[发明专利]一种融合风环境的无人驾驶车辆电源实时监控方法及装置

摘要

本发明公开了一种融合风环境的无人驾驶车辆电源实时监控方法及装置，该方法针对车辆行驶路径中复杂的道路环境尤其是风环境，考虑不同车速对耗电量影响的不同，建立耗电量预测模型，该模型预测电量与电池本身无关，利用大量历史数据与实时数据训练模型，能辨识不同路况环境上车辆以不同车速作为知道车速的电量的使用情况。该模型对云端其他车辆车速进行中值法、均值法、众数法三种不同的方式进行处理，依据不同云端车速对车辆耗电量进行预测，选择出最低耗电量的数据，获取对应的行驶车速作为未来设定时间内的车速，能降低车辆行驶能耗，实现经济车速行驶目标，符合低碳出行的要求。

主权项

1.一种融合风环境的无人驾驶车辆电源实时监控方法，其特征在于，包括以下步骤：步骤1：获取训练数据；所述训练数据包括无人驾驶车辆在行驶过程中的间隔时间T内的能耗值、行驶距离和耗电量，所述能耗值包括风阻能耗值、坡度能耗值以及温度能耗值；所述风阻能耗值由无人驾驶车辆在间隔时间T内的相对风速累加获得，所述相对风速大小是指车辆外部风速与车速的差值；所述坡度能耗值由无人驾驶车辆在间隔时间T内的爬坡因子对时间进行积分获得，爬坡因子为β，β＝0.02*cos(α)+sin(α)，α为无人驾驶车辆在行驶过程中的对离散时刻采集的坡度角值进行线性拟合得到的随时间连续变化的坡度角；所述温度能耗值由无人驾驶车辆在间隔时间T内的车内温度与车外温度的差值累加获得；所述行驶距离由无人驾驶车辆在间隔时间T内的车速对时间进行积分获得；步骤2：构建基于Elman神经网络的相对风速预测模型；利用训练数据中的无人驾驶车辆相对风速时间序列中的连续n个时刻的相对风速作为输入数据，第n+1个时刻的相对风速作为输出数据，对Elman神经网络模型进行训练，构建基于Elman神经网络的相对风速预测模型；步骤3：基于能耗值和行驶距离构建基于灰色神经网络的耗电量预测模型；以无人驾驶车辆在间隔时间内风阻能耗值、坡度能耗值、温度能耗值以及行驶距离作为输入数据，以无人驾驶车辆在间隔时间内的耗电量作为输出数据，对灰色神经网络模型进行训练，构建基于灰色神经网络的耗电量预测模型；步骤4：构建云端路径上各经纬度行车数据库；所述云端路径上各经纬度行车数据库包括各经纬度点上的车速、坡度角以及相邻参考经纬度之间的行驶时间；对路径上的经纬度进行等间距划分，获得参考经纬度，相邻参考经纬度之间间距为2米，将云端共享服务器中所有在该路径上行驶的车辆获取车速、坡度角时的经纬度依据距离最近原则，划分到与该路径上最近的参考经纬度，依次以同一参考经纬度上的所有车辆车速中值、均值以及众数值和坡度角的均值，分别作为参考经纬度上的云端车速的三种取值和坡度角，并分别按照前一参考经纬度上的各种云端车速行驶至下一参考经纬度，获取相邻参考经纬度之间的各种行驶时间；若所述无人驾驶车辆与云端路径上各经纬度行车数据库中坡度角数据所属车辆的行驶方向一致，则提取对应坡度角数据；若行驶方向相反，则提取对应坡度角数据的负值数据；若存在某路段空缺数据，则位于该路段上的坡度角为零；步骤5：基于无人驾驶车辆实时数据，利用三种云端车速，获取算未来设定间隔时间内三种风阻能耗值、行驶距离和坡度能耗值，以及在未来设定间隔时间内的温度能耗值；利用无人驾驶车辆实时采集的外部风速和车速，利用基于Elman神经网络的相对风速预测模型，获得未来设定间隔时间内的相对风速，并计算未来设定间隔时间内的三种风阻能耗值；同时利用无人驾驶车辆所在的经纬度，依据云端路径上的相邻参考经纬度之间的三种行驶时间数据，确定无人驾驶车辆在经过未来设定间隔时间后所处的三种经纬度位置，并从云端获取在未来路径上在未来设定间隔时间内的经过各经纬度时的三种云端车速和云端坡度角，计算未来设定间隔时间内三种行驶距离和坡度能耗值；利用无人驾驶车辆实时采集的车内外温度的差值在未来设定间隔时间内的累加值作为未来设定时间内的温度能耗值；步骤6：利用步骤5获得的在未来设定间隔时间内的温度能耗值以及三种风阻能耗值、行驶距离、坡度能耗值，分三次输入基于灰色神经网络的耗电量预测模型，获得在未来设定间隔时间内的三种耗电量值；步骤7：从步骤6获取的三种耗电量值中选出最大耗电量，作为未来设定间隔时间内无人驾驶车辆最终的耗电量预测值，并以三种耗电量值中的最小耗电量对应输入的行驶距离，获取未来设定时间内平均车速，作为无人驾驶车辆指导车速。