[发明专利]基于多尺度卷积神经网络的混合动力车辆工况预测方法

说明书

技术领域

本发明涉及一种混合动力车辆的工况类型预测方法，特别是关于一种基于多尺度卷积神经网络的混合动力车辆工况预测方法，属于混合动力车辆控制技术领域。

背景技术

随着全球石油资源越来越短缺和政府部门对车辆排放的限制越来越严格，混合动力车辆越来越多地出现在汽车市场。混合动力的特有结构为车辆的节能减排提供了新的可能性，因此需要对整车的能量分配进行优化，也就是所谓车辆的能量管理策略的研究。

车辆的能量管理策略往往依赖于未知的未来工况类型，所以需要对车辆的工况类型进行预测。现有的工况预测方法，需要先提取工况数据的特征然后进行工况分类。此类方法需要大量的试验和调试，大大增加了整个过程的工作量。

发明内容

针对上述问题，本发明的目的是提供一种将特征提取和分类过程融合在一起的基于多尺度卷积神经网络的混合动力车辆工况预测方法，能够减少特征值选取带来的工作量。

为实现上述目的，本发明采取以下技术方案：一种基于多尺度卷积神经网络的混合动力车辆工况预测方法，其特征在于包括内容如下：步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理，得到相应的关于车辆工况的时间序列；步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络，得到相应工况的特征数据集；步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集，并利用新的特征数据集构造全卷积神经网络，采用全卷积神经网络完成车辆工况类型预测。

进一步地，所述步骤1)将原始的车辆工况时间序列进行减少采样率和低频滤波处理，得到相应的关于车辆工况的时间序列的具体过程为：步骤1.1)：获取原始的混合动力车辆工况时间序列，假设有N个车辆工况时间序列i＝1,2,…,N，其中，表示时刻j时刻的速度，y_i表示车辆工况V_i所对应的类型，y_i在有限个正整数中取值，每个不同的正整数代表不同的车辆工况类型；步骤1.2)将的一部分数据进行减少采样率处理，即每隔k个点保留一个采样点，相应得到多频率的关于工况的时间序列；步骤1.3)将的另一部分数据采用移动平均的低频滤波处理方法处理，相应得到多尺度的关于工况的时间序列。

进一步地，所述步骤2)基于不同的关于工况的时间序列序列数据构造不同的卷积神经网络，得到相应工况的特征数据集，具体过程为：步骤2.1)构造局部神经网络中的卷积层，其中，卷积层的过滤器的大小均相同；步骤2.2)构造局部神经网络中的池化层，其中，池化层采用最大池化来处理数据，并且池化大小和步长都取m/3，其中，m表示经过卷积层后输出的时间序列的长度；步骤2.3)根据卷积层和池化层的参数设置，构造局部卷积神经网络，得到相应工况的特征数据集。

进一步地，所述步骤3)将相应工况的特征数据集进行深度串联得到新的特征数据集，并利用新的特征数据集构造全卷积神经网络，采用全卷积神经网络完成车辆工况类型预测的具体过程为：步骤3.1)将采用不同局部神经网络得到的关于工况的特征集采用深度串联的方法得到新的特征数据集；步骤3.2)构造全卷积神经网络的卷积层；步骤3.3)构造全卷积神经网络的池化层；步骤3.4)构造全连接层；步骤3.5)输出层采用softmax类型的激活函数；步骤3.6)通过新构造的全卷积神经网络输出车辆工况类型的概率分布，完成车辆工况类型预测。

本发明由于采取以上技术方案，其具有以下优点：1、本发明将车辆工况的特征提取和工况的分类结合在一起，而不需要进行基于专家经验的特征提取，因此本发明可以提取工况数据的不同尺度和频率的特征，有利于提高车辆类型预测的准确性。2、相对现有的需要先提取工况数据的特征然后进行工况分类，本发明的能够减少特征值选取带来的工作量，节省了调试和实验的时间，有效提高了工作效率。

附图说明

图1是本发明的混合动力车辆工况预测方法流程图。

具体实施方式

以下结合附图来对本发明进行详细的描绘。然而应当理解，附图的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。

如图1所示，本发明提供的基于多尺度卷积神经网络的混合动力车辆工况预测方法，包括三个阶段：

一、第一阶段为转换阶段：

转换阶段主要将原始的车辆工况时间序列(本发明实施例中原始的车辆工况时间序列是指车辆在每一时刻下采集的速度值)进行减少采样率和低频滤波处理，相应得到新的关于车辆工况的时间序列，具体过程为：