一种识别混合动力电动汽车行驶状态的方法

1.一种识别混合动力电动汽车行驶状态的方法，其特征在于：采用神经网络识别汽车行驶工况，其工作过程分为两个阶段：
第一个阶段为学习期，通过在PC机中用matlab编写程序来实现，其方法步骤为：
步骤1：首先输入现有汽车主干道、快速路的国家或者地方标准行驶工况，然后分别对汽车主干道、快速路的行驶工况进行分段，每一小段作为一个样本，而且每个样本的时间可以重叠；若设定每个小样本的采样时间为ts秒，每隔tf秒钟进行一次采样，ts＝nitf，则其划分结果为0～ts秒为一段工况，tf～(tf+ts)秒为一段工况，2tf～(2tf+ts)秒为一段工况，......，(n·tf)～(n·tf+ts)秒为一段工况，并把每种工况分段后的结果进行存储；若主干道工况分为n1段，则把主干道工况的存储为数组vz1，vz2，......vzn1；若快速路工况分为n2段，快速路工况存储为数组vk1，vk2，......，vkn2；
步骤2：对每一小段工况数组进行处理，首先通过工况的速度计算加速度，当加速度为正时存储为数组az1，az2，......，azn1，ak1，ak2，......，akn2，......，当加速度为负时存储为数组rz1，rz2，......，rzn1，rk1，rk2，......，rkn2，......，以及每个采样点的速度和加速度的乘积存储为数组vaz1，vaz2，......，vazn1，vak1，vak2，......，vakn2，......；再对速度和正加速度的数组计算其数据的最大值、平均值以及标准差，对负加速度的数组计算其数据的最小值、平均值和标准差，对加速度和速度乘积的数组计算其数据的平均值；再对速度、正加速度、负加速度、速度和加速度的乘积的数组进行节点划分和数据统计，并计算每部分占总时间的百分比；
步骤3：采用上述步骤2中计算得到的参数，作为神经网络学习的训练样本x1、x2……xk，即输入层；采用y1代表主干道工况，y2代表快速路工况，……，ym代表第m种工况，作为神经网络的输出层；然后采用公式(1)进行计算，求得神经网络各连接权上的权值wim、bm；
第二个阶段为工作期，通过在PC机中采用C编写行驶状态智能识别程序，然后下载到智能识别控制器中实现，其方法步骤为：
步骤4：首先对速度进行递推平均滤波法处理：若在第一阶段中速度的采样频率为tf秒钟一次，则取前nc次的车速的平均值作为当前车速；然后对速度进行限幅滤波法处理：
与前一次求得的车速进行对比，若变化量大于vc，则取当前车速，若变化小于vc，则取前一次计算得到的车速；
步骤5：存储一定时间的车速，形成车速数组；若在第一阶段中选用ts秒的样本进行神经网络权值计算，则在汽车行驶过程中在每次采样后存储前ts秒内的车速，形成一个具有ni个速度值的数组作为一个速度片断；
步骤6：对上述速度片断按照第一阶段中的步骤2进行计算，得到神经网络计算所需的各项参数；
步骤7：然后采用公式(1)进行神经网络计算，即得到当前汽车行驶状态ym。
2.根据权利要求1所述的一种智能识别混合动力电动汽车行驶状态的方法，其特征在于：采用神经网络计算汽车行驶状态参数设计时，对汽车的行驶工况进行了划分，划分的时间ts为120～300秒，间隔时间tf为0.5～3秒，且划分的时间可以重叠。
3.根据权利要求1所述的一种智能识别混合动力电动汽车行驶状态的方法，其特征在于：采用神经网络计算汽车行驶状态参数时，在对时间片断计算过程中，对速度、加速度、速度和加速度的乘积进行了节点划分，划分节点为1～10。
4.根据权利要求1所述的一种智能识别混合动力电动汽车行驶状态的方法，其特征在于：采用神经网络计算汽车行驶状态参数时，选用了平均速度、车速的标准差、最高车速、平均加速度、加速度的标准差、最大加速度、平均减速度、最小减速度、减速度的标准差、速度和加速度的乘积的平均值以及对车速、加速度、速度和加速度的乘积进行节点划分后，各部分占总时间的比例作为神经网络学习的输入。
5.根据权利要求1所述的一种智能识别混合动力电动汽车行驶状态的方法，其特征在于：采用神经网络识别汽车的行驶状态时，针对现实中车速的变化特征，对车速进行了递推平均滤波法处理，选用速度个数nc为10～25，然后又对车速进行了限幅滤波法处理，其变化量vc为0～2km/h。

一种识别混合动力电动汽车行驶状态的方法\n技术领域\n[0001] 本发明涉及一种识别混合电动汽车的当前行驶状态的方法，属于电动汽车控制技术领域。\n背景技术\n[0002] 电动汽车是我国汽车发展的一个重要方向，对混合动力电动汽车控制策略的研究已经成为汽车研究的热点之一，而汽车行驶时的能源分配问题又是电动汽车控制策略研究的重点。与传统发动机汽车相比，混合动力电动汽车的控制策略与汽车行驶状态紧密联系，而目前国内还没有对混合动力电动汽车行驶状态进行识别的设备和方法，因此混合动力电动汽车在燃油经济性和排放性能方面的优势没有得到最大体现。本发明通过对汽车的行驶车速进行处理和计算，从而有效地识别出了汽车的行驶状态，帮助电动汽车整车控制器更好的对汽车的能量进行分配。\n发明内容：\n[0003] 本发明是通过如下技术方案实现的：\n[0004] 由于目前没有对汽车行驶状态进行识别的方法和技术，在一定程度上影响到了混合动力电动汽车的能量分配以及汽车燃油经济性和排放性能的提高，为了弥补这一不足，本发明提供一种识别混合动力电动汽车行驶状态的方法。通过采集汽车一段时间的行驶速度，然后采用神经网络方法对其进行计算和分析，从而识别出汽车当前的行驶状态，帮助汽车自身的整车控制系统调整参数，使得混合动力电动汽车的燃油经济性和排放性能得到更大的提高。\n[0005] 采用神经网络识别汽车行驶工况的工作过程分为两个阶段，首先是学习期，其主要是通过对汽车标准行驶工况进行学习，从而确定状态识别程序中的各项参数：然后是工作期，主要是采集汽车的行驶车速并进行处理，再通过状态识别程序计算得到汽车的当前行驶状态是属于哪种标准行驶工况。\n[0006] 第一个阶段学习期，通过在PC机中用matlab编写程序来实现，其方法步骤为：\n[0007] 步骤1：首先输入现有汽车主干道、快速路国家或者地方标准行驶工况，然后分别对汽车主干道、快速路的行驶工况进行分段，每一小段作为一个样本，而且每个样本的时间可以重叠。若设定每个小样本的采样时间为ts秒，每隔tf秒钟进行一次采样，ts＝nitf，则其划分结果为0～ts秒为一段工况，tf～(ts+tf)秒为一段工况，2tf～(2tf+ts)秒为一段工况，......，(n·tf)～(n·tf+ts)秒为一段工况，并把每种工况分段后的结果进行存储，若主干道工况分为n1段，则把主干道工况的存储为数组vz1，vz2，......vzn1；若快速路工况分为n2段，快速路工况存储为数组vk1，vk2，......，vkn2；\n[0008] 步骤2：对每一小段工况数组进行处理，首先通过工况的速度计算加速度，当加速度为正时存储为数组az1，az2，......，azn1，ak1，ak2，......，akn2，......，当加速度为负时存储为数组rz1，rz2，......，rzn1，rk1，rk2，......，rkn2，......，以及每个采样点的速度和加速度的乘积存储为数组vaz1，vaz2，......，vazn1，vak1，vak2，......，vakn2，......。再对速度和正加速度的数组计算其数据的最大值、平均值以及标准差，对负加速度的数组计算其数据的最小值、平均值和标准差，对加速度和速度乘积的数组计算其数据的平均值。再对速度、正加速度、负加速度、速度和加速度的乘积的数组进行节点划分和数据统计，并计算每部分占时间的百分比；\n[0009] 步骤3：采用上述步骤2中计算得到的参数，作为神经网络学习的训练样本x1、x2……xk，即输入层；采用y1代表主干路工况，y2代表快速路工况，……，ym代表第m中工况，作为神经网络的输出层；然后采用公式(1)进行计算，求得神经网络各连接权上的权值wim、bm。\n[0010] \n[0011] 第二个阶段工作期，通过在PC机中采用C编写行驶状态智能识别程序，然后下载到智能识别控制器中实现，其方法步骤为：\n[0012] 步骤4：首先对速度进行递推平均滤波法处理：若在第一阶段中速度的采样频率为tf秒钟一次，则取前nc次的车速的平均值作为当前车速；然后对速度进行限幅滤波法处理：当前车速与前一次求得的车速进行对比，若变化量大于vc，则取当前车速，若变化小于vc，则前一次求得的车速；\n[0013] 步骤5：存储一定时间的车速，形成车速数组。若在第一阶段中选用ts秒的样本进行神经网络权值计算，则在汽车行驶过程中在每次采样后存储前ts秒内的车速，形成一个具有ni个速度值的数组作为一个速度片断；\n[0014] 步骤6：对上述速度片断按照第一阶段中的步骤2进行计算，得到神经网络计算所需的各项参数；\n[0015] 步骤7：然后采用公式(1)进行神经网络计算，即得到当前汽车行驶状态ym。\n[0016] 本发明的有益效果是：对汽车行驶状态识别效果明显，可以帮助电动汽车控制器合理有效地调节控制参数，从而进一步提高电动汽车的燃油经济性和排放性能。\n附图说明：\n[0017] 图1为本发明采用神经网络实现智能识别流程图；\n[0018] 图2为某城市主干道行驶工况；\n[0019] 图3为某城市快速路行驶工况；\n[0020] 图4为本发明采用本智能识别方法的识别效果图。\n具体实施方式：\n[0021] 下面结合附图对本发明作进一步描述如下：\n[0022] 如图1所示，采用神经网络进行智能识别需要进行两个阶段，第一个阶段是学习期，主要是计算智能识别程序所需的控制参数，第二个阶段就是编写智能识别程序，然后下载到控制器中就可以实时的对汽车的行驶状态进行识别。下面我们将结合实例对上述两个阶段分别进行详细的阐述：\n[0023] 第一个阶段，学习期如图1的上半部所示：\n[0024] 步骤1：采集汽车主干路和快速路标准行驶工况。然后对汽车行驶工况进行分段，得到小速度片段，即小样本。在本次实例分析中，每个小样本的采样时间为ts选用180秒，tf选用1秒钟，因此ni＝180，ts＝nitf。分段结果为：0～180为一个样本小段，1～181为一个样本小段，依次类推。并把每种工况分段后的结果进行存储，主干道工况分为800段，存储为数组vz1，vz2，......v800；快速路工况分为64段，存储为数组vk1，vk2，......，v64；\n[0025] 步骤2：计算各个速度片段的参数。首先通过工况的速度计算加速度，当加速度为正时存储为数组az1，az2，......，azn1，ak1，ak2，......，akn2，当加速度为负时存储为数组rz1，rz2，......，rzn1，rk1，rk2，......，rkn2，以及每个采样点的速度和加速度的乘积存储为数组vaz1，vaz2，......，vazn1，vak1，vak2，......，vakn2。再对速度和正加速度的数组计算其数据的最大值、平均值以及标准差，对负加速度的数组计算其数据的最小值、平均值和标准差，对速度和加速度乘积的数组计算其数据的平均值。再对速度、正加速度、负加速度、速度和加速度的乘积的数组进行节点划分和数据统计，并计算每部分占时间的百分比，例如：若对速度划分节点为4个，即1m/s、5m/s、10m/s、15m/s，则计算速度小于等于1m/s的采样点数占采样总点数的比例、速度大于1小于等于5m/s的点数占总点数的比例、速度大于5小于等于10m/s点数占总点数的比例、速度大于10小于等于15m/s的点数占总点数的比例、速度\n2\n大于15m/s的点数占总点数的比例；若对正加速度划分节点为1个，即7m/s，则计算加速度\n2 2\n大于0小于等于7m/s 的点数占总点数的比例、加速度大于7m/s 的点数占总点数的比例；\n2 2\n若对负加速度划分节点为1个，即-7m/s，则计算减速度大于等于-7小于0m/s 的点数占\n2\n总点数的比例、减速度小于-7m/s 的点数占总点数的比例；若对速度和加速度的乘积节点\n2 3 2 3 2 3 2 3\n为3个，即3m/s、6m/s、10m/s，则计算速度和加速度的乘积小于0m/s 的点数占总点数\n2 3\n的比例、速度和加速度的乘积大于3小于等于6m/s 的点数占总点数的比例、速度和加速度\n2 3 2 3\n的乘积大于6小于等于10m/s 的点数占总点数的比例、速度和加速度的乘积大于10m/s的点数占总点数的比例。最终主干道工况计算得到一个800*24的矩阵，快速路工况计算得到一个64*24的矩阵；\n[0026] 步骤3：计算神经网络识别中的参数。把步骤2中对主干道和快速路得到\n的两个矩阵作为输入层；然后定义主干道y1为1，快速路y2为0，作为输出层。通\n过 公 式 (1)计 算 得 到，wim 为 矩 阵 [-12.214；-12.269；-12.183；6.0995；2.3818；\n2.3416；-13.32；-13.214；-13.924；5.8685；5.7457；-0.06623；6.0199；2.8603；1.3746；\n4.3112；3.712；2.9215；-5.1756；-11.405；-10.7；-3.1999；-2.5333；-3.1603]，bm ＝\n7.5095；\n[0027] 第二个阶段，工作期如图1的下半部所示：\n[0028] 步骤4：对采集到的车速进行滤波处理。首先对速度进行递推平均滤波法处理：若nc选用10，则取前10次的车速的平均值作为当前车速；然后对速度进行限幅滤波法处理：\n若vc选用2km/h，当前车速与前一次求得的车速进行对比，若变化量大于2km/h，则取当前车速，若变化小于2km/h，则取前一次求得的车速；\n[0029] 步骤5：存储前ti即180秒内的车速得到一个速度组；\n[0030] 步骤6：对上述速度组计算表1中数值，得到一个矩阵；\n[0031] 步骤7：把得到的矩阵代入神经网络计算公式(1)便可得到当前行驶状态。\n[0032] 如图2所示，图中纵坐标为速度，横坐标为时间，曲线是中国某城市主干道的标准行驶工况。\n[0033] 如图3所示，图中纵坐标为速度，横坐标为时间，曲线是中国某城市快速路的标准行驶工况。\n[0034] 如图4所示，图中左侧纵坐标为速度，右侧纵坐标为行驶状态，横坐标表示时间，图中实线为某型号电动汽车在某城市实际行驶速度曲线，图中虚线为识别出的行驶状态结果，在0～2132秒和2602～3035秒的上识别结果为1，表示在主干道上行驶，在其他时间段上识别结果为0，表示在快速路上行驶，与实际行驶状况基本吻合，识别效果明显。\n[0035] 表1：神经网络计算中样本计算所需参数\n[0036] \n 序号 参数符号 意义 单位\n 1 v_avg 平均车速 km/h\n 2 v_std 车速标准差 km/h\n 3 v_max 最高车速 km/h\n 4 a_avg 平均加速度 m/s2\n2\n 5 a_std 加速度标准差 m/s\n 6 a_max 最大加速度 m/s2\n 7 r_avg 平均减速度 m/s2\n 8 r_std 减速度标准差 m/s2\n 9 r_min 最小减速度 m/s2\n 10 V_0_1 速度小于等于1m/s的采样点数占采样总点数的比例 ％\n 11 v_1_5 速度大于1小于等于5m/s的点数占总点数的比例 ％\n 12 v_5_10 速度大于5小于等于10m/s点数占总点数的比例 ％\n 13 v_10_15 速度大于10小于等于15m/s的点数占总点数的比例 ％\n 14 v_15_25 速度大于15m/s的点数占总点数的比例 ％\n 15 a_0_7 加速度大于0小于等于7m/s2的点数占总点数的比例 ％\n 16 a_7 加速度大于7m/s2的点数占总点数的比例 ％\n2\n 17 r_0_7 减速度大于等于-7小于0m/s 的点数占总点数的比例 ％\n 18 r_7 减速度小于-7m/s2的点数占总点数的比例 ％\n 29 va_0 va小于0m2/s3的点数占总点数的比例 ％\n 20 va_0_3 va大于等于0小于等于3m2/s3的点数占总点数的比例 ％\n 21 va_3_6 va大于3小于等于6m2/s3的点数占总点数的比例 ％\n 22 va_6_10 va大于6小于等于10m2/s3的点数占总点数的比例 ％\n2 3\n 23 va_10 va大于10m/s 的点数占总点数的比例 ％\n 24 va_avg Va的平均值 m2/s3\n2 3\n[0037] 说明：va：代表加速度和速度的乘积，单位为：m/s