[发明专利]一种混合动力车辆行驶工况的工况预测方法

权利要求书

1.一种车辆行驶工况的波形预测方法，该方法包括：

用若干个历史数据点表示历史工况信息，利用实际工况的变化趋势作为先验知识，建立波形预测方法，实现对未来工况信息的准确预测，波形预测方法包括：首先，将整个车辆行驶工况分成若干个行驶工况片段的组合，对典型工况进行一定的统计分析，统计多种情况下工况变化的趋势，基于这些工况变化趋势建立工况识别数据库；然后，利用BP神经网络算法训练行驶工况片段，计算当前工况与数据库中已知数据的相似程度，找到与当前工况最为相近的已知工况片段，并将该片段的未来工况信息作为当前工况的预测结果，完成工况预测，每次预测结果都是根据最近的历史工况唯一确定的，预测结果之间没有相互影响；

其中，车辆从起动到第一次停车制动的这一过程称作一个行驶工况片段，车辆行驶工况被看成数个行驶工况片段的组合，每一个行驶工况片段都是由起动阶段、行驶阶段、制动阶段三部分组成；现有的标准工况均是由不同个数的行驶工况片段组合而成，行驶工况片段的特征可以反映全局工况的整体特征，大大的降低了后续工况分析的复杂性；行驶工况片段之间彼此完全独立，彼此之间不会产生任何影响，实际工况为多种典型行驶工况片段的拼接；

该方法包括以下流程：

（1）建立数据库：对典型工况进行一定的统计分析，统计多种情况下工况变化的趋势，基于这些工况变化趋势建立工况识别数据库；

（2）离散化：将连续的行驶工况片段进行离散化：将行驶工况片段，按照时间离散成若干点；

（3）数据处理：设置神经网络的输入层神经元个数m，输出层神经元个数n，将离散后的行驶工况片段按照从前到后的顺序，相邻的m+n个数据点组成一个训练片段，由此得到若干训练片段，将得到的训练片段的前部m个数据作为训练神经网络的输入向量，后部n个数据作为训练神经网络的期望输出向量；

（4）离线训练神经网络：在MATLAB环境下，利用神经网络工具箱和已经得到的训练样本对神经网络进行训练；

（5）在线预测未来工况信息：通过将最近的历史工况信息输入到神经网络中，神经网络输出未来车速即为对未来工况的预测结果，随着输入到神经网络的历史工况信息不断更新，预测程序持续进行，直至全局工况结束。

2.根据权利要求1所述的车辆行驶工况的波形预测方法，其中，根据预测的需求，建立BP神经网络，建立神经网络需要的先验信息是各层神经元的数量，本方法的车辆行驶工况在神经网络计算过程中是以模拟信号波形的方式表达的，输入、输出层根据波形的采样点数目决定输入、输出单元的维数，输入层的神经元个数等于神经网络的输入向量维度，输出层的神经元个数等于输出向量的维度；与此同时，输出向量的长度与预测区域的时间长度相等；在明确了采样时间长度和预测区域的时间长度后，可以确定神经网络的隐层神经元个数。

3.根据权利要求2所述的车辆行驶工况的波形预测方法，其中隐层神经元的个数通过三种经验公式1-3确定，然后根据实际需要进行调整选择：

公式1

公式2

公式3

其中，m：隐层神经元个数，n：输入层神经元个数，l：输出层神经元个数，α为1到10之间的常数。

4.一种混合动力车辆行驶工况的工况预测方法，该方法采用权利要求1-3任一所限定的车辆行驶工况的波形预测方法。