CN115146876B - 基于能量模型的电动载具功率最优控制方法 - Google Patents
基于能量模型的电动载具功率最优控制方法 Download PDFInfo
- Publication number
- CN115146876B CN115146876B CN202211075494.0A CN202211075494A CN115146876B CN 115146876 B CN115146876 B CN 115146876B CN 202211075494 A CN202211075494 A CN 202211075494A CN 115146876 B CN115146876 B CN 115146876B
- Authority
- CN
- China
- Prior art keywords
- electric bus
- energy recovery
- abnormal
- sample
- electric
- 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 37
- 238000011084 recovery Methods 0.000 claims abstract description 118
- 230000002159 abnormal effect Effects 0.000 claims abstract description 92
- 239000013598 vector Substances 0.000 claims abstract description 34
- 230000007704 transition Effects 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 78
- 238000011156 evaluation Methods 0.000 claims description 23
- 238000005265 energy consumption Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000002354 daily effect Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电动车辆功率监测及控制技术领域,具体涉及一种基于能量模型的电动载具功率最优控制方法。该方法通过分析运营线路的每日历史数据库,提取运营线路的整体能量回收功率特征和每个电动公交车的环境温度特征,构建每个样本的状态向量。根据每个样本之间的样本相似度进行分组,获得多个运行组。根据下一日的运行组的转移情况获得每个样本的状态转移置信度集合,进而训练出全连接神经网络作为能量模型,用于获得实时电动公交车当日的运行组所属情况,进一步确定异常电动公交车,对异常电动公交车的输出功率进行精准控制。本发明基于历史数据库构建能量模型,进而实现对异常电动公交车的精准功率控制。
Description
技术领域
本发明涉及电动车辆功率监测及控制技术领域,具体涉及一种基于能量模型的电动载具功率最优控制方法。
背景技术
电动载具即电动车辆,电动车辆的驱动能源具有清洁、环保等优点,因此广泛应用与各种领域,其中电动公交车随着推广与发展也日渐普及。
电动公交车的能耗容易监测和控制,因此考虑到电动公交车的电池安全和成本控制,需要对电动公交车的输出功率进行控制。
现有的对电动车辆的输出功率控制方法通常是根据车辆不同的启动状态设置不同的驱动控制命令。但是对于电动公交车而言,其拥有固定的运营线路且运营线路上包括多个站点,因此在运营线路中电动公交车相对于其他电动车辆具有更多的启动状态,并且一条运营线路中具有多个电动公交车,现有对电动车辆功率进行控制的方法没有考虑到电动公交车具有多个站点且运营线路上整体的电动公交车能量情况,无法做到有效降低运营线路上的整体能耗。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于能量模型的电动载具功率最优控制方法,所采用的技术方案具体如下:
本发明提出了一种基于能量模型的电动载具功率最优控制方法,所述方法包括:
统计目标运营线路的每日历史数据库,获得每辆电动公交车在运营线路中的能量回收功率变化曲线;根据运营线路中每辆电动公交车的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的差异获得运营线路对应的能量回收均衡性;获得每辆电动公交车在运营线路中的温度变化序列;根据温度变化序列中元素的波动性和温度变化序列与标准温度的差异性获得每辆电动公交车的环境温度评价;
以能量回收均衡性和环境温度评价作为每辆电动公交车的状态向量;根据不同电动公交车之间状态向量差异和能量回收功率变化曲线差异获得样本相似度,根据样本相似度将不同电动公交车分为多个运行组;
获得目标电动公交车样本的K近邻样本群;根据K近邻样本群中每个样本在下一日所属的运行组获得目标电动公交车样本的状态转移置信度集合;根据每个状态向量及其对应的状态转移置信度集合和能量回收功率变化曲线训练全连接神经网络;
将前一日每个电动公交车的目标状态向量和目标能量回收功率变化曲线输入全连接神经网络中,获得对应的目标状态转移置信度集合,根据最大的目标状态转移置信度获得每个电动公交车当日对应的运行组;根据对应的运行组的占比确定当日的异常电动公交车,限制异常电动公交车在当日的输出功率。
进一步地,所述获得每辆电动公交车在运营线路中的能量回收功率变化曲线包括:
统计每辆电动公交车在运行线路中每个站点的能耗,获得每个站点的能量回收功率,将运行线路中各个站点的能量回收功率进行拟合,获得能量回收功率变化曲线;
所述获得每辆电动公交车在运营线路中的温度变化序列包括:
在电动公交车表面设置温度传感器,统计每辆电动公交车在运行线路中经过每个站点时温度传感器的温度值,获得温度变化序列。
进一步地,所述根据运营线路中每辆电动公交车的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的差异获得运营线路对应的能量回收均衡性包括:根据能量回收均衡性公式获得能量回收均衡性,能量回收均衡性公式包括:
其中,为能量回收均衡性,为目标运营线路的每日历史数据库中的电动公交
车数量,为以自然常数为底的指数函数,为动态时间规整距离函数,为第个电动公交车的能量回收功率变化曲线,为运营线路的平均能量回收
功率变化曲线。
进一步地,所述根据温度变化序列中元素的波动性和温度变化序列与标准温度的差异性获得每辆电动公交车的环境温度评价包括:根据环境温度评价公式获得环境温度评价,环境温度评价公式包括:
进一步地,所述根据不同电动公交车之间状态向量差异和能量回收功率变化曲线差异获得样本相似度,根据样本相似度将不同电动公交车分为多个运行组包括:
根据样本相似度公式获得样本相似度,样本相似度公式包括:
其中,为电动公交车A与电动公交车B之间的样本相似度,为余弦
函数,为电动公交车A的状态向量,为电动公交车B的状态向量,为形态相
似距离函数,为电动公交车A的能量回收功率变化曲线,为电动公交车B
的能量回收功率变化曲线,为余弦相似度函数;
根据样本相似度将电动公交车样本映射在样本空间中,利用K均值聚类算法对样本进行分组,获得多个运行组。
进一步地,所述运行组包括正常运行组、轻微异常运行组和异常运行组;
获得每个运行组内中心样本对应的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的动态时间规整距离;动态时间规整距离最大的运行组为异常运行组,动态时间规整距离最小的运行组为正常运行组。
进一步地,所述根据K近邻样本群中每个样本在下一日所属的运行组获得目标电动公交车样本的状态转移置信度集合包括:
统计目标电动公交车样本的K近邻样本群中每个样本在下一日所属的运行组,获得每个运行组在K近邻样本群中对应样本的数量,经过极差标准化处理,获得目标电动公交车样本的状态转移置信度集合。
进一步地,所述根据对应的运行组的占比确定当日的异常电动公交车,限制异常电动公交车在次日的输出功率:
以当日的异常运行组中样本数在总样本数中的占比作为第一异常比例;以当日的轻微异常运行组中样本数在总样本数中的占比作为第二异常比例;
根据目标运营线路中前一日每个站点的电动公交车总数与第一异常比例的乘积,获得第一异常电动公交车数量;根据目标运营线路中前一日每个站点的电动公交车总数与第二异常比例的乘积,获得第二异常电动公交车数量;
根据能量回收功率大小将每个站点的电动公交车从小到大排序,选择前第一异常电动公交车数量个电动公交车作为第一异常电动公交车;选择除第一异常电动公交车外的前第二异常电动公交车数量个电动公交车作为第二异常电动公交车;
针对每个站点的第一异常电动公交车,将第一异常电动公交车离开对应站点后预设时间段内的最高输出功率限制为预设最高输出功率;
针对每个站点的第二异常电动公交车,将第二异常电动公交车离开对应站点后预设时间段内的最高输出功率限制为车辆电池管理系统可达的最大功率与最低功率的均值。
本发明具有如下有益效果:
本发明实施例考虑到电动公交车具有固定的运营线路,因为运营线路上包含多辆相同类型的电动公交车,因此本发明实施例根据每日历史数据库对运营线路上所有电动公交车进行统计分析。提取每辆电动公交车在运营线路上的能量回收功率变化曲线和温度变化序列的特征,进而构建参考性强的状态向量。通过状态向量和能量回收功率变化曲线即可将运营线路上的所有电动公交车进行分组,进而获得多个运行组,每个运行组代表了一个运行状态。进一步通过每个目标电动公交车样本的K近邻分析,获得每个电动公交车样本对应的置信度集合,进而训练全连接神经网络。通过全连接神经网络的分类效果即可根据前日的数据判断出当日每辆公交车的所属运行组,进而通过运行组中的占比确定出当日的异常电动车,通过针对异常电动车的的功率控制,实现对整条运营线路的能耗进行控制。本发明实施例通过历史数据库统计运营线路上所有电动公交车的数据,通过对数据的联合分析确定出异常电动公交车,通过针对性的功率调控实现运营线路的整体能耗控制,避免了现有技术中对每辆车都进行功率控制进而影响正常运行车辆的工作效率及整条运营线路功率控制的工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于能量模型的电动载具功率最优控制方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于能量模型的电动载具功率最优控制方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于能量模型的电动载具功率最优控制方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于能量模型的电动载具功率最优控制方法流程图,该方法包括:
步骤S1:统计目标运营线路的每日历史数据库,获得每辆电动公交车在运营线路中的能量回收功率变化曲线;根据运营线路中每辆电动公交车的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的差异获得运营线路对应的能量回收均衡性;获得每辆电动公交车在运营线路中的温度变化序列;根据温度变化序列中元素的波动性和温度变化序列与标准温度的差异性获得每辆电动公交车的环境温度评价。
电动公交车因为使用电力能源,其输出功率容易监测,因此对于一辆电动公交车而言,可以每日都统计一次其在运营线路中的能量回收功率变化曲线。需要说明的是,一日内一辆电动公交车会在一条运营线路上运行多次,因此可利用每次数据的平均值获得每日的能量回收功率变化曲线。考虑到运营线路上具有多个站点,因此具体获得能量回收功率变化曲线的方法包括:
统计每辆电动公交车在运行线路中每个站点的能耗,获得每个站点的能量回收功率,将运行线路中各个站点的能量回收功率进行拟合,获得能量回收功率变化曲线。需要说明的是,对于本领域技术人员而言,曲线拟合方法具有多种,例如最小二乘法、多项式拟合法等等,具体实施场景可根据具体站点数量进行选用,在此不做限定。
因为一条运营线路中会运营多辆电动公交车,且每辆电动公交车的形式和载荷均可认为一致,因此可统计目标运营线路中每辆电动公交车的能量回收功率变化曲线,进而求平均获得平均能量回收功率变化曲线。考虑到异常能量回收功率的车辆相对于正常的车辆而言应当是低频数据,即小概率事件,因此可根据运营线路中每辆电动公交车的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的差异获得运营线路对应的能量回收均衡性,当存在某个或者多个电动公交车样本对应的差异较大,则说明此时运营线路上存在能量回收功率异常的电动公交车,具体获得能量回收均衡性的方法包括:
根据能量回收均衡性公式获得能量回收均衡性,能量回收均衡性公式包括:
其中,为能量回收均衡性,为目标运营线路的每日历史数据库中的电动公交
车数量,为以自然常数为底的指数函数,为动态时间规整距离函数,为第个电动公交车的能量回收功率变化曲线,为运营线路的平均能量回收
功率变化曲线。
在能量回收均衡性公式中,利用动态时间规整距离表示每个电动公交车的能量回
收功率变化曲线与运营线路上平均能量回收功率变化曲线之间的差异,经过及负
相关关系映射,使得差异越大能量回收均衡性越小。当运营线路上所有电动公交车均为正
常运行时,能量回收功率变化趋近一致,动态时间规整距离趋近于0,进而能量回收均衡性
趋近于1,即能量回收均衡性的值域处于1到0之间,能量回收均衡性越大,说明目标运营线
路上的电动公交车的整体能量回收功率越正常。
需要说明的是,由于司机行为、路况等因素,每辆电动公交车功率的变化会存在一定差异,因此在本发明实施例中仅监测实际能量回收的功率大小。
对于新能源车辆,电池管理系统在高温情况下会存在一定的运行异常,导致能量回收效率较低,因此为了进一步确定电动公交车的工作状态,还需要获得电动公交车在运营线路中的温度变化序列,具体包括:
在电动公交车表面设置温度传感器,统计每辆电动公交车在运行线路中经过每个站点时温度传感器的温度值,获得温度变化序列。需要说明的是,同能量回收功率变化曲线相同的,以每辆电动公交车每日在运营线路上的平均值获得温度变化序列。
当运营线路使用环境中温度发生变化时,对车辆本身的能量回收产生影响,以使得车辆能量回收不稳定,同时,如果车辆能量回收出现异常,也会对周围环境温度产生影响,因此可根据温度变化序列中元素的波动性和温度变化序列与标准温度的差异性获得每辆电动公交车的环境温度评价,具体包括:
根据环境温度评价公式获得环境温度评价,环境温度评价公式包括:
在环境温度评价公式中,以温度变化序列的方差表示波动性,波动性越大,说明车辆周围温度变化越剧烈,电池管理系统的不稳定能量回收对环境温度的影响越大,则环境温度评价越小;温度变化序列的元素平均值与标准温度差异越大,说明电动车辆周围的环境温度越异常,则环境温度评价越小。
在本发明实施例中,标准温度设置为40C°,在其他实施例中可根据电池管理系统及运营线路所在的地区具体设置。
步骤S2:以能量回收均衡性和环境温度评价作为每辆电动公交车的状态向量;根据不同电动公交车之间状态向量差异和能量回收功率变化曲线差异获得样本相似度,根据样本相似度将不同电动公交车分为多个运行组。
经过步骤S1对能量回收功率变化信息和温度变化信息的特征提取,可将提取到的能量回收均衡性和环境温度评价整合,获得每辆电动公交车的状态向量。在状态向量中,因为能量回收均衡性是运营线路的整体特征,因此可以作为每个电动公交车的状态向量起点,以不同电动公交车的环境温度评价作为状态向量终点,获得每个电动公交车的状态向量。
根据不同电动公交车之间的状态向量差异和能量回收功率变化曲线差异获得样本相似度,即将每个电动公交车视为一个样本,可根据样本相似度将每个样本映射至样本空间中,进而根据样本相似度将不同电动公交车分为多个运行组,每个运行组中的电动公交车的运行状态均相同,具体分组方法包括:
根据样本相似度公式获得样本相似度,样本相似度公式包括:
其中,为电动公交车A与电动公交车B之间的样本相似度,为余弦
函数,为电动公交车A的状态向量,为电动公交车B的状态向量,为形态相
似距离函数,为电动公交车A的能量回收功率变化曲线,为电动公交车B
的能量回收功率变化曲线,为余弦相似度函数。
在样本相似度公式中,以状态向量之间的余弦相似度作为分子,能量回收功率变化曲线之间的形态相似距离作为分母,即余弦相似度越大,形态相似距离越小,则样本相似度越大。通过余弦函数限定样本相似度的取值范围,使其取值范围在0到1之间,方便了后续的聚类处理。
根据样本相似度将电动公交车样本映射在样本空间中,利用K均值聚类算法对样本进行分组,获得多个运行组。
需要说明的是,K均值聚类算法为本领域技术人员熟知的技术手段,在本发明实施例中仅简述其聚类过程:
(1)这里,采用误差平方和准则函数来评价聚类性能,即目标函数:
(4)将样本分配给距离其最近的质心,形成K个簇;
(5)重新计算每个簇的质心;
(6)重复(3)到(5)的步骤,直到质心不发生变化。
(7)其中,上述K,优选设定为3,将电动公交车的运行状态分成三类。
需要说明的是,K均值聚类算法为本领域技术人员熟知的技术手段因此具体参数意义不再详细解释。
优选的,运行组为三类,包括正常运行组、轻微异常运行组和异常运行组。因为每个运行组内的电动公交车运行状态相似,其中运行组的中心样本具有代表性,因此获得每个运行组内中心样本对应的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的动态时间规整距离;动态时间规整距离最大的运行组为异常运行组,动态时间规整距离最小的运行组为正常运行组。
步骤S3:获得目标电动公交车样本的K近邻样本群;根据K近邻样本群中每个样本在下一日所属的运行组获得目标电动公交车样本的状态转移置信度集合;根据每个状态向量及其对应的状态转移置信度集合和能量回收功率变化曲线训练全连接神经网络。
进一步分析每个电动公交车样本在当日的运行特征基础上,下一日是否会出现运行组变化及变化至何种运行组。
首先获得一个样本的K近邻样本群,选择一个样本作为目标电动公交车样本,基于样本相似度选择K个最相似的样本构成K近邻样本群。需要说明的是,K近邻算法为本领域技术人员熟知的技术手段,在本发明实施例中K近邻算法中的K取值为11,即选择11个与目标电动公交车样本相似的样本构成K近邻样本群。
进一步在当日历史数据库对应的下一日历史数据库中进行分析,根据K近邻样本群中每个样本在下一日所属的运行组获得目标电动公交车样本的状态转移置信度集合。具体包括:
统计目标电动公交车样本的K近邻样本群中每个样本在下一日所属的运行组,获得每个运行组在K近邻样本群中对应样本的数量,经过极差标准化处理进行归一化,获得目标电动公交车样本的状态转移置信度集合。
根据每个状态向量及其对应的状态转移置信度集合和能量回收功率变化曲线训练全连接神经网络。全连接神经网络的输入数据为状态向量及能量回收功率变化曲线,输出数据为对应的状态转移置信度集合。需要说明的是,全连接神经网络为本领域技术人员熟知的网络结构,具体训练方法不再赘述。
至此,经过步骤S1、步骤S2和步骤S3对历史数据库的分析及训练,可获得用于识别电动公交车运行状态的全连接神经网络的能量模型。基于该能量模型即可用于预测当日实时的运营线路中电动公交车的运行情况。需要说明的是,每条运营线路各自对应一个能量模型,可根据同样方法获得其他运营线路的能量模型。
步骤S4:将前一日每个电动公交车的目标状态向量和目标能量回收功率变化曲线输入全连接神经网络中,获得对应的目标状态转移置信度集合,根据最大的目标状态转移置信度获得每个电动公交车当日对应的运行组;根据对应的运行组的占比确定当日的异常电动公交车,限制异常电动公交车在当日的输出功率。
因为全连接神经网络起到的作用是根据之前的数据预测未来电动公交车所属的运行组,因此在实际使用过程中,需要将前一日的每个电动公交车的目标状态向量和目标能量回收功率变化曲线输入对应的全连接神经网络中,获得对应的目标状态转移置信度集合,根据最大的目标状态移置信度获得每个电动公交车当日对应的运行组。通过预测运营线路上每个电动公交车在当日对应的运行组,经过统计即可确定当日的异常电动公交车,通过限制异常电动公交车在当日的输出功率即可控制整个运营线路的整体能耗,具体包括:
以当日的异常运行组中样本数在总样本数中的占比作为第一异常比例。以当日的轻微异常运行组中样本数在总样本数中的占比作为第二异常比例。
根据目标运营线路中前一日每个站点的电动公交车总数与第一异常比例的乘积,获得第一异常电动公交车数量。根据目标运营线路中前一日每个站点的电动公交车总数与第二异常比例的乘积,获得第二异常电动公交车数量。
根据能量回收功率大小将每个站点的电动公交车从小到大排序,选择前第一异常电动公交车数量个电动公交车作为第一异常电动公交车。选择除第一异常电动公交车外的前第二异常电动公交车数量个电动公交车作为第二异常电动公交车。
针对每个站点的第一异常电动公交车,将第一异常电动公交车离开对应站点后预设时间段内的最高输出功率限制为预设最高输出功率,从而节省不必要的功耗。需要说明的是,预设最高输出功率可根据电动公交车的电池管理系统的具体参数进行设置,在此不做限定。
针对每个站点的第二异常电动公交车,将第二异常电动公交车离开对应站点后预设时间段内的最高输出功率限制为车辆电池管理系统可达的最大功率与最低功率的均值,从而避免过大的电能输出,导致增程发动机过早介入。
通过对异常电动公交车的输出功率的控制能够有效保证车辆的能源释放和回收的最优化,并基于此不断优化不同司机之间的耗能习惯和动能回收习惯,避免过大的加速和减速带来的较大能耗。进一步的,在全连接神经网络的能量模型中引入了环境温度,考虑到了车辆的电池管理系统因气候因素导致动能回收不稳定,总体负载不会过大的情况,进一步降低动力总成的负载,提高了运营线路上整体的工作效率。
综上所述,本发明实施例通过分析运营线路的每日历史数据库,提取运营线路的整体能量回收功率特征和每个电动公交车的环境温度特征,构建每个样本的状态向量。根据每个样本之间的样本相似度进行分组,获得多个运行组。根据下一日的运行组的转移情况获得每个样本的状态转移置信度集合,进而训练出全连接神经网络作为能量模型,用于获得实时电动公交车当日的运行组所属情况,进一步确定异常电动公交车,对异常电动公交车的输出功率进行精准控制。本发明实施例基于历史数据库构建能量模型,进而实现对异常电动公交车的精准功率控制。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于能量模型的电动载具功率最优控制方法,其特征在于,所述方法包括:
统计目标运营线路的每日历史数据库,获得每辆电动公交车在运营线路中的能量回收功率变化曲线;根据运营线路中每辆电动公交车的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的差异获得运营线路对应的能量回收均衡性;获得每辆电动公交车在运营线路中的温度变化序列;根据温度变化序列中元素的波动性和温度变化序列与标准温度的差异性获得每辆电动公交车的环境温度评价;
以能量回收均衡性和环境温度评价作为每辆电动公交车的状态向量;根据不同电动公交车之间状态向量差异和能量回收功率变化曲线差异获得样本相似度,根据样本相似度将不同电动公交车分为多个运行组;
获得目标电动公交车样本的K近邻样本群;根据K近邻样本群中每个样本在下一日所属的运行组获得目标电动公交车样本的状态转移置信度集合;根据每个状态向量及其对应的状态转移置信度集合和能量回收功率变化曲线训练全连接神经网络;
将前一日每个电动公交车的目标状态向量和目标能量回收功率变化曲线输入全连接神经网络中,获得对应的目标状态转移置信度集合,根据最大的目标状态转移置信度获得每个电动公交车当日对应的运行组;根据对应的运行组的占比确定当日的异常电动公交车,限制异常电动公交车在当日的输出功率。
2.根据权利要求1所述的一种基于能量模型的电动载具功率最优控制方法,其特征在于,所述获得每辆电动公交车在运营线路中的能量回收功率变化曲线包括:
统计每辆电动公交车在运行线路中每个站点的能耗,获得每个站点的能量回收功率,将运行线路中各个站点的能量回收功率进行拟合,获得能量回收功率变化曲线;
所述获得每辆电动公交车在运营线路中的温度变化序列包括:
在电动公交车表面设置温度传感器,统计每辆电动公交车在运行线路中经过每个站点时温度传感器的温度值,获得温度变化序列。
6.根据权利要求1所述的一种基于能量模型的电动载具功率最优控制方法,其特征在于,所述运行组包括正常运行组、轻微异常运行组和异常运行组;
获得每个运行组内中心样本对应的能量回收功率变化曲线与运营线路的平均能量回收功率变化曲线的动态时间规整距离;动态时间规整距离最大的运行组为异常运行组,动态时间规整距离最小的运行组为正常运行组。
7.根据权利要求1所述的一种基于能量模型的电动载具功率最优控制方法,其特征在于,所述根据K近邻样本群中每个样本在下一日所属的运行组获得目标电动公交车样本的状态转移置信度集合包括:
统计目标电动公交车样本的K近邻样本群中每个样本在下一日所属的运行组,获得每个运行组在K近邻样本群中对应样本的数量,经过极差标准化处理,获得目标电动公交车样本的状态转移置信度集合。
8.根据权利要求6所述的一种基于能量模型的电动载具功率最优控制方法,其特征在于,所述根据对应的运行组的占比确定当日的异常电动公交车,限制异常电动公交车在次日的输出功率:
以当日的异常运行组中样本数在总样本数中的占比作为第一异常比例;以当日的轻微异常运行组中样本数在总样本数中的占比作为第二异常比例;
根据目标运营线路中前一日每个站点的电动公交车总数与第一异常比例的乘积,获得第一异常电动公交车数量;根据目标运营线路中前一日每个站点的电动公交车总数与第二异常比例的乘积,获得第二异常电动公交车数量;
根据能量回收功率大小将每个站点的电动公交车从小到大排序,选择前第一异常电动公交车数量个电动公交车作为第一异常电动公交车;选择除第一异常电动公交车外的前第二异常电动公交车数量个电动公交车作为第二异常电动公交车;
针对每个站点的第一异常电动公交车,将第一异常电动公交车离开对应站点后预设时间段内的最高输出功率限制为预设最高输出功率;
针对每个站点的第二异常电动公交车,将第二异常电动公交车离开对应站点后预设时间段内的最高输出功率限制为车辆电池管理系统可达的最大功率与最低功率的均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211075494.0A CN115146876B (zh) | 2022-09-05 | 2022-09-05 | 基于能量模型的电动载具功率最优控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211075494.0A CN115146876B (zh) | 2022-09-05 | 2022-09-05 | 基于能量模型的电动载具功率最优控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115146876A CN115146876A (zh) | 2022-10-04 |
CN115146876B true CN115146876B (zh) | 2022-11-11 |
Family
ID=83415205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211075494.0A Active CN115146876B (zh) | 2022-09-05 | 2022-09-05 | 基于能量模型的电动载具功率最优控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115146876B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102555812A (zh) * | 2012-01-11 | 2012-07-11 | 中联重科股份有限公司 | 电动汽车的能量控制系统及能量控制方法 |
CN112977401A (zh) * | 2021-03-06 | 2021-06-18 | 张英华 | 混合动力汽车动力系统的控制方法 |
CN114386314A (zh) * | 2021-12-09 | 2022-04-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于零样本学习的综合能源系统非侵入式建模方法 |
-
2022
- 2022-09-05 CN CN202211075494.0A patent/CN115146876B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102555812A (zh) * | 2012-01-11 | 2012-07-11 | 中联重科股份有限公司 | 电动汽车的能量控制系统及能量控制方法 |
CN112977401A (zh) * | 2021-03-06 | 2021-06-18 | 张英华 | 混合动力汽车动力系统的控制方法 |
CN114386314A (zh) * | 2021-12-09 | 2022-04-22 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于零样本学习的综合能源系统非侵入式建模方法 |
Non-Patent Citations (1)
Title |
---|
融合工况构建和预测的电动汽车模糊优化能量管理研究;顾喜薇;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20210215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115146876A (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108806021B (zh) | 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法 | |
CN109871860B (zh) | 一种基于核主成分分析的日负荷曲线降维聚类方法 | |
CN110633729A (zh) | 一种面向智能网联车辆群组测试的驾驶风险分级聚类方法 | |
CN112990545B (zh) | 一种高速公路交织区交通安全状态预测方法 | |
CN113222385B (zh) | 一种电动汽车行驶工况构建与评价方法 | |
CN113253113B (zh) | 一种动力电池一致性故障的预测方法 | |
CN112052895A (zh) | 一种纯电动汽车驾驶风格聚类方法 | |
CN115372828A (zh) | 基于充电片段数据和无监督算法的电芯一致性评估方法 | |
CN112182962A (zh) | 一种混合动力汽车行驶车速预测方法 | |
CN111563555A (zh) | 一种司机驾驶行为分析方法及系统 | |
CN113581188A (zh) | 一种基于车联网数据的商用车驾驶员驾驶风格识别方法 | |
CN114636570A (zh) | 利用机器学习预测轮胎磨损的方法和装置 | |
CN111126449A (zh) | 一种基于聚类分析的电池故障分类诊断方法 | |
CN115759462A (zh) | 一种电动汽车用户的充电行为预测方法、装置及电子设备 | |
CN116578890A (zh) | 基于数字孪生的智能工厂数据优化采集方法 | |
CN112927511A (zh) | 一种基于驾驶员年龄和性别识别的车辆预警方法 | |
CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
CN115146876B (zh) | 基于能量模型的电动载具功率最优控制方法 | |
CN114611604A (zh) | 一种基于电驱总成载荷特征融合与聚类的用户筛选方法 | |
CN114384423A (zh) | 一种基于典型运行参数的燃料电池健康状态识别方法 | |
CN110689140A (zh) | 一种通过大数据进行轨交报警数据智能管理的方法 | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
CN116702996A (zh) | 一种基于典型工况识别的电动公交车辆能量预测方法 | |
CN114639238B (zh) | 基于归一化谱聚类算法的城市快速路交通状态估计方法 | |
Xu et al. | Research on estimation method of mileage power consumption for electric vehicles |
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 |