(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110004858.5 (22)申请日 2021.01.04 (65)同一申请的已公布的文献号 申请公布号 CN 112685960 A (43)申请公布日 2021.04.20 (73)专利权人 北京理工大 学 地址 100081 北京市海淀区中关村南大街5 号 (72)发明人 王郝　何洪文　曹剑飞　 (74)专利代理 机构 北京市诚辉律师事务所 11430 专利代理师 范盈 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 7/00(2006.01) G06F 111/08(2020.01) 审查员 郭婉莹 (54)发明名称 一种纯电动扫路车的能量管理方法 (57)摘要 一种纯电动扫路车的能量管 理方法， 其基于 作业道路观测建立道路垃圾分布统计学模型， 并 基于非线性自回归神经网络算法建立作业电机 功率需求模型； 基于监督学习， 使用非线性自回 归神经网络(NAR ‑NN)预知车辆 前方垃圾状况； 建 立并实施了滚动求解预测域上的优化问题， 通过 将所求最优控制量并作用于扫路车， 能够实现作 业电机和驱动电机电功率的合理分配， 在保证完 成道路清扫任务的基础上有效降低整车电耗。 权利要求书4页 说明书10页 附图6页 CN 112685960 B 2022.08.19 CN 112685960 B 1.一种纯电动扫路车的能量管理方法， 其特 征在于： 具体包括以下步骤： 步骤一、 对纯电动扫路车所在道路环境中的垃圾规模数据进行采集， 基于所采集的数 据建立道路垃圾分布的统计学模型， 划分道路上 垃圾规模的分布等级； 步骤二、 构建非线性自回归神经网络预测模型， 以道路上垃圾分布的空间序列为预测 对象； 利用多组道路垃圾分布的统计学模型 数据作为训练集， 对所述预测模型进行训练； 步骤三、 利用实 际工作中采集到的垃圾规模数据对所述预测模型进行更新， 并根据路 面情况切换使用由不同训练集训练得到的预测模型； 步骤四、 建立整车动力学模型以及与电机功率需求模型， 基于模型预测控制考虑动力、 能量和垃圾 规模数据， 求 解最优的能量管理控制序列。 2.如权利要求1所述的方法， 其特征在于： 所述步骤一中垃圾规模以垃圾分布区域、 质 量、 密度作为衡量依据， 建立道路垃圾分布的统计学模型并划分道路上垃圾规模的分布等 级具体包括： 步骤1.1、 结合道路周边环境， 将作业道路按路面垃圾量划分为不同等级 的连续路段， 等级划分数量视具体情况而定， 记录整段作业道路各路段的等级和空间顺序； 步骤1.2、 在同一等级的各不同路段上对单位面积上的垃圾质量采样若干次； 根据同等 级各路段的采样结果， 计算该等级路段垃圾的均值和标准差得到该等级路段垃圾密度的高 斯模型， 该 过程数学表达如下： 式中， 表示第k等级路段的垃圾密度均值和标准差； δik表示对第k等级的不同路 段的第i次垃圾密度采样， i的最大数量为n； 表示第k等级路段上的垃圾密度的概率 密度函数； 基于该概率密度函数， 对不同等级路段基于随机数生成器能产生可信的垃圾密 度值； 步骤1.3、 在同一等级 的各不同路段上， 随机测量某平方米路面的垃圾质量， 并以该平 方米路面中心为基点， 向道路前、 后方测量该 垃圾质量数值的持续长度； 根据同等级各路段的若干次采样结果， 计算该等级路段某个垃圾密度持续长度的均值 和标准差， 从而得到该等级路段 垃圾密度持续长度的高斯模型， 该 过程数学表达如下： 权　利　要　求　书 1/4 页 2 CN 112685960 B 2式中， 表示k等级路段的垃圾密度持续长度均值和标准差； Lik表示对第k等级的 不同路段的第i次采样长度； i的最大数量为m； 表示第k等级路段上的垃圾密度持续 长度的概率密度函数； 基于该概率密度函数， 对不同等级路段的特定垃圾密度值， 基于随机 数生成器产生该 垃圾密度的持续长度； 步骤1.4、 考虑 路面垃圾形成的随机性， 添加高斯白噪声的线性组合以体现真实垃圾值 的波动情况， 高斯白噪声表达式如下 所示： ε＝α1ε1+α2ε2+α3ε3+…+αnεn 式中， ε1， ε2，……， εn为不同参数的各组白噪声， 参数α1， α2，……， αn可根据垃圾密度的 持续长度波动情况设定 。 3.如权利要求2所述的方法， 其特 征在于： 所述 步骤二具体包括： 设垃圾密度 序列的步长设为Δx， 建立预测模型如下式所示： 式中, δ(k)代表垃圾密度序列在第k步 的垃圾密度值； δ(k ‑1)， δ(k‑2)， ...代表垃圾序 列的过往 垃圾密度值； p代表用于预测 δ(k)的垃圾密度序列中的过往值数量， 亦为经网络输 入层神经元数量； m、 φ(.)分别代表神经网络隐藏层神经元数量和神经元激活函 数； βij代表 了输入层神经元i和隐藏层神经元j之间的连接权重参数； αj代表输入隐藏层神经元j和输 出神经元的连接权重参数； β0j和α0分别代表隐藏层神 经元和输出神 经元的常数值， εt表示 预测模型噪声。 4.如权利要求3所述的方法， 其特征在于： 所述神经网络只有一个隐藏层， 隐藏层神经 元数量m需给定； 神经网络其余内部参数均基于监督学习的方法获得， 训练方法采用 Levenberg ‑Marquadrdt算法。 5.如权利要求3所述的方法， 其特 征在于： 所述 步骤三具体包括： 步骤3.1、 应用训练后的预测模型， 给定对应最初需求的p个过往值， 后续过往值由扫路 车在工作中获取， 对 预测模型持续更新； 设定在每一空间步预测的垃圾密度值数量q为预测 域长度； 步骤3.2、 根据所处的实际道路环境， 切换采用不同训练集的预测模型； 步骤3.3、 适时地改变预测域长度， 当传感器监测到若干次连续两个垃圾密度值的差值 高于某阈值时， 则缩小q的值。 6.如权利要求5所述的方法， 其特征在于： 所述步骤四中建立整车动力学模型以及电机 功率需求模型， 具体包括： 整车动力学模型的目标转矩Tde和目标功率Pde表示为以下公式： 权　利　要　求　书 2/4 页 3 CN 112685960 B 3