[发明专利]一种暴雨道路无人驾驶车辆电量预测方法及预警系统

说明书

本发明公开了一种暴雨道路无人驾驶车辆电量预测方法与预警系统，该方法采用多种传感器组成传感器网络，能够综合考虑暴雨道路下无人驾驶车辆的多种行驶环境因素，采用了力敏传感器测量车身的降雨阻力，并利用融合系数进行集中数据融合；利用遗传算法对采集到的数据信息进行权重系数优化，能够区分不同行驶环境因素对车辆电量的影响大小，得到的数据结构更有代表性；利用两层神经网络对无人驾驶车辆在极端暴雨环境下的电量进行实时预测，神经网络的使用充分考虑了这种非线性环境下的各种定量和定性的变量因子，得到的电量预测结果与一般的SOC电池电量预测方法相比，更加智能，预测结果也更加准确，能够起到很好的预警功能。

技术领域

本发明涉及一种暴雨道路无人驾驶车辆电量预测方法及预警系统。

背景技术

近年来无人驾驶车辆技术的研发越来越受到各大公司的重视，谷歌、Uber等公司不断加大对无人驾驶车辆的研究力度，各国也一直在促进无人车辆上路的法律实行。但是现在的无人车辆还不能完全代替现有车辆，其原因有很多，其中比较重要的一点就是无人车辆电池电量的控制，如何保证无人驾驶车辆能够正确的掌控实时电量，是无人驾驶车辆能否投入实际使用的技术基础。

现在无人驾驶车辆的电池电量计算一般是采用简单的SOC预测方法等等，计算结果不够准确，实时性也不好。特别是对于无人驾驶车辆如何在极端环境下正确估算车辆电量情况，是现在的一个难题，迄今为止也没有公开的有效技术，这正是急需解决的核心技术问题，与正常天气下的行驶条件相比，暴雨天气无人驾驶车辆的行驶条件会有很大的不同，比如降雨阻力，道路积水等因素的变化都会使无人车辆的耗电情况更加复杂。

发明内容

本发明提供了一种暴雨道路无人驾驶车辆电量预测方法及预警系统，其目的在于，克服现有技术中无法在暴雨情况下对无人驾驶车辆的电量受到多因素影响，而无法进行准确预测的问题。

一种暴雨道路无人驾驶车辆电量预测方法，包括以下步骤：

步骤1：获取暴雨环境下的无人驾驶车辆历史行驶数据；

所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及耗电率、剩余电量；

步骤2：构建基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；

以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度作为小波神经网络的输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；

所述小波神经网络的输入层节点个数为4，隐含层小波元个数为8，输出层节点个数为1，隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数；训练过程中的最大迭代次数设置为1000，训练学习率为0.1，阈值为0.00004；

步骤3：构建基于BP神经网络的无人驾驶车辆剩余电量预测模型；

以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据，t+T时刻的剩余电量作为输出数据，对BP神经网络模型进行训练，获得基于BP神经网络的无人驾驶车辆剩余电量预测模型；

所述BP神经网络输入层包含3个节点，输出层节点个数为1，训练过程中的最大迭代次数设置为500，训练学习率为0.2；

步骤4：利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时间在指定时间间隔T时间内的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的无人驾驶车辆剩余电量预测模型，获得经过指定时间间隔T时的剩余电量；