申请/专利权人：长安大学

申请日：2022-11-15

公开（公告）日：2024-04-26

公开（公告）号：CN115675098B

主分类号：B60L7/10

分类号：B60L7/10;B60W30/02;B60W50/00

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2023.02.21#实质审查的生效;2023.02.03#公开

摘要：本发明公开了一种基于用户特征差异的智能网联汽车动能回收系统、方法、设备及存储介质，智能网联汽车动能回收方法包括：环境感知与工况识别；驾驶特性数据集的建立；参数样本数据强化学习，获取期望值；制动稳定性与能耗条件约束；模式参数归一化处理；对归一化处理的稳定性和能耗参数进行二次赋权，得到多目标优化后的评价结果，将评价结果对应于0‑1区间，按相应的制动程度进行制动扭矩的输出，实现能量回收无级调节。

主权项：1.一种基于用户特征差异的智能网联汽车动能回收方法，其特征在于，包括以下步骤：步骤1，环境感知与工况识别；获取车辆及环境信息，将车辆当前工况与历史环境聚类相匹配，对制动安全性、能量回收率做出初步判断；步骤2，驾驶特性数据集的建立；基于驾驶特性的动能回收参数包括制动距离、制动减速度、横摆角速度、质心侧偏角和制动能量回收率，制动能量回收率为能耗参数，其余为制动稳定性参数；步骤3，参数样本数据强化学习，获取期望值；建立稳定性优先驾驶模式和能耗优先驾驶模式，以步骤2中选取的动能回收参数的历史数据为状态值，通过强化学习预测两种驾驶模式相应时刻下各动能回收参数的状态期望值，即最符合驾驶员驾驶特性的动能回收参数；步骤4，制动稳定性与能耗条件约束；在不违背驾驶员驾驶特性的基础上，分别在稳定性优先驾驶模式下和能耗优先驾驶模式下，对车辆稳定性期望值、能耗参数状态期望值进行约束与修正；步骤5，模式参数归一化处理；将步骤4中约束修正后的稳定性参数状态期望值和能耗参数状态期望值进行归一化处理；步骤6，对归一化处理的稳定性和能耗参数进行二次赋权，得到多目标优化后的评价结果，将评价结果对应于0-1区间，按相应的制动程度进行制动扭矩的输出，实现能量回收无级调节；所述步骤1中，对制动安全性、能量回收率做出初步判断，具体为通过连续帧数据结合碰撞函数预测碰撞概率，对安全等级进行初步划分与判断：通过函数PRA,RB表示车辆A以轨迹RA行驶、车辆B以轨迹RB行驶过程中发生碰撞的概率；考虑所有可能的轨迹，对这两个轨迹集合做积分，得到碰撞概率P'，其中，P'＝∫∫PRA,RBfxdRAdRB，fx为描述相互独立的车辆A与障碍物B是否发生碰撞的函数关系，若二者之间轨迹存在冲突，则fx的取值设为1；若没有冲突，则fx的取值为0；若0.5＜P'＜1，则系统直接采取强回收模式下的制动策略，即自动触发深踏板；若0＜P'＜0.5，相对安全，则进行剩余步骤；所述步骤3包括以下步骤：步骤3.1，用Pearson相关系数描述不同时刻动能回收参数值之间的相关性，以此确定高阶马尔科夫链模型的阶数l；时间序列分别记为{t+1，t,t-1…t-l+1}，动能回收参数的历史数据集记为{n+1,n,n-1…n-N+1}，历史数据中t-l+1时刻与t+1时刻的策略状态序列分别记为Pt-l+1,n与Pt+1,n，两个序列的Pearson相关系数记为ρt-l+1,t+1，取值范围[-1,1]；则ρt-l+1,t+1的计算公式见式1，其中l∈{1,2,...,L}，L表示高阶马尔科夫链模型的最大阶数； 式中：t表示所求参数在历史数据中的对应时刻；n表示不同时刻下所对应的参数序列；N表示参数序列的总数；与分别为t+1时刻与t-l+1时刻动能回收参数的历史平均值，相关系数绝对值的大小表示相关性的大小，选择相关性强的最大步长数作为高阶马尔科夫链模型的阶数l；步骤3.2，动能回收参数的历史数据中不同时刻采集的数值的变化情况即为策略状态的转移；获取预测时刻前l个邻近时刻的策略状态到预测时刻的所有策略状态的转移概率；将各参数的取值以区间段进行划分，若某时刻的样本数据落在第m个区间内，则称此时的取值为策略状态m；某一动能回收参数的取值范围为[0,Pmax]，确定策略状态总数M，数据的数值波动情况越大，策略状态总数M越大，反之亦然；则第m个策略状态对应的取值区间为[m-1×PmaxM,m×PmaxM],m＝1,2,...,M，通过策略转移频次表示概率，则有： 式中：Qt-l+1,t+1i,j表示t-l+1时刻第i个策略状态到t+1时刻第j个策略状态的转移概率；i表示t-l+1时刻的策略状态序号，j表示t+1时刻的策略状态序号，i,j∈{1,2,...,M}；fi,j表示从t-l+1时刻到t+1时刻，每一次采集时刻所获取参数值对应的策略状态转移的次数，通过历史数据统计获得，Qt-l+1,t+1表示由t-l+1时刻到t+1时刻参数取值的状态转移概率矩阵；从而获取预测时刻前l个邻近时刻的策略状态到预测时刻的所有策略状态的转移概率；步骤3.3，通过高斯混合模型GMM获取预测时刻各动能回收参数期望值，见式6： 式中：PrPt+1表示预测t+1时刻某一动能回收参数的概率密度函数；λm、μm和分别表示预测的t+1时刻第m个策略状态对应高斯分布的加权值、均值和方差；μm所代表的均值即为所选取动能回收参数t+1时刻下的状态期望值；各高斯分布的加权值λm之和为1，则有： 式中，ml表示第l个临近时刻的状态，ρt-1+1,t+1表示t-l+1时刻的Pearson相关系数，为某临近时刻与预测时刻策略间的相关程度；所述步骤4中，在稳定性优先驾驶模式下，包括以下步骤：稳定性控制模型分为上、下两层结构，上层结构计算目标附加横摆力矩值之后，由下层结构根据车辆稳定性状态进行驱动力矩分配；上层结构包括制动稳定性控制器和滑移控制器，制动稳定性控制器在获取稳定性参数期望后，通过相平面法来约束稳定性参数，对车辆的稳定状态进行判断，将不符合的期望值再次通过上层结构循环计算修正；滑移控制器在面对紧急制动工况时，为保证车辆安全，优先采取液压制动来对车辆稳定性参数进行控制；同时，在两种控制器对稳定性参数进行修正时，保证能耗参数在合理范围内；所述步骤4中，在能耗优先驾驶模式下，包括以下步骤：系统获取到能耗参数期望值后，通过地理环境信息结合当前车速获取车辆制动过程的能量回收率预测值，并将该预测值作为能耗参数约束条件；如果能耗参数在约束范围内，则通过参数优化进一步降低能耗；如果能量参数不在约束范围内，则通过优化仿真模型对能量参数进行修正；在对能量参数进行修正时，对应的稳定性参数也应该满足基本的稳定性约束范围，保证稳定性参数在合理范围内；所述步骤5，包括以下步骤：将步骤2中多目标参数转化为单目标参数，综合考虑对制动稳定性及能源利用率的影响因素，由于各相关参数所在量纲和单位不同，需要对各相关参数进行无量纲化处理；相关参数包括制动稳定性参数、能耗参数；制动稳定性参数包含制动距离、制动减速度、横摆角速度、质心侧偏角；能耗参数包为制动能量回收率；确定分析序列，将动能回收系统各时刻状态的集合记为M:M＝{M1,M2,…Mm}；各相关参数的集合记为μ，μ＝{μ1，μ2，…μn}；时刻状态Mi对μij的属性值为εiji＝[1,m]；j＝[1,n]，εij为各状态时刻下经步骤4约束与修正的期望值；构建决策矩阵，对相关参数归一化处理，使各时刻状态值更快地收敛到最优解；其中，成本型指标包含制动距离、横摆角速度、质心侧偏角；效益型指标包含制动减速度和能量回收效率；将相对最优的指标设为同时满足以下条件，成本型指标，效益型指标，令：归一化处理得到如下无量纲矩阵：ε'ij＝ε'i1,ε'i2,ε'in；各时刻状态M对各指标的决策矩阵即为含有相对最佳策略的增广型矩阵ε＝εijm×ni＝[1,m]；j＝[1,n]；ε'ij、ε'i1、ε'i2、ε'in、ε为中间参数；确定关联系数，计算绝对差序列、两级最小差以及最大差；绝对差序列为两级最小差为Δmin＝minminΔiji＝[1,m]；j＝[1,n]；两级最大差为Δmax＝maxmaxΔiji＝[1,m]；j＝[1,n]；将绝对差序列、两级最小差、两级最大差及分辨系数ρ代入得到各灰色关联度系数ζij，ρ取值范围为0到1；构建判断矩阵B，包含m个时刻状态和n个相关参数：B＝μijm×ni＝[1,m]；j＝[1,n]；归一化处理得到归一化效益型和归一化成本型判断矩阵R，矩阵R中的元素为rij；确定参数熵权：第j个指标的熵权Gj为计算熵权的中间参数，式中，pij为矩阵R中对应元素的计算值与所有元素计算值之和的比值，当pij＝0时，令pijlnpij＝0；灰色关联度系数ζij与熵权值共同表征相关参数在稳定性评价与能耗评价中的离散程度；获取稳定性综合评价所述矩阵R中的元素rij计算公式如下：效益型：成本型：

全文数据：

权利要求：

百度查询： 长安大学 基于用户特征差异的智能网联汽车动能回收系统、方法、设备及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD