步骤E8,否则转入步骤E5;
步骤E5:更新各种群粒子参数;
步骤E6:重新计算并比较每个粒子的适应度值,如果优于当前的个体极值,则更新个体极值;比较全局极值粒子,如果存在粒子适应度值优于当前的群体极值,则更新全局极值粒子,令t=t+1,转入步骤E3;
步骤E7:精英种群继续进化;
步骤E8:判断是否满足最大迭代次数,若满足则退出,否则,令t=t+1,转入步骤E3,直到找到全局最优值,输出所述BP神经网络的权值和阈值。
对采集的道路积水阻力、降雨阻力、道路坡道损耗功率及电池温度利用遗传算法进行权重系数(γ1,γ2,γ3,γ4)进行优化的过程如下:
步骤C1:种群个体的基因作为的权值系数(γ1,γ2,γ3,γ4),,初始化种群;
种群规模的取值范围为[25,150],交叉概率的取值范围为[0.4,0.75],变异概率的取值范围为[0.025,0.06],最大迭代次数的取值范围为[150,450],最大搜索精度的取值范围为[0.01,0.09];
步骤C2:设定适应度函数,并获取种群中的最优个体;
将种群个体基因对应的权值系数带入基于BP神经网络的电量预测模型中,并利用种群个体基因确定权值系数调节的各自的数据来确定各自预测的电量,将现在的实际电量与预测电量的差值的倒数作为第二适应度函数f2(x);
步骤C3:计算每个个体的适应值,每个种群个体适应度最大者进去子种群;子种群中的个体不进行交叉变异操作,直接保留到下一代;
步骤C4:采用轮盘赌法选择交叉算子和变异算子;
步骤C5:利用交叉算子和变异算子对种群中除子种群外的个体进行更新;
步骤C6:计算更新后的所有个体的适应度值,判断是否达到最大迭代次数或者最大搜索精度,若达到,则以适应度最大的个体作为最优个体,输出最优个体对应的的权值系数(γ1,γ2,γ3,γ4),否则返回步骤C4;
(y1,y2,...,yj)分别表示各车身表面的降雨阻力值,j为设置了力敏传感的车身表面数量;F道路积水表示道路积水阻力值;(P1,P2,P3…Pn)是在指定时间间隔T内的各间隔时刻的道路坡道损耗功率,tmax是电池温度值;(γ1,γ2,γ3,γ4)分别为降雨阻力、道路积水阻力、道路坡道损耗功率以及车载电池温度的权重系数。
步骤4:利用当前时间在指定时间间隔T为30s的时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔30s时间内的电池耗电率,并基于获得的当前电池耗电率以及实时剩余电量,输入基于BP神经网络的剩余电量预测模型,获得经过指定时间间隔30s时的剩余电量;
其中,所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量,将每个车身表面的每个力敏传感器的测量数据的均值利用融合系数矩阵进行集中融合,以所有表面的降雨阻力形成的降雨阻力向量,融合系数矩阵利用自适应花粉授粉算法计算得到;
每个车身表面设置至少两个力敏传感器,以每个车身表面上的每个力敏传感器在指定时间间隔30s内采集各时刻的降雨阻力测量值的均值和对应均值的协方差值与每个车身表面的融合系数矩阵相乘,得到每个车身表面的降雨阻力融合值;
将每个表面的每个传感器的降雨阻力均值[X1,X2,…,Xm]和降雨阻力均值的协方差值[P1,P1,…,Pm]作为测量矩阵输入,设定融合系数矩阵然后将两个矩阵相乘得到降雨力融合值和协方差融合值得到降雨阻力融合值X融合;
其中,每个车身表面的融合系数矩阵采用自适应花粉授粉算法进行计算得,具体过程如下:
步骤B1:以花粉位置作为融合系数矩阵并设置自适应花授粉算法的基本参数;
设置种群数N∈[150,400],变异因子的初始值ε0∈[0.33,0.74],转换概率p∈[0.19,0.93],并设置最大迭代次数t=2000;
步骤B2:设置适应度函数,随机初始化每个花粉的位置,并计算每个花粉的适应度函数值,t=1;
将每个花粉位置对应的融合系数矩阵与测量矩阵相乘,得到融合数据将降雨阻力融合值X融合与每个力敏传感器降雨阻力均值的差值的平方和,以及协方差融合值P融合与每个力敏传感器降雨阻力均值的协方差的差值的平方和,进行求和得到的总和值作为第一适应度函数f1(x),其具体表达式为;
其中m为车身表面设置的力敏传感器总数,Xi表示第i个传感器的降雨阻力均值,Pi表示第i个传感器的降雨阻力均值的协方差值:;
即该表面传感器的降雨力融合值和每个传感器降雨力平均值的差值的平方和与协方差融合值与每个传感器各自的降雨力协方差值的差值的平方和的总和越小,该花粉个体越优秀;
步骤B3:生成随机数rand1∈[0,1],更新转换因子p,调节全局搜索和局部搜索的转换;
p=0.65+0.25*rand1
步骤B4:生成随机数rand2∈[0,1],若转换因子p>rand2,则进行全局搜索执行交叉授粉操作,在全局中产生新的花粉,否则进行局部搜索执行自花授粉操作,在局部位置产生新的花粉;
步骤B5:计算每个花粉的适应度函数值,并找出当前最优解;
步骤B6:判断是否满足达到最大迭代次数,若不满足,转步骤B3,t=t+1,若满足,转步骤B7;
步骤B7:输出最优位置花粉,得到融合系数矩阵
所述道路积水阻力是利用图像采集装置获取路面图像,并对路面图像进行边缘处理以判断前方路面是否有积水,如果无积水则输出预设的道路积水阻力值;如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力;
所述获取道路积水阻力的具体过程如下:
步骤A1:利用车载的Kinect摄像头获取的道路积水的连续帧数图像,在1s连续读取三帧图像,进行均值处理,然后利用Sobel微分算子对图像进行滤波处理,接着对滤波图像进行阈值处理得到水坑的边缘,阈值的设置方法是手动设置最佳阈值Th(利用双峰法计算得出),最后对水坑边缘图像进行膨胀处理,填充水坑内部空间,从而得到水坑的二值化图像。
步骤A2:根据步骤A1得到的二值化图像,对道路积水情况进行判断,若二值化图像的像素值为255,则判断前方道路有积水,否则,前方道路无积水;
步骤A3:如果无积水信号,则按照车辆在潮湿地面行驶的情况输出道路积水阻力F道路积水:F道路积水=k潮湿·F干燥;
如果有积水信号,则根据车载的GPS信息,搜索车辆坐标范围100~150米内的红外检测仪,利用4G网络调用附近的红外测量仪,利用车上的无线接收器收集前方100~150米距离的道路积水部分的积水信息,依据道路积水信息获取道路积水阻力F道路积水;
F道路积水=k平均·F干燥
其中,k潮湿取0.5,F干燥=G·(0.0116+0.000142v),G为车重,v为车速,这里L表示检测区域长度,L积水表示从云端获得的积水长度总和,表示将云端的积水信息带入穿水系数函数得到的对应的穿水系数平均值,L潮湿无积水的潮湿路段长度,由检测区域长度减去积水长度总和得到表示,k潮湿表示无积水路面的阻力系数,取0.5。
所述道路坡道损耗功率是利用安装在车底的水平仪采集的无人车辆车身偏角信息、车辆行驶速度以及车重进行克服重力做功计算获得。
利用无人驾驶车辆的电子水平仪,感知到车身方向和水平方向的夹角,计算指定间隔时间内无人驾驶车辆的道路坡道损耗功率,具体过程如下:
步骤F1:在指定间隔时间内,根据电子水平仪采集的车身偏角数据,拟合得到车身偏角在采集时间间隔T内的数据θ(θ1,θ2,…θn);
步骤F2:调用无人车辆上的车速记录仪,得到无人车辆在采集时间间隔T内的行驶速度V(V1,V2,…Vn),
步骤F3:在不同偏角下,车辆的行驶阻力为F=G·cosθ,G为车重,则对应的无人车辆克服阻力做功增加的功率为:P(t)=G·V·θT,得到无人驾驶车辆在指定时间间隔T内的的道路坡道损耗功率。
利用均匀对称分布在电池表面的16个温度传感器实时采集无人驾驶车辆的电池温度,通过插值处理,拟合出电池表面的三维温度分布数据图,并从中取极大值作为电池温度。
如图2所示,一种暴雨道路无人驾驶车辆电量预警系统,包括:
车身降雨阻力计算模块,利用设置在车身表面的力敏传感器采集的数据基于融合系数融合获得各车身表面的降雨阻力;
车身电池温度拟合计算模块,利用设置在电池表面的温度传感器采集的电池温度数据进行插值处理后,再利用插值后的数据拟合出电池表面的三维温度分布数据图,并从中取极大值作为电池温度;
道路坡道损耗功率计算模块,利用安装在车底的水平仪集的车身偏角信息,结合车辆行驶速度计算获得;
道路积水阻力计算模块,利用车载的Kinect摄像头采集道路积水图像,并采用Sobel算子确定车辆穿水阻力,利用设置在道路侧边的红外检测仪采集道路上的积水数量、长度和深度信息结合车辆穿水阻力计算道路积水阻力;
电源预警模块,包括基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型和基于BP神经网络的无人驾驶车辆剩余电量预测模型,利用车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,并基于获得的当前电池耗电率以及实时剩余电量,输入基于BP神经网络的剩余电量预测模型,获得经过指定时间间隔T时的剩余电量,并依据设定的剩余电量阈值,对电量进行预警;若获得的剩余电量低于设定的剩余电量阈值,则发出电量不足报警信息;
所述车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块以及电源预警模块的数据采用上述的一种暴雨道路无人驾驶车辆电量预测方法进行处理。
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 (9)
1.一种暴雨道路无人驾驶车辆电量预测方法,其特征在于,包括以下步骤:
步骤1:获取暴雨环境下的无人驾驶车辆历史行驶数据;
所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及耗电率、剩余电量;
步骤2:构建的基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度作为小波神经网络的输入数据,耗电率作为输出数据,对小波神经网络进行训练,获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型;
所述两个小波神经网络的输入层节点个数为4,隐含层小波元个数为8,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0.1,阈值为0.00004;
步骤3:构建基于BP神经网络的无人驾驶车辆剩余电量预测模型;
以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据,t+T时刻的剩余电量作为输出数据,对BP神经网络模型进行训练,获得基于BP神经网络的无人驾驶车辆剩余电量预测模型;
所述BP神经网络输入层包含3个节点,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0.2;
步骤4:利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,并基于获得的当前电池耗电率以及实时剩余电量,输入基于BP神经网络的剩余电量预测模型,获得经过指定时间间隔T时的剩余电量;
其中,所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量,将每个车身表面的每个力敏传感器的测量数据的均值利用融合系数矩阵进行集中融合,以所有表面的降雨阻力形成的降雨阻力向量,融合系数矩阵利用自适应花粉授粉算法计算得到;
所述道路积水阻力是利用图像采集装置获取路面图像,并对路面图像进行边缘处理以判断前方路面是否有积水,如果无积水则输出预设的道路积水阻力值;如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力;
所述道路坡道损耗功率是利用安装在车底的水平仪采集的无人车辆车身偏角信息、车辆行驶速度以及车重进行克服重力做功计算获得。
2.根据权利要求1所述的方法,其特征在于,每个车身表面设置至少两个力敏传感器,以每个车身表面上的每个力敏传感器在指定时间间隔T内采集各时刻的降雨阻力测量值的均值和对应均值的协方差值与每个车身表面的融合系数矩阵相乘,得到每个车身表面的降雨阻力融合值;
其中,每个车身表面的融合系数矩阵采用自适应花粉授粉算法进行计算得,具体过程如下:
步骤B1:以花粉位置作为融合系数矩阵α和β分别为降雨阻力系数和降雨阻力协方差系数,m表示每个车身表面设置的力敏传感器的总数;
设置种群数N∈[150,400],变异因子的初始值ε0∈[0.33,0.74],转换概率p∈[0.19,0.93],并设置最大迭代次数t=2000;
步骤B2:设置适应度函数,随机初始化每个花粉的位置,并计算每个花粉的适应度函数值,t=1;
将每个花粉位置对应的融合系数矩阵与测量矩阵相乘,得到融合数据将降雨阻力融合值X融合与每个力敏传感器降雨阻力均值Xi的差值的平方和,以及协方差融合值P融合与每个力敏传感器降雨阻力均值的协方差Pi的差值的平方和,进行求和得到的总和值作为第一适应度函数f1(x),
步骤B3:生成随机数rand1∈[0,1],更新转换因子p,调节全局搜索和局部搜索的转换;
p=0.65+0.25*rand1
步骤B4:生成随机数rand2∈[0,1],若转换因子p>rand2,则进行全局搜索执行交叉授粉操作,在全局中产生新的花粉,否则进行局部搜索执行自花授粉操作,在局部位置产生新的花粉;
步骤B5:计算每个花粉的适应度函数值,并找出当前最优解;
步骤B6:判断是否满足达到最大迭代次数,若不满足,转步骤B3,t=t+1,若满足,转步骤B7;
步骤B7:输出最优位置花粉,得到融合系数矩阵
3.根据权利要求1所述的方法,其特征在于,对采集的道路积水阻力、降雨阻力、道路坡道损耗功率及电池温度利用遗传算法进行权重系数(γ1,γ2,γ3,γ4)优化的过程如下:
步骤C1:种群个体的基因作为的权值系数(γ1,γ2,γ3,γ4),初始化种群;
种群规模的取值范围为[25,150],交叉概率的取值范围为[0.4,0.75],变异概率的取值范围为[0.025,0.06],最大迭代次数的取值范围为[150,450],最大搜索精度的取值范围为[0.01,0.09];
步骤C2:设定适应度函数,并获取种群中的最优个体;
将种群个体基因对应的权值系数带入基于BP神经网络的剩余电量预测模型中,并利用种群个体基因确定权值系数调节的各自的数据来确定各自预测的电量,将现在的实际电量与预测电量的差值的倒数作为第二适应度函数f2(x);
步骤C3:计算每个个体的适应值,每个种群个体适应度最大者进去子种群;子种群中的个体不进行交叉变异操作,直接保留到下一代;
步骤C4:采用轮盘赌法选择交叉算子和变异算子;
步骤C5:利用交叉算子和变异算子对种群中除子种群外的个体进行更新;
步骤C6:计算更新后的所有个体的适应度值,判断是否达到最大迭代次数或者最大搜索精度,若达到,则以适应度最大的个体作为最优个体,输出最优个体对应的的权值系数(γ1,γ2,γ3,γ4),否则返回步骤C4;
(y1,y2,...,yj)分别表示各车身表面的降雨阻力值,j为设置了力敏传感的车身表面数量;F道路积水表示道路积水阻力值;(P1,P2,P3…Pn)是在指定时间间隔T内的各间隔时刻的道路坡道损耗功率,tmax是电池温度值;(γ1,γ2,γ3,γ4)分别为降雨阻力、道路积水阻力、道路坡道损耗功率以及车载电池温度的权重系数。
4.根据权利要求2所述的方法,其特征在于,所述基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型中的小波神经网络的权值、阈值和伸缩平移系数采用水循环算法WCA算法进行优化选择的过程如下:
步骤D1:每个降雨层作为小波神经网络模型的权值、阈值和伸缩平移系数,初始化降雨层种群;
设定降雨层种群数量的取值范围为[20,100],海洋数量为1,河流数量的取值范围为[5,30],最大迭代次数的取值范围为[200,1000]、极小值的取值范围为[0.005,0.1];
步骤D2:设定适应度函数;
将降雨层对应的权值、阈值和伸缩平移系数代入基于小波神经网络的耗电率预测模型中,并利用降雨层确定的基于小波神经网络的耗电率预测模型计算下一时刻的耗电率,将预测值和实际值的均方差MSE的倒数作为第一适应度函数;
步骤D3:以适应度大的降雨层作为大海,以适应度次小的降雨层作为河流,其余的降雨层作为流入河流或海洋的溪流;
步骤D4:如果溪流解优于河流解,则溪流与河流交换位置,如果河流解优于海洋解,则河流与海洋交换位置;然后使溪流流入河流,使河流汇入海洋;
步骤D5:判断河流解与海洋解之间的差值绝对值是否小于设定的极小值,如果小于,则认为满足降雨条件,从种群中去掉该河流,并重新进行降雨过程,随机生成新的降雨层加入种群,返回步骤D3继续一次迭代,否则,进入步骤D6;
步骤D6:判断是否到达最大迭代次数,若满足则输出最优的降雨层对应的参数,输出小波神经网络模型的权值、阈值和伸缩平移系数,若不满足则进入步骤D3继续下一次迭代。
5.根据权利要求2所述的方法,其特征在于,所述基于BP神经网络的剩余电量预测模型中BP神经网络的权值和阈值采用带有自适应权值的量子粒子群算法进行寻优获得的过程如下:
步骤E1:以量子粒子群中每个量子粒子个体的位置向量作为所述BP神经网络的权值和阈值,将量子粒子种群个体的位置向量参数初始化为[-1,1]的随机数;
量子粒子群种群的个数的取值范围为[25,70],量子粒子群的粒子个数的取值范围为[5,50],最大迭代次数的取值范围为[400,1000],组建精英种群的迭代次数的取值范围为[60,180],早熟收敛判断阈值的取值范围为[0.01,0.45],种群最差粒子变异比例δ%的取值范围为[2%,7%];
步骤E2:设定适应度函数,确定初始最优量子粒子个体位置向量和迭代次数t,t=1;
将量子粒子个体位置向量对应的权值和阈值代入基于BP神经网络的剩余电量预测模型中,并利用量子粒子个体位置向量确定的基于BP神经网络的剩余电量预测模型计算当前剩余电量,将预测的剩余电量和实际值的均方差的倒数作为第二适应度函数;
步骤E3:计算每个量子粒子群的群体适应度方差,进行早熟收敛判断;
若量子粒子群群体适应度方差小于早熟收敛判断阈值γ,则对量子粒子群中δ%的适应度最差粒子和群体极值粒子进行变异,并以当前适应度最好的粒子作为全局最优量子粒子个体;
步骤E4:判断是否组建精英种群;
当迭代次数大于精英种群迭代次数时,则通过种群间的信息共享,提取各种群的极值组建精英种群,转入步骤E8,否则转入步骤E5;
步骤E5:更新各种群粒子参数;
步骤E6:重新计算并比较每个粒子的适应度值,如果优于当前的个体极值,则更新个体极值;比较全局极值粒子,如果存在粒子适应度值优于当前的群体极值,则更新全局极值粒子,令t=t+1,转入步骤E3;
步骤E7:精英种群继续进化;
步骤E8:判断是否满足最大迭代次数,若满足则退出,否则,令t=t+1,转入步骤E3,直到找到全局最优值,输出所述BP神经网络的权值和阈值。
6.根据权利要求2-5任一项所述的方法,其特征在于,所述获取道路积水阻力的具体过程如下:
步骤A1:利用车载的Kinect摄像头获取的道路积水的连续帧数图像,在1s连续读取三帧图像,进行均值处理,然后利用Sobel微分算子对图像进行滤波处理,接着对滤波图像进行阈值处理得到水坑的边缘,阈值的设置方法是手动设置最佳阈值Th(利用双峰法计算得出),最后对水坑边缘图像进行膨胀处理,填充水坑内部空间,从而得到水坑的二值化图像。
步骤A2:根据步骤A1得到的二值化图像,对道路积水情况进行判断,若二值化图像的像素值为255,则判断前方道路有积水,否则,前方道路无积水;
步骤A3:如果无积水信号,则按照车辆在潮湿地面行驶的情况输出道路积水阻力F道路积水:F道路积水=k潮湿·F干燥;
如果有积水信号,则根据车载的GPS信息,搜索车辆坐标范围100~150米内的红外检测仪,利用4G网络调用附近的红外测量仪,利用车上的无线接收器收集前方100~150米距离的道路积水部分的积水信息,依据道路积水信息获取道路积水阻力F道路积水;
F道路积水=k平均·F干燥
其中,k潮湿取0.5,F干燥=G·(0.0116+0.000142v),G为车重,v为车速,这里L表示检测区域长度,L积水表示从云端获得的积水长度总和,表示将云端的积水信息带入穿水系数函数得到的对应的穿水系数的平均值,L潮湿无积水的潮湿路段长度,由检测区域长度减去积水长度总和得到表示,k潮湿表示无积水路面的阻力系数,取0.5。
7.根据权利要求2-5任一项所述的方法,其特征在于,利用无人驾驶车辆的电子水平仪,感知到车身方向和水平方向的夹角,计算指定间隔时间内无人驾驶车辆的道路坡道损耗功率,具体过程如下:
步骤F1:在指定间隔时间内,根据电子水平仪采集的车身偏角数据,拟合得到车身偏角在采集时间间隔T内的数据θ(θ1,θ2,…θn);
步骤F2:调用无人车辆上的车速记录仪,得到无人车辆在采集时间间隔T内的行驶速度V(V1,V2,…Vn),
步骤F3:在不同偏角下,车辆的行驶阻力为F=G·cosθ,G为车重,则对应的无人车辆克服阻力做功增加的功率为:P(t)=G·V·θT,得到无人驾驶车辆在指定时间间隔T内的道路坡道损耗功率。
8.根据权利要求2-5任一项所述的方法,其特征在于,利用均匀对称分布在电池表面的16个温度传感器实时采集无人驾驶车辆的电池温度,通过插值处理,拟合出电池表面的三维温度分布数据图,并从中取极大值作为电池温度。
9.一种暴雨道路无人驾驶车辆电量预警系统,其特征在于,包括:
车身降雨阻力计算模块,利用设置在车身表面的力敏传感器采集的数据基于融合系数融合获得各车身表面的降雨阻力;
车身电池温度拟合计算模块,利用设置在电池表面的温度传感器采集的电池温度数据进行插值处理后,再利用插值后的数据拟合出电池表面的三维温度分布数据图,并从中取极大值作为电池温度;
道路坡道损耗功率计算模块,利用安装在车底的水平仪集的车身偏角信息,结合车辆行驶速度计算获得;
道路积水阻力计算模块,利用车载的Kinect摄像头采集道路积水图像,并采用Sobel算子确定车辆穿水阻力,利用设置在道路侧边的红外检测仪采集道路上的积水数量、长度和深度信息结合车辆穿水阻力计算道路积水阻力;
电源预警模块,包括基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型和基于BP神经网络的无人驾驶车辆剩余电量预测模型,利用车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型,获得当前时间在指定时间间隔T时间内的电池耗电率,并基于获得的当前电池耗电率以及实时剩余电量,输入基于BP神经网络的剩余电量预测模型,获得经过指定时间间隔T时的剩余电量,并依据设定的剩余电量阈值,对电量进行预警;
所述车身降雨阻力计算模块、车身电池温度拟合计算模块、道路坡道损耗功率计算模块、道路积水阻力计算模块以及电源预警模块的数据采用权利要求1-8任一项所述的一种暴雨道路无人驾驶车辆电量预测方法进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444271.4A CN108621844B (zh) | 2018-05-10 | 2018-05-10 | 一种暴雨道路无人驾驶车辆电量预测方法及预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810444271.4A CN108621844B (zh) | 2018-05-10 | 2018-05-10 | 一种暴雨道路无人驾驶车辆电量预测方法及预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108621844A true CN108621844A (zh) | 2018-10-09 |
CN108621844B CN108621844B (zh) | 2020-01-03 |
Family
ID=63692576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810444271.4A Active CN108621844B (zh) | 2018-05-10 | 2018-05-10 | 一种暴雨道路无人驾驶车辆电量预测方法及预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108621844B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726849A (zh) * | 2018-11-26 | 2019-05-07 | 湘潭大学 | 一种花授粉算法优化神经网络的楼宇微网负荷预测方法 |
CN111976543A (zh) * | 2020-07-20 | 2020-11-24 | 南京工程学院 | 电动汽车电池组充放电控制方法 |
CN112009307A (zh) * | 2020-09-03 | 2020-12-01 | 三一专用汽车有限责任公司 | 车辆的语音提示方法、语音提示系统和车辆 |
CN113264003A (zh) * | 2021-06-16 | 2021-08-17 | 长春工程学院 | 一种车辆涉水行驶时的智能驾驶方法和系统 |
CN113442728A (zh) * | 2021-06-18 | 2021-09-28 | 武汉力神动力电池系统科技有限公司 | 一种电动车辆的行驶里程综合管理系统 |
CN115114983A (zh) * | 2022-06-30 | 2022-09-27 | 吉林师范大学 | 基于大数据设备电量数据采集分析方法、计算机系统 |
CN117458672A (zh) * | 2023-12-20 | 2024-01-26 | 深圳市智安新能源科技有限公司 | 无人机的放电控制方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020117997A1 (en) * | 2000-11-30 | 2002-08-29 | Hans Feil | Method of predicting the state of charge as well as the use time left of a rechargeable battery |
EP1469321A1 (en) * | 2003-04-15 | 2004-10-20 | Denso Corporation | Device for monitoring the state of charge of a battery |
CN105365592A (zh) * | 2015-10-30 | 2016-03-02 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
CN107247236A (zh) * | 2017-05-19 | 2017-10-13 | 杭州金秋汽车储能科技有限公司 | 一种锂电池参数采集系统及方法 |
-
2018
- 2018-05-10 CN CN201810444271.4A patent/CN108621844B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020117997A1 (en) * | 2000-11-30 | 2002-08-29 | Hans Feil | Method of predicting the state of charge as well as the use time left of a rechargeable battery |
EP1469321A1 (en) * | 2003-04-15 | 2004-10-20 | Denso Corporation | Device for monitoring the state of charge of a battery |
CN105365592A (zh) * | 2015-10-30 | 2016-03-02 | 北京新能源汽车股份有限公司 | 电动汽车的剩余续航里程估计方法、系统及电动汽车 |
CN105425076A (zh) * | 2015-12-11 | 2016-03-23 | 厦门理工学院 | 一种基于bp神经网络算法进行变压器故障识别的方法 |
CN107247236A (zh) * | 2017-05-19 | 2017-10-13 | 杭州金秋汽车储能科技有限公司 | 一种锂电池参数采集系统及方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726849A (zh) * | 2018-11-26 | 2019-05-07 | 湘潭大学 | 一种花授粉算法优化神经网络的楼宇微网负荷预测方法 |
CN111976543A (zh) * | 2020-07-20 | 2020-11-24 | 南京工程学院 | 电动汽车电池组充放电控制方法 |
CN111976543B (zh) * | 2020-07-20 | 2023-01-31 | 南京工程学院 | 电动汽车电池组充放电控制方法 |
CN112009307A (zh) * | 2020-09-03 | 2020-12-01 | 三一专用汽车有限责任公司 | 车辆的语音提示方法、语音提示系统和车辆 |
CN113264003A (zh) * | 2021-06-16 | 2021-08-17 | 长春工程学院 | 一种车辆涉水行驶时的智能驾驶方法和系统 |
CN113264003B (zh) * | 2021-06-16 | 2022-04-22 | 长春工程学院 | 一种车辆涉水行驶时的智能驾驶方法和系统 |
CN113442728A (zh) * | 2021-06-18 | 2021-09-28 | 武汉力神动力电池系统科技有限公司 | 一种电动车辆的行驶里程综合管理系统 |
CN113442728B (zh) * | 2021-06-18 | 2023-11-14 | 武汉力神动力电池系统科技有限公司 | 一种电动车辆的行驶里程综合管理系统 |
CN115114983A (zh) * | 2022-06-30 | 2022-09-27 | 吉林师范大学 | 基于大数据设备电量数据采集分析方法、计算机系统 |
CN117458672A (zh) * | 2023-12-20 | 2024-01-26 | 深圳市智安新能源科技有限公司 | 无人机的放电控制方法、装置、设备及存储介质 |
CN117458672B (zh) * | 2023-12-20 | 2024-03-15 | 深圳市智安新能源科技有限公司 | 无人机的放电控制方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108621844B (zh) | 2020-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108621844A (zh) | 一种暴雨道路无人驾驶车辆电量预测方法及预警系统 | |
CN112561146B (zh) | 一种基于模糊逻辑和深度lstm的大规模实时交通流预测方法 | |
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 | |
CN108508372B (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 | |
CN108572648B (zh) | 一种无人驾驶车辆电源多源融合预测方法及系统 | |
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 | |
CN109977812A (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN109596078A (zh) | 多信息融合路面谱实时测试系统和测试方法 | |
CN108909624A (zh) | 一种基于单目视觉的实时障碍物检测和定位方法 | |
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 | |
JP6549546B2 (ja) | 融雪制御装置、ニューラルネットワークの学習方法、融雪制御方法及び融雪制御用プログラム | |
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 | |
CN115206103B (zh) | 一种基于平行仿真系统的可变限速控制系统 | |
CN108510129A (zh) | 一种无人驾驶车辆实时电量智慧预测方法及装置 | |
CN110851948B (zh) | 非结构化道路条件下的行车环境态势评估方法及评估装置 | |
CN111598142A (zh) | 一种用于轮式移动机器人的室外地形分类方法 | |
CN114005021B (zh) | 基于激光视觉融合的水产养殖车间无人巡检系统和方法 | |
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 | |
CN113506049B (zh) | 基于人工智能的道路洒水车调度方法及系统 | |
CN114332722A (zh) | 基于视频数据的混合冰雪路面附着系数实时估计方法 | |
Chen et al. | Gocomfort: Comfortable navigation for autonomous vehicles leveraging high-precision road damage crowdsensing | |
Wu et al. | Advances in sustainable winter road maintenance and management for future smart cities | |
CN115512538B (zh) | 一种基于碳排放的可变限速控制方法及系统 | |
KR101868791B1 (ko) | 유출유 확산 예측을 위한 입자 추적 모듈 최적화 방법 및 이를 이용한 예측 시스템 | |
CN113642529B (zh) | 基于ga-bp神经网络的障碍物尺寸预测系统及方法 |
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 |