[发明专利]一种基于增量学习的增程式电动物流车的能量管理方法

权利要求书

1.一种基于增量学习的增程式电动物流车的能量管理方法，其特征在于，包括以下步骤：

神经网络模型构建：第一层网络接受原始数据的输入，第二层网络估计出原始数据的类间距离与原始数据的类内距离；

神经网络模型训练：以某一阶段短时工况片段的特征参数作为模型输入，以某一阶段的下一阶段工短时况片段物流车的SOC轨迹作为模型输出训练集，得到神经网络模型；

模型识别预测控制：预测物流车下一阶段短时工况片段的SOC轨迹，并通过神经网络模型进行输出变量闭环控制下的能量管理实时优化。

2.根据权利要求1所述的一种基于增量学习的增程式电动物流车的能量管理方法，其特征在于，神经网络模型构建中，第一层网络接受原始数据的输入，以在线的方式自适应地生成原型神经元来表示输入的原始数据；

第二层网络估计出原始数据的类间距离与原始数据的类内距离，把原始数据的类间距离、原始数据的类内距离和第一层网络生成的原型神经元作为输入再运行一次改进SOINN算法。

3.根据权利要求1所述的一种基于增量学习的增程式电动物流车的能量管理方法，其特征在于，神经网络模型训练中，利用动态规划算法得出所有工况下物流车的全局最优SOC轨迹；

将所有工况按照固定的时间段划分成无数个工况片段，提取短时阶段内所有工况的工况片段，以及提取短时阶段内所有工况的工况片段对应物流车的最优SOC轨迹；

将某一短时阶段的工况片段特征参数作为模型输入，将下一短时阶段的工况片段物流车的SOC轨迹特征数据作为模型输出，通过改进的SOINN算法进行多输入多输出的增量学习神经网络系统中的训练模型，建立了某一短时阶段的工况片段的特征参数与下一阶段短时阶段的工况片段物流车的SOC轨迹特征数据之间的映射关系。

4.根据权利要求1所述的一种基于增量学习的增程式电动物流车的能量管理方法，其特征在于，通过改进的SOINN算法进行多输入多输出的增量学习神经网络系统中的训练模型主要步骤如下：

步骤1、初始化单个竞争学习周期内的神经元集合N，神经元连接关系集合

步骤2、接受新的输入样本ξ，基于L₂范数查找N中与ξ最接近的获胜神经元S₁和获胜神经元S₂，即：

S₁＝argmin||ξ-W_τ||,τ∈N，S₂＝argmin||ξ-W_τ||,τ∈N\{S₁}，

其中，W_τ表示神经元τ的权重；

步骤3、计算获胜神经元S₁的相似度阈值和获胜神经元S₂的相似度阈值将任意神经元τ的邻居神经元集合记为N_τ，T_τ的计算方法如下：

如果则T_τ＝max||W_τ-W_j||,j∈N_τ；

否则T_τ＝min||W_τ-W_j||,j∈N\{τ}。