CN112298155B - 一种基于变时域模型预测混合动力卡车耗能的方法 - Google Patents
一种基于变时域模型预测混合动力卡车耗能的方法 Download PDFInfo
- Publication number
- CN112298155B CN112298155B CN202011186181.3A CN202011186181A CN112298155B CN 112298155 B CN112298155 B CN 112298155B CN 202011186181 A CN202011186181 A CN 202011186181A CN 112298155 B CN112298155 B CN 112298155B
- Authority
- CN
- China
- Prior art keywords
- time domain
- prediction
- working condition
- prediction time
- data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005265 energy consumption Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 3
- 239000000446 fuel Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 239000012634 fragment Substances 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/06—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of combustion engines
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/04—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units
- B60W10/08—Conjoint control of vehicle sub-units of different type or different function including control of propulsion units including control of electric propulsion units, e.g. motors or generators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/24—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means
- B60W10/26—Conjoint control of vehicle sub-units of different type or different function including control of energy storage means for electrical energy, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W20/00—Control systems specially adapted for hybrid vehicles
- B60W20/10—Controlling the power contribution of each of the prime movers to meet required power demand
- B60W20/15—Control strategies specially adapted for achieving a particular effect
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/209—Fuel quantity remaining in tank
-
- 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
- Y02T10/62—Hybrid vehicles
Abstract
本发明公开一种基于变时域模型预测混合动力卡车耗能的方法，步骤是：在试验阶段，混合动力卡车在城市工况中反复运行，获取车辆原始运行数据，进行预处理后，利用k‑means聚类算法进行分类，生成多个状态片段；建立马卡洛夫工况预测模型，对每个状态片段提供多个预测时域，得到预测时域内的预测车速；计算并记录车辆的实际车速，选择预测精度高的预测时域作为该状态片段的参数；在应用阶段，根据卡车正常行驶的特征参数，找到与循环工况下状态片段中匹配度高的工况对应的预测时域，作为该运行工况下的预测时域，根据马可洛夫工况预测模型得到耗能。此种预测方法可实现预测时域的适时调整，在更准确地预测时域内的车速的同时，不会增加太大的计算负担。
Description
技术领域
本发明属于混合动力卡车能量管理技术领域，特别涉及一种混合动力卡车根据实际工况改变预测时域的模型预测能量管理方法。
背景技术
随着中国制造业与贸易的发展，货运产业也随之快速发展，出于节能减排、保护环境的目的，混合动力技术在卡车上得到越来越广泛的应用。对于混合动力卡车而言，能量管理策略是这类汽车的关键技术之一，承担了整个系统的能量分配和转矩管理，对卡车的燃油经济性和动力性具有极其重要的意义。由于模型预测控制非常适合解决非线性和不确定性问题，且能结合不同的优化算法在短时间内求得最优解，将其应用于HEV的能量管理，对燃油经济性的提升有很大的帮助，同时，它用局部最优解来追求整体的最优效果，计算负荷小，具备一定的实车应用潜力。在进行模型预测控制时，预测时域长短对模型预测的精度以及寻优负荷有着很大的影响。固定的预测时域MPC方法无法很好地适应工况的变化，也就很难使车辆达到最优的燃油经济性。在汽车实际运行时，最优的预测时域会随着行驶工况变化。
应用模型预测控制方法在HET的能量管理时，预测时域长短对模型预测的精度以及寻优负荷有着很大的影响，基于此种考虑，本案由此产生。
发明内容
本发明的目的，在于提供一种基于变时域模型预测混合动力卡车耗能的方法，其可实现预测时域的适时调整，在更准确地预测时域内的车速的同时，不会增加太大的计算负担。
本发明的再一目的，在于提供一种基于变时域模型预测混合动力卡车耗能的方法，其可对车辆运行的大部分工况进行分类，在未来能够应用到更为广泛的车辆控制领域。
为了达成上述目的，本发明的解决方案是：
一种基于变时域模型预测混合动力卡车耗能的方法，包括如下步骤：
步骤1，在试验阶段，混合动力卡车在城市工况中反复运行，获取若干组车辆原始运行数据，进行预处理后，利用k-means聚类算法，将预处理后的数据根据特征参数进行分类，生成多个状态片段；
步骤2，建立马卡洛夫工况预测模型，对每个状态片段提供3s，6s，9s，...，30s预测时域，得出该状态片段下预测时域内的预测车速Ve；
步骤3，得出预测车速Ve的同时，计算并记录车辆在预测时域内的实际车速Va，采用预测误差e表征该预测时域下的预测精度，选择预测精度高的预测时域作为该状态片段的参数；
步骤4，在应用阶段，根据混合动力卡车正常行驶的特征参数，找到与循环工况下状态片段中匹配度高的工况对应的预测时域，作为该运行工况下的预测时域，根据马可洛夫工况预测模型得到混合动力卡车的耗能。
上述步骤1中，对车辆原始运行数据进行预处理，是指对城市工况进行在线重构，将设定工况数据与实时工况数据以一比一的比例进行重构。
上述步骤1中，利用k-means聚类算法将预处理后的数据根据特征参数进行分类的具体过程是：
步骤a，以设定的网格精度将车速-加速度状态空间划分为n个状态片段；
步骤b，在每个状态片段内确定m个特征参数；
步骤c，构造n×m阶状态片段特征参数矩阵X：
步骤d，利用K-means聚类算法，随机选取K个数据对象作为初始的聚类中心；
步骤e，在确定各个聚类中心之后，根据公式计算其余数据对象与聚类中心的欧式距离：
其中，x为数据对象，Ci为第i个聚类中心，m为数据对象的维度，xj、Cij分别为x和Ci的第j个属性值；
步骤f，根据欧式距离，将各个数据对象分配到与其相聚最近的聚类中心所在的簇中；
步骤g，计算每一个簇中数据对象的均值，作为新的聚类中心；
步骤h，根据公式：
计算得到所有簇的误差平方和SSE；
如果SSE值发生变化，则寻找新的聚类中心，对其余数据对象与聚类中心的欧式距离进行重新计算，反复进行此过程，直到所有簇的误差平方和SSE不再发生变化。
上述步骤3中，预测误差e的计算公式是：
上述步骤4中，根据马可洛夫工况预测模型进行预测的具体过程是：
步骤41，将历史车速与预测时域作为马可洛夫工况预测模型的输入变量；
步骤42，根据预测车速，计算预测时域k～k+p的车辆需求转矩；
步骤43，利用动态规划算法，以燃油消耗量为指标函数，求解预测时域k～k+p内的混合动力卡车发动机的转矩序列；
步骤44，将转矩序列中首个转矩值作为实际控制变量，作用于混合动力卡车；
步骤45，基于首个转矩值，将发动机转矩与电机转矩进行分配，分别计算发动机和电机的消耗能量情况；
步骤46，完成发动机转矩与电机转矩的分配之后，运用燃油计算公式与电量消耗的公式计算总的燃油消耗量；
步骤47，进入下一个工况片段时，令k＝k+1，再次进行循环，如此反复，直到车辆停止运行。
采用上述方案后，本发明先将车辆循环工况下的运行数据进行分类，找到各类工况的最优预测时域。在车辆正常运行时，找出工况数据的特征参数，归类后，对预测时域进行调整，从而提高工况预测模型的精度，改善能量管理的效果。
附图说明
图1是本发明的流程图；
图2是本发明实施例提供的预测流程图；
图3是本发明实施例提供的车辆运行原始数据提取方法流程图；
图4是本发明实施例提供的K-means聚类算法对车辆运行数据的处理方法流程图。
具体实施方式
以下将结合附图，对本发明的技术方案及有益效果进行详细说明。
如图1所示，本发明提供一种基于变时域模型预测混合动力卡车耗能的方法，总体思路是先对运行工况分类，找到对应最优预测时域，再找到正常行驶工况与分类工况相似度高的情况，选取该工况的预测时域作为输入，从而进行实时调整，具体包括如下步骤：
步骤1，混合动力卡车在中国典型城市工况中反复运行，经过车辆原始运行数据的提取后，利用k-means聚类算法，将数据根据特征参数进行分类，生成多个状态片段；
步骤2，建立马卡洛夫工况预测模型，对每个状态片段提供3s，6s，9s，...，30s预测时域，得出该状态片段下预测时域内的预测车速Ve；
步骤3，得出预测车速Ve的同时，计算并记录车辆在预测时域内的实际车速Va，用下列公式的参量e：
表征该预测时域下的预测误差；
步骤4，对比不同预测时域下的预测误差，取预测误差最小，即预测精度最高的预测时域作为该工况下的预测时域，反复实验，找到出现次数最高的预测时域，与该工况形成一一映射的关系，保存在车辆ECU中，完成循环工况下各种工况的预测时域的确定；
步骤5，在卡车正常行驶时，对车辆运行数据实时监控，根据特征参数，找到与循环工况下状态片段中匹配度高的工况对应的预测时域，把它作为该运行工况下的预测时域，输入到马可洛夫工况预测模型内，实现变时域模型预测控制混合动力卡车能量管理方法。
如图2所示，是本发明实施例基于变时域模型预测混合动力卡车能量的流程图，包括以下步骤：
首先，在混合动力卡车运行的过程中，使用传感器记录车辆的车速，动力电池SOC等数据，用数学方法在处理器中计算求出汽车的加速度，并且将这一系列数据，即特征参数，储存到汽车的ECU以待取用。
接着，将特征参数输入到工况识别模块，确定实际工况对应的预测时域。同时，将历史车速作为输入变量一起输入到基于马卡洛夫工况预测模型中，取得精度较高的预测时域内的车速。
根据预测车速，计算出预测时域k～k+p的车辆需求转矩。
根据预测时域内的车辆需求转矩，利用动态规划算法(DP)，以燃油消耗量为指标函数，求解预测时域k～k+p内的混合动力卡车发动机的转矩序列。
得出发动机最优转矩序列后，将转矩序列中首个转矩值作为实际控制变量，作用于混合动力卡车。
根据首个转矩值这样一个实际控制变量，本发明将发动机转矩与电机转矩进行分配，分别计算发动机和电机的消耗能量情况，实现能量管理。
完成发动机转矩与电机转矩的分配之后，运用燃油计算公式与电量消耗的公式计算出总的燃油消耗量。
进入下一个工况片段时，令k＝k+1，再次进行循环，如此反复，直到车辆停止运行，实现能量优化。
如图3所示，是本发明实施例中提取车辆运行原始数据的流程图，主要是运用工况在线重构与状态填补的方法解决数据缺失遗漏的问题，具体包含以下步骤：
首先，本发明使混合动力卡车在在中国典型城市工况中反复运行，在中国典型城市工况中，理论上所有的工况都能得到体现。
沿着中国典型城市工况进行运行时，车辆在实际道路环境中行驶时，仍然会有部分工况数据会有缺失，或者发生遗漏的现象。为解决这个问题，本发明对工况进行了在线重构，就是把设定工况数据与实时工况数据以一比一的比例进行重构。对于缺失的数据，本发明采用一种状态填充的办法，由此取得较为完整的工况数据。
按照车速1km/h、加速度0.05m/s2的网格精度将车速-加速度状态空间划分为n个状态片段。在车辆能量管理预测模型中，马卡洛夫法是通过使用车辆加速度来划分车速片段，从而更直观的表征车速的变化规律。同时，马卡洛夫法以能够反映数据样本变化规律的转移矩阵为选取依据。对车速、加速度的划分尺度，本实施例采取的数据分别是1,0.05。这样，既不会给预测模型的计算带来太大压力，也不会导致由于尺度过大而引起无法准确反映工况特征的问题。
接着，完成状态片段划分后，在每个状态片段内确定m个特征参数。特征参数是用来表征每个状态空间数据特征的参数，获取这样的参数对之后车辆实际运行
工况进行划分时，提供更准确的匹配信息。特征参数主要包括最高车速，平均车速，车速标准方差，最大加速度，最大减速度，加速度标准方差等。
最后，构造n×m阶状态片段特征参数矩阵X：
运用这种特征参数矩阵对工况进行描述。
如图4所示，本发明对车辆运行数据的处理，采用了K-means聚类算法，具体步骤如下：
根据图2进行处理之后所得出的特征参数，使用K-means聚类算法，随机地选取K个数据对象作为初始的聚类中心，随机挑选能够保证后续步骤的可靠性。
在确定各个聚类中心之后，根据公式：
其中，x为数据对象，Ci为第i个聚类中心，m为数据对象的维度，xj、Cij分别为x和Ci的第j个属性值。
由此可以计算出其余数据对象与聚类中心的欧式距离。
根据欧式距离，将各个数据对象分配到与其相聚最近的聚类中心所在的簇中。
计算每一个簇中数据对象的均值，作为新的聚类中心。
根据公式：
计算得出所有簇的误差平方和SSE。
如果SSE值发生变化，则寻找新的聚类中心，对其余对象与聚类中心的欧式距离进行重新计算，反复进行此过程，直到所有簇的误差平方和SSE不再发生变化，则对车辆运行数据的处理就完成了。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。
Claims (3)
1.一种基于变时域模型预测混合动力卡车耗能的方法，其特征在于包括如下步骤：
步骤1，在试验阶段，混合动力卡车在城市工况中反复运行，获取若干组车辆原始运行数据，进行预处理后，利用k-means聚类算法，将预处理后的数据根据特征参数进行分类，生成多个状态片段；
所述步骤1中，利用k-means聚类算法将预处理后的数据根据特征参数进行分类的具体过程是：
步骤a，以设定的网格精度将车速-加速度状态空间划分为n个状态片段；
步骤b，在每个状态片段内确定m个特征参数；
步骤c，构造n×m阶状态片段特征参数矩阵X：
步骤d，利用K-means聚类算法，随机选取K个数据对象作为初始的聚类中心；
步骤e，在确定各个聚类中心之后，根据公式计算其余数据对象与聚类中心的欧式距离：
其中，x为数据对象，Ci为第i个聚类中心，m为数据对象的维度，xj、Cij分别为x和Ci的第j个属性值；
步骤f，根据欧式距离，将各个数据对象分配到与其相聚最近的聚类中心所在的簇中；
步骤g，计算每一个簇中数据对象的均值，作为新的聚类中心；
步骤h，根据公式：
计算得到所有簇的误差平方和SSE；
如果SSE值发生变化，则寻找新的聚类中心，对其余数据对象与聚类中心的欧式距离进行重新计算，反复进行此过程，直到所有簇的误差平方和SSE不再发生变化；
步骤2，建立马可洛夫工况预测模型，对每个状态片段提供多个预测时域，得出该状态片段下预测时域内的预测车速Ve；
步骤3，得出预测车速Ve的同时，计算并记录车辆在预测时域内的实际车速Va，采用预测误差e表征该预测时域下的预测精度，选择预测精度高的预测时域作为该状态片段的参数；
步骤4，在应用阶段，根据混合动力卡车正常行驶的特征参数，找到与循环工况下状态片段中匹配度高的工况对应的预测时域，作为运行工况下的预测时域，根据马可洛夫工况预测模型得到混合动力卡车的耗能；
所述步骤4中，根据马可洛夫工况预测模型进行预测的具体过程是：
步骤41，将历史车速与预测时域作为马可洛夫工况预测模型的输入变量；
步骤42，根据预测车速，计算预测时域k～k+p的车辆需求转矩；
步骤43，利用动态规划算法，以燃油消耗量为指标函数，求解预测时域k～k+p内的混合动力卡车发动机的转矩序列；
步骤44，将转矩序列中首个转矩值作为实际控制变量，作用于混合动力卡车；
步骤45，基于首个转矩值，将发动机转矩与电机转矩进行分配，分别计算发动机和电机的消耗能量情况；
步骤46，完成发动机转矩与电机转矩的分配之后，运用燃油计算公式与电量消耗的公式计算总的燃油消耗量；
步骤47，进入下一个工况片段时，令k＝k+1，再次进行循环，如此反复，直到车辆停止运行。
2.如权利要求1所述的一种基于变时域模型预测混合动力卡车耗能的方法，其特征在于：所述步骤1中，对车辆原始运行数据进行预处理，是指对城市工况进行在线重构，将设定工况数据与实时工况数据以一比一的比例进行重构。
3.如权利要求1所述的一种基于变时域模型预测混合动力卡车耗能的方法，其特征在于：所述步骤3中，预测误差e的计算公式是：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011186181.3A CN112298155B (zh) | 2020-10-30 | 2020-10-30 | 一种基于变时域模型预测混合动力卡车耗能的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011186181.3A CN112298155B (zh) | 2020-10-30 | 2020-10-30 | 一种基于变时域模型预测混合动力卡车耗能的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112298155A CN112298155A (zh) | 2021-02-02 |
| CN112298155B true CN112298155B (zh) | 2022-04-08 |
Family
ID=74332275
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011186181.3A Active CN112298155B (zh) | 2020-10-30 | 2020-10-30 | 一种基于变时域模型预测混合动力卡车耗能的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112298155B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114506311B (zh) * | 2022-02-22 | 2023-06-20 | 燕山大学 | 一种变时域预测能量管理方法、装置、汽车及存储介质 |
| CN115027489B (zh) * | 2022-07-08 | 2023-03-07 | 中国科学技术大学 | 一种基于循环预测时域的车辆减排预测控制方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
| CN107688343A (zh) * | 2017-08-01 | 2018-02-13 | 北京理工大学 | 一种混合动力车辆的能量控制方法 |
| CN107909179A (zh) * | 2017-09-29 | 2018-04-13 | 北京理工大学 | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 |
| CN111267831A (zh) * | 2020-02-28 | 2020-06-12 | 南京航空航天大学 | 一种混合动力车辆智能变时域模型预测能量管理方法 |
| CN111301397A (zh) * | 2020-02-28 | 2020-06-19 | 南京航空航天大学 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
| CN111731262A (zh) * | 2020-06-10 | 2020-10-02 | 南京航空航天大学 | 插电混合动力汽车变时域模型预测能量管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106427589A (zh) * | 2016-10-17 | 2017-02-22 | 江苏大学 | 基于工况预测和模糊能耗的电动汽车续驶里程估算方法 |
-
2020
- 2020-10-30 CN CN202011186181.3A patent/CN112298155B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107516107A (zh) * | 2017-08-01 | 2017-12-26 | 北京理工大学 | 一种混合动力车辆的行驶工况分类预测方法 |
| CN107688343A (zh) * | 2017-08-01 | 2018-02-13 | 北京理工大学 | 一种混合动力车辆的能量控制方法 |
| CN107909179A (zh) * | 2017-09-29 | 2018-04-13 | 北京理工大学 | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 |
| CN111267831A (zh) * | 2020-02-28 | 2020-06-12 | 南京航空航天大学 | 一种混合动力车辆智能变时域模型预测能量管理方法 |
| CN111301397A (zh) * | 2020-02-28 | 2020-06-19 | 南京航空航天大学 | 一种插电混合动力汽车变时域模型预测能量管理方法 |
| CN111731262A (zh) * | 2020-06-10 | 2020-10-02 | 南京航空航天大学 | 插电混合动力汽车变时域模型预测能量管理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 插电式混合动力公交车工况构建和变时域预测能量管理;彭剑坤;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20180615;C035-50 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112298155A (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | An ensemble learning velocity prediction-based energy management strategy for a plug-in hybrid electric vehicle considering driving pattern adaptive reference SOC | |
| CN112298155B (zh) | 一种基于变时域模型预测混合动力卡车耗能的方法 | |
| CN107909179B (zh) | 一种插电式混合动力车辆行驶工况的预测模型构建方法及车辆能量管理方法 | |
| CN112327168A (zh) | 一种基于XGBoost的电动汽车电池消耗预测方法 | |
| CN111907342B (zh) | 纯电动汽车的工况识别控制方法 | |
| CN110682905A (zh) | 基于行驶里程的时域中电池荷电状态参考变化量获取方法 | |
| CN112182962A (zh) | 一种混合动力汽车行驶车速预测方法 | |
| CN111459995A (zh) | 一种基于驾驶数据的多模态车速预测方法 | |
| CN113297685B (zh) | 一种车辆运行工况模式识别方法 | |
| Xu et al. | A study of vehicle driving condition recognition using supervised learning methods | |
| CN111348029B (zh) | 一种考虑工况的混合动力汽车标定参数最优值确定方法 | |
| Montazeri-Gh et al. | Intelligent approach for parallel HEV control strategy based on driving cycles | |
| CN111198501B (zh) | 一种由rbf神经网络确定燃油等效因子的方法 | |
| CN113222385A (zh) | 一种电动汽车行驶工况构建与评价方法 | |
| CN113715629B (zh) | 基于改进符号回归和XGBoost算法的剩余续驶里程预测方法 | |
| Shi et al. | RETRACTED ARTICLE: The energy management strategy for parallel hybrid electric vehicles based on MNN | |
| CN114547963A (zh) | 一种基于数据驱动的轮胎建模方法和介质 | |
| Wang et al. | Predictability of Vehicle Fuel Consumption Using LSTM: Findings from Field Experiments | |
| CN117465301A (zh) | 基于数据驱动的燃料电池汽车实时能量管理方法 | |
| Pan et al. | Driving cycle construction and combined driving cycle prediction for fuzzy energy management of electric vehicles | |
| CN109376473B (zh) | 车辆控制器、车辆及其续航里程的计算方法和装置 | |
| CN117056765A (zh) | 一种车速多时间尺度预测方法、系统、设备、介质及终端 | |
| CN114912195B (zh) | 一种商用车空气动力学序列优化方法 | |
| CN115718886A (zh) | 纯电动汽车行驶工况的构建方法及装置 | |
| Zhao et al. | An evaluation method for pavement maintenance priority classification based on an unsupervised data-driven multidimensional performance model |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method for Predicting Energy Consumption of Hybrid Electric Trucks Based on a Variable Time Domain Model Effective date of registration: 20230830 Granted publication date: 20220408 Pledgee: Jiangsu Qidong rural commercial bank Co.,Ltd. Pledgor: Jiangsu Zilang Automobile Group Co.,Ltd. Registration number: Y2023980054433 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220408 Pledgee: Jiangsu Qidong rural commercial bank Co.,Ltd. Pledgor: Jiangsu Zilang Automobile Group Co.,Ltd. Registration number: Y2023980054433 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right |