CN109591659A - 一种智能学习的纯电动汽车能量管理控制方法 - Google Patents

一种智能学习的纯电动汽车能量管理控制方法 Download PDF

Info

Publication number
CN109591659A
CN109591659A CN201910030094.XA CN201910030094A CN109591659A CN 109591659 A CN109591659 A CN 109591659A CN 201910030094 A CN201910030094 A CN 201910030094A CN 109591659 A CN109591659 A CN 109591659A
Authority
CN
China
Prior art keywords
network
electric automobile
pure electric
function
energy management
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.)
Granted
Application number
CN201910030094.XA
Other languages
English (en)
Other versions
CN109591659B (zh
Inventor
王少华
郭孔辉
杨悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201910030094.XA priority Critical patent/CN109591659B/zh
Publication of CN109591659A publication Critical patent/CN109591659A/zh
Application granted granted Critical
Publication of CN109591659B publication Critical patent/CN109591659B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/421—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本发明公开了一种智能学习的纯电动汽车能量管理控制方法，包括：通过加速踏板开度曲线，了解驾驶员意图并获得电机的需求功率，通过数据总线获取动力电池组的温度状态以及经过状态估计得到的荷电状态；根据上述获得的车辆信息，建立基于自适应动态规划的纯电动汽车能量管理模型；通过自适应动态规划方法中双网络的智能学习来对能量管理模型进行求解，得到最优的分配功率给动力电池热管理系统。本发明采用自适应动态规划，能够实时地将纯电动汽车动力电池组功率进行最优的分配，既解决了常规动态规划不能在线实时控制的问题，又克服了门限控制和离线模糊控制的优化程度低问题，在满足汽车正常行驶的基础上，对动力电池组进行有效的温控保护。

Description

一种智能学习的纯电动汽车能量管理控制方法
技术领域
本发明属于纯电动汽车能量管理技术领域，特别涉及一种智能学习的纯电动汽车能量管理控制方法。
背景技术
电动汽车能量管理系统属于电动汽车技术的核心。当前关于控制策略的研究主要集中于混合动力汽车，这是因为混合动力汽车有着较为复杂的动力总成系统，相关优化策略的空间较大。例如，串联式混合动力汽车通常采用恒温器策略、功率跟踪式策略和基本规则式策略。并联式混合动力汽车通常采用逻辑门限策略、模糊逻辑控制策略和全局最优能量管理策略等。混联式混合动力汽车通常采用发动机恒定工作点策略、发动机最优工作曲线能量策略等。
然而，除了多能量源动力系统的纯电动车能量管理策略方面研究的很少，主要是因为其动力系统比较简单，只有动力电池组提供相应的能量。因此相关控制策略发挥的空间相对有限，目前主要存在两种方法进行纯电动汽车整车能量管理。第一种：只保留车辆行驶必需的高压负载，将有限的功率全部分配到驱动电机系统；第二种：通过热管理系统的应用使电池一直工作在高效能区域。上述方法一忽略了动力电池组的热管理，长时间的高温会加速电池的性能老化，从而影响整车的经济性能。方法二中常用门限控制策略进行能量管理，虽然结构简单稳定，但是不能进行动力电池组能量的最优分配，超过门限管理范围后动力电池组的能量利用率降低。另外模糊控制策略的运用能在一定程度上优化能量的分配，但是模糊控制规则的制定常常受设计者自身的主观因素影响，容易产生一些漏洞，当系统零部件的效率损耗在使用过程中发生变化后，控制策略不能够及时调整相应的规则和参数，容易造成局部最优，再加上长时间的系统累积误差，从而使控制效果不理想。还有考虑动态规划优化的模糊控制策略中，常规的动态规划只能针对特定的行驶工况进行优化，不能考虑汽车行驶的所有工况，并且不能实时在线运行。
发明内容
本发明的目的是提供一种智能学习的纯电动汽车能量管理控制方法，其采用自适应动态规划方法，在保证电池高效能的同时进行整车能量的最优分配，提高整车的经济性和动力性。
本发明提供的技术方案为：
一种智能学习的纯电动汽车能量管理控制方法，包括如下步骤：
步骤一、根据电机需求转速n、电池组的温度T和电池组荷电状态Soc，得到分配给热管理系统的功率系数kT-M；
步骤二、根据所述电机需求转速n、所述电池组的温度T、所述电池组荷电状态Soc及所述分配给热管理系统的功率系数kT-M得到代价函数J，并且使所述代价函数J趋近于效用函数r(t)；
步骤三、重复完成所述步骤一和所述步骤二，使所述效用函数r(t)趋近于0，得到分配给热管理系统的功率系数kT-M的最优值；
其中，所述效用函数r(t)为：
r(t)＝ftm(x,u)+fmotor(x,u)；
其中，t表示采样周期，ftm(x,u)表示热管理系统的能量损耗函数；fmotor(x,u)表示驱动电机系统的能量损耗函数。
优选的是，所述热管理系统的能量损耗函数为：
ftm(x,u)＝kT-MPtmη(T)；
其中，Ptm表示热管理系统最大可利用功率；η(T)表示热管理系统的效率。
所述驱动电机系统的能量损耗函数为：
fmotor(x,u)＝[Pb(Soc,T)-ftm(x,u)]η(n)；
其中，Pb表示电池组可提供的输出功率；η(n)表示驱动电机的效率。
优选的是，在所述步骤三中，通过评价网络得到所述代价函数J，通过更新所述评价网络的权值，使所述代价函数J趋近于效用函数r(t)；并且所述评价网络采用梯度下降法进行权值更新，使：
其中，
式中，t表示采样周期，wc表示网络的权重值，Ec(t)表示评价网络的优化目标函数，lc(t)表示评价网络的学习速率。
优选的是，所述评价网络的优化目标函数为：
其中，ec(t)表示评价网络的预测误差；
ec(t)＝α*J(t)-[J(t-1)-r(t)]；
式中，α为折扣因子，0＜α＜1。
优选的是，在所述步骤二中，通过执行网络得到分配给热管理系统的功率系数kT-M，并且所述执行网络的权值更新模型为：
其中，
式中，wa表示执行网络的权重值，Ea(t)表示执行网络的优化目标函数，la(t)表示执行网络的学习速率。
优选的是，所述执行网络的优化目标函数为：
其中，ea(t)为执行网络的预测误差，
ea(t)＝J(t)-U(t)；
式中，U(t)为系统期望的目标函数值。
优选的是，所述执行网络和评价网络均采用三层前馈神经网络。
本发明的有益效果是：
本发明提供的智能学习的纯电动汽车能量管理控制方法，克服了普通门限值控制策略和模糊控制策略的缺点，通过自适应动态规划的方法，利用电池组的温度、荷电状态以及汽车行驶工况等信息为输入，以能量损失最小为目标建立纯电动汽车能量管理模型，其中自适应动态规划中执行网路和评价网络具有自动学习的能力，并实时在线进行能量损失成本函数的优化，保证纯电动汽车在不同的行驶工况中都能高效率运行，同时对动力电池组进行有效的保护，增加其使用寿命。
附图说明
图1为本发明所述的纯电动汽车能量源及其流动示意图。
图2为本发明所述的智能学习的纯电动车能量管理控制策略控制流程图。
图3为本发明所述的自适应动态规划中评价网络的结构示意图。
图4为本发明所述的自适应动态规划中执行网络的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
纯电动汽车能量管理系统的功用是在满足整车基本动力性、驾驶平稳性等技术性能和成本等要求的前提下，根据各高压系统部件的特性及汽车的运行工况，实现能量在能源转换装置之间按最佳路线流动，控制整车的能源配比。如图1所示，纯电动汽车运行由动力电池组提供能量，主要耗能系统包括驱动电机、热管理系统、低压供电系统这三部分。由于低压供电系统在整车运行过程消耗的能量基本是恒定的，因此，本发明提供了一种纯电动汽车能量管理控制方法，以解决纯电动汽车如何分配给热管理系统和驱动电机最优的功率配比，使整车能源利用率达到最高。
如图2-4所示，本发明提供的智能学习的纯电动汽车能量管理控制方法，包括如下步骤：
步骤一、驾驶员踩踏加速踏板后，通过加速踏板开度曲线，了解驾驶员的驾驶意图，获得电机需求转速n，通过数据总线采集动力电池组的温度T，同时获取状态估计得到的电池组荷电状态Soc；
步骤二、基于自适应动态规划方法，以纯电动汽车能量损失成本为优化目标建立纯电动汽车的能量管理控制模型。
在本实施例中，自适应动态规划方法包含了神经网络、动态规划和强化学习的理念，是一种时间正向的计算过程，在扰动或不确定条件下随时间变化近似贝尔曼动态回归方程中的代价函数，规避了常规动态规划在非线性系统控制中的计算量问题，另一方面该方法并不需要精确的系统模型。
如图2所示，自适应动态规划包括执行网络和评价网络，这两种网络根据实际系统的要求可以选择合适的神经网络结构。其中，执行网络的输入是系统的状态x，输出是当前的控制变量u，用于使代价函数J最优得到最优控制u；评价网络将系统状态x、控制变量u作为输入，输出是对效用函数r的近似，评价网络通过不断的学习使其输出的代价函数J近似于效用函数r，效用函数又称为局部代价，反映出每一步的控制效果，其可以根据控制目标来定义。自适应动态规划可以按时间正向计算，通过估计代价函数或代价对状态的微分函数来代替每个阶段内对所有状态和控制变量进行精确计算，减少计算量的同时还能够在线进行学习优化，实现对最优控制策略的逼近。
在本实施例中，基于自适应动态规划方法，评价网络和执行网络均采用三层前馈神经网络结构，并以能量损失成本为优化目标函数建立纯电动汽车的能量管理控制模型。
步骤三、通过自适应动态规划方法中执行网络和评价网络的智能学习来对能量管理模型进行求解，得到分配给热管理系统的功率系数，然后分别控制热管理系统、驱动电机系统的状态输出；具体过程如下：
(1)初始化评价网络和执行网络权值；
(2)将每个采样时刻采集的电池组荷电状态Soc、电机需求转速n、动力电池组的温度T输入执行网络，执行网络输出kT-M；其中，kT-M为分配给热管理系统的功率系数。
(3)将每个采样时刻采集的电池组荷电状态Soc、电机需求转速n、动力电池组的温度T和执行网络输出的kT-M作为评价网络的输入，得到代价函数J；
(4)根据评价网络的权值更新方式，更新评价网络的权值，使其输出的代价函数J近似等于效用函数r；
(5)根据执行网络的权值更新方式，更新执行网络的权值；
(6)更新并记录上述执行网络和评价网络的权值；
循环(2)-(6)，直到效用函数r趋近于0，完成最优的控制输出kT-M。
其中，效用函数r(t)定义为纯电动汽车热管理系统和电机系统损失功率之和，即：
r(t)＝ftm(x,u)+fmotor(x,u)。
式中，ftm(x,u)表示的是热管理系统的能量损耗函数，其与电池组的系统温度T有关；fmotor(x,u)表示的是驱动电机系统的能量损耗函数，其与电机的转速n有关。
所述热管理系统的能量损耗函数为：
ftm(x,u)＝kT-MPtmη(T)；
其中，Ptm表示热管理系统最大可利用功率，Ptm是一固定值，是根据整车设计需要得到的；η(T)表示热管理系统的效率，通过标定后查表获得；
所述驱动电机系统的能量损耗函数为：
fmotor(x,u)＝[Pb(Soc,T)-ftm(x,u)]η(n)；
其中，Pb表示电池组可提供的输出功率，通过基于混合脉冲动力表示特性(HPPC)估计得到；η(n)表示驱动电机的效率，通过标定后查表获得。
在步骤三中，评价网络和执行网络的同步智能学习，具体学习过程如下：
(1)评价网络的在线学习过程
将评价网络的预测误差定义为：
ec(t)＝α*J(t)-[J(t-1)-r(t)]
式中，α定义为折扣因子，反映远期和近期不同阶段的奖惩对总的期望代价的影响；0＜α＜1。
将评价网络的优化目标函数定义为：
评价网络的输入层到隐藏层的输出值为：
式中，为评价网络输入层到隐藏层的权值矩阵。
隐藏层的转移函数选择双曲正切函数：
隐藏层到输出层的输出值为：
式中，为评价网络隐藏层到输出层的权值矩阵。
评价网络中的wc包括输入层与隐藏层之间的权重和隐藏层与输出层之间的权重具体更新方式分别如下：
(2)执行网络的在线学习过程
执行网络的预测误差定义为：
ea(t)＝J(t)-U(t)
其中，U(t)定义为系统期望的目标函数值，本实例中设为0，即期望纯电动汽车能量损失最低；
执行网络的优化目标函数为：
执行网络的输入层到隐藏层的输出值为：
式中，为执行网络输入层到隐藏层的权值矩阵。
隐藏层的转移函数选择双曲正切函数：
隐藏层到输出层的输出值为：
式中，为执行网络隐藏层到输出层的权值矩阵。
输出层的转移函数选择双曲正切函数，因此输出层的输出为：
执行网络中wa包括输入层与隐藏层之间的权重和隐藏层与输出层之间的权重具体更新方式分别如下：
得到的分配给热管理系统的功率系数kT-M的最优值后，根据kT-M的最优值分别控制热管理系统、驱动电机系统的状态输出。
本发明提供的智能学习的纯电动汽车能量管理控制方法，既解决了常规动态规划不能在线实时控制的问题，又克服了普通门限值控制策略和模糊控制策略的缺点，通过自适应动态规划的方法，利用电池组的温度、荷电状态以及汽车行驶工况等信息为输入，以能量损失最小为目标建立纯电动汽车能量管理模型，其中自适应动态规划中执行网路和评价网络具有自动学习的能力，并实时在线进行能量损失成本函数的优化，保证纯电动汽车在不同的行驶工况中都能高效率运行，同时对动力电池组进行有效的控温保护，增加其使用寿命。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (7)

1.一种智能学习的纯电动汽车能量管理控制方法，其特征在于，包括如下步骤：
步骤一、根据电机需求转速n、电池组的温度T和电池组荷电状态Soc，得到分配给热管理系统的功率系数kT-M；
步骤二、根据所述电机需求转速n、所述电池组的温度T、所述电池组荷电状态Soc及所述分配给热管理系统的功率系数kT-M得到代价函数J，并且使所述代价函数J趋近于效用函数r(t)；
步骤三、重复完成所述步骤一和所述步骤二，使所述效用函数r(t)趋近于0，得到分配给热管理系统的功率系数kT-M的最优值；
其中，所述效用函数r(t)为：
r(t)＝ftm(x,u)+fmotor(x,u)；
其中，t表示采样周期，ftm(x,u)表示热管理系统的能量损耗函数；fmotor(x,u)表示驱动电机系统的能量损耗函数。
2.根据权利要求1所述的智能学习的纯电动汽车能量管理控制方法，其特征在于，所述热管理系统的能量损耗函数为：
ftm(x,u)＝kT-MPtmη(T)；
其中，Ptm表示热管理系统最大可利用功率；η(T)表示热管理系统的效率；
所述驱动电机系统的能量损耗函数为：
fmotor(x,u)＝[Pb(Soc,T)-ftm(x,u)]η(n)；
其中，Pb表示电池组可提供的输出功率；η(n)表示驱动电机的效率。
3.根据权利要求1所述的智能学习的纯电动汽车能量管理控制方法，其特征在于，在所述步骤三中，通过评价网络得到所述代价函数J，通过更新所述评价网络的权值，使所述代价函数J趋近于效用函数r(t)；并且所述评价网络采用梯度下降法进行权值更新，使：
其中，
式中，t表示采样周期，wc表示网络的权重值，Ec(t)表示评价网络的优化目标函数，lc(t)表示评价网络的学习速率。
4.根据权利要求3所述的智能学习的纯电动汽车能量管理控制方法，其特征在于，所述评价网络的优化目标函数为：
其中，ec(t)表示评价网络的预测误差；
ec(t)＝α*J(t)-[J(t-1)-r(t)]；
式中，α为折扣因子，0＜α＜1。
5.根据权利要求4所述的智能学习的纯电动汽车能量管理控制方法，其特征在于，在所述步骤二中，通过执行网络得到分配给热管理系统的功率系数kT-M，并且所述执行网络的权值更新模型为：
其中，
式中，wa表示执行网络的权重值，Ea(t)表示执行网络的优化目标函数，la(t)表示执行网络的学习速率。
6.根据权利要求5所述的智能学习的纯电动汽车能量管理控制方法，其特征在于，所述执行网络的优化目标函数为：
其中，ea(t)为执行网络的预测误差，
ea(t)＝J(t)-U(t)；
式中，U(t)为系统期望的目标函数值。
7.根据权利要求6所述的智能学习的纯电动汽车能量管理控制方法，其特征在于，所述执行网络和评价网络均采用三层前馈神经网络。
CN201910030094.XA 2019-01-14 2019-01-14 一种智能学习的纯电动汽车能量管理控制方法 Expired - Fee Related CN109591659B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910030094.XA CN109591659B (zh) 2019-01-14 2019-01-14 一种智能学习的纯电动汽车能量管理控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910030094.XA CN109591659B (zh) 2019-01-14 2019-01-14 一种智能学习的纯电动汽车能量管理控制方法

Publications (2)

Publication Number Publication Date
CN109591659A true CN109591659A (zh) 2019-04-09
CN109591659B CN109591659B (zh) 2020-04-07

Family

ID=65966172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910030094.XA Expired - Fee Related CN109591659B (zh) 2019-01-14 2019-01-14 一种智能学习的纯电动汽车能量管理控制方法

Country Status (1)

Country Link
CN (1) CN109591659B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110422161A (zh) * 2019-06-27 2019-11-08 同济大学 供能控制方法、系统及其应用的物流装置
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
CN112026584A (zh) * 2020-09-08 2020-12-04 中国第一汽车股份有限公司 一种电动汽车能量分配方法、装置、车辆及介质
CN112319462A (zh) * 2020-11-17 2021-02-05 河南科技大学 一种插电式混合动力汽车能量管理方法
CN112498334A (zh) * 2020-12-15 2021-03-16 清华大学 智能网联混合动力汽车的鲁棒能量管理方法及系统
CN112896161A (zh) * 2021-02-08 2021-06-04 杭州电子科技大学 一种基于强化学习的电动汽车生态自适应巡航控制系统
CN117341535A (zh) * 2023-12-04 2024-01-05 四川鼎鸿智电装备科技有限公司 一种智能电动工程机械能量管理方法和系统
CN113741199B (zh) * 2021-09-16 2024-04-26 吉林大学 一种基于智能网联信息的整车经济性速度规划方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105871029A (zh) * 2016-05-20 2016-08-17 程伟 一种电动汽车有序充电智能管理系统及有序充电控制方法
CN105896575A (zh) * 2016-04-28 2016-08-24 中国电力科学研究院 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN106532691A (zh) * 2016-12-05 2017-03-22 中国科学院自动化研究所 基于自适应动态规划的单区域电力系统频率复合控制方法
CN107139777A (zh) * 2017-05-12 2017-09-08 深圳通业科技股份有限公司 一种车辆能量管理方法及其系统
CN107972508A (zh) * 2017-11-27 2018-05-01 南京晓庄学院 一种电动汽车充电功率控制方法及控制装置
JP2018074812A (ja) * 2016-10-31 2018-05-10 株式会社東芝 車両制御装置および充電目標決定方法
CN108819934A (zh) * 2018-06-20 2018-11-16 北京理工大学 一种混合动力车辆的动力分配控制方法
CN109070758A (zh) * 2016-02-04 2018-12-21 江森自控科技公司 电池温度和充电调节系统及方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109070758A (zh) * 2016-02-04 2018-12-21 江森自控科技公司 电池温度和充电调节系统及方法
CN105896575A (zh) * 2016-04-28 2016-08-24 中国电力科学研究院 基于自适应动态规划的百兆瓦储能功率控制方法及系统
CN105871029A (zh) * 2016-05-20 2016-08-17 程伟 一种电动汽车有序充电智能管理系统及有序充电控制方法
JP2018074812A (ja) * 2016-10-31 2018-05-10 株式会社東芝 車両制御装置および充電目標決定方法
CN106532691A (zh) * 2016-12-05 2017-03-22 中国科学院自动化研究所 基于自适应动态规划的单区域电力系统频率复合控制方法
CN107139777A (zh) * 2017-05-12 2017-09-08 深圳通业科技股份有限公司 一种车辆能量管理方法及其系统
CN107972508A (zh) * 2017-11-27 2018-05-01 南京晓庄学院 一种电动汽车充电功率控制方法及控制装置
CN108819934A (zh) * 2018-06-20 2018-11-16 北京理工大学 一种混合动力车辆的动力分配控制方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110422161B (zh) * 2019-06-27 2021-04-02 同济大学 供能控制方法、系统及其应用的物流装置
CN110422161A (zh) * 2019-06-27 2019-11-08 同济大学 供能控制方法、系统及其应用的物流装置
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
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
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
CN112026584A (zh) * 2020-09-08 2020-12-04 中国第一汽车股份有限公司 一种电动汽车能量分配方法、装置、车辆及介质
CN112319462A (zh) * 2020-11-17 2021-02-05 河南科技大学 一种插电式混合动力汽车能量管理方法
CN112319462B (zh) * 2020-11-17 2022-05-13 河南科技大学 一种插电式混合动力汽车能量管理方法
CN112498334A (zh) * 2020-12-15 2021-03-16 清华大学 智能网联混合动力汽车的鲁棒能量管理方法及系统
CN112896161A (zh) * 2021-02-08 2021-06-04 杭州电子科技大学 一种基于强化学习的电动汽车生态自适应巡航控制系统
CN112896161B (zh) * 2021-02-08 2022-06-21 杭州电子科技大学 一种基于强化学习的电动汽车生态自适应巡航控制系统
CN113741199B (zh) * 2021-09-16 2024-04-26 吉林大学 一种基于智能网联信息的整车经济性速度规划方法
CN117341535A (zh) * 2023-12-04 2024-01-05 四川鼎鸿智电装备科技有限公司 一种智能电动工程机械能量管理方法和系统
CN117341535B (zh) * 2023-12-04 2024-02-06 四川鼎鸿智电装备科技有限公司 一种智能电动工程机械能量管理方法和系统

Also Published As

Publication number Publication date
CN109591659B (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN109591659A (zh) 一种智能学习的纯电动汽车能量管理控制方法
CN108791270B (zh) 一种混合动力车辆基于工况预测的动力部件工作点调控方法
CN108819934B (zh) 一种混合动力车辆的动力分配控制方法
CN110562239B (zh) 基于需求功率预测的变域最优能量管理控制方法及装置
CN103935360B (zh) 基于并行控制的混合动力汽车整车转矩分配系统及其方法
CN111267831A (zh) 一种混合动力车辆智能变时域模型预测能量管理方法
CN112757922B (zh) 一种车用燃料电池混合动力能量管理方法及系统
CN112810504B (zh) 基于非线性预测模型控制的燃料电池汽车能量管理方法
CN111301397B (zh) 一种插电混合动力汽车变时域模型预测能量管理方法
Ahmad et al. Real-time load scheduling and storage management for solar powered network connected EVs
Li et al. Power allocation smoothing strategy for hybrid energy storage system based on Markov decision process
CN113554337B (zh) 融合交通信息的插电式混动汽车能量管理策略构建方法
CN102963353A (zh) 基于神经网络的混合动力系统能量管理方法
Shen et al. Two-level energy control strategy based on ADP and A-ECMS for series hybrid electric vehicles
CN110962684B (zh) 电动汽车能源管理与分配方法
PS et al. Energy management strategies for hybrid energy storage system in electric vehicles: A review
Majed et al. Neural network technique for hybrid electric vehicle optimization
Pan et al. Grey wolf fuzzy optimal energy management for electric vehicles based on driving condition prediction
Huang et al. Real-time battery thermal management for electric vehicles based on deep reinforcement learning
Wang et al. Research on a new power distribution control strategy of hybrid energy storage system for hybrid electric vehicles based on the subtractive clustering and adaptive fuzzy neural network
CN115848217B (zh) 一种基于多能源模组的能源管理方法
Ali et al. Multiobjective optimized smart charge controller for electric vehicle applications
Schmitt et al. Real-time nonlinear model predictive control for the energy management of hybrid electric vehicles in a hierarchical framework
Wang et al. Hierarchical rewarding deep deterministic policy gradient strategy for energy management of hybrid electric vehicles
Wang et al. Energy management strategy based on dynamic programming considering engine dynamic operating conditions optimization

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200407

Termination date: 20220114