一种基于AOA算法的车辆油耗最小化方法及系统
本发明涉及智能网联汽车节能控制,具体涉及一种基于aoa算法的车辆油耗最小化方法及系统。
背景技术:
1、油耗优化是指以最低燃油消耗获取最优车速,实现燃油能量转化效率最大化的同时具有更低的尾气排放量。油耗优化可在车载算力限制下持续给出最优车速策略,从而显著降低燃油消耗,以减少发动机高负荷工况与无效怠速时间。不仅延长了发动机与后处理系统的使用寿命,更削减了co2与有害物排放,在经济层面与环保层面兼有重大意义。
2、在现有的油耗优化技术,采用的基于规则的控制策略、传统pid 或 mpc 控制等虽然能够进行油耗优化,但是容易受到复杂工况的干扰。车辆在实际道路行驶中,发动机需要克服空气阻力、滚动阻力及惯性力等多种阻力做功,其瞬时油耗与车速呈强非线性关系;而驾驶员操作习惯、道路坡度、交通流变化等外部因素进一步加剧了车速-油耗映射的不确定性。
技术实现思路
1、为克服现有技术存在的局部最优、标定复杂及工况适应性差等问题,能够在保证驾驶安全与乘坐舒适性的前提下,实时搜索最优车速曲线,实现油耗全局最小化,本发明的目的在于提供一种基aoa算法的车辆油耗最小化方法及系统,所采用的技术方案具体如下:一种基于aoa算法的车辆油耗最小化方法,其特征于,所述方法包括:定义车辆速度的维度以及速度的上下界,将车辆速度作为优化问题的变量,建立油耗模型,所述油耗模型表示为车辆速度的函数,用于计算不同速度下的油耗;确定目标函数,所述目标函数为最小化油耗模型的输出值,初始化种群,所述种群中的每个个体表示一个可能的速度值,种群大小为预先设定的参数;在每次迭代过程中,根据当前迭代次数计算加速数学优化器(moa)和数学优化概率(mop),对种群中的每个个体,根据随机数和 moa、mop 的值,分别在探索阶段和利用阶段对个体的速度值进行更新,更新后的速度值需保持在速度上下界之间;计算更新后每个个体对应的目标函数值,若该值小于当前记录的最佳适应度,则更新最佳适应度和最佳位置;重复上述迭代过程,直至达到预设的最大迭代次数,最终获得的最佳位置即为最优速度值,对应的目标函数值即为最小油耗值。
2、进一步地,所述建立油耗模型方法包括:选择具有代表性的车辆;选择平坦、无风的试验场地;设计一系列稳态行驶工况,覆盖车辆的典型运行速度范围;在每个稳态工况下,记录车辆的瞬时油耗、车速、发动机转速、扭矩等关键参数。
3、进一步地,所述目标函数确定方法包括:根据车辆动力学和燃油消耗的基本原理,选择二次函数形式作为油耗模型,所述二次函数原理公式如下:式中,f(v) 表示单位时间内车辆的油耗,v 表示车辆的行驶速度,a与空气阻力相关反映高速行驶时因空气阻力导致的油耗增加,b与滚动阻力相关反映中低速行驶时因滚动阻力导致的油耗变化,c与发动机怠速油耗相关,表示车辆在怠速状态下的基础油耗。
4、进一步地,所述初始化种群方法包括:定义种群相关参数,设置种群个体的数量,根据实际工况和车辆性能设定车辆速度的取值范围;随机生成初始种群;检查种群多样性;记录初始种群。
5、进一步地,所述数学优化概率方法包括:控制个体更新的概率,其值在迭代过程中逐渐减小,以增强算法的探索能力,其原理公式如下式中,为当前迭代次数,为最大迭代次数,α为控制 mop 下降曲率的参数;mop 逐渐减小,个体更新的概率逐渐降低,从而减少对全局最优解的干扰,增强算法的收敛能力。
6、进一步地,所述加速数学优化器方法包括:控制个体更新的加速程度,其值在迭代过程中逐渐增加,以增强算法的开发能力,其原理公式如下;moa 决定了个体是倾向于向全局最优解靠近,还是在解空间中进行更广泛的搜索。
7、进一步地,所述在探索阶段对个体速度值的更新方法包括:若随机数小于 moa,则更新公式为:,否则,更新公式为:,其中,为最佳位置,为速度;确定当前迭代状态;计算moa和mop;进行探索阶段的速度值更新。
8、进一步地,所述迭代过程方法包括:初始化迭代参数;计算初始种群目标函数;确定初始最佳解;计算moa和mop;探索和开发阶段更新种群中的个体值;计算更新后的目标函数值,更新最佳解;最终迭代完成,获得最佳解。
9、本发明具有如下优异效果:本发明定义车辆速度的维度以及速度的上下界,将车辆速度作为优化问题的变量;建立油耗模型,所述油耗模型表示为车辆速度的函数,用于计算不同速度下的油耗;由于现有油耗模型通常需要大量实验数据进行复杂标定,成本高且耗时,采用简单的二次函数形式,仅需少量稳态工况实验即可完成参数拟合,大幅减少了标定成本;由于传统优化方法容易陷入局部最优,难以找到全局最优解,通过动态调整moa和mop,在探索和开发之间自适应平衡,有效避免局部最优,确保找到全局最优解;由于复杂的交通和道路条件,通过实时数据采集和反馈控制,能够根据实时交通和道路条件动态调整优化策略,满足实时性需求。本发明考虑到了传统驾驶方式和优化方法的节油效果有限,难以满足日益严格的节能减排要求,设计了实时优化算法闭环控制,通过通信模块将优化结果发送至车辆控制系统或驾驶员的移动设备,提升了燃油经济性和驾驶舒适性。
1.一种基于aoa算法的车辆油耗最小化方法,其特征于,所述方法包括:定义车辆速度的维度以及速度的上下界,将车辆速度作为优化问题的变量;建立油耗模型,所述油耗模型表示为车辆速度的函数,用于计算不同速度下的油耗;确定目标函数,所述目标函数为最小化油耗模型的输出值;初始化种群,所述种群中的每个个体表示一个可能的速度值,种群大小为预先设定的参数;在每次迭代过程中,根据当前迭代次数计算加速数学优化器(moa)和数学优化概率(mop);对种群中的每个个体,根据随机数和 moa、mop 的值,分别在探索阶段和利用阶段对个体的速度值进行更新,更新后的速度值需保持在速度上下界之间;计算更新后每个个体对应的目标函数值,若该值小于当前记录的最佳适应度,则更新最佳适应度和最佳位置;重复上述迭代过程,直至达到预设的最大迭代次数,最终获得的最佳位置即为最优速度值,对应的目标函数值即为最小油耗值。
2.根据权利要求1所述的一种基于aoa算法的车辆油耗最小化方法,其特征在于,所述油耗模型为二次函数形式,具体表达式为:,其中,a、b、c 为模型参数,为车辆的行驶速度。该油耗模型基于车辆动力学和燃油消耗的基本原理建立。车辆在行驶过程中,发动机需要克服空气阻力、滚动阻力以及车辆自身的惯性力等多种阻力做功,从而消耗燃油。空气阻力与车辆速度的平方成正比,滚动阻力与车辆速度成线性关系,而发动机的怠速油耗则为常数。因此,油耗模型采用二次函数形式能够较好地反映车辆油耗与速度之间的关系。模型参数 a、b、c 可以通过实验数据拟合得到。具体方法是,在不同速度下测量车辆的实际油耗,然后利用最小二乘法等拟合方法确定模型参数,使模型能够准确地描述车辆在不同工况下的油耗特性。
3.根据权利要求 1 所述的一种基于aoa算法的车辆油耗最小化方法,其特征在于,所述在探索阶段对个体速度值的更新方式包括:若随机数小于 moa,则更新公式为:,否则,更新公式为:,其中,为最佳位置;为速度。
4.根据权利要求 1 所述的一种基于aoa算法的车辆油耗最小化方法,其特征在于,所述方法还包括以下步骤:在每次迭代过程中,记录当前种群中每个个体的速度值和对应的油耗值;在迭代结束后,生成油耗优化曲线,用于分析优化过程的收敛性和稳定性;根据优化结果,提供最优速度值的建议,以指导实际驾驶操作。
5.一种基于aoa算法的车辆油耗最小化系统,所述系统还包括:存储模块,用于存储油耗模型参数、种群数据、优化结果等信息;参数调整模块,用于根据实际工况调整油耗模型参数、种群大小、最大迭代次数和控制参数α。模拟模块,用于模拟不同工况下的油耗优化过程,以验证优化算法的有效性和适应性;分析模块,用于对优化结果进行统计分析,生成油耗优化报告。数据采集模块,用于实时采集车辆的速度、油耗和其他相关参数;显示模块,用于显示优化过程中的实时数据、油耗优化曲线以及最优速度值建议;通信模块,用于将优化结果发送至车辆控制系统或驾驶员的移动设备,其特征在于所述系统执行所述计算机程序时实现如权利要求1 ~ 4任意一项所述一种aoa算法的车辆油耗最小化方法的步骤。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com