[发明专利]一种暴雨道路无人驾驶车辆电量预测方法及预警系统

摘要

本发明公开了一种暴雨道路无人驾驶车辆电量预测方法与预警系统，该方法采用多种传感器组成传感器网络，能够综合考虑暴雨道路下无人驾驶车辆的多种行驶环境因素，采用了力敏传感器测量车身的降雨阻力，并利用融合系数进行集中数据融合；利用遗传算法对采集到的数据信息进行权重系数优化，能够区分不同行驶环境因素对车辆电量的影响大小，得到的数据结构更有代表性；利用两层神经网络对无人驾驶车辆在极端暴雨环境下的电量进行实时预测，神经网络的使用充分考虑了这种非线性环境下的各种定量和定性的变量因子，得到的电量预测结果与一般的SOC电池电量预测方法相比，更加智能，预测结果也更加准确，能够起到很好的预警功能。

主权项

1.一种暴雨道路无人驾驶车辆电量预测方法，其特征在于，包括以下步骤：/n步骤1：获取暴雨环境下的无人驾驶车辆历史行驶数据；/n所述历史行驶数据包括各时刻的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度以及耗电率、剩余电量；/n步骤2：构建基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；/n以所述历史行驶数据中各指定时间间隔T内的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度作为小波神经网络的输入数据，耗电率作为输出数据，对小波神经网络进行训练，获得基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型；/n所述小波神经网络的输入层节点个数为4，隐含层小波元个数为8，输出层节点个数为1，隐层小波神经元采用Mexican Hat小波函数，输出层节点采用Sigmoid函数；训练过程中的最大迭代次数设置为1000，训练学习率为0.1，阈值为0.00004；/n步骤3：构建基于BP神经网络的无人驾驶车辆剩余电量预测模型；/n以所述历史行驶过程中的t时刻的耗电率和对应的剩余电量作为输入数据，t+T时刻的剩余电量作为输出数据，对BP神经网络模型进行训练，获得基于BP神经网络的无人驾驶车辆剩余电量预测模型；/n所述BP神经网络输入层包含3个节点，输出层节点个数为1，训练过程中的最大迭代次数设置为500，训练学习率为0.2；/n步骤4：利用当前时间在指定时间间隔T时间内获得的降雨阻力、道路积水阻力、道路坡道损耗功率、车载电池温度输入基于小波神经网络的无人驾驶车辆的电池耗电率拟合模型，获得当前时间在指定时间间隔T时间内的电池耗电率，并基于获得的当前电池耗电率以及实时剩余电量，输入基于BP神经网络的无人驾驶车辆剩余电量预测模型，获得经过指定时间间隔T时的剩余电量；/n其中，所述降雨阻力是指通过设置在车身不同表面的力敏传感器网络进行实时测量，将每个车身表面的每个力敏传感器的测量数据的均值利用融合系数矩阵进行集中融合，以所有表面的降雨阻力形成的降雨阻力向量，融合系数矩阵利用自适应花粉授粉算法计算得到；/n所述道路积水阻力是利用图像采集装置获取路面图像，并对路面图像进行边缘处理以判断前方路面是否有积水，如果无积水则输出预设的道路积水阻力值；如果有积水则利用道路两旁的红外测量仪采集的积水数量、长度和深度信息计算道路积水阻力；/n所述道路坡道损耗功率是利用安装在车底的水平仪采集的无人车辆车身偏角信息、车辆行驶速度以及车重进行克服重力做功计算获得。/n