CN111460380B - 一种基于高斯过程回归的多工况续驶里程预测方法及系统 - Google Patents
一种基于高斯过程回归的多工况续驶里程预测方法及系统 Download PDFInfo
- Publication number
- CN111460380B CN111460380B CN202010233917.1A CN202010233917A CN111460380B CN 111460380 B CN111460380 B CN 111460380B CN 202010233917 A CN202010233917 A CN 202010233917A CN 111460380 B CN111460380 B CN 111460380B
- Authority
- CN
- China
- Prior art keywords
- data
- gaussian process
- working condition
- process regression
- training
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 101
- 230000008569 process Effects 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000005070 sampling Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000003190 augmentative effect Effects 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 76
- 238000009826 distribution Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000003993 interaction Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 8
- 239000002245 particle Substances 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 230000003595 spectral effect Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims 1
- 238000002474 experimental method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 5
- 230000010354 integration Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种基于高斯过程回归的多工况续驶里程预测方法及系统，该方法包括以下步骤：1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数；2)训练高斯过程回归模型；3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即在预测时段内的电池放电功率，根据开始测试时刻电池的剩余电量和在预测时段内的电池放电功率获取续驶里程。与现有技术相比，本发明具有成本低、多工况和极端工况预测等优点。
Description
技术领域
本发明涉及纯电动汽车性能检测领域，尤其是涉及一种基于高斯过程回归的多工况续驶里程预测方法及系统。
背景技术
在纯电动汽车的厂家技术参数中，一般只提供国标等速(60km/h)工况、工信部NEDC工况下的续驶里程，但在实际使用中，驾驶循环、环境温度、空调使用情况等工况的不同都会导致汽车实际续驶里程的改变——消费者也更希望获得汽车在自己个性化驾驶习惯及其所在地实际环境下的续驶里程。
传统的纯电动汽车续驶里程预测方法有两种，一种是进行物理实验，去检测纯电动在实验环境下或真实路况中的表现；另一种是建立纯电动汽车动力系统的物理模型以及计算机仿真模型，进而进行纯电动汽车动力系统续驶里程的仿真实验，获得续驶里程。前者需要搭建较为完善的实验台，耗费大量的人力物力及时间资源，且物理实验可以模拟的工况有限，无法检测纯电动汽车动力系统在某些极端工况下的性能表现；后者由于纯电动汽车动力系统的作用机制较为复杂，很难将影响其性能的各种因素整合到一个确定的数学方程中，所以其仿真实验效果与真实的物理实验存在较大出入。
随着机器学习、深度学习等人工智能算法的发展与应用，当获取到某一工况下纯电动汽车动力系统的输入、输出及环境数据时，即可将其作为训练数据训练模型，用以预测纯电动汽车动力系统在该工况下的续驶里程，当合理选择模型及调整参数后，可以实现纯电动汽车在该工况下的续驶里程的预测，但是单独的机器学习、深度学习算法模型往往泛化能力较差，即当只获取一种或多种工况下的训练数据时，无法训练模型去预测纯电动汽车在另一种新的工况下的续驶里程，若要获取全工况下的训练数据，尤其是某些极端工况下的训练数据，则需要昂贵的实验成本，甚至是在实验室的条件下无法实现的——而纯电动车在极端工况下的续驶里程，往往是汽车厂商及消费者评价该车性能的重要指标。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于高斯过程回归的多工况续驶里程预测方法及系统。
本发明的目的可以通过以下技术方案来实现：
一种基于高斯过程回归的多工况续驶里程预测方法，包括以下步骤：
1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括纯电动汽车动力系统的输入、输出及环境数据；
2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数；
3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集；
4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即在预测时段内的电池放电功率，根据开始测试时刻电池的剩余电量和在预测时段内的电池放电功率获取续驶里程。
所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据。
所述的步骤1)中，纯电动汽车动力系统的输入数据包括需求转速、需求扭矩、电池剩余电量、驾驶模式、车辆负荷和轮胎气压；
纯电动汽车动力系统的输出数据包括电池放电功率；
环境数据包括纯电动汽车动力系统所处的温度、大气压、量化后的车载非纯电动汽车动力系统用电器的使用情况以及路面平整度。
所述的步骤1)具体包括以下步骤：
11)采用去奇异值、平滑、归一化方法对常规工况数据进行预处理，并整理数据形式得到多组高斯过程回归模型的训练数据，即训练数据集；
12)计算高斯过程回归模型输入数据的概率密度分布；
13)从训练数据集中随机选取一部分训练数据，并保持原来的顺序，分别使用多种核函数对其进行快速拟合，通过使得均方根误差RMSE最小筛选出拟合效果最好的核函数，作为高斯过程回归模型训练中使用的核函数。
所述的步骤13)中，多种核函数包括Squared Exponential、Mat′ern、RationalQuadratic和Spectral Mixture。
所述的步骤2)具体为：
根据训练数据及核函数确定负对数边际似然函数，采用无导数的优化算法求解以负对数边际似然函数作为目标函数，以核函数的超参数作为决策变量的最优化问题，得到合适的超参数，完成高斯过程回归模型的训练，得到均值函数和协方差函数。
所述的步骤3)具体包括以下步骤：
31)假设一组模型输入，代入由步骤2)得到的均值函数得到一组模型输出，其与模型输入构成一组包含以模型输入为未知量的训练数据；
32)将该组数据加入预处理后的训练数据集得到增广工况数据集，采用与步骤2)相同的方法在增广工况数据集上训练高斯过程回归模型，并获取含有未知量的均值函数和协方差函数；
33)根据均值函数、协方差函数以及输入数据的概率密度分布，通过积分计算得到上下置信区间边界的概率密度分布，并且以上下置信区间边界的概率密度分布的差距作为目标函数，以假设的模型输入作为决策变量，构成最优化问题；
34)采用无导数的优化方法求解最优化问题。
所述的步骤33)中，上下置信区间边界的概率密度分布的差距具体为：
采用L1或L2范数表示差距后，再对概率密度分布的分布区间进行积分得到的积分值。
所述的无导数的优化算法包括遗传算法、蚁群算法和粒子群算法，其停止条件为迭代次数达到设定次数上限，或上下置信区间边界的概率密度分布的差距小于设定阈值。
一种基于高斯过程回归的多工况续驶里程预测系统，该系统包括：
常规工况数据采集单元：用以通过传感设备采集动态获取纯电动汽车动力系统的输入、输出及环境数据作为常规工况数据，并发送给终端处理单元；
终端处理单元：用以将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；
服务器单元：用以执行如权利要求1所述预测方法的步骤，实现对常规工况数据的预处理、训练高斯过程回归模型、序贯采样和预测结果输出；
人机交互单元：用以显示预测结果以及输入预测参数和条件。
与现有技术相比，本发明具有以下优点：
本发明可以在只获取某一或某些常规工况下纯电动汽车动力系统的输入、输出及环境数据后，将其作为原始数据，通过基于高斯过程回归模型的采样策略进行采样，扩充原始数据，得到多工况甚至全工况下的训练数据，进而预测纯电动汽车在多工况甚至全工况中的一种或多种工况下的续驶里程，具体为：
1、只需在常规工况下进行实验，大大降低实验成本，包括人力、物力和时间资源，同时大大降低了实验难度；
2、可实现纯电动汽车在多种甚至全工况下的续驶里程预测，帮助不同地区、不同驾驶习惯的消费者个性化了解汽车的续驶性能；
3、可实现纯电动汽车在极端工况下的续驶里程预测，帮助生产厂家进行系统可靠性方面的评估。
附图说明
图1为基于高斯过程回归的多工况纯电动汽车续驶里程预测系统实现步骤流程图。
图2为针对时间序列的高斯过程回归模型(GPR)结构示意图
图3为实施例1中的序贯采样算法流程图，其中，U为输入数据根据实际情况确定的定义域，ε为根据实际情况确定的迭代停止阈值。
图4为实施例2中的序贯采样算法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明提供一种基于高斯过程回归的多工况纯电动汽车续驶里程预测方法及系统，该系统包括常规工况数据采集单元、数据传输单元、服务器单元、人机交互单元和终端处理单元，其中服务器单元又包括输入输出接口、数据及模型预处理单元、高斯过程回归模型训练单元、序贯采样单元和停止判断环节。如图1所示，该预测方法具体实现步骤为：
步骤1.在常规工况数据采集单元，使用传感设备动态获取纯电动汽车动力系统的输入、输出及环境数据，将其统称为常规工况数据，传输给终端处理单元；
步骤2.在终端处理单元，将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；
步骤2.1.在数据及模型预处理单元，对采集到的常规工况数据进行预处理，得到训练数据集，并选取高斯过程回归核函数；
步骤2.2.在高斯过程回归模型训练单元，使用最小化负对数边际似然函数的方法，为高斯过程回归模型寻找合适的超参数；
步骤2.3.在序贯采样单元，使用序贯采样算法，寻找下一个采样点，并添加进常规工况数据中，得到增广工况数据集；
步骤2.4.在停止判断环节，基于增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集，并返回步骤2.2；若满足，则输出预测结果进入数据传输单元；
步骤3.服务器单元计算出的续驶里程预测结果通过数据传输单元反馈给终端处理单元，并通过人机交互单元进行显示。
上述各步骤的具体说明如下：
本发明中的续驶里程预测指预测仅依靠电池中的电量支持该车行驶的最高里程；工况指在常规工况数据采集单元中，采集的纯电动汽车动力系统输入和环境数据的某种组合；常规工况指纯电动汽车在低成本实验中或在用户正常使用的过程中的运行工况，以及国家相关标准规定的工况，如国标等速(60km/h)工况、工信部NEDC工况等；纯电动汽车动力系统的输入数据指汽车纯电动汽车动力系统接收到的需求转速、需求扭矩、电池剩余电量以及汽车驾驶模式、车辆负荷、轮胎气压等；纯电动汽车动力系统的输出数据指电池放电功率；纯电动汽车动力系统的环境数据指汽车纯电动汽车动力系统所处的温度、大气压以及量化后的车载非纯电动汽车动力系统用电器的使用情况、路面平整度等数据。其中，车辆负荷指车身加上车上乘客、物品的总重量。进一步，应根据纯电动汽车动力系统的实际结构及使用环境设置输入数据和环境数据的默认值。
在续驶里程计算时，先根据开始测试时刻电池的剩余电量和每一测试时刻的电池放电功率，积分计算出从开始测试时刻至电池剩余电量为0的电池总放电时间，再根据总放电时间和驾驶速度(通过纯电动汽车动力系统的需求转速换算得到，且认为需求转速等于纯电动汽车动力系统的实际输出转速)，最终积分得到总续驶里程。
常规工况数据为时间序列数据，即纯电动汽车动力系统的输入、输出和环境数据是时间的函数，用于训练的常规工况数据是按一定的采样频率采集到的一段时间间隔内随时间变化的序列，也就是将一个时间间隔离散化成了若干时刻点，在每个时刻点采集一组纯电动汽车动力系统的输入、输出及环境数据。
各系统单元的功能如下：
1、常规工况数据采集单元
常规工况数据采集单元通过温度传感器、速度传感器、重力传感器、扭矩传感器、功率检测仪等作为传感设备采集常规工况数据。
2、服务器单元
进行模型训练及数据的序贯采样，具体包括：
2.1、数据及模型预处理单元
首先使用去奇异值、平滑、归一化等方法对常规工况数据进行预处理，并整理数据形式：如图2所示，在t时刻点，模型的输入xt为t时刻纯电动汽车动力系统的输入、环境数据及t-1时刻纯电动汽车动力系统的输出数据，模型的输出yt为t时刻纯电动汽车动力系统的输出数据(电池放电功率)。特别的，在初始时刻时，认为“t-1时刻纯电动汽车动力系统的输出数据”为0。由此，在每个时刻点都有一组模型的训练数据：(xt,yt)；取多少个时刻点，就得到了多少组训练数据。
然后计算出模型输入数据xt的概率密度分布。
最后从预处理过的训练数据中随机选取一小部分训练数据，保持原来的顺序，分别使用多种核函数(包括但不限于表1中所示核函数)对其进行快速拟合，选出拟合效果最好的核函数，作为高斯过程回归模型训练单元中使用的核函数。“拟合效果最好”指使用该核函数进行拟合得到的
最小，其中：yi为真实值，
为预测值，n为参与快速拟合的训练数据的总数。
确定了核函数后，即可确定高斯过程回归模型中超参数的个数。
表1各种核函数
2.2、高斯过程回归模型训练单元：
训练高斯过程回归模型的训练，即确定高斯过程回归模型中超参数的值。在训练高斯过程回归模型时，首先根据训练数据及核函数确定负对数边际似然函数；负对数边际似然函数是超参数的函数，超参数根据在步骤2.1中选取的核函数来确定个数，由此得到一个以负对数边际似然函数为目标函数，以超参数为决策变量的最优化问题；解该最优化问题，即可得到合适的超参数，完成GPR模型的训练。
训练好高斯过程回归模型，即可得到均值函数和协方差函数，如表2所示。其中，均值函数拟合了模型输入与输出之间的函数关系，即将已知的模型输入代入均值函数，即可求得高斯过程回归模型关于该输入的预测输出。
表2均值函数和协方差函数
2.3、序贯采样单元：
首先假设一组模型输入，代入步骤2.2中得到的均值函数得到一组模型输出，与模型输入组成了一组完整数据(含有未知量：模型输入)；然后将这组数据加入在步骤2.1中预处理后的数据得到增广工况数据集，使用与步骤2.2相同的方法在增广工况数据集上训练高斯过程回归模型，计算出含有未知量的均值函数和协方差函数；再利用均值函数和协方差函数以及在步骤2.1中得到的概率密度分布，积分计算得到上下置信区间边界的概率密度分布，进而以上下置信区间边界的概率密度分布的“差距”为目标函数，以假设的模型输入为决策变量，得到最优化问题；最后使用无导数的优化方法解决最优化问题。
序贯采样单元中使用的算法，即为序贯采样算法。
序贯采样单元中，上下置信区间边界的概率密度分布的“差距”指先使用L1或L2范数表示“差距”再对概率密度分布的分布区间进行积分得到的积分值。
高斯过程回归模型训练单元和序贯采样单元中，最优化问题使用遗传算法、蚁群算法、粒子群算法等无导数的优化算法。
停止条件可以为迭代次数达到某一限度，也可以为上下置信区间边界的概率密度分布的“差距”小于某一阈值。
将步骤2.2-2.4合称为基于高斯过程回归的序贯采样算法。
3、人机交互单元
由触摸屏组成，或者由显示屏和物理按键组成。用户可以通过人机交互单元设置工况并查看预测结果，以及更改系统设置等。
用户也可以通过人机交互单元更改系统默认的序贯采样算法的停止条件。
实施例1
本实施例所公开的基于高斯过程回归的多工况纯电动汽车续驶里程预测系统，用于纯电动汽车厂商在汽车出厂前对汽车在多工况下的续驶里程进行预测。下面进行详细描述。
常规工况数据采集单元：作为举例而非限定，数据采集单元可以为直接安装在纯电动汽车动力系统设备上的温度传感器、速度传感器、重力传感器、扭矩传感器、功率检测仪等作为传感设备，用以采集纯电动汽车动力系统的输入(需求转速、需求扭矩、电池剩余电量以及汽车驾驶模式、车辆负荷、轮胎气压，共6项)、输出(电池放电功率(kw)，共1项)及环境(汽车纯电动汽车动力系统所处的温度、大气压以及量化后的车载非纯电动汽车动力系统用电器的使用情况、路面平整度，共4项)数据，将其统称为常规工况数据。其中，当前时刻输入的电池剩余电量，在训练模型时为通过数据采集单元得到；在使用模型进行预测时，由前一时刻输入的电池剩余电量减去输出的电池放电功率与时间间隔的乘积得到，在初始时刻时，应由用户指定或实测得到。通过WIFI网络、AP热点或者其它传输方式将常规工况数据发送至终端处理单元。
终端处理单元：作为举例而非限定，主要由存储介质和处理器组成，处理器用于执行存储介质上的程序，存储介质上的程序将采集到的常规工况数据进行必要的转码，如将电信号转为数字信号等。
数据传输单元：作为举例而非限定，可以采用TCP/IP协议，完成基于高斯过程回归的多工况纯电动汽车续驶里程预测系统中不同单元之间的数据传输。
服务器单元：针对时间序列的高斯过程回归模型的结构如图2所示。
首先对常规工况数据进行归一化、去奇异值、平滑化等预处理，得到容量为n的训练数据集
其中，
向量为第i个时刻纯电动汽车动力系统输入、环境数据及第i-1个时刻纯电动汽车动力系统的输出数据，也即为模型的输入；yi为第i个时刻纯电动汽车动力系统的输出数据，也即为模型的输出；特别的，在i＝0时刻，认为“第i-1个时刻纯电动汽车动力系统的输出数据”为0，再从训练数据集D中随机选取
(若整除不了则向下取整)组训练数据，使用高斯过程回归模型(表2)，分别不同的核函数(表1)对其进行拟合，找到拟合效果最好即RMSE最小的核函数，将其作为选择的核函数。最后根据已有的训练数据集D中的模型输入X，使用非参数分布拟合的方法计算其概率密度分布f。
选择好核函数后，即可确定超参数的个数，并结合贝叶斯定理及高斯随机过程的性质写出负对数边际似然函数，作为举例而非限定，选择SE(Squared Exponential)核函数，负对数边际似然函数为
其中，
为由yi∈R,i＝1,...,n组成的列向量，K为n×n的矩阵：
I为n×n的单位矩阵，σn为超参数。同时，K矩阵中也包含了另外两个超参数(表1)。令
表示由三个超参数组成的向量，则使用粒子群优化法解决优化问题
即可获得最合适的超参数
可根据实际情况限制超参数的可行域即：
接下来使用图3中展示的序贯采样算法程序框图，计算得到
即为在模型输入为
时，模型输出
的表达式。在本实施例中，的模型输出为电池的放电功率，故接下来使用
来表示模型的输出
实际预测时，给定一组由纯电动汽车动力系统的输入、输出及环境数据组成的时间序列模型输入：
(其中完整的
需要先将
代入
计算出t＝0时刻的模型输出后才能得到，
类似)，依次代入
计算得到模型输出，即放电功率时间序列：
假设初始时刻电池的剩余电量为W，则t0(t0＜t)时刻的剩余电量为：
令
则
即为总放电时间。最后在
的时间间隔内对车辆速度(由需求转速换算得到)进行积分(在离散情况下，该积分即为
之间共
个采样点处的车速求和再乘采样间隔)，即得到预测的续驶里程，上述时间序列的采样间隔应尽可能小。
人机交互单元：作为举例而非限定，可以由触摸屏组成，或者由显示屏和按钮组成。使用者通过使用人机交互单元，完成所需查看工况及各种系统参数的输入，并且获得相关操作的预测结果信息。
基于高斯过程回归的多工况纯电动汽车续驶里程预测系统的使用流程如下：
(1)在纯电动汽车动力系统相应位置安装传感设备；
(2)启动汽车纯电动汽车动力系统，使其在某一或若干常规工况(如国标40km/h和60km/h的匀速工况、NEDC工况，环境温度为15摄氏度，其余项指标为默认值)或其它实验室与真实路况环境中容易达到的工况下完整运行若干驾驶循环；
(3)关闭纯电动汽车动力系统，通过人机交互单元输入所要查看的工况(如EPA工况，环境温度为5摄氏度，其余项指标为默认值)；
(4)通过人机交互系统查看结果。
实施例2：
本实施例是在实施例1的基础上进行改进，主要改进效果为提高服务器单元的计算速度。
在实施例1的序贯采样单元中，如图3所示，每进行一次循环，都要重新使用最小化负对数边际似然函数的方法来确定高斯过程回归模型的超参数，而解决最优化问题所用的粒子群优化算法的收敛速度较慢，这导致整个服务器单元的计算速度较慢。另一方面，实施例1中序贯采样算法中的函数Q，采用了L1范数来表示上下置信区间概率密度分布的“差距”。由于L1范数更适合在局部进行采样，一开始就使用L1范数也会导致整个服务器单元的计算速度较慢。
在实施例2中，序贯采样单元设置为：每隔5次循环更新一次超参数。同时在前10次循环中，使用L2范数来表示上下置信区间概率密度分布的“差距”。如图4所示。
Claims (7)
1.一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，包括以下步骤：
1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括纯电动汽车动力系统的输入、输出及环境数据，具体包括以下步骤：
11)采用去奇异值、平滑、归一化方法对常规工况数据进行预处理，并整理数据形式得到多组高斯过程回归模型的训练数据，即训练数据集；
12)计算高斯过程回归模型输入数据的概率密度分布；
13)从训练数据集中随机选取一部分训练数据，并保持原来的顺序，分别使用多种核函数对其进行快速拟合，通过拟合筛选出使得均方根误差RMSE最小的核函数，作为高斯过程回归模型训练中使用的核函数；
2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数，具体为：
根据训练数据及核函数确定负对数边际似然函数，采用无导数的优化算法求解以负对数边际似然函数作为目标函数，以核函数的超参数作为决策变量的最优化问题，得到超参数，完成高斯过程回归模型的训练，得到均值函数和协方差函数；
3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集，具体包括以下步骤：
31)假设一组模型输入，代入由步骤2)得到的均值函数得到一组模型输出，其与模型输入构成一组包含以模型输入为未知量的训练数据；
32)将该组数据加入预处理后的训练数据集得到增广工况数据集，采用与步骤2)相同的方法在增广工况数据集上训练高斯过程回归模型，并获取含有未知量的均值函数和协方差函数；
33)根据均值函数、协方差函数以及输入数据的概率密度分布，通过积分计算得到上下置信区间边界的概率密度分布，并且以上下置信区间边界的概率密度分布的差距作为目标函数，以假设的模型输入作为决策变量，构成最优化问题；
34)采用无导数的优化方法求解最优化问题；
4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即在预测时段内的电池放电功率，根据开始测试时刻电池的剩余电量和在预测时段内的电池放电功率获取续驶里程。
2.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据。
3.根据权利要求2所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤1)中，纯电动汽车动力系统的输入数据包括需求转速、需求扭矩、电池剩余电量、驾驶模式、车辆负荷和轮胎气压；
纯电动汽车动力系统的输出数据包括电池放电功率；
环境数据包括纯电动汽车动力系统所处的温度、大气压、量化后的车载非纯电动汽车动力系统用电器的使用情况以及路面平整度。
4.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤13)中，多种核函数包括Squared Exponential、Mat′ern、RationalQuadratic和Spectral Mixture。
5.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤33)中，上下置信区间边界的概率密度分布的差距具体为：
采用L1或L2范数表示差距后，再对概率密度分布的分布区间进行积分得到的积分值。
6.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的无导数的优化算法包括遗传算法、蚁群算法和粒子群算法，其停止条件为迭代次数达到设定次数上限，或上下置信区间边界的概率密度分布的差距小于设定阈值。
7.一种实现如权利要求1所述基于高斯过程回归的多工况续驶里程预测方法的预测系统，其特征在于，该系统包括：
常规工况数据采集单元：用以通过传感设备采集动态获取纯电动汽车动力系统的输入、输出及环境数据作为常规工况数据，并发送给终端处理单元；
终端处理单元：用以将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；
服务器单元：用以执行如权利要求1所述预测方法的步骤，实现对常规工况数据的预处理、训练高斯过程回归模型、序贯采样和预测结果输出；
人机交互单元：用以显示预测结果以及输入预测参数和条件。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010233917.1A CN111460380B (zh) | 2020-03-30 | 2020-03-30 | 一种基于高斯过程回归的多工况续驶里程预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010233917.1A CN111460380B (zh) | 2020-03-30 | 2020-03-30 | 一种基于高斯过程回归的多工况续驶里程预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111460380A CN111460380A (zh) | 2020-07-28 |
| CN111460380B true CN111460380B (zh) | 2022-03-18 |
Family
ID=71684338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010233917.1A Active CN111460380B (zh) | 2020-03-30 | 2020-03-30 | 一种基于高斯过程回归的多工况续驶里程预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460380B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112331018B (zh) * | 2020-11-04 | 2023-09-26 | 浙江天行健智能科技有限公司 | 一种方向盘模拟系统及其建模方法 |
| CN113715629B (zh) * | 2021-08-31 | 2023-07-18 | 华南理工大学 | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 |
| CN116069043B (zh) * | 2023-03-24 | 2023-08-15 | 华南农业大学 | 一种无人驾驶农机作业速度自主决策方法 |
| CN118275886B (zh) * | 2024-05-31 | 2024-08-27 | 中汽研（天津）汽车工程研究院有限公司 | 一种续驶里程优化潜力评价方法及装置、介质、设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2356547A1 (es) * | 2010-12-23 | 2011-04-11 | Universidad Politécnica de Madrid | Unidad de control y registro digital para un georradar de aplicación específica en glaciología. |
| CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
| CN105701572A (zh) * | 2016-01-13 | 2016-06-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
| CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
| CN107422269A (zh) * | 2017-06-16 | 2017-12-01 | 上海交通大学 | 一种锂电池在线soc测量方法 |
| CN109298351A (zh) * | 2018-09-30 | 2019-02-01 | 清华大学深圳研究生院 | 一种基于模型学习的新能源车载电池剩余寿命估计方法 |
| CN109752656A (zh) * | 2019-03-07 | 2019-05-14 | 深圳市计量质量检测研究院 | 一种在多时间尺度下用电动汽车电池soh评估方法 |
| CN110703113A (zh) * | 2019-10-14 | 2020-01-17 | 重庆大学 | 一种基于高斯过程回归的动力电池组soc估计方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103778280B (zh) * | 2014-01-08 | 2016-07-06 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
| CN109031153B (zh) * | 2018-10-16 | 2020-01-24 | 北京交通大学 | 一种锂离子电池的健康状态在线估计方法 |
| CN109633470B (zh) * | 2019-01-04 | 2021-04-16 | 深圳市计量质量检测研究院 | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 |
| CN109655751A (zh) * | 2019-02-28 | 2019-04-19 | 哈尔滨理工大学 | 一种使用高斯过程回归估计电池充电状态的方法和系统 |
| CN110068774B (zh) * | 2019-05-06 | 2021-08-06 | 清华四川能源互联网研究院 | 锂电池健康状态的估计方法、装置及存储介质 |
-
2020
- 2020-03-30 CN CN202010233917.1A patent/CN111460380B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2356547A1 (es) * | 2010-12-23 | 2011-04-11 | Universidad Politécnica de Madrid | Unidad de control y registro digital para un georradar de aplicación específica en glaciología. |
| CN103389471A (zh) * | 2013-07-25 | 2013-11-13 | 哈尔滨工业大学 | 一种基于gpr带有不确定区间的锂离子电池循环寿命间接预测方法 |
| CN105701572A (zh) * | 2016-01-13 | 2016-06-22 | 国网甘肃省电力公司电力科学研究院 | 一种基于改进高斯过程回归的光伏短期出力预测方法 |
| CN106951695A (zh) * | 2017-03-09 | 2017-07-14 | 杭州安脉盛智能技术有限公司 | 多工况下的机械设备剩余使用寿命计算方法及系统 |
| CN107422269A (zh) * | 2017-06-16 | 2017-12-01 | 上海交通大学 | 一种锂电池在线soc测量方法 |
| CN109298351A (zh) * | 2018-09-30 | 2019-02-01 | 清华大学深圳研究生院 | 一种基于模型学习的新能源车载电池剩余寿命估计方法 |
| CN109752656A (zh) * | 2019-03-07 | 2019-05-14 | 深圳市计量质量检测研究院 | 一种在多时间尺度下用电动汽车电池soh评估方法 |
| CN110703113A (zh) * | 2019-10-14 | 2020-01-17 | 重庆大学 | 一种基于高斯过程回归的动力电池组soc估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| Gaussian process regression for forecasting battery state of health;Robert R.Richardson;《Journal of Power Sources》;20170731;第357卷;第209-219页 * |
| 基于数据驱动的动力电池组健康状态评估;王耀 等;《机电一体化》;20190315;第25卷(第3期);第3-9页 * |
| 高斯过程回归在不确定性量化中的应用;王洪桥;《中国优秀硕博士学位论文全文数据库（博士）基础科学辑》;20200115(第1期);第A002-190，31-32、37-39页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460380A (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460379B (zh) | 基于高斯过程回归的多工况动力系统性能预测方法及系统 | |
| CN111460380B (zh) | 一种基于高斯过程回归的多工况续驶里程预测方法及系统 | |
| CN111413619B (zh) | 基于高斯过程回归的多工况电池剩余容量预测方法及系统 | |
| CN111460381B (zh) | 基于高斯过程回归的多工况燃油车油耗预测方法及系统 | |
| Shu et al. | State of health prediction of lithium-ion batteries based on machine learning: Advances and perspectives | |
| Fan et al. | A novel machine learning method based approach for Li-ion battery prognostic and health management | |
| CN111460382A (zh) | 基于高斯过程回归的燃油车有害气体排放预测方法及系统 | |
| CN107037373B (zh) | 基于神经网络的蓄电池剩余电量预测方法 | |
| CN102185735B (zh) | 一种网络安全态势预测方法 | |
| CA3097036A1 (en) | Selecting a neural network architecture for a supervised machine learning problem | |
| CN115422696B (zh) | 一种模组数字孪生模型建立方法、系统、终端和介质 | |
| CN111243682A (zh) | 药物的毒性预测方法及装置、介质和设备 | |
| CN113591215B (zh) | 基于不确定性的异常卫星组件布局检测方法 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| EP3931767A1 (en) | Predictive design space metrics for materials development | |
| CN113988441A (zh) | 电力无线网络链路质量预测、模型训练方法及装置 | |
| CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
| CN109525994A (zh) | 基于支持向量机的高能效频谱感知方法 | |
| CN103489034A (zh) | 预测与诊断在线海流监测数据的方法和装置 | |
| CN112883637A (zh) | 锂离子电池rul的混沌时序非线性组合预测方法 | |
| CN113721149A (zh) | 一种基于半监督迁移学习的锂电池容量预测方法 | |
| CN109507594A (zh) | 锂电池容量估计的间接健康因子选取方法 | |
| Wang et al. | Capacity and remaining useful life prediction for lithium-ion batteries based on sequence decomposition and a deep-learning network | |
| CN117132169A (zh) | 电力人工智能模型调用评价方法及系统 | |
| CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 |
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 |