基于GA-BP神经网络的车辆动态油耗预测模型方法

基于ga-bp神经网络的车辆动态油耗预测模型方法
技术领域
1.本发明涉及数据处理技术领域，尤其涉及一种基于ga-bp神经网络的车辆动态油耗预测模型方法。


背景技术：

2.车辆的燃油经济性受到多方面因素的影响，而各方面因素对车辆燃油经济性的影响程度也是不同的，对燃油经济性影响因素的分析，有助于分清各因素之间的主次关系，并针对主要影响着重做出优化，提高车辆燃油利用率有重要的理论和实际意义。
3.目前的油耗分析与研究思路主要都是基于发动机油耗map图，它结构简单且可以较为准确的反映车辆的稳态行驶油耗特征。然而，在日常运行中，车辆往往处于不稳定状态，工作状态频繁变化。此时，基于发动机的油耗图的稳态模型偏差很大，实用性差，难以准确估算车辆的油耗，更难以准确评价各种新颖的燃油经济性的控制策略。
4.采用“稳态初估 瞬态修正”的方法建立的模型往往具有较高的精度，它是基于简单常用的稳态模块进行油耗的初估，然后通过车辆和发动机的实时工作参数建立瞬态模型，对初始估计的油耗误差进行修正，可以提高模型的精度。但由于往往不考虑车辆当前环境对油耗的影响，难以满足实时性的要求。


技术实现要素：

5.本发明的目的在于提供一种基于ga-bp神经网络的车辆动态油耗预测模型方法，旨在解决现有的模型不考虑车辆当前环境对油耗的影响，难以满足实时性的要求的问题。
6.为实现上述目的，本发明提供了一种基于ga-bp神经网络的车辆动态油耗预测模型方法，包括以下步骤：
7.挖掘并处理车辆行驶过程中的原始数据，得到影响油耗模型因素；
8.计算所述影响油耗模型因素的关联程度，得到相关系数矩阵；
9.使用所述相关系数矩阵构建主要成分表达式；
10.使用所述主要成分表达式建立bp神经网络，并通过遗传算法优化所述bp神经网络的初始权重和阈值；
11.使用优化后的所述bp神经网络构建油耗预测模型；
12.通过所述油耗预测模型对车辆动态油耗进行预测，得到预测结果。
13.其中，所述挖掘并处理车辆行驶过程中的原始数据，得到影响油耗模型因素的具体方式为：
14.采集车辆行驶过程中的原始数据；
15.对所述原始数据进行滤波处理，得到滤波数据；
16.采用滑动平均数据预处理方法对所述滤波数据进行预处理，得到影响油耗模型因素。
17.其中，所述计算所述影响油耗模型因素的关联程度，得到相关系数矩阵的具体方
式为：
18.使用所述影响油耗模型因素建立影响油耗因素特征矩阵；
19.基于所述影响油耗因素特征矩阵利用协方差公式，得到影响油耗因素的相关系数；
20.基于所述相关系数建立相关系数矩阵。
21.其中，所述使用所述相关系数矩阵构建主要成分表达式的具体方式为：
22.使用所述相关系数矩阵构造相关系数数组的特征方程；
23.使用所述特征方程计算相关系数的特征向量与影响油耗因素的特征值；
24.使用所述相关系数的特征向量和所述特征值构建特征向量方程；
25.使用所述特征向量方程求出所述特征值的贡献率；
26.将所述贡献率划分为三个主成分，得到主要成分表达式。
27.其中，所述影响油耗模型因素包括车辆的速度、加速度、发动机转矩、发动机转速、当前位置的坡度、当前位置路面的附着系数。
28.其中，所述三个主成分包括动能因子、加速因子和消耗因子。
29.本发明的一种基于ga-bp神经网络的车辆动态油耗预测模型方法，通过挖掘并处理车辆行驶过程中的原始数据，得到影响油耗模型因素；计算所述影响油耗模型因素的关联程度，得到相关系数矩阵；使用所述相关系数矩阵构建主要成分表达式；使用所述主要成分表达式建立bp神经网络，并通过遗传算法优化所述bp神经网络的初始权重和阈值；使用优化后的所述bp神经网络构建油耗预测模型，通过所述油耗预测模型对车辆动态油耗进行预测，得到预测结果，本发明全面考虑燃油消耗模型的影响因素，建立合适的油耗分析与预测模型，为后续能量管理策略开发和评价有重要的理论实际意义，解决了现有的模型不考虑车辆当前环境对油耗的影响，难以满足实时性的要求的问题。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
31.图1为本发明提供的一种基于ga-bp神经网络的车辆动态油耗预测模型方法原理示意图。
32.图2为本发明提供的一种基于ga-bp神经网络的车辆动态油耗预测模型方法的油耗影响因素确定神经网络神经元示意图。
33.图3为本发明提供的一种基于ga-bp神经网络的车辆动态油耗预测模型方法的bp神经网络结构图。
34.图4为本发明提供的一种基于ga-bp神经网络的车辆动态油耗预测模型方法的ga-bp神经网络优化流程图。
35.图5是本发明提供的一种基于ga-bp神经网络的车辆动态油耗预测模型方法的流程图。
具体实施方式
36.下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
37.请参阅图1至图5，本发明提供一种基于ga-bp神经网络的车辆动态油耗预测模型方法，包括以下步骤：
38.s1挖掘并处理车辆行驶过程中的原始数据，得到影响油耗模型因素；
39.具体方式为：
40.s11采集车辆行驶过程中的原始数据；
41.s12对所述原始数据进行滤波处理，得到滤波数据；
42.具体的，首先对原始数据进行滤波处理，改善数据质量。从而排除数据丢失、数据跳变等对结果带来的不确定性干扰。
43.s13采用滑动平均数据预处理方法对所述滤波数据进行预处理，得到影响油耗模型因素。
44.具体的，所述影响油耗模型因素包括车辆的速度、加速度、发动机转矩、发动机转速、当前位置的坡度、当前位置路面的附着系数。
45.s2计算所述影响油耗模型因素的关联程度，得到相关系数矩阵；
46.具体方式为：
47.s21使用所述影响油耗模型因素建立影响油耗因素特征矩阵；
48.具体的，经过预处理的影响油耗模型因素数据，建立影响油耗因素矩阵；
[0049][0050]
其中：m表示影响油耗因素的个数，包括车辆的速度、加速度、发动机转矩、发动机转速、当前位置的坡度、当前位置路面的附着系数，n表示选取实验影响油耗元素组数。
[0051]
s22基于所述影响油耗因素特征矩阵利用协方差公式，得到影响油耗因素的相关系数；
[0052]
具体的，利用协方差公式，计算得到每组影响油耗因素数据中影响因素的相关系数r
ij
；
[0053]
s23基于所述相关系数建立相关系数矩阵。
[0054]
s3使用所述相关系数矩阵构建主要成分表达式；
[0055]
具体方式为：
[0056]
s31使用所述相关系数矩阵构造相关系数数组的特征方程；
[0057]
具体的，利用协方差公式，计算得到每组影响油耗因素数据中影响因素的相关系数r
ij
；计算可以得到所有油耗因素的相关系数数组r；通过这些的油耗因素的相关系数数组r，构造相关系数数组的特征方程；
[0058]
通过计算，可以得到所有影响油耗因素的相关系数数组r；
[0059][0060]
通过这些的油耗因素的相关系数数组r，构造相关系数数组的特征方程；
[0061]
|r-μe|＝0
[0062]
s32使用所述特征方程计算相关系数的特征向量与影响油耗因素的特征值；
[0063]
具体的，e表示m*m单位矩阵，通过计算得到影响油耗因素的特征向量qi。得到m个油耗因素的特征值μi，(i＝1,2,......,m)。
[0064]
s33使用所述相关系数的特征向量和所述特征值构建特征向量方程；
[0065]
s34使用所述特征向量方程求出所述特征值的贡献率；
[0066]
具体的，由油耗影响因素的特征方程，计算影响油耗因素的特征值、与特征向量，分别计算每个油耗影响因素的贡献率wi。
[0067]
分别计算每个油耗影响因素贡献率wi；
[0068][0069]
s35将所述贡献率划分为三个主成分，得到主要成分表达式。
[0070]
具体的，所述三个主成分包括动能因子、加速因子和消耗因子。
[0071]
由特征向量方程qi，计算每个影响油耗因素主成分得分；
[0072][0073]
zi表示第i个影响因素主成分得分。
[0074]
由主要成分的得分矩阵构建主要成分表达式；划分车速与加速度称为油耗预测模型的加速因子，道路坡度与地面的附着系数称为油耗预测的消耗因子，车辆的发动机转速与发动机扭矩称为油耗预测动能因子；
[0075]
由主要成分的得分矩阵构建主要成分表达式；通过对油耗因素的贡献率对比，划分车速与加速度称为油耗预测模型的加速因子，道路坡度与地面的附着系数称为油耗预测的消耗因子，车辆的发动机转速与发动机扭矩称为油耗预测动能因子；
[0076]
yi＝x*zi[0077]
式中：yi为第i个主成分，x为各影响油耗因素组成的向量，zi为第i个主成分的得分向量。
[0078]
s4使用所述主要成分表达式建立bp神经网络，并通过遗传算法优化所述bp神经网络的初始权重和阈值；
[0079]
具体的，由主要三个主成分作为bp神经网络输入神经元；利用遗传算法的全局搜索功能优化bp神经网络的初始权重和阈值。
[0080]
bp神经网络具有强大的数据拟合预测能力，但是初始权重和阈值的确定对神经网络的性能具有较大的影响。遗传算法优化bp神经网络，正是优化其初始权重和阈值，从而使bp神经网络能更加科学快速地完成模型的训练。
[0081]
遗传算法优化bp神经网络的要素包括种群初始化、适应度函数选择、选择操作、交叉操作和变异操作。遗传算法搜索最优初始权重和阈值的过程中，确定合适的种群规模以
及交叉变异概率，能让神经网络训练更快逼近极限最优解，避免陷入局部最优解和算法不收敛。
[0082]
s5使用优化后的所述bp神经网络构建油耗预测模型；
[0083]
(1)bp神经网络的结构
[0084]
bp神经网络它具有强大的数据拟合预测能力和自适应等特点，整个训练过程包括数据的正向传输和误差的反馈修正两个过程。bp神经网络在训练时，数据通过输入层按权重传递到隐含层，经过非线性处理，最终作用到输出层。因此选择非线性bp神经网络来构建非线性油耗预测问题。
[0085]
(2)隐藏层神经元层数与单层神经元数的确定对整个网络的性能有着显著影响，确定方法不唯一，初步确定隐藏层神经元数目。可在实际训练过程中适当调整。不断修改隐含层神经元数目,以获得最优的。
[0086][0087]
式中：n为隐藏层神经元数，m为输入层神经元数，n为输出层神经元数，t为0到10之间的整数。
[0088]
(3)本发明的bp神经网络的结构，将主要影响油耗因素中提取的车速与加速度称为油耗预测模型的加速因子，道路坡度与地面的附着系数称为油耗预测的消耗因子，车辆的发动机转速与发动机扭矩称为油耗预测动能因子。以此三个主成分作为bp神经网络输入神经元。
[0089]
s6通过所述油耗预测模型对车辆动态油耗进行预测，得到预测结果。
[0090]
本发明首先采用滑动平均数据预处理方法对油耗影响数据进行预处理，从而排除数据丢失、数据跳变等对结果带来的不确定性干扰。之后通过对影响油耗因素的相关性分析，找到影响油耗因素的相关系数，得到特征值、主成分贡献率以及得分矩阵，从而得到主成分表达式，划分车速与加速度称为油耗预测模型的加速因子，道路坡度与地面的附着系数称为油耗预测的消耗因子，车辆的发动机转速与发动机扭矩称为油耗预测动能因子。采用ga-bp网络进行拟合,输入层、隐含层和输出层,可以在简化bp神经网络结构的同时,遗传算法优化bp神经网络的要素包括种群初始化、适应度函数选择、选择操作、交叉操作和变异操作。将各方面因素对车辆的影响聚焦于车辆的运行状态,根据车辆运行状况、外部环境、驾驶特性全面考虑燃油消耗模型的影响因素，建立合适的油耗分析与预测模型，为后续能量管理策略开发和评价有重要的理论实际意义。
[0091]
以上所揭露的仅为本发明一种基于ga-bp神经网络的车辆动态油耗预测模型方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。