CN110979342A - 一种用于车辆全局能量管理控制的工况信息获取方法 - Google Patents

Abstract

本发明公开一种用于车辆全局能量管理控制的工况信息获取方法，根据可预先了解信息的不确定性，从三个层次实现车速、滑移率、道路坡度信息的获取：当车辆在整个工况下的行驶车速和道路海拔可获取时，根据采集的数据获取各工况信息；当车辆在整个工况下行驶的工况信息所遵循的规律可获取时，若能用某一确切的分布函数以表述其分布规律，根据此函数获取各工况信息，反之，基于历史行驶数据构建状态转移概率矩阵，获取各工况信息；当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取时，根据所述约束条件获取其外轮廓线，基于熵最大原理获取各工况信息。能够为车辆全局能量管理提供全面、准确的工况信息，提高全局优化实车应用的可能性。

Description

一种用于车辆全局能量管理控制的工况信息获取方法

技术领域

本发明涉及信息获取技术领域，更具体的是，本发明涉及一种用于车辆全局能量管理控制的工况信息获取方法。

背景技术

针对新能源汽车能量管理系统，基于全局优化算法的控制策略可实现多动力源之间能量的最优分配，但该控制策略的实现需要事先获取整个工况信息。由于可预先获取工况信息具有不确定性，如何分析不同情况下可预先获取的工况信息是信息层面的首要问题。

对于多动力源车辆而言：

P_req＝P_E+P_M

P_req＝M_req·ω_req

M_req＝F_D·R_roll

其中，P_req为驾驶员需求功率，P_E为发动机功率，P_M为电机功率，M_req为驾驶员需求力矩，ω_req为驾驶员需求转速，F_D为汽车驱动力，R_roll为车轮滚动半径，m为汽车整车质量，g为重力加速度，f为整车滚动阻力系数，α为道路坡度角，A为整车迎风面积，C_D为空气阻力系数，v_c为车辆行驶速度，δ为旋转质量换算系数，du/dt为纵向加速度。

根据上述公式可知：针对多动力源车辆，全局优化控制策略实现各动力部件之间能量分配的关键在于需求功率的分配，即需求转矩的分配。

在汽车行驶方程式中，对于某一固定车型，m，g，f，A，C_D，δ作为车辆本身的参数都是确定值，在不考虑横向速度的前提下，du/dt可通过车速v_c求一阶导数获取。因此如果想要获取需求力矩，则需要知道道路坡度α和车速v_c。

当预测时长在一定范围内，车速预测具有马尔科夫性。无论是一阶马尔科夫模型，还是多阶马尔科夫模型，所有的数据都被用来训练成唯一的状态转移矩阵，即预测时也仅用此状态转移矩阵进行计算。由于行驶工况多种多样，不尽相同，用此唯一的状态转移矩阵进行预测无疑会产生很大的偏差。因而，如何提高速度预测精度是需要解决的关键问题之一。

针对道路坡度，当路线固定时，道路坡度信息完全已知，即不会发生改变。然而对于非固定路线的车辆而言，从起点到达目的地的路线并不唯一，实际行驶过程中驾驶员会因为道路拥挤、红绿灯等原因选择另外一条路线，导致完全确定的道路坡度并不能直接用于全局优化控制策略中。因而，对于路线不固定的车辆而言，如何实现道路坡度的预测是需要解决的问题之二。

此外，已知汽车轮速v_w与汽车行驶车速v_c之间的关系为：

其中，λ为滑动率，驱动时为滑转率，制动时为滑移率。因而，如果获取了车辆行驶中的滑动率λ和车速v_c，那么就能够获得驾驶员需求转速。针对滑移率，其主要受路面材料，路面附着系数，湿度，汽车车轮花纹、车轮直径等因素影响。由于需要对滑动率实时识别并进行较长时间的预测，无法根据μ-λ曲线的斜率对路面最大附着系数进行识别。因而，如何实现滑移率的预测是需要解决的问题之三。

因此，在信息层面，如何实现车速、滑移率、道路坡度等工况信息的预测并提高预测精度是需要解决的关键问题。

发明内容

本发明设计开发了一种用于车辆全局能量管理控制的工况信息获取方法，根据可预先了解信息的不确定性，从三个层次实现车辆行驶车速、滑移率、道路坡度等工况信息的获取，考虑全面，提高信息获取精度。

本发明提供的技术方案为：

一种用于车辆全局能量管理控制的工况信息获取方法，根据可预先了解信息的不确定性，从三个层次实现车速、滑移率、道路坡度信息的获取：

当车辆在整个工况下行驶车速和道路海拔可获取时，根据车速和道路海拔获取对应采集时刻或地理位置的道路坡度以及滑移率；

当车辆在整个工况下行驶的工况信息所遵循的规律可获取时，根据所述所遵循的规律获取车辆行驶车速、道路坡度以及滑移率；

当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取时，根据所述约束条件获取车辆在整个工况下行驶的工况信息所遵循的规律，并获取车辆行驶车速、道路坡度以及滑移率。

优选的是，当车辆行驶车速和道路海拔可获取时，获取对应采集时刻或地理位置的道路坡度θ(k)：

其中，h(k+Δt)，h(k)分别为下一时刻或地理位置、当前时刻或地理位置的海拔高度，v(k+Δt)，v(k)分别为下一时刻或地理位置、当前时刻或地理位置的车速，Δt为时间间隔。

获取车速采集时刻或地理位置的滑移率λ：

式中，v_w为车辆轮速，v_c为车辆行驶车速。

优选的是，当车辆在整个工况下行驶的工况信息满足概率分布函数F(X)或概率密度函数f(x)时，获取当前时刻或当前地理位置处车速、滑移率和道路坡度在下一时刻或下一地理位置的状态转移概率P为：

式中，a为当前时刻或当前地理位置，b为下一时刻或下一地理位置；

基于最大状态转移概率获取下一时刻或下一地理位置的车速、滑移率和道路坡度。

优选的是，当车辆在整个工况下行驶的工况信息不满足确定的概率分布函数或概率密度函数时，

获取对应路段的历史车辆行驶数据，并将所述历史车辆行驶数据分为城市工况、高速工况和混合工况三类；

以车辆行驶车速和加速度为状态变量，分别获取不同工况下的车速状态转移概率矩阵T∈R^pp×qq：

式中，V_k+m-l为第k时刻或第k个地理位置的速度状态，a_k+m表示第k+l时刻或第k+l个地理位置的加速度状态，l为状态转移概率矩阵的跨度，m∈{1，2，…，L_p}，L_p表示预测时长或地理位置间隔，i为速度状态且i∈{1，2，…，pp}，j为加速度状态且j∈{1，2，…，qq}；

确定当前车辆行驶工况的类型，并获取当前时刻或当前地理位置的车速，基于对应工况下的车速状态转移概率矩阵，选择概率最大时对应的加速度作为所述当前时刻或当前地理位置的加速度，并获取下一时刻或下一地理位置的车速。

优选的是，当车辆在整个工况下行驶的工况信息不满足确定的概率分布函数或概率密度函数时，通过确定性跳跃循环状态CRJ网络确定滑移率，具体包括如下步骤：

步骤一、按照采样周期，确定当前时刻或者地理位置的滑移率、车辆行驶车速以及路面最大附着系数；

步骤二、确定三层CRJ神经网络的输入层神经元向量x＝{x₁，x₂，x₃}；其中，x₁为当前时刻或者地理位置的滑移率，x₂为当前时刻或者地理位置的车辆行驶车速，x₃为当前时刻或者地理位置的路面最大附着系数；

步骤三、所述输入层向量映射到储备池，储备池的神经元为m个；

步骤四、得到输出层神经元向量o＝{o₁}；其中，o₁为下一时刻或者下一地理位置的滑移率；

其中，所述输入层、储备池及所述输出层的激励函数均采用双曲正切函数，其状态方程为：

x(k+1)＝tanh(W_mid·x(k)+W_in·u(k))

式中，W_in为输入权重，W_mid为储备池对输出的权重，其包含循环权重和跳跃权重，W_out为输出权重。

优选的是，，在所述步骤一中，所述当前时刻或者地理位置的路面最大附着系数的确定包括：

获取历史车辆行驶数据，获取不同路面不同速度区间和加速度区间对应的滑移率数据库，并根据当前时刻或地理位置的车辆行驶车速和加速度确定不同路面对应的滑移率

根据上一时刻或者地理位置的滑移率λ_i-1和当前时刻或地理位置的滑移率λ_i确定滑移率差值Δλ；

获取当前时刻或者地理位置的滑动率λ_i与各个路面类型对应的滑动率

的差值的均值

当

路面类型未发生变化，则当前时刻或地理位置的路面最大附着系数等于上一时刻或上一地理位置的路面最大附着系数；

当

获取当前时刻或者地理位置的滑动率λ_i与各个路面类型对应的滑动率

的差值中的最小差值对应的路面类型，并确定当前时刻或地理位置的路面最大附着系数。

优选的是，当车辆在整个工况下行驶的工况信息不满足确定的概率分布函数或概率密度函数时，

获取对应路段的所有可能行驶路线及其对应的绝对海拔，并获取所有可能行驶路线的相对海拔和坡度值；

以相对海拔和坡度值为状态变量，分别获取不同路线的交叉路口处的道路坡度的状态转移概率矩阵T∈R^tt×ss：

式中，H_k表示第k时刻或第k个地理位置的相对海拔状态，θ_k+l表示第k+l时刻或第k+l个地理位置的坡度值状态，p为相对海拔状态，且p∈{1，2，…，tt}，q为坡度值状态，且q∈{1，2，…，ss}；

根据预测长度和当前时刻或当前地理位置的车速确定下一时刻或下一地理位置对应的交叉口地理位置区间，并基于所述道路坡度的状态转移概率矩阵获取所述交叉口地理位置区间的道路坡度，选择概率最大时对应的坡度值作为下一时刻或下一地理位置的坡度值。

优选的是，当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取时，能够获得从出发点到目的地以时间或地理位置为坐标的工况信息外廓线，根据最大熵原理，基于能够实现最大熵的高斯分布或平均分布实现车速工况信息的预测。

优选的是，当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取，且仅对各路段上的行驶车速的最值进行约束时，

确定对应路段的行驶车速的不确定度H(X)：

式中，X为对应路段的行驶车速，且X＝[x₁，x₂，…，x_i，…x_m]，X≤X_max，其对应的概率为p₁，p₂，...，p_i，...，p_m，x_i为对应路段在第i个时刻或者地理位置的行驶车速，p_i为第i个时刻或者地理位置的行驶车速取值为x_i的概率，且

最大化所述不确定度H(X)，获得拉格朗日函数L(p，λ)：

获得：p₁＝p₂＝…p_i…＝p_m＝1/m；

获得对应路段各个时刻或地理位置的行驶车速在0～X_max之间均匀分布取值；

根据上述所述用于车辆全局能量管理控制的工况信息获取方法获取对应路段的道路坡度和滑移率。

优选的是，当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取，且仅对各路段上的行驶车速的均值和方差进行约束，

确定对应路段的行驶车速的不确定度H(X)：

式中，X为对应路段的行驶车速，且X＝[x₁，x₂，…，x_i，…x_m]，X≤X_max，其对应的概率为p₁，p₂，...，p_i，...，p_m，x_i为对应路段在第i个时刻或者地理位置的行驶车速，p_i为第i个时刻或者地理位置的行驶车速取值为x_i的概率，且

μ为对应路段的行驶车速的均值，σ为方差；

最大化所述不确定度H(X)，获得拉格朗日函数L(p，λ₁，λ₂，λ₃)：

获得：

根据对应路段的行驶车速的概率p₁，p₂，...，p_i，...，p_m，获得对应路段各个时刻或地理位置的行驶车速；

根据上述用于车辆全局能量管理控制的工况信息获取方法获取对应路段的道路坡度和滑移率。

本发明所述的有益效果：

本发明设计开发的用于车辆全局能量管理控制的工况信息获取方法，能够根据预先了解信息的不确定性，依据对应条件获取车辆行驶车速、滑移率、道路坡度，考虑全面，提高信息获取精度。为全局优化能量管理控制提供更加全面的工况信息，保证整车全局最优控制的准确度，同时提高全局优化在实车上实现的可能性。

附图说明

图1为本发明所述的用于车辆全局能量管理控制的工况信息获取方法的结构关联图。

图2为混合车流和单一车流的车速分布的正态分布示意图。

图3为车速预测中城市工况的状态转移概率矩阵图。

图4为车速预测中高速工况的状态转移概率矩阵图。

图5为车速预测中混合工况的状态转移概率矩阵图。

图6为CSUDC工况预测时长为5s时车速预测仿真结果图。

图7为HWFET工况预测时长为5s时车速预测仿真结果图。

图8为NEDC工况预测时长为5s时车速预测仿真结果图。

图9为车速一定时不同路面附着系数和滑动率的关系图。

图10为湿沥青路面下不同车速对滑动率的影响图。

图11为湿沥青路面下UDDS工况训练获得的数据矩阵图。

图12为路面最大附着系数识别模型的流程图。

图13为单一路面(湿沥青，最大附着系数0.8)附着系数识别结果图。

图14为双路面组合(干土路和雪路，最大附着系数分别为0.6和0.2)附着系数识别结果图。

图15为多路面混合1(阶梯式路面，最大附着系数分别为0.2/0.4/0.6/0.8/1.0)附着系数识别结果图。

图16为多路面混合2(全混式路面，最大附着系数分别为0.2/0.4/0.6/0.8/1.0)附着系数识别结果图。

图17为CRJ网络结构图。

图18为UDDS工况预测结果。

图19为HWFET工况预测结果。

图20为道路坡度预测中所选区域的示意图。

图21为所选区域中各道路坡度值数据图。

图22为构建坡度预测的状态转移概率矩阵图。

图23为坡度预测的流程图。

图24为所选区域中路线3道路坡度预测的仿真结果图。

图25为仅能预先了解道路中指示灯地理位置、限速信息时车速示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，基于“信息层-物质层-能量层”总框架，本发明提供了一种用于车辆全局能量管理控制的工况信息获取方法。根据可预先了解信息的不确定性，可从三个层次实现工况信息的获取：

一、可全部预先了解整个工况下的具体工况信息

此时，整个工况下的行驶车速、道路坡度、滑移率等工况信息均完全已知，可直接用于全局能量管理控制策略以求解全局最优能量分配。

针对道路坡度，可借助GPS系统采集各时刻或地理位置对应的海拔高度，进而计算道路坡度θ(k)，即：

其中，h(k+Δt)，h(k)分别为下一时刻或地理位置、当前时刻或地理位置的海拔高度，v(k+Δt)，v(k)分别为下一时刻或地理位置、当前时刻或地理位置的车速，Δt为时间间隔。

针对滑动率，基于采集的汽车轮速v_w与汽车行驶车速v_c，计算各时刻或地理位置对应的滑动率λ，即：

由上可知，预先获取的各工况信息可直接用于全局能量管理控制策略以求解全局最优能量分配。

二、仅能预先了解整个工况下工况信息所遵循的规律

根据能否用某一确切的概率分布函数或概率密度函数以表述车辆在某一路段上各工况信息的分布规律，第二层次工况信息的获取可从以下两个层面分析：

1.存在某一确切的概率分布函数或概率密度函数表述工况信息的分布规律

此时，能用某一概率分布函数F(X)或概率密度函数f(x)以表述车辆在某一路段上各工况信息的分布情况，进而获取当前状态X在某一区间(a，b)内的概率，即：

其中，a为当前时刻或当前地理位置，b为下一时刻或下一地理位置。该概率值对应当前时刻或当前地理位置处车速、滑移率或道路坡度的状态转移概率，进而基于最大状态转移概率以预测下一时刻或下一地理位置的车速/滑移率/道路坡度。

以车速信息的获取为例，已知混合车流和单一车流的车速分布均符合正态分布，如图2所示。则车速v在某一范围内取值的可能性满足概率密度函数f(v)：

或概率分布函数F(v)：

其中，μ为均值，σ为方差，二者均为常数。

因此，选取当前时刻或当前地理位置的车速转移到另一车速时的最大概率，可实现下一时刻或下一地理位置的车速预测。

2.不存在某一确切的概率分布或概率密度函数表述工况信息的分布规律

此时，不存在某一确切的概率分布函数或概率密度函数以表述车辆在某一路段上各工况信息的分布规律，但可获取一定量的历史行驶数据。由于当预测时长在一定范围内时，汽车行驶速度、多路口处的路径选择符合马尔科夫性，因而在一定的历史行驶数据支持下，可基于训练历史数据得到各工况信息的状态转移概率矩阵，以此反映各工况信息的分布情况，进而实现各工况信息的预测。具体实现过程如下：

1)车速信息的获取

考虑到行驶工况的多样性，若用唯一的状态转移概率矩阵进行车速预测无疑会产生较大偏差，因而需要将不同的行驶工况进行分类。对不同类别的工况分别训练成各自的状态转移概率矩阵，以期望用同种类别的状态转移矩阵预测同种类别的行驶工况，以提高预测精度。具体过程为：

步骤一、基于选定的特征变量进行工况分类

对比不同工况某些特征参数，如表1：

表1.不同类型工况对应的某些特征参数

由上表可知：对于某些特征参数而言，工况之间差异性较大，行驶工况大体可以分为城市、高速、混合三种类别。

为区分行驶工况的类别，需要选取部分特征参数作为工况识别的依据。在物理意义上，比较公认的汽车行驶工况的特征参数共有23种。包括运行时间及各个车速状态对应的时间(0～10km/h、10～20km/h、20～30km/h、30～40km/h、40～50km/h)及其比例(加速、减速、匀速、怠速)，最大速度、加/减速度、速度平均值及标准差等。由于行驶工况的特征参数数量较多，在判定类别时大部分的特征参数对判定的影响较小，甚至存在冗余的特征参数，不利于快速分类。因此，将23个特征参数作为基础特征参数，利用特征工程中的特征选择方法，对这23种特征参数进行筛选，最后获取少量的但对分类结果影响最大的7种特征参数，具体为：平均减速度、平均加速度、匀速时间比例、减速时间、加减速度标准差、匀速时间、行驶距离。将筛选出7种行驶工况特征参数作为分类器的输入，输出结果为0/1/2，分别对应城市、高速、混合工况。

步骤二、生成对应的状态转移概率矩阵

用状态转移概率矩阵描述车速分布。当车速预测时长在一定范围内时，对于汽车行驶车速V_n，有：

P{V(t_n)≤v_n|V(t₁)＝v₁，V(t₂)＝v₂，…，V(t_n-1)＝v_n-1}

＝P{V(t_n)≤v_n|V(t_n-1)＝v_n-1}，v_n∈R

记在第n时刻或第n个地理位置系统处于状态i，经过h步以后系统在第n+h时刻或第n+h个地理位置状态转移变为j的条件概率为P{X(n+h)＝j|X(n)＝i}，记为

若状态空间为S＝{1，2，…，m}，马尔科夫链h步转移矩阵p^(h)有：

若h＝1时，马尔科夫链一步转移矩阵P为：

将速度和加速度作为系统状态变量，并将其按区间划分，区间个数分别为pp和qq，速度状态i∈{1，2，…，pp}，加速度状态j∈{1，2，…，qq}。以速度和加速度为坐标系，汽车行驶车速的状态转移概率矩阵T∈R^pp×qq定义为：

其中，V_k+m-l表示第k时刻或第k个地理位置的速度状态，a_k+m表示第k+l时刻或第k+l个地理位置的加速度状态，l为状态转移概率矩阵的跨度，m∈{1，2，…，L_p}，L_p表示预测时长。

针对多种标准工况，按工况类型训练成各自的状态转移概率矩阵。采集对应路段的历史行驶数据，判断该工况所属类别，并将历史数据作为训练数据以更新对应工况类型的状态转移概率矩阵。最终获取城市、高速、混合三种工况类型的状态转移概率矩阵，如图3～5所示。

步骤三、基于状态转移概率矩阵实现车速预测

已知当前时刻或当前地理位置的车速，基于所选的状态转移概率矩阵，选择概率最大时对应的加速度作为当前时刻或当前地理位置的加速度，实现车速预测。以CSUDC、HWFET、NEDC工况为例，每秒预测一次，预测时长为5s，仿真结果如图6～8所示。

2)滑移率信息的获取

基于滑动率区间的分段，对较小的滑动率采用模糊的识别，对较大的滑动率精准的识别。构建路面最大附着系数识别模型，进而根据公式构建预测模型对滑动率进行分析预测。具体过程为：

步骤一、构建路面最大附着系数识别模型

由于无法根据μ-λ曲线的斜率对路面最大附着系数进行识别，通过建立离线数据库，实现对不同路面最大附着系数的识别预测。已知：当车速一定时，不同路面附着系数和滑动率的关系如图9所示；当路面类型一定时(湿沥青)，不同车速对滑动率的影响如图10所示(即路面类型确定时，当车辆加速或减速时，滑动率也会发生变化)，故在构建离线数据库时，将汽车行驶速度和加速度(减速度)考虑其中。对常见的5种路面干沥青、湿沥青、干土路、湿土路以及雪路进行离线训练，构建不同路面不同速度区间和加速度区间对应的滑动率数据库。其中，干沥青路面最大附着系数设为1，湿沥青路面、干土路、湿土路、雪路依次设为0.8、0.6、0.4、0.2。为降低数据库空间，同时尽可能提高数据精度，将速度区间的间隔设为5km/h，加速度区间的间隔设为0.2m/s²，不同路面类型训练对应的矩阵。以湿沥青路面为例，UDDS工况训练获得的数据矩阵如图11所示。

对于大滑动率区间，各个路面附着系数区分明显，因此只需要将输入的滑动率与各个路面进行比较，采用最小差值法确定此时的路面类型，进而得到此时的最大附着系数。对于小滑动率区间，由于滑动率较小时，各种路面类型的附着系数较为接近，较难区分，因此基于不同路面滑动率的离线数据库，计算输入的滑动率与各个路面类型对应的滑动率的差值，如果与上一时刻或上一地理位置处路面类型计算的差值小于所有差值的均值，那么认为路面类型未发生变化，反之，如果大于所有差值的均值，则将最小的差值对应的路面类型作为识别出的路面类型，再给出对应的最大附着系数。具体流程如图12所示。

根据此流程图搭建路面最大附着系数识别模型，设置好相应参数后对不同组合的路面进行识别，识别情况如图13～16所示。不同路面模型识别准确度如表2所示：

表2不同路面模型识别准确度表

路面组合	路面种类数	路面类型的变化频率	模型识别的准确度
				单一路面	1	0	96.28％
双路面	2	1	94.82％
				多路面组合1	5	4	90.51％
多路面组合2	4	5	81.75％

从表2可以看出，路面类型越少，识别精准度越高。对于单一类型和双路面组合的类型，尽管个别区间产生误差，但整体识别率较高，而对于多路面类型组合的路面，路面类型变化的越多，产生的误差越大。但一般情况下，在一个工况的时间内汽车实际行驶的路面变化频率不会很高，因此该模型可以很好地识别路面最大附着系数，为构建滑动率预测模型提供主要参数值。

步骤二、基于路面附着系数和车速实现滑动率预测

基于确定性跳跃循环状态网络进行滑动率预测

作为一种新型的循环神经网络(Recurrent Neural Network，RNN)，确定性跳跃循环状态网络(Certain Recurrent Jump State Network，CRJ)在非线性系统识别方面较传统的神经网络有较大的改进，尤其是在一维时序问题上具有很高的处理能力。其基本构成如图17所示，由输入层、输出层以及一个较大的储备池构成。其中，在储备池中，相连接的神经元节点通过单向的循环边和双向的跳跃边连接。CRJ初始化时所有的权重不是随机的，输入权重、循环权重以及跳跃权重由r_i、r_c、r_j确定。

对于M个输入节点、N个储备池神经元个数、D个输出节点的CRJ状态网络，使用双曲正切函数作为其激活函数，其状态方程为：

x(k+1)＝tanh(W_mid·x(k)+W_in·u(k))

式中，W_in为输入权重，由r_i确定，W_mid为储备池对输出的权重，其包含循环权重和跳跃权重，W_out为输出权重，其由训练的数据决定。当r_i确定时，输入权重W_in有：

式中，|W_ij|＝r_i，W_ij的正负符号可随机生成，亦可根据经验产生。而状态方程中的W_mid相对复杂，循环权重矩阵W_re初始化时有：

式中，W_ij＝1表示第i个神经元与第j个神经元相连，由于是单向连接，W_ji＝0。当r_c确定时，则：

若r_j确定，且跳跃步长L设定好后，由于跳跃连接是双向的，故有：

式中，i＝(1，2，…，K)，k＝(k₁，k₂，…，k_K+1)＝(1，1+L，1+2L，1+3L，…，1+KL)，

将W_re中的相应权重按上式替换后，新的权重矩阵即为储备池对输出的权重矩阵。

初始化CRJ网络，输入为当前时刻(或当前地理位置)的滑动率、车速以及路面最大附着系数，输出为下一时刻(或下一地理位置)所预测的滑动率，储备池神经元设为1000，稀疏程度设为4％，输入单元尺度设为1，谱半径r_i＝0.5，此外设r_c＝0.8，r_j＝0.7。利用多种标准行驶工况对CRJ网络进行训练，应用训练后的CRJ网络对实际行驶工况进行预测。以UDDS和HWFET工况为例，汽车行驶的滑动率预测结果如图18～19所示。

3)道路坡度信息的获取

由于车辆实际行驶过程中会因道路拥挤、红绿灯等原因而在交叉口处改变原始路线，因而从起点到达目的地的路线并不唯一，即需要在交叉口处进行道路坡度的预测。为实现道路坡度预测，主要包括以下三个步骤：

步骤一、获取所取区域各道路坡度数据

通过Google地图获取某片区域地图中所有可能行驶的道路及其绝对海拔。区域示意图如图20所示，A点为起始点，B点为目的地。以第一个点为参考点，计算后获取该片区域各条道路的相对海拔和坡度值。采集的各道路坡度值如图21所示。

步骤二、确定状态转移概率矩阵

选取相对海拔和坡度值作为马尔科夫的状态变量，类似于速度和加速度，将相对海拔和坡度值按区间划分，区间个数分别为tt和ss，相对海拔状态p∈{1，2，…，tt}，坡度值状态q∈{1，2，…，ss}，道路坡度的状态转移矩阵T∈R^tt×ss定义为：

其中，H_k表示第k时刻或第k个地理位置的相对海拔状态，θ_k+l表示第k+l时刻或第k+l个地理位置的坡度值状态，如图22所示。利用行进过程中所有满足约束条件的交叉路口处一定范围内的相对海拔和坡度值构建状态转移矩阵，其中，所取范围的长度由速度和预测时长决定。在选定区域内，从A点到B点存在6条距离最短且大小几乎一致的路径，各个路径之间相互交叉产生4个有效的交叉路口(图20中虚线圆)。因而，对各个交叉路口处的车速进行预测，结合预测时长，确定坡度预测长度，获取该预测长度下交叉口处所有出路的相对海拔数据，转化为马尔科夫对应的状态变量，构建坡度预测的状态转移概率矩阵，具体预测流程如图23所示。

步骤三、实现交叉口处道路坡度的预测

以路线3为例，基于状态转移概率矩阵和坡度预测长度(根据预测时长和车速确定下一个时刻或者下一地理位置)，实现2个交叉口处道路坡度预测。整个工况中其它地理位置处的道路坡度无需预测，即为采集的原始数据。仿真结果如图24所示。需注意的是，若车辆在行驶至目的地C点后，车辆的行驶距离无法满足工况所需的行驶距离时，车辆将从B点出发行驶到A点，再从A点继续行驶到B点，如此反复直至满足工况需要的行驶距离。

即根据预测长度和当前时刻或当前地理位置的车速确定下一时刻或下一地理位置对应的交叉口地理位置区间，并基于所述道路坡度的状态转移概率矩阵获取所述交叉口地理位置区间的道路坡度，选择概率最大时对应的坡度值作为下一时刻或下一地理位置的坡度值。

三、仅能预先了解整个工况下针对工况信息所施加的约束条件

此时，只能获取车辆在某一路段上各个时刻或各个地理位置处各工况信息的最大值，即可得到从出发点到目的地以时间或地理位置为坐标的工况信息外廓线。以车速信息的获取为例，若仅能预先了解道路中指示灯地理位置、限速信息等。结合车辆的极限加速与制动能力，即可画出在出发点到目的地地理位置或时间为坐标的车辆车速外廓线，这条外廓线代表了该车辆在此线路上各个地理位置或各个时刻的车速最大值，如图25所示。

各个时刻或各个地理位置处各工况信息可在0～X_max取值，此时各工况信息的概率分布很难测定。根据对各工况信息的约束条件，分以下2种情况讨论：

1.仅对各路段上各个时刻或者地理位置的行驶车速的最值进行约束

各个时刻或者地理位置的行驶车速作为随机变量X，其可能的m种取值为X＝[x₁，x₂，…，x_i，…x_m]且X≤X_max，对于每一种取值的概率为p₁，p₂，...，p_i，...，p_m，此时用信息熵H(X)表示随机变量X的不确定度，即：

其中，约束条件为各取值的概率之和为1，即：

为了准确地估计随机变量的状态，一般习惯性最大化熵，其原则是承认已知事物(知识)，且对未知事物不做任何假设，没有任何偏见。因而，为了最大化H(X)，构造拉格朗日函数L(p，λ)：

上式对p_i求偏导，得：

解得：p_i＝e^λ-1，i＝1，2，...，m。

根据约束条件，解得

即：p₁＝p₂＝…p_i…＝p_m＝1/m。

由上可知，对于一个含有m个事件的系统，熵最大时，事件的概率必然满足等概率。因此，对于未知的各个时刻或者地理位置的行驶车速，按照等概率处理，即各个时刻或者地理位置的行驶车速在0～X_max之间根据均匀分布取值，进而得到下一时刻或地理位置对应的行驶车速。

再根据行驶车速按照不存在某一确切的概率分布或概率密度函数表述工况信息的分布规律的滑移率和道路坡度的获取方法获取对应路段的道路坡度和滑移率。

2.对各路段上各个时刻或者地理位置的行驶车速的均值和方差进行约束

若已知该路段内各个时刻或者地理位置的行驶车速X分布的均值μ和方差σ，满足约束条件

即

构造拉格朗日函数L(p，λ₁，λ₂，λ₃)：

上式对p_i求偏导，得：

解得：

根据约束条件

得：

将上式代入约束条件

得：

λ₁＝1-log(2πσ²)，λ₃＝-1/2σ²

基于工况信息外轮廓线，根据3σ准则，以临近均值的车速作为预测依据，实现车速信息的预测；再根据行驶车速按照不存在某一确切的概率分布或概率密度函数表述工况信息的分布规律的滑移率和道路坡度的获取方法获取对应路段的道路坡度和滑移率。

由上可知，根据最大熵原理，总存在某一分布的熵最大(如高斯分布、平均分布等)，进而基于该概率分布实现各工况信息的预测。

针对第三层次工况信息的获取，若提高所获取信息的精度，需预先获取一定量的历史行驶数据，将第三层次的信息获取转化为第二层次的信息获取，再在第二层次的基础上实现各工况信息的预测。

本发明实现了信息层面上车速、滑移率、道路坡度等信息的预测，为车辆全局能量管理控制提供全面、精确的工况信息，保证整车全局最优控制的准确度，同时提高全局优化在实车上实现的可能性。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (10)

1.一种用于车辆全局能量管理控制的工况信息获取方法，其特征在于，根据可预先了解信息的不确定性，从三个层次实现车速、滑移率、道路坡度信息的获取：

当车辆在整个工况下行驶车速和道路海拔可获取时，根据车速和道路海拔获取对应采集时刻或地理位置的道路坡度以及滑移率；

当车辆在整个工况下行驶的工况信息所遵循的规律可获取时，根据所述所遵循的规律获取车辆行驶车速、道路坡度以及滑移率；

当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取时，根据所述约束条件获取车辆在整个工况下行驶的工况信息所遵循的规律，并获取车辆行驶车速、道路坡度以及滑移率。

2.如权利要求1所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆行驶车速和道路海拔可获取时，获取对应采集时刻或地理位置的道路坡度θ(k)：

其中，h(k+Δt)，h(k)分别为下一时刻或地理位置、当前时刻或地理位置的海拔高度，v(k+Δt)，v(k)分别为下一时刻或地理位置、当前时刻或地理位置的车速，Δt为时间间隔；

获取车速采集时刻或地理位置的滑移率λ：

式中，v_w为车辆轮速，v_c为车辆行驶车速。

3.如权利要求1所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆在整个工况下行驶的工况信息满足概率分布函数F(X)或概率密度函数f(x)时，获取当前时刻或当前地理位置处车速、滑移率和道路坡度在下一时刻或下一地理位置的状态转移概率P为：

式中，a为当前时刻或当前地理位置，b为下一时刻或下一地理位置；

基于最大状态转移概率获取下一时刻或下一地理位置的车速、滑移率和道路坡度。

4.如权利要求1所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆在整个工况下行驶的工况信息不满足确定的概率分布函数或概率密度函数时，

获取对应路段的历史车辆行驶数据，并将所述历史车辆行驶数据分为城市工况、高速工况和混合工况三类；

以车辆行驶车速和加速度为状态变量，分别获取不同工况下的车速状态转移概率矩阵T∈R^pp×qq：

式中，V_k+m-l为第k时刻或第k个地理位置的速度状态，a_k+m表示第k+l时刻或第k+l个地理位置的加速度状态，l为状态转移概率矩阵的跨度，m∈{1，2，…，L_p}，L_p表示预测时长或地理位置间隔，i为速度状态且i∈{1，2，…，pp}，j为加速度状态且j∈{1，2，…，qq}；

确定当前车辆行驶工况的类型，并获取当前时刻或当前地理位置的车速，基于对应工况下的车速状态转移概率矩阵，选择概率最大时对应的加速度作为所述当前时刻或当前地理位置的加速度，并获取下一时刻或下一地理位置的车速。

5.如权利要求4所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆在整个工况下行驶的工况信息不满足确定的概率分布函数或概率密度函数时，通过确定性跳跃循环状态CRJ网络确定滑移率，具体包括如下步骤：

步骤一、按照采样周期，确定当前时刻或者地理位置的滑移率、车辆行驶车速以及路面最大附着系数；

步骤二、确定三层CRJ神经网络的输入层神经元向量x＝{x₁，x₂，x₃}；其中，x₁为当前时刻或者地理位置的滑移率，x₂为当前时刻或者地理位置的车辆行驶车速，x₃为当前时刻或者地理位置的路面最大附着系数；

步骤三、所述输入层向量映射到储备池，储备池的神经元为m个；

步骤四、得到输出层神经元向量o＝{o₁}；其中，o₁为下一时刻或者下一地理位置的滑移率；

其中，所述输入层、储备池及所述输出层的激励函数均采用双曲正切函数，其状态方程为：

x(k+1)＝tanh(W_mid·x(k)+W_in·u(k))

式中，W_in为输入权重，W_mid为储备池对输出的权重，其包含循环权重和跳跃权重，W_out为输出权重。

6.如权利要求5所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，在所述步骤一中，所述当前时刻或者地理位置的路面最大附着系数的确定包括：

获取历史车辆行驶数据，获取不同路面不同速度区间和加速度区间对应的滑移率数据库，并根据当前时刻或地理位置的车辆行驶车速和加速度确定不同路面对应的滑移率

根据上一时刻或者地理位置的滑移率λ_i-1和当前时刻或地理位置的滑移率λ_i确定滑移率差值Δλ；

获取当前时刻或者地理位置的滑动率λ_i与各个路面类型对应的滑动率

的差值的均值

当

路面类型未发生变化，则当前时刻或地理位置的路面最大附着系数等于上一时刻或上一地理位置的路面最大附着系数；

当

获取当前时刻或者地理位置的滑动率λ_i与各个路面类型对应的滑动率

的差值中的最小差值对应的路面类型，并确定当前时刻或地理位置的路面最大附着系数。

7.如权利要求1所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆在整个工况下行驶的工况信息不满足确定的概率分布函数或概率密度函数时，

获取对应路段的所有可能行驶路线及其对应的绝对海拔，并获取所有可能行驶路线的相对海拔和坡度值；

以相对海拔和坡度值为状态变量，分别获取不同路线的交叉路口处的道路坡度的状态转移概率矩阵T∈R^tt×ss：

式中，H_k表示第k时刻或第k个地理位置的相对海拔状态，θ_k+l表示第k+l时刻或第k+l个地理位置的坡度值状态，p为相对海拔状态，且p∈{1，2，…，tt}，q为坡度值状态，且q∈{1，2，…，ss}；

根据预测长度和当前时刻或当前地理位置的车速确定下一时刻或下一地理位置对应的交叉口地理位置区间，并基于所述道路坡度的状态转移概率矩阵获取所述交叉口地理位置区间的道路坡度，选择概率最大时对应的坡度值作为下一时刻或下一地理位置的坡度值。

8.如权利要求1所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取时，能够获得从出发点到目的地以时间或地理位置为坐标的工况信息外廓线，根据最大熵原理，基于能够实现最大熵的高斯分布或平均分布实现车速工况信息的预测。

9.如权利要求8所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取，且仅对各路段上的行驶车速的最值进行约束时，

确定对应路段的行驶车速的不确定度H(X)：

式中，X为对应路段的行驶车速，且X＝[x₁，x₂，…，x_i，…x_m]，X≤X_max，其对应的概率为p₁，p₂，...，p_i，...，p_m，x_i为对应路段在第i个时刻或者地理位置的行驶车速，p_i为第i个时刻或者地理位置的行驶车速取值为x_i的概率，且

最大化所述不确定度H(X)，获得拉格朗日函数L(p，λ)：

获得：p₁＝p₂＝…p_i…＝p_m＝1/m；

获得对应路段各个时刻或地理位置的行驶车速在0～X_max之间均匀分布取值；

根据行驶车速按照权利要求7所述用于车辆全局能量管理控制的工况信息获取方法获取对应路段的道路坡度和滑移率。

10.如权利要求8所述的用于车辆全局能量管理控制的工况信息获取方法，其特征在于，当车辆在整个工况下针对行驶的工况信息所施加的约束条件可获取，且仅对各路段上的行驶车速的均值和方差进行约束，

确定对应路段的行驶车速的不确定度H(X)：

式中，X为对应路段的行驶车速，且X＝[x₁，x₂，…，x_i，…x_m]，X≤X_max，其对应的概率为p₁，p₂，...，p_i，...，p_m，x_i为对应路段在第i个时刻或者地理位置的行驶车速，p_i为第i个时刻或者地理位置的行驶车速取值为x_i的概率，且

μ为对应路段的行驶车速的均值，σ为方差；

最大化所述不确定度H(X)，获得拉格朗日函数L(p，λ₁，λ₂，λ₃)：

获得：

根据对应路段的行驶车速的概率p₁，p₂，...，p_i，...，p_m，获得对应路段各个时刻或地理位置的行驶车速；

根据行驶车速按照权利要求7所述用于车辆全局能量管理控制的工况信息获取方法获取对应路段的道路坡度和滑移率。

Images