CN109143867A - 一种基于神经网络控制的混合动力船舶的能量管理方法 - Google Patents
一种基于神经网络控制的混合动力船舶的能量管理方法 Download PDFInfo
- Publication number
- CN109143867A CN109143867A CN201811120413.8A CN201811120413A CN109143867A CN 109143867 A CN109143867 A CN 109143867A CN 201811120413 A CN201811120413 A CN 201811120413A CN 109143867 A CN109143867 A CN 109143867A
- Authority
- CN
- China
- Prior art keywords
- energy management
- ship
- neural network
- output
- hybrid power
- 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
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Abstract
针对混合动力船舶动态规划全局优化能量管理策略计算复杂,而且算法难以应用于船舶实时控制中的问题,本发明采用神经网络控制的思路,提出了一种基于神经网络的混合动力船舶的能量管理方法。采用核模糊C‑均值聚类的多神经网络模型结构建立船舶能量管理系统,采用分解合成方法可以将复杂问题简单化,将一个庞大的船舶能量管理问题转化为一个个规模较小的便于求解的子问题,通过各子模型综合得到的模型精度高,提高了运算速度,有效的改善了动态规划难以实时应用的问题。
Description
技术领域
本发明涉及混合动力船舶的能量管理领域,具体涉及一种基于神经网络控制的混合动力船舶的能量管理方法。
背景技术
目前,减少船舶的排放已成为必要,用于混合动力船舶推进系统的能源管理策略正在引起广泛的兴趣。为了提高能源管理策略的效率,在混合系统的不同组件之间进行正确地分配所需的功率,高效的能源管理策略(EMS)的设计至关重要。目前国内外常见的混合动力船舶的能量管理方法主要有基于规则的控制方法其中包括基于确定规则控制和模糊逻辑控制,基于优化的控制包括基于全局优化控制和基于实时优化控制,此外还有智能方法,如模型预测控制、基于遗传算法或最优控制算法的策略、动态规划等。由于实际应用过程中往往需要面对一个多参数、非线性的时变系统,基于模糊规则的能量管理策略相对确定规则的能量管理策略更具优势。全局优化控制策略由于较长的计算时间难以直接应用于实际系统中,故相对而言实时优化控制具有更大的实用价值。基于神经网络的控制策略在处理能量管理这类非线性优化问题上表现出高速的集体计算能力,其自学习和自适应能力能够在已知约束下,寻找一组参数使得目标函数达到最优,且求解速度快,优化效果较好。基于此,本发明提出一种基于神经网络的模型预测控制能量管理方法。
发明内容
本发明针对混合动力船舶的能量管理方法,采用神经网络控制的思路,提出了一种基于神经网络控制的能量管理方法;本发明构建的混合动力系统为一种典型的并联混合动力系统,采用并联混合动力船舶的发动机和电动/发电机并联并直接与螺旋桨轴相连,利用耦合器(通常包括离合器或液力耦合器)发动机和电动机可分别或共同驱动螺旋桨。其中电动机可以作为发电机吸收发动机发出的多余功率,然后提供给电网里负载使用。
神经网络是一种数学计算模型,是对生物神经网络系统的一种简化和抽象,用来模拟生物神经网络的结构和功能。神经网络是由一系列相互连接的网络节点组成,通过连接方法计算的方式处理信息。在神经网络中,单个神经元功能有限,但多个简单节点连接起来形成一个神经元网络,可以用来对输入和输出之间的复杂关系进行建模。结合神经网络控制的原理,神经网络控制具有的自学习、自适应、可以逼近任何非线性的特点,利用动态规划算法离线得到的全局最优解作为神经网络的待选训练样本,采用核模糊C-均值聚类(Kernel Fuzzy C-means Clustering,KFCM)算法对最优解集合依据船舶运行模式进行分类,对于分类后的每一个数据簇分别建立神经网络,得到多神经网络模型控制器。对于实时输入,提取特征参数进行模型选择,根据选择结果切换到对应的子神经网络模型,将子神经网络模型的输出作为能量管理策略的输出。本发明将神经网络控制的理论方法运用到混合动力船舶的能量管理中;然而,国内目前还没有在混合动力船舶电力推进系统中运用该能量管理方法。该能量方法包括以下步骤:
步骤一、混合动力船舶能量管理策略是在系统的约束下使得船舶在一定路径下的油耗最小,这是一个多阶段决策问题;动态规划应用于能量管理,是将多阶段能量优化问题分割为多个单阶段优化子问题,然后利用这些子问题的最优解计算能量管理的全局最优解;
对于一个具体的优化问题,设非线性离散系统的状态方程为:
x(k+1)=f[x(k),u(k),k]
x(0)=x0 (1)
其中
求最优控制序列U(u(1),u(2),…,u(N-1));使得:
(3)式中,x(k)为第k阶段的状态变量,x0为初始状态,u(k)为控制变量,f为非线性离散系统的传递函数,J称为目标函数,L为代价函数;
根据动态规划的基本原理,针对混合动力船舶能量管理问题,首先要对非线性动态系统建立动态模型,并确定动态系统的状态变量和控制变量,将标准海况下的路径分为N个阶段,然后基于目标函数的优化目标,再对应每一个阶段,在每一个状态转移过程中计算燃油的消耗,之后逆向求解找到对应状态变量下的最优控制变量,最后进行正向寻优,找到标准海况下燃油消耗最小的最优控制律和状态变量集合;
步骤二、采用动态规划全局优化算法,得到的最优控制规则数据集合,作为混合动力船舶BP神经网络能量管理策略的待选样本,控制规则的输入输出与神经网络的输入输出一一对应;混合动力船舶能量管理优化目标是求得使累积的代价函数最小的控制变量u(k),这里的代价函数由燃油消耗Lfuel和SOC附加代价的加权LSOC组成,表达式为如下形式:
L(x(k),u(k))=Lfuel(k)+LSOC(k) (4)
动态规划全局优化算法在能量管理控制策略中的目标函数定义为:
动态规划的逆向过程根据优化对象基本方程所提供的递推关系逐段求解;
步骤三、采用基于核模糊C-均值聚类的聚类方法对全局最优数据集进行聚类,产生4个不同的数据簇;
确定网络结构中隐含层层数、各层神经元个数、误差代价函数、训练精度要求和最大训练次数等;对权值矩阵W和V赋随机数,训练学习速率设初值η∈(0,1);
设共有q对训练样本和期望输出向量每一个样本对的误差分别为:
并将全部训练样本对的输出误差求均方根误差作为网络的总误差;
然后反向调节神经网络中神经元之间的连接权值:
检查网络总误差是否达到精度要求,若达到精度要求或训练次数达到最大次数,训练结束;否则重新计算误差;
步骤四、对每一个数据簇分别采用BP神经网络进行建模,从而建立了4个子神经网络模型;KFCM将动态规划全局优化数据集依据样本之间的相似性分成四类,将分类后的数据簇作为BP神经网络的训练样本,分别建立的神经网络控制器;
设计的BP神经网络控制器采用只有一个隐含层的三层网络结构,输入变量为船速v,船舶行驶需求扭矩Treq和电池SOC,输出变量为发动机扭矩Te,电机输出扭矩Tm可以由公式(9)求出;
混合动力船舶能量管理BP神经网络控制器,输入层为X=(x1,x2,x3),输出层为Te,隐含层有l个神经元Y=(y1,y2,…,yl)T;BP神经网络的隐含层输出表示为:
(10)式中,wij代表输入层第j个神经元到隐含层第i个神经元之间的连接权值,bi表示隐含层第j个神经元的阈值,f为反应输入和输出之间关系的传递函数,采用tansig函数,其数学表达式如式(11);
控制器的输出表示为:
(12)式中,vi代表隐含层第i个神经元到输出层之间的连接权值,bl表示输出层神经元的阈值,f′为传递函数,输出层采用logsig函数,表达式如式(13);
步骤五、将实时的输入数据通过模型选择模块,选择相应的子神经模型进行输出预测,结果作为能量管理策略的输出。
本发明具有如下效果和优点:
对动态规划全局优化能量管理策略进行分析,确定对混合动力船舶能量分配影响较大的因素:船速、船舶行驶需求扭矩、动力电池组SOC,将全局优化能量管理策略总结为一组三输入单输出的控制规则,并建立含有一个隐含层的三层BP神经网络。为了保证神经网络具有更快的训练速度和更高的训练精度,采用KFCM算法对全局最优样本集按照船舶运行模式进行聚类,对每一簇类分别建立子神经网络控制器,得到多神经网络模型控制器。对于实时输入,提取特征参数进行模型选择,根据选择结果切换到对应的子神经网络模型,将子神经网络模型的输出作为能量管理策略的输出。以神经网络控制为框架结合动态规划的最优控制算法通过对每一个聚类建立BP神经网络控制器,利用神经网络具有自学习、自适应的特点,模拟动态规划的控制规律,从而将动态规划的优化结果用于混合动力船舶的实时控制中,所设计的优化能量管理策略是合理的,具有更高的精度,且改善了动态规划运算时间长的问题。
附图说明
图1为动态规划算法逆向求解流程图
图2为模型离线建立过程
图3为模型在线使用过程
图4为单个BP神经网络控制器结构
具体实施方式
一种基于神经网络控制的混合动力船舶的能量管理方法,采用并联式混合动力船舶,其发动机和电动/发电机并联且直接与螺旋桨轴相连,利用耦合器(包括离合器或液力耦合器)发动机和电动机可分别或共同驱动螺旋桨。其中电动机可以作为发电机吸收发动机发出的多余功率,然后提供给电网中的负载使用。本发明所述基于神经网络控制的混合动力船舶的能量管理方法包括以下步骤:
步骤一、混合动力船舶能量管理策略是在系统的约束下使得船舶在一定路径下的油耗最小,这是一个多阶段决策问题;动态规划应用于能量管理,是将多阶段能量优化问题分割为多个单阶段优化子问题,然后利用这些子问题的最优解计算能量管理的全局最优解;
对于一个具体的优化问题,设非线性离散系统的状态方程为:
x(k+1)=f[x(k),u(k),k]
x(0)=x0 (1)
其中
求最优控制序列U(u(1),u(2),…,u(N-1));使得:
(3)式中,x(k)为第k阶段的状态变量,x0为初始状态,u(k)为控制变量,f为非线性离散系统的传递函数,J称为目标函数,L为代价函数;
根据动态规划的基本原理,针对混合动力船舶能量管理问题,首先要对非线性动态系统建立动态模型,并确定动态系统的状态变量和控制变量,将标准海况下的路径分为N个阶段,然后基于目标函数的优化目标,再对应每一个阶段,在每一个状态转移过程中计算燃油的消耗,之后逆向求解找到对应状态变量下的最优控制变量,最后进行正向寻优,找到标准海况下燃油消耗最小的最优控制律和状态变量集合;
步骤二、采用动态规划全局优化算法,得到的最优控制规则数据集合,作为混合动力船舶BP神经网络能量管理策略的待选样本,控制规则的输入输出与神经网络的输入输出一一对应;混合动力船舶能量管理优化目标是求得使累积的代价函数最小的控制变量u(k),这里的代价函数由燃油消耗Lfuel和SOC附加代价的加权LSOC组成,表达式为如下形式:
L(x(k),u(k))=Lfuel(k)+LSOC(k) (4)
动态规划全局优化算法在能量管理控制策略中的目标函数定义为:
动态规划的逆向过程根据优化对象基本方程所提供的递推关系逐段求解;算法流程图如图1所示。
步骤三、采用基于核模糊C-均值聚类的聚类方法对全局最优数据集进行聚类,产生4个不同的数据簇;如图2、3所示;
确定网络结构中隐含层层数、各层神经元个数、误差代价函数、训练精度要求和最大训练次数等;对权值矩阵W和V赋随机数,训练学习速率设初值η∈(0,1);
设共有q对训练样本和期望输出向量每一个样本对的误差分别为:
并将全部训练样本对的输出误差求均方根误差作为网络的总误差;
然后反向调节神经网络中神经元之间的连接权值:
检查网络总误差是否达到精度要求,若达到精度要求或训练次数达到最大次数,训练结束;否则重新计算误差;
步骤四、对每一个数据簇分别采用BP神经网络进行建模,从而建立了4个子神经网络模型;KFCM将动态规划全局优化数据集依据样本之间的相似性分成四类,将分类后的数据簇作为BP神经网络的训练样本,分别建立的神经网络控制器;BP神经网络控制器结构如图4所示。
设计的BP神经网络控制器采用只有一个隐含层的三层网络结构,输入变量为船速v,船舶行驶需求扭矩Treq和电池SOC,输出变量为发动机扭矩Te,电机输出扭矩Tm可以由公式(9)求出;
混合动力船舶能量管理BP神经网络控制器,输入层为X=(x1,x2,x3),输出层为Te,隐含层有l个神经元Y=(y1,y2,…,yl)T;BP神经网络的隐含层输出表示为:
(10)式中,wij代表输入层第j个神经元到隐含层第i个神经元之间的连接权值,bi表示隐含层第j个神经元的阈值,f为反应输入和输出之间关系的传递函数,采用tansig函数,其数学表达式如式(11);
控制器的输出表示为:
(12)式中,vi代表隐含层第i个神经元到输出层之间的连接权值,bl表示输出层神经元的阈值,f′为传递函数,输出层采用logsig函数,表达式如式(13);
步骤五、将实时的输入数据通过模型选择模块,选择相应的子神经模型进行输出预测,结果作为能量管理策略的输出。
对动态规划全局优化能量管理策略进行分析,确定对混合动力船舶能量分配影响较大的因素:船速、船舶行驶需求扭矩、动力电池组SOC,将全局优化能量管理策略总结为一组三输入单输出的控制规则,并建立含有一个隐含层的三层BP神经网络。为了保证神经网络具有更快的训练速度和更高的训练精度,采用KFCM算法对全局最优样本集按照船舶运行模式进行聚类,对每一簇类分别建立子神经网络控制器,得到多神经网络模型控制器。对于实时输入,提取特征参数进行模型选择,根据选择结果切换到对应的子神经网络模型,将子神经网络模型的输出作为能量管理策略的输出。
Claims (1)
1.一种基于神经网络控制的混合动力船舶的能量管理方法,采用并联式混合动力船舶,其发动机和电动/发电机并联且直接与螺旋桨轴相连,利用耦合器发动机和电动机可分别或共同驱动螺旋桨,其中电动机可以作为发电机吸收发动机发出的多余功率,然后提供给电网中的负载使用;所述基于神经网络控制的混合动力船舶的能量管理方法包括以下步骤:
步骤一、混合动力船舶能量管理策略是在系统的约束下使得船舶在一定路径下的油耗最小,这是一个多阶段决策问题;动态规划应用于能量管理,是将多阶段能量优化问题分割为多个单阶段优化子问题,然后利用这些子问题的最优解计算能量管理的全局最优解;
对于一个具体的优化问题,设非线性离散系统的状态方程为:
x(k+1)=f[x(k),u(k),k]
x(0)=x0 (1)
其中
求最优控制序列U(u(1),u(2),…,u(N-1));使得:
(3)式中,x(k)为第k阶段的状态变量,x0为初始状态,u(k)为控制变量,f为非线性离散系统的传递函数,J称为目标函数,L为代价函数;
根据动态规划的基本原理,针对混合动力船舶能量管理问题,首先要对非线性动态系统建立动态模型,并确定动态系统的状态变量和控制变量,将标准海况下的路径分为N个阶段,然后基于目标函数的优化目标,再对应每一个阶段,在每一个状态转移过程中计算燃油的消耗,之后逆向求解找到对应状态变量下的最优控制变量,最后进行正向寻优,找到标准海况下燃油消耗最小的最优控制律和状态变量集合;
步骤二、采用动态规划全局优化算法,得到的最优控制规则数据集合,作为混合动力船舶BP神经网络能量管理策略的待选样本,控制规则的输入输出与神经网络的输入输出一一对应;混合动力船舶能量管理优化目标是求得使累积的代价函数最小的控制变量u(k),这里的代价函数由燃油消耗Lfuel和SOC附加代价的加权LSOC组成,表达式为如下形式:
L(x(k),u(k))=Lfuel(k)+LSOC(k) (4)
动态规划全局优化算法在能量管理控制策略中的目标函数定义为:
动态规划的逆向过程根据优化对象基本方程所提供的递推关系逐段求解;
步骤三、采用基于核模糊C-均值聚类的聚类方法对全局最优数据集进行聚类,产生4个不同的数据簇;
确定网络结构中隐含层层数、各层神经元个数、误差代价函数、训练精度要求和最大训练次数等;对权值矩阵W和V赋随机数,训练学习速率设初值η∈(0,1);
设共有q对训练样本和期望输出向量每一个样本对的误差分别为:
并将全部训练样本对的输出误差求均方根误差作为网络的总误差;
然后反向调节神经网络中神经元之间的连接权值:
检查网络总误差是否达到精度要求,若达到精度要求或训练次数达到最大次数,训练结束;否则重新计算误差;
步骤四、对每一个数据簇分别采用BP神经网络进行建模,从而建立了4个子神经网络模型;KFCM将动态规划全局优化数据集依据样本之间的相似性分成四类,将分类后的数据簇作为BP神经网络的训练样本,分别建立的神经网络控制器;
设计的BP神经网络控制器采用只有一个隐含层的三层网络结构,输入变量为船速v,船舶行驶需求扭矩Treq和电池SOC,输出变量为发动机扭矩Te,电机输出扭矩Tm可以由公式
(9)求出;
混合动力船舶能量管理BP神经网络控制器,输入层为X=(x1,x2,x3),输出层为Te,隐含层有l个神经元Y=(y1,y2,…,yl)T;BP神经网络的隐含层输出表示为:
(10)式中,wij代表输入层第j个神经元到隐含层第i个神经元之间的连接权值,bi表示隐含层第j个神经元的阈值,f为反应输入和输出之间关系的传递函数,采用tansig函数,其数学表达式如式(11);
控制器的输出表示为:
(12)式中,vi代表隐含层第i个神经元到输出层之间的连接权值,bl表示输出层神经元的阈值,f′为传递函数,输出层采用logsig函数,表达式如式(13);
步骤五、将实时的输入数据通过模型选择模块,选择相应的子神经模型进行输出预测,结果作为能量管理策略的输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120413.8A CN109143867A (zh) | 2018-09-26 | 2018-09-26 | 一种基于神经网络控制的混合动力船舶的能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811120413.8A CN109143867A (zh) | 2018-09-26 | 2018-09-26 | 一种基于神经网络控制的混合动力船舶的能量管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109143867A true CN109143867A (zh) | 2019-01-04 |
Family
ID=64812471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811120413.8A Pending CN109143867A (zh) | 2018-09-26 | 2018-09-26 | 一种基于神经网络控制的混合动力船舶的能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109143867A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753743A (zh) * | 2019-01-14 | 2019-05-14 | 中国人民解放军国防科技大学 | 进化-配点混合多目标弹道优化方法及其装置 |
CN110045292A (zh) * | 2019-05-07 | 2019-07-23 | 东莞理工学院 | 基于大数据和bp神经网络的锂离子电池SOC预测方法 |
CN110348595A (zh) * | 2019-05-31 | 2019-10-18 | 南京航空航天大学 | 一种基于飞行数据的无人机混合推进系统能量管控方法 |
CN110406526A (zh) * | 2019-08-05 | 2019-11-05 | 合肥工业大学 | 基于自适应动态规划的并联混合动力汽车能量管理方法 |
CN110457859A (zh) * | 2019-08-22 | 2019-11-15 | 大连海事大学 | 混合电力船舶推进系统的优化控制方法 |
CN110705797A (zh) * | 2019-10-09 | 2020-01-17 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
CN111198501A (zh) * | 2020-01-14 | 2020-05-26 | 浙江工业大学 | 一种由rbf神经网络确定燃油等效因子的方法 |
CN111367172A (zh) * | 2020-02-28 | 2020-07-03 | 华南理工大学 | 一种基于逆向深度强化学习的混动系统能量管理策略 |
CN111898705A (zh) * | 2020-08-18 | 2020-11-06 | 山东省计算中心(国家超级计算济南中心) | 一种基于模糊偏好关系与自适应层次聚类的故障特征参数选择方法 |
CN112849119A (zh) * | 2019-11-12 | 2021-05-28 | 上海汽车变速器有限公司 | 混合动力汽车发动机和电机多变量扭矩寻优控制分配方法 |
CN115456316A (zh) * | 2022-11-11 | 2022-12-09 | 山东交通职业学院 | 一种船舶多能源供电系统管理方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229223A (zh) * | 2017-06-07 | 2017-10-03 | 哈尔滨工程大学 | 一种海洋能无人艇多驱动模式的智能切换系统 |
CN107563576A (zh) * | 2017-10-14 | 2018-01-09 | 连云港杰瑞深软科技有限公司 | 一种船舶智能能效管理系统 |
CN107748557A (zh) * | 2017-10-26 | 2018-03-02 | 哈尔滨工程大学 | 一种基于LabVIEW的船舶综合电力推进系统智能故障诊断系统 |
CN108008628A (zh) * | 2017-11-17 | 2018-05-08 | 华南理工大学 | 一种不确定欠驱动无人艇系统的预设性能控制方法 |
CN108563130A (zh) * | 2018-06-27 | 2018-09-21 | 山东交通学院 | 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 |
-
2018
- 2018-09-26 CN CN201811120413.8A patent/CN109143867A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107229223A (zh) * | 2017-06-07 | 2017-10-03 | 哈尔滨工程大学 | 一种海洋能无人艇多驱动模式的智能切换系统 |
CN107563576A (zh) * | 2017-10-14 | 2018-01-09 | 连云港杰瑞深软科技有限公司 | 一种船舶智能能效管理系统 |
CN107748557A (zh) * | 2017-10-26 | 2018-03-02 | 哈尔滨工程大学 | 一种基于LabVIEW的船舶综合电力推进系统智能故障诊断系统 |
CN108008628A (zh) * | 2017-11-17 | 2018-05-08 | 华南理工大学 | 一种不确定欠驱动无人艇系统的预设性能控制方法 |
CN108563130A (zh) * | 2018-06-27 | 2018-09-21 | 山东交通学院 | 一种欠驱动船舶自适应神经网络自动靠泊控制方法,设备及介质 |
Non-Patent Citations (1)
Title |
---|
朱翔: ""基于动态规划的并联混合动力汽车能量管理策略研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109753743B (zh) * | 2019-01-14 | 2023-02-03 | 中国人民解放军国防科技大学 | 进化-配点混合多目标弹道优化方法及其装置 |
CN109753743A (zh) * | 2019-01-14 | 2019-05-14 | 中国人民解放军国防科技大学 | 进化-配点混合多目标弹道优化方法及其装置 |
CN110045292A (zh) * | 2019-05-07 | 2019-07-23 | 东莞理工学院 | 基于大数据和bp神经网络的锂离子电池SOC预测方法 |
CN110348595A (zh) * | 2019-05-31 | 2019-10-18 | 南京航空航天大学 | 一种基于飞行数据的无人机混合推进系统能量管控方法 |
CN110348595B (zh) * | 2019-05-31 | 2022-12-23 | 南京航空航天大学 | 一种基于飞行数据的无人机混合推进系统能量管控方法 |
CN110406526A (zh) * | 2019-08-05 | 2019-11-05 | 合肥工业大学 | 基于自适应动态规划的并联混合动力汽车能量管理方法 |
CN110457859A (zh) * | 2019-08-22 | 2019-11-15 | 大连海事大学 | 混合电力船舶推进系统的优化控制方法 |
CN110705797A (zh) * | 2019-10-09 | 2020-01-17 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
CN110705797B (zh) * | 2019-10-09 | 2023-09-22 | 浙江海洋大学 | 一种基于船舶传感网的船舶油耗数据预测方法 |
CN112849119A (zh) * | 2019-11-12 | 2021-05-28 | 上海汽车变速器有限公司 | 混合动力汽车发动机和电机多变量扭矩寻优控制分配方法 |
CN111198501B (zh) * | 2020-01-14 | 2022-05-13 | 浙江工业大学 | 一种由rbf神经网络确定燃油等效因子的方法 |
CN111198501A (zh) * | 2020-01-14 | 2020-05-26 | 浙江工业大学 | 一种由rbf神经网络确定燃油等效因子的方法 |
CN111367172B (zh) * | 2020-02-28 | 2021-09-21 | 华南理工大学 | 一种基于逆向深度强化学习的混动系统能量管理策略 |
CN111367172A (zh) * | 2020-02-28 | 2020-07-03 | 华南理工大学 | 一种基于逆向深度强化学习的混动系统能量管理策略 |
CN111898705A (zh) * | 2020-08-18 | 2020-11-06 | 山东省计算中心(国家超级计算济南中心) | 一种基于模糊偏好关系与自适应层次聚类的故障特征参数选择方法 |
CN111898705B (zh) * | 2020-08-18 | 2023-04-25 | 山东省计算中心(国家超级计算济南中心) | 一种基于模糊偏好关系与自适应层次聚类的故障特征参数选择方法 |
CN115456316A (zh) * | 2022-11-11 | 2022-12-09 | 山东交通职业学院 | 一种船舶多能源供电系统管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109143867A (zh) | 一种基于神经网络控制的混合动力船舶的能量管理方法 | |
US7954579B2 (en) | Adaptive control strategy and method for optimizing hybrid electric vehicles | |
Xu | A method for multiple attribute decision making with incomplete weight information in linguistic setting | |
Cui et al. | Learning-based ship design optimization approach | |
CN110406526A (zh) | 基于自适应动态规划的并联混合动力汽车能量管理方法 | |
Johanyák | A modified particle swarm optimization algorithm for the optimization of a fuzzy classification subsystem in a series hybrid electric vehicle. | |
CN107085763A (zh) | 一种电动汽车用驱动电机系统性能评价方法 | |
Pei et al. | Fuzzy energy management strategy for parallel HEV based on pigeon-inspired optimization algorithm | |
Zhou et al. | A quantitative analysis of model predictive control as energy management strategy for hybrid electric vehicles: A review | |
CN109703548A (zh) | 一种基于混合动力的汽车动力分配方法 | |
Du et al. | The vehicle’s velocity prediction methods based on rnn and lstm neural network | |
CN109910863A (zh) | 一种基于插电式混合动力轿车专用变速器的控制方法 | |
Montazeri-Gh et al. | Intelligent approach for parallel HEV control strategy based on driving cycles | |
Wang et al. | Application of genetic algorithm in automatic train operation | |
Shi et al. | RETRACTED ARTICLE: The energy management strategy for parallel hybrid electric vehicles based on MNN | |
Wang et al. | Optimization of the powertrain and energy management control parameters of a hybrid hydraulic vehicle based on improved multi-objective particle swarm optimization | |
CN106647279B (zh) | 一种基于模糊规则的机车智能操纵优化计算方法 | |
Boehme et al. | Multi-objective optimal powertrain design of parallel hybrid vehicles with respect to fuel consumption and driving performance | |
Wu et al. | IOT and cloud computing based parallel implementation of optimized RBF neural network for loader automatic shift control | |
CN117131606A (zh) | 一种可跨运动维度迁移的混合动力履带车辆能量管理方法 | |
CN116503378A (zh) | 一种双模态cnn二次迁移学习的精矿品位等级预测方法 | |
Doorly et al. | Optimisation of aerodynamic and coupled aerodynamic-structural design using parallel genetic algorithms | |
Wang et al. | Study on global parameters optimization of dual-drive powertrain system of pure electric vehicle based on multiple condition computer simulation | |
Gonzalez | Robust evolutionary methods for multi-objective and multdisciplinary design optimisation in aeronautics | |
Zegong et al. | Energy Management Optimization for Connected Hybrid Electric Vehicle with Offline Reinforcement Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190104 |
|
WD01 | Invention patent application deemed withdrawn after publication |