基于改進灰色馬爾可夫鏈的電傳動裝甲車輛負載需求功率預測

劉春光， 陳路明， 張運銀， 張征，2， 徐浩軒

(1.陸軍裝甲兵學院 兵器與控制系， 北京 100072； 2.北京市遙感信息研究所， 北京 100192)

0 引言

電傳動裝甲車輛具有靜音行駛、靈活轉向、動力性強等特點，成為未來裝甲車輛的重要發展方向[1]。但由于裝甲車輛工作環境復雜，路況特征難以預先建模，且車輛大多工作于非道路工況，使得其功率變化呈現較強的隨機變化特征，給負載功率預測帶來較大困難，制約了現有車輛能量管理策略控制效果的進一步提升，迫切需要開發高水平的負載功率預測方法。

根據初始預測物理量的不同，現有車輛負載需求功率預測方法主要可以分為直接預測和間接預測兩大類。其中，直接預測方法以當前時刻負載需求功率為參考量，采用單一或組合預測方法對負載需求功率進行直接預測。文獻[2]采用徑向基函數神經網絡方法，對燃料電池汽車整車驅動功率進行預測，為優化控制策略提供了重要參考信息，降低了整車能耗。文獻[3]依據記錄的歷史功率信息，采用統計分析方法，對電動車輛負載功率進行周期性預測，提升了智能充電系統的運行效率。

上述直接功率預測方法主要應用在公共汽車、固定軌道交通工具等行駛路線固定、周期性較強的場景，與電傳動裝甲車輛工作環境差異較大，難以直接移植到裝甲車輛負載功率預測場景。間接預測方法并不直接對功率進行預測，而是通過對車速等其他直接可測的物理量進行預測后，再間接計算得到車輛的負載需求功率。文獻[4]以混合動力越野車輛負載需求功率為研究對象，采用自適應馬爾可夫鏈預測方法對尋優域中的車速變化情況進行預測，再依據車輛運動學公式間接計算得到車輛負載需求功率信息，有效提升了整車動力性和燃油經濟性，但這種間接功率預測方法依賴于精確的環境參數，如地面摩擦系數、風速、坡度等，在時變參數較多且獲取較為困難時，功率計算精度難以得到保證。文獻[5]針對電傳動車輛分布式驅動結構特點，采用輪轂驅動電機轉速和轉矩作為預測輸入信號，計算得到短時整車負載需求功率，作為能量管理策略的參考輸入信息，提升了車載供電系統的穩定性。該方法雖然可以得到較為精確的預測功率，但由于電機狀態變化較為迅速，因此預測時域極短，難以實現多步功率預測[6]。

本文針對電傳動裝甲車輛負載變化呈現強隨機性的特點，提出一種基于改進灰色馬爾可夫鏈的組合功率預測方法，以實現對車輛負載需求功率的多步精確預測。

1 灰色馬爾可夫鏈預測理論

1.1 標準灰色預測理論

灰色系統理論以灰色系統為研究對象，可有效處理少數據、貧數據的不確定性問題，其中灰色預測理論是其研究的重點內容之一[7]。灰色預測方法是一種對含有不確定信息系統進行預測的方法，它介于白色預測和黑色預測之間，通過對雜亂無規律的原始數列進行累加，發現累加生成曲線是近似的指數增長曲線，而指數增長正好符合微分方程的形式，因此可通過構造核心灰色模型，對未來時刻的特征值進行外推預測[8-9]。灰色預測模型使用的不是原始時間序列，而是經過累加計算得到的生成序列，它具有較好的擬合和外推特性，建模所需數據較少，為及時體現數據的最新變化特征，建模所需樣本數量一般在20個以下，最少僅需4個就可以建立灰色預測模型，適用于時間序列的中短期預測。隨著樣本數量的增加，預測計算量同步增加，而預測精度呈現先升后降的變化趨勢，當樣本數量選取過大時，經累加處理后，模型指數性變化特征將趨于固化，難以及時反映中短期數據的波動情況，降低模型預測精度。

灰色預測各主要環節的作用和計算過程[10-11]分別如下：1)原始序列級比檢驗，為保證時間序列具有適合灰色預測的分布規律，在進行灰色建模之前，需要對原始時間序列進行級比檢驗；2)一次累加生成序列，為降低原始數據的隨機性，灰色預測常采用累加方法進行數據處理，得到建模所需的生成序列，具體規則為：將原始數據的第1個值作為生成序列的第1個值，后續數據逐步累加到前一個數據上，依次作為對應順序的生成值；3)構造1階微分方程，1階生成序列具有近似指數增長趨勢，可用1階微分方程進行表示；4)建立灰色預測模型；5)數據預測與還原，這是由于直接預測的結果為累加形式，需要進行1階累減運算進行還原。圖1所示為灰色預測流程圖。

圖1 灰色預測流程圖Fig.1 Flow chart of grey prediction

1.2 改進灰色預測理論

標準灰色負載功率預測模型完全基于歷史功率數據擬合得到，沒有考慮駕駛員操控指令對負載功率變化趨勢的影響，而駕駛員的踏板操控指令會直接作用于車輛驅動系統中，從而對未來負載功率變化產生重要影響。這種影響在車輛油門踏板和制動踏板開度穩定不變或變化幅度較小時影響程度較低，但當駕駛員快速改變車輛油門踏板和制動踏板開度時，會造成車輛負載功率快速變化，極大降低基于歷史功率預測模型的預測精度。因此，在標準灰色負載功率預測模型基礎上，將駕駛員操控指令納入負載功率預測中，對標準灰色負載功率預測模型進行改進，以提升復雜駕駛環境下的功率預測精度。

電傳動裝甲車輛的運動狀態受到駕駛員意圖的控制，當駕駛員踩下加速踏板時可以解析為增大驅動力，踩下制動踏板時可以解釋為增大制動力。駕駛員的操控指令在車輛中的直觀體現就是以輪轂驅動電機為主的負載功率調整，二者存在緊密聯系。因此，以加速踏板和制動踏板為參考，構建駕駛員意圖和負載功率的數學關系。

以標準灰色負載功率預測值為基準，假設駕駛員的踏板操控指令對未來負載功率變化趨勢的影響以動態增益系數形式呈現[12]。

1.3 馬爾可夫鏈預測理論

馬爾可夫預測理論由俄國數學家馬爾可夫于1906年提出，主要用于描述這樣一種現象：事物的變化過程僅與當前時刻狀態有關，而與事物的過去狀態無關，上述過程稱為馬爾可夫過程[13-14]。馬爾可夫方法是一種研究隨機變化過程的方法，依據訓練得到的狀態轉移概率矩陣，預測狀態未來變化趨勢。馬爾可夫鏈是時間離散值的馬爾可夫過程，它依據狀態轉移矩陣，對預測對象未來所處狀態進行預測。此處以標準馬爾可夫鏈為例，介紹其預測流程[15]，如圖2所示。

圖2 馬爾可夫鏈預測流程圖Fig.2 Flow chart of Markov chain prediction

1.4 改進灰色馬爾可夫鏈預測方法

基于改進灰色模型的功率預測方法能夠對負載功率中的主體變化趨勢進行較好的預測，但無法跟蹤快速變化的功率分量，預測功率殘差序列呈現平穩隨機變化特點；馬爾可夫鏈缺乏對帶有連續性和因果性的負載主體功率進行預測的理論支撐，但擅長處理無后效性的時間序列預測問題。對于非平穩趨勢性負載功率，單項預測方法均難以產生較為理想的預測效果[16]。理論和研究實踐表明，在多個單項預測模型各異的情況下，組合預測方法能夠發揮不同預測方法的優勢，減少預測的系統誤差，顯著改進預測效果。

圖3 改進灰色馬爾可夫鏈預測流程圖Fig.3 Flow chart of improved grey Markov chain prediction

2 負載需求功率組合預測方法

2.1 數據預處理

灰色預測是一種中短期預測方法，建立灰色預測模型不需要很多數據，一般只需要4個數據，就可以解決序列完整性和可靠性低的問題。電傳動裝甲車輛負載功率預測面向實時應用場景，歷史數據較少，但對預測精度和在線計算速度要求較高，適用于采用灰色預測方法進行功率預測。灰色預測方法需要依托灰色預測模型進行計算，在灰色預測模型一次累加結構確定之后，建模歷史數據的增加對預測精度的提升作用將逐漸趨于飽和，但計算量卻呈現較快增長趨勢。在滿足數據趨勢性預測前提下，為降低計算量，將灰色預測模型參考歷史數據取為4個，設k時刻臨近4個負載功率序列p(0)為

p(0)={p(0)(k-3),p(0)(k-2),
p(0)(k-1),p(0)(k)},k≥3.

(1)

定義負載功率序列最大值和最小值分別為

(2)

(3)

(4)

式中：c為平移變換因子；p(1)(h)為p(0)(h)平移變換后的功率序列，

p(1)(h)=p(0)(h)+c.

(5)

在負載功率極端取值情況下，確定平移因子的約束條件：

(6)

(7)

在可行域內，平移因子取值不宜過大，否則將弱化原始功率序列的變化特征。因此，平移因子取值應盡量靠近可行域下限，最終可取為

(8)

2.2 標準灰色預測模型

原始功率序列經過級比檢驗和平移處理后，保證了灰色模型的可行性，據此，可進一步開展后續建模工作。由于灰色模型中僅包含負載功率變量，應建立負載功率的灰色預測模型。

為消除滿足級比功率序列的隨機性，首先對原始功率序列進行一次累加運算，生成新的功率序列：

p(2)={p(2)(k-3),p(2)(k-2),
p(2)(k-1),p(2)(k)}，

(9)

(10)

一次累加生成功率序列呈現單調增長的變化特征，曲線變化特征符合指數變化規律，可以用指數函數進行擬合。但是，單純指數函數無法推導得到函數系數的最優解析解，而1階微分方程的通解為指數表達形式，具有明確的代數表達形式，能夠利用最小二乘法推導最優的解析解，因此采用1階微分方程對生成功率序列進行擬合，設1階微分方程表達式為

(11)

式中：a為增益參數；b為內生變量。

(11)式的通解表達形式為

(12)

式中：C為常數，由函數的初始條件決定，C∈R.

由于微分方程只適合連續可微函數，而功率序列離散非連續，對(11)式進行近似處理，得到的灰微分方程如(13)式所示：

p(2)(k)+ap(3)(k)=b，

(13)

式中：p(3)(k)為均值生成序列，

p(3)(k)=0.5p(2)(k)+0.5p(2)(k-1).

(14)

(10)式代入(13)式，可得

(15)

記

(16)

以擬合誤差平方和J=(Y-Bu)T(Y-Bu)為優化函數，采用最小二乘法進行求解，得到使優化函數達到最小的u估計值為

(17)

(16)式代入(17)式，可得

(18)

在最小誤差平方和意義下得到微分方程的最優系數估計值，代入(12)式中，得到一次累加生成序列的多步預測方程為

(19)

為將預測結果還原為滿足級比檢驗的數據，再進行一次累減處理，得

(1)(k+i)=(2)(k+i)-(2)(k+i-1)=

(20)

為得到隨機變化的功率數據，參照(5)式的平移變換過程，對(20)式進行反向平移變換，可得

(21)

據此，建立了標準灰色負載功率預測模型，可用于對負載功率進行多步預測。

2.3 改進灰色預測模型

以標準灰色負載功率預測值為基準，假設駕駛員的踏板操控指令對未來負載功率變化趨勢的影響以動態增益系數形式呈現，則有

(4)(k+i)=(0)(k+i)κ(k,i).

(22)

指數預測是一種車輛控制領域最為常用的預測方式，廣泛應用于車速預測、交通狀況預測以及排放特性預測等方面，具有計算量小、短期預測迅速等特點。本節將駕駛員踏板開度對負載功率的短期影響視為指數變化趨勢，則動態增益系數表達形式為

κ(k,i)=eλ(k)i，

(23)

式中：λ(k)為k時刻指數調整系數，取值范圍為[-0.05，0.05]。

由于當前踏板開度僅可表示當前時刻狀態，不具有預測功能，當前k時刻的踏板開度變化率作為自變量，其離散化計算公式為

(24)

式中：α(k)和α(k-1)分別為k和k-1時刻踏板開度；Ts為離散采樣時間。

引入tanh 雙曲正切函數，對具有數量級差異的變化率進行非線性尺度調整，將輸入變量通過映射后，標準化到[-0.05，0.05]區間，以增強對不同采樣時間的適用性，踏板開度變化率的處理過程為

(25)

式中：λ1(k)為k時刻指數調整系數。

為保證幅值相同但符號不同的指數調整系數具有相同的影響力，未來不同時刻負載功率的動態增益系數可設置為

(26)

(26)式代入(22)式，可得改進灰色負載功率預測模型為

(27)

2.4 馬爾可夫鏈預測模型

馬爾可夫鏈預測模型的核心在于狀態轉移矩陣的選取，傳統馬爾可夫鏈的狀態轉移矩陣多取為固定數值矩陣，它根據特定工況離線訓練得到，適用于在固定工況下進行調用[18-20]，但由于狀態轉移矩陣一經確定就不再變化，靈活性和自適應性較差，難以在工況多變的復雜場景下應用。而電傳動裝甲車輛駕駛工況和路面特征復雜多變，固定參數的狀態轉移矩陣無法表征多種工況，負載功率預測適用性和靈活性較差。為解決上述問題，將固定狀態轉移矩陣改進為自適應狀態轉移矩陣，通過設定滾動觀測窗口，實時提取臨近功率信息，自適應更新狀態轉移矩陣；同時，針對狀態轉移概率計算公式分母累加過大的問題，引入遺忘因子設定，在線迭代更新參考狀態轉移矩陣[21]。馬爾可夫鏈模型建立步驟如下：

步驟1狀態柵格化處理。

設殘差功率范圍為[Pmin,Pmax]，根據預測精度要求，對論域進行柵格化處理，

(28)

式中：Sq為第q個柵格狀態；r為柵格數量。

采用最近鄰域法對n個殘差功率進行分類[22]，

(29)

步驟2滾動窗口狀態轉移矩陣計算。

截取臨近w個樣本歷史數據，計算該窗口空間內由狀態Sq轉移到Sg的概率pqg，

(30)

式中：Mqg為由柵格狀態Sq轉移到Sg的次數。

因此，可得第i個窗口的一步狀態轉移矩陣Pi為

(31)

步驟3自適應更新狀態轉移矩陣。

為實現多場景在線應用，采用遺忘因子方法，對歷史數據賦予不同權重系數，以消除數據飽和現象，加強當前數據的影響[23]。

采用線性遞減方式，設置遺忘因子權重系數：

(32)

式中：ρi為第i個窗口狀態轉移矩陣權重系數；γ為歷史窗口狀態轉移矩陣數量。

更新得到下一時刻狀態轉移矩陣估計值：

(33)

該狀態轉移矩陣估計值的展開式為

(34)

步驟4狀態多步預測。

由柯爾莫格羅夫- 開普曼定理可知，功率預測中用到的多步狀態轉移矩陣可通過一步狀態轉移矩陣連乘實現[24]。若當前時刻的柵格狀態為Si，根據多步狀態轉移矩陣估計值，可對未來時刻狀態進行多步預測：

(35)

對柵格狀態進行清晰化處理，可得

(36)

3 算例分析

3.1 仿真實驗環境

實驗用到的硬件在環仿真平臺結構如圖4所示。

圖4 硬件在環仿真平臺Fig.4 Hardware-in-loop simulation platform

該仿真平臺主要由駕駛艙、數字信號處理(DSP)中央控制器、集成顯示屏及實時仿真器RT-LAB組成，實現了集控制、電氣、機械等多領域于一體的電傳動車輛實時仿真功能。各類功率預測算法在dSAPCE實時仿真器的上位機中編寫完成后，可以自動生成C代碼，經編譯后下載到實車DSP中央控制器中，2臺RT-LAB實時仿真器分別運算綜合電力系統和驅動電機的仿真模型，Vortex實時仿真系統中主要運行車輛動力學模型，上述各主要節點通過Flexray通信總線進行數據交互，在實驗室環境下實現對實車控制系統結構和通信方式的高置信度仿真。

3.2 直線行駛功率預測實驗

為檢驗改進灰色預測模型對負載功率的預測效果，依托硬件在環仿真平臺進行實時仿真實驗。仿真中設置車輛在水泥路面上直線行駛，初始時刻車輛處于靜止狀態，踏板開度為0%，轉向開度為0%；實車控制器離散采樣時間為0.002 s，灰色預測模型離散采樣時間為1 s，預測時域長度為5 s，設置初始狀態轉移矩陣為15×15的單位矩陣 。硬件在環仿真中踏板操控指令、車速信息以及功率預測結果如圖5～圖10所示。

圖5 實際車速曲線Fig.5 Actual speed curve

圖6 踏板開度曲線Fig.6 Pedal opening curve

圖7 多步保持模型預測功率Fig.7 Power predicted by multistep hold model

圖8 標準灰色模型預測功率Fig.8 Power predicted by standard grey model

圖9 改進灰色模型預測功率Fig.9 Power predicted by improved grey model

圖10 改進灰色馬爾可夫鏈模型預測功率Fig.10 Power prediced by improved grey Markov chain model

由于灰色模型的建立過程需要依托4個歷史數據，而在最初時刻，灰色模型尚未建立起來，因此在最初的4 s內預測功率沒有輸出，在第5 s時刻，灰色馬爾可夫鏈模型開始輸出第1個預測數據，并在后續時刻每隔1 s的采樣步長，分別對未來5步的功率進行同步預測。由圖7可知，多步保持模型僅以當前時刻實際功率為參考，進行多步外推預測，沒有考慮工況變化因素和駕駛員操控指令影響，預測方式簡單，計算量較小，但在負載功率大小和方向實時變化的場景下，存在較大的預測誤差；由圖8和圖9可知，標準灰色預測方法和改進灰色預測方法均可對未來負載功率進行多步預測，且預測精度隨著預測時域的增加逐漸降低。其中，標準灰色模型完全基于歷史功率數據訓練得到，在短期功率變化相對穩定的情況下預測趨勢與實際功率變化趨勢一致性較高，但在功率頻繁變化情況下，尤其是在駕駛員操控指令在加速和制動之間切換時，負載功率預測精度較低。改進灰色預測方法在標準灰色預測方法基礎上，考慮了駕駛員操控指令對負載功率變化的影響，在加速和制動踏板變化較迅速時，能夠及時修正預測方向，負載需求功率預測精度更高。由圖10可知，改進灰色馬爾可夫鏈預測方法對于未來負載功率具有多步預測能力，尤其在負載功率變化較為劇烈時，仍然具有較高的自適應能力和較高的預測精度，定性驗證了改進灰色馬爾可夫鏈預測方法的有效性。值得注意的是，在部分離散采樣點，模型預測功率數值變化趨勢與實際變化趨勢吻合度較差，甚至出現預測反向的情況，這種情況主要出現在功率的轉折變化時刻，此時灰色模型參數更新以及狀態轉移矩陣元素更新存在一定滯后，使得轉折時刻預測趨勢不能及時調整方向。為進一步展示不同時刻的預測效果，計算得到不同時刻的預測誤差，分別如圖11～圖14所示。

圖12 標準灰色模型預測誤差Fig.12 Predicted error of standard grey model

圖13 改進灰色模型預測功率Fig.13 Predicted error of improved grey model

圖14 改進灰色馬爾可夫鏈模型預測誤差Fig.14 Predicted error of improved grey Markov chain model

為定量評價不同模型的功率預測效果，以預測的均方根誤差作為模型在特定時刻預測效果的評價指標，并以5個時刻預測均方根誤差的平均值作為模型整體預測效果的評價指標。均方根誤差將每個預測值的誤差以其誤差的倍數進行放大，使得單個較大誤差的預測值就能夠使預測均方根誤差增加很多[25]。具有較小預測均方根誤差的方法所產生的預測誤差一般較小，這正是高精度預測所追求的結果。因此，預測功率的均方根誤差能較好地衡量預測的準確度。

不同預測方法下的負載功率預測均方根誤差如表1所示。

由表1可知：多步保持模型在第1步具有較高的預測精度，但在未來第2到第5步的預測精度顯著降低，且整體預測精度偏低，這是因為第1步時間較短，負載功率通常不會發生較大變化，但隨著預測時間的延長，負載功率的變化趨勢逐漸顯現，且通常與當前時刻實際功率具有較大差距，因而造成了多步保持模型預測精度前高后低的效果；標準灰色模型考慮了歷史功率的影響，從中擬合數據變化規律，相對于多步保持模型，除在第1步預測精度偏低外，后續多步預測精度均高于多步保持模型預測精度，預測效果提升約7.2%；改進灰色模型在標準灰色模型基礎上，考慮了駕駛員操控指令因素的影響，在負載功率變化較為劇烈的時刻，能夠預先對功率變化趨勢進行判定，具有較高的預測精度，相對于多步保持模型，預測效果提升了10.41%；改進灰色馬爾可夫鏈模型在改進灰色模型的基礎上，采用馬爾可夫鏈模型對預測殘差功率進行了多步預測，以此為依據，對改進灰色模型預測結果進行修正，進一步提升了負載功率多步預測效果，其預測精度相對多步保持模型提升了14.26%，驗證了負載功率預測方法的有效性。

表1 不同預測方法的定量評價指標(直線行駛工況)Tab.1 Quantitative evaluation indexes of different prediction methods (straight driving condition)

3.3 轉向行駛功率預測實驗

為檢驗負載需求功率預測方法在其他工況下的預測效果，設置車輛在砂石路面上轉向行駛，初始條件設置與3.2節相同，仿真時間為90 s，記錄得到仿真實驗結果分別如圖15～圖21所示。

圖15 實際車速曲線Fig.15 Actual speed curve

圖16 踏板開度曲線Fig.16 Pedal opening curve

圖17 轉向開度曲線Fig.17 Steering opening curve

圖18 多步保持模型預測功率Fig.18 Power predicted by multistep hold model

圖19 標準灰色模型預測功率Fig.19 Power predicted by standard grey model

圖20 改進灰色模型預測功率Fig.20 Power predicted by improved grey model

圖21 改進灰色馬爾可夫鏈模型預測功率Fig.21 Power predicted by improved grey Markov chain model

由圖15～圖17可知，駕駛員不斷改變油門踏板和制動踏板開度及方向盤轉向開度，車輛以中低車速轉向行駛，使得車輛負載功率變化情況相較直線行駛更加復雜。由圖18～圖21可知，在不同負載功率預測方法下，功率預測效果存在較大差異。圖18所示為多步保持模型的功率預測結果，未來5步預測功率值與當前采樣時刻值始終保持一致，預測趨勢不隨踏板開度或轉向開度變化，預測精度受到限制；圖19所示為標準灰色模型的功率預測結果，未來功率預測趨勢體現了短期歷史功率數據的影響，相較多步保持模型預測方法，一定程度上提升了功率預測效果，但由于未考慮踏板開度等駕駛員操作指令的影響，預測精度提升幅度較低；圖20所示為改進灰色模型功率預測結果，該方法考慮了駕駛員踏板開度和歷史功率數據對未來功率變化的影響，未來5步預測功率與實際功率變化趨勢較為接近，預測精度提升較為顯著，但在功率轉折時刻仍存在較大偏差；圖21所示為改進灰色馬爾可夫鏈模型預測結果，將預測殘差功率無后效性的特點融入到預測建模過程中，在保持原有較高功率預測精度的前提下，進一步增強了功率轉折時刻的預測精度，顯著提升了復雜駕駛環境的功率預測效果。

分別記錄未來5步各預測時刻的預測誤差，結果如圖22～圖25所示。

圖22 多步保持模型預測誤差Fig.22 Predicted error of multi-step hold model

圖23 標準灰色模型預測誤差Fig.23 Predicted error of standard grey model

圖24 改進灰色模型預測功率Fig.24 Predicted error of improved grey model

由圖22～圖25可知，隨著預測步長的增加，預測誤差呈現逐步增加趨勢，但不同預測方法的預測誤差大小存在一定差別。為定量評價不同預測方法的作用效果，根據記錄的各步預測誤差，計算得到不同預測方法下的均方根誤差，結果如表2所示。

由表2可知：多步保持模型在第1步具有較高的預測精度，但在未來第2到第5步的預測精度顯著降低，且整體預測精度偏低，這是由于第1步時間較短，負載功率通常不會發生較大變化，但隨著預測時間的延長，負載功率的變化趨勢逐漸顯現，且通常與當前時刻實際功率具有較大差距，因而造成了多步保持模型預測精度前高后低的效果；標準灰色模型考慮了歷史功率的影響，從中擬合數據變化規律，相較多步保持模型，除在第1步預測精度偏低外，后續多步預測精度均高于多步保持模型預測精度，預測效果提升約8.94%；改進灰色模型在標準灰色模型基礎上，考慮了駕駛員操控指令因素的影響，在負載功率變化較為劇烈的時刻，能夠預先對功率變化趨勢進行判定，具有較高的預測精度，相較多步保持模型，預測效果提升了12.25%；改進灰色馬爾可夫鏈模型在改進灰色模型的基礎上，采用馬爾可夫鏈模型對預測殘差功率進行了多步預測，以此為依據，對改進灰色模型預測結果進行修正，進一步提升了負載功率多步預測效果，其預測精度相對多步保持模型提升了16.49%，驗證了負載功率預測方法的有效性，能夠為后續實時能量管理策略提供有效參考功率信息。

表2 不同預測方法的定量評價指標(轉向行駛工況)Tab.2 Quantitative evaluation indexes of different prediction methods (steering driving condition)

4 結論

本文以電傳動裝甲車輛為研究對象，針對其需求功率呈現強隨機性和多步預測困難等問題，采用改進灰色馬爾可夫鏈組合預測方法，從歷史功率數據中尋求內在變化規律，實現了對電傳動裝甲車輛負載需求功率的多步預測。得出以下主要結論：

1)電傳動裝甲車輛負載需求功率具有較強的隨機性變化特征，傳統單一預測方法難以實現多步精確預測，采用組合預測方法能夠有效提升負載功率預測精度。

2)改進灰色馬爾可夫鏈組合預測方法基于歷史數據和駕駛員指令信息，可以實現對主體功率和殘差功率的預測，完成對電傳動裝甲車輛負載需求功率的高精度預測。

3)未來負載需求功率是能量管理策略的重要參考輸入信息，通過組合預測方法，實現功率預測時域和精度的同步增加，對于提升電傳動裝甲車輛能量管理控制效果將具有重要意義。