CN112525210B - 一种面向节能的电动汽车全局路径和速度联合优化方法 - Google Patents
一种面向节能的电动汽车全局路径和速度联合优化方法 Download PDFInfo
- Publication number
- CN112525210B CN112525210B CN202011327175.5A CN202011327175A CN112525210B CN 112525210 B CN112525210 B CN 112525210B CN 202011327175 A CN202011327175 A CN 202011327175A CN 112525210 B CN112525210 B CN 112525210B
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- path
- model
- reference speed
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3476—Special cost functions, i.e. other than distance or default speed limit of road segments using point of interest [POI] information, e.g. a route passing visible POIs
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种面向节能的电动汽车全局路径和速度联合优化方法,包括以下步骤:S1:构建交通网络模型;S2:构建车辆纵向动力学模型;S3:基于两个耦合遗传算法,进行经济路径和参考速度的协同优化;S4:结合交通网络模型、车辆动力学模型和算法模型,搭建联合仿真平台;S5:通过联合仿真平台获取当前经济路径和参考速度下的车辆能耗,作为评价遗传算法适应度的标准,并通过迭代获取最优的经济路径和参考速度,与现有技术相比,本发明具有有效降低汽车能耗等优点。
Description
技术领域
本发明涉及计算机全局路径优化领域,尤其是涉及一种面向节能的智能电动汽车全局路径和速度联合优化方法。
背景技术
对有限的石油资源的认识迫使研究人员开发降低车辆能耗的解决方案。一组研究集中在开发新的动力总成结构,例如以新型发动机,新型车辆技术和新型能源为代表。另一组研究则关注于新型控制技术,包括生态驾驶和生态路径等,而全局路径优化的研究是实现生态路径的重要一步。
随着传感器等技术的改进,可在行驶之前收集道路交通信息,极大地提高全局路径优化的可靠性与准确性,根据已获取的完整先验环境可以更好地建立道路交通网络拓扑图,在该图中寻找成本(路径长度、通行时间)最小的连接起点和终点的有向路段序列,再结合汽车能耗模型,即可通过规划相关路径来降低油耗,然而,现有技术中,大部分路径优化算法未考虑如交通信号灯、路段拥堵、转弯等不确定因素,也未参考速度优化和电动车车型等,无法得到降低油耗的最优路径,其得到的优化路径的有效性低。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种有效性高、合理降低油耗的面向节能的电动汽车全局路径和速度联合优化方法。
本发明的目的可以通过以下技术方案来实现:
一种面向节能的电动汽车全局路径和速度联合优化方法,包括以下步骤:
S1:构建交通网络模型;
S2:构建车辆纵向动力学模型;
S3:基于两个耦合遗传算法,进行经济路径和参考速度的协同优化;
S4:结合交通网络模型、车辆动力学模型和算法模型,搭建联合仿真平台;
S5:通过联合仿真平台获取当前经济路径和参考速度下的车辆能耗,作为评价遗传算法适应度的标准,并通过迭代获取最优的经济路径和参考速度。
进一步地,所述的步骤S1具体包括:
S11:读取数字道路网络格式生成真实道路的SUMO交通模型;
S12:通过随机生成车辆和路径,验证SUMO交通模型的有效性;
S13:提取SUMO交通模型中的有效信息,得到交通网络模型中的路段及其连接信息。
进一步地,所述的车辆纵向动力学模型包括驾驶员模块、制动系统模块、电动机模块、传动系统模块和整车动力学模块。
更进一步地,根据是否采用驾驶员模块,所述的车辆纵向动力学模型将纵向动力学仿真分为前向仿真和后向仿真,所述的前向仿真下,驾驶员模块用于追踪参考速度曲线,所述的后向仿真下,直接根据设定车速曲线计算能量消耗;
所述的制动系统模块将制动踏板开度与制动转矩设置为线性关系,根据输入的制动踏板开度以及电机当前转速的最大制动转矩,获取需求制动转矩;
所述的电动机模块引入Simulink中的二维表查找电机效率特性场,并根据电机转速与转矩,通过插值法获取当前电机效率;
所述的传动系统模块的输入信号包括电机转矩、机械制动力和汽车行驶速度,输出信号包括电机转速和汽车行驶的牵引力。
所述的整车动力学模块的输入包括车轮处的牵引力,输出包括汽车行驶速度。
进一步地,所述的步骤S3具体为:将路径和速度分别作为一对耦合的二进制矢量和一个正实数数组,其中速度的大小和边界与其相应的路径对应。
进一步地,所述的两个耦合遗传算法中,迭代过程相互嵌入,其中,外部迭代循环用于路径优化,内部迭代循环用于速度优化。
更进一步地,所述的速度优化的输入由选定的路径提供,所述的路径优化的输入为参考速度曲线的燃油消耗。
进一步地,所述的搭建联合仿真平台的步骤具体包括:
首先将获取的路段及其连接信息输入遗传算法中,并将输出的经济路径和参考速度反馈至车辆纵向动力学模型,然后将参考速度反馈经过踏板控制器至整车动力学模型,最后输出车辆能耗,完成联合仿真平台的搭建。
更进一步地,所述的步骤S5中,车辆能耗的获取方法为:首先将参考速度由速度-距离曲线转换为速度-时间曲线,然后输入车辆纵向动力学模型中,得到车辆能耗。
与现有技术相比,本发明具有以下优点:
本发明构建了交通网络模型和车辆纵向动力学模型,并采用遗传算法对路径和速度进行协同优化,考虑如交通信号灯、路段拥堵、转弯等不确定因素,进行参考速度优化,同时利用联合仿真模型获取车辆能耗作为评价遗传算法的指标,实现面向节能的智能电动汽车全局路径和速度联合优化,充分对经济路径和参考速度进行协同优化,进一步降低汽车的能耗,提高路径优化在降低油耗方面的有效性。
附图说明
图1为本发明路径和速度协同优化的流程示意图;
图2为本发明整体原理示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例
如图1和图2所示,本发明提供一种面向节能的电动汽车全局路径和速度联合优化方法,包括以下步骤:
S1:构建交通网络模型;
S2:构建车辆纵向动力学模型;
S3:基于两个耦合遗传算法,进行经济路径和参考速度的协同优化;
S4:结合交通网络模型、车辆动力学模型和算法模型,搭建联合仿真平台;
S5:通过联合仿真平台获取当前经济路径和参考速度下的车辆能耗,作为评价遗传算法适应度的标准,并通过迭代获取最优的经济路径和参考速度。
其具体实施过程如下:
步骤1:提取真实道路交通网络,首先读取数字道路网络格式OpenStreetMap(OSM)以生成道路网络,本实施例中,选取某市区约2km×3km的区域生成的SUMO交通模型,并通过随机生成车辆和路径以验证生成路网的有效性。
步骤2:提取路段及其连接信息,将SUMO交通模型的.net文件导入Matlab软件中,提取有效信息:其中有效信息包括边缘ID、长度、类型以及边缘间的连接信息,从而构建处理道路数据的Matlab程序,更改路网后重新运行程序可得到后续矩阵。
步骤3:建立驾驶员模块,根据是否采用驾驶员模块,将纵向动力学仿真分为前向仿真和后向仿真,前者的驾驶员模块可用于追踪参考速度曲线,而后者直接根据给定车速曲线计算能量消耗,采用前向动力总成模块。
步骤4:建立制动系统模块,将制动踏板开度与制动转矩简化为线性关系,根据输入的制动踏板开度以及电机当前转速的最大制动转矩,得到需求制动转矩。对于电动汽车,制动转矩由机械制动系统和电动机同时提供,制动的转矩分配不考虑车身电子稳定系统等的影响,因此将机械制动与电动机制动的比值设置为定值。
步骤5:建立电动机模块,对于电动汽车,制动转矩由机械制动系统和电动机同时提供,制动的转矩分配不考虑车身电子稳定系统等的影响,因此把机械制动与电动机制动的比值设置为定值。
步骤6:将制动系统模块输出的电动机制动转矩与允许的最大电动机制动转矩进行比较,以保证可以输出相应的制动转矩。
步骤7:引入Simulink中的二维查找表电机效率特性场,根据电机转速与转矩,通过插值法得到当前电机效率;
步骤8:建立传动系统模块,传动系统模块的输入信号包括电机转矩、机械制动力和汽车行驶速度,输出信号包括电机转速和汽车行驶的牵引力,电机转速输出到电动机模块。本实施例中,设传动系统效率为定值,在车轮上还可能有制动系统产生的机械制动力。
步骤9:建立整车动力学模块,根据汽车行驶方程式,整车动力学模型的输入包括车轮处的牵引力,输出包括汽车行驶速度。本实施例中,设定道路平直,坡度设为零,不考虑风速,滚动阻力系数为定值,则整车动力学模型的表达式为:
其中,Fwhl为车轮处的牵引力,v为汽车行驶速度,θ为道路坡度,δ汽车旋转质量换算系数,m为汽车质量,CD空气阻力系数,ρ为空气密度,A为迎风面积,vw为风速,g为重力加速度,fR为滚动阻力系数;
步骤10:基于遗传算法实现全局经济路径和参考速度的协同优化,其中,外部迭代循环用于路径优化,内部迭代循环用于速度优化,进行双变量全局优化时,使用两个耦合遗传算法的方法,即:经济路径和参考速度分别是一对耦合的二进制矢量和一个正实数数组,参考速度的大小和边界取决于其相应的路径,参考速度曲线对其相应的路径有效,对其他路径没有物理意义。
步骤11:速度优化需要在特定路径上进行,而路径优化需要根据速度计算能耗作为评价指标,两个GA迭代过程嵌入在一起,速度优化的输入由选定的路径个体提供,参考速度曲线的燃油消耗将用作路径优化的输入。经过初始化、评估、选择、交叉与变异等步骤得到趋近于最优解的经济路径和参考速度;
步骤12:结合SUMO交通模型,Simulink车辆纵向动力学模型和算法模型,搭建联合仿真平台,首先将获取的路段及其连接信息输入优化遗传算法中,输出参考速度和经济路径反馈至车辆模型,然后将参考速度反馈经过踏板控制器至整车动力学模型,最后输出速度和能耗,由此搭建好仿真平台。车辆纵向动力学模型跟踪输入的参考速度,模拟车辆行驶能耗,利用Set函数设置SUMO交通模型中目标车辆的路径进行仿真,验证优化路径算法的有效性。
步骤13:将参考速度由速度-距离曲线转换为速度-时间曲线后输入到车辆纵向动力学模型中得到车辆能耗,作为评价遗传算法中路径个体和速度个体适应度的标准,经过不断迭代最终找到经济路径和参考速度曲线。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种面向节能的电动汽车全局路径和速度联合优化方法,其特征在于,包括以下步骤:
S1:构建交通网络模型,具体包括:
S11:读取数字道路网络格式生成真实道路的SUMO交通模型;
S12:通过随机生成车辆和路径,验证SUMO交通模型的有效性;
S13:提取SUMO交通模型中的有效信息,得到交通网络模型中的路段及其连接信息;
S2:构建车辆纵向动力学模型;
S3:基于两个耦合遗传算法,进行经济路径和参考速度的协同优化,具体为:将路径和速度分别作为一对耦合的二进制矢量和一个正实数数组,其中速度的大小和边界与其相应的路径对应,所述的两个耦合遗传算法中,迭代过程相互嵌入,其中,外部迭代循环用于路径优化,内部迭代循环用于速度优化,所述的速度优化的输入由选定的路径提供,所述的路径优化的输入为参考速度曲线的燃油消耗;
S4:结合交通网络模型、车辆动力学模型和算法模型,搭建联合仿真平台,所述的搭建联合仿真平台的步骤具体包括:
首先将获取的路段及其连接信息输入遗传算法中,并将输出的经济路径和参考速度反馈至车辆纵向动力学模型,然后将参考速度反馈至整车动力学模型,最后输出车辆能耗,完成联合仿真平台的搭建;
S5:通过联合仿真平台获取当前经济路径和参考速度下的车辆能耗,作为评价遗传算法适应度的标准,并通过迭代获取最优的经济路径和参考速度。
2.根据权利要求1所述的一种面向节能的电动汽车全局路径和速度联合优化方法,其特征在于,所述的车辆纵向动力学模型包括驾驶员模块、制动系统模块、电动机模块、传动系统模块和整车动力学模块。
3.根据权利要求2所述的一种面向节能的电动汽车全局路径和速度联合优化方法,其特征在于,根据是否采用驾驶员模块,所述的车辆纵向动力学模型将纵向动力学仿真分为前向仿真和后向仿真,所述的前向仿真下,驾驶员模块用于追踪参考速度曲线,所述的后向仿真下,直接根据设定车速曲线计算能量消耗;
所述的制动系统模块将制动踏板开度与制动转矩设置为线性关系,根据输入的制动踏板开度以及电机当前转速的最大制动转矩,获取需求制动转矩;
所述的电动机模块引入Simulink中的二维表查找电机效率特性场,并根据电机转速与转矩,通过插值法获取当前电机效率;
所述的传动系统模块的输入信号包括电机转矩、机械制动力和汽车行驶速度,输出信号包括电机转速和汽车行驶的牵引力。
4.根据权利要求2所述的一种面向节能的电动汽车全局路径和速度联合优化方法,其特征在于,所述的整车动力学模块的输入包括车轮处的牵引力,输出包括汽车行驶速度。
5.根据权利要求1所述的一种面向节能的电动汽车全局路径和速度联合优化方法,其特征在于,所述的步骤S5中,车辆能耗的获取方法为:首先将参考速度由速度-距离曲线转换为速度-时间曲线,然后输入车辆纵向动力学模型中,得到车辆能耗。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011327175.5A CN112525210B (zh) | 2020-11-24 | 2020-11-24 | 一种面向节能的电动汽车全局路径和速度联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011327175.5A CN112525210B (zh) | 2020-11-24 | 2020-11-24 | 一种面向节能的电动汽车全局路径和速度联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112525210A CN112525210A (zh) | 2021-03-19 |
CN112525210B true CN112525210B (zh) | 2022-09-16 |
Family
ID=74993084
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011327175.5A Active CN112525210B (zh) | 2020-11-24 | 2020-11-24 | 一种面向节能的电动汽车全局路径和速度联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112525210B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341764A (zh) * | 2021-06-09 | 2021-09-03 | 上海交通大学 | 一种实车工况在线的电动汽车优化控制仿真方法及系统 |
CN114708724B (zh) * | 2021-06-28 | 2023-08-01 | 天津大学 | 一种人车路协同的多车能效优化算法 |
CN117809459A (zh) * | 2024-03-01 | 2024-04-02 | 吉林大学 | 一种用于全局路径规划的交通流建模方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2945140A1 (en) * | 2014-05-12 | 2015-11-18 | AVL List GmbH | System and method for operating a vehicle taking into account information on traffic lights and surrounding vehicles |
CN108583576A (zh) * | 2018-03-02 | 2018-09-28 | 南京航空航天大学 | 一种车辆经济学车速前瞻优化方法 |
CN109448364A (zh) * | 2018-10-15 | 2019-03-08 | 同济大学 | 一种考虑舒适度和节能减排的公交动态轨迹优化方法 |
CN109827586A (zh) * | 2019-02-20 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 车辆速度规划方法、装置、设备及计算机可读介质 |
CN110450794A (zh) * | 2019-08-26 | 2019-11-15 | 西南交通大学 | 一种基于最优蠕滑速度搜寻与跟踪的优化粘着控制方法 |
CN111114596A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 一种考虑网损的多列车速度曲线协同优化方法 |
CN111680413A (zh) * | 2020-05-30 | 2020-09-18 | 南京理工大学 | 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 |
CN111813167A (zh) * | 2020-07-22 | 2020-10-23 | 南通大学 | 一种飞行速度和轨迹的联合优化方法及系统 |
WO2020232315A1 (en) * | 2019-05-15 | 2020-11-19 | Sf Motors, Inc. | Energy efficient path planning of autonomous electric vehicle |
CN111959492A (zh) * | 2020-08-31 | 2020-11-20 | 重庆大学 | 一种网联环境下考虑换道行为的hev能量管理分层控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11186173B2 (en) * | 2005-11-17 | 2021-11-30 | Invently Automotive Inc. | Electric vehicle power management system |
CN111753377B (zh) * | 2020-07-06 | 2022-09-30 | 吉林大学 | 基于道路信息的纯电动汽车能耗最优路径规划方法 |
-
2020
- 2020-11-24 CN CN202011327175.5A patent/CN112525210B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2945140A1 (en) * | 2014-05-12 | 2015-11-18 | AVL List GmbH | System and method for operating a vehicle taking into account information on traffic lights and surrounding vehicles |
CN108583576A (zh) * | 2018-03-02 | 2018-09-28 | 南京航空航天大学 | 一种车辆经济学车速前瞻优化方法 |
CN109448364A (zh) * | 2018-10-15 | 2019-03-08 | 同济大学 | 一种考虑舒适度和节能减排的公交动态轨迹优化方法 |
CN109827586A (zh) * | 2019-02-20 | 2019-05-31 | 百度在线网络技术(北京)有限公司 | 车辆速度规划方法、装置、设备及计算机可读介质 |
WO2020232315A1 (en) * | 2019-05-15 | 2020-11-19 | Sf Motors, Inc. | Energy efficient path planning of autonomous electric vehicle |
CN110450794A (zh) * | 2019-08-26 | 2019-11-15 | 西南交通大学 | 一种基于最优蠕滑速度搜寻与跟踪的优化粘着控制方法 |
CN111114596A (zh) * | 2019-12-26 | 2020-05-08 | 西南交通大学 | 一种考虑网损的多列车速度曲线协同优化方法 |
CN111680413A (zh) * | 2020-05-30 | 2020-09-18 | 南京理工大学 | 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 |
CN111813167A (zh) * | 2020-07-22 | 2020-10-23 | 南通大学 | 一种飞行速度和轨迹的联合优化方法及系统 |
CN111959492A (zh) * | 2020-08-31 | 2020-11-20 | 重庆大学 | 一种网联环境下考虑换道行为的hev能量管理分层控制方法 |
Non-Patent Citations (2)
Title |
---|
Guo-qing Geng,等.Design and energy saving analysis of heavy-duty vehicles ESC-HPS based on a new-type Electromagnetic Slip Coupling.《 2016 IEEE Transportation Electrification Conference and Expo (ITEC)》.2016,全文. * |
武冬梅,等.智能四驱电动汽车预测节能控制研究.《同济大学学报(自然科学版)》.2017,第45卷(第S1期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN112525210A (zh) | 2021-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112525210B (zh) | 一种面向节能的电动汽车全局路径和速度联合优化方法 | |
Tran et al. | Design of a hybrid electric vehicle powertrain for performance optimization considering various powertrain components and configurations | |
Modi et al. | Estimation of energy consumption of electric vehicles using deep convolutional neural network to reduce driver’s range anxiety | |
CN104637315B (zh) | 车路协同环境下的无信号交叉口优化控制方法和系统 | |
Maia et al. | Electric vehicle simulator for energy consumption studies in electric mobility systems | |
Perrotta et al. | Route planning for electric buses: a case study in Oporto | |
Li et al. | Intelligent environment-friendly vehicles: Concept and case studies | |
Eckert et al. | Electric vehicle drivetrain optimisation | |
Wu et al. | Fast velocity trajectory planning and control algorithm of intelligent 4WD electric vehicle for energy saving using time‐based MPC | |
Saini et al. | Genetic algorithm based gear shift optimization for electric vehicles | |
Schwickart et al. | A fast model‐predictive speed controller for minimised charge consumption of electric vehicles | |
Németh et al. | Optimised speed profile design of a vehicle platoon considering road inclinations | |
Dong et al. | Energy-optimal braking control using a double-layer scheme for trajectory planning and tracking of connected electric vehicles | |
Pariota et al. | Integrating tools for an effective testing of connected and automated vehicles technologies | |
Hegde et al. | Velocity and energy trajectory prediction of electrified powertrain for look ahead control | |
Zhao et al. | Distributed electric powertrain test bench with dynamic load controlled by neuron PI speed-tracking method | |
Li et al. | Methods and applications of energy saving control of in-wheel motor drive system in electric vehicles: A comprehensive review | |
Reksowardojo et al. | Energy management system design for good delivery electric trike equipped with different powertrain configurations | |
Wang et al. | Model predictive control‐based eco‐driving strategy for CAV | |
Yang et al. | Implementation of velocity optimisation strategy based on preview road information to trade off transport time and fuel consumption for hybrid mining trucks | |
Rizzo et al. | Optimal modulation of regenerative braking in through-the-road hybridized vehicles | |
Hwang | Developing equivalent consumption minimization strategy for advanced hybrid system-II electric vehicles | |
Ye et al. | Energy management strategy of a hybrid power system based on V2X vehicle speed prediction | |
Chen et al. | Cooperative control of connected hybrid electric vehicles and traffic signals at isolated intersections | |
Aoki et al. | Co-simulation platform for developing inforich energy-efficient connected and automated vehicles |
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 |