[发明专利]一种用于机电复合传动履带车辆的驾驶循环工况预测方法

说明书

本发明公开了一种用于机电复合传动履带车辆的驾驶循环工况预测方法，其特征在于，包括步骤：(一)驾驶循环工况样本数据的选取；(二)确定驾驶循环工况样本数据聚类分析方法；(三)基于样本数据聚类分析的驾驶循环工况预测模型的设计；(四)驾驶循环工况预测模型中状态转移概率矩阵的确定方法的设计；(五)状态转移概率矩阵中权重因子的确定方法设计；(六)驾驶循环工况特征表征参数的确定；(七)驾驶循环工况识别方法确定。基于高阶马尔科夫链的工况预测方法和工况识别方法的研究，提出采用线性规划算法来选取合理的输出概率矩阵权重因子的方法，解决高阶马尔科夫链工况预测模型输出概率矩阵权重因子难以选取的问题，提高了燃油经济性。

技术领域

本发明涉及电动车辆控制技术领域，尤其涉及一种用于机电复合传动履带车辆的驾驶循环工况预测方法。

背景技术

针对双模混联式机电复合传动这类非道路车辆，在没有定位系统和感知设备的前提下，准确预测未来工况是十分困难的。以往用于工况预测的马尔科夫链模型多为一阶模型，此类模型只能采用一个历史工况数据来预测未来一步工况，也就是说预测的未来一步工况是相对准确的，如果要预测未来多步工况，就需要利用预测得到的工况数据来继续预测未来的工况，由于一阶马尔科夫模型预测多步未来工况的误差较大，导致这种工况预测方法会产生工况预测误差的累计叠加，因此工况预测精度非常差。为了解决一阶马尔科夫链模型预测工况误差大的问题，有学者采用高阶马尔科夫链模型来设计工况预测器，用于预测未来工况，高阶马尔科夫链工况预测模型的优点是可以采用多个历史工况数据来预测未来工况，从而可以直接预测多步未来工况，而不是利用预测的工况来继续预测未来工况，这种工况预测方法大幅度提高了工况预测精度。但是高阶马尔科夫链工况预测模型涉及到多个历史工况数据输出概率矩阵权重因子的选取问题，该权重因子对工况预测精度具有巨大影响，以往学者解决该问题的方法是根据工程经验初选输出概率矩阵权重因子，然后通过反复调试输出概率矩阵权重因子来改善高阶马尔科夫链工况预测模型的预测精度，这种输出概率矩阵权重因子的选取方法费时费力，难以取得理想的预测精度。

发明内容

本发明旨在提供一种用于机电复合传动履带车辆的驾驶循环工况预测方法，很好的解决了上述问题，基于高阶马尔科夫链的工况预测方法和工况识别方法的研究，提出采用线性规划算法来选取合理的输出概率矩阵权重因子的方法，解决高阶马尔科夫链工况预测模型输出概率矩阵权重因子难以选取的问题，提高了燃油经济性。

本发明的技术方案是一种用于机电复合传动履带车辆的驾驶循环工况预测方法，其特征在于，包括步骤：

(一)驾驶循环工况样本数据的选取；

(二)确定驾驶循环工况样本数据聚类分析方法；

(三)基于样本数据聚类分析的驾驶循环工况预测模型的设计；

(四)驾驶循环工况预测模型中状态转移概率矩阵的确定方法的设计；

(五)状态转移概率矩阵中权重因子的确定方法设计；

(六)驾驶循环工况特征表征参数的确定；

(七)驾驶循环工况识别方法确定。

进一步的，在步骤(一)中：驾驶循环工况样本数据选取，

选取多个典型的驾驶循环工况作为样本数据，用于计算马尔科夫链的输出概率矩阵。本发明选取的驾驶循环工况要涵盖低速、中速和高速工况，并且选取了多个典型的驾驶循环工况来设计工况预测器，驾驶循环工况的排列顺序对设计工况预测器没有影响，因此是通过随机排序的方式来确定驾驶工况的排列顺序。用于设计工况预测器选择的工况越多、样本数据越大、所涵盖的真实的驾驶场景越丰富，那么设计得到的工况预测器效果越好。

进一步的，在步骤(二)中：驾驶循环工况样本数据聚类分析方法，