[发明专利]一种基于高斯过程回归的多工况续驶里程预测方法及系统

权利要求书

1.一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，包括以下步骤：

1)采集常规工况数据进行预处理得到训练数据集，并选取高斯过程回归核函数，所述的常规工况数据包括纯电动汽车动力系统的输入、输出及环境数据，具体包括以下步骤：

11)采用去奇异值、平滑、归一化方法对常规工况数据进行预处理，并整理数据形式得到多组高斯过程回归模型的训练数据，即训练数据集；

12)计算高斯过程回归模型输入数据的概率密度分布；

13)从训练数据集中随机选取一部分训练数据，并保持原来的顺序，分别使用多种核函数对其进行快速拟合，通过拟合筛选出使得均方根误差RMSE最小的核函数，作为高斯过程回归模型训练中使用的核函数；

2)训练高斯过程回归模型，即确定高斯过程回归模型的超参数，具体为：

根据训练数据及核函数确定负对数边际似然函数，采用无导数的优化算法求解以负对数边际似然函数作为目标函数，以核函数的超参数作为决策变量的最优化问题，得到超参数，完成高斯过程回归模型的训练，得到均值函数和协方差函数；

3)采用序贯采样算法获得下一个采样点，并将其加入常规工况数据中，得到增广工况数据集，具体包括以下步骤：

31)假设一组模型输入，代入由步骤2)得到的均值函数得到一组模型输出，其与模型输入构成一组包含以模型输入为未知量的训练数据；

32)将该组数据加入预处理后的训练数据集得到增广工况数据集，采用与步骤2)相同的方法在增广工况数据集上训练高斯过程回归模型，并获取含有未知量的均值函数和协方差函数；

33)根据均值函数、协方差函数以及输入数据的概率密度分布，通过积分计算得到上下置信区间边界的概率密度分布，并且以上下置信区间边界的概率密度分布的差距作为目标函数，以假设的模型输入作为决策变量，构成最优化问题；

34)采用无导数的优化方法求解最优化问题；

4)基于预测结果及增广工况数据集，判断是否满足停止条件，若不满足，则将增广工况数据集作为新的训练数据集后返回步骤2)，若满足，则输出预测结果即在预测时段内的电池放电功率，根据开始测试时刻电池的剩余电量和在预测时段内的电池放电功率获取续驶里程。

2.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤1)中，常规工况数据为在设定时间间隔内按照设定的采样频率采集到随时间变化的时间序列数据，每个采样时刻点采集一组训练数据。

3.根据权利要求2所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤1)中，纯电动汽车动力系统的输入数据包括需求转速、需求扭矩、电池剩余电量、驾驶模式、车辆负荷和轮胎气压；

纯电动汽车动力系统的输出数据包括电池放电功率；

环境数据包括纯电动汽车动力系统所处的温度、大气压、量化后的车载非纯电动汽车动力系统用电器的使用情况以及路面平整度。

4.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤13)中，多种核函数包括Squared Exponential、Mat′ern、RationalQuadratic和Spectral Mixture。

5.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的步骤33)中，上下置信区间边界的概率密度分布的差距具体为：

采用L1或L2范数表示差距后，再对概率密度分布的分布区间进行积分得到的积分值。

6.根据权利要求1所述的一种基于高斯过程回归的多工况续驶里程预测方法，其特征在于，所述的无导数的优化算法包括遗传算法、蚁群算法和粒子群算法，其停止条件为迭代次数达到设定次数上限，或上下置信区间边界的概率密度分布的差距小于设定阈值。

7.一种实现如权利要求1所述基于高斯过程回归的多工况续驶里程预测方法的预测系统，其特征在于，该系统包括：

常规工况数据采集单元：用以通过传感设备采集动态获取纯电动汽车动力系统的输入、输出及环境数据作为常规工况数据，并发送给终端处理单元；

终端处理单元：用以将接收到的常规工况数据通过数据传输单元发送给服务器单元进行计算处理；

服务器单元：用以执行如权利要求1所述预测方法的步骤，实现对常规工况数据的预处理、训练高斯过程回归模型、序贯采样和预测结果输出；

人机交互单元：用以显示预测结果以及输入预测参数和条件。