[发明专利]基于BP神经网络车速预测的复合电源能量管理方法在审
申请号: | 201910051538.8 | 申请日: | 2019-01-21 |
公开(公告)号: | CN109760523A | 公开(公告)日: | 2019-05-17 |
发明(设计)人: | 胡强;付志军 | 申请(专利权)人: | 浙江工业大学 |
主分类号: | B60L50/40 | 分类号: | B60L50/40;B60L50/60;B60L58/10 |
代理公司: | 杭州斯可睿专利事务所有限公司 33241 | 代理人: | 王利强 |
地址: | 310014 浙江省*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 车速 复合电源 能量管理 最优控制 预测 车速信息 模型预测控制 汽车行驶状态 神经网络模型 反馈校正 滚动优化 控制策略 汽车能量 使用效率 收集处理 输入参数 需求功率 续驶里程 预测模型 预测时域 整车模型 有效地 算法 电机 反馈 汽车 | ||
1.一种基于神经网络车速预测的复合电源能量管理方法,其特征在于,所述方法包括以下步骤:
步骤1,根据历史车速信息和当前汽车行驶状态,通过建立神经网络车速预测模型,获得K时刻未来一段时间的预测车速;
步骤2,根据所述步骤1中的获得的预测车速计算出电机需求功率;
步骤3,根据步骤2中的需求功率,采用模型预测控制算法滚动优化求解K时刻起预测时域内最优控制序列;
步骤4,将步骤3中获得的最优控制序列首个控制量作用到整车系统,对下一时刻的预测值进行校正;
步骤5,在k+1时刻重复步骤4的操作过程,直到求出整个系统的最优控制量。
2.如权利要求1所述的基于神经网络车速预测的复合电源能量管理方法,其特征在于,所述步骤1的过程为:
所述车速预测模型采用BP神经网络预测模型,根据K时刻当前状态和历史车速信息,提取工况特征参数,组成BP神经网络模型的输入:
式中,表示平均车速,vmax表示最大车速,amax表示最大加速度,fv表示车速标准方差,Pi表示怠速时间比例,分别为各时刻的车速;
BP神经网络模型的结构采用三层BP神经网络,其中激活函数采用双曲型正切S型函数,定义如下:
BP神经网络模型的输出Nout为未来一段时间的预测车速:
Nout=vk+1,vk+2,···,vk+P
式中,vk+1,vk+2,···,vk+P分别为未来各时刻的车速。
3.如权利要求1或2所述的基于神经网络车速预测的复合电源能量管理方法,其特征在于,所述步骤2中,电机需求功率根据汽车理论计算公式求取。
4.如权利要求1或2所述的基于神经网络车速预测的复合电源能量管理方法,其特征在于,所述步骤3中,模型预测控制算法计算最优控制序列,过程为:
在采样时刻k,预测时域内的优化目标函数为:
式中,wb和wu分别为对应项的权重系数;SOC0为电池SOC参考值,SOC1为超级电容SOC参考值,P为预测时域;
优化问题的约束不等式方程如下:
式中,Ibmin和Ibmax分别为电池充放电电流极值,Iumin和Iumax分别为超级电容单体充放电电流极值,SOCb为电池的荷电状态,SOCbmax、SOCbmin分别为电池SOC上下限值,SOCu为超级电容的荷电状态,SOCumax和SOCumin分别是超级电容的上下限值,Pbout为电池的输出功率,Puout是超级电容的输出功率,Pbmin、Pbmax分别为电池输出功率的最大最小值,Pumin、Pumax分别为超级电容输出功率的最大最小值。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于浙江工业大学,未经浙江工业大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910051538.8/1.html,转载请声明来源钻瓜专利网。