專利名稱：：一種識別混合動力電動汽車行駛狀態(tài)的方法
技術領域：
：本發(fā)明涉及一種識別混合電動汽車的當前行駛狀態(tài)的方法，屬于電動汽車控制
技術領域：
。
背景技術：
：電動汽車是我國汽車發(fā)展的一個重要方向，對混合動力電動汽車控制策略的研究已經(jīng)成為汽車研究的熱點之一，而汽車行駛時的能源分配問題又是電動汽車控制策略研究的重點。與傳統(tǒng)發(fā)動機汽車相比，混合動力電動汽車的控制策略與汽車行駛狀態(tài)緊密聯(lián)系，而目前國內還沒有對混合動力電動汽車行駛狀態(tài)進行識別的設備和方法，因此混合動力電動汽車在燃油經(jīng)濟性和排放性能方面的優(yōu)勢沒有得到最大體現(xiàn)。本發(fā)明通過對汽車的行駛車速進行處理和計算，從而有效地識別出了汽車的行駛狀態(tài)，幫助電動汽車整車控制器更好的對汽車的能量進行分配。
發(fā)明內容本發(fā)明是通過如下技術方案實現(xiàn)的由于目前沒有對汽車行駛狀態(tài)進行識別的方法和技術，在一定程度上影響到了混合動力電動汽車的能量分配以及汽車燃油經(jīng)濟性和排放性能的提高，為了彌補這一不足，本發(fā)明提供一種識別混合動力電動汽車行駛狀態(tài)的方法。通過采集汽車一段時間的行駛速度，然后采用神經(jīng)網(wǎng)絡方法對其進行計算和分析，從而識別出汽車當前的行駛狀態(tài)，幫助汽車自身的整車控制系統(tǒng)調整參數(shù)，使得混合動力電動汽車的燃油經(jīng)濟性和排放性能得到更大的提高。采用神經(jīng)網(wǎng)絡識別汽車行駛工況的工作過程主要分為兩個階段，首先是學習期，其主要是通過對汽車標準行駛工況進行學習，從而確定狀態(tài)識別程序中的各項參數(shù)然后是工作期，主要是采集汽車的行駛車速并進行處理，再通過狀態(tài)識別程序計算得到汽車的當前行駛狀態(tài)是屬于哪種標準行駛工況。第一個階段學習期，主要通過在PC機中用matlab編寫程序來實現(xiàn)，其方法步驟為步驟l:首先輸入現(xiàn)有汽車主干道、快速路等國家或者地方標準行駛工況，然后分別對汽車主干道、快速路等的行駛工況進行分段，每一小段作為一個樣本，而且每個樣本的時間可以重疊。若設定每個小樣本的采樣時間為/,秒，每隔/,秒鐘進行一次采樣，則其劃分結果為0W、秒為一段工況，/廣^+r,」秒為一段工況，2^(2f,+U秒為一段工況，......，("力)("J,+。,)秒為一段工況，并把每種工況分段后的結果進行存儲，若主干道工況分為"l段，則把主干道工況的存儲為數(shù)組^，vz2，......若快速路工況分為《2段，快速路工況存儲為數(shù)組^，^2，......，vto2;步驟2:對每一小段工況數(shù)組進行處理，首先通過工況的速度計算加速度，當加速度為正時存儲為數(shù)組",i，^2.......，fl』，，&2，，,,,,,，"2，……，當加速度為負時存儲為數(shù)組C&，......，A"znl，，&，......，、2，......，以及每個采樣點的速度和加速度的乘積存儲為數(shù)組ra^，vaz2，......，vflznl，v，raA2，......，rato2，......。再對速度和正加速度的數(shù)組計算其數(shù)據(jù)的最大值、平均值以及標準差，對負加速度的數(shù)組計算其數(shù)據(jù)的最小值、平均值和標準差，對加速度和速度乘積的數(shù)組計算其數(shù)據(jù)的平均值。再對速度、正加速度、負加速度、速度和加速度的乘積的數(shù)組進行節(jié)點劃分和數(shù)據(jù)統(tǒng)計，并計算每部分占時間的百分比；步驟3:采用上述步驟2中計算得到的參數(shù)，作為神經(jīng)網(wǎng)絡學習的訓練樣本x,、x2……A，即輸入層；采用乂代表主干路工況，^代表快速路工況，……，L代表第m中工況，作為神經(jīng)網(wǎng)絡的輸出層；然后采用公式(1)進行計算，求得神經(jīng)網(wǎng)絡各連接權上的權值M^、、。/=1第二個階段工作期，主要通過在PC機中采用c編寫行駛狀態(tài)智能識別程序，然后下載到智能識別控制器中實現(xiàn)，其方法步驟為步驟4:首先對速度進行遞推平均濾波法處理若在第一階段中速度的釆樣頻率為G.秒鐘一次，則取前次的車速的平均值作為當前車速；然后對速度進行限幅濾波法處理當前車速與前一次求得的車速進行對比，若變化量大于、，則取當前車速，若變化小于、，則前一次求得的車速；步驟5:存儲一定時間的車速，形成車速數(shù)組。若在第一階段中選用^秒的樣本進行神經(jīng)網(wǎng)絡權值計算，則在汽車行駛過程中在每次采樣后存儲前^秒內的車速，形成一個具有W,個速度值的數(shù)組作為一個速度片斷；步驟6:對上述速度片斷按照第一階段中的步驟2進行計算，得到神經(jīng)網(wǎng)絡計算所需的各項參數(shù)；步驟7:然后采用公式(1)進行神經(jīng)網(wǎng)絡計算，即得到當前汽車行駛狀態(tài)L。本發(fā)明的有益效果是對汽車行駛狀態(tài)識別效果明顯，可以幫助電動汽車控制器合理有效地調節(jié)控制參數(shù)，從而進一歩提高電動汽車的燃油經(jīng)濟性和排放性能。圖1為本發(fā)明采用神經(jīng)網(wǎng)絡實現(xiàn)智能識別流程圖2為某城市主干道行駛工況；圖3為某城市快速路行駛工況；圖4為本發(fā)明采用本智能識別方法的識別效果圖。具體實施例方式下面結合附圖對本發(fā)明作進一步描述如下如圖1所示，采用神經(jīng)網(wǎng)絡進行智能識別需要進行兩個階段，第一個階段是學習期，主要是計算智能識別程序所需的控制參數(shù)，第二個階段就是編寫智能識別程序，然后下載到控制器中就可以實時的對汽車的行駛狀態(tài)進行識別。下面我們將結合實例對上述兩個階段分別進行詳細的闡述第一個階段，學習期如圖1的上半部所示-步驟l:采集汽車主干路和快速路標準行駛工況。然后對汽車行駛工況進行分段，得到小速度片段，即小樣本。在本次實例分析中，每個小樣本的采樣時間為,選用180秒，^選用1秒鐘，因此^=180，f,分段結果為0180為一個樣本小段，1181為一個樣本小段，依次類推。并把每種工況分段后的結果進行存儲，主干道工況分為800段，存儲為數(shù)組^，vz2，......v8。。；快速路工況分為64段，存儲為數(shù)組，&，......，、4;步驟2:計算各個速度片段的參數(shù)。首先通過工況的速度計算加速度，當加速度為正時存儲為數(shù)組，&2，......，"znl，o41，fl,2，......，ate2，當加速度為負時存儲為數(shù)組^，rz2，......，^,,&，&，......，~2，以及每個采樣點的速度和加速度的乘積存儲為數(shù)組w^，v^2，......，ra^，raw，v^2，......，ra^。再對速度和正加速度的數(shù)組計算其數(shù)據(jù)的最大值、平均值以及標準差，對負加速度的數(shù)組計算其數(shù)據(jù)的最小值、平均值和標準差，對速度和加速度乘積的數(shù)組計算其數(shù)據(jù)的平均值。再對速度、正加速度、負加速度、速度和加速度的乘積的數(shù)組進行節(jié)點劃分和數(shù)據(jù)統(tǒng)計，并計算每部分占時間的百分比，例如若對速度劃分節(jié)點為4個，艮卩l(xiāng)w"、5w"、10w/"15w"，則計算速度小于等于lw/s的采樣點數(shù)占采樣總點數(shù)的比例、速度大于1小于等于5w"的點數(shù)占總點數(shù)的比例、速度大于5小于等于10附"點數(shù)占總點數(shù)的比例、速度大于IO小于等于15w"的點數(shù)占總點數(shù)的比例、速度大于15附"的點數(shù)占總點數(shù)的比例；若對正加速度劃分節(jié)點為1個，即7m//，則計算加速度大于0小于等于7m/P的點數(shù)占總點數(shù)的比例、加速度大于7m/P的點數(shù)占總點數(shù)的比例；若對負加速度劃分節(jié)點為1個，即一7附/P，則計算減速度大于等于-7小于0m/的點數(shù)占總點數(shù)的比例、減速度小于-7w/的點數(shù)占總點數(shù)的比例；若對速度和加速度的乘積節(jié)點為3個，即3w2"3、6m2"3、10m2/，則計算速度和加速度的乘積小于0/^2"3的點數(shù)占總點數(shù)的比例、速度和加速度的乘積大于3小于等于6m2"3的點數(shù)占總點數(shù)的比例、速度和加速度的乘積大于6小于等于10/2/的點數(shù)占總點數(shù)的比例、速度和加速度的乘積大于10w2/^的點數(shù)占總點數(shù)的比例。最終主干道工況計算得到一個800*24的矩陣，快速路工況計算得到一個64*24的矩陣；步驟3:計算神經(jīng)網(wǎng)絡識別中的參數(shù)。把歩驟2中對主干道和快速路得到的兩個矩陣作為輸入層；然后定義主干道乂為l，快速路"為0，作為輸出層。通過公式(1)計算得到，w冊為矩陣[-12.214;-12.269;-12.183;6.0995;2.3818;2.3416;-13.32;-13.214;-13.924;5.8685;5.7457;-0.06623;6.0199;2.8603;1.3746;4.3112;3.712;2.9215;-5.1756;-11.405;-10.7;-3.1999;-2.5333;-3.1603]，6m=7.5095;第二個階段，工作期如圖1的下半部所示步驟4:對采集到的車速進行濾波處理。首先對速度進行遞推平均濾波法處理若選用IO，則取前10次的車速的平均值作為當前車速；然后對速度進行限幅濾波法處理若^選用2km/h，當前車速與前一次求得的車速進行對比，若變化量大于2km/h，則取當前車速，若變化小于2km/h，則取前一次求得的車速；步驟5:存儲前/,即180秒內的車速得到一個速度組；步驟6:對上述速度組計算表1中數(shù)值，得到一個矩陣；步驟7:把得到的矩陣代入神經(jīng)網(wǎng)絡計算公式(1)便可得到當前行駛狀態(tài)。如圖2所示，圖中縱坐標為速度，橫坐標為時間，曲線是中國某城市主干道的標準行駛工況。如圖3所示，圖中縱坐標為速度，橫坐標為時間，曲線是中國某城市快速路的標準行駛工況。如圖4所示，圖中左側縱坐標為速度，右側縱坐標為行駛狀態(tài)，橫坐標表示時間，圖中實線為某型號電動汽車在某城市實際行駛速度曲線，圖中虛線為識別出的行駛狀態(tài)結果，在02132秒和26023035秒的上識別結果為1，表示在主干道上行駛，在其他時間段上識別結果為0，表示在快速路上行駛，與實際行駛狀況基本吻合，識別效果明顯。表l:神經(jīng)網(wǎng)絡計算中樣本計算所需參數(shù)<formula>formulaseeoriginaldocumentpage7</formula><table>tableseeoriginaldocumentpage8</column></row><table>權利要求1、一種識別混合動力電動汽車行駛狀態(tài)的方法，其特征在于采用神經(jīng)網(wǎng)絡識別汽車行駛工況，其工作過程主要分為兩個階段第一個階段為學習期，主要通過在PC機中用matlab編寫程序來實現(xiàn)，其方法步驟為步驟1首先輸入現(xiàn)有汽車主干道、快速路等的國家或者地方標準行駛工況，然后分別對汽車主干道、快速路等的行駛工況進行分段，每一小段作為一個樣本，而且每個樣本的時間可以重疊；若設定每個小樣本的采樣時間為ts秒，每隔tf秒鐘進行一次采樣，ts＝nitf，則其劃分結果為0～ts秒為一段工況，tf～(tf+ts)秒為一段工況，2tf～(2tf+ts)秒為一段工況，......，(n·tf)～(n·tf+ts)秒為一段工況，并把每種工況分段后的結果進行存儲；若主干道工況分為n1段，則把主干道工況的存儲為數(shù)組vz1，vz2，......vzn1；若快速路工況分為n2段，快速路工況存儲為數(shù)組vk1，vk2，......，vkn2；步驟2對每一小段工況數(shù)組進行處理，首先通過工況的速度計算加速度，當加速度為正時存儲為數(shù)組az1，az2，......，azn1，ak1，ak2，......，akn2，......，當加速度為負時存儲為數(shù)組rz1，rz2，......，rzn1，rk1，rk2，......，rkn2，......，以及每個采樣點的速度和加速度的乘積存儲為數(shù)組vaz1，vaz2，......，vazn1，vak1，vak2，......，vakn2，......；再對速度和正加速度的數(shù)組計算其數(shù)據(jù)的最大值、平均值以及標準差，對負加速度的數(shù)組計算其數(shù)據(jù)的最小值、平均值和標準差，對加速度和速度乘積的數(shù)組計算其數(shù)據(jù)的平均值；再對速度、正加速度、負加速度、速度和加速度的乘積的數(shù)組進行節(jié)點劃分和數(shù)據(jù)統(tǒng)計，并計算每部分占總時間的百分比；步驟3采用上述步驟2中計算得到的參數(shù)，作為神經(jīng)網(wǎng)絡學習的訓練樣本x1、x2……xk，即輸入層；采用y1代表主干道工況，y2代表快速路工況，……，ym代表第m種工況，作為神經(jīng)網(wǎng)絡的輸出層；然后采用公式(1)進行計算，求得神經(jīng)網(wǎng)絡各連接權上的權值wim、bm；第二個階段為工作期，主要通過在PC機中采用C編寫行駛狀態(tài)智能識別程序，然后下載到智能識別控制器中實現(xiàn)，其方法步驟為步驟4首先對速度進行遞推平均濾波法處理若在第一階段中速度的采樣頻率為tf秒鐘一次，則取前nc次的車速的平均值作為當前車速；然后對速度進行限幅濾波法處理與前一次求得的車速進行對比，若變化量大于vc，則取當前車速，若變化小于vc，則取前一次計算得到的車速；步驟5存儲一定時間的車速，形成車速數(shù)組；若在第一階段中選用ts秒的樣本進行神經(jīng)網(wǎng)絡權值計算，則在汽車行駛過程中在每次采樣后存儲前ts秒內的車速，形成一個具有ni個速度值的數(shù)組作為一個速度片斷；步驟6對上述速度片斷按照第一階段中的步驟2進行計算，得到表1中的各項參數(shù)；步驟7然后采用公式(1)進行神經(jīng)網(wǎng)絡計算，即得到當前汽車行駛狀態(tài)ym。2、根據(jù)權利要求l所述的一種智能識別混合動力電動汽車行駛狀態(tài)的方法，其特征在于采用神經(jīng)網(wǎng)絡計算汽車行駛狀態(tài)參數(shù)設計時，對汽車的行駛工況進行了劃分，劃分的時間f、為120~300秒，間隔時間f,為0.5-3秒，且劃分的時間可以重疊。3、根據(jù)權利要求l所述的一種智能識別混合動力電動汽車行駛狀態(tài)的方法，其特征在于采用神經(jīng)網(wǎng)絡計算汽車行駛狀態(tài)參數(shù)時，在對時間片斷計算過程中，對速度、加速度、速度和加速度的乘積進行了節(jié)點劃分，劃分節(jié)點為110。4、根據(jù)權利要求l所述的一種智能識別混合動力電動汽車行駛狀態(tài)的方法，其特征在于采用神經(jīng)網(wǎng)絡計算汽車行駛狀態(tài)參數(shù)時，選用了平均速度、車速的標準差、最高車速、平均加速度、加速度的標準差、最大加速度、平均減速度、最小減速度、減速度的標準差、速度和加速度的乘積的平均值以及對車速、加速度、速度和加速度的乘積進行節(jié)點劃分后，各部分占總時間的比例作為神經(jīng)網(wǎng)絡學習的輸入。5、根據(jù)權利要求l所述的一種智能識別混合動力電動汽車行駛狀態(tài)的方法，其特征在于采用神經(jīng)網(wǎng)絡識別汽車的行駛狀態(tài)時，針對現(xiàn)實中車速的變化特征，對車速進行了遞推平均濾波法處理，選用速度個數(shù)為10~25，然后又對車速進行了限幅濾波法處理，其變化量^為02^//。全文摘要本發(fā)明公開了一種識別混合電動汽車行駛狀態(tài)的方法，屬于電動汽車控制
技術領域：
。該方法主要采用神經(jīng)網(wǎng)絡進行識別，其工作過程主要分為學習期和工作期兩個階段。在學習期，首先采集汽車的標準行駛工況，并進行分段，再對每個小樣本進行計算，得到一系列樣本參數(shù)，然后代入神經(jīng)網(wǎng)絡計算公式得到智能識別控制所需的參數(shù)；在工作期，首先對采集得到的速度進行遞推平均濾波法處理，再進行限幅濾波法處理，然后存儲一定時間的速度并進行計算，再把計算結果代入神經(jīng)網(wǎng)絡計算公式便可以得到汽車當前的行駛狀態(tài)。本發(fā)明對汽車行駛狀態(tài)識別效果明顯，因此可以有助于電動汽車控制器合理有效地調節(jié)控制參數(shù)，從而進一步提高電動汽車的燃油經(jīng)濟性和排放性。文檔編號G06N3/00GK101419677SQ20081023916公開日2009年4月29日申請日期2008年12月11日優(yōu)先權日2008年12月11日發(fā)明者欣張,良張,毅田申請人:北京交通大學