(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211231216.X (22)申请日 2022.10.09 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 姜俊昭　杨文豪　彭彬　徐业凯　 卢剑伟　江昊　刘世贸　黄鹤　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 何梅生 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 17/10(2006.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 5/00(2006.01) G06N 20/10(2019.01) G06N 20/20(2019.01) (54)发明名称 一种基于集成模型的燃料电池汽车瞬时能 耗预测方法 (57)摘要 本发明公开了一种基于集成模型的燃料电 池汽车瞬时能耗预测方法， 首先， 利用传感器获 得采集信息， 对采集信息进行数据处理获得计算 数据， 将采集信息和计算数据共同作为预处理数 据； 其次， 对预处理数据进行时间对齐， 获得时间 对齐数据， 将时间对齐数据划分为初始特征集和 模型标签， 再对初始特征集进行特征提取和数据 归一化， 获得模型特征； 然后， 将模型特征与模型 标签导入原始集成模型进行网络训练， 获得优化 集成模型； 最后， 对优化集成模型的输出结果采 用氢电折算的后处理方法， 获得燃料电池端瞬时 能耗值和动力电池端瞬时能耗值。 本发明解决了 燃料电池汽车燃料电池端与动力电池端瞬时能 耗预测难的问题， 为燃料电池汽 车续驶里程的准 确估算提供依据。 权利要求书4页 说明书9页 附图5页 CN 115545308 A 2022.12.30 CN 115545308 A 1.一种基于集成模型的燃料电池 汽车瞬时能耗预测方法， 其特 征是包含如下步骤： 步骤1： 利用传感器获得采集信息， 包括： 由激光测距仪采集获得路面高程信息， 由车载 GPS采集获得位置信息和海拔高度信息， 由空气流量传感器采集 获得燃料电池端空气流量， 由车辆内部CAN协议采集获得各电信号， 所述各电信号分别是： 燃料电池端输出电流I1、 燃 料电池端输出电压U1、 动力电池端输出电流I2和动力电池端输出电压U2； 针对所述位置信息 和海拔高度信息， 根据相邻两个时间间隔下 的位置差异和海拔高度差异计算获得速度、 加 速度和坡度信息； 并按式(1)计算获得燃料电池端瞬时功率PFC和动力电池端瞬时功率PBAT； 将所述采集信息、 速度、 加速度、 坡度信息以及燃料电池端瞬时功率PFC和动力电池端瞬 时功率PBAT共同作为预处 理数据； 步骤2： 对所述预处理数据进行时间对齐， 获得时间对齐数据， 将所述时间对齐数据划 分为初始特 征集和模型 标签； 步骤3： 对所述初始特 征集进行 特征提取和数据归一 化， 获得模型 特征； 步骤4： 将所述模型特征与模型标签导入原始集成模型进行网络训练， 获得优化集成模 型； 所述原始集成模型 是按如下 方式进行 搭建： 采用公式约束法将先验知识整合到全连接神经网络 中， 获得包含先验知识的改进全连 接神经网络算法； 对随机森林回归算法、 支持向量回归算法和所述的改进全连接神经网络 算法采用时间序列 交叉验证的方法进行超参数调优， 获得调优模型， 针对所述调优模型采 用加权平均法获得原 始集成模型； 步骤5： 对所述优化集成模型的输出结果采用氢电折算的后处理方法， 获得燃料电池端 瞬时能耗 值和动力电池端瞬时能耗 值。 2.根据权利要求1所述的基于集成模型的燃料电池 汽车瞬时能耗预测方法， 其特 征是： 在所述步骤1中， 按如下 方式计算获得速度、 加速度和坡度信息： 根据由车载GPS捕获的UTC时间下相邻轨迹点的位置信息计算获得相邻轨迹点之间距 离差， 由所述距离差和海拔高度信息计算获得相邻轨迹点之间的坡度信息， 根据相邻轨迹 点之间距离差和时间差计算 获得相邻轨迹点之 间的速度信息， 根据所述相 邻轨迹点之 间的 速度信息和时间差计算获得相邻轨 迹点之间的加速度信息 。 3.根据权利要求1所述的基于集成模型的燃料电池 汽车瞬时能耗预测方法， 其特 征是： 在所述步骤2中， 针对所述预处理数据进行时间对齐， 获得时间对齐数据， 将时间对齐 数据划分为初始特 征集和模型 标签是指： 对不同采样频率的数据进行时间对齐： 选取最低采样频率的信息保持不变， 其余所有 信息均以最低采样频率进行降采样， 从高频信息转 化到低频信息； 将时间对齐数据中的同频率路面高程信 息、 位置信息、 海拔高度信息、 速度、 加速度、 坡 度信息和燃料电池端空气流量作为初始特征集， 同频率燃料电池端瞬时功率PFC和动力电池 端瞬时功率PBAT作为模型 标签。 4.根据权利要求1所述的基于集成模型的燃料电池汽车瞬时能耗预测方法， 其特征在 于：权　利　要　求　书 1/4 页 2 CN 115545308 A 2在所述步骤3中， 按如下 方式获得模型 特征： 对所述初始特征集采用由式(2)表征的皮尔森相关系数法获得与燃料电池汽车瞬时功 率高度相关的特 征参数： 式(2)中： Pearson为皮尔森相关系数； 所述高度相关是指： Pearso n≥0.7； COV(X,Y)为燃料电池 汽车瞬时功率和特 征参数的协方差； σX为特征参数标准差， σY为燃料电池 汽车瞬时功率标准差； 所述特征参数包括： 路面高程信息、 位置信息、 海拔高度信息、 速度、 加速度和坡度信 息， 以及燃料电池端空气流 量； 对所述特征参数利用式(3)进行min ‑max标准化， 对所述特征参数的原始数据X进行线 性变换， 得到映射到 0‑1之间的X ′， 将所述特 征参数的原 始数据X替换为X ′， 作为模型 特征； 式(3)中： Xmin为原始数据X中的最小值； Xmax为原始数据X的最大值。 5.根据权利要求1所述的基于集成模型的燃料电池汽车瞬时能耗预测方法， 其特征在 于： 在所述步骤4中， 按如下 方法获得包 含先验知识的改进全连接神经网络算法： 采用公式约束法将式(4)所表征的先验知识整合到全连接神经网络中： 式(4)中： Ptheory为电机理论输入功率， r为电机电阻， K为电枢常数； PFC_max、 PBAT_max、 m、 k、 frl和R为车型参数， 由不同车型决定， 其中， PFC_max为选定车型燃料 电池端最大功率， PBAT_max为选定车型动力电池端最大功率， m为选定车型整备质量， k为选定 车型空气阻力常数， frl为选定车型滚动阻力常数， R为选 定车型轮胎半径； v为车辆行驶速度， a为车辆行驶加速度， si nθ 为坡度角正弦值； 所述公式约束法是指在所述改进全连接神经网络模型训练阶段， 以式(4)所表征的 电 机理论输入功率限值、 燃料电池端瞬时功率限值和动力电池端瞬时功率限值为约束， 对所 述改进全连接神经网络模型进行权值共享与限制突触权值的选择， 用于约束模型输出结 果。 6.根据权利要求1所述的基于集成模型的燃料电池汽车瞬时能耗预测方法， 其特征在 于： 在所述步骤4中， 所述时间序列交叉验证是指：权　利　要　求　书 2/4 页 3 CN 115545308 A 3