论文部分内容阅读
混合动力汽车是近年来受到高度关注并且得到高速发展的一种汽车,其结合了传统动力与电动力,以实现低燃料消耗及低污染排放。混合动力汽车的核心问题是实现最优的动力分配策略以获得最佳行驶性能和最小的燃料消耗及污染排放。针对这一问题,本文提出了一种对混合动力汽车行驶负载进行智能预测的方法。
本文首先从混合动力汽车的结构出发,分析其存在的主要技术难点与相应的挑战,并综述了当前应对这些挑战的方法,分析了它们各自的优劣点。在此基础上,提出了自己的方法。
这种方法的核心思想,是通过预测汽车将来的行驶负载情况,使得动力分配得以预先优化,从而降低、避免分配优化的滞后性,提高混合动力汽车的性能表现。
为此,本文对汽车的行驶路况数据进行了深入的研究。在观察和利用统计工具的基础上,完成了对行驶路况数据的标注和周期分析。在此基础上,完成了对行驶路况数据的自动分类。
对于混合动力汽车行驶负载的预测,首先按照一定窗口大小对行驶路况数据进行采样。采样的数据被划分为历史部分和待预测部分。历史部分的数据需要经过DCT的频率变换与特征抽取的预处理过程,以削减维度和降低噪声。待预测的部分根据规则和模糊逻辑,被分到五个行驶负载等级上。利用支持向量机作为分类器,在学习样本的基础上,根据经过预处理的历史部分数据,预测出待预测部分的行驶负载等级。为了优化预测模型中的参数,本文引入了克隆粒子群算法作为参数优化算法。最后,利用对行驶路况数据的分析结果和自动分类方法,系统会根据不同的路况选择相应的分类模型对行驶负载进行预测。
通过大量实验表明,本文提出的方法所获得的结果在本问题上优于其他既有实现方法。
本文的贡献主要有如下几点:
·提出了一种对混合动力汽车行驶负载进行智能预测的方法和框架,通过实验表明,这种方法目前性能最优;
·针对现有的行驶路况数据进行了分析,并定量的判定了这些数据的周期,完成了对行驶路况数据的标注和自动分类;
·针对行驶路况数据的维数削减方法,分析并通过实验得出DCT是目前最优的频率变换算法;
·针对行驶负载的预测/分类问题,分析并通过实验得出支持向量机是目前性能最优的分类器。