本技術(shù)涉及人工智能，特別是涉及一種參數(shù)優(yōu)化方法、裝置、計算機設(shè)備、存儲介質(zhì)和程序產(chǎn)品。

背景技術(shù)：

1、車輛能耗分析旨在了解車輛在特定工況下的能源消耗情況，包括燃油消耗（對于傳統(tǒng)燃油車）或電能消耗（對于電動車）等。通過分析可以識別出高能耗的環(huán)節(jié)，為節(jié)能減排、優(yōu)化車輛設(shè)計、降低運營成本等提供數(shù)據(jù)支持。

2、傳統(tǒng)技術(shù)中，通常采用能耗分析模型來獲取車輛的能耗數(shù)據(jù)，但是能耗分析模型的模型結(jié)構(gòu)和模型參數(shù)未被優(yōu)化，模型精度不高，進而導致預測的能耗數(shù)據(jù)準確度不高。

技術(shù)實現(xiàn)思路

1、基于此，有必要針對上述技術(shù)問題，提供一種參數(shù)優(yōu)化方法、裝置、計算機設(shè)備、存儲介質(zhì)和程序產(chǎn)品，能夠提高預測的能耗數(shù)據(jù)的準確度。

2、第一方面，本技術(shù)提供了一種參數(shù)優(yōu)化方法，所述方法包括：

3、將不同運行工況下的樣本車輛數(shù)據(jù)輸入至徑向基神經(jīng)網(wǎng)絡，得到不同運行工況下的預測能耗數(shù)據(jù)；

4、根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)，采用遺傳算法對所述徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化；其中，所述模型參數(shù)與車輛的整車能耗機理模型的待修正參數(shù)存在關(guān)聯(lián)關(guān)系，所述整車能耗機理模型用于預測所述車輛的整車能耗數(shù)據(jù)；

5、基于優(yōu)化后的模型參數(shù)，對所述待修正參數(shù)進行優(yōu)化。

6、在其中一個實施例中，所述整車能耗機理模型通過以下方式建立：

7、獲取車輛的電機參數(shù)、電池參數(shù)和電附件參數(shù)；

8、根據(jù)所述電機參數(shù)構(gòu)建驅(qū)動電機機理模型，根據(jù)所述電池參數(shù)構(gòu)建動力電池機理模型，以及根據(jù)所述電附件參數(shù)構(gòu)建電附件系統(tǒng)擬合模型；

9、基于機理融合模型，建立所述驅(qū)動電機機理模型、所述動力電池機理模型和所述電附件系統(tǒng)擬合模型之間的耦合關(guān)系和約束條件；

10、基于所述驅(qū)動電機機理模型、所述動力電池機理模型、所述電附件系統(tǒng)擬合模型、所述耦合關(guān)系和所述約束條件，建立所述整車能耗機理模型。

11、在其中一個實施例中，所述不同運行工況下的樣本車輛數(shù)據(jù)通過以下方式獲得：

12、獲取所述車輛的在不同運行工況下的候選車輛數(shù)據(jù)；

13、采用最優(yōu)拉丁超立方算法對所述候選車輛數(shù)據(jù)進行采樣，得到所述車輛在不同運行工況下的樣本車輛數(shù)據(jù)。

14、在其中一個實施例中，所述徑向基神經(jīng)網(wǎng)絡包括輸入層、徑向基層和輸出層；

15、所述將不同運行工況下的樣本車輛數(shù)據(jù)輸入至徑向基神經(jīng)網(wǎng)絡，得到不同運行工況下的預測能耗數(shù)據(jù)，包括：

16、針對每一運行工況，將所述運行工況下的樣本車輛數(shù)據(jù)輸入至所述輸入層進行基礎(chǔ)特征提取，得到基礎(chǔ)特征數(shù)據(jù)；

17、將所述基礎(chǔ)特征數(shù)據(jù)輸入至所述徑向基層進行非線性變換處理，得到非線性特征數(shù)據(jù)；

18、將所述非線性特征數(shù)據(jù)輸入至所述輸出層進行加權(quán)求和處理，得到所述運行工況下的預測能耗數(shù)據(jù)。

19、在其中一個實施例中，所述模型參數(shù)包括所述徑向基層的節(jié)點數(shù)和徑向基函數(shù)中心，以及所述輸出層的權(quán)重；

20、所述根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)，采用遺傳算法對所述徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化，包括：

21、根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)之間的差值，采用遺傳算法對所述徑向基層的節(jié)點數(shù)和徑向基函數(shù)中心，以及所述輸出層的權(quán)重進行優(yōu)化。

22、在其中一個實施例中，所述徑向基函數(shù)為高斯函數(shù)、多項式函數(shù)或逆多二次函數(shù)中的任意一種。

23、第二方面，本技術(shù)還提供了一種參數(shù)優(yōu)化裝置，所述裝置包括：

24、獲取模塊，用于將不同運行工況下的樣本車輛數(shù)據(jù)輸入至徑向基神經(jīng)網(wǎng)絡，得到不同運行工況下的預測能耗數(shù)據(jù)；

25、第一優(yōu)化模塊，用于根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)，采用遺傳算法對所述徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化；其中，所述模型參數(shù)與車輛的整車能耗機理模型的待修正參數(shù)存在關(guān)聯(lián)關(guān)系，所述整車能耗機理模型用于預測所述車輛的整車能耗數(shù)據(jù)；

26、第二優(yōu)化模塊，用于基于優(yōu)化后的模型參數(shù)，對所述待修正參數(shù)進行優(yōu)化。

27、第三方面，本技術(shù)還提供了一種計算機設(shè)備，所述計算機設(shè)備包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)以下步驟：

28、將不同運行工況下的樣本車輛數(shù)據(jù)輸入至徑向基神經(jīng)網(wǎng)絡，得到不同運行工況下的預測能耗數(shù)據(jù)；

29、根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)，采用遺傳算法對所述徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化；其中，所述模型參數(shù)與車輛的整車能耗機理模型的待修正參數(shù)存在關(guān)聯(lián)關(guān)系，所述整車能耗機理模型用于預測所述車輛的整車能耗數(shù)據(jù)；

30、基于優(yōu)化后的模型參數(shù)，對所述待修正參數(shù)進行優(yōu)化。

31、第四方面，本技術(shù)還提供了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

32、將不同運行工況下的樣本車輛數(shù)據(jù)輸入至徑向基神經(jīng)網(wǎng)絡，得到不同運行工況下的預測能耗數(shù)據(jù)；

33、根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)，采用遺傳算法對所述徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化；其中，所述模型參數(shù)與車輛的整車能耗機理模型的待修正參數(shù)存在關(guān)聯(lián)關(guān)系，所述整車能耗機理模型用于預測所述車輛的整車能耗數(shù)據(jù)；

34、基于優(yōu)化后的模型參數(shù)，對所述待修正參數(shù)進行優(yōu)化。

35、第五方面，本技術(shù)還提供了一種計算機程序產(chǎn)品，所述計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

36、將不同運行工況下的樣本車輛數(shù)據(jù)輸入至徑向基神經(jīng)網(wǎng)絡，得到不同運行工況下的預測能耗數(shù)據(jù)；

37、根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)，采用遺傳算法對所述徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化；其中，所述模型參數(shù)與車輛的整車能耗機理模型的待修正參數(shù)存在關(guān)聯(lián)關(guān)系，所述整車能耗機理模型用于預測所述車輛的整車能耗數(shù)據(jù)；

38、基于優(yōu)化后的模型參數(shù)，對所述待修正參數(shù)進行優(yōu)化。

39、上述參數(shù)優(yōu)化方法、裝置、計算機設(shè)備、存儲介質(zhì)和程序產(chǎn)品，將不同運行工況下的樣本車輛數(shù)據(jù)輸入至徑向基神經(jīng)網(wǎng)絡，得到不同運行工況下的預測能耗數(shù)據(jù)；并根據(jù)不同運行工況下的參考能耗數(shù)據(jù)和預測能耗數(shù)據(jù)，采用遺傳算法對徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化；模型參數(shù)與車輛的整車能耗機理模型的待修正參數(shù)存在關(guān)聯(lián)關(guān)系，整車能耗機理模型用于預測車輛的整車能耗數(shù)據(jù)；由此通過優(yōu)化徑向基神經(jīng)網(wǎng)絡的模型參數(shù)實現(xiàn)優(yōu)化整車能耗機理模型的待修正參數(shù)，具體的可以基于優(yōu)化后的模型參數(shù)，對待修正參數(shù)進行優(yōu)化。上述方案，根據(jù)車輛的整車能耗機理模型的待修正參數(shù)與模型參數(shù)的關(guān)聯(lián)關(guān)系，通過對徑向基神經(jīng)網(wǎng)絡的模型參數(shù)進行優(yōu)化，進而根據(jù)優(yōu)化后的模型參數(shù)和關(guān)聯(lián)關(guān)系確定新的整車能耗機理模型的參數(shù)，進而實現(xiàn)了對整車能耗機理模型的待修正參數(shù)進行優(yōu)化，由此可以提高預測的能耗數(shù)據(jù)的準確度。