摘 要

近些年来汽车行业的规模越来越大，但消耗的能源越来越多造成的环境污染问题越来越严重。为了有效解决这两个问题开发出开发出既节能又环保的的新能源汽车成了世界的共识，而纯电动汽车不仅效率高而且还是零排放是未来新能源的发展重点。但由于纯电动汽车采用蓄电池作为能量源，在电池技术未取得重大突破前，很难解决纯电动汽车续航里程短的问题。因此需要制定合理的能量管理策略提高能量的利用率才能尽可能的在有限的能量供给下行驶更多的路程。

本文首先基于汽车动力学建立功率需求模型，然后通过历史行驶数据建立纯电动汽车的功率预测神经网络模型，预测纯电动汽车行驶过程中的未来短期功率需求。神经网络（ANN）是能够数据中学习挖掘出复杂的非线性关系的能力，在经过初始化的输入数据并且学习了输入数据间的关系后，ANN就可以推断出从新的未知数据之间的的某种关系，也就是说神经网络模型可以推广具有泛化能力。 其他的一些模型也能够从数据中提取某种关系并应用到新的数据中，但它们往往会在输入中施加某种限制（例如：如何分布），而ANN 则不会施加任何限制。此外,对于具有高波动性和不稳定方差的数据其他的一些模型很难表现的比ANN好，像线性回归等模型的一个前提就是它们残差没有异方差性而神经网络则能够很好的模拟异方差性，ANN模型不会像一些基于规则的模型一样在数据中强加任何固定的关系而是通过数据挖掘出其隐藏的规律和关系。这在像汽车功率变化这些数据波动非常大的时间序列预测中非常有用。基于功率预测变量的特点本文选择神经网络作为短期预测模型。由于驱动电机的需求功率难以直接测量，本文通过神经网络模型预测需求功率模型中速度和坡度这两个变量的方式间接预测需求功率。

另外对于路径规划等基于全局优化问题需要预测长期功率需求，但长期来看影响因素太多，只能分工况预测提高预测精度。长期预测常用的模型是马尔科夫链，其利用同种工况间状态转移的相似性预测。本文简要预测部分工况测试马尔科夫链长期预测效果。

关键词：神经网络；纯电动汽车；功率预测

Abstract

In recent years, the scale of the automobile industry has become larger and larger, but the environmental pollution caused by the increasing consumption of energy has become more and more serious. In order to effectively solve these two problems, it has become the world's consensus to develop new energy vehicles that are both energy-saving and environmentally friendly. Pure electric vehicles are not only efficient but also zero-emissions, which is the focus of future new energy development. However, since pure electric vehicles use batteries as an energy source, it is difficult to solve the problem of short range of pure electric vehicles before the battery technology has made a major breakthrough. Therefore, it is necessary to develop a reasonable energy management strategy to improve the utilization of energy in order to travel as much as possible under a limited energy supply.

This paper first establishes a power demand model based on vehicle dynamics, and then builds a power prediction neural network model of pure electric vehicles through historical driving data to predict future short-term power demand during the driving of pure electric vehicles. Neural network (ANN) is the ability to learn to mine complex nonlinear relationships in data. After initializing the input data and learning the relationship between the input data, the ANN can infer something between the new unknown data. A relationship, that is to say, a neural network model can be generalized with generalization capabilities. Other models can also extract a relationship from the data and apply it to new data, but they tend to impose some kind of restriction on the input (for example, how to distribute it), while the ANN does not impose any restrictions. In addition, for models with high volatility and unstable variance, other models are harder to perform than ANN. One premise of models such as linear regression is that their residuals are not heteroscedastic and neural networks can simulate well. Heteroscedasticity, the ANN model does not impose any fixed relationship in the data like some rule-based models, but through data mining its hidden laws and relationships. This is very useful in time series predictions where data fluctuations such as car power changes are very large. Based on the characteristics of power predictors, this paper chooses neural network as a short-term predictive model. Since the power demand of the drive motor is difficult to measure directly, this paper predicts the demand power indirectly by predicting the two variables of speed and slope in the demand power model by the neural network model.

In addition, for the global optimization problem such as path planning, it is necessary to predict the long-term power demand, but in the long-term, there are too many influencing factors, and the prediction accuracy can only be improved by the prediction of the working condition. A commonly used model for long-term prediction is the Markov chain, which uses the similarity prediction of state transitions between the same conditions. This paper briefly predicts the long-term prediction effect of Markov chain test in some working conditions.

Key Words：Neural network; pure electric vehicle; power prediction

目录

第1章绪论 1

1.1引言 1

1.1.1研究背景 1

1.1.2研究的目的和意义 2

1.1.3国内外研究现状 3

1.2课题研究内容、方法和目标 5

1.2.1 研究内容 5

1.2.1 研究方法 5

1.2.3 研究目标 6

第2章 纯电动汽车功率平衡 7

2.1纯电动汽车动力平衡 7

2.2纯电动汽车功率平衡 9

第3章 神经网络模型 11

3.1短期预测模型选择 11

3.2神经网络概述 11

3.3神经网络基本结构 14

3.3.1神经网络拓扑结构 14

3.3.2神经元结构和功能 15

3.4梯度下降和反向传播算法 21

3.4.1代价函数 21

3.4.2梯度下降法 21

3.4.3随机梯度下降法 22

3.4.4反向传播算法 23

第4章 未来短期车速预测 28

4.1车速预测方法 28

4.2车速预测NAR神经网络模型 28

4.3速度数据处理 30

4.4训练神经网络模型 31

4.5 测试神经网络 33

4.6与灰色预测的比较 34

4.7速度预测区间的影响 37

第5章 未来短期坡度预测 40

5.1坡度预测方法 40

5.2坡度预测神经网络模型 40

5.3 LSTM预测坡度 45

5.4 两种神经网络预测效果比较 50

第6章 短期功率预测simulink仿真 51

6.1预测模型确定 51

6.2预测模块建立 51

6.3需求功率模块建立 53

6.4功率预测效果分析 55

第7章 基于马尔科夫链的长期功率预测 57

7.1长期功率预测方法 57

7.2 离散时间参数的马尔科夫链原理 58

7.3长期功率预测 59

第8章 结论 64

参考文献 65

致谢 67

附录 68

第1章绪论

1.1引言

1.1.1研究背景

最近这些年汽车行业发展非常迅速，传统能源汽车在给人们带来诸多便利的同时也造成了严重的环境污染和能源危机问题。我国的石油消耗随着持续增长的汽车需求急剧消耗，让我国面临严峻的能源安全挑战。图1.1是我国2008年到2016年的原油供需图，观察图中数据可以明显发现我国的原油需求量在逐年上升，产量并没有什么提升因此对外依赖度也是逐年上升趋势。另外汽车的尾气排放对各大城市的空气质量的影响也非常大。图1.2是我国部分城市机动车的PM2.5贡献率，可以发现汽车尾气排放问题困扰着许多城市。

图1.1 2008-2016年我国原油供需

图1.2 各地机动车PM2.5贡献率

能源危机和环境污染的影响以及各国政府的立法限制让各大汽车厂商迫切找到新的汽车开发途径。近几年，混合动力汽车和纯电动汽车顺应时代潮流称为大众关注的焦点。混合动力汽车作为过渡车型一定程度减轻了能源危机和环境污染问题，而纯电动汽车更是零排放、高效率。不过纯电动汽车通常采用蓄电池作为其整车能量源，成本相对比较高，能量密度和功率密度并不是很好。

近些年来机器学习的快速发展也让相关技术在工程领域应用越来越广泛。ImagNet2012年的分类任务中数据集有一千个类别而每个类别中有一千两百张图片，分类错误率下降到了0.16远低于2011的0.26和2010年的0.28，这个识别错误率的大幅降低主要就是因为卷积神经网络的应用。2012年多伦多大学的Hinton教授等人提出AlexNet卷积神经网络，随后无数科研人员投身其中，产业界也大力投入，微软及一些高校相继提出了改进的卷积神经网络。2015年微软的神经网络模型在分类任务中错误率只有4.94，而这已经比人类测试者5.1%的错误率。这表明了神经网络技术在图像识别方面取得了根本性突破。2016年3月Google收购的Deepmind的强化学习团队设计的AlphaGo在战胜了人类围棋世界冠军李世石同样表明了机器学习的力量。神经网络模型作为深度学习的方法和其他的一些方法相比有着独特的优势。像基于规则的系统没有可以学习的模块输入的数据通过手工设计的程序直接获取特征然后输出，而经典的机器学习在数据输入后通过手工设计获得特征然后通过特征映射获得输出。而神经网络系统通过学习获得简单特征然后经过附加的层去学习得到更多抽象的特征最后才通过特征映射得到输出结果。随着传感器技术的发展以及在汽车上的大量应用，相关的数据量也越来越庞大一些传统的理论技术很难有效从这海量的数据中挖掘出有用的信息。而汽车智能化发展必然要求有效的数据挖掘，目前来看神经网络技术非常适合。

1.1.2研究的目的和意义

当前的蓄电池技术还不是很成熟，而纯电动汽车用蓄电池作为能量源纯续航里程难以得到较大程度的提升。因此合适的能量管理策略对于纯电动汽车提高能量利用率就非常有必要。预测短期功率需求可以实现汽车局部能量优化。纯电动汽车动力性、舒适性、安全性都有各自的功率需求而动力电池在低SOC、低温的状态下能供给的功率是有限的有时候很难同时满足这三者的功率需求。因此需要一种驱动电机以及电动附件的能量管理策略让动力性、舒适性、安全性能够根据不同状态下按照优先级分别分配功率。这几部分的功率随着纯电动汽车驾驶状态的改变在动态的变化，因此需要对需求功率进行预测才能制定合理的能量管理策略。另外在双能量源纯电动汽车中，预测出功率需求可以实时调整动力电池和超级电容器的配合方式得到每一时刻最合适的功率分配从而实现能量优化。而长期功率预测对于路线选择、充电规划都有一定的指导意义，不过长期功率预测的限制比较大，因为长期来看影响功率的变量太多，在当前汽车上传感器技术以及信息处理技术使用比较有限的情况下很难准确预测功率。不过在已知工况下还是可以根据工况下的历史行驶信息来预测将来在相同工况下的功率消耗，主要针对那些路线固定的汽车例如公交车，或者对路线进行划分预测汽车在不同路线上的速度变化再对汽车消耗功率进行预测。

变量预测的准确性决定了策略的有效性，不同的预测算法模型有着不同的预测精度，因此找到一种合适的预测模型是至关重要的。通常预测模型可以分为物理模型和数据模型，未知工况下的速度、坡度很难通过具体物理理论模型来预测，因为难以将所有的影响因素全部量化，而根据数据的前后关联性来预测可能会有较好的效果。数据模型也有比较多的种类，常见的回归模型不适合处理这种数据量比较多的预测变量，而万能近似定理表明了只需要三层的神经网络就可以任意精度逼近任何非线性连续函数，这表明神经网络模型的非线性映射能力非常强，因此神经网络可以作为一个合适的数据模型。本文基于影响功率的两个变量速度和坡度不同的变化特征建立不同神经网络预测模型再结合功率模型得到短期功率预测。

1.1.3国内外研究现状

1国内研究现状

功率预测主要研究集中在能量供给侧，集中在蓄电池充放电上。张志杰在常温下对铅酸电池进行恒压放电测试不同SOC下的峰值功率，预估值和测试值相近[1]。但是在汽车实际行驶过程中对蓄电池无论是常温还是恒压条件都难以满足，实际的驾驶条件比只对蓄电池试验复杂预测的难度更大。刘金晶通过实验建立内压与充电电流之间动态模型,提出了一种在电池充电过程中通过内压预测电池充电功率的方法[2]。张曦予和张淼鑫提出了一种基于ARMA时间序列算法的电动汽车充电站运行状态预测模型及充电功率需求计算方法[3]。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：