[发明专利]一种基于元学习的混合动力车辆工况预测方法

说明书

本发明提供了一种基于元的方式，模型训练过程被划分为两个部分：离线执行的预训练与在线执行的微调训练。预训练针对多种工况进行并行训练，以获得泛化性能较好的基模型。微调学习的混合动力车辆工况预测方法，其在深度神经网络的基础上结合了多任务训练训练在基模型基础上针对特定工况进行训练，时间成本低，可以应用于模型的在线修正环节。此外，基于上述流程，还进一步给出了一种由离线训练、在线训练和实时预测三部分组成的车速预测模型在线应用框架，可应用于实际交通条件下的工况预测任务。

技术领域

本发明涉及车辆工况预测技术领域，尤其涉及一种适用于混合动力车辆的基于元学习实现的工况预测技术。

背景技术

混合动力车辆相较于传统燃油车，其燃油经济性的提升常需要通过整车能量管理策略来实现。目前，模型预测能量管理策略被普遍认为是一种可以同时兼顾在线应用及优化控制效果的混合动力能量管理策略，得到了广泛研究。在模型预测控制框架下，一个精准的预测模型对于求解最优控制序列具有重要意义。虽然驾驶行为本身具有很大的不确定性和随机性，但在驾驶过程中仍存在一些隐藏规则，这些规律反映在由相似的历史速度序列所对应的不同的未来速度序列在概率上也是相似的。因此，如果能够有效地利用上述规律，则对于提升混合动力电动汽车的燃油经济性能这一技术问题，可提供新型的实现途径。

发明内容

针对现有技术中存在的技术问题，本发明提供了一种基于元学习的混合动力车辆工况预测方法，具体包括以下步骤：

步骤一、建立基于深度神经网络的车速初始预测模型，分别以历史车速序列与将预测的未来车速序作为所述模型的输入与输出，序列元素个数分别与输入层和输出层的神经元个数对应；

步骤二、利用不同交通条件下采集的实测工况数据，对所述车速初始预测模型进行离线预训练，用于对模型参数进行重复更新，以得到经预训练后稳定的车速预测基模型；

步骤三、利用特定的循环工况或实测工况数据对所述车速预测基模型进行在线微调训练，使所述基模型满足精度校验要求，以得到经微调训练的车速预测微调模型；

步骤四、基于满足精度校验要求的车速预测微调模型，利用实时采集的车辆行驶数据对未来车速进行预测。

进一步地，所述步骤一具体包括：

将历史车速序列作为输入参数，将预测的未来车速序列作为输出参数，车速初始预测模型可以由以下公式表示：

[V_t+1,V_t+2,...,V_t+ΔP]＝F(V_t-ΔH,...V_t-1,V_t)

其中，F(*)表示由历史车速序列到未来车速序列的映射关系函数；V(t±*)表示每一秒的车速信息；ΔH和ΔP表示神经网络输入层和输出层的神经元个数；

车速预测的精度由以下公式定义：

其中，V_t+i和分别表示时间t时刻的预测车速和参考车速，i表示车速序列的序号。预测误差值越小，则表示预测精度越高。

进一步地，所述步骤二具体包括：

2.1、初始化模型网络参数为：θ^k，k＝1,2,3,4...；

2.2、对于参与训练的每一组工况，都定义一个与之对应的数据池，并将其命名为：

Pool_i,i＝1,2,3,...,n

每个训练数据池中的每一组数据都具有如下的格式：

其中，输入数据序列为：