[发明专利]机电复合传动系统需求转矩的自适应递归多步预测方法

说明书

本发明公开了一种机电复合传动系统需求转矩的自适应递归多步预测方法，它涉及一种自适应递归多步预测方法。本发明基于有外界输入的自回归模型(ARX)，应用自适应递归预测算法实现机电复合传动系统需求转矩的在线多步实时预测。预测算法中采用原始的驾驶员油门踏板信号和经过信号变换计算得到的实际需求转矩信号作为模型的输入，实现需求转矩的直接预测，从而降低预测的累积误差。同时，引入两个权重系数，以保证预测算法的准确性和自适应性。本发明通过引入的自适应权重系数实现预测模型的在线实时更新，在保证预测算法实时性和准确性的同时，完成机电复合传动系统需求转矩信息的在线预测。

技术领域

本发明涉及的是一种自适应递归多步预测方法，具体涉及一种机电复合传动系统需求转矩的自适应递归多步预测方法。

背景技术

机电复合传动系统根据驾驶员的踏板信息提供驱动转矩，当车辆的操纵状态发生改变时，由于发动机响应的滞后性，通常由电机提供多余的转矩，以保证车辆的动力性。当车辆进行冷启动特别是电池的温度比较低时，过多的电机转矩可能导致电池的放电电流超过最大允许电流，从而减少电池的使用寿命。如果车辆的需求转矩可以预测，基于预测的需求转矩对发动机输出动力进行控制，能够有效的改善电池的使用寿命。同时，基于预测的需求转矩信息对机电复合传动系统的功率分配优化进行控制，能够进一步的改善机电复合传动系统的性能。

时间序列分析中涉及到机电复合传动系统需求转矩预测的文献很少，但是对于未来信号预测的方法却有很多，应用的模型也主要是AR模型、ARMA模型以及ARX模型。信息预测中存在的主要问题是：在保证预测精度的前提下，采用一种算法应用尽量少的有效历史数据，减少预测估计的计算量，同时实现信息的实时预测。采用了一种具有代表性的多步预测算法——步进式预测算法(Step-by-step prediction)，以当前采样数据和前一步的预测数据作为输入，通过相同预测模型的迭代实现多步信息的预测。利用单步预测的迭代，实现多步预测的效果。但是，这种多步预测算法存在的问题是应用预测的数据作为下一步预测的输入，这样会造成误差的累积，当预测的步数比较多时，误差会明显增大。而一种直接多步预测算法。与步进式预测算法相比，这种直接多步预测算法中所有作为输入的数据全为采样或估计获得，预测的数据不在用于多步预测的迭代，未来的多步信息直接通过一次预测获得。由于消除了累积误差，预测的精度得到了改善。但是，直接的多步预测需要多个预测模型，预测算法的计算量很大，这些都限制了这种方法的实时在线应用。一种DirRec预测算法，其综合了步进式预测算法和直接多步预测算法，实现每步信息的预测的同时也会对上一步预测的信息进行验证。相较于步进式预测算法，DirRec预测算法在累积误差方面有了一定的改善，但是其对于模型的依赖性较强，当模型的外部条件发生变化时预测算法的性能不能得到保证。作为DirRec预测算法的进一步拓展，将DirRec预测算法针对的多输入单输出系统扩展到多输入多输出系统，可以对系统未来的输出向量进行预测。但是，算法适应性差的缺点却没有得到相应的改善。

通过分析比较当前存在的预测算法主要存在以下几个缺点：(1)多步预测中应用预测的数据进行迭代造成误差的累积，从而导致预测算法的精度较差；(2)预测过程涉及到矩阵运算，求解计算量很大，使得预测算法实时性较差，难以实现在线应用；(3)预测算法应用固定的预测模型，当系统的特性发生变化时，预测算法不具备自适应性，不能适时的对预测模型进行调整，导致预测的精度变差。

步进式预测算法基于当前和过去的转矩需求信息，应用AR模型对于未来的需求转矩进行预测，步进式预测算法的计算量比较大，并且由于预测结果的重复使用造成预测误差的累积，因此步进式预测算法的精度较差。对于1500s重型车辆循环工况预测时，相对于实际的需求转矩，预测转矩的极值误差很大，此种方法不适合实际应用。