【技术实现步骤摘要】
本专利技术属于无人驾驶，具体涉及一种无人驾驶车辆续航优化方法及系统。
技术介绍
1、无人驾驶车辆作为未来智能交通的重要组成部分，其续航能力是影响实际应用的关键因素之一。当前无人驾驶车辆主要依赖于电池供电，而电池容量有限，如何有效管理能源、延长车辆的续航里程成为技术研究的重点。传统的方法往往基于固定行驶策略和能量分配方案，难以适应复杂多变的行驶环境和动态变化的路况，因此在节能和续航优化方面存在局限性。
2、当前，车辆续航优化面临的主要挑战包括环境因素的不确定性，比如风速、坡度变化、不同路面条件等，这些都会显著影响车辆的能耗和行驶效率。此外，动力需求的实时预测精度不高，传统的动力分配策略缺乏对未来需求的前瞻性和灵活性，导致能量利用效率低下。同时，能量回收机制，尤其是制动能量回收，在实际操作中往往没有被充分优化，未能最大化回收效率，浪费了潜在的能量资源。因此，需要一种更为智能、动态的续航优化方法，以适应无人驾驶车辆在复杂环境下的续航挑战。
技术实现思路
1、基于上述技术问题，本专利技术提供一种无人驾驶车辆续航优化方法及系统，通过实时监测环境参数，用lstm预测动力需求，动态调整行驶模式以能量回收，并计算最优控制策略分配能量，旨在提升续航能力。
2、本专利技术提供一种无人驾驶车辆续航优化方法，所述方法包括：
3、步骤s 1：实时监测车辆周围的环境参数；
4、步骤s2：构建车辆驱动力模型并进行动力需求预测；
5、步骤s3：根据预测结
6、步骤s4：计算最优控制策略，进行能量分配。
7、可选地，所述构建车辆驱动力模型并进行动力需求预测，具体包括：
8、ftotal＝m·a+fgrav+fair+froll+ffric
9、fgrav＝m·g·(sin(θ)-μdymamic·cos(θ))
10、fair＝1/2×cd×ρ×a×(v+vwind)2×cos(σ)
11、froll＝croll·n ffric＝μdymamic·n
12、式中，ftotal为总驱动力需求；a为车辆加速度，m为车辆质量；fgrav为重力分量，g为重力加速度，θ为坡度角，μdymamic为动态摩擦系数；fair为空气阻力，cd为车辆的空气阻力系数，ρ为空气密度，a为车辆正面迎风面积，v为车辆相对于地面的速度，wind为相对风速，σ为车辆前进方向与风向的夹角；froll为滚动阻力，croll为滚动阻力系数，n为车轮对地面的垂直力；ffric为路面摩擦力；
13、应用lstm进行动力需求预测，具体包括：
14、收集历史行驶数据，包括车辆状态、环境参数以及对应的驱动力需求；对数据进行清洗，处理缺失值；
15、定义lstm网络结构，包括输入层、隐藏层、输出层；输入层接收一组特征向量，包含当前时刻的环境参数和车辆状态，以及前几个时间步的历史信息；构建多层lstm网络，全连接层接在lstm网络之后，用于映射隐藏状态到动力需求预测值t为时间步，i为预测的未来时间步数，使用线性激活函数，动力需求是连续值；
16、划分训练集、验证集和测试集，采用反向传播算法结合梯度下降进行模型训练；设定损失函数为均方误差；调整网络参数；
17、使用训练好的lstm模型，输入当前的环境监测数据与车辆状态，预测未来数个时间步的动力需求曲线；结合车辆驱动力模型，将lstm的预测结果作为输入，细化动力分配策略；
18、利用预测结果，通过粒子群优化方法调整车辆的行驶策略，以最大化动能回收效率，具体包括：
19、从lstm网络获取未来行驶路径上的动力需求预测值
20、基于预测结果，构建优化模型，目标是最小化外部能量消耗的同时最大化动能回收量；设总回收能量为erec，外部能耗为eexp，则目标函数表示为最大化erec-eexp或最小化-erec+eexp；
21、采用粒子群优化求解，初始化行驶策略的候选解，每个粒子代表一种行驶速度调节方案和/或路线规划方案，粒子的位置和速度代表了行驶策略的具体参数；对于每个行驶策略，计算其在整个预测区间内的预计动能回收量和能耗，评估策略的优劣；基于粒子的个体最优解pbest和全局最优解gbest，更新每个粒子的位置和速度；重复上述步骤，直至满足迭代次数达到预设次数或设定阈值已经收敛；
22、选取最终得到的最优行驶策略或接近最优的一组策略，执行相应的速度调节和/或路线规划。
23、可选地，所述根据预测结果，动态调整车辆行驶模式，进行能量回收，具体包括：
24、回收动能，表示为
25、p回收＝η·m·g·sin(θ)·v+1/2·ρ·cd·a·v3
26、式中，p回收为回收功率；η为回收效率；m为车辆质量；g为重力加速度；θ为坡度角；cd为车辆的空气阻力系数；ρ为空气密度；a为车辆正面迎风面积；v为车辆相对于地面的速度；
27、降低空气阻力系数cd，表示为
28、cd＝f(α，β，wind，φ)
29、式中，α、β为车辆姿势角；φ为风向角；
30、在车辆制动过程中，依据车辆当前速度、制动力度及电池状况输入，根据实时的制动条件动态调整电机的工作点，表示为
31、prec＝ηmax·vbatt·iopt·f(ib，vbatt，θcontrol)
32、式中，prec为回收功率；ηmax为最大效率；vbatt为电池电压；iopt为优化电流；ib为制动瞬间电流；θcontrol为根据工况动态调整的控制参数；f为电机特性的函数；
33、采用pid控制器实时调整回馈电流，控制方程表示为
34、e(t)＝itarget-iactual(t)
35、
36、式中，e(t)为误差信号；itarget为目标电流；iactual(t)为实际测量电流；u(t)为控制输出；kp、ki、kd分别为pid控制器比例、积分和微分系数；
37、依据电池当前状态及制动能量回收的实时需求，调节输出功率，表示为pcharge＝min(prec，pmax_charge)
38、式中，pcharge为充电功率；pmax_charge为最大安全充电功率。
39、可选地，所述计算最优控制策略，进行能量分配，具体包括：
40、通过预测未来几个时间步的车辆状态，并实时计算出相应的能量分配指令u*(k)，表示为
41、
42、式中，u*(k)为第k时刻的控制变量；y(i|k)为基于当前状态预测的未来时刻i的输出；r(i)为目标参考值；q和r为权重矩阵，分别调整预测误差和控制动作的成本；
43、将分配策略进行优化，根据控制策略结果和实时环境信息，生成优化策略，表示为
4本文档来自技高网...
【技术保护点】
1.一种无人驾驶车辆续航优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种无人驾驶车辆续航优化方法，其特征在于，所述构建车辆驱动力模型并进行动力需求预测，具体包括：
3.根据权利要求1所述的一种无人驾驶车辆续航优化方法，其特征在于，所述根据预测结果，动态调整车辆行驶模式，进行能量回收，具体包括：
4.根据权利要求1所述的一种无人驾驶车辆续航优化方法，其特征在于，所述计算最优控制策略，进行能量分配，具体包括：
5.一种无人驾驶车辆续航优化系统，其特征在于，所述系统包括：
6.根据权利要求5所述的一种无人驾驶车辆续航优化系统，其特征在于，所述驱动模型构建模块，具体包括：
7.根据权利要求5所述的一种无人驾驶车辆续航优化系统，其特征在于，所述行驶能量回收模块，具体包括：
8.根据权利要求5所述的一种无人驾驶车辆续航优化系统，其特征在于，所述控制策略生成模块，具体包括：
【技术特征摘要】
1.一种无人驾驶车辆续航优化方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种无人驾驶车辆续航优化方法，其特征在于，所述构建车辆驱动力模型并进行动力需求预测，具体包括：
3.根据权利要求1所述的一种无人驾驶车辆续航优化方法，其特征在于，所述根据预测结果，动态调整车辆行驶模式，进行能量回收，具体包括：
4.根据权利要求1所述的一种无人驾驶车辆续航优化方法，其特征在于，所述计算最优控制策略...
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。