[发明专利]一种混合动力汽车能量管理方法及系统

权利要求书

1.一种混合动力汽车能量管理方法，其特征在于，包括：利用基于历史车速和驾驶员行为训练的神经网络对未来车速进行预测，得到预测车速；

将历史车速和驾驶员行为按照神经网络输入输出进行整理，然后将输入参数矢量和输出参数矢量输出到径向基函数人工神经网络模型中形成训练样本进行离线训练，建立稳定的径向基函数人工神经网络结构；

选用自组织选取中线的RBF神经网络学习方法，核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值；

利用通过采集的道路坡度数据所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度；根据所述预测车速和所述预测道路坡度计算需求功率；根据所述需求功率利用动态规划算法计算各个动力部件的扭矩和转速。

2.根据权利要求1所述的一种混合动力汽车能量管理方法，其特征在于，基于历史车速和驾驶员行为训练的神经网络的训练过程包括：获取各个汽车数据采集装置所采集的汽车在各个道路工况下行驶时的历史车速和驾驶员行为；将所述历史车速和所述驾驶员行为按预设时间段长度进行划分，得到输入样本和输出样本；利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络。

3.根据权利要求2所述的一种混合动力汽车能量管理方法，其特征在于，在所述利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络之后，还包括：实时对所述历史车速和所述驾驶员行为进行更新；利用更新后的历史车速和驾驶员行为对所述训练好的神经网络的参数进行调整。

4.根据权利要求1所述的一种混合动力汽车能量管理方法，其特征在于，通过采集的道路坡度数据的建立基于自回归积分移动平均模型的坡度预测模型的具体过程包括：将道路坡度数据中任意一个采样点与该采样点之前的采样点序列之间线性关系建立为自回归积分移动平均模型的p阶自回归部分；将道路坡度数据种的白噪声的线性加权关系建立为自回归积分移动平均模型的q阶移动平均部分；将所述自回归部分与所述移动平均部分整合为自回归积分移动平均模型的自回归移动平均部分；对所述自回归积分移动平均模型进行参数计算，确定自回归积分移动平均模型的p值、d值和q值，得到坡度预测模型；其中p为自回归部分的阶数，q为移动平均部分的阶数，d为非平稳坡度值序列转化为平稳序列所需要的差分次数。

5.根据权利要求4所述一种混合动力汽车能量管理方法，其特征在于，所述利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度，具体包括：将所述预测车速乘以所述预测车速对应的时间，得到预测距离；利用所述坡度预测模型按照所述预测距离进行坡度预测，得到预测道路坡度。

6.一种混合动力汽车能量管理系统，其特征在于，包括：车速预测模块，用于利用基于历史车速和驾驶员行为训练的神经网络对未来车速进行预测，得到预测车速；

将历史车速和驾驶员行为按照神经网络输入输出进行整理，然后将输入参数矢量和输出参数矢量输出到径向基函数人工神经网络模型中形成训练样本进行离线训练，建立稳定的径向基函数人工神经网络结构；

选用自组织选取中线的RBF神经网络学习方法，核心是求解隐含层基函数中心、基函数的方差和隐含层单元到输出单元的权值；

坡度预测模块，用于利用通过采集的道路坡度数据的所建立的基于自回归积分移动平均模型的坡度预测模型对道路坡度进行预测，得到预测道路坡度；功率计算模块，用于根据所述预测车速和所述预测道路坡度计算需求功率；功率分配模块，用于根据所述需求功率利用动态规划算法计算各个动力部件的扭矩和转速。

7.根据权利要求6所述的一种混合动力汽车能量管理系统，其特征在于，还包括神经网络训练模块，用于基于历史车速和驾驶员行为训练神经网络；所述神经网络训练模块包括：数据获取单元，用于获取各个汽车数据采集装置所采集的汽车在各个道路工况下行驶时的历史车速和驾驶员行为；样本划分单元，用于将所述历史车速和所述驾驶员行为按预设时间段长度进行划分，得到输入样本和输出样本；训练单元，用于利用所述输入样本和输出样本对神经网络进行训练，得到训练好的神经网络。