CN111907342B - 纯电动汽车的工况识别控制方法 - Google Patents

纯电动汽车的工况识别控制方法 Download PDF

Info

Publication number
CN111907342B
CN111907342B CN202010759134.7A CN202010759134A CN111907342B CN 111907342 B CN111907342 B CN 111907342B CN 202010759134 A CN202010759134 A CN 202010759134A CN 111907342 B CN111907342 B CN 111907342B
Authority
CN
China
Prior art keywords
working condition
electric vehicle
pure electric
historical driving
driving data
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
CN202010759134.7A
Other languages
English (en)
Other versions
CN111907342A (zh
Inventor
罗金
汪伟
姜苏杰
张焱
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202010759134.7A priority Critical patent/CN111907342B/zh
Publication of CN111907342A publication Critical patent/CN111907342A/zh
Application granted granted Critical
Publication of CN111907342B publication Critical patent/CN111907342B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/40—Electric propulsion with power supplied within the vehicle using propulsion power supplied by capacitors
    • 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
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/60—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by batteries
    • 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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

Abstract

本发明提供一种纯电动汽车的工况识别控制方法，包括：获取纯电动汽车的标准化工况数据，并进行运动学片段划分，通过主成分分析法降维提取运动学片段的特征参数；基于遗传算法对运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况；根据典型工况对模糊控制器隶属函数进行优化，以获取适用于典型工况的模糊控制器；根据历史行驶数据提取相关特征参数；利用神经网络控制器对历史行驶数据的特征参数进行辨识，以获取历史行驶数据所属聚类；根据历史行驶数据所属聚类调用相应模糊控制器参数，以实现工况识别；根据识别的工况获取所述纯电动汽车的能量控制策略。该方法采用遗传算法和神经网络控制器可以准确的识别出车辆的实际工况。

Description

纯电动汽车的工况识别控制方法
技术领域
本发明涉及汽车技术领域，具体涉及一种纯电动汽车的工况识别控制方法。
背景技术
行驶工况是汽车设计特别是新车设计和能量及功率管理的基本依据，相关技术中，对纯电动汽车驱动控制系统的驱动工况识别，以一般将驾驶员操作意图作为工况识别的依据，通过参考加速踏板开度信号，判断驾驶员操作意图，来制定驱动系统控制策略。
然而，上述方式只考虑到驾驶员的操作意图，没有考虑纯电动车实际运行状态，从而会导致工况识别出现偏差。
发明内容
本发明为解决上述技术问题，提供了一种纯电动汽车的工况识别控制方法，该方法采用遗传算法和神经网络控制器可以准确的识别出车辆的实际工况。
本发明采用的技术方案如下：
一种纯电动汽车的工况识别控制方法，所述纯电动汽车为蓄电池-超级电容的复合电源纯电动汽车，所述方法包括以下步骤：获取所述纯电动汽车的标准化工况数据，并对所述标准化工况数据进行运动学片段划分，通过主成分分析法降维提取所述运动学片段的特征参数，其中，一个标准工况描述为由多个运动学片段组成，所述纯电动汽车从一个停止状态起点到下一个停止状态起点之间持续运动的工况数据为一个运动学片段；基于遗传算法对所述运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况；根据所述典型工况对模糊控制器隶属函数进行优化，以获取适用于所述典型工况的模糊控制器；以150s为周期提取所述纯电动汽车的历史行驶数据，并根据所述历史行驶数据提取相关特征参数；利用神经网络控制器对所述历史行驶数据的特征参数进行辨识，以获取所述历史行驶数据所属聚类；根据所述历史行驶数据所属聚类调用相应模糊控制器参数，以实现所述工况识别。
根据本发明的一个实施例，基于遗传算法对所述运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况，包括：设定聚类类别总数p，2＜p＜m-1,初始化随机产生p个初始聚类群体；根据以下公式(1)计算每个样本点与相应聚类中心的距离，以构建目标函数：
Figure BDA0002612572640000021
式中，xk为所述样本点；mj为所述聚类中心；Gc为所述目标函数；
根据所述目标函数利用以下公式(2)计算适应度：
f(Si)＝1/Gc (2)；
式中，fit为所述适应度，Gc为所述目标函数；
记录适应度值最大的个体，同时采用轮盘赌方式对群体进行选择操作，根据以下公式(3)计算各个体的选择概率：
Figure BDA0002612572640000022
式中，Pi为个体i的选择概率，size为种群大小，
Figure BDA0002612572640000023
为所有个体适应度的总和，f(Si)为所述适应度；
根据所述选择概率，采用轮盘赌法选出最优个体，参加交叉变异操作；计算新种群适应度值，将上一代中记录的所述最优个体与新群体中最差个体比较，若上一代记录的所述最优个体优于所述新群体中最差个体，则将上一代记录的所述最优个体替所述新群体中最差个体，若上一代记录的所述最优个体不优于所述新群体中最差个体，则不替换，以得到下一代群体；判断迭代次数是否到达设定数值，若达到所述设定迭代次数，则输出最优值，若未达到所述设定迭代次数，则继续进行迭代；计算每个聚类中样本到其相应聚类中心的距离，根据各聚类中距离最近的样本所对应的运动学片段构建p个典型工况。
根据本发明的一个实施例，利用神经网络控制器对所述历史行驶数据的特征参数进行辨识，以获取所述历史行驶数据所属聚类，包括：将所述运动学片段作为训练对象，随机分配训练数据占样本数据比例70％，试验样本占15％，测试样本占15％，选定隐层神经元数为10，训练算法为贝叶斯正则化(Bayesian Regularization)，误差评价为均方误差。
根据本发明的一个实施例，上述的纯电动汽车的工况识别控制方法还包括：剔除所述运动学片段库中时长小于20秒的片段。
根据本发明的一个实施例，上述的纯电动汽车的工况识别控制方法还包括：根据识别的工况获取所述纯电动汽车的能量控制参数。
本发明的有益效果：
本发明采用遗传算法和神经网络控制器可以准确的识别出车辆的实际工况，并可根据实际运行工况实时切换能量控制参数，以达到高效分配不同动力源之间功率的目的，更好的发挥出超级电容削峰填谷的作用，提高其能量利用效率，保证电池荷电状态在一定范围内稳定波动，提高电池使用寿命。
附图说明
图1为本发明实施例的纯电动汽车的工况识别控制方法的流程图；
图2为本发明实施例的建立典型工况的原理示意图；
图3为本发明实施例的遗传算法的原理图；
图4为本发明实施例的神经网络的原理图；
图5为本发明实施例的纯电动汽车的工况识别控制方法的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例的电动汽车为蓄电池-超级电容的复合电源纯电动汽车。
如图1所示，本发明实施例的纯电动汽车的工况识别控制方法，包括以下步骤：
S1，获取纯电动汽车的标准化工况数据，并对标准化工况数据进行运动学片段划分，通过主成分分析法降维提取运动学片段的特征参数。其中，一个标准工况描述为由多个运动学片段组成，纯电动汽车从一个停止状态起点到下一个停止状态起点之间持续运动的工况数据为一个运动学片段。
标准行驶工况是通用的，如：NEDC(New European Driving Cycle，新欧洲驾驶周期)、UDDS(Urban Dynamometer Driving Schedule，城市测功机驾驶时间表)、FTP(FederalTest Program，联邦行驶工况)、HWFET(Highway Fuel Economy Test，高速路燃油经济性测试)等，多用于车辆工程人员进行仿真分析。
纯电动汽车的标准化工况提前进行划分。
在本发明的实施例中，为提高工况判断的准确性，将运动学片段中时长小于20秒的片段剔除。
针对每一个运动学片段，可相应计算出n个特征参数，得到m个运动学片段的特征参数样本矩阵Z：
Figure BDA0002612572640000041
其中，Xmn为第m个运动学片段第n个特征参数。
而不同的特征参数，其量纲存在差异，为方便后续聚类分析和成分分析，需将特征参数进行标准化处理得到矩阵Z1。标准化变换公式如下：
x*＝(x-μ)/σ；
Figure BDA0002612572640000051
式中：x*为转化结果；x为原数据；μ为总体平均值；σ为总体标准差。
通过降维可以发现特征参数之间的相关性和样本的疏密性。根据标准化后的数据计算特征参数的相关性矩阵和主成分矩阵得出主成分贡献率和累计贡献率。之后从中提取贡献率超过85％的主要成分作为之后聚类分析的依据。
S2，基于遗传算法对运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况。
进一步地，基于遗传算法对所述运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况，包括：
设定聚类类别总数p，2＜p＜m-1,初始化随机产生p个初始聚类群体；
根据以下公式(1)计算每个样本点与相应聚类中心的距离，以构建目标函数：
Figure BDA0002612572640000052
式中，xk为样本点；mj为聚类中心；Gc为目标函数；
根据目标函数利用以下公式(2)计算适应度：
f(Si)＝1/Gc (2)；
式中，fit为适应度，Gc为目标函数；
记录适应度值最大的个体，同时采用轮盘赌方式对群体进行选择操作，根据以下公式(3)计算各个体的选择概率：
Figure BDA0002612572640000053
式中，Pi为个体i的选择概率，size为种群大小，
Figure BDA0002612572640000054
为所有个体适应度的总和，f(Si)为适应度；
根据选择概率，采用轮盘赌法选出最优个体，参加交叉变异操作；
计算新种群适应度值，将上一代中记录的最优个体与新群体中最差个体比较，若上一代记录的最优个体优于新群体中最差个体，则将上一代记录的最优个体替新群体中最差个体，若上一代记录的最优个体不优于新群体中最差个体，则不替换，以得到下一代群体；
判断迭代次数是否到达设定数值，若达到设定迭代次数，则输出最优值，若未达到设定迭代次数，则继续进行迭代；
计算每个聚类中样本到其相应聚类中心的距离，根据各聚类中距离最近的样本所对应的运动学片段构建p个典型工况，以图2为例。
遗传算法的原理图可参照图3所示，本发明中不再进行赘述。
S3，根据典型工况对模糊控制器隶属函数进行优化，以获取适用于典型工况的模糊控制器。
S4，以150s为周期提取纯电动汽车的历史行驶数据，并根据历史行驶数据提取相关特征参数。
S5，利用神经网络控制器对历史行驶数据的特征参数进行辨识，以获取历史行驶数据所属聚类。
BP神经网络能够实现目标的有效分级，目前已被广泛应用于模式识别、数据分类等领域，符合工况识别需求。结合控制器优化结果，采用BP神经网络对工况片段进行训练，得到可用于工况识别的神经网络控制器。BP神经网络属于前馈神经网络，如图4所示，通常包含输出层、隐层、输入层三部分。
BP神经网络中的传递函数选用sigmoid型，即：f(x)＝1/(1+e-x)。
隐层节点的输出：
yi＝f(∑jωijxj-θi)＝f(neti)；
其中，yi为隐层节点的输出，ωij为隐含层第i个节点到输入层第j个节点间的权值，xj为输入层第j个节点的输入，θi为隐含层第i个节点的阈值，f(neti)为隐含层的激励函数。
输出层节点的输出：
Ol＝f(∑iTliyi-θi)＝f(netl)；
其中，Ol为输出层节点的输出，Tli为输出层第l个节点到输入层第i个节点间的权值，yi为隐层节点的输出，θi为输出层第l个节点的阈值，f(neti)为输出层的激励函数。
将所述运动学片段作为训练对象，随机分配训练数据占样本数据比例70％，试验样本占15％，测试样本占15％，选定隐层神经元数为10，训练算法为贝叶斯正则化(Bayesian Regularization)，误差评价为均方误差。
S6，根据历史行驶数据所属聚类调用相应模糊控制器参数，以实现工况识别。
具体地，本发明上述的工况识别控制方法的原理可参照图5所示，先对纯电动汽车的标准化工况进行划分，然后进行运动学片段划分，通过主成分分析法降维提取运动学片段的特征参数，在基于遗传算法对运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况。再根据典型工况对模糊控制器隶属函数进行优化，以获取适用于典型工况的模糊控制器。
然后，以150s为周期提取纯电动汽车的历史行驶数据，并根据历史行驶数据提取相关特征参数，再利用神经网络控制器对历史行驶数据的特征参数进行辨识，以获取历史行驶数据所属聚类，最后，根据历史行驶数据所属聚类调用相应模糊控制器参数，以实现工况识别。由此，该方法采用遗传算法和神经网络控制器可以准确的识别出车辆的实际工况。
根据本发明的一个实施例，上述的纯电动汽车的工况识别控制方法还包括：根据识别的工况获取纯电动汽车的能量控制参数。
具体地，复合电源汽车的能量控制参数决定了不同动力源之间的功率分配，不同工况对应的能量控制参数可以提前进行预设。本发明采用遗传算法和神经网络控制器可以准确的识别出车辆的实际工况后，根据识别的工况，获得最优的能量控制参数，以达到高效分配不同动力源之间功率的目的。更好的发挥出超级电容削峰填谷的作用，提高其能量利用效率，保证电池荷电状态(SOC)在一定范围内稳定波动，提高电池使用寿命。
如图5所示，可以通过获取车速、电池SOC、超级电容SOC作为模糊控制器输入参数，用于能量分配控制。
综上所述，根据本发明实施例的纯电动汽车的工况识别控制方法，本发明采用遗传算法和神经网络控制器可以准确的识别出车辆的实际工况，并可根据实际运行工况实时切换能量控制参数，以达到高效分配不同动力源之间功率的目的，更好的发挥出超级电容削峰填谷的作用，提高其能量利用效率，保证电池荷电状态在一定范围内稳定波动，提高电池使用寿命。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (4)

1.一种纯电动汽车的工况识别控制方法，其特征在于，所述纯电动汽车为蓄电池-超级电容的复合电源纯电动汽车，所述方法包括以下步骤：
获取所述纯电动汽车的标准化工况数据，并对所述标准化工况数据进行运动学片段划分，通过主成分分析法降维提取所述运动学片段的特征参数，其中，一个标准工况描述为由多个运动学片段组成，所述纯电动汽车从一个停止状态起点到下一个停止状态起点之间持续运动的工况数据为一个运动学片段；
基于遗传算法对所述运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况；
根据所述典型工况对模糊控制器隶属函数进行优化，以获取适用于所述典型工况的模糊控制器；
以150s为周期提取所述纯电动汽车的历史行驶数据，并根据所述历史行驶数据提取相关特征参数；
利用神经网络控制器对所述历史行驶数据的特征参数进行辨识，以获取所述历史行驶数据所属聚类；
根据所述历史行驶数据所属聚类调用相应模糊控制器参数，以实现所述工况识别；基于遗传算法对所述运动学片段中所提取的特征参数进行聚类分析并根据聚类结果建立典型工况，包括：
设定聚类类别总数p，2＜p＜m-1,初始化随机产生p个初始聚类群体，m为运动学片段的个数；
根据以下公式(1)计算每个样本点与相应聚类中心的距离，以构建目标函数：
Figure FDA0003352416750000011
式中，xk为所述样本点；mj为所述聚类中心；Gc为所述目标函数；
根据所述目标函数利用以下公式(2)计算适应度：
f(Si)＝1/Gc (2)；
式中，f(Si)为所述适应度，Gc为所述目标函数；
记录适应度值最大的个体，同时采用轮盘赌方式对群体进行选择操作，根据以下公式(3)计算各个体的选择概率：
Figure FDA0003352416750000021
式中，Pi为个体i的选择概率，size为种群大小，
Figure FDA0003352416750000022
为所有个体适应度的总和，f(Si)为所述适应度；
根据所述选择概率，采用轮盘赌法选出最优个体，参加交叉变异操作；
计算新种群适应度值，将上一代中记录的所述最优个体与新群体中最差个体比较，若上一代记录的所述最优个体优于所述新群体中最差个体，则将上一代记录的所述最优个体替换所述新群体中最差个体，若上一代记录的所述最优个体不优于所述新群体中最差个体，则不替换，以得到下一代群体；
判断迭代次数是否到达设定数值，若到达所述设定迭代次数，则输出最优值，若未到达所述设定迭代次数，则继续进行迭代；
计算每个聚类中样本到其相应聚类中心的距离，根据各聚类中距离最近的样本所对应的运动学片段构建p个典型工况。
2.根据权利要求1所述的纯电动汽车的工况识别控制方法，其特征在于，利用神经网络控制器对所述历史行驶数据的特征参数进行辨识，以获取所述历史行驶数据所属聚类，包括：
将所述运动学片段作为训练对象，随机分配训练数据占样本数据比例70％，试验样本占15％，测试样本占15％，选定隐层神经元数为10，训练算法为贝叶斯正则化(BayesianRegularization)，误差评价为均方误差。
3.根据权利要求1所述的纯电动汽车的工况识别控制方法，其特征在于，还包括：剔除运动学片段库中时长小于20秒的片段。
4.根据权利要求1-3任一项所述的纯电动汽车的工况识别控制方法，其特征在于，还包括：
根据识别的工况获取所述纯电动汽车的能量控制参数。
CN202010759134.7A 2020-07-31 2020-07-31 纯电动汽车的工况识别控制方法 Active CN111907342B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010759134.7A CN111907342B (zh) 2020-07-31 2020-07-31 纯电动汽车的工况识别控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010759134.7A CN111907342B (zh) 2020-07-31 2020-07-31 纯电动汽车的工况识别控制方法

Publications (2)

Publication Number Publication Date
CN111907342A CN111907342A (zh) 2020-11-10
CN111907342B true CN111907342B (zh) 2022-03-25

Family

ID=73286924

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010759134.7A Active CN111907342B (zh) 2020-07-31 2020-07-31 纯电动汽车的工况识别控制方法

Country Status (1)

Country Link
CN (1) CN111907342B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112373458B (zh) * 2020-11-26 2021-10-08 同济大学 一种基于自适应模糊控制的混合动力汽车能量管理方法
CN112885080B (zh) * 2021-01-11 2022-06-21 重庆长安新能源汽车科技有限公司 一种新能源汽车的行驶工况构建方法
CN113552803B (zh) * 2021-07-26 2022-05-10 桂林电子科技大学 一种基于工况识别的能量管理方法
CN114572053A (zh) * 2022-03-04 2022-06-03 中南大学 一种基于工况识别的电动汽车能量管理方法及系统
CN116776229B (zh) * 2023-08-17 2023-12-26 深圳市城市交通规划设计研究中心股份有限公司 面向碳排放因子的汽车行驶典型工况划分方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108052975B (zh) * 2017-12-12 2020-12-11 浙江大学宁波理工学院 一种基于核主元和神经网络的车辆运行实时工况预测方法
CN108596208B (zh) * 2018-03-21 2020-12-29 上海交通大学 一种用于全工况道路的车辆驾驶循环构建方法
CN110696816B (zh) * 2019-10-22 2021-01-12 河南科技大学 基于工况分类的动态协调混合动力汽车能量管理方法
CN110852378A (zh) * 2019-11-11 2020-02-28 北京理工大学 一种基于导航系统的道路工况运动学片断提取方法
CN110866997A (zh) * 2019-11-12 2020-03-06 中国计量大学 一种新的电动汽车行驶工况构建方法
CN111216736A (zh) * 2020-01-09 2020-06-02 吉林大学 基于行驶工况的辅助驾驶系统自适应调节方法及系统

Also Published As

Publication number Publication date
CN111907342A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
CN111907342B (zh) 纯电动汽车的工况识别控制方法
Wu et al. Deep reinforcement learning of energy management with continuous control strategy and traffic information for a series-parallel plug-in hybrid electric bus
CN111038485B (zh) 基于驾驶风格识别的混合动力汽车控制方法及系统
CN107622182B (zh) 蛋白质局部结构特征的预测方法及系统
Huang et al. An intelligent multifeature statistical approach for the discrimination of driving conditions of a hybrid electric vehicle
Lin et al. An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC
CN110321954A (zh) 适合国内人群的驾驶风格分类和识别方法及系统
CN112668799A (zh) 基于行驶大数据的phev的智能能量管理方法和存储介质
CN112046489B (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
Li et al. Driver-identified supervisory control system of hybrid electric vehicles based on spectrum-guided fuzzy feature extraction
CN113479186B (zh) 一种混合动力汽车能量管理策略优化方法
Montazeri-Gh et al. Driving condition recognition for genetic-fuzzy HEV control
Chen et al. A convolutional neural network-based driving cycle prediction method for plug-in hybrid electric vehicles with bus route
CN112149796A (zh) 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法
CN113222385A (zh) 一种电动汽车行驶工况构建与评价方法
Majed et al. Neural network technique for hybrid electric vehicle optimization
CN113715629B (zh) 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法
CN112036602A (zh) 一种集成人机智能的5g电动汽车充电预测方法和系统
CN111907523A (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
CN112298155B (zh) 一种基于变时域模型预测混合动力卡车耗能的方法
CN112528554A (zh) 一种适于多发多源火箭试验数据的数据融合方法及系统
Gong et al. Equivalent consumption minimization strategy of hybrid electric vehicle considering the impact of driving style
Wang et al. Hardware-in-the-loop test for the design of a hybrid electric bus control system
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model
Wang et al. Reliability evaluation of power-generating systems including time-dependent sources based on binary particle swarm optimization

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