一种纯电动扫路车的能量管理方法技术

一种纯电动扫路车的能量管理方法，其基于作业道路观测建立道路垃圾分布统计学模型，并基于非线性自回归神经网络算法建立作业电机功率需求模型；基于监督学习，使用非线性自回归神经网络(NAR

【技术实现步骤摘要】
一种纯电动扫路车的能量管理方法


[0001]本专利技术涉及纯电动车辆能量管理
，尤其涉及一种适用于纯电动扫路车并基于非线性自回归神经网络执行模型预测控制的能量管理方法。

技术介绍

[0002]对于纯电动扫路车来说，整车的能量管理需求相比普通的纯电动乘用车辆存在较大的区别，在工作中不仅需要确保扫路车完成道路清扫任务，还必须尽可能降低整车电耗，同时兼顾缩短作业时间和改善驾驶舒适性等需求。因此，适合的能量管理策略是影响纯电动扫路车的清扫效果和整车电耗等性能表现的关键因素。虽然现有的节能控制方法在常规电动车型取得较好的节能效果，但对于扫路车这一特殊用途车型，以及低作业车速和特殊的能耗机理的要求，现有的纯电动车辆能量管理策略还不够完善。鉴于车载驱动电机和作业电机在路面清扫效果上存在功率耦合关系，即垃圾清扫同时受到整车车速和上装设备工作状态的影响，如何合理分配这些耗电部件的电功率，是改善整车能耗的关键技术问题。
[0003]模型预测控制框架能够兼顾实施策略的实时性和最优性性能需求，在现有技术中的应用比较广泛。典型的模型预测控制包括：预测模型建立，优化问题滚动求解，最优控制量实施，整车状态更新等四部分。预测模型的建立是模型预测控制框架的基础和核心。不同于常规电动车型，其行驶需求功率决定于车速曲线；对于以清扫任务为导向的电动扫路车，地面的垃圾状况决定了整车的作业状态和需求功率。得益于扫路车工作于固定的作业线路和环境，地面垃圾状况预测模型的建立能够基于概率统计学方法实现。但是，马尔可夫链、滑动平均自回归算法等各种车速预测模型的建立方法无法适应垃圾序列的非稳态特性，并造成垃圾量预测精度的下降，使基于模型预测控制的能量管理策略有效性无法得到保证，因此在使用模型预测控制时仍需要进行合理地改进。

技术实现思路

[0004]针对上述现有技术中存在的技术问题与不足，本专利技术提供了一种纯电动扫路车的能量管理方法，基于非线性自回归神经网络对现有的模型预测控制方式进行改进，该方法具体包括以下步骤：
[0005]步骤一、对纯电动扫路车所在道路环境中的垃圾规模数据进行采集，基于所采集的数据建立道路垃圾分布的统计学模型，划分道路上垃圾规模的分布等级；
[0006]步骤二、构建非线性自回归神经网络预测模型，以道路上垃圾分布的空间序列为预测对象；利用所述多组道路垃圾分布的统计学模型数据作为训练集，对所述预测模型进行训练；
[0007]步骤三、利用实际工作中采集到的垃圾规模数据对所述预测模型进行更新，并根据路面情况切换使用由不同训练集训练得到的预测模型；
[0008]步骤四、建立整车动力学模型以及与电机功率需求模型，基于模型预测控制考虑动力、能量和垃圾规模数据，求解最优的能量管理控制序列。
[0009]进一步地，所述步骤一中垃圾规模以垃圾分布区域、质量、密度等作为衡量依据，建立道路垃圾分布的统计学模型并划分道路上垃圾规模的分布等级具体包括：
[0010]步骤1.1、结合道路周边环境，将作业道路按路面垃圾量划分为不同等级k(k＝1，2，3，..k
max
)的连续路段，等级划分数量视具体情况而定，记录整段作业道路各路段的等级和空间顺序；
[0011]步骤1.2、在同一等级的各不同路段上对单位面积上的垃圾质量采样若干次；根据同等级各路段的采样结果，计算该等级路段垃圾的均值和标准差，从而得到该等级路段垃圾密度(g/m2)的高斯模型，该过程数学表达如下：
[0012][0013][0014][0015]式中，表示第k等级路段的垃圾密度均值和标准差；δ
ik
表示对第k等级的不同路段的第i次垃圾密度采样，i的最大数量为n；f
kg
(x)表示第k等级路段上的垃圾密度的概率密度函数；基于该概率密度函数，对不同等级路段基于随机数生成器能产生可信的垃圾密度值；
[0016]步骤1.3、在同一等级的各不同路段上，随机测量某平方米路面的垃圾质量，并以该平方米路面中心为基点，向道路前、后方测量该垃圾质量数值的持续长度(m)；持续长度的判定准则为：自基点由近及远测量垃圾质量时，若被测路面的垃圾质量与基点垃圾质量相对差值小于2.5％(即视为同一垃圾值在随机因素下产生的波动)，则认为基点的垃圾质量持续至该被测路面，否则该被测路面的中心点即为基点垃圾量持续线段的终点；
[0017]根据同等级各路段的若干次采样结果，计算该等级路段某个垃圾密度持续长度的均值和标准差，从而得到该等级路段垃圾密度持续长度的高斯模型，该过程数学表达如下：
[0018][0019][0020][0021]式中，表示k等级路段的垃圾密度持续长度均值和标准差，m；L
ik
表示对第k等级的不同路段的第i次采样长度；i的最大数量为m；f
kl
(x)表示第k等级路段上的垃圾密度持续长度的概率密度函数；基于该概率密度函数，对不同等级路段的特定垃圾密度值，基于随机数生成器产生该垃圾密度的持续长度。
[0022]步骤1.4、考虑路面垃圾形成的随机性，添加高斯白噪声的线性组合以体现真实垃圾值的波动情况，高斯白噪声表达式如下所示：
[0023]ε＝α1ε1+α2ε3+α3ε3+
…
+α
n
ε
n
[0024]式中，ε1，ε2，
……
，ε
n
为白噪声的各项，参数α1，α2，
……
，α
n
可根据垃圾密度的持续长度波动情况设定。
[0025]进一步地，所述步骤二具体包括：
[0026]设垃圾密度序列的步长设为Δx，建立预测模型如下式所示：
[0027][0028]式中,δ(k)代表垃圾密度序列在第k步的垃圾密度值；δ(k
‑
1)，δ(k
‑
2)，
…
代表垃圾序列的过往垃圾密度值；p代表用于预测δ(k)的垃圾密度序列中的过往值数量，亦为经网络输入层神经元数量；m、φ(.)分别代表神经网络隐藏层神经元数量和神经元激活函数；β
ij
代表了输入层神经元i和隐藏层神经元j之间的连接权重参数；α
j
代表输入隐藏层神经元j和输出神经元的的连接权重参数；β
0j
和α0分别代表隐藏层神经元和输出神经元的常数值。ε
t
表示预测模型噪声。
[0029]进一步地，所述神经网络只有一个隐藏层，隐藏层神经元数量m需给定；其余参数均基于监督学习的方法获得，训练方法采用Levenberg
‑
Marquadrdt算法；
[0030]进一步地，所述步骤三具体包括：
[0031]步骤3.1、应用训练后的预测模型，给定对应最初需求的p个过往值，后续过往值由扫路车在工作中获取，对预测模型持续更新；设定在每一空间步预测的垃圾密度值数量q为预测域长度；
[0032]步骤3.2、根据所处的实际道路环本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种纯电动扫路车的能量管理方法，其特征在于：具体包括以下步骤：步骤一、对纯电动扫路车所在道路环境中的垃圾规模数据进行采集，基于所采集的数据建立道路垃圾分布的统计学模型，划分道路上垃圾规模的分布等级；步骤二、构建非线性自回归神经网络预测模型，以道路上垃圾分布的空间序列为预测对象；利用所述多组道路垃圾分布的统计学模型数据作为训练集，对所述预测模型进行训练；步骤三、利用实际工作中采集到的垃圾规模数据对所述预测模型进行更新，并根据路面情况切换使用由不同训练集训练得到的预测模型；步骤四、建立整车动力学模型以及与电机功率需求模型，基于模型预测控制考虑动力、能量和垃圾规模数据，求解最优的能量管理控制序列。2.如权利要求1所述的方法，其特征在于：所述步骤一中垃圾规模以垃圾分布区域、质量、密度等作为衡量依据，建立道路垃圾分布的统计学模型并划分道路上垃圾规模的分布等级具体包括：步骤1.1、结合道路周边环境，将作业道路按路面垃圾量划分为不同等级的连续路段，等级划分数量视具体情况而定，记录整段作业道路各路段的等级和空间顺序；步骤1.2、在同一等级的各不同路段上对单位面积上的垃圾质量采样若干次；根据同等级各路段的采样结果，计算该等级路段垃圾的均值和标准差得到该等级路段垃圾密度的高斯模型，该过程数学表达如下：斯模型，该过程数学表达如下：斯模型，该过程数学表达如下：式中，表示第k等级路段的垃圾密度均值和标准差；δ
ik
表示对第k等级的不同路段的第i次垃圾密度采样，i的最大数量为n；表示第k等级路段上的垃圾密度的概率密度函数；基于该概率密度函数，对不同等级路段基于随机数生成器能产生可信的垃圾密度值；步骤1.3、在同一等级的各不同路段上，随机测量某平方米路面的垃圾质量，并以该平方米路面中心为基点，向道路前、后方测量该垃圾质量数值的持续长度；根据同等级各路段的若干次采样结果，计算该等级路段某个垃圾密度持续长度的均值和标准差，从而得到该等级路段垃圾密度持续长度的高斯模型，该过程数学表达如下：和标准差，从而得到该等级路段垃圾密度持续长度的高斯模型，该过程数学表达如下：
式中，表示k等级路段的垃圾密度持续长度均值和标准差；L
ik
表示对第k等级的不同路段的第i次采样长度；i的最大数量为m；表示第k等级路段上的垃圾密度持续长度的概率密度函数；基于该概率密度函数，对不同等级路段的特定垃圾密度值，基于随机数生成器产生该垃圾密度的持续长度；步骤1.4、考虑路面垃圾形成的随机性，添加高斯白噪声的线性组合以体现真实垃圾值的波动情况，高斯白噪声表达式如下所示：ε＝α1ε1+α2ε2+α3ε3+
…
+α
n
ε
n
式中，ε1，ε2，
……
，ε
n
为不同参数的各组白噪声，参数α1，α2，
……
，α
n
可根据垃圾密度的持续长度波动情况设定。3.如权利要求2所述的方法，其特征在于：所述步骤二具体包括：设垃圾密度序列的步长设为Δx，建立预测模型如下式所示：式中,δ(k)代表垃圾密度序列在第k步的垃圾密度值；δ(k
‑
1)，δ(k
‑
2)，
…
代表垃圾序列的过往垃圾密度值；p代表用于预测δ(k)的垃圾密度序列中的过往值数量，亦为经网络输入层神经元数量；m、φ(.)分别代表神经网络隐藏层神经元数量和神经元激活函数；β
ij
代表了输入层神经元i和隐藏层神经元j之间的连接权重参数；α
j
代表输入隐藏层神经元j和输出神经元的的连接权重参数；β
0j
和α0分别代表隐藏层神经元和输出神经元的常数值，ε
t
表示预测模型噪声。4.如权利要求3所述的方法，其特征在于：所述神经网络只有一个隐藏层，隐藏层神经元数量m需给定；神经网络其余内部参数均基于监督学习的方法...

【专利技术属性】
技术研发人员：王郝，何洪文，曹剑飞，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：