[发明专利]一种混合动力车辆的行驶工况分类预测方法

说明书

技术领域

本发明涉及一种车辆行驶工况的预测方法，尤其是一种混合动力车辆的行 驶工况分类预测方法。

背景技术

混合动力车辆是目前解决车辆能源消耗过度和空气质量污染的有效途径之 一。其中双模式传动系统相较于其他形式的混合动力传动方案能够更好的满足 重型非道路车辆调速范围广和驱动功率大等特殊需求，但是该方案结构较为复 杂，对能量控制方法的要求更高，设计出可实时使用的最优的能量控制方法将 成为保证双模式混合动力车辆能够正常高效运行的核心内容。

目前，在工业界使用最多的是基于规则的能量控制方法，规则的设计大都 来源于启发式发现和工程师经验，虽然其设计简单，易于实现，但是对不同工 况适应性差，无法得到最优的控制效果。为了追求更好的控制效果，学术界做 了大量的科学研究探索基于优化的能量控制方法，其主要思路是建立系统目标 成本函数和约束条件，通过优化算法求解得到最优控制量。其中动态规划算法 应用最为广泛，但是其需要预先知晓全局工况，所以只能用于仿真。等效燃油 消耗策略可以实时在线运用，但是却有着针对不同工况等效因子难以设定的弊 端。而近年来发展起来的预测控制算法(Model Predictive Control,MPC)采 用多步测试、滚动优化和反馈校正的思路，得到了良好的实时控制效果。该方 法很大程度上依赖于有效的对未来车速进行预测，现有技术中假设未来车速保 持不变；或者假设车速按指数规律变化，这些方法简单却并不准确；或者借助 车载导航系统获得车辆未来行驶车速；或者通过识别特种工作车辆的重复工况 来预测未来车速，这些方法需要借助GPS系统或是先验工况信息，并不适用于没 有定位系统和感知雷达的非道路车辆。

发明内容

针对以上问题，本发明提出了一种行驶工况分类预测方法，采用K均值 (Kmeans)聚类算法将工况分类，并针对不同类型的工况采用马尔科夫链或是 径向基神经网络的方法对未来车速进行预测，实现非道路双模式混合动力车辆 性能的改善。

本发明的主要目的是提供一种车辆行驶工况的工况预测方法，尤其是一种 混合动力车辆行驶工况的工况分类预测方法。

本发明的目的可以通过以下途径来实现:

一种车辆行驶工况的工况分类预测方法，该方法包括：

利用K均值聚类算法在离线状态下将车辆行驶工况分类为平稳工况与快变 工况两类，并在在线阶段实时判断车辆当前所处工况类别；

针对平稳工况，采用基于马尔科夫链的车速预测方法，而针对快变工况， 采用基于径向基神经网络的车速预测方法，以此综合利用两种方法的优点以达 到最优的预测效果。

本发明的工况分类预测方法，进一步地，其中根据以下特征参数：最大加 速度(m/s2)、最大减速度(m/s2)、平均加速度(m/s2)、车速标准方差(km/h)、 最高车速与最低车速之差(km/h)、加速度标准方差(m/s2)来将车辆行驶工况 分类。

本发明的工况分类预测方法，进一步地，其中采用K均值聚类算法，通过计 算样本间的亲疏程度来进行数据分类，最终实现同一类中的数据具有较大的特 征相似性，不同类之间则差异较大，具体工况判断步骤如下：

离线阶段：(1)组合多个标准循环工况构成样本；

(2)在循环工况中每一采样时刻计算过去10秒的工况特征参数，得到特征 参数样本数据[x₁₁,x₁₂,...,x_1m]，[x₂₁,x₂₂,...,x_2m]，……，[x_n1,x_n2,...,x_nm]，其中m为特征参 数序数，n为循环工况长度；

(3)应用K均值聚类算法，随机选取聚类中心c1＝[c₁₁,c₁₂,...,c_1m]， c2＝[c₂₁,c₂₂,...,c_2m]，计算所有样本与聚类中心的距离，并将样本按照最近邻规则分 组，归属不同θ_m(k)聚类域，其中k为迭代次数，再按下式调整聚类中心：

如果c_m(k+1)≠c_m(k)，则继续调整聚类中心，直至聚类中心不再变化，则认 为分类稳定，得到平稳工况的聚类中心c1和快变工况的聚类中心c2；