[发明专利]一种融合风环境的无人驾驶车辆电源实时监控方法及装置

说明书

本发明公开了一种融合风环境的无人驾驶车辆电源实时监控方法及装置，该方法针对车辆行驶路径中复杂的道路环境尤其是风环境，考虑不同车速对耗电量影响的不同，建立耗电量预测模型，该模型预测电量与电池本身无关，利用大量历史数据与实时数据训练模型，能辨识不同路况环境上车辆以不同车速作为知道车速的电量的使用情况。该模型对云端其他车辆车速进行中值法、均值法、众数法三种不同的方式进行处理，依据不同云端车速对车辆耗电量进行预测，选择出最低耗电量的数据，获取对应的行驶车速作为未来设定时间内的车速，能降低车辆行驶能耗，实现经济车速行驶目标，符合低碳出行的要求。

技术领域

本发明属于人工智能领域，特别涉及一种融合风环境的无人驾驶车辆电源实时监控方法及装置。

背景技术

无人驾驶车辆正在迅速兴起，无人驾驶车辆电量消耗的快慢成为评价无人驾驶车辆性能优良的指标之一，无人驾驶车辆电量反映了无人驾驶车辆在接下来一段时间里能够行驶某一定距离的时间和速度的匹配关系，决定了无人驾驶车辆的续航里程。无人驾驶车辆不同的行驶状态对耗电量有着很重要的影响。

影响车辆能耗的主要原因有车辆各附件能耗和车辆发动机牵引力克服外部阻力的能耗。在车辆各附件能耗中空调能耗是最大最显著的一项，无人驾驶车辆空调视为智能自动调节，无需人工干涉，其空调的使用情况可根据车内外温度差来体现。车辆需要克服外部的阻力主要包括车轮与地面的摩擦阻力和车辆行驶中的空气阻力，当一辆车辆以80km/h的速度行驶时，60％的能耗用来克服空气阻力，空气阻力可用风速的大小来体现。无人驾驶车辆行驶在平路上的摩擦阻力可视为恒定值，其与车载重有关，当无人驾驶车辆行驶在有坡度的路面上时，其摩擦阻力将会改变，并附有重力沿路面方向的分力，因此可用路面的坡度角和长度来体现。

在一段路程里，车速的大小影响车辆耗电量的大小，车速越快，风阻能耗越大，耗电量越大。因此考虑复杂路况环境的影响，融合风环境给无人驾驶车辆行驶在未来某一段路程中匹配其车辆行驶速度，实现无人驾驶车辆电源的实时监控对无人驾车车辆发展具有指导意义。

发明内容

本发明提供了一种融合风环境的无人驾驶车辆电源实时监控方法及装置，依融合车内外温度数据、车外车正前方风速数据、车速数据和道路坡度角对无人驾驶车辆耗电量进行实时预测监控，并通过耗电量预测模型输出不同车速下耗电量值，选择在未来某一段路程中耗电量最低对应的行驶距离，计算未来设定时间内与道路情况最佳的匹配车速，作为指导车速。

一种融合风环境的无人驾驶车辆电源实时监控方法，包括以下步骤：

步骤1：获取训练数据；

所述训练数据包括无人驾驶车辆在行驶过程中的设定间隔时间T内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；

所述风阻能耗值由无人驾驶车辆在设定间隔时间T内的相对风速累加获得，所述相对风速大小是指车辆外部风速与车速的差值；

所述坡度能耗值由无人驾驶车辆在设定间隔时间T内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；

所述温度能耗值由无人驾驶车辆在设定间隔时间T内的车内温度与车外温度的差值累加获得；

所述行驶距离由无人驾驶车辆在设定间隔时间T内的车速对时间进行积分获得；

步骤2：构建基于Elman神经网络的相对风速预测模型；

利用训练数据中的无人驾驶车辆相对风速时间序列中的连续n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的相对风速预测模型；