CN102566416A - 混合动力调车机车运行工况的智能识别评价方法 - Google Patents
混合动力调车机车运行工况的智能识别评价方法 Download PDFInfo
- Publication number
- CN102566416A CN102566416A CN201110430766XA CN201110430766A CN102566416A CN 102566416 A CN102566416 A CN 102566416A CN 201110430766X A CN201110430766X A CN 201110430766XA CN 201110430766 A CN201110430766 A CN 201110430766A CN 102566416 A CN102566416 A CN 102566416A
- Authority
- CN
- China
- Prior art keywords
- output power
- power summation
- shunter
- curve
- array
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种混合动力调车机车运行工况的智能识别评价方法,其特征在于:它采用神经网络识别评价调车机车工作状态的过程主要分为两个阶段:第一个阶段是学习期,是离线计算,第二个阶段是工作期,是在线计算。通过对调车机车运行工况进行识别评价,适用于不同运行工况下的混合动力调车,有助于混合动力调车控制参数的调整,使得混合动力调车的燃油经济性和排放性能得到最大的提高。本识别评价方法为各种串联式混合动力车辆及船舶等进行控制策略中的参数调整提供依据,具有很强的适用性。
Description
技术领域
本发明属于内燃机车控制技术领域,特别涉及一种混合动力调车机车运行工况的智能识别评价方法。
背景技术
混合动力内燃机车是轨道交通发展方向的一种绿色车型。混合动力技术非常适合于电传动内燃机车,尤其是调车机车。调车机车具有怠速时间长、运行速度低等特点。采用混合动力技术可以大幅度改善调车机车的燃油经济性,并减少其排放,对调车机车在隧道等通风不畅的特殊环境中工作具有更重要的意义。
控制策略是混合动力调车机车的核心,而且是其运行工况紧密相关。与混合动力汽车相比,调车机车的运行工况不仅与其行驶速度有关,而且与其拖曳货物质量具有紧密联系,因此不能仅仅根据车速对其运行工况进行评价。不同站点的货物运输量不同,调车机车的运行工况也具有很大差异。而目前国内还没有对调车机车运行工况进行评价的设备和方法,因此混合动力调车机车在燃油经济性和排放性能方面的优势没有得到最大体现。
发明内容
本发明针对上述现有技术的不足,本发明通过对调车机车运行工况进行识别评价,可以有助于混合动力调车调整控制策略中的参数,使得混合动力调车的燃油经济性和排放性能得到最大的提高的一种混合动力调车机车运行工况的智能识别评价方法
本发明的目的是通过如下技术方案实现的:
本发明提供一种混合动力调车机车运行工况的智能识别评价方法。通过采集一定时间的调车机车多个驱动电机的输出功率,然后采用神经网络方法对其进行计算和分析,从而得到调车机车当前的运行工况。通过对调车机车运行工况进行识别评价,有助于混合动力调车调整控制策略中的参数,使得混合动力调车的燃油经济性和排放性能得到最大的提高。
采用神经网络识别评价机车运行工况的过程主要分为两个阶段,首先是学习期,是通过对在典型铁路车站,区段站、编组站等工作的调车多个驱动电机的输出功率总和的曲线进行学习,从而确定运行工况评价程序中的各项参数:然后是工作期,是采集调车的多个驱动电机输出功率并进行实时处理,然后通过运行工况评价程序进行计算得到调车当前在哪种典型铁路车站中工作。
第一个阶段学习期,主要通过在PC机中用matlab编写程序来实现,其方法步骤为:
步骤1:首先输入在典型铁路车站,区段站、编组站等工作的调车多个驱动电机的输出功率总和的曲线,然后分别对这些输出功率总和曲线进行分段,每一小段作为一个样本,而且每个样本的时间可以重叠。设定每个小样本的采样时间为ts秒,每隔tf秒钟进行一次采样,ts=nitf,则其划分结果为0~ts秒为一段输出功率总和曲线样本,tf~(tf+ts)秒为一段输出功率总和曲线样本,2tf~(2tf+ts)秒为一段输出功率总和曲线样本,......,(n·tf)~(n·tf+ts)秒为一段输出功率总和曲线样本,并把每种输出功率总和曲线分段后的曲线样本分别进行存储,每个曲线样本可以采用一个向量P=[p1 p2…pts]表示。p表示不同时刻的输出功率总和,单位为kw。在区段站工作的调车机车多个驱动电机的输出功率总和曲线分为zn段,则把在区段站工作的调车机车多个驱动电机的输出功率总和曲线存储为数组Pz1,Pz2,......,Pzn;在编组站工作的调车机车驱动电机的输出功率总和曲线分为kn段,把在编组站工作的调车机车驱动电机的输出功率总和曲线存储为数组Pk1,Pk2,......,Pkn;
步骤2:对每一小段输出功率总和曲线数组进行处理,当输出功率总和大于等于零时,在区段站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Pazl,Paz2,......,Pazn,在编组站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Pak1,Pak2,......,Pakn;当输出功率总和小于零时,在区段站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Prz1,Prz2,......,Przn,在编组站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Prk1,Prk2,......,Prkn。对输出功率总和大于等于零的曲线数组计算其数据的最大值、平均值以及标准差,对输出功率总和小于零的曲线数组计算其数据的最小值、平均值和标准差。对两种输出功率曲线数组,进行节点划分和数据统计,并计算各部分占各自数组时间的比例;
步骤3:采用上述步骤2中计算得到的参数,作为神经网络学习的训练样本x1、x2......xk,即输入层;采用y1代表调车机车在编组站工作,y2代表调车机车在区段站工作,……,ym代表调车机车在第m种运行工况工作,作为神经网络的输出层;然后采用公式一进行计算,求得神经网络各连接权上的权值wim、bm;
公式一:
第二个阶段工作期,主要通过在PC机中采用C编写行驶状态智能识别评价程序,然后下载到智能识别评价控制器中实现,其方法步骤为:
步骤4:首先对功率总和进行中位值滤波法处理:若在第一阶段中功率总和的采样频率为tf秒钟一次,则取前nk(nk为奇数)次功率总和的中间值作为第一次处理后的功率总和;然后对第一次处理后的功率总和进行递推平均滤波法处理:取前nc次的功率总和的平均值作为最终功率总和值;
步骤5:存储一定时间的功率总和,形成功率总和数组。若在第一阶段中选用ts秒的样本进行神经网络权值计算,则在调车机车工作过程中在每次采样后存储前ts秒内的功率总和,形成一个具有ni个功率总和值的数组作为一个功率总和片断;
步骤6:对上述功率总和片断按照第一阶段中的步骤2进行计算,得到神经网络计算所需的各项输入参数;
步骤7:然后采用公式一进行神经网络计算,即得到当前调车机车得运行工况ym。
进一步地,采用神经网络计算调车机车状态特征参数设计时,对多个驱动电机的输出功率总和的曲线进行了划分,划分的时间ts为120-800秒,间隔时间tf为0.5-3秒,且划分的时间可以重叠。
进一步地,采用神经网络计算调车机车状态特征参数设计时,在对时间片断计算过程中,对输出功率总和大于等于零的数组和输出功率总和小于零的数组进行了节点划分,划分节点为1-20。
进一步地,采用神经网络计算调车机车状态特征参数设计时,选用了输出功率总和大于等于零的曲线数组中数据的最大值、平均值以及标准差,输出功率总和小于零的曲线数组中数据的最小值、平均值以及标准差,以及两种输出功率总和曲线数组,进行节点划分后,各部分占各自数组时间的比例作为神经网络学习的输入。
进一步地,采用神经网络评价混合动力调车机车工作状态时,针对现实中输出功率总和的变化特征,对输出功率总和进行了中位值滤波法处理,选用nk为5-15中的奇数,然后又对输出功率总和进行了递推平均滤波法处理,选用nc为10-25。
本发明的有益效果是:通过对调车机车运行工况进行识别评价,适用于不同运行工况下的混合动力调车,可以有助于混合动力调车控制参数的调整,使得混合动力调车的燃油经济性和排放性能得到最大的提高。本识别评价方法可以为各种串联式混合动力车辆及船舶等进行控制策略中的参数调整提供依据,具有很强的适用性。
附图说明
图1为本发明混合动力调车机车运行工况的智能识别评价方法采用神经网络实现智能识别评价流程图
图2为本发明混合动力调车机车运行工况的智能识别评价方法采用智能评价方法的识别评价效果图
具体实施方式
下面结合附图对本发明作进一步描述如下:
如图1所示,采用神经网络进行智能识别评价需要进行两个阶段,第一个阶段是学习期,主要是计算智能评价程序所需的控制参数,第二个阶段就是编写智能评价程序,然后下载到控制器中就可以实时的对调车机车的运行工况进行评价。下面我们将结合实例对上述两个阶段分别进行详细的阐述:
第一个阶段,学习期如图1的上半部所示:
步骤1:采集在典型铁路车站,如区段站、编组站等工作的调车多个驱动电机的输出功率总和曲线,然后分别对这些输出功率总和曲线进行分段,每一小段作为一个样本,而且每个样本的时间可以重叠。在本次实例分析中,每个小样本的采样时间为ts选用180秒,tf选用1秒钟,因此ni=180,ts=nitf。分段结果为:0~180为一个样本小段,1~181为一个样本小段,依次类推。并把每种输出功率总和曲线分段后的结果进行存储,在编组站工作的调车机车多个驱动电机的输出功率总和曲线分为1000段,存储为数组Pz1,Pz2,......,Pzn;在区段站工作的调车机车多个驱动电机的输出功率总和曲线分为1000段,存储为数组Pak1,Pak2,......,Pakn;
步骤2:计算各个输出功率总和曲线片段的参数。当输出功率总和大于等于零时,在区段站工作的调车机车多个驱动电机的输出功率总和曲线数组存储为数组Paz1,Paz2,......,Pazn,在编组站工作的调车机车多个驱动电机的输出功率总和曲线数组存储为数组Pak1,Pak2,......,Pakn;当输出功率总和小于零时,在区段站工作的调车机车多个驱动电机的输出功率总和曲线数组存储为数组Prz1,Prz2,......,Przn,在编组站工作的调车机车多个驱动电机的输出功率总和曲线数组存储为数组Prk1,Prk2,......,Prkn。对输出功率总和大于等于零的曲线数组计算其数据的最大值、平均值以及标准差,对输出功率总和小于零的曲线数组的最小值、平均值和标准差。对两种输出功率曲线数组,进行节点划分和数据统计,并计算每部分占时间的百分比。例如:若对输出功率总和大于等于零的数组划分节点为4个,即200kw、400kw、600kw、800kw,则计算输出功率总和大于等于零的数组中,数值小于等于200kw的采样点数占数组总点数的比例、数值大于200kw小于等于400kw的采样点数占数组总点数的比例、数值大于400kw小于等于600kw的采样点数占数组总点数的比例、数值大于600kw小于等于8kw的采样点数占数组总点数的比例、数值大于800kw的采样点数占数组总点数的比例。若对输出功率总和小于等于零的数组划分节点为3个,即-400kw、-600kw、-900kw,则计算输出功率总和小于零的数组中,数值大于-400kw小于等于0的采样点数占数组总点数的比例、数值大于-600kw小于等于-400kw的采样点数占数组总点数的比例、数值大于-900kw小于等于-600kw的采样点数占数组总点数的比例、数值小于-900kw的采样点数占数组总点数的比例。最终在区段站工作的调车机车多个驱动电机的输出功率总和曲线计算得到一个1000×15的矩阵,在编组站工作的调车机车多个驱动电机的输出功率总和曲线得到一个1000×15的矩阵;
步骤3:计算神经网络评价系统中的参数。把步骤2中对在编组站和区段站工作的调车机车多个驱动电机的输出功率总和曲线分别计算得到的两个矩阵作为输入层;然后定义在编组站的运行工况为1,在区段站的运行工况为0,作为输出层。
第二个阶段,工作期如图1的下半部所示:
步骤4:对采集到的多个驱动电机的输出功率总和进行滤波处理。首先对多个驱动电机的输出功率总和进行中位值滤波法处理:若nk选用5,则取前5次多个驱动电机的输出功率总和的中间值;然后对多个驱动电机的输出功率总和进行递推平均滤波法处理:若nc选用10,则取前10次的多个驱动电机的输出功率总和的平均值作为最终的多个驱动电机的输出功率总和;
步骤5:存储前ti即180秒内不同时刻的多个驱动电机的输出功率总和值,从而得到一个功率总和值数组;
步骤6:对上述功率总和值数组计算表1中数值,得到一个矩阵;
步骤7:把得到的矩阵代入神经网络计算公式一便可得到当前调车机车的运行工况。
如图2所示,随机选取一段编组站功率曲线及区段站驱动电机的输出功率总和曲线组合在一起,以验证识别评价结果。图中横坐标为时间,左侧纵坐标为功率总和值,右侧纵坐标为调车运行工况。图中实线为某型号调车机车实际功率总和值曲线,图中虚线为评价出的运行工况结果,在19429秒~22784秒和24959秒~34408秒时间段上结果为1,表示识别评价出调车机车在编组站类的负荷较为繁重的工况工作,在其他时间段上识别评价结果为0,表示识别评价出调车机车在区段站类的负荷较小的工况工作,识别评价有效。
表1:神经网络计算中样本计算所需参数
以上是对本发明所提供的具体实施例结构进行了详细介绍,本实施例只是用于帮助理解本发明的设计方法和核心思想,同时,对本领域技术人员,依据本发明的思想设计的本质相同的,均在本发明保护范围之内。综上所述,本说明书内容不能理解为对本发明的限制。
Claims (5)
1.混合动力调车机车运行工况的智能识别评价方法,其特征在于:它采用神经网络识别评价调车机车工作状态的过程主要分为两个阶段:
第一个阶段是学习期,是离线计算,其方法步骤为:
步骤1:首先输入在典型铁路车站,区段站、编组站工作的调车多个驱动电机的输出功率总和的曲线,然后分别对这些输出功率总和曲线进行分段,每一小段作为一个样本,而且每个样本的时间可以重叠。设定每个小样本的采样时间为ts秒,每隔tf秒钟进行一次采样,ts=nitf,则其划分结果为0~ts秒为一段输出功率总和曲线样本,tf~(tf+ts)秒为一段输出功率总和曲线样本,2tf~(2tf+ts)秒为一段输出功率总和曲线样本,......,(n·tf)~(n·tf+ts)秒为一段输出功率总和曲线样本,并把每种输出功率总和曲线分段后的曲线样本分别进行存储,每个曲线样本采用一个向量P=[p1 p2…pts]表示。p表示不同时刻的输出功率总和,单位为kw。在区段站工作的调车机车多个驱动电机的输出功率总和曲线分为zn段,把在区段站工作的调车机车多个驱动电机的输出功率总和曲线存储为数组Pz1,Pz2,......,Pzn;在编组站工作的调车机车驱动电机的输出功率总和曲线分为kn段,把在编组站工作的调车机车驱动电机的输出功率总和曲线存储为数组Pk1,Pk2,......,Pkn;
步骤2:对每一小段输出功率总和曲线数组进行处理,当输出功率总和大于等于零时,在区段站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Paz1,Paz2,......,Pazn,在编组站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Pak1,Pak2,......,Pakn;当输出功率总和小于零时,在区段站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Prz1,Prz2,......,Przn,在编组站工作的调车机车驱动电机的输出功率总和曲线数组存储为数组Prk1,Prk2,......,Prkn。对输出功率总和大于等于零的曲线数组计算其数据的最大值、平均值以及标准差,对输出功率总和小于零的曲线数组计算其数据的最小值、平均值和标准差。对两种输出功率曲线数组,进行节点划分和数据统计,并计算各部分占各自数组时间的比例;
步骤3:采用上述步骤2中计算得到的参数,作为神经网络学习的训练样本x1、x2......xk,即输入层;采用y1代表调车机车在区段站工作,y2代表调车机车在编组站工作,……,ym代表调车机车在第m种工作状态工作,作为神经网络的输出层;然后采用公式一进行计算,求得神经网络各连接权上的权值wim、bm;
公式一:
第二个阶段是工作期,是在线计算,其方法步骤为:
步骤4:首先对功率总和进行中位值滤波法处理:在第一阶段中功率总和的采样频率为tf秒钟一次,则取前nk次功率总和的中间值作为第一次处理后的功率总和,nk为奇数;然后对第一次处理后的功率总和进行递推平均滤波法处理:取前nc次的功率总和的平均值作为最终功率总和;
步骤5:存储一定时间的功率总和,形成功率总和数组。若在第一阶段中选用ts秒的样本进行神经网络权值计算,则在调车机车工作过程中在每次采样后存储前ts秒内的功率总和,形成一个具有ni个功率总和值的数组作为一个功率总和片断;
步骤6:对上述功率总和片断按照第一阶段中的步骤2进行计算,得到神经网络计算所需的各项输入参数;
步骤7:然后采用公式一进行神经网络计算,即得到当前调车机车得工作状态ym。
2.根据权利要求1所述的混合动力调车机车运行工况的智能识别评价方法,其特征在于:采用神经网络计算调车机车状态特征参数设计时,对多个驱动电机的输出功率总和的曲线进行了划分,划分的时间ts为120-800秒,间隔时间tf为0.5-3秒,且划分的时间可以重叠。
3.根据权利要求1所述的混合动力调车机车运行工况的智能识别评价方法,其特征在于:采用神经网络计算调车机车状态特征参数设计时,在对时间片断计算过程中,对输出功率总和大于等于零的数组和输出功率总和小于零的数组进行了节点划分,划分节点为1-20。
4.根据权利要求1所述的混合动力调车机车运行工况的智能识别评价方法,其特征在于:采用神经网络计算调车机车状态特征参数设计时,选用了输出功率总和大于等于零的曲线数组中数据的最大值、平均值以及标准差,输出功率总和小于零的曲线数组中数据的最小值、平均值以及标准差,以及两种输出功率总和曲线数组,进行节点划分后,各部分占各自数组时间的比例作为神经网络学习的输入。
5.根据权利要求1所述的混合动力调车机车运行工况的智能识别评价方法,其特征在于:采用神经网络评价混合动力调车机车工作状态时,针对现实中输出功率总和的变化特征,对输出功率总和进行了中位值滤波法处理,选用nk为5-15中的奇数,然后又对输出功率总和进行了递推平均滤波法处理,选用nc为10-25。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110430766XA CN102566416A (zh) | 2011-12-20 | 2011-12-20 | 混合动力调车机车运行工况的智能识别评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110430766XA CN102566416A (zh) | 2011-12-20 | 2011-12-20 | 混合动力调车机车运行工况的智能识别评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102566416A true CN102566416A (zh) | 2012-07-11 |
Family
ID=46412070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110430766XA Pending CN102566416A (zh) | 2011-12-20 | 2011-12-20 | 混合动力调车机车运行工况的智能识别评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102566416A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102951144A (zh) * | 2012-11-16 | 2013-03-06 | 同济大学 | 基于最小功率损失算法的自调整神经网络能量管理方法 |
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
CN103870892A (zh) * | 2014-03-26 | 2014-06-18 | 北京清软英泰信息技术有限公司 | 一种从离线至在线实现铁路机车运行操纵的方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060149519A1 (en) * | 2004-11-15 | 2006-07-06 | Keller Jesse P | Hybrid vehicle parameters data collection and analysis for failure prediction and pre-emptive maintenance |
CN201217385Y (zh) * | 2008-05-23 | 2009-04-08 | 中国北车股份有限公司 | 混合动力内燃机车 |
CN101419677A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种识别混合动力电动汽车行驶状态的方法 |
CN101419678A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种识别混合动力电动汽车运行状态的方法 |
CN101419679A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种混合动力电动汽车行驶状态的智能识别方法 |
-
2011
- 2011-12-20 CN CN201110430766XA patent/CN102566416A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060149519A1 (en) * | 2004-11-15 | 2006-07-06 | Keller Jesse P | Hybrid vehicle parameters data collection and analysis for failure prediction and pre-emptive maintenance |
CN201217385Y (zh) * | 2008-05-23 | 2009-04-08 | 中国北车股份有限公司 | 混合动力内燃机车 |
CN101419677A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种识别混合动力电动汽车行驶状态的方法 |
CN101419678A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种识别混合动力电动汽车运行状态的方法 |
CN101419679A (zh) * | 2008-12-11 | 2009-04-29 | 北京交通大学 | 一种混合动力电动汽车行驶状态的智能识别方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102951144A (zh) * | 2012-11-16 | 2013-03-06 | 同济大学 | 基于最小功率损失算法的自调整神经网络能量管理方法 |
CN102951144B (zh) * | 2012-11-16 | 2015-04-08 | 同济大学 | 基于最小功率损失算法的自调整神经网络能量管理方法 |
CN103605285A (zh) * | 2013-11-21 | 2014-02-26 | 南京理工大学 | 汽车驾驶机器人系统的模糊神经网络控制方法 |
CN103870892A (zh) * | 2014-03-26 | 2014-06-18 | 北京清软英泰信息技术有限公司 | 一种从离线至在线实现铁路机车运行操纵的方法及系统 |
CN103870892B (zh) * | 2014-03-26 | 2017-05-10 | 中车信息技术有限公司 | 一种从离线至在线实现铁路机车运行操纵的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110775065B (zh) | 一种基于工况识别的混合动力汽车电池寿命预测方法 | |
CN105216782B (zh) | 基于能量预测的插电式混合动力汽车能量管理方法 | |
CN101419679B (zh) | 一种混合动力电动汽车行驶状态的智能识别方法 | |
CN112116156B (zh) | 基于深度强化学习的混动列车的能量管理方法及系统 | |
CN104071161B (zh) | 一种插电式混合动力汽车工况识别及能量管控的方法 | |
CN107284441A (zh) | 实时工况自适应的插电式混合动力汽车能量优化管理方法 | |
CN107351840A (zh) | 一种基于v2i的汽车节能路径及经济车速动态规划方法 | |
DE102015223733A1 (de) | System und Verfahren zum Steuern eines Hybridfahrzeugs | |
CN116452099B (zh) | 一种基于大数据的冷链食品运输智能管理系统 | |
CN109703548B (zh) | 一种基于混合动力的汽车动力分配方法 | |
CN101419677B (zh) | 一种识别混合动力电动汽车行驶状态的方法 | |
CN104249736A (zh) | 基于队列行驶的混合动力汽车节能预测控制方法 | |
CN112046557B (zh) | 一种无人驾驶列车控制系统的控制方法 | |
CN105083276A (zh) | 基于分散控制的混合动力汽车节能预测控制方法 | |
CN111619624A (zh) | 一种基于深度强化学习的有轨电车运行控制方法和系统 | |
CN102566416A (zh) | 混合动力调车机车运行工况的智能识别评价方法 | |
DE102019215530A1 (de) | System und Verfahren zum Betrieb eines Antriebsstrangs | |
Zhang et al. | An AI based high-speed railway automatic train operation system analysis and design | |
CN111680413B (zh) | 基于双层算法的有轨电车定时节能运行优化方法及其系统 | |
WO2020043397A1 (de) | Energieoptimierung beim betreiben einer schienenfahrzeugflotte | |
CN104680335A (zh) | 一种新能源汽车的测评方法 | |
WO2023194024A1 (de) | Verfahren für elektrisch antreibbares fahrzeug, insbesondere nutzfahrzeug, verfahren für fahrzeugexternen server, computerprogramm, computerlesbares medium, steuergerät, elektrisch antreibbares fahrzeug, fahrzeugexterner server | |
CN115534929A (zh) | 基于多元信息融合的插电式混合动力汽车能量管理方法 | |
Turri et al. | Fuel-optimal look-ahead adaptive cruise control for heavy-duty vehicles | |
CN101419678B (zh) | 一种识别混合动力电动汽车运行状态的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120711 |