CN116476800B - 基于多传感器数据融合的新能源汽车动力分配控制方法 - Google Patents

Abstract

本发明涉及新能源汽车技术领域，具体地说，涉及基于多传感器数据融合的新能源汽车动力分配控制方法。其包括在新能源汽车上装备多个传感器，通过多个传感器实时收集车辆的相关数据，将收集到的多个传感器数据进行融合处理，得到综合车辆状态信息，基于融合得到的车辆状态信息，建立新能源汽车的动力分配模型，在建立的动力分配模型中，对新能源汽车进行动力分配控制，根据车辆的实时状态和路面状况，自动调整发动机的输出功率，完成新能源汽车的控制。本发明获得更全面、准确的车辆状态信息，精确地调整电机或发动机的输出功率，最大程度地发挥动力系统的效能，提高能源利用率和行驶安全性，以实现最佳的动力分配效果。

Description

基于多传感器数据融合的新能源汽车动力分配控制方法

技术领域

本发明涉及新能源汽车技术领域，具体地说，涉及基于多传感器数据融合的新能源汽车动力分配控制方法。

背景技术

新能源汽车是指除汽油、柴油发动机之外的所有其他能源汽车；新能源汽车包括纯电动汽车、扩展范围电动汽车、混合动力电动汽车、燃料电池电动汽车和氢发动机汽车和太阳能汽车，其废气排放也是相对较低；新能源汽车是指采用非常规车用燃料作为动力源，集成了先进的汽车动力控制和驱动技术，具有先进的技术原理、新技术和新结构的汽车；

随着环境保护意识的增强和能源危机的日益加剧，新能源汽车作为一种低碳、环保的交通工具，正逐渐受到广泛关注和应用，在新能源汽车中，动力分配控制方法对于提高车辆性能、提升能源利用率至关重要，例如：根据中国专利申请号为CN201910652871.4提供了一种基于网络延时的分布式驱动电动汽车驱动力分配控制方法，传统的动力分配控制方法主要基于车速和转向角等有限的参数，无法全面准确地反映车辆行驶状态和路面状况，导致动力分配控制效果不佳，鉴于此，我们提出基于多传感器数据融合的新能源汽车动力分配控制方法。

发明内容

本发明的目的在于提供基于多传感器数据融合的新能源汽车动力分配控制方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供基于多传感器数据融合的新能源汽车动力分配控制方法，包括以下步骤：

S1、在新能源汽车上装备多个传感器，通过多个传感器实时收集车辆的相关数据；

S2、将收集到的多个传感器数据进行融合处理，得到综合车辆状态信息；

S3、基于融合得到的车辆状态信息，建立新能源汽车的动力分配模型；

S4、在建立的动力分配模型中，对新能源汽车进行动力分配控制，根据车辆的实时状态和路面状况，自动调整发动机的输出功率，完成新能源汽车的控制。

作为本技术方案的进一步改进，所述S1中的多个传感器包括车速传感器、转向角传感器、加速度传感器和电池状态传感器。

作为本技术方案的进一步改进，所述S1中收集车辆的相关数据采用边缘计算算法，包括以下步骤：

将传感器采集到的数据进行滤波、去噪、降维、特征提取和数据预处理；

采用神经网络算法对处理后的数据进行分析。

作为本技术方案的进一步改进，所述S2中融合处理采用模型融合算法，包括以下步骤：

设有n个传感器，每个传感器的数据可以用表示，将传感器数据进行融合后，得到车辆综合状态表示为y，表达式为：

；

将传感器的权重分别表示为w1, w2,..wn，然后将传感器加权后再求和，得到最终的车辆综合状态，具体公式如下：

。

作为本技术方案的进一步改进，所述动力分配模型采用模糊控制算法，包括以下步骤：

将输入的车辆状态信息，通过设计的模糊隶属函数映射到模糊集合中；

建立模糊规则库，以映射车辆状态与动力输出之间的关系；

将模糊输入集合和模糊规则库进行匹配，得到模糊输出集合；

按控制目标生成输出，将模糊输出集合转化为实际的动力分配策略。

作为本技术方案的进一步改进，所述S4中自动调整发动机的输出功率采用模型预测控制算法，包括以下步骤：

建立车辆动力学模型；

将建立的动力学模型转化为状态空间表述，得到离散时间状态空间模型；

利用模型的状态空间表述和控制目标，设计最优性能指标，并将其转化为控制目标；

利用预测算法，根据当前车辆状态、路面状况和任意时刻的控制指令，预测未来一段时间内的车辆状态和控制指令，并计算最优的控制输出，以实现控制目标；

根据当前车辆状态和实时的路面状况，利用在线计算的最优输入信号，实现车辆动力分配控制。

作为本技术方案的进一步改进，所述模型预测控制算法的表达式为：

状态更新方程：；

输出更新方程：；

其中，x(k)是时刻k的状态向量，x(k+1)时刻k+1的状态向量，u(k)是时刻k的控制向量，A、B和C是常数矩阵。

作为本技术方案的进一步改进，所述动力分配模型还包括根据电池的充放电状态和能量需求，合理分配动力输出，包括以下步骤：

获取车辆实时的电池状态，以及驾驶环境和路况信息；

借助滤波器估计算法，基于历史及实时数据预测未来电池状态；

根据预测结果采用合理的能量管理策略指导动力输出分配，促使车辆充分利用能源。

作为本技术方案的进一步改进，所述滤波器估计算法包括以下步骤：

根据历史数据或者预先设定的初始值，初始化电池状态和协方差矩阵，设定观测模型与状态转移模型；

通过状态转移模型，预测下一时刻的电池状态，同时还要预测状态的协方差矩阵，以及预测观测值；

通过观测值和观测模型，计算卡尔曼增益，并使用测量数据更新状态和协方差矩阵。

与现有技术相比，本发明的有益效果：

该基于多传感器数据融合的新能源汽车动力分配控制方法中，通过多个传感器收集车辆的相关数据，获得更全面、准确的车辆状态信息，并将数据进行融合处理，获得更全面、准确的车辆状态信息，建立动力分配模型，对新能源汽车进行动力分配控制，自动调整发动机的输出功率，可以根据不同的驾驶情况和路况条件，精确地调整电机或发动机的输出功率，这样可以最大程度地发挥动力系统的效能，提高能源利用率和行驶安全性，以实现最佳的动力分配效果。

附图说明

图1为本发明的整体流程框图；

图2为本发明的模糊控制算法流程框图；

图3为本发明的根据电池的充放电状态和能量需求，合理分配动力输出的流程框图。

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。

新能源汽车是指除汽油、柴油发动机之外的所有其他能源汽车；新能源汽车包括纯电动汽车、扩展范围电动汽车、混合动力电动汽车、燃料电池电动汽车和氢发动机汽车和太阳能汽车，其废气排放也是相对较低；新能源汽车是指采用非常规车用燃料作为动力源，集成了先进的汽车动力控制和驱动技术，具有先进的技术原理、新技术和新结构的汽车；

随着环境保护意识的增强和能源危机的日益加剧，新能源汽车作为一种低碳、环保的交通工具，正逐渐受到广泛关注和应用，在新能源汽车中，动力分配控制方法对于提高车辆性能、提升能源利用率至关重要。

请参阅图1-图3示出本发明的第一实施例，本实施例提供基于多传感器数据融合的新能源汽车动力分配控制方法，包括以下步骤：

S1、在新能源汽车上装备多个传感器，通过多个传感器实时收集车辆的相关数据，包括车辆速度、转向角度、加速度和电池状态等；

所述S1中的多个传感器包括车速传感器、转向角传感器、加速度传感器和电池状态传感器，其中，多个传感器包括但不限于上述提到的传感器；

车速传感器检测电控汽车的车速，控制电脑用这个输入信号来控制发动机怠速，自动变速器的变扭器锁止，自动变速器换档及发动机冷却风扇的开闭和巡航定速等其它功能；转向角传感器是用来检测方向盘的转动角度和转向方向的，方向盘左转或右转都会被转向角传感器检测到，从而使汽车电控单元发出正确的转向指令，而方向盘的转动角度是为汽车实现转向幅度提供依据，使汽车按照驾驶员的转向意图行驶，由光电耦合元件、开孔槽板等组成，光电耦合元件为发光二极管和光敏晶体管，开孔槽板置于发光二极管和光敏晶体管之间，开孔槽板有许多小孔，当方向盘转动时，开孔槽板会跟随转动，光敏晶体管依据穿过开孔槽板的光线来动作，并且会输出数字脉冲信号，汽车电控单元会以此信号来辨认方向盘的转向角度、转动方向和转速；加速度传感器包括由硅膜片、上盖、下盖，膜片处于上盖、下盖之间，键合在一起，一维或二维纳米材料、金电极和引线分布在膜片上，并采用压焊工艺引出导线，工业现场测振传感器，主要是压电式加速度传感器，其工作原理主要利于压电敏感元件的压电效应得到与振动或者压力成正比的电荷量或者电压量，工业现场典型采用IEPE型加速度传感器，及内置IC电路压电加速度传感器，传感器输出与振动量正正比的电压信号；电池传感器属于智能传感器一种，智能传感器对外界信息具有一定的检测、自诊断、数据处理以及自适应能力的传感器，因此它被应用于新型电动汽车的电池监控系统中，这一系统被称为智能微型传感器系统，传感器和实时模型的结合可以优化电池系统管理的新型算法来延长电池的寿命。

进一步的，所述S1中收集车辆的相关数据采用边缘计算算法，边缘计算技术是指将计算、存储和网络应用靠近数据源头的一种新型计算模式，可将数据处理推向最接近数据源的边缘侧，减少传输延迟，提高数据隐私性和安全性。在新能源汽车领域，边缘计算技术可以将传感器采集的数据在车载设备中进行实时处理和分析，包括以下步骤：

将传感器采集到的数据进行滤波、去噪、降维、特征提取和数据预处理，提高数据的质量和可用性，同时减少数据的大小；

采用神经网络算法对处理后的数据进行分析，提高车辆驾驶行为分析、能源效率管理和故障诊断等方面的精度和效率。

S2、将收集到的多个传感器数据进行融合处理，得到综合车辆状态信息，可以获得更全面、准确的车辆状态信息，与仅依赖单一传感器数据的方法相比，多传感器数据融合能够提高动力分配的准确性和可靠性，以提高数据的准确性和可靠性；

其中，所述S2中融合处理采用模型融合算法，包括以下步骤：

设有n个传感器，每个传感器的数据可以用表示，将传感器数据进行融合后，得到车辆综合状态表示为y，初始化时，可以用一些有代表性的值进行赋值，表达式为：

；

将传感器的权重分别表示为w1, w2,..wn，然后将传感器加权后再求和，得到最终的车辆综合状态y′，具体公式如下：

；

其中，权重可以使用经验法或模型算法来确定，例如利用实验数据来确定，或者利用最小二乘法、梯度下降等优化算法来求解，还可以根据应用需求，选用不同的权重计算公式，例如，最大值法、加权平均法、可拓分方法或熵权法等等，需要注意的是，进行模型融合算法的过程中，要考虑传感器数据的重要性，以及是否存在冗余、噪声和其他干扰因素等因素。

S3、基于融合得到的车辆状态信息，建立新能源汽车的动力分配模型；该模型可以采用模糊控制、神经网络或优化算法等方法，根据车辆的状态和外部环境条件，自动调整动力分配比例。

S4、在建立的动力分配模型中，对新能源汽车进行动力分配控制，根据车辆的实时状态和路面状况，自动调整发动机的输出功率，完成新能源汽车的控制，可以根据不同的驾驶情况和路况条件，精确地调整电机或发动机的输出功率，这样可以最大程度地发挥动力系统的效能，提高能源利用率和行驶安全性，以实现最佳的动力分配效果。

并且，所述动力分配模型采用模糊控制算法，将融合得到的车辆状态信息作为输入，采用模糊控制算法可以根据不同的驾驶场景和驾驶习惯，调节电池、发动机等动力源的输出，实现动力的优化分配，提高车辆的能效和行驶性能，包括以下步骤：

将输入的车辆状态信息，例如车速、加速度、电池和发动机动力输出等，通过设计的模糊隶属函数映射到模糊集合中；

建立模糊规则库，以映射车辆状态与动力输出之间的关系，例如“如果车速较慢或者加速度很大，而电池容量较低，则提高发动机输出功率”；

将模糊输入集合和模糊规则库进行匹配，得到模糊输出集合；

按控制目标生成输出，将模糊输出集合转化为实际的动力分配策略，例如使用去模糊化算法，将模糊输出集合转化为实际的动力输出，实现车辆的动力分配控制；

具体的工作原理：设车辆的状态信息包括车速v、加速度a以及电池和发动机动力输出Pu和Pe，表示为输入变量，输出为动力分配策略y；将输入值v、a、Pu、Pe通过模糊化算法映射到模糊集合中，例如使用三角或者梯形型的隶属函数，生成模糊输入集合/>；建立模糊规则库，将不同的车辆状态映射到不同的动力输出策略，例如“如果车速较慢或者加速度很大，而电池容量较低，则提高发动机输出功率”等；根据规则库进行模糊推理，得到动力分配的模糊隶属度，采用最小最大算法、最大平均算法进行模糊推理，输出结果为模糊输出集合/>；将模糊输出集合B映射到实际的动力分配策略y中，采用去模糊化算法，例如使用平均值法、面积法等方法，将模糊输出集合B转化为实际动力输出；其中，动力分配策略y根据车辆状态信息不同而有所变化，可以采用不同的控制策略，例如针对提高能效，或者针对提高驾驶舒适度等，通过模糊控制算法，可以自适应地动态调整控制策略，以达到优化车辆性能和能效的目的。

值得说明的，所述S4中自动调整发动机的输出功率采用模型预测控制算法，该算法是一种基于预测模型的控制方法，它可以预测车辆在未来一段时间内的受力情况，然后选取最优的输入供应系统以实现控制目标，包括以下步骤：

建立车辆动力学模型，包括车辆加速度、车速等状态变量和电动机输出功率、方向盘转角等控制变量；

将建立的动力学模型转化为状态空间表述，得到离散时间状态空间模型；

利用模型的状态空间表述和控制目标，设计最优性能指标，并将其转化为控制目标；

利用预测算法，根据当前车辆状态、路面状况和任意时刻的控制指令，预测未来一段时间内的车辆状态和控制指令，并计算最优的控制输出，以实现控制目标；

根据当前车辆状态和实时的路面状况，利用在线计算的最优输入信号，实现车辆动力分配控制，通过模型预测控制算法，根据车辆的实时状态和路面状况，准确预测并调整发动机输出功率，最大化新能源汽车的运行效率，实现减排和节能等多种控制操作。

具体的，所述模型预测控制算法的表达式为：

状态更新方程：；

输出更新方程：；

其中，是时刻k的状态向量，/>时刻k+1的状态向量，/>是时刻k的控制向量，A、B和C是常数矩阵，模型预测控制算法将当前状态x(k)作为初始条件，计算在未来一段时间内的控制量/>，期望状态/>，并确定当前时间k的最优控制量/>来实现控制目标。

此外，所述动力分配模型还包括根据电池的充放电状态和能量需求，合理分配动力输出，以提高能源利用率和延长电池寿命，包括以下步骤：

获取车辆实时的电池状态（如剩余电量、电池容量、充电状态等），以及驾驶环境和路况信息，包括车速、加速度、路段坡度等；

借助滤波器估计算法，基于历史及实时数据预测未来电池状态；

根据预测结果采用合理的能量管理策略指导动力输出分配，促使车辆充分利用能源，同时，延长电池寿命，例如，在电池电量充足的情况下，优先利用电池驱动车辆，以减少燃油使用，在电池电量偏低的情况下，则调整发动机输出，并尽量通过制动回收等方式充电，通过估计车辆实时的电池状态以实现动力分配控制。

具体的，所述滤波器估计算法包括以下步骤：

根据历史数据或者预先设定的初始值，初始化电池状态和协方差矩阵，设定观测模型与状态转移模型；

通过状态转移模型，预测下一时刻的电池状态，同时还要预测状态的协方差矩阵，以及预测观测值；

通过观测值和观测模型，计算卡尔曼增益，并使用测量数据更新状态和协方差矩阵；

持续根据实时数据进行预测和更新，不断优化估计结果，以实现电池状态的精确估计。

具体原理：设电池状态空间值为X，测量值为Y，假设状态空间 在时刻k时进行初始化，状态转移矩阵为/>，观测矩阵H(k)，初始状态对应的协方差矩阵为P(0)，噪声过程Q(k)，观测噪声的方差为R(k)，观测值为Z(k)，则初始时初始化如下：

X(0|0)：初始化状态空间变量；

P(0|0)：初始化初始协方差矩阵；

根据观测模型(H(x(k))和状态转移模型F(k)预测下一时刻的状态变量X(k+1|k)和协方差矩阵P(k+1|k)，即：

（状态预测）；

（协方差预测）；

根据观测模型，设定观测变量，v(k+1)为观测噪声，有：

（卡尔曼增益）；

（状态更新）；

（协方差更新）；

最后，不断根据实时数据进行预测和更新，实现电池状态的估计。

在上述的基础上，示出本发明的第二实施例，S2中融合处理还可以采用深度学习算法，包括以下步骤：假设有n个传感器数据，每个传感器的数据可以用向量xi（i=1,2, ...n）表示，将这些向量进行拼接，形成一个大向量，这个大向量作为深度学习模型的输入，在网络模型中，可以采用卷积神经网络，例如ResNet、DenseNet或SqueezeNet等。利用深度学习模型从大向量中学习，得到车辆综合状态表示为y，具体公式如下：

y = f(x1, x2, ..., xn)；

其中，函数f表示深度学习模型，输入为n个传感器数据的向量，输出为车辆综合状态y，神经网络的具体结构，包括卷积层、池化层、全连接层等，根据实际需求而定，在神经网络模型中，常用的优化算法包括反向传播算法和梯度下降算法。为了提高模型的泛化能力，还可以采用Dropout、正则化等方法，避免过拟合问题，需要注意的是，在深度学习过程中，要注意选择合适的数据集、网络结构和模型参数，以获得更加准确的综合状态信息。

综上，本发明考虑到传统的动力分配控制方法主要基于车速和转向角等有限的参数，无法全面准确地反映车辆行驶状态和路面状况，导致动力分配控制效果不佳，因此，通过多个传感器收集车辆的相关数据，获得更全面、准确的车辆状态信息，并将数据进行融合处理，获得更全面、准确的车辆状态信息，建立动力分配模型，对新能源汽车进行动力分配控制，自动调整发动机的输出功率，可以根据不同的驾驶情况和路况条件，精确地调整电机或发动机的输出功率，这样可以最大程度地发挥动力系统的效能，提高能源利用率和行驶安全性，以实现最佳的动力分配效果。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (3)

1.基于多传感器数据融合的新能源汽车动力分配控制方法，其特征在于，包括以下步骤：

S1、在新能源汽车上装备多个传感器，通过多个传感器实时收集车辆的相关数据；

S2、将收集到的多个传感器数据进行融合处理，得到综合车辆状态信息；

S3、基于融合得到的车辆状态信息，建立新能源汽车的动力分配模型；

S4、在建立的动力分配模型中，对新能源汽车进行动力分配控制，根据车辆的实时状态和路面状况，自动调整发动机的输出功率，完成新能源汽车的控制；

所述S2中融合处理采用模型融合算法，包括以下步骤：

设有n个传感器，每个传感器的数据可以用表示，将传感器数据进行融合后，得到车辆综合状态表示为y，表达式为：

；

将传感器的权重分别表示为w1, w2,..wn，然后将传感器加权后再求和，得到最终的车辆综合状态，具体公式如下：

；

所述动力分配模型采用模糊控制算法，包括以下步骤：

将输入的车辆状态信息，通过设计的模糊隶属函数映射到模糊集合中；

建立模糊规则库，以映射车辆状态与动力输出之间的关系；

将模糊输入集合和模糊规则库进行匹配，得到模糊输出集合；

按控制目标生成输出，将模糊输出集合转化为实际的动力分配策略；

所述S4中自动调整发动机的输出功率采用模型预测控制算法，包括以下步骤：

建立车辆动力学模型；

将建立的动力学模型转化为状态空间表述，得到离散时间状态空间模型；

利用模型的状态空间表述和控制目标，设计最优性能指标，并将其转化为控制目标；

利用预测算法，根据当前车辆状态、路面状况和任意时刻的控制指令，预测未来一段时间内的车辆状态和控制指令，并计算最优的控制输出，以实现控制目标；

根据当前车辆状态和实时的路面状况，利用在线计算的最优输入信号，实现车辆动力分配控制；

所述模型预测控制算法的表达式为：

状态更新方程：；

输出更新方程：；

其中，x(k)是时刻k的状态向量，x(k+1)时刻k+1的状态向量，u(k)是时刻k的控制向量，A、B和C是常数矩阵；

所述动力分配模型还包括根据电池的充放电状态和能量需求，合理分配动力输出，包括以下步骤：

获取车辆实时的电池状态，以及驾驶环境和路况信息；

借助滤波器估计算法，基于历史及实时数据预测未来电池状态；

根据预测结果采用合理的能量管理策略指导动力输出分配，促使车辆充分利用能源；

所述滤波器估计算法包括以下步骤：

根据历史数据或者预先设定的初始值，初始化电池状态和协方差矩阵，设定观测模型与状态转移模型；

通过状态转移模型，预测下一时刻的电池状态，同时还要预测状态的协方差矩阵，以及预测观测值；

通过观测值和观测模型，计算卡尔曼增益，并使用测量数据更新状态和协方差矩阵。

2.根据权利要求1所述的基于多传感器数据融合的新能源汽车动力分配控制方法，其特征在于：所述S1中的多个传感器包括车速传感器、转向角传感器、加速度传感器和电池状态传感器。

3.根据权利要求2所述的基于多传感器数据融合的新能源汽车动力分配控制方法，其特征在于：所述S1中收集车辆的相关数据采用边缘计算算法，包括以下步骤：

将传感器采集到的数据进行滤波、去噪、降维、特征提取和数据预处理；

采用神经网络算法对处理后的数据进行分析。