【技术实现步骤摘要】
本专利技术涉及电动汽车电驱动总成效率评价领域，具体涉及基于数据外推和神经网络的电驱动总成效率评价方法。
技术介绍
1、电驱动总成是纯电动汽车的核心零部件，它将动力电池的化学能转化为机械能并将动力传递到半轴上。作为车辆的动力传动系统，电驱动总成的性能会直接影响车辆的动力性、经济性、舒适性等，其效率特性对纯电动汽车的节能性和续航里程等有着举足轻重的影响。电驱动总成的效率是产品前期开发阶段的重要基础数据，最高效率和高效区占比是衡量电驱动总成产品优劣的重要评价指标。而且高效区分布特征也为电驱动总成的优化和控制策略等提供重要依据。因此对电驱动总成的效率进行合理有效的评价是首先需要解决的问题。
2、现有的动力传动系统台架效率评价方法来自于国家标准，一般使用高效区占比、最高效率来作为效率评价指标，这种评价方法单一且与用户没有产生关联。目前研究人员也对动力传动系统的效率评价方法做了不少研究。其中陈德鑫等分析了行业标准中重型汽车变速器效率评价指标的不足之处，提出了在c-wtvc工况下车辆常用工况点的综合效率作为效率评价指标，减少了效率测试成本。赵迁等研究了cltc-p和nedc两种典型行驶工况下的减速器效率仿真方法，并提出了以cltc-p下的综合效率作为减速器效率的评价指标。张金豹等提出了一种基于中位秩加权的传动效率归一化综合性能评价方法，该方法实现了空损功率和传动效率的关联，提高了效率评价准确性，降低了效率测试成本。
3、通过对相关研究的梳理可知，动力传动系统效率的评价方法研究热点集中在典型行驶工况综合效率的获取方法和如
技术实现思路
1、针对上述现有技术的不足，本专利技术所要解决的技术问题是：如何提供一种基于数据外推和神经网络的电驱动总成效率评价方法，以电动汽车实际的用户工况点数据为基础，基于核密度估计和马尔科夫链蒙特卡洛采样预测用户全寿命里程下的用户工况点分布，并结合遗传算法和神经网络建立效率预测模型实现电驱动总成效率预测，从而将电驱动总成的效率评价与用户实际行驶工况相关联，以提高电驱动总成效率评价的准确性和全面性。
2、为了解决上述技术问题，本专利技术采用了如下的技术方案：
3、基于数据外推和神经网络的电驱动总成效率评价方法，包括：
4、s1：采集电动汽车的用户工况点样本数据；
5、s2：基于核密度估计方法，结合用户工况点样本数据估计用户工况点的概率密度函数；
6、s3：基于马尔科夫链蒙特卡洛采样方法，结合用户工况点的概率密度函数将用户工况点外推到目标里程，预测得到用户全寿命里程下的用户工况点分布；
7、s4：将用户全寿命里程下的用户工况点输入基于神经网络构建的效率预测模型中，输出每个用户工况点对应的电驱动总成效率预测值；
8、s5：根据各个用户工况点及对应的电驱动总成效率预测值实现电驱动总成的效率评价。
9、优选的，步骤s2中，核密度估计方法中，核函数为如下的高斯函数：
10、
11、式中：n、t表示用户工况点中的转速和转矩。
12、优选的，步骤s2中，核密度估计方法中，最优初始带宽的计算公式如下：
13、
14、式中：h表示最优初始带宽；d表示用户工况数据的维度；δ表示采集的电驱动总成转矩或转速样本数据的标准差；n表示用户工况点个数；
15、带宽矩阵的计算公式如下：
16、
17、式中：δ1和δ2分别表示电驱动总成转速和转矩样本数据的标准差。
18、优选的，步骤s2中，核密度估计方法中，确定核函数和最优初始带宽矩阵后，得到固定带宽的用户工况非参数核密度估计表达式如下：
19、
20、式中：x1＝(x11,x12,...,x1n)表示电驱动转速样本；x2＝(x21,x22,...,x2n)表示电驱动转矩样本；f(n,t)表示用户工况点概率密度函数；h1表示电驱动转速样本对应的最优初始带宽；h2表示电驱动转矩样本对应的最优初始带宽。
21、优选的，步骤s2中，核密度估计方法中，引入自适应因子来修正带宽矩阵，得到自适应带宽的用户工况点概率密度函数如下：
22、
23、
24、式中：表示自适应带宽下的用户工况点概率密度函数；f(x1i,x2i)表示固定带宽的用户工况概率密度值；a为敏感系数；λi表示自适应因子。
25、优选的，步骤s3中，马尔科夫链蒙特卡洛采样方法的处理步骤如下：
26、s301：确定马尔科夫链的建议分布；
27、s302：在电驱动总成的工作区间内随机选取用户工况点作为初始状态，并赋予给建议分布作为其均值向量；
28、s303：从建议分布中产生新的用户工况点作为候选状态；
29、s304：用matlab的rand()函数产生0到1之间的均匀分布随机数u，并判断均匀分布随机数u是否小于接受概率a：若是，则接受候选状态并作为样本存储至马尔科夫链中；否则，保持原有状态并作为样本存储至马尔科夫链中；
30、s305：重复步骤s303至s304，直至马尔科夫链收敛；
31、s306：从马尔科夫链中抽取样本，并利用抽取的样本对用户工况点进行外推，得到用户全寿命里程下的用户工况点分布。
32、优选的，步骤s305中，通过如下公式作为量化马尔科夫链收敛的指标：
33、
34、
35、
36、
37、
38、
39、式中：表示马尔科夫链收敛评价指标；v表示样本方差的无偏估计量；表示第i条马尔科夫链的样本方差；表示每条马尔科夫链方差的均值；表示不同马尔科夫链之间的方差；表示第i条马尔科夫链的样本均值；n表示每一条马尔科夫链的迭代次数；m表示所构造的马尔科夫链个数；表示m条马尔科夫链的均值；yij表示第i条马尔科夫链中包含的第j个电驱动总成的转矩或转速样本点。
40、优选的，步骤s4中，效率预测模型基于bp神经网络构建，并且通过遗传算法对bp神经网络的初始阈值和权值进行寻优。
41、优选的，步骤s4中，构建效率预测模型的步骤如下：
42、s401：确定bp神经网络的网络拓扑结构，获取bp本文档来自技高网...
【技术保护点】
1.基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于，包括：
2.如权利要求1所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S2中，核密度估计方法中，核函数为如下的高斯函数：
3.如权利要求2所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S2中，核密度估计方法中，最优初始带宽的计算公式如下：
4.如权利要求3所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S2中，核密度估计方法中，确定核函数和最优初始带宽矩阵后，得到固定带宽的用户工况非参数核密度估计表达式如下：
5.如权利要求4所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S2中，核密度估计方法中，引入自适应因子来修正带宽矩阵，得到自适应带宽的用户工况点概率密度函数如下：
6.如权利要求1所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S3中，马尔科夫链蒙特卡洛采样方法的处理步骤如下：
7.如权利要求8所述的基于数据外推和神经网络的电
8.如权利要求1所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S4中，效率预测模型基于BP神经网络构建，并且通过遗传算法对BP神经网络的初始阈值和权值进行寻优。
9.如权利要求8所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S4中，构建效率预测模型的步骤如下：
10.如权利要求1所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤S5中，电驱动总成的效率评价包括对用户常用车速的综合效率、用户高效区利用率以及用户使用场景综合效率的评价。
...【技术特征摘要】
1.基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于，包括：
2.如权利要求1所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤s2中，核密度估计方法中，核函数为如下的高斯函数：
3.如权利要求2所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤s2中，核密度估计方法中，最优初始带宽的计算公式如下：
4.如权利要求3所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤s2中，核密度估计方法中，确定核函数和最优初始带宽矩阵后，得到固定带宽的用户工况非参数核密度估计表达式如下：
5.如权利要求4所述的基于数据外推和神经网络的电驱动总成效率评价方法，其特征在于：步骤s2中，核密度估计方法中，引入自适应因子来修正带宽矩阵，得到自适应带宽的用户工况点概率密度函数如下：
6.如权利要求1所...
【专利技术属性】
技术研发人员：邹喜红，肖谕凯，袁冬梅，王晓丽，周振，苏浩然，刘斌，曾德，聂毕兵，
申请(专利权)人：重庆理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。