[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

说明书

本发明公开了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。

技术领域

本发明涉及一种基于增量学习的增程式电动物流车的能量管理方法，属于物流车管理技术领域。

背景技术

网购兴起，物流车在全国各个城市大放异彩，如何做到物流车燃油经济性最好、配送成本更低已然成为国内外汽车研发人员重点研发方向。增程式电动物流车由于增程器与传动系统无机械连接，发动机可以工作在最佳燃油区域，具有较好的燃油经济性，但其能量管理一直以来是本领域较为复杂的技术难点。由于物流车配送时会遇到各种工况，特别像六一八、双十一等密集网购日，现有基于规则或基于优化的能量管理方法，都不能很好的做到燃油经济性最优，如何创新性的提出一种基于学习的能量管理方法，使增程式物流电动车在密集网购日等复杂工况下能做到燃油经济性最优，提高物流车的智能化水平，是本领域中亟待解决的问题。

发明专利CN110696815A提出了一种网联式混合动力汽车的预测能量管理方法，该发明专利存在的不足有：1)只提供利用MPC方法对所规划的SOC轨迹进行跟随，无法实现精确到行驶片段的实时能量管理，未能提供基于机器学习的方法对行驶工况的预测和对预测能量的管理。发明专利CN105216782A提供了一种基于能量预测的插电式混合动力能量管理方法，该发明专利存在的不足有：1)只提供在线规划SOC参考轨迹，未能提供离线动态规划全局最优SOC轨迹，无法得到全局最优SOC参考轨迹，燃油经济性无法达到最优。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于增量学习的增程式电动物流车的能量管理方法，旨在通过增量学习实现增程式电动物流车在配送过程中最大程度上节油，使其具有最优的燃油经济性。

为达到上述目的，本发明提供一种基于增量学习的增程式电动物流车的能量管理方法，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。

优先地，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。优先地，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。

优先地，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：