CN112428834B - 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统 - Google Patents

一种基于蒙特卡洛方法的电动车智能充电优化方法和系统 Download PDF

Info

Publication number
CN112428834B
CN112428834B CN202011286676.3A CN202011286676A CN112428834B CN 112428834 B CN112428834 B CN 112428834B CN 202011286676 A CN202011286676 A CN 202011286676A CN 112428834 B CN112428834 B CN 112428834B
Authority
CN
China
Prior art keywords
sequence
action
value
strategy
obtaining
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
Application number
CN202011286676.3A
Other languages
English (en)
Other versions
CN112428834A (zh
Inventor
陈征
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.)
Ningbo University of Technology
Original Assignee
Ningbo University of Technology
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 Ningbo University of Technology filed Critical Ningbo University of Technology
Priority to CN202011286676.3A priority Critical patent/CN112428834B/zh
Publication of CN112428834A publication Critical patent/CN112428834A/zh
Application granted granted Critical
Publication of CN112428834B publication Critical patent/CN112428834B/zh
Active 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
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/14—Plug-in electric vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Power Engineering (AREA)
  • Algebra (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于蒙特卡洛方法的电动车智能充电优化方法和系统，包括：对所有的充电状况s设置一任意策略；对所有的充电状况s和行动a设置一任意初始化行动值函数值；将开始时刻的状态s0和行动a0带入初始化策略获得序列；根据上述序列获得i时刻状况si和行动ai对应的G值；若状态st和行动at在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；S6将所有的G值取平均值获得行动值函数值；重复上述步骤，选取不同的策略并获得与其对应的行动值函数值；其中行动值函数值最大时对应的策略为最优策略。其基于蒙特卡洛方法给出了电动车的最优充电方案，计算准确，效率高。

Description

一种基于蒙特卡洛方法的电动车智能充电优化方法和系统
技术领域
本发明是关于一种基于蒙特卡洛方法的电动车智能充电优化方法和系统，属于车辆控制技术领域。
背景技术
随着智能电网和电动汽车的发展，越来越多的电动车融入智能网使得电网的负担增加。为了使得智能电网更加经济，有效和稳定，有必要将电动车的充电策略纳入需求侧管理。一般要求电网中的电动车在一段时间内的能耗为最小。因此如何给出电动车用电方案，包括如何充电、如何待命、如何用电是一项重要而有意义的任务。但目前对如何考虑电动车用电方案的能耗优化方法还比较少，而且现有的方法大部分是基于电动车的历史行程和历史轨迹进行计算，但是电动车作为交通工具在行驶过程中会遇到各种突发情况，根据历史行程获得的能耗优化方案不能很好的应对突发情况，具有明显的滞后性。
发明内容
针对上述现有技术的不足，本发明的目的是提供了一种基于蒙特卡洛方法的电动车智能充电优化方法和系统，基于随机模型建立了关于插电式混合动力车辆的能耗目标函数，然后基于蒙特卡洛方法给出了电动车的最优充电方案，计算准确，效率高，特别适用于随机性强的道路交通状况。
为实现上述目的，本发明提供了一种基于蒙特卡洛方法的电动车智能充电优化方法，包括以下步骤：S1对所有的电动车充电状况s设置一任意策略π(s)；S2将开始时刻的状态s0和行动a0带入初始化策略π(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；S3根据S2中的序列获得i时刻状况si和行动ai对应的G值；S4若状态st和行动at在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；S5将所有的G值取平均值获得行动值函数值Q(s,a)；S6重复步骤S1-S5，选取不同的策略π(s)并获得与其对应的行动值函数值Q(s,a)；其中行动值函数值Q(s,a)最大时对应的策略π(s)为最优策略。
进一步，步骤S2中能量的即时消耗的公式为：
Figure BDA0002782619450000011
其中，Ech(SoC(t))表示[t,t+1]时间段内的充电桩充给电动车的电能，η是充电效率系数，g表示当能耗超过电池可用电能时候的油耗。
进一步，步骤S3中G值的计算公式：
Gt＝γGt-1+Rt+1
其中，γ为折扣因子，为常数，G0＝0。
进一步，步骤S5中行动值函数值Q(s,a)的计算公式：
Figure BDA0002782619450000021
其中，T为时间段[0,M]插入的T个等分点，Eπ[]为采用策略π在时间段[0,M]中消耗的电能。
进一步，步骤S6中获得的最优策略带入下式得到最优能耗：
Figure BDA0002782619450000022
其中，b(t)是Boolean值函数，当汽车在充电站时等于1，不在充电站时等于0；k表示汽油能量转化为电能的适当系数；Et表示[t,t+1]时间段内消耗的电能；En表示车辆电池的名义容量。
本发明还公开了一种基于蒙特卡洛方法的电动车智能充电优化系统，包括：策略设定模块，用于对所有的电动车充电状况s设置一任意策略π(s)；行动值函数设定模块，用于对所有的电动车充电状况s和行动a设置一任意初始化行动值函数值Q0(s,a)；序列模块，用于将开始时刻的状态s0和行动a0带入初始化策略π0(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；G值模块，用于根据S3中的序列获得i时刻状况si和行动ai对应的G值；记录模块，用于若状态st和行动at在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；行动值函数值计算模块，用于将所有的G值取平均值获得行动值函数值Q(s,a)；循环输出模块，用于重复步骤S1-S6，选取不同的策略π(s)并获得与其对应的行动值函数值Q(s,a)；其中行动值函数值Q(s,a)最大时对应的策略π(s)为最优策略。
本发明还公开了一种基于蒙特卡洛方法的电动车智能充电优化方法，包括以下步骤：S1输入一策略π(s)，对所有的电动车充电状况s设置一任意初始化速度V(s,a)；S2将开始时刻的状态s0和行动a0带入初始化策略π(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；S3根据S2中的序列获得i时刻状况si和行动ai对应的G值；S4若状态st在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；S5将所有的G值取平均值获得状态st对应的速度V(st)。
进一步，步骤S2中能量的即时消耗的公式为：
Figure BDA0002782619450000031
其中，Ech(SoC(t))表示[t,t+1]时间段内的充电桩充给电动车的电能，η是充电效率系数，g表示当能耗超过电池可用电能时候的油耗。
进一步，步骤S3中G值的计算公式：
Gt＝γGt-1+Rt+1
其中，γ为折扣因子，为常数，G0＝0。
本发明还公开了一种基于蒙特卡洛方法的电动车智能充电优化系统，包括：速度设定模块，用于输入一策略π(s)，对所有的电动车充电状况s设置一任意初始化速度V(s,a)；序列模块，用于将开始时刻的状态s0和行动a0带入初始化策略π(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；G值模块，用于根据S2中的序列获得i时刻状况si和行动ai对应的G值；记录模块，用于若状态st在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；输出模块，用于将所有的G值取平均值获得状态st对应的速度V(st)。
本发明由于采取以上技术方案，其具有以下优点：本发明基于随机模型建立了关于插电式混合动力车辆的能耗目标函数，然后基于蒙特卡洛方法给出了电动车的最优充电方案，基于实际数据的采样，具有算法简单，计算准确，效率高，特别适用于随机性强的道路交通状况。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方向，通过具体实施例对本发明进行详细的描绘。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
实施例一
本实施例公开了一种基于蒙特卡洛方法的电动车智能充电优化方法，包括以下步骤：S1对所有的电动车充电状况s设置一任意策略π(s)；对所有的电动车充电状况s和行动a设置一任意初始化行动值函数值Q0(s,a)；S2将开始时刻的状态s0和行动a0带入初始化策略π(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；S3根据S2中的序列获得i时刻状况si和行动ai对应的G值；S4若状态st和行动at在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；S5将所有的G值取平均值获得行动值函数值Q(s,a)；S6重复步骤S1-S5，选取不同的策略π(s)并获得与其对应的行动值函数值Q(s,a)；其中行动值函数值Q(s,a)最大时对应的策略π(s)为最优策略。
步骤S2中能量的即时消耗的公式为：
Figure BDA0002782619450000041
其中，Ech(SoC(t))表示[t,t+1]时间段内的充电桩充给电动车的电能，η是充电效率系数，g表示当能耗超过电池可用电能时候的油耗。
步骤S3中G值的计算公式：
Gt＝γGt-1+Rt+1
其中，γ为折扣因子，为常数，G0＝0。
步骤S5中行动值函数值Q(s,a)的计算公式：
Figure BDA0002782619450000042
其中，T为时间段[0,M]插入的T个等分点，Eπ[]为采用策略π在时间段[0,M]中消耗的电能。
步骤S6中获得的最优策略带入下式得到最优能耗：
Figure BDA0002782619450000043
其中，b(t)是Boolean值函数，当汽车在充电站时等于1，不在充电站时等于0；k表示汽油能量转化为电能的适当系数；Et表示[t,t+1]时间段内消耗的电能；En表示车辆电池的名义容量。
实施例二
基于相同的发明构思，本实施例还公开了一种基于蒙特卡洛方法的电动车智能充电优化系统，包括：
策略设定模块，用于对所有的电动车充电状况s设置一任意策略π(s)；
行动值函数设定模块，用于对所有的电动车充电状况s和行动a设置一任意初始化行动值函数值Q0(s,a)；
序列模块，用于将开始时刻的状态s0和行动a0带入初始化策略π0(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；
G值模块，用于根据S3中的序列获得i时刻状况si和行动ai对应的G值；记录模块，用于若状态st和行动at在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；
行动值函数值计算模块，用于将所有的G值取平均值获得行动值函数值Q(s,a)；
循环输出模块，选取不同的策略π(s)并获得与其对应的行动值函数值Q(s,a)；其中行动值函数值Q(s,a)最大时对应的策略π(s)为最优策略。
实施例三
基于相同的发明构思，本实施例还公开了一种基于蒙特卡洛方法的电动车智能充电优化方法，包括以下步骤：S1输入一策略π(s)，对所有的电动车充电状况s设置一任意初始化速度V(s,a)；S2将开始时刻的状态s0和行动a0带入初始化策略π(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；S3根据S2中的序列获得i时刻状况si和行动ai对应的G值；S4若状态st在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；S5将所有的G值取平均值获得状态st对应的速度V(st)。
步骤S2中能量的即时消耗的公式为：
Figure BDA0002782619450000051
其中，Ech(SoC(t))表示[t,t+1]时间段内的充电桩充给电动车的电能，η是充电效率系数，g表示当能耗超过电池可用电能时候的油耗。
步骤S3中G值的计算公式：
Gt＝γGt-1+Rt+1
其中，γ为折扣因子，为常数，G0＝0。
实施例四
基于相同的发明构思，本实施例还公开了一种基于蒙特卡洛方法的电动车智能充电优化系统，包括：
速度设定模块，用于输入一策略π(s)，对所有的电动车充电状况s设置一任意初始化速度V(s,a)；
序列模块，用于将开始时刻的状态s0和行动a0带入初始化策略π(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；
G值模块，用于根据S2中的序列获得i时刻状况si和行动ai对应的G值；
记录模块，用于若状态st在序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在序列中出现过的状态和行动对应的G值；
输出模块，用于将所有的G值取平均值获得状态st对应的速度V(st)。
上述内容仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，包括以下步骤：
S1对所有的电动车充电状况s设置一任意策略π(s)；
S2将开始时刻的状态s0和行动a0带入初始化策略π0(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；
S3根据S2中的所述序列获得i时刻状况si和行动ai对应的G值；
S4若状态st和行动at在所述序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在所述序列中出现过的状态和行动对应的G值；
S5将所有的G值取平均值获得行动值函数值Q(s,a)；
S6重复步骤S1-S5，选取不同的策略π(s)并获得与其对应的行动值函数值Q(s,a)；其中行动值函数值Q(s,a)最大时对应的策略π(s)为最优策略。
2.如权利要求1所述的基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，所述步骤S2中能量的即时消耗的公式为：
Figure FDA0003618500650000011
其中，Ech(SoC(t))表示[t,t+1]时间段内的充电桩充给电动车的电能，η是充电效率系数，g表示当能耗超过电池可用电能时候的油耗。
3.如权利要求2所述的基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，所述步骤S3中G值的计算公式：
Gt＝γGt-1+Rt+1
其中，γ为折扣因子，为常数，G0＝0。
4.如权利要求3所述的基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，所述步骤S5中行动值函数值Q(s,a)的计算公式：
Figure FDA0003618500650000012
其中，T为时间段[0,M]插入的T个等分点，Eπ[]为采用策略π在时间段[0,M]中消耗的电能。
5.如权利要求4所述的基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，所述步骤S6中获得的最优策略带入下式得到最优能耗：
Figure FDA0003618500650000021
其中，b(t)是Boolean值函数，当汽车在充电站时等于1，不在充电站时等于0；k表示汽油能量转化为电能的适当系数；Et表示[t,t+1]时间段内消耗的电能；En表示车辆电池的名义容量。
6.一种基于蒙特卡洛方法的电动车智能充电优化系统，其特征在于，包括：
策略设定模块，用于对所有的电动车充电状况s设置一任意策略π(s)；
序列模块，用于将开始时刻的状态s0和行动a0带入初始化策略π0(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；
G值模块，用于根据S3中的所述序列获得i时刻状况si和行动ai对应的G值；
记录模块，用于若状态st和行动at在所述序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在所述序列中出现过的状态和行动对应的G值；
行动值函数值计算模块，用于将所有的G值取平均值获得行动值函数值Q(s,a)；
循环输出模块，选取不同的策略π(s)并获得与其对应的行动值函数值Q(s,a)；其中行动值函数值Q(s,a)最大时对应的策略π(s)为最优策略。
7.一种基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，包括以下步骤：
S1输入一策略π(s)，对所有的电动车充电状况s设置一任意初始化速度V(s,a)；
S2将开始时刻的状态s0和行动a0带入初始化策略π0(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；
S3根据S2中的所述序列获得i时刻状况si和行动ai对应的G值；
S4若状态st在所述序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在所述序列中出现过的状态和行动对应的G值；
S5将所有的G值取平均值获得状态st对应的速度V(st)。
8.如权利要求7所述的基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，所述步骤S2中能量的即时消耗的公式为：
Figure FDA0003618500650000022
其中，Ech(SoC(t))表示[t,t+1]时间段内的充电桩充给电动车的电能，η是充电效率系数，g表示当能耗超过电池可用电能时候的油耗。
9.如权利要求8所述的基于蒙特卡洛方法的电动车智能充电优化方法，其特征在于，所述步骤S3中G值的计算公式：
Gt＝γGt-1+Rt+1
其中，γ为折扣因子，为常数，G0＝0。
10.一种基于蒙特卡洛方法的电动车智能充电优化系统，其特征在于，包括：
速度设定模块，用于输入一策略π(s)，对所有的电动车充电状况s设置一任意初始化速度V(s,a)；
序列模块，用于将开始时刻的状态s0和行动a0带入初始化策略π0(s)获得序列：s0，a0，R1，…，sT-1，aT-1，RT，Ri为i时刻能量的即时消耗；
G值模块，用于根据S2中的所述序列获得i时刻状况si和行动ai对应的G值；
记录模块，用于若状态st在所述序列中出现过，则记录其G值中，遍历所有待测状态和行动，获得所有在所述序列中出现过的状态和行动对应的G值；
输出模块，用于将所有的G值取平均值获得状态st对应的速度V(st)。
CN202011286676.3A 2020-11-17 2020-11-17 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统 Active CN112428834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011286676.3A CN112428834B (zh) 2020-11-17 2020-11-17 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011286676.3A CN112428834B (zh) 2020-11-17 2020-11-17 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统

Publications (2)

Publication Number Publication Date
CN112428834A CN112428834A (zh) 2021-03-02
CN112428834B true CN112428834B (zh) 2022-06-21

Family

ID=74701165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011286676.3A Active CN112428834B (zh) 2020-11-17 2020-11-17 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统

Country Status (1)

Country Link
CN (1) CN112428834B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113335126B (zh) * 2021-07-08 2023-01-06 恒大恒驰新能源汽车研究院(上海)有限公司 新能源汽车智能充电控制方法、存储介质和电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862398A (zh) * 2017-11-17 2018-03-30 东南大学 一种住宅小区新能源汽车分时充电运行方法
CN110001415A (zh) * 2019-04-11 2019-07-12 宁波工程学院 一种插电式混合动力车辆最优能耗的确定方法
CN110738432A (zh) * 2019-10-29 2020-01-31 孙凯旋 新能源汽车充电管理方法、装置、服务器及可读存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9229905B1 (en) * 2011-04-22 2016-01-05 Angel A. Penilla Methods and systems for defining vehicle user profiles and managing user profiles via cloud systems and applying learned settings to user profiles
CN107392400B (zh) * 2017-09-04 2020-10-16 重庆大学 计及实时交通与温度的ev充电负荷时空分布预测方法
CN108400585B (zh) * 2018-02-08 2021-04-02 东华大学 多辆电动汽车在微电网系统中的分布式实时能量分配方法
CN108448567B (zh) * 2018-02-13 2021-09-21 华南理工大学 一种电动汽车代理商参与能量和调频市场的智能控制系统
US10953767B2 (en) * 2019-02-08 2021-03-23 Ford Global Technologies, Llc System and method for battery-electric vehicle fleet charging
US11376981B2 (en) * 2019-02-08 2022-07-05 California Institute Of Technology Systems and methods for adaptive EV charging
CN110210777B (zh) * 2019-06-11 2021-05-04 上海电力学院 一种含微电网和电动汽车充电站的配电网可靠性评估方法
CN111267829B (zh) * 2020-03-11 2021-08-03 宁波工程学院 一种混合动力车辆能量管理方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107862398A (zh) * 2017-11-17 2018-03-30 东南大学 一种住宅小区新能源汽车分时充电运行方法
CN110001415A (zh) * 2019-04-11 2019-07-12 宁波工程学院 一种插电式混合动力车辆最优能耗的确定方法
CN110738432A (zh) * 2019-10-29 2020-01-31 孙凯旋 新能源汽车充电管理方法、装置、服务器及可读存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于进化-增强学习方法的插电式混合动力公交车能量管理策略;陈征等;《机械工程学报》;20170309;第53卷(第16期);第86-93页 *

Also Published As

Publication number Publication date
CN112428834A (zh) 2021-03-02

Similar Documents

Publication Publication Date Title
Xie et al. Model predictive energy management for plug-in hybrid electric vehicles considering optimal battery depth of discharge
Maia et al. Electrical vehicle modeling: A fuzzy logic model for regenerative braking
Zou et al. Reinforcement learning-based real-time energy management for a hybrid tracked vehicle
Tian et al. Data-driven hierarchical control for online energy management of plug-in hybrid electric city bus
Xie et al. A data-driven power management strategy for plug-in hybrid electric vehicles including optimal battery depth of discharging
CN105539423B (zh) 结合环境温度保护电池的混合动力车转矩分配控制方法及系统
US8406948B2 (en) Plug-in hybrid electric vehicle and method of control for providing distance to empty and equivalent trip fuel economy information
Mobarak et al. Vehicle-directed smart charging strategies to mitigate the effect of long-range EV charging on distribution transformer aging
CN103033752B (zh) 电动车电池寿命预测方法以及延长方法
Wang et al. Research on energy optimization control strategy of the hybrid electric vehicle based on Pontryagin's minimum principle
CN105034817A (zh) 一种基于多约束条件下的电动汽车再生制动控制方法
Zhang et al. Fuzzy multi-objective control strategy for parallel hybrid electric vehicle
CN112428834B (zh) 一种基于蒙特卡洛方法的电动车智能充电优化方法和系统
Yue et al. Model-free learning-based online management of hybrid electrical energy storage systems in electric vehicles
Adhikary et al. Comprehensive review on charging solution of electric vehicle-an internet of things-based approach
CN109466381A (zh) 一种供电系统
Li et al. Predictive multi-objective operation strategy considering battery cycle aging for hybrid electric vehicles
Di Martino et al. Implementation and validation modelling of energy demand of electric buses for local public transport
Leska et al. Comparative Calculation of the Fuel–Optimal Operating Strategy for Diesel Hybrid Railway Vehicles
Mineeshma et al. Component sizing of electric vehicle/hybrid electric vehicle subsystems using backward modelling approach
Gade The new battery management system in electric vehicle
Bandyopadhyay et al. Aggregator analysis for efficient day-time charging of plug-in hybrid electric vehicles
He et al. Novel flexible hybrid electric system and adaptive online-optimal energy management controller for plug-in hybrid electric vehicles
Galus et al. An approach for plug-in hybrid electric vehicle (phev) integration into power systems
Diab et al. Integration of electric vehicles in smart grids

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